Товарные рекомендации в Mindbox: как из фидов собирать блоки, которые реально продают

Откройте триггерное письмо своего магазина глазами клиента. Внизу блок «Вам может понравиться»: кроссовки 41 размера, которых нет на складе, аксессуар за 490 рублей при среднем чеке 12 000 и две позиции из распродажного хвоста, который категорийный менеджер мечтает списать. Алгоритм отработал честно — показал то, что ему скормили. Вопрос в том, кто формировал ему рацион.

Так выглядит типичная картина: платформа внедрена, блок в шаблоне стоит, галочка «персонализация» в отчете проставлена, а выручки с него нет. Причина почти всегда в связке из трех элементов: сырой фид, дефолтный алгоритм без фильтров и случайное место в письме. Валерия Старостина, CRM-маркетолог ClientCore, которая собирает товарные рекомендации в Mindbox для e-commerce и ритейла, помогает разобрать каждый из них.

Что есть внутри: фид, алгоритмы, блоки

Рекомендательная механика Mindbox стоит на трех слоях, и сбой в любом из них ломает результат целиком.

Товарный фид — источник данных. Mindbox забирает YML-фид (обычно тот же, что уходит на Маркет) или данные по API: название, цену, старую цену, категорию, остаток, картинку, атрибуты вроде бренда, размера и цвета. Качество фида решает половину дела. Битые категории, дубли карточек, пустые поля — и алгоритм будет старательно рекомендовать мусор.

Алгоритмы — логика подбора. В платформе есть готовые: «Популярное», «Похожие товары», «С этим покупают», «Недавно просмотренные», персональные ML-рекомендации. Поверх них собираются кастомные — с фильтрами по любому полю фида. Для персональных алгоритмов одного фида мало: нужна история просмотров и заказов, которую Mindbox получает через трекинг на сайте и импорт заказов.

Блоки — оболочка. Динамический блок вставляется в email-шаблон или выводится виджетом на сайте. В письме платформа подбирает товары под конкретного получателя в момент отправки, на сайте — при загрузке страницы.

Восемь из десяти проблем с рекомендациями, которые мы разбираем на аудитах, — это фид. Пустые поля, дубли карточек с разными ID, категория «Разное» на треть каталога. Алгоритм тут бессилен: он не угадает, что вы имели в виду. Сначала чистим фид, потом говорим о персонализации.

Валерия Старостина

CRM-маркетолог, ClientCore

Какой алгоритм под какую задачу

Главная ошибка — ставить «Популярное» везде. Оно простое и предсказуемое, но показывает всей базе одно и то же. У каждого алгоритма своя роль:

Есть и промежуточный вариант — популярное в категории. Клиент ничего не купил, но трижды смотрел раздел «Беговые кроссовки»: показываем хиты именно этой категории. Работает заметно лучше общего топа и не требует длинной истории.

Практический принцип: в триггерах алгоритм привязан к событию — что человек сделал, то и продолжаем. В массовых рассылках — к профилю. Если поменять их местами, получается странно: клиент бросил корзину с чемоданом, а ему предлагают хиты продаж из раздела «Дом».

Фильтры: маржа, остатки, цена

Алгоритм отвечает за релевантность, фильтры — за то, чтобы рекомендация была выгодна бизнесу и выполнима на складе. Именно этот слой чаще всего пропускают: алгоритм выбран, а правил поверх него нет.

Минимальный набор, который мы ставим почти в каждый проект:

• Остаток. Исключаем товары с остатком ниже порога — обычно 3–5 единиц для быстро оборачиваемых категорий. Иначе клиент кликает, попадает на «Нет в наличии» и больше не кликает.
• Маржинальность. Если в фиде есть поле маржи или закупочной цены, отсекаем низкомаржинальные позиции. Рекомендация должна продавать то, на чем зарабатываете.
• Ценовой коридор. Рядом с товаром за 15 000 не должно быть позиции за 300 рублей: она съедает клик и обесценивает оффер. Коридор считаем от среднего чека или от цены якорного товара.
• Исключение купленного. Клиенту, который вчера купил пуховик, неделю не показываем пуховики. С расходниками наоборот: считаем цикл потребления и предлагаем повторную покупку вовремя.
• Распродажный хвост. Позиции прошлого сезона с одним остатком на размерной сетке — плохие кандидаты в рекомендации, даже если алгоритм любит их за кликабельную скидку.

