Товарные рекомендации в CRM-маркетинге

Когда клиент видит неподходящую подборку, он не думает об алгоритме. Он просто пролистывает блок, закрывает письмо или перестает воспринимать сообщения бренда как полезные. Для бизнеса это тоже проблема: место в письме занято, контакт с базой потрачен, а товарная логика не помогла ни выбору клиента, ни выручке.

Товарные рекомендации работают только тогда, когда отвечают на конкретный вопрос: что этому клиенту уместно предложить сейчас. Не "что нам нужно продать", не "что лежит в акции", не "что система случайно подставила в карусель", а именно следующий логичный товар, категория или набор с учетом поведения, истории покупок, наличия и бизнес-задачи.

Для CRM-маркетолога это не декоративный блок на сайте. Это инструмент персонализации: он помогает довести клиента до второй покупки, увеличить средний чек, вернуть интерес к любимой категории, собрать допродажу после заказа и сделать программу лояльности полезнее. Но рекомендации требуют дисциплины: данных, правил исключений, контроля частоты и честного измерения эффекта.

Что такое товарные рекомендации

Товарные рекомендации — это подборки товаров или категорий, которые бизнес показывает клиенту на основе его поведения, истории покупок, контекста страницы, похожих клиентов или правил маркетолога.

Простые примеры:

• "С этим товаром покупают" в карточке товара;
• подборка сопутствующих товаров после покупки;
• персональные позиции в email по прошлым заказам;
• напоминание пополнить запас товара с регулярным циклом потребления;
• похожие товары, если нужной позиции нет в наличии;
• товары из любимой категории в приложении или программе лояльности.

Рекомендации бывают персонализированными и неперсонализированными.

Персонализированные учитывают конкретного клиента: что он покупал, смотрел, добавлял в корзину, как реагировал на коммуникации, какие категории выбирает чаще.

Неперсонализированные опираются на общий контекст: популярные товары, новинки, сезонные подборки, товары из той же категории, позиции с высоким спросом.

Оба варианта могут быть полезны. Новому посетителю, о котором данных еще нет, можно показать популярное или сезонное. Постоянному клиенту лучше показывать то, что связано с его реальным поведением.

Чем рекомендации отличаются от персонализации, сегментации и допродажи

Эти понятия часто смешивают, из-за этого команды ждут от рекомендаций слишком многого или используют их не по назначению.

Сегментация помогает выбрать аудиторию. Персонализация задает общий принцип уместности. Товарные рекомендации решают товарную часть: какой продукт, категорию или набор показать в конкретном сценарии.

Важно: рекомендации не обязаны всегда продавать дороже. Иногда правильная задача — помочь выбрать, заменить отсутствующий товар, напомнить о повторной покупке или не дать клиенту уйти из-за слишком широкого ассортимента.

Как работают товарные рекомендации

В рабочей CRM-логике рекомендации устроены как цепочка:

данные -> правило или модель -> место показа -> действие клиента -> измерение результата

1. Система собирает данные

Для рекомендаций полезны:

• история покупок;
• просмотренные товары и категории;
• поисковые запросы на сайте или в приложении;
• добавления в корзину;
• частота и давность покупок;
• средний чек;
• любимые категории;
• реакция на email, push, SMS и мессенджеры;
• данные программы лояльности;
• наличие товара, остатки по точкам, цена и маржа.

Товарные данные важны не меньше клиентских. Если система не знает, что товар закончился, имеет неподходящий размер, не доставляется в город клиента или плохо сочетается с основной покупкой, рекомендация будет раздражать.

2. Маркетолог задает правило или подключает модель

На старте часто хватает правил:

• после покупки показывать сопутствующие товары;
• клиентам одной категории предлагать смежную;
• перед ожидаемым сроком повторной покупки напоминать о пополнении;
• при отсутствии товара показывать похожие позиции;
• новым клиентам показывать популярные товары, пока не накопилась история.

