ML-рекомендации в Mindbox: что подготовить до внедрения и когда алгоритмы окупаются
ML-рекомендации в Mindbox окупаются не всегда: нужны объем транзакций, живой фид и охват каталога. Разбираем условия запуска и случаи, когда хватает простых правил.
Модуль рекомендаций купили, подключили, ждут прироста — а блок в письме показывает то же «популярное», которое менеджер собрал бы руками за десять минут. Знакомая история. Алгоритм тут ни при чем: ему просто нечего есть. ML в Mindbox кормится транзакциями, товарным фидом и событиями, и если любой из этих потоков хромает, на выходе получается дорогой генератор очевидных вещей.
О том, что должно быть готово до старта и при каких вводных алгоритмы отбивают вложения, рассказывает Василина Бреусенко, CRM-маркетолог ClientCore. Она запускала товарные рекомендации в Mindbox в проектах с разным объемом данных и видела обе картины: когда модель дает прирост уже через квартал и когда платят за модуль, который год показывает хиты продаж.
ЧИТАЙТЕ ТАКЖЕ
«Next Best Offer без магии: какие данные нужны модели, когда хватит правил без ML, где показывать оффер и как честно измерить прирост выручки.»
Что внутри Mindbox вообще считается ML-рекомендациями
Термин размытый, поэтому сначала зафиксируем границы. Под рекомендациями в Mindbox обычно понимают три разные вещи: алгоритмические блоки (персональные подборки, сопутствующие и похожие товары), next best offer — выбор следующего лучшего предложения для конкретного клиента — и правила, которые маркетолог пишет руками: «купил кроссовки — покажи носки и шнурки».
Правила — рабочий инструмент, и ниже разберем, когда их достаточно. ML начинается там, где решение принимает модель, обученная на поведении всей базы: кто с чем покупал, что смотрел, от чего отказался. Модели нужны данные в промышленных объемах. Из этого и растут все требования.
Три условия, без которых алгоритм не окупится
Первое — объем транзакций. Модель учится на завершенных покупках: просмотры помогают, но решают именно заказы. Если у вас 500 заказов в месяц, обучение растянется на месяцы, и все это время блок будет выдавать усредненные хиты. Ориентир из практики: от нескольких тысяч заказов в месяц модель набирает статистику за считанные недели, и в подборках появляются связки, до которых правилами не дойти.
Второе — охват каталога. Посчитайте, сколько SKU реально продаются. Если 80% выручки дают 40 позиций, модели не на чем учиться: связки очевидны, их покроет ручная логика. Товарные рекомендации в Mindbox раскрываются на широком ассортименте с длинным хвостом, где тысячи сочетаний и ни один категорийный менеджер их в голове не удержит.
Третье — каналы. Рекомендации должны где-то жить: блоки в массовых письмах и триггерах, страницы сайта, приложение. Если рассылки уходят раз в месяц, а сайт у подрядчика с релизами раз в квартал, внедрение ML-рекомендаций в Mindbox упрется в приземленный вопрос: куда физически ставить блоки.
Первое, что я спрашиваю на аудите: сколько заказов в месяц и сколько SKU принесли хотя бы одну продажу за квартал. Если ответы — „тысяча" и „двести из пяти тысяч", говорю честно: начните с правил, вам рано. Алгоритм не создает спрос на длинный хвост, он его находит. А находить можно только там, где хвост хоть как-то покупают.
Василина Бреусенко
CRM-маркетолог, ClientCore
Товарный фид — точка, где внедрение буксует
Товарный фид для рекомендаций — основная еда модели. Минимальный набор: актуальные остатки, цена, категория, бренд, ссылка на изображение. Рабочий набор шире: маржа, признак новинки, сезонность, атрибуты для фильтрации — размерная сетка, совместимость, пол.
Что ломается в реальности. Остатки обновляются раз в сутки — алгоритм уверенно советует то, что закончилось еще утром, и клиент кликает в «нет в наличии». Дерево категорий в фиде не совпадает с сайтом — сопутствующие товары собираются через костыли. У половины карточек пустой бренд — модель теряет один из ключевых признаков связки.
Самый дорогой фид в моей практике обновлялся ночной выгрузкой из учетной системы. Днем блок в письме о брошенной корзине предлагал распроданные размеры: клики были, продаж — ноль. Перевели остатки на обновление раз в час, больше ничего не трогали, — конверсия блока выросла вдвое за две недели. Модель осталась та же, поменялось качество данных.
Василина Бреусенко
CRM-маркетолог, ClientCore
Норма
Остатки обновляются минимум раз в час, по ходовым категориям — чаще
Категория, бренд, цена и маржа заполнены у 95%+ карточек
Структура категорий в фиде совпадает с деревом на сайте
Архивные и снятые с продажи позиции из фида вычищены
Red flag
Фид собирается ночной выгрузкой, днем остатки врут
Атрибуты заполнены у половины каталога, остальное — «допилим потом»
В фиде товары, которых нет на сайте, и наоборот — рассинхрон с каталогом
Когда хватает правил — честный разбор
Есть ситуации, где покупать алгоритмы просто незачем. Каталог до нескольких сотен SKU с очевидными связками, которые любой категорийный менеджер перечислит по памяти. Меньше тысячи-двух заказов в месяц. Молодой бизнес без истории покупок — модели попросту не на чем учиться. Отдельный случай — регулярные повторные покупки одного и того же, как косметика или корм: там сильнее работает прогноз по сроку расхода продукта, а не рекомендательная модель.
