Рекомендательная система для интернет-магазина и мобильного приложения

Каталог в десятки тысяч позиций, а покупатель видит на главной странице одни и те же «хиты продаж». Блоки «с этим покупают» настраиваются вручную категорийными менеджерами и устаревают через неделю. В результате большая часть ассортимента не показывается никому, а средний чек и доля повторных покупок растут только за счёт скидок.

Готовые облачные сервисы рекомендаций требуют передавать историю покупок и профили клиентов на сторону, тарифицируются за события и слабо учитывают специфику: сезонность, региональные остатки, собственные торговые марки.

Внутренняя команда аналитиков часто уже пробовала простые модели, но упёрлась в железо: обучение на полной истории занимает сутки, и эксперименты останавливаются.

Мы строим рекомендательный контур на данных ритейлера: обучение моделей на собственном GPU-сервере, инференс через API для сайта, приложения, кассы и CRM.

• Двухэтапная архитектура: быстрый отбор кандидатов (коллаборативная фильтрация, эмбеддинги товаров и пользователей) и точное ранжирование градиентным бустингом или нейросетью.
• Учёт контекста: остатки в регионе, маржинальность, сезон, текущая акция, устройство пользователя.
• Сценарии: главная страница, карточка товара, корзина, письма и push, персональные подборки для кассира.
• A/B-платформа для честной оценки эффекта и переобучение по расписанию.

Первые модели на истории транзакций запускаются за 2–3 месяца; далее добавляются поведенческие события с сайта и приложения.

Какие данные нужны

• История покупок и просмотров за 1–3 года
• Каталог с атрибутами и остатками
• Клиентские профили и программа лояльности