Куда ставить блоки: триггеры, рассылки, сайт

Один и тот же алгоритм в разных местах дает разную выручку. По отдаче в наших проектах картина обычно такая.

Триггеры с горячим событием. Брошенная корзина и брошенный просмотр: клиент только что проявил интерес, и рекомендация продолжает его мысль. Здесь блоки с сопутствующими и похожими товарами дают наивысшую конверсию из клика. Когда мы перезапускали email-маркетинг в AR Fashion, триггерные цепочки с товарными блоками дали +1063% к выручке — каждое письмо продолжало конкретное действие клиента (кейс).

Массовые рассылки. Рекомендации работают как витрина после главного оффера: сначала тема выпуска, ниже персональный блок на 4–6 товаров. Для активной базы — ML, для молчаливой — популярное в категории последнего интереса. В футер регулярных писем хорошо заходят «Недавно просмотренные»: тихое место, но стабильно собирает клики.

Сайт. Виджеты Mindbox на карточке товара, в корзине и на главной. Связка с email важна: клиент кликнул рекомендацию в письме — и на сайте его встречает та же логика подбора, знакомая витрина.

Частая картина: блок рекомендаций стоит только в массовых рассылках, а в триггерах — статичные баннеры. При этом триггерный трафик горячее в разы. Переносим тот же алгоритм в цепочку брошенной корзины — и выручка блока вырастает в 3–4 раза без единой новой настройки.

Валерия Старостина

CRM-маркетолог, ClientCore

Как настроить товарные рекомендации: рабочая последовательность

Если собираете рекомендации с нуля или пересобираете существующие, держитесь порядка — он экономит недели.

Шаг 1. Аудит фида. Выгрузите фид и проверьте заполненность обязательных полей, дубли ID, структуру категорий. Чините источник: латать последствия в каждом алгоритме по отдельности можно бесконечно.

Шаг 2. Выберите 2–3 сценария. Запускать все сразу не нужно. Рабочий стартовый набор: брошенная корзина + «С этим покупают», массовые рассылки + персональный блок, карточка товара + похожие.

Шаг 3. Настройте алгоритмы и фильтры. Для каждого сценария — свой алгоритм со своими правилами по остаткам, марже и ценовому коридору.

Шаг 4. Встройте блоки в шаблоны. В Mindbox это динамический блок в редакторе: задаете алгоритм, число товаров, верстку карточки. Обязательно проверьте, как блок ведет себя, когда товаров меньше, чем ячеек, — пустые слоты в письме выглядят дешево.

Шаг 5. Запустите на части базы и измерите. 10–20% базы, 2–4 недели, контрольная группа без блока. Решение о раскатке — по цифрам.

Как понять, что рекомендации продают

CTR блока — приятная метрика, но клики сами по себе денег не приносят. Считать нужно по уровням:

• CTR блока — кликабельность витрины;
• конверсия из клика в заказ — качество подбора и состояние карточек, на которые ведет рекомендация;
• выручка на отправленное письмо с блоком против контрольной группы без него — честный вклад механики;
• ширина ассортимента в продажах — если блок месяцами продает одни и те же 20 SKU, фильтры душат выдачу.

Чтобы выручка не смешивалась с остальным каналом, размечайте клики по рекомендациям отдельными UTM-метками. Тогда в аналитике виден вклад именно блока, а не письма целиком.

Эффект персонализации писем хорошо виден в проекте для FINNTRAIL: после пересборки шаблона и персонализации контента выручка email-канала выросла на 15%, а сборка письма ускорилась с полутора недель до двух часов (кейс).

Рабочий ориентир: персональный блок в регулярных рассылках должен давать 10–15% выручки email-канала. Если у вас 2–3%, дело почти всегда в фильтрах или месте блока, а не в том, что «клиенты не любят рекомендации».

Валерия Старостина

CRM-маркетолог, ClientCore