Автор:
Каролина Пенгрин
Аккаунт-менеджер компании any
Каролина сопровождает enterprise- и SME-партнеров any, работает с задачами поиска, внедрения продуктов и качества клиентского опыта в e-commerce.
О партнёре
История бренда SOKOLOV начинается с 1993 года, когда Алексеем и Еленой Соколовыми была основана небольшая семейная мастерская. Именно они были авторами первых украшений. В 2026 году бренд SOKOLOV объединяет одно из крупнейших в России ювелирных производств, аффинажный завод и пул оптовых дистрибуторов в России и СНГ, а также собственную и омниканальную розницу, основанную на прямой коммуникации с клиентами через мобильное приложение, веб-сайт и сеть фирменных магазинов.
Теперь немного про то, как клиенты выбирают ювелирные изделия. Вспомните, как вы искали обручальные кольца, серьги в подарок маме или цепочку для мужа? Согласитесь, что форма украшения, стиль исполнения, размер камней и детали могут оказаться важнее материала.
Теперь немного про то, как клиенты выбирают ювелирные изделия. Вспомните, как вы искали обручальные кольца, серьги в подарок маме или цепочку для мужа? Согласитесь, что форма украшения, стиль исполнения, размер камней и детали могут оказаться важнее материала.
Именно поэтому на сайте SOKOLOV востребован сценарий поиска товаров через блок рекомендаций «Похожие товары», который помогает продолжить выбор, если понравилось конкретное украшение. Но обеспечить действительно качественную выдачу для такого сценария оказалось не так просто.
Почему классических рекомендаций оказалось недостаточно?
Большинство рекомендательных алгоритмов строят похожие товары на основе текстовой информации: характеристик, описаний, категорий и атрибутов.
Для ювелирных изделий этого набора данных становится недостаточно. Два кольца могут быть из одного металла, одного цвета, одной категории — и при этом выглядеть абсолютно по-разному. Одно лаконичное и минималистичное, другое — с крупным камнем и сложным исполнением.
Работает и обратная история. Кольцо с фианитом и кольцо с бриллиантом на карточке товара могут выглядеть практически идентично: похожая форма, похожая огранка, похожий блеск на фото. Но это два совершенно разных изделия с принципиально разной стоимостью. Рекомендательная система, которая ориентируется только на изображение, рискует поставить их рядом и сбить пользователя с толку.
Кроме того, в реальном каталоге далеко не всегда удаётся использовать все необходимые атрибуты для построения рекомендаций. Из-за этого часть товаров вообще не попадала в блок «Похожие», а в некоторых случаях пользователи получали ограниченную выдачу. Поэтому команде было важно найти способ повысить качество рекомендаций без доработки товарного фида и изменения существующих данных.
Для ювелирных изделий этого набора данных становится недостаточно. Два кольца могут быть из одного металла, одного цвета, одной категории — и при этом выглядеть абсолютно по-разному. Одно лаконичное и минималистичное, другое — с крупным камнем и сложным исполнением.
Работает и обратная история. Кольцо с фианитом и кольцо с бриллиантом на карточке товара могут выглядеть практически идентично: похожая форма, похожая огранка, похожий блеск на фото. Но это два совершенно разных изделия с принципиально разной стоимостью. Рекомендательная система, которая ориентируется только на изображение, рискует поставить их рядом и сбить пользователя с толку.
Кроме того, в реальном каталоге далеко не всегда удаётся использовать все необходимые атрибуты для построения рекомендаций. Из-за этого часть товаров вообще не попадала в блок «Похожие», а в некоторых случаях пользователи получали ограниченную выдачу. Поэтому команде было важно найти способ повысить качество рекомендаций без доработки товарного фида и изменения существующих данных.
Как работает мультимодальность в anyRecs?
Для решения этой задачи команда anyRecs внедрила мультимодальную модель рекомендаций. Теперь алгоритм анализирует сразу несколько источников информации: изображение товара, описание, характеристики и дополнительные атрибуты. Благодаря этому система начинает учитывать не только то, что написано о товаре, но и как он выглядит.
Такой подход позволяет точнее определять визуальное сходство украшений и находить релевантные альтернативы даже когда текстовых данных недостаточно. При этом никаких изменений со стороны интернет-магазина не потребовалось: мультимодальность заработала поверх существующего каталога — без доработки данных, без ручной разметки, без дополнительных атрибутов.
Такой подход позволяет точнее определять визуальное сходство украшений и находить релевантные альтернативы даже когда текстовых данных недостаточно. При этом никаких изменений со стороны интернет-магазина не потребовалось: мультимодальность заработала поверх существующего каталога — без доработки данных, без ручной разметки, без дополнительных атрибутов.
Что изменилось после внедрения?
Покрытие каталога стало значительно выше
Одним из главных результатов внедрения стало увеличение покрытия рекомендаций. Несмотря на большое количество фильтров, используемых в каталоге SOKOLOV, мультимодальная модель смогла построить рекомендации для большего количества товаров, чем с использованием классической технологии.
В ряде случаев блок «Похожие товары» вообще мог отсутствовать, поскольку алгоритм не находил достаточного количества релевантных изделий. После подключения новой модели, рекомендации начали формироваться и для таких карточек. В результате больше товаров участвует в рекомендательной системе, а пользователи получают больше вариантов для продолжения выбора.
