ИИ в e-commerce: от карточки товара до пост-продажного сервиса

Средняя конверсия в интернет-магазине — 1–3%. Это значит, что 97–99% посетителей уходят без покупки. ИИ атакует эту проблему на каждом шаге воронки: находит правильный товар, показывает его правильной аудитории, убеждает купить прямо сейчас, и удерживает после покупки.

Кейс 1. Amazon — рекомендательная система стоимостью $3 млрд в год

Инструменты

• Item-to-Item Collaborative Filtering — запатентованный алгоритм 2003 года
• Deep Neural Networks для персонализации главной страницы
• Real-time адаптация под сессию (что смотрел, что добавлял в корзину)
• «Вместе с этим покупают» — ассоциативный анализ транзакций

Что происходит

Рекомендательная система Amazon — одна из первых в мире и до сих пор одна из лучших. Когда вы смотрите на дрель, система анализирует: что купили 1000 других людей, купивших эту же дрель? Обычно — свёрла, биты, дюбели. Алгоритм предлагает именно их.

Но современная Amazon не останавливается на этом. Вся главная страница персонализирована: ваш Amazon не похож на Amazon другого человека. Список «рекомендуем для вас» строится на основе всей истории просмотров, покупок, поиска, списков желаний, оценок.

Дополнительно: «Другие покупатели также смотрели» — это collaborative filtering в чистом виде. «Вам понравится» — content-based на основе характеристик товаров.

Результаты

• 35% всей выручки Amazon генерирует рекомендательная система (классически цитируемая цифра)
• Средний чек заказа с cross-sell рекомендациями: на 28% выше vs без рекомендаций
• Amazon оценивает ежегодную выручку от рекомендательного движка: >$3 млрд

Кейс 2. Ozon — поиск, ранжирование и умные карточки товаров

Инструменты

• ML-поиск: семантическое понимание запроса (не просто ключевые слова)
• Алгоритм ранжирования выдачи: предсказание CTR и конверсии
• Seller Space AI — рекомендации продавцам по оптимизации карточек
• Автоматическая генерация описаний товаров (AI-копирайтинг)

Что происходит

Ozon обрабатывает миллионы поисковых запросов ежедневно. ML-поиск понимает намерение: запрос «куртка для горных лыж» — это не просто «куртка», это специфические характеристики (водонепроницаемость, утеплённость, карманы для пропуска). Семантическая модель понимает это и ранжирует соответствующим образом.

Seller Space AI: система анализирует карточку товара продавца и даёт рекомендации: «добавьте фото на белом фоне», «укажите состав материала», «включите ключевые слова [список] — их ищут, но их нет в вашем описании». Это напрямую влияет на видимость товара.

Автоматическая генерация описаний: для продавцов, загружающих тысячи товаров, AI-система генерирует стандартизированные описания из технических характеристик. Человек проверяет и публикует.

Результаты

• Оборот Ozon (2023): ₽1,75 трлн — рост 111% г/г. ML-поиск и рекомендации — часть этого роста.
• Продавцы, следующие AI-рекомендациям Seller Space: конверсия карточки в среднем на 15–22% выше
• ML-поиск: конверсия из поиска в покупку выросла на +18% после перехода на семантические модели

Кейс 3. Яндекс Маркет — динамическое ценообразование и персонализация

Инструменты

• ML-ценообразование: мониторинг конкурентов + автоматические рекомендации
• Персонализированные ленты товаров на главной
• Буст продаж — ML-оптимизация ставок рекламы продавцов
• NLP-анализ отзывов: автовыявление проблем с товарами

Что происходит

Яндекс Маркет предоставляет продавцам инструмент мониторинга цен конкурентов + ML-рекомендации: «ваш конкурент снизил цену на 5%, вы стали 3-м в выдаче — рекомендуем снизить на ₽150». Продавец решает — принять ли рекомендацию.

«Буст продаж» — система ставок: продавец указывает целевую позицию в выдаче, ML автоматически управляет ставкой, чтобы держать эту позицию с минимальными затратами.

NLP-анализ отзывов: для продавца с тысячами отзывов система автоматически кластеризует их — «53% негативных отзывов упоминают "медленная доставка"», «41% позитивных — "хорошая упаковка"». Actionable insights без чтения каждого отзыва.

Результаты

• Продавцы с ML-ценообразованием: рост GMV в среднем +12%
• «Буст продаж»: ROI рекламных ставок улучшается на ~20–25% vs ручное управление
• NLP-анализ отзывов: продавцы, реагирующие на кластеры жалоб, снижают негативные отзывы на ~30% за квартал

Кейс 4. ASOS / Zalando — снижение возвратов через AI примерки

Инструменты

• AI-подбор размера (ML на основе параметров тела + истории покупок)
• Virtual Try-On (AR-примерка одежды)
• ML-предсказание «вернёт или нет» для каждой покупки

Что происходит

Возвраты в fashion e-commerce: 30–40% всех покупок. Каждый возврат стоит продавцу $10–30 на логистику и обработку, плюс риск повреждения товара. Залог снижения возвратов — правильный размер и ожидания от товара.

Zalando Size Advisor: покупатель вводит рост, вес, форму тела → ML-модель предсказывает, какой размер у этого бренда ему подойдёт. Обучена на данных возвратов: «люди с параметрами X этого бренда возвращают M, оставляют L».

ML-скоринг возврата: система заранее знает, что заказ из 5 разных размеров одного платья — это «примерочная» поведение с вероятностью возврата 85%. Для таких заказов — особый customer journey: напоминание о политике возврата, проактивная помощь с размером.

Результаты

• Zalando Size Advisor: снижение возвратов из-за неподходящего размера на ~18%
• ASOS virtual try-on: возвраты протестированных категорий снизились на ~23%
• Ecomomics: снижение возвратов на 1 п.п. при обороте ₽1 млрд = ₽3–5 млн экономии на логистике

Источники: Amazon annual reports, Ozon Investor Day 2023, Zalando AI strategy publications, McKinsey «The Value of Getting Personalization Right».