Модели нужны, когда данных много, ассортимент широкий, сценариев несколько, а ручные связки уже не успевают обновляться. Но модель не отменяет бизнес-правила: она должна учитывать наличие, маржу, ограничения по категории и частоту контактов.

3. Рекомендация попадает в канал

Один и тот же товар может быть уместен в одном канале и лишним в другом.

• На сайте и в приложении рекомендации помогают выбрать здесь и сейчас.
• В email можно показать подборку и объяснить логику предложения.
• Push подходит для короткого повода: товар снова в наличии, пора пополнить запас, действует персональный бонус.
• SMS стоит использовать осторожно: канал дорогой и чувствительный к нерелевантности.
• В программе лояльности рекомендации можно связать с бонусами, статусом и персональными категориями.

4. Результат возвращается в данные

Система должна понимать, что произошло после показа:

• клиент увидел блок;
• кликнул;
• добавил товар в корзину;
• купил;
• проигнорировал;
• отписался или отключил уведомления.

Без обратной связи рекомендации быстро становятся статичной витриной. CRM-маркетологу важно видеть не только "что показали", но и "что это изменило".

Какие бывают товарные рекомендации

Хорошая рекомендация не обязана быть сложной. Иногда простое правило "покупал корм для кошки каждые 30 дней — напомнить на 25-й день" дает больше пользы, чем сложная модель, которая не учитывает остатки и канал.

Где использовать товарные рекомендации в CRM и продажах

На сайте и в приложении

Здесь рекомендации работают как навигация по ассортименту. Они помогают клиенту быстрее найти подходящий товар и не потеряться в каталоге.

Полезные места:

• главная страница;
• каталог и категория;
• карточка товара;
• поиск и пустая выдача;
• корзина;
• оформление заказа;
• личный кабинет;
• страница "товара нет в наличии".

Но каждый блок должен иметь задачу. На карточке товара уместны похожие и сопутствующие позиции. В корзине — дополняющие товары, которые не мешают оформлению заказа. На пустой выдаче — замены и популярные категории, а не случайная витрина.

В email

Email подходит для подборок, потому что в письме можно дать контекст: почему эти товары показаны, как они связаны с прошлой покупкой, чем полезны сейчас.

Примеры:

• после покупки кофемашины — фильтры, средство очистки, зерно;
• после первой покупки в магазине косметики — базовая подборка по купленной категории;
• перед сезоном — товары из категории, которую клиент покупал в прошлом году;
• для "спящего" сегмента — новинки в любимой категории вместо общей распродажи.

В push и SMS

В коротких каналах рекомендации должны быть особенно точными. Если push сообщает о случайной подборке, клиент быстро перестает реагировать.

Лучше работают поводы:

• товар снова в наличии;
• пора пополнить запас;
• появились новинки в любимой категории;
• персональный бонус действует на категорию, которую клиент уже покупал;
• корзина забыта, а сопутствующий товар помогает завершить выбор.

В программе лояльности

В программе лояльности рекомендации могут работать не только на продажу, но и на удержание.

Например:

• новичку показать товары, которые помогут быстрее получить пользу от бонусов;
• активному клиенту предложить категорию, расширяющую привычную корзину;
• ценному клиенту дать персональную подборку без лишней скидки;
• клиенту с накопленными бонусами показать товары, где списание выглядит уместно;
• "спящему" клиенту напомнить о любимой категории и ограниченном сроке бонусов.

В PremiumBonus такие сценарии можно связать с программой лояльности, сегментами и коммуникациями: рекомендации не живут отдельно от бонусов и клиентского профиля, а используются как часть общей логики удержания.

Сценарии для CRM-маркетолога

Самое важное — не подставлять рекомендации механически. Если клиент купил товар один раз как подарок, не факт, что его нужно месяцами догонять похожими позициями. Если человек покупает только по скидкам, рекомендация дорогого комплекта может не сработать. Если клиент недавно уже купил расходник, повторное напоминание будет выглядеть как ошибка.

