Как мы увеличили конверсию на 32% с помощью персонализированных рекомендаций

ИИ-система рекомендаций для B2B- платформы

Клиент

B2B-платформа для снабжения малого и среднего бизнеса

Цель проекта

Повысить вовлеченность пользователей и увеличить количество заказов за счёт персональных рекомендаций. Стандартные алгоритмы не работали — клиенты не искали «похожие товары», а формировали уникальные, сложные заказы

Проблема

Пользователи видели одни и те же витрины, без учёта их ролей и целей нужные товары терялись
Команда проекта ощущала падение вовлеченности и стагнацию повторных заказов

Решение

Разработали AI-систему рекомендаций, адаптирующуюся под поведение, роль и стадию клиента
Гибридный алгоритм на основе действий и контента, заточенный под B2B

Результат

Увеличение CTR рекомендательных блоков на 24%. Рост повторных заказов на 32%
Снижение времени на поиск нужного товара на 27%. Система масштабируется и легко адаптируется под новые сегменты

Проблема

Пользователи видели одни и те же витрины, без учёта их ролей и целей нужные товары терялись
Команда проекта ощущала падение вовлеченности и стагнацию повторных заказов

Решение

Разработали AI-систему рекомендаций, адаптирующуюся под поведение, роль и стадию клиента
Гибридный алгоритм на основе действий и контента, заточенный под B2B

Результат

Увеличение CTR рекомендательных блоков на 24%. Рост повторных заказов на 32%
Снижение времени на поиск нужного товара на 27%. Система масштабируется и легко адаптируется под новые сегменты

этапы работы

Исследование бизнес-логики клиента

Провели глубокие интервью с продуктовыми менеджерами и аналитиками платформы, чтобы понять: как пользователи взаимодействуют с сервисом, какие сценарии поведения повторяются, какие метрики и бизнес-цели стоят перед командой На основе этих данных мы сформулировали гипотезы для будущей модели рекомендаций

РЕЗУЛЬТАТ

сформированы 4 ключевые гипотезы и карта пользовательских сценариев, на базе которых выстроена логика рекомендаций

Подготовка и обработка данных

Мы собрали и классифицировали исторические данные по пользовательскому поведению: просмотры, заказы, навигация, время на странице Данные были очищены от шумов, пропущенных значений и аномалий. Также внедрили лейблинг сценариев, которые могут быть конверсией или микроконверсией

РЕЗУЛЬТАТ

создано чистое, готовое к обучению ядро датасета объёмом 1,2 млн записей, отражающее реальные бизнес-действия пользователей

Разработка модели рекомендаций

На этом этапе мы провели A/B тестирование нескольких архитектур. В итоговую систему вошли: — гибридный алгоритм (контент + поведение), — сегментация пользователей по паттернам, — кастомная логика под B2B-продукты (учёт ролей в компаниях, специфики закупок)

РЕЗУЛЬТАТ

повышение точности рекомендаций на 34% по сравнению с базовой моделью. Создана масштабируемая система, которую можно адаптировать под новые сегменты и роли

Интеграция и визуализация

Мы встроили систему рекомендаций в платформу клиента с учётом UX. Рекомендации были оформлены как отдельные блоки на витринах и страницах Провели обучение команды работе с системой, предоставили аналитические панели по работе модели (CTR, конверсии, улучшения)

РЕЗУЛЬТАТ

за 30 дней после запуска — рост CTR на рекомендательных блоках на 23%, увеличение повторных визитов на 18%

Ваш БИЗНЕС может лучше –
НАЧНЁМ?