Рекомендации без истории покупок: что делать магазину

Что показали Т-Технологии

30 сентября 2026 года исследователи Т-Технологий выступили на международной конференции по рекомендательным системам ACM RecSys 2026 (Миннеаполис, с 28 сентября по 2 октября) и открыли код трёх разработок. В пересказах их связывают с проблемой холодного старта: у нового пользователя нет истории, у редкого товара почти нет покупок, и системе нечего советовать.

Что подтверждается источниками. Scikit-Rank это библиотека на Python для нейросетевого ранжирования с интерфейсом как у scikit-learn, она поддерживает модели DCN v2, FinalNet, FinalMLP, Destine и TabM. Perseus учит нейросеть на общей последовательности событий пользователя из разных сервисов, и на датасете T-ECD, по сообщениям, качество рекомендаций выросло на величину от 16 до 39% в зависимости от области. ScaL³AE использует описания товаров, чтобы рекомендовать позиции с малым числом взаимодействий. На четырёх категориях Amazon Reviews (игры, игрушки, книги, электроника) он обошёл модели EASE и SANSA.

Источники: статья о Scikit-Rank на Хабре и обзор Computerra. Сами научные статьи по Perseus и ScaL³AE я не нашёл. Какая именно метрика стоит за 16-39%, в пересказах не сказано, поэтому проценты читайте как заявление авторов. К вашему магазину они не относятся.

Что это значит для вашего магазина

Для магазина на пару сотен заказов в месяц эти библиотеки пока избыточны. Perseus рассчитан на компанию с несколькими сервисами, где о человеке есть данные из разных мест. Такой экосистемы у небольшого магазина нет. Scikit-Rank решает следующую задачу: когда кандидаты уже отобраны, их нужно расставить по порядку. Холодный старт он сам по себе не лечит, на Хабре о нём ничего не сказано.

Полезнее другое. Идея ScaL³AE понятна и без математики: если по товару нет истории, смотрим на его описание и находим похожие. Её можно применить в магазине любого размера, причём без нейросетей.

Моя позиция

Я не предлагаю небольшому магазину строить рекомендательную модель, пока нет хотя бы нескольких тысяч заказов с понятной историей. Сначала проверьте, что простые правила выжаты до конца. В магазинах с маленькой базой чаще не хватает не алгоритма, а аккуратно собранных связей между товарами: к этому чехлу подходит это стекло, к этому корму нужна эта миска.

У правил есть сильное преимущество: их результат можно объяснить и проверить за неделю. Нейросеть, обученная на трёхстах заказах, выдаст что-то правдоподобное, но вы не поймёте, почему. Там, где данных мало, прозрачность важнее точности.

ИИ я подключаю в двух случаях. Когда нужно разобрать описания и характеристики, чтобы находить похожие товары без ручной разметки всего каталога. И когда нужно пройтись по накопленным заказам и найти пары, которые покупают вместе чаще, чем должны.

Что можно сделать уже сейчас

1. Комплекты по правилам. Выпишите 20-30 самых продаваемых товаров и для каждого назовите то, что покупают вместе с ним. Не угадывайте, посмотрите последние заказы. В карточке и в корзине покажите блок «С этим берут». Как встроить такой блок в бота и на сайт, я разбирал в статье про допродажи в боте и на сайте.

2. Популярное и новинки. Новому посетителю покажите то, что чаще всего покупали за последние 30 дней, по категориям. Это самый старый приём против холодного старта, и он работает, пока нет данных о человеке.

3. Похожие товары по описанию. Берём название, категорию, бренд и характеристики и подбираем ближайшие. Для каталога в несколько сотен позиций хватает обычной выгрузки и текстового сходства. Языковая модель нужна, когда описания разномастные, а характеристики не заполнены. Если с карточками беспорядок, начните с них, у меня есть материал про ИИ для карточек товаров.

4. Один-два вопроса клиенту. «Для кого подарок?», «Какой бюджет?», «Кожа жирная или сухая?». Прямой ответ часто полезнее месяца наблюдений за кликами. В боте это естественная часть диалога, на сайте это короткий подбор.

Что важно учесть

Любые рекомендации нужно измерять. Заведите контрольную группу: половине посетителей показывайте блок, половине нет, и сравните средний чек и долю повторных покупок через две-три недели. Без этого вы не отличите эффект от сезона. Есть и перекос: рекомендации по скудным данным закрепляют уже популярное, и новинки так и не попадают в блок. Оставьте в нём один слот под товары без истории. Если события на сайте и в боте не собираются вместе, начните со сквозной аналитики для малого бизнеса.

Рост продаж никто не гарантирует. Блок «С этим берут» не поможет, если товара нет на складе, цена выше рынка или нет доверия к магазину. Для нейросетевых моделей нужен минимум данных. Сколько именно, зависит от каталога, но на нескольких десятках заказов я бы их не запускал. И 16-39% из новости к вашему магазину не относятся, это результат на данных большого банка.

Как я с этим помогаю

Я делаю рекомендации и аналитику под ключ. Смотрю выгрузку заказов и каталог, нахожу пары, которые продаются вместе, собираю правила и подбор похожих товаров, подключаю их к сайту или боту и настраиваю замер, чтобы результат был виден в цифрах. Если данных достаточно, добавляю модель. Подробности на странице ИИ-аналитики и отчётности, ориентиры по стоимости в прайсе.

Частые вопросы

Сколько данных нужно, чтобы работали ИИ-рекомендации?

Универсального числа нет. Чем меньше заказов и чем шире каталог, тем хуже модель находит связи. Если у вас пара сотен заказов, начинайте с правил и популярного. Когда история вырастет, сравните модель с правилами на контрольной группе и оставьте то, что даёт результат.

Что такое холодный старт простыми словами?

Ситуация, когда рекомендовать нечего: пришёл новый покупатель без истории или в каталоге появился товар, который ещё никто не купил. Её решают информацией о самом человеке или товаре: ответами на вопросы, описанием, категорией, популярностью.

Нужно ли сразу ставить готовую библиотеку, например Scikit-Rank?

Для небольшого магазина обычно нет. Библиотека ранжирует уже отобранные варианты, а вам сначала нужно собрать данные и связи между товарами. К ней стоит вернуться, когда есть история и разработчик, который будет вести модель.

Коротко о главном

Т-Технологии 30 сентября 2026 года открыли три инструмента для рекомендаций и связали их с холодным стартом. Для небольшого магазина сработают правила, комплекты, популярное, похожие товары и вопросы клиенту. ИИ добавляйте, когда данных станет достаточно.

Хотите понять, что рекомендовать вашим покупателям и можно ли начать с правил? Напишите мне в Telegram слово «РЕКОМЕНДАЦИЯ». Посмотрим вашу выгрузку заказов, и я скажу, с чего начать.