И главное: до ML есть слой персонализации, который дает рост без единого алгоритма, — сегментация и релевантность. В MINIDINO рассылки уходили всей базе без разбора. Мы пересобрали логику, сделав ставку на точность вместо охвата, и получили +110% к эффективности email за квартал (кейс). Никакого ML там не было — только данные, сегменты и дисциплина.
Мы ни разу не запускали ML первым шагом. Сначала сегменты, частота, чистые данные, работающие триггеры. Когда этот слой дает стабильную выручку — вот тогда есть смысл платить за алгоритмы. Иначе модуль год подсвечивает популярное, а клиент думает, что его обманули.
Василина Бреусенко
CRM-маркетолог, ClientCore
Next best offer: отдельные требования
Настройка next best offer опирается на три вещи. Первая — витрина офферов с правилами элегибилити: кому что нельзя предлагать никогда, какие категории исключены после недавней покупки или возврата. Вторая — история покупок по категориям, а не по отдельным SKU: модель предсказывает вероятность интереса к категории. Третья — бизнес-приоритеты: маржа, остатки на складе, сезон, ограничения по давлению на клиента.
NBO чувствителен к тем же данным, что и товарные блоки. Если у клиента одна покупка за все время, модель выдаст средний оффер по базе — и снова получится то самое «популярное», только дороже.
Как считать окупаемость
Затратная часть складывается из четырех статей: тариф или модуль, интеграция фида и событий, время команды, период обучения. Про последнее забывают чаще всего: 4–8 недель модель набирает статистику, и в этот период вы уже платите, а прироста еще нет. Закладывайте это в план сразу, чтобы через месяц никто не бежал выключать «неработающую штуку».
Доходная часть считается только через измерение. Половине базы показываете блок с ML, контрольной группе — без него или с ручными правилами. Смотрите CTR блока, конверсию в заказ, долю выручки от рекомендаций, средний чек. Реалистичный результат — прирост в процентах к выручке канала. Кто обещает кратный рост, тот продает, а не внедряет.
И здесь же проверьте, выжимают ли каналы максимум из того, что уже есть. В FINNTRAIL до работы с нами каждое письмо собирали полторы недели, а получала его вся база разом, без единого сегмента. Новый шаблон и логика сегментов сократили сборку до 2 часов, а выручка канала выросла на 15% (кейс) — до всяких алгоритмов. Если базовый слой не выжат, прирост от ML утонет в общей неэффективности.
Что подготовить до старта: чек-лист
Готово к запуску:
Остатки в фиде обновляются минимум раз в час, архивные позиции вычищены
На сайте и в приложении настроены события: просмотр карточки, корзина, заказ, возврат
История заказов минимум за год выгружена в Mindbox
Под блоки зарезервированы места в шаблонах писем, триггерах, на страницах сайта
Есть план измерения: контрольная группа, метрики, дата первой оценки — не раньше 6–8 недель после старта обучения
Назначен владелец фида со стороны бизнеса — живой человек, который чинит выгрузку
Рано запускать:
Фид собирается «как-нибудь», владельца у него нет
События настроены частично: заказы летят, просмотры — нет
Мест под блоки нет, шаблоны писем трогать нельзя
Ожидание — «через месяц должно выстрелить»
ЧИТАЙТЕ ТАКЖЕ
«Блок рекомендаций в Mindbox есть почти у всех, но продает редко. Разбираем фид, алгоритмы и фильтры, чтобы витрина в письмах приносила выручку.»
Сколько данных нужно для запуска ML-рекомендаций в Mindbox?
Минимум год истории заказов и несколько тысяч транзакций в месяц после старта. С меньшими объемами модель будет учиться слишком долго, и все это время блоки покажут усредненное популярное. История нужна, чтобы алгоритм стартовал с уже найденными связками, а не с нуля.
Чем ML-подборка отличается от блока «популярное»?
«Популярное» — тоже алгоритм, но без персонализации: всем показывает одно и то же. ML строит подборку под конкретного клиента на основе его поведения и поведения похожих покупателей. Разница видна в метриках: у персональных блоков CTR и конверсия выше, но только когда модель чему-то научилась.
Можно ли запустить рекомендации с небольшим каталогом?
Можно, но правилами. При каталоге в несколько сотен SKU связки между товарами описываются вручную за пару дней, и ручная логика отработает ничуть не хуже модели. ML окупается там, где сочетаний тысячи и человек их физически не переберет.
Сколько времени занимает внедрение?
Две-четыре недели уходит на фид, события и места под блоки — при условии, что данные в порядке. Дальше 4–8 недель обучения модели. Первую честную оценку результатов имеет смысл делать через два-три месяца после запуска, с контрольной группой.
