Иногда даже идеально работающий алгоритм может… немного надоесть. Представьте: вы заходите в любимое приложение, а вам уже несколько настойчиво советуют товар, который вы игнорируете. И вроде система работает — продажи растут, метрики улучшаются — но вот этот манго… снова он.
Мы — команда дата-сайентистов и аналитиков компании «ДатаЛаб» (ГК «Автомакон»), которая помогает бизнесу делать умные алгоритмы еще умнее. Сегодня расскажем, как простая идея помогла улучшить рекомендательную систему в одном из крупнейших ритейлов страны — сети супермаркетов «ВкусВилл».
Когда «хорошо» — это не предел
Во «ВкусВилле» есть персонализированные рекомендации: алгоритмы подбирают товары, исходя из покупательского поведения. Это работает — пользователи чаще кликают, добавляют в корзину, покупают. Но время от времени возникала одна и та же проблема:
«Почему мне снова показывают это? Я это уже игнорировал!»
Что нас насторожило
Система слишком уверена в себе. Она «знает», что человек любит фрукты, и настойчиво предлагает «самый выгодный» вариант. Для системы вроде бы всё логично: этот товар «входит» в профиль покупателя. Но есть нюанс: если человек пять раз подряд не купил его, может, стоит сделать паузу?
Алгоритмы любят положительный фидбек: клики, покупки, добавления в корзину. Если товар показали 5 раз, и его ни разу не купили — это тоже поведение. Это отказ.
Обратная связь бывает без слов
Мы провели мозговой штурм и решили: нужно «слушать» молчание. То есть — фиксировать, как часто человек покупает товар после того, как система его рекомендует. А если не покупает — делать выводы. В итоге сделали рекомендательную систему «ВкусВилла» умнее, не меняя архитектуру, не внедряя нейросети и не переписывая бэкэнд. Мы просто научили алгоритм «понимать» молчание.
Мы взяли пары «покупатель – товар» и оценили поведение:
- Взяли пары «пользователь — товар»
- Проанализировали, как часто человек покупал товар после показа
- Разбили пары на три категории:
- Горячие (покупает 4–5 раз после показа)
- Тёплые (2–3 раза)
- Холодные (0 раз — просто игнорирует)
Для холодных пар мы предложили временно скрывать товар из рекомендаций или снижать его приоритет. И… это сработало.
Кейсовый Манго — герой нашего эксперимента
Представьте троих покупателей:
- Один стабильно покупает Манго — пусть видит его чаще
- Второй берет изредка — показываем, но не слишком часто
Исходные синтетические векторы рекомендованных товаров для этих покупателей
Вектор рекомендаций после применения фильтра с учетом обратной связи
После внедрения этой логики рекомендательные векторы стали «умнее»: каждому показываются именно те товары, которые с наибольшей вероятностью будут полезны.
Что дало улучшение?
Метрики по выбранной фокус-группе выросли. И это — без внедрения новых моделей или глубокой нейросетевой магии. Просто внимательнее присмотрелись к поведению пользователя.
Оказалось, что даже молчание — это важный сигнал.
Выручка
Продажи
Почему это важно для бизнеса?
Потому что рекомендательная система — это не просто алгоритм. Это диалог. Только он не в голос, а через клики, покупки… и молчание. Чем лучше система «слушает» пользователя, тем выше продажи, лояльность, средний чек.
Что дальше?
Теперь, когда мы увидели результат от простой эвристики, мы тестируем более гибкие способы учета обратной связи. Но уже сейчас понятно — алгоритмы должны уметь отступать, если пользователь не отвечает. Иначе, даже самый вкусный манго может надоесть.
Если вы когда-нибудь ругались на рекомендации — напишите, за что. А если хотите, чтобы мы посмотрели на вашу витрину или систему лояльности, проверили работу рекомендательной системы — тоже приходите. Иногда путь к улучшению начинается с одного раздражающего манго.
Подписывайтесь, чтобы не пропустить другие статьи от команды «Автомакона».