# 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. **Рубрика:** Статьи **Автор:** Василина Бреусенко, CRM-маркетолог, ClientCore **Дата:** 2026-10-07 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: настройка модели следующего лучшего предложения в CRM](https://clientcore.ru/blog/articles/next-best-offer-nastroyka-modeli-sleduyuschego-luchshego-predlozheniya-v-crm) ## 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](https://clientcore.ru/blog/articles/keis-minidino-rost-effektivnosti-email)). 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](https://clientcore.ru/blog/articles/keis-finntrail-rost-vyruchki-email)) — 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:** [Товарные рекомендации в Mindbox: как из фидов собирать блоки, которые реально продают](https://clientcore.ru/blog/articles/tovarnye-rekomendacii-v-mindbox-kak-iz-fidov-sobirat-bloki-kotorye-realno-prodayut) --- [Открыть статью на сайте](https://clientcore.ru/blog/articles/ml-rekomendacii-v-mindbox-chto-podgotovit-do-vnedreniya-i-kogda-algoritmy-okupayutsya)