Рекомендательные модели
Рекомендательная модель — это алгоритм, который по данным о продуктах и поведении пользователей рассчитывает, какие продукты с наибольшей вероятностью окажутся релевантными в конкретном контексте (страница товара, корзина, главная, письмо). В MoodRec рекомендации строятся на данных каталога (описания, атрибуты, категории), событиях ecommerce (просмотры, клики, добавления в корзину, покупки) и, там где применимо, персональной истории пользователя и текущих параметрах запроса (например, список продуктов или категорий).
MoodRec строит выдачу на рекомендательных моделях, которые уже встроены в сервис. Эти модели не настраиваются и не заменяются на стороне клиента: логика расчёта заложена внутри платформы. При этом результат выдачи настраивается поверх моделей — через кампании, правила мерчендайзинга и фильтры: вы задаёте, что можно и нельзя показывать, какие продукты приоритизировать, и в каких плейсментах применять разные сценарии.
Вы также выбираете цель рекомендаций — CTR (клики) или Revenue (доход). От выбранной цели зависит набор доступных моделей и их поведение при ранжировании: одни оптимизируют вероятность клика, другие — вклад в продажи.
Список моделей
| Название модели | Целевая метрика | Описание модели | Обязательные параметры |
|---|---|---|---|
| Персональные кросс-сейл рекомендации к переданным продуктам | CTR / Revenue | Рекомендует сопутствующие продукты на основе персональной истории покупок пользователя. При отсутствии истории используется анализ описаний и атрибутов продуктов для определения релевантных сопутствующих категорий. Выдача формируется с учётом оптимального разнообразия. | offers_ids |
| Популярные продукты из кросс-категорий к любимым категориям пользователя | Revenue | Определяются любимые категории пользователя (по истории или из запроса), затем рассчитываются связанные с ними кросс-категории. Рекомендуются наиболее популярные продукты из этих кросс-категорий с учётом разнообразия. | categories_ids |
| Популярные продукты по продажам | Revenue | Рекомендуется топ продуктов с наибольшим объёмом продаж по всему каталогу за заданный период относительно текущей даты. | — |
| Популярные продукты по продажам в любимых категориях пользователя | CTR / Revenue | Рекомендуется топ продуктов с наибольшим объёмом продаж внутри любимых категорий пользователя за заданный период. | categories_ids |
| Популярные продукты в любимых категориях пользователя | CTR | Рекомендуется топ наиболее популярных продуктов внутри любимых категорий пользователя. Популярность рассчитывается как взвешенная сумма пользовательских действий за период. | categories_ids |
| Популярные продукты | CTR / Revenue | Рекомендуется топ наиболее популярных продуктов по всему каталогу. Популярность рассчитывается как взвешенная сумма различных действий с продуктами за заданный период. | — |
| Альтернативные продукты (похожие по описанию) к переданным продуктам | CTR | Рекомендуются продукты, максимально похожие по смысловому описанию на продукты, переданные в запросе. Подходит для подбора альтернатив или замен. | offers_ids |
| Популярные новинки | CTR / Revenue | Рекомендуется топ наиболее популярных новинок по всему каталогу. Новинки определяются по дате добавления в каталог и заданному временному окну. | — |
| Популярные новинки в любимых категориях пользователя | CTR | Рекомендуется топ наиболее популярных новинок внутри любимых категорий пользователя. Популярность рассчитывается по действиям за период, принадлежность к новинкам — по дате добавления. | categories_ids |
Персональные кросс-сейл рекомендации к переданным продуктам
Модель подбирает сопутствующие продукты к тем продуктам, которые вы передали в запросе, опираясь на персональную историю покупок пользователя. Если истории мало или её нет, модель переходит к анализу описаний, атрибутов и категорий продуктов, чтобы определить релевантные «соседние» направления. Подходит для товарной страницы, корзины и пост-покупочных сценариев, когда важно допродать уместные позиции. В выдаче поддерживается разнообразие, чтобы не показывать один и тот же тип продуктов.
Популярные продукты из кросс-категорий к любимым категориям пользователя
Сначала модель определяет любимые категории пользователя по его поведению или по categories_ids, переданным в запросе. Затем вычисляет связанные с ними кросс-категории и выбирает из них самые продаваемые продукты, балансируя разнообразие. Это сценарий «расширения интереса»: показать то, что часто покупают рядом с тем, что пользователю уже нравится. Хорошо работает для главной страницы и витринных блоков.
Популярные продукты по продажам
Модель формирует общий топ по каталогу на основе объёма продаж за заданный период относительно текущей даты. Это простой и устойчивый сценарий для витрин, когда персонализация не требуется или данных недостаточно. Подходит для новых проектов, холодного старта и общих блоков «Хиты продаж». Обычно даёт предсказуемый Revenue-эффект.
Популярные продукты по продажам в любимых категориях пользователя
Модель берёт любимые категории пользователя (по истории или categories_ids) и внутри них ранжирует продукты по продажам за период. Это компромисс между персонализацией и бизнес-метрикой: пользователь видит «хиты», но в рамках своих интересов. Подходит для персональных витрин и блоков на главной, где важно держать релевантность без сложной логики. Может оптимизироваться под CTR или Revenue в зависимости от выбранной цели.
Популярные продукты в любимых категориях пользователя
Модель определяет любимые категории пользователя и ранжирует продукты внутри них по популярности как взвешенной сумме действий (например, просмотры/клики/корзина/покупки) за период. В отличие от «по продажам», здесь сильнее учитываются сигналы интереса, а не только покупка. Хорошо подходит для CTR-сценариев: «то, что сейчас активно смотрят и выбирают». Часто используют на главной или в персональных подборках.
Популярные продукты
Модель считает популярность продуктов по всему каталогу как взвешенную сумму пользовательских действий за заданный период и выдаёт общий топ. Это универсальный вариант для блоков «Популярное» в витринных местах, где важна скорость запуска и стабильный результат. Подходит и для CTR, и для Revenue в зависимости от цели и весов действий внутри модели. Полезна, когда персональные сигналы ограничены.
Альтернативные продукты (похожие по описанию) к переданным продуктам
Модель ищет продукты, максимально похожие по смыслу и содержанию описаний на продукты из offers_ids. Это сценарий подбора замен: «похожие», «альтернативы», «вместо этого». Особенно уместно, когда товара нет в наличии, цена не подходит или пользователь сравнивает варианты. Оптимальна для CTR на товарной странице.
Популярные новинки
Модель выделяет новинки по дате добавления в каталог в рамках заданного временного окна и ранжирует их по популярности (действия) или по вкладу в продажи — в зависимости от цели. Это способ продвигать свежий ассортимент без ручной подборки. Подходит для витрин «Новинки», промо-блоков и главной страницы. Хорошо сочетается с мерчендайзинг-правилами для контроля брендов и категорий.
Популярные новинки в любимых категориях пользователя
Модель ограничивает новинки любимыми категориями пользователя (по истории или categories_ids) и ранжирует их по популярности за период. В результате пользователь видит свежие продукты в тех разделах, где он действительно заинтересован. Это хороший сценарий для CTR: новизна плюс персональная релевантность. Подходит для главной, разделов и персональных витрин «Новинки для вас».