Какие данные нужны для качественных рекомендаций

Минимальный набор для старта:

• идентификатор клиента: телефон, email, карта лояльности или ID профиля;
• история покупок;
• товарные категории;
• дата последней покупки;
• согласия на коммуникации;
• наличие товаров;
• базовые правила частоты контактов.

Что улучшает качество:

• просмотры товаров и категорий;
• поисковые запросы;
• добавления в корзину;
• реакция на прошлые коммуникации;
• любимые бренды, размеры, вкусы, форматы;
• данные по точкам, городам и складам;
• маржа и ограничения по акциям;
• возвраты и отмены.

Особенно важны ограничения. Рекомендательная логика должна уметь исключать:

• товары не в наличии;
• позиции, которые нельзя доставить клиенту;
• товары, которые клиент уже купил и не должен покупать повторно так быстро;
• несовместимые аксессуары;
• низкомаржинальные товары, если цель сценария — прибыль, а не оборот;
• категории, по которым клиент явно не проявлял интерес;
• клиентов без согласия на выбранный канал.

Без таких правил рекомендации могут формально работать, но ухудшать клиентский опыт.

Как запустить товарные рекомендации без сложной модели

Не обязательно начинать с искусственного интеллекта или большой рекомендательной системы. Для первых CRM-сценариев часто достаточно правил и сегментов.

Шаг 1. Выбрать один сценарий

Например:

• довести новых клиентов до второй покупки;
• увеличить средний чек после покупки основного товара;
• вернуть клиентов в любимую категорию;
• напомнить о регулярном пополнении.

Шаг 2. Собрать простую товарную логику

Для старта можно использовать ручные связки:

• кофе -> десерт или зерно;
• обувь -> уходовые средства;
• детская одежда -> следующий размер или сезонная категория;
• шампунь -> кондиционер той же линии;
• корм -> повторная покупка через ожидаемый срок.

Шаг 3. Добавить правила исключений

Проверить наличие, актуальность, цену, маржу, совместимость, частоту показа и согласия.

Шаг 4. Запустить тест

Не нужно сразу включать рекомендации на всю базу. Лучше взять один сегмент, один канал и понятную метрику.

Шаг 5. Расширять только после результата

Если сценарий показал эффект, можно добавлять больше категорий, каналов и автоматизации. Если не показал — сначала менять логику рекомендации, а не покупать более сложный инструмент.

Практический принцип простой: сначала доказать, что рекомендации помогают клиенту и бизнесу, потом масштабировать.

Как измерять эффективность товарных рекомендаций

Клики по рекомендациям полезны, но они не доказывают бизнес-эффект. Человек мог бы купить и без подсказки. Или кликнул из любопытства, но не купил. Или купил товар по рекомендации, но с меньшей маржей, чем обычная покупка.

Смотреть нужно на несколько уровней.

Для важных сценариев нужна контрольная группа. Например, часть похожих клиентов получает письмо с рекомендациями, часть — базовое письмо или не получает сообщение. Потом сравнивают не только клики, но и покупки, выручку, маржу и отписки.

Еще один риск — каннибализация. Если клиент и так купил бы товар, рекомендация может просто приписать себе обычный спрос. Поэтому сильная оценка смотрит не "сколько купили после контакта", а "сколько добавили по сравнению с похожей группой без рекомендации".

Ошибки и ограничения

Ошибка 1. Считать рекомендации витриной

Если блок просто показывает товары, которые бизнесу хочется продать, это не рекомендация, а рекламная полка. Она может работать, но не закрывает задачу персонализации.

Ошибка 2. Рекомендовать без учета наличия

Клиент кликает, видит отсутствие товара и теряет доверие. Для магазинов, доставки и сетей с разными остатками это критично.

Ошибка 3. Предлагать уже купленное слишком быстро

Если товар не расходный, повторная рекомендация выглядит странно. Если расходный, нужно понимать цикл потребления.

Ошибка 4. Не учитывать маржу

Рекомендация может увеличить оборот и одновременно ухудшить прибыль. Особенно если алгоритм продвигает скидочные или низкомаржинальные позиции.

