Конкурс Netflix Prize закончился четыре года назад, но его уроки только сейчас доходят до корпоративных систем. Amazon давно отчитывается, что около трети выручки приносят рекомендации. Российский ритейл и банки начали повторять этот путь: история покупок и кликов превращается в прямой канал допродаж. Рекомендательная система не заменяет менеджера – она работает там, где менеджера нет: на витрине каталога, в личном кабинете, в рассылке.

Что именно считает система

В основе лежат две группы методов. Коллаборативная фильтрация ищет похожих клиентов и предлагает то, что купили они: «с этим товаром берут». Контентная фильтрация сравнивает свойства самих товаров и подбирает близкие по характеристикам. На практике их комбинируют – гибридная схема компенсирует слабые места каждой.

Главная проблема – холодный старт. Новому клиенту и новому товару рекомендовать не от чего: истории нет. Здесь выручают атрибуты профиля, сегмент, регион, поведение в первой сессии. Вторая проблема – разреженность матрицы «клиент-товар»: даже у крупного магазина клиент видел доли процента ассортимента. Поэтому в продакшене считают не всю матрицу, а её сжатое представление через разложение по скрытым факторам (SVD и родственные методы), которое как раз и вытащил на свет конкурс Netflix.

Алгоритм – это половина задачи. Вторая половина – данные и их доставка. Об этом мы подробно писали в материале про машинное обучение в продакшене: модель живёт ровно настолько, насколько регулярно её переобучают на свежих транзакциях.

Где это работает в B2B и госсекторе

Рекомендации – не только про розницу. В B2B-портале закупок система подсказывает сопутствующие позиции и аналоги при дефиците. В банке предлагает продукт под профиль расходов. На портале госуслуг логика та же: по обращениям гражданина можно заранее показать релевантные сервисы и сократить число визитов в ведомство.

Для госсектора связку упрощает то, что идентификация гражданина уже решена через ЕСИА: есть устойчивый идентификатор, к которому привязывается история взаимодействий. Это снимает половину инфраструктурных вопросов – остаётся аккуратно работать с персональными данными в рамках 152-ФЗ и не выносить рекомендации за пределы того, на что гражданин дал согласие.

Отдельная тема – доставка рекомендаций на мобильные устройства сотрудников и выездных агентов. Здесь подключается управление парком устройств; про это есть отдельный разбор по MDM и мобильным политикам, без которых витрина рекомендаций на планшете торгового представителя превращается в дыру в безопасности.

Как не получить дорогую игрушку

Три ошибки повторяются из проекта в проект. Первая – оптимизировать точность предсказания вместо денег: модель блестяще угадывает то, что клиент и так купил бы. Меряйте инкрементальную выручку через A/B-тест, а не RMSE. Вторая – игнорировать бизнес-правила: маржинальность, остатки на складе, регуляторные ограничения. Чистый алгоритм будет упрямо рекомендовать то, чего нет в наличии. Третья – запускать без контура переобучения, после чего качество тихо деградирует за пару месяцев.

Рекомендательный движок имеет смысл строить как часть интеллектуальной обработки корпоративных данных: от аудита данных и выбора метрики до интеграции с каталогом, CRM и фронтендом. Начинаем с одного сценария с измеримым эффектом – например, блок «вам подойдёт» в личном кабинете и масштабируем после подтверждённых цифр.

Вывод

Рекомендательная система – это не магия, а дисциплина работы с данными. Она окупается там, где есть поток транзакций, честная метрика и регулярное переобучение. Начните с узкого сценария, измерьте инкремент и пусть данные продают за вас.