Советы 02.07.2026

Как использовать нейросети для создания персональных товарных рекомендаций

Блок «Вам может понравиться» в большинстве писем формируется по одному принципу. Берётся категория последней покупки и в письмо подставляются товары из той же категории. Это лучше, чем ничего, но это не персонализация, а упрощённая логика, которую легко спутать с настоящими рекомендациями.

Нейросети меняют точность подбора. Вместо одной категории модель учитывает десятки сигналов одновременно: историю покупок, просмотры, время на сайте, поведение похожих пользователей. Результат точнее обычного правила «купил кофемашину, покажи кофе».

Почему обычные блоки рекомендаций работают слабо

Правило «такая же категория» не учитывает контекст. Человек мог купить кофемашину в подарок и больше никогда не интересоваться кофе. Или купить зимнюю куртку и сразу искать перчатки, а не вторую куртку.

Простые правила дают одинаковый результат для всех покупателей категории. Нейросеть учитывает индивидуальное поведение конкретного человека и сравнивает его с поведением похожих пользователей, поэтому подборка получается разной даже для покупателей одного товара.

Как нейросеть формирует рекомендацию

Два основных подхода, которые обычно комбинируют.

Коллаборативная фильтрация. Модель ищет пользователей с похожим поведением и предлагает то, что покупали или смотрели они. Логика «людям, похожим на вас, понравилось это»
Контентный подход. Модель анализирует характеристики самого товара (цвет, материал, цена, бренд) и подбирает похожие позиции по этим параметрам

Современные сервисы рекомендаций обычно используют гибрид: коллаборативная фильтрация даёт точность на большой базе, контентный подход работает даже для новых пользователей без истории покупок.

Какие данные нужны для точных рекомендаций

Качество рекомендаций зависит не от самой модели, а от данных, на которых она обучается. Чем больше сигналов о поведении пользователя получает алгоритм, тем точнее он прогнозирует интерес к товарам.

Сигнал	Что использует модель
История покупок	Какие товары пользователь покупает регулярно, какие категории предпочитает
Просмотры товаров	Какие товары и категории привлекли внимание, но не привели к покупке
Брошенная корзина	Товары с высоким намерением покупки
Сезонность и время покупки	Когда пользователь обычно совершает покупки и какие товары актуальны в текущий период
Поведение в рассылках	Какие письма, категории и предложения вызывают интерес

Если данных недостаточно, персонализация становится формальной. Например, без истории покупок и просмотров алгоритм не может определить реальные предпочтения пользователя и чаще предлагает популярные товары вместо релевантных.

Где в письмах размещать персональные рекомендации

Постпокупочные письма. Через 7–14 дней после покупки, на основе того, что человек уже приобрёл
Письма о брошенной корзине. Товар из корзины плюс одна‑две похожих позиции
Реактивационные письма. Подборка на основе старой истории покупок, актуальная сейчас
Регулярная рассылка. Один блок с персональной подборкой внутри обычного письма, без отдельной email-кампании под это

Canva рекомендует шаблоны на основе предыдущих действий пользователя. Такие письма продолжают сценарий использования продукта и предлагают следующий логичный шаг.

Рекомендация основана на поведении пользователя, а не на популярных предложениях. Такой подход повышает вероятность отклика, потому что письмо продолжает уже начатый сценарий.

Инструменты для подключения

Готовые сервисы рекомендаций (например, на базе своей CDP или платформы аналитики), которые интегрируются с ESP через API
Собственная модель, если объём данных большой и есть ресурс на разработку
Автоматический парсинг карточек товаров в Letteros, который подтягивает актуальные данные о товаре (фото, цену, наличие) в письмо без ручной вёрстки каждой карточки

Подробнее про автопарсинг карточек

Частые ошибки

Показывать товар, который человек уже купил. Базовая проверка, которую часто забывают настроить
Слишком много карточек в одном блоке. Три‑четыре товара работают лучше десяти
Подборка без объяснения логики. Пользователь доверяет рекомендации больше, если видит причину
Игнорировать сезонность. Зимняя куртка в июльской подборке снижает доверие ко всему блоку
Запускать без теста. Сравните письмо с персональным блоком и без него на одной аудитории, прежде чем менять весь шаблон

Что проверить перед запуском

Данные о покупках и просмотрах подключены и обновляются
Купленные товары исключены из рекомендаций
В блоке не больше 3–4 позиций
Карточки актуальны (цена и наличие соответствуют сайту)
Есть A/B тест против обычного блока без персонализации

Итог

Персональные рекомендации работают, когда модель видит реальное поведение конкретного человека, а не только категорию последней покупки. Коллаборативная фильтрация и контентный подход вместе дают точность, которую не даёт правило «такая же категория». Без чистых данных и теста против обычного блока эффект персонализации остаётся предположением.