В ряде случаев блок «Похожие товары» вообще мог отсутствовать, поскольку алгоритм не находил достаточного количества релевантных изделий. После подключения новой модели, рекомендации начали формироваться и для таких карточек. В результате больше товаров участвует в рекомендательной системе, а пользователи получают больше вариантов для продолжения выбора.
Рекомендации стали визуально ближе к ожиданиям покупателей
Вторая важная задача — повысить качество самих рекомендаций. После внедрения мультимодальности верхние позиции блока стали занимать украшения, которые гораздо лучше соответствуют исходному изделию по форме, стилю и общему визуальному восприятию. Алгоритм начал учитывать не только совпадение характеристик, но и эстетическое сходство украшений: именно так, как воспринимает их покупатель.
Примеры улучшенной выдачи
Улучшение качества визуального подбора
Как выглядел блок «Похожих» для этого товара ранее:
Как выглядел блок «Похожих» для этого товара ранее:
Выдача стала более соответствующей исходному украшению по внешнему виду.
Более релевантный подбор похожих товаров
Так выглядела предыдущая версия блока «Похожих»:
С новой технологией блок выглядит так:
После внедрения мультимодального подхода в выдаче стало больше визуально близких украшений: алгоритм стал лучше учитывать дизайн изделия, а не только его характеристики.
Расширение выдачи там, где раньше не было рекомендаций
Для этого товара ранее похожие товары отсутствовали. После применения новой модели появились варианты для дальнейшего просмотра, что позволило расширить пользовательский сценарий и увеличить глубину взаимодействия с каталогом.
Основные выгоды для бизнеса
После внедрения мультимодальной модели рекомендаций anyRecs интернет-магазин SOKOLOV получил сразу несколько преимуществ:
Увеличилось покрытие блока «Похожие товары», включая карточки, где раньше рекомендации отсутствовали
В выдаче стало больше украшений, похожих на исходное изделие по визуальному стилю
Качество рекомендаций выросло без изменения товарного фида и дополнительных работ со стороны магазина
Для ювелирной отрасли это особенно важно. Покупатели часто выбирают украшения глазами, поэтому рекомендательная система должна учитывать не только характеристики товара, но и его визуальный образ.
Мультимодальность позволяет объединить оба подхода: сохранить точность по атрибутам и одновременно научить алгоритм видеть украшения так же, как их воспринимает человек. Благодаря этому блок «Похожие товары» становится более полезным для пользователя и помогает продолжить выбор внутри каталога по релевантным позициям. Чем больше похожих позиций мы показываем посетителю сайта в контексте его потребности, тем больше шанс, что он найдет нужное и совершит покупку в вашем интернет-магазине.
Подобный инструмент расширения вариативности товаров в блоке «Похожие» актуален не только в ювелирном сегменте. Одежда, обувь, интерьерные решения, различные аксессуары — вот небольшой список сфер, где работа мультимодальных рекомендаций может принести дополнительный бизнес-результат. И при этом неважно, работаем мы с крупной сетью магазинов одежды с развитым интернет-магазином или с крафтовой мастерской с небольшой онлайн-витриной.
Подобный инструмент расширения вариативности товаров в блоке «Похожие» актуален не только в ювелирном сегменте. Одежда, обувь, интерьерные решения, различные аксессуары — вот небольшой список сфер, где работа мультимодальных рекомендаций может принести дополнительный бизнес-результат. И при этом неважно, работаем мы с крупной сетью магазинов одежды с развитым интернет-магазином или с крафтовой мастерской с небольшой онлайн-витриной.
Автор:
Каролина Пенгрин
Аккаунт-менеджер компании any
Каролина Пенгрин — специалист по сопровождению клиентов в any. Она работает с enterprise- и SME-партнерами из разных e-commerce- и retail-сегментов.
В ее зоне ответственности — сопровождение проектов, внедрение новых продуктов, работа с качеством поиска и задачами снижения доли нулевых запросов. Каролина помогает командам разбирать задачи в контексте бизнеса, пользовательского опыта и реальных процессов на стороне партнера.
До any Каролина работала с медицинским оборудованием: развивала продуктовые направления, участвовала в выводе новых продуктов на рынок и работала с дистрибьютерской сетью. Также у нее есть опыт в сфере гостеприимства, где важны сервис, точность коммуникации и внимание к деталям.
В работе Каролина сочетает системность, клиентский фокус и широкий культурный кругозор. Ей важно не просто закрывать задачу, а подобрать решение, которое подходит конкретному проекту и его аудитории.
В ее зоне ответственности — сопровождение проектов, внедрение новых продуктов, работа с качеством поиска и задачами снижения доли нулевых запросов. Каролина помогает командам разбирать задачи в контексте бизнеса, пользовательского опыта и реальных процессов на стороне партнера.
До any Каролина работала с медицинским оборудованием: развивала продуктовые направления, участвовала в выводе новых продуктов на рынок и работала с дистрибьютерской сетью. Также у нее есть опыт в сфере гостеприимства, где важны сервис, точность коммуникации и внимание к деталям.
В работе Каролина сочетает системность, клиентский фокус и широкий культурный кругозор. Ей важно не просто закрывать задачу, а подобрать решение, которое подходит конкретному проекту и его аудитории.
Расскажем как повысить выручку в вашем интернет-магазине
