Implementation scenario / 22 / Customer experience
Персональные рекомендации товаров
Каталог одинаков для всех, а ручные подборки не успевают учитывать контекст и наличие.
Рекомендательный слой сочетает поведение, совместимость и бизнес-правила, исключая недоступные товары. Финальное решение и работа с исключениями остаются у ответственного: Категорийная команда задаёт ограничения и контролирует качество выдачи.
Проверить применимость сценария →
Problem / buying moment
Почему этот процесс становится задачей для руководителя.
Обычно к сценарию «Персональные рекомендации товаров» приходит коммерческий директор, руководитель e-commerce или категорийный менеджер, когда ассортимент, спрос и клиентское поведение меняются быстрее ручных правил и периодической аналитики. В этот момент локальная ручная проверка уже не масштабируется, но покупка отдельного AI-инструмента ещё не гарантирует изменения процесса.
В ритейле локальная оптимизация легко ухудшает общий результат: клики не равны марже, прогноз не равен заказу, а скорость публикации не оправдывает выдуманные характеристики.
ПОЗИЦИЯ IT WHITEРезультат этого сценария — не «внедрённый AI», а управляемое изменение показателей: CTR рекомендаций, добавление в корзину, маржа заказа. Система должна обнаруживать событие, объяснять контекст и доводить его до ответственного действия.
Target operating model
Что именно меняется после внедрения.
Как разобрать именно этот сценарий.
У этого сценария есть понятный момент, когда ручной процесс перестаёт выдерживать нагрузку. Исходная ситуация формулируется так: Каталог одинаков для всех, а ручные подборки не успевают учитывать контекст и наличие. Для коммерческий директор, руководитель e-commerce или категорийный менеджер это уже не локальное неудобство сотрудника, потому что сбой отражается на показателе «CTR рекомендаций» и со временем становится нормой, которую команда перестаёт замечать. До проектирования мы берём несколько реальных событий, восстанавливаем последовательность действий и отделяем причину от симптома.
Контур данных начинается не с единого хранилища, а с минимального набора доказательств. CDP фиксирует первичное событие; каталог даёт контекст или состояние работы; e-commerce подтверждает следующий шаг и результат. Для каждого поля определяется источник, допустимая задержка и правило отсутствующего значения. Если событие нельзя восстановить, его нельзя безопасно использовать для автоматического решения.
Рабочая логика сценария выглядит конкретно: Рекомендательный слой сочетает поведение, совместимость и бизнес-правила, исключая недоступные товары. При этом система не подменяет владельца процесса. Категорийная команда задаёт ограничения и контролирует качество выдачи. Такое разделение нужно зафиксировать в интерфейсе, правах доступа и журнале действий, иначе формальный human-in-the-loop останется надписью в презентации, а человек будет подтверждать решение без достаточного контекста.
Главный негативный сценарий тоже проектируется заранее: Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента. Поэтому у пилота должны быть порог уверенности, маршрут исключения, возможность открыть первичные данные и понятный способ отменить действие. Ошибку нельзя прятать в среднем показателе: команда отдельно разбирает ложные срабатывания, пропущенные события и ситуации, где правило сработало правильно, но не привело к действию.
Руководитель принимает решение о масштабировании по трём наблюдаемым изменениям: «CTR рекомендаций», «добавление в корзину» и «маржа заказа». Сначала фиксируется базовая линия, затем одна зона работает в режиме пилота, а сравнение проводится на сопоставимом потоке. Целевой бизнес-результат: CTR рекомендаций, добавление в корзину, маржа заказа. Если изменение держится только благодаря ручному контролю разработчика, система ещё не готова к эксплуатации.
Architecture
AI не получает власть над процессом. Он получает ограниченную роль.
- CDP
- каталог
- e-commerce
Категорийная команда задаёт ограничения и контролирует качество выдачи.
Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента.
Каждый вывод хранит исходное событие, версию правила или модели и действие ответственного. Если контекста недостаточно, система не угадывает, а переводит событие на ручную проверку.
Business case / no invented ROI
Экономика начинается с потери, которую можно пересчитать.
До сметы мы не обещаем проценты эффективности. Сначала измеряем частоту события, стоимость ручной работы и ошибки, нагрузку на проверяющего и цену эксплуатации контура.
объём событий, в которых возникает проблема «Каталог одинаков для всех, а ручные подборки не успевают учитывать контекст и наличие.»
стоимость ручного действия, задержки или ошибки по показателю «CTR рекомендаций»
доля исключений, которые после запуска всё равно должен проверять человек
стоимость интеграции и сопровождения систем: CDP, каталог, e-commerce
Если измеримый эффект не покрывает стоимость контура и риск, задачу не нужно превращать в отдельный продукт.
