Одна из задач применения ИИ в ритейле — это оптимизация прогнозирования поведения пользователей. При этом возникают вопросы: какую именно модель выбрать и на основании каких критериев? Когда применение сложных моделей оправдано, а когда достаточно классического ML?

Рассмотрим использование ИИ в коммерческой функции через кейс, реализованный командой Б1, по персонализации товарных рекомендаций в мобильном приложении крупного продуктового ритейлера с более чем 900 магазинами.

Основной целью проекта стало увеличение рублевой маржи онлайн-заказа. Помимо этого, необходимо было сделать акцент на развитии стратегических категорий товаров (СТМ — собственные торговые марки и ГЕ — готовая еда).

В классической воронке розничных продаж при движении от шага 1 (новый пользователь) к шагу 4 (известна конкретная пользовательская корзина) у компании появляется все больше информации о пользователе (контекста). При этом сложность и время реализации моделей уменьшается.

Этап 1: компании ничего не известно о новом пользователе, еще нет истории взаимодействия, невозможно использовать поведенческие шаблоны, и контекст полностью отсутствует. Модели «холодного» старта самые сложные с точки зрения получения качественных рекомендаций с высокой конверсией.

Этап 2 и 3: есть данные о поведении пользователя на сайте и известна история покупок. На этих этапах можно строить модели интересов, обобщенные поведенческие паттерны, проводить когортный анализ, а также делать персональные предложения и скидки.

Этап 4: компания знает, какие товары в конкретный момент времени находятся в корзине определенного пользователя. Здесь используются инструменты маркетинга в реальном времени, ретаргетинг — классические модели рекомендаций. В связи с тем, что более 55% ритейлеров используют ИИ именно в маркетинге (данные исследования Б1 и Redis Crew), этот этап работы с клиентом, как правило, находится под пристальным вниманием.

В рамках клиентского кейса эксперты Б1 разрабатывали модели рекомендаций для взаимодействия с пользователями, находящимися на втором и третьем этапе воронки. В ситуации, когда известен поведенческий и исторический контекст, возможны два основных подхода:

1. Стараться максимально точно спрогнозировать следующую покупку, то есть предсказать поведенческий контекст в будущем.
2. Расширить корзину клиента – рекомендовать товары на основании исторического контекста и бизнес-правил.

Критерии выбора модели

При внедрении алгоритма эксперты Б1 руководствуются следующими принципами:

1. Доказанная эффективность — была ли модель успешно применена в аналогичных задачах?
2. Корректность тестирования — проводились ли A/B-тесты, подтверждающие ее результативность?
3. Достижение бизнес-целей — если модель не сработала, то каковы причины?
4. Инвестиции в инфраструктуру — каковы будут затраты на обучение и поддержку модели?

Подход Б1: расширение контекста вместо точного предсказания

Для достижения поставленных ритейлером целей по увеличению маржи, росту РТО и продвижению СТМ и ГЕ эксперты Б1 остановились на подходе, предполагающем расширение корзины клиента за счет рекомендации товаров на основании исторического контекста и бизнес-правил. Это позволило достичь результатов в сжатые сроки и с ограниченными вычислительными мощностями.

Однако для успеха модели товарных рекомендаций, как и любого другого проекта с использованием ИИ, должна быть заложена бизнес-идея. В данном проекте эксперты Б1 сочетали следующие элементы:

• рекомендации товаров через похожих клиентов, которые уже покупают в большом количестве целевые категории и приносят больше выручки
• учет ассортиментной стратегии в части СТМ и ГЕ без потери РТО
• монетизация от ритейл-медиа

Поскольку ключевой задачей было максимизировать ROI по марже, было выбрано проверенное на практике решение:

• построение user embeddings (векторных представлений пользователей) для формирования контекста
• дополнение данных бизнес-аналитикой и подбор товаров, релевантных интересам пользователя

В отличие от классических рекомендательных систем, фокус был сделан не на точном предсказании следующего действия, а на расширении пользовательского контекста. Это особенно важно в задаче увеличения среднего чека, где ключевыми ограничениями выступают:

• макроэкономические факторы (платежеспособность аудитории)
• ограниченный ассортимент товаров в конкретной розничной сети

Такой подход позволяет гибко адаптироваться к изменениям спроса и предлагать клиентам персонализированные решения с высокой коммерческой эффективностью.
 

