Автор:
Софья Шкапа
Head of Customer Service any
Софья выстраивает процессы клиентского сервиса в any, работает с качеством продуктов и опытом партнеров в e-commerce. Пишет о поиске, рекомендациях и работе с командами.
Именно поэтому мы постоянно развиваем anyRecs — нашу платформу товарных рекомендаций, которая сочетает ML, LLM-технологии, поведенческие данные и гибкие механики управления выдачей.
Мы строим рекомендации не как коробочное решение, а как кастомную систему систему, которая адаптируется под конкретный каталог, поведение пользователей и бизнес-задачи интернет-магазина.
Мы строим рекомендации не как коробочное решение, а как кастомную систему систему, которая адаптируется под конкретный каталог, поведение пользователей и бизнес-задачи интернет-магазина.
Рекомендации, которые понимают товары глубже
anyRecs анализирует не только просмотры и покупки пользователей, но и сами товары: их атрибуты, визуальную похожесть, категории, бренды, характеристики и контекст взаимодействия.
Мы активно развиваем мультимодальные алгоритмы: рекомендации умеют учитывать визуальное сходство товаров, а не только классические поведенческие сигналы. Это особенно важно для ювелирных изделий, мебели, одежды и других категорий, где пользователь выбирает «глазами».
Система может находить действительно похожие товары по стилю, форме, цвету и визуальному восприятию, даже если они отличаются по названию или характеристикам в фиде.
Мы активно развиваем мультимодальные алгоритмы: рекомендации умеют учитывать визуальное сходство товаров, а не только классические поведенческие сигналы. Это особенно важно для ювелирных изделий, мебели, одежды и других категорий, где пользователь выбирает «глазами».
Система может находить действительно похожие товары по стилю, форме, цвету и визуальному восприятию, даже если они отличаются по названию или характеристикам в фиде.
LLM-рекомендации нового поколения
В 2026 году мы активно развиваем LLM Cross-sell — новое поколение рекомендаций сопутствующих товаров.
Вместо классического подхода система использует LLM-модели и семантический анализ товаров, чтобы подбирать более логичные и релевантные сочетания. Так рекомендации становятся ближе к реальной логике покупателя, а не только к историческим данным.
Вместо классического подхода система использует LLM-модели и семантический анализ товаров, чтобы подбирать более логичные и релевантные сочетания. Так рекомендации становятся ближе к реальной логике покупателя, а не только к историческим данным.
Гибкое управление бизнес-логикой
Мы понимаем, что рекомендации не только алгоритмы, но и инструмент управления продажами. Поэтому в anyRecs доступны гибкие мерчандайзинговые механики:
Бустинг по брендам/атрибутам
Приоритизация товаров с высоким рейтингом
Фильтрация нерелевантных товаров
Закрепление товаров в нужных позициях
Например, можно усиливать премиальные бренды, продвигать сезонные категории или учитывать рейтинг товаров прямо внутри блоков рекомендаций и хитов продаж.
Продукт, который развивается постоянно
Мы не воспринимаем рекомендации как «однажды настроенный модуль». Команда anyRecs регулярно обновляет алгоритмы, добавляет новые стратегии и улучшает качество рекомендаций.
Только за 2026 год мы:
Внедрили рекомендации с учётом рейтинга товаров
Добавили новые механики группировки товаров
Расширили возможности бустинга для нетоварных блоков
Реализовали бесконечную ленту рекомендаций
Доработали API и аналитические механики
Улучшили стабильность работы мерчандайзинговых правил
И это постоянный процесс: мы продолжаем пересобирать классические рекомендательные механики с использованием LLM и эмбеддингов, чтобы рекомендации становились ещё более «человечными» и релевантными.
anyRecs — это не только CTR
Да, рекомендации влияют на клики, конверсию и средний чек. Но их задача шире.
Хорошие рекомендации:
Помогают пользователю быстрее принять решение
Расширяют выбор без перегрузки
Делают каталог «живым» и персонализированным
Повышают качество пользовательского опыта.
И это постоянный процесс: мы продолжаем пересобирать классические рекомендательные механики с использованием LLM и эмбеддингов, чтобы рекомендации становились ещё более «человечными» и релевантными.
Мы строим рекомендации как продукт, а не как виджет
anyRecs — это современная платформа рекомендаций для e-commerce, которая развивается вместе с рынком.
Совместно с командой Т-Банка мы инвестируем в ML, LLM, мультимодальные технологии и аналитику, чтобы рекомендации не просто существовали на сайте, а действительно помогали бизнесу расти.
Совместно с командой Т-Банка мы инвестируем в ML, LLM, мультимодальные технологии и аналитику, чтобы рекомендации не просто существовали на сайте, а действительно помогали бизнесу расти.
Автор:
Софья Шкапа
Head of Customer Service any
Софья Шкапа — Head of Customer Service в any. Она выстраивает процессы клиентского сервиса, которые помогают улучшать опыт партнеров, покупателей и качество продуктов.
Софья работает с задачами e-commerce на стыке поиска, рекомендаций, клиентского опыта и продуктового качества. В ее фокусе — логика выдачи, язык покупателей, метрики качества поиска и процессы, которые делают взаимодействие с продуктами any более бесшовным.
Софья пришла в команду в 2020 году и прошла путь от работы с разметкой и оценкой качества выдачи до развития anyQuery, продуктового маркетинга и управления клиентским сервисом.
По образованию Софья — специалист в области компьютерной и математической лингвистикой и Natural Language Processing. Такой бэкграунд помогает ей смотреть на e-commerce-задачи через язык пользователя, качество поиска и реальные сценарии поведения покупателей.
Софья работает с задачами e-commerce на стыке поиска, рекомендаций, клиентского опыта и продуктового качества. В ее фокусе — логика выдачи, язык покупателей, метрики качества поиска и процессы, которые делают взаимодействие с продуктами any более бесшовным.
Софья пришла в команду в 2020 году и прошла путь от работы с разметкой и оценкой качества выдачи до развития anyQuery, продуктового маркетинга и управления клиентским сервисом.
По образованию Софья — специалист в области компьютерной и математической лингвистикой и Natural Language Processing. Такой бэкграунд помогает ей смотреть на e-commerce-задачи через язык пользователя, качество поиска и реальные сценарии поведения покупателей.
Увеличим продажи вашего интернет-магазина