Measurement
Как понять, что внедрение работает.
Источник: CDP. Базовая линия: 2–4 недели до пилота.
Источник: каталог. Базовая линия: 2–4 недели до пилота.
Источник: e-commerce. Базовая линия: 2–4 недели до пилота.
Сначала проверяем процесс, качество данных и владельца решения.
Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента.
Readiness check
Когда этот сценарий имеет смысл.
Автоматизация оправдана, когда проблема повторяется, влияет на управляемый показатель и у процесса есть владелец. Для сценария «Персональные рекомендации товаров» сначала проверяем не модель, а фактический маршрут работы.
- 01Повторяемость
Событие повторяется достаточно часто, чтобы измерять «CTR рекомендаций».
- 02Доступность данных
Первичные данные доступны в системах: CDP, каталог, e-commerce.
- 03Владелец решения
Владелец процесса готов отвечать за исключения и финальное решение.
- 04Ограниченный риск
Риск «Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента.» можно ограничить правилами, журналом и ручной проверкой.
Questions before code
Что нужно выяснить до выбора технологии.
Ответы отделяют реальную задачу от красивой демонстрации. Они же задают границы пилота и критерии остановки.
- Q1
Сколько раз за неделю возникает ситуация: Каталог одинаков для всех, а ручные подборки не успевают учитывать контекст и наличие.
- Q2
Где сегодня фиксируется CTR рекомендаций и можно ли восстановить исходное событие?
- Q3
Кто принимает решение после сигнала и за какое время он должен отреагировать?
- Q4
Какие ошибки системы недопустимы и когда решение обязательно передавать человеку?
Pilot / 4–8 weeks
Как запускать без большой ставки вслепую.
Зафиксировать текущий маршрут
Интервью с владельцем процесса, карта событий, исключения, права доступа и исходные значения KPI. На этом этапе может выясниться, что проблему надёжнее решает обычная логика, а не AI.
Собрать минимальный контекст
Подключаем только необходимые источники: CDP, каталог, e-commerce. Не строим озеро данных до появления первого работающего сценария.
Запустить на ограниченной зоне
Рекомендательный слой сочетает поведение, совместимость и бизнес-правила, исключая недоступные товары. Первые решения логируются, а низкая уверенность и исключения уходят человеку.
Сравнить с базовой линией
Смотрим на CTR рекомендаций, добавление в корзину, маржа заказа. Если процесс не изменился, не масштабируем интерфейс только ради уже написанного кода.
Пилот принимается по изменению CTR рекомендаций, добавление в корзину, маржа заказа, а не по количеству экранов и промптов.
Останавливаем масштабирование, если данные нестабильны, ответственный не использует сигнал или сохраняется риск: Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента.
How IT WHITE enters the project
Не продаём всю систему до проверки процесса.
100–180 тыс. ₽
Карта процесса, данные, потери, владелец решения, варианты архитектуры и предварительная экономика.
от 450 тыс. ₽
Одна ключевая задача, необходимые интеграции, роли, журнал решений, запуск и критерии результата.
от 100 тыс. ₽/мес.
Мониторинг, исправления, качество решений, новые правила, развитие интеграций и отчёт по работе системы.
Decision FAQ
Три вопроса, которые защищают проект от лишней сложности.
Здесь точно нужен AI?
Не обязательно. Если событие определяется стабильными правилами, обычная логика будет дешевле, быстрее и надёжнее. AI нужен там, где решение зависит от неструктурированного контекста.
Что подготовить к первичному разбору?
Один реальный пример сбоя, список систем (CDP, каталог, e-commerce), пример исходных данных и человека, который сегодня принимает финальное решение.
Что происходит при ошибке?
Система сохраняет исходные данные и причину вывода, не выполняет критическое действие без разрешения и передаёт исключение человеку. Главный риск сценария: Оптимизация только на клики может ухудшить маржу и разнообразие ассортимента.
Evidence base
На каких рыночных сигналах основан сценарий.
Материал синтезирует публичные исследования и практики. Мы не переносим чужие кейсы на себя и не обещаем чужие показатели. Экономика рассчитывается только после анализа вашего процесса.
Related scenarios / Ритейл и e-commerce
Следующие процессы в том же контуре.
Fit check / 20–30 min
Проверим сценарий «Персональные рекомендации товаров» на вашем процессе.
За 20–30 минут определим разрыв, доступные данные, владельца решения и разумный первый контур. Это бесплатная проверка соответствия задачи, не платная диагностика.