Главная
→
Блог
→
ИИ-ассистент подбора продукции: как каталог начинает продавать сам

ИИ-ассистент подбора продукции: как каталог начинает продавать сам

“

Саммари: Каталог из тысяч позиций сам по себе не продаёт — продаёт понимание, что именно нужно конкретному покупателю прямо сейчас. Разбираем, как диалоговый ИИ превращает статичный каталог в продавца, который ведёт клиента к покупке, а не просто показывает список товаров.

Почему обычный каталог теряет продажи

Чем больше каталог, тем острее проблема выбора: покупатель тонет в фильтрах и категориях вместо того, чтобы найти нужный товар. Персонализированные рекомендации остаются одним из самых зрелых применений ИИ в e-commerce и системно повышают выручку, удержание клиентов и средний чек. Разница в подходе к рекомендациям при этом принципиальна: система на основе поведения анализирует, что реальные покупатели смотрели, добавляли в корзину и покупали вместе, и обгоняет вручную настроенные кросс-продажи по CTR и конверсии на 200–300%.

Что меняется, когда каталог начинает "разговаривать"

Диалоговый формат — это следующий шаг после статичных блоков "вам также может понравиться". Покупатели, которые взаимодействуют с ИИ-чатом для подбора товара, на 40% чаще завершают покупку, чем те, кто просто листает каталог самостоятельно. Причина в том, что больше 70% вопросов покупателей вообще не про выбор товара, а про уверенность в нём — совместимость, применение, характеристики: диалог с ассистентом закрывает именно эту потребность, а не просто подсказывает следующую карточку.

У AllSee это устроено ровно так же — не витрина с подсказками, а диалог, который ведёт к решению. В кейсе с ВкусВилл и ДомаДом мультиагентная система понимает запрос на естественном языке, уточняет детали при неоднозначном намерении и персонально подбирает товары из каталога, доводя диалог до оформления заказа в CRM. У мебельного ритейлера с каталогом 50 000+ SKU это дало рост заказов на 40% днём и на 330% ночью, автоматизацию 80% процесса продажи и индекс удовлетворённости клиентов (CSI) 86%. Подробнее о продукте.

Где именно каталог теряет и находит деньги

Точки применения ИИ-подбора распределены по всей воронке, а не сосредоточены в одном месте. На странице товара блоки "похожие товары" помогают покупателю, ещё сравнивающему варианты, глубже погрузиться в каталог — здесь стоит следить за кликабельностью и конверсией размещения. В корзине комплиментарные товары и наборы "часто покупают вместе" увеличивают размер чека прямо перед оформлением заказа. А после покупки рекомендации на пополнение запасов и смежные категории удерживают клиента и формируют повторные продажи.

Разница между базовой и продвинутой рекомендательной системой при этом измерима: базовые системы опираются на статичные правила, а системы, анализирующие более 100 сигналов поведения в реальном времени, дают на 20–40% более высокую конверсию. Ключевое отличие именно в реальном времени: система, реагирующая на поведение покупателя в текущем визите — движение курсора, глубину прокрутки, быстрые просмотры товара, — обгоняет персонализацию только на основе истории покупок на 20–30%.

Скорость вывода товара в каталог с корректным описанием — отдельная и недооценённая часть этой же задачи. У магазина электроники с 30 000+ SKU внедрение ИИ-генерации карточек товаров сократило операционную нагрузку в 8 раз, ускорило вывод новых товаров в каталог с 5 дней до 1 рабочего дня и снизило долю ошибок в карточках с 3% до 0,5%. Каталог, который сам себя описывает и обновляется быстро, — необходимое условие для того, чтобы ИИ-ассистент вообще мог качественно рекомендовать по нему товары. Подробнее.

Что нужно каталогу, чтобы это заработало

Точность рекомендаций напрямую зависит от объёма накопленных поведенческих данных, а не только от алгоритма: результат приходит после определённого периода обучения на данных, который большинство компаний ошибочно пропускают, стремясь запустить систему сразу. Для этого нужен минимальный объём каталога и трафика: устойчивый эффект появляется при каталоге от 20 SKU и от 500 заказов в месяц, а более скромным магазинам требуется больше времени на накопление данных. Для узких нишевых каталогов, где недостаточно истории просмотров или покупок для поведенческой модели, работу берёт на себя анализ характеристик товара — категория, материал, цена, теги, — а не поведение других покупателей.

Здесь же стоит честная оговорка: результат сильно зависит от категории товара, и перенос показателей одной ниши на другую без проверки — методологическая ошибка, поэтому тестировать эффект нужно в собственных товарных категориях, прежде чем масштабировать решение. Прежде чем внедрять ИИ-подбор, разумно спросить: достаточно ли у каталога трафика и истории заказов для поведенческой модели, готова ли инфраструктура интегрироваться с каталогом и CRM в реальном времени, и какую именно точку воронки — карточку товара, корзину или после.