Бизнес-результаты

Используя бизнес-идею и гибридную модель рекомендаций, ритейлер получил:

• +1.6% маржи руб.
• Увеличение конверсии в корзину в 2 раза благодаря учету поведенческого и исторического контекста пользователей
• Рост активности категорий товарной матрицы на 10%

Такая модель в будущем позволит управлять индивидуальными предложениями через персонализированные каналы коммуникаций: электронную почту, мобильное приложение, push-уведомления, SMS и др. Создан функционал для гибкой работы с сегментами и активации пользователей через предложения в структуре RFM-анализа.

Какую ИИ-модель выбрать?

Для построения точных прогнозов с учетом исторических данных и поведенческих факторов применяются модели, способные анализировать сложные временные последовательности, среди которых:

• LSTM — классические рекуррентные сети, эффективные для работы с долгосрочными зависимостями
• GRU — их упрощенная версия, требующая меньше вычислительных ресурсов
• Трансформеры (attention-модели) — наиболее современные, но ресурсоемкие решения (например, BERT4Rec, SASRec)
   

Для прогнозирования следующей покупки чаще используются следующие типы моделей: sequence modeling, attention, intent modeling.

Примеры моделей/подходов:

• Recurrent Neural Networks (RNN / GRU / LSTM)
• Transformer-based модели (BERT4Rec, SASRec)
• Seq2seq + attention

При разработке рекомендаций для расширения корзины клиента чаще применяются эмбеддинги, многозадачные модели, memory networks.

Примеры моделей/подходов:

• User2Vec / Prod2Vec / DeepWalk на графе интересов
• Коллаборативная фильтрация

Баланс точности прогноза и затрат при выборе ИИ-модели

Использование современных нейросетевых моделей, таких как BERT4Rec, SASRec или трансформеров, требует значительных вычислительных ресурсов и сложной инфраструктуры. Вопрос их внедрения сводится к балансу между точностью предсказаний, стоимостью обучения и обслуживания и полученным бизнес-эффектом.

Как показывает практика, рост бизнес-показателей в моделях товарных рекомендаций при переходе на следующее поколение инструментов снижается. Поэтому бизнес-идея первична при выборе того или иного решения.
 

Когда сложные модели (BERT4Rec) оправданы?

• Требуется высокая точность и даже небольшое улучшение рекомендаций (на 1-3%) дает значительный рост конверсии или среднего чека.
• Нужно работать с большими объемами данных (когда у вас миллионы пользователей и сложные паттерны поведения, которые не улавливают более простые модели).
• Важна контекстная история и необходимо обрабатывать длинные и сложные последовательности (например, в видеостриминге, e-commerce с долгим циклом принятия решений).
• Компания готова инвестировать в инфраструктуру (обучение и инференс трансформеров требуют GPU/TPU и оптимизированных пайплайнов).

Когда лучше использовать классический ML (LightFM, Matrix Factorization, CatBoost)?

• У вашей компании ограниченные ресурсы — нет мощных серверов или больших бюджетов на ML-инфраструктуру.
• Требуется быстрое внедрение — нужно запустить MVP и проверить гипотезы без долгой настройки сложных моделей.
• Вы работаете с короткими и простыми последовательностями (например, в ритейле импульсные покупки).
• Когда интерпретируемость важнее точности — бизнесу нужно понимать логику рекомендаций (например, для юридического регулирования).

ROI определяет выбор

• Если упрощенная модель (LightFM, CatBoost + фичи) дает 80% эффекта от BERT4Rec за 10% стоимости — она выгоднее.
• Если даже небольшой прирост точности (например, +2% к конверсии) окупает затраты — тогда трансформеры оправданы.

Опыт экспертов Б1 демонстрирует, что часто оптимальным решением оказывается гибридный подход, объединяющий базовые рекомендации на классическом ML (дешево, быстро, стабильно) и сложные сценарии на нейросетях (например, персонализация для VIP-клиентов, длинные сессии). Это позволяет масштабировать систему без избыточных затрат и гибко адаптироваться к бизнес-задачам.

Какой подход выбрать, зависит от размера и сложности данных, бюджета на ML-инфраструктуру, требований к точности и скорости, а также готовности бизнеса к долгосрочным инвестициям. Если на этапе выбора возникают сомнения, то можно начать с простых моделей, замерять эффект и постепенно усложнять систему там, где это дает максимальный ROI.