Ошибка 5. Давить одним и тем же товаром во всех каналах

Клиент посмотрел товар один раз, а потом видит его в email, push, SMS и на сайте. Это не персонализация, а давление. Нужны правила частоты и приоритет каналов.

Ошибка 6. Мерить только клики

Высокая кликабельность не всегда означает продажи, удержание или прибыль. Иногда броский товар собирает внимание, но не помогает сценарию.

Ошибка 7. Подключить модель раньше данных

Если в базе дубли, товарные категории заполнены хаотично, остатки не обновляются, а согласия не связаны с профилем, сложная модель только быстрее масштабирует ошибки.

Когда товарные рекомендации не нужны

Рекомендации не стоит внедрять как отдельный проект, если:

• ассортимент маленький и клиенту легко выбрать вручную;
• покупка почти всегда разовая;
• нет повторной истории и клиентских данных;
• товарные данные некачественные;
• остатки не обновляются;
• команда не готова измерять эффект;
• бизнес хочет использовать рекомендации только как место для распродажи неликвида.

В таких случаях лучше сначала наладить каталог, данные, сегменты, коммуникации и аналитику. Рекомендации усиливают систему, но не заменяют ее.

Коротко: что важно запомнить

• Товарные рекомендации — это подборка товаров или категорий под контекст клиента, а не просто карусель на сайте.
• Для CRM они полезны в сценариях второй покупки, допродажи, реактивации, программы лояльности и удержания.
• Начинать можно с правил и ручных связок, а не сразу со сложной модели.
• Качество зависит от клиентских данных, товарной базы, наличия, маржи, согласий и частоты контактов.
• Измерять нужно не только клики, но и покупки, выручку на получателя, маржу, повторные покупки и инкрементальный эффект.

FAQ

Нужен ли искусственный интеллект для товарных рекомендаций?

Не всегда. Для первых сценариев часто хватает правил: сопутствующие товары после покупки, повторное пополнение, похожие товары, подборки по сегментам. Модели полезны, когда ассортимент большой, данных много и ручные правила уже не справляются.

Можно ли запустить товарные рекомендации без CDP?

Можно, если есть история покупок, клиентский идентификатор, товарные категории и канал коммуникации. CDP или единый клиентский профиль становятся особенно полезны, когда нужно объединять сайт, приложение, кассу, программу лояльности и коммуникации.

Где товарные рекомендации работают лучше всего?

Там, где есть повторные покупки, широкий ассортимент и понятная связь между товарами: электронная торговля, сети магазинов, доставка, косметика, товары для детей, зоотовары, продукты, книги, одежда, товары с расходниками и аксессуарами.

Чем похожие товары отличаются от сопутствующих?

Похожие товары заменяют или сравниваются с основным товаром: другая модель, бренд, размер, цвет. Сопутствующие товары дополняют покупку: аксессуар, расходник, набор, сервисное дополнение.

Какие метрики смотреть в первую очередь?

Для старта смотрите клики, добавления в корзину, заказы, выручку на получателя и средний чек. Для серьезной оценки добавляйте маржу, повторную покупку, отписки, контрольную группу и инкрементальную выручку.

Что важнее: алгоритм или качество данных?

Качество данных. Даже сильный алгоритм плохо работает, если в системе дубли клиентов, неверные категории, неактуальные остатки, нет связки с покупками или не учитываются согласия на коммуникации.

Подробнее

• Персонализация — чтобы понять, где товарные рекомендации находятся внутри общей логики уместных коммуникаций.
• Сегментация клиентов — чтобы выбирать аудитории для рекомендаций.
• Единый профиль клиента — чтобы связать покупки, каналы, бонусы и поведение в одном профиле.
• AI в CRM-маркетинге — чтобы разобраться, когда рекомендации стоит переводить от правил к моделям.
• Триггерные рассылки — чтобы использовать рекомендации в автоматических сценариях.
• Программа лояльности — чтобы связывать рекомендации с бонусами, статусами и удержанием.