Страна непрошеных советов: качественные рекомендации товаров видят только 15% россиян

Это база

За последние три десятилетия рекомендательные системы совершили колоссальный скачок — от простых списков бестселлеров до сложных алгоритмов машинного обучения, способных предсказывать потребности. Однако исследование Retail Rocket Group, с которым ознакомился Forbes, показывает: российские покупатели практически не ощутили этой революции на себе. Большинство по-прежнему видят рекомендации базового уровня — «Популярные товары» (44%) и «Похожие товары» (44%), в то время как с настоящей персонализацией сталкивались менее трети пользователей.
Опрос проводился методом анкетирования среди 1274 респондентов в возрасте от 18 до 55 лет, совершающих онлайн-покупки несколько раз в неделю. Исследование выявило «парадоксальную ситуацию», указывают в Retail Rocket Group: при огромных инвестициях ретейлеров в рекомендательные технологии только 6% покупателей всегда обращают на них внимание. Еще 19% делают это часто, 31% — лишь иногда, когда что-то заинтересует, а 20% игнорируют рекомендации полностью.
Основная причина такого положения дел кроется в качестве самих рекомендаций, убеждены авторы отчета. 51% пользователей отмечают, что рекомендуемые товары «редко» или только «иногда» соответствуют их потребностям. Еще более показательна статистика по предсказанию будущих потребностей: 66% россиян заявили, что рекомендации редко или никогда не угадывают, что им скоро понадобится.
Ценовое несоответствие — еще одна проблема рекомендательных систем. Только 15% пользователей отметили, что рекомендованные товары почти всегда подходят им по цене, в то время как 30% сталкиваются с подходящими ценами редко. При этом именно доступная цена является главным фактором качественных рекомендаций для 46% россиян. Когда покупатели все же решаются на покупку через рекомендации, в 34% случаев решающим фактором становится привлекательная цена или хорошая скидка.
Исследование также выявило основные болевые точки современных рекомендательных систем: предложение неподходящих товаров (раздражает 29% пользователей), рекомендации уже купленного (26%), непонятная логика подбора (23%) и несоответствие ценовой категории (20%).
Примечательно, что потребители готовы платить за качественные рекомендации: 37% россиян расположены тратить больше в магазинах с хорошими рекомендательными системами, а 30% даже рассматривают возможность оформить платную подписку по аналогии с музыкальными сервисами. Среди активных покупателей через рекомендации готовность тратить на 5-20% больше достигает 64%, следует из отчета Retail Rocket Group.

Технологический разрыв

Почему россияне не видят здесь инноваций? Большинство пользователей сталкиваются с рекомендациями базового уровня — простыми алгоритмами, предлагающими популярные товары или основанными на очевидных закономерностях, указывают в Retail Rocket Group: такие системы не учитывают индивидуальные предпочтения, контекст покупки и изменения в поведении пользователя. Только 29% россиян встречали персональные подборки на основе их покупательских предпочтений и поведения — то есть рекомендации хотя бы развивающегося уровня. Системы продвинутого уровня, способные анализировать поведение в реальном времени и предлагать не очевидные, но релевантные товары, остаются практически недоступными для массового потребителя.
«Результаты исследования демонстрируют колоссальный разрыв между технологическими возможностями современных рекомендательных систем и тем, что реально получают российские покупатели, — категоричен гендиректор Retail Rocket Group CIS Павел Мысин. — Большинство отечественных ретейлеров застряли на начальных уровнях развития рекомендаций, используя примитивные алгоритмы вместо современных решений на базе машинного обучения. При этом потребители явно готовы к более качественным рекомендациям — об этом говорит и готовность платить больше, и даже оформлять подписки. Рынку необходим качественный скачок в развитии рекомендательных технологий, чтобы раскрыть этот потенциал».
Эффективность рекомендаций напрямую влияет на выручку, лояльность клиентов и капитализацию компаний в сфере e-commerce, рассказывал ранее в колонке для Forbes вице-президент по рекомендательным системам и ИИ-поиску в Retail Rocket Group Сергей Серегин. Так, Amazon зарабатывает через них 35% своей выручки, Netflix, благодаря рекомендациям, сэкономил $1 млрд на удержании подписчиков, а алгоритмы TikTok, оцененные Wedbush Securities в $70 млрд, составляют свыше двух третей стоимости компании. «По данным Google Cloud, только из-за брошенного поиска (когда покупатель ищет товар на сайте продавца, но не находит то, что ему нужно. — Forbes) онлайн-площадки теряют не менее $2 трлн в год. Причина — ретейлеры застревают на начальных уровнях развития рекомендательных систем», — пояснял Серегин.

Вся соль в данных

Российский рынок действительно прошел этап широкого внедрения рекомендательных технологий, но так и не вышел в массовый уровень качества, рассуждает ведущий аналитик Data Insight Ольга Пашкова. Для большинства покупателей рекомендации выглядят как «умные витрины», а не как персональные подсказки, говорит она, добавляя, что только небольшая часть игроков, прежде всего в FMCG и в сегменте fashion, строит продвинутые модели, учитывающие историю поведения, контекст и динамику спроса. «Поэтому выводы исследования о низком уровне релевантности и слабой реакции покупателей полностью коррелируют с тем, что мы видим на практике», — подтверждает она.
Ретейлеры активно инвестируют в технологии, но недостаточно в данные, сходятся во мнении эксперты. Без единой клиентской истории, чистых атрибутов и регулярного пересмотра качества даже самые современные модели работают вслепую, считает Ольга Пашкова. Отсюда, по ее словам, и классические ошибки: дубли уже купленного, нерелевантные предложения, несоответствие ценовой категории. «Проблема не в отсутствии технологий, а в недооценке стоимости настоящей персонализации. Парадокс в том, что пользователи сами дают рынку сигнал: 37% готовы тратить больше там, где рекомендации действительно качественные. То есть это не украшение витрины — это прямой драйвер выручки. Когда ретейл начнет измерять эффект в деньгах, качество рекомендательных систем вырастет намного быстрее», — уверена она.
Рекомендательные модели не учитывают операционные данные об истории заказов клиента, согласен коммерческий директор платформы RetailCRM Андрей Юкин. Покупатель, по его словам, игнорирует рекомендации, если он еще не получил предыдущий заказ, недоволен прошлой покупкой или ему предлагают уже купленное. «В таких ситуациях любая рекомендация не будет воспринята покупателем и не сработает. Улучшить качество и актуальность рекомендаций можно, максимально привязывая и обогащая модели операционными данными и данными на основе активных коммуникаций с клиентом, — размышляет Юкин. — Звонки, email, онлайн-чаты, мессенджеры и социальные сети — все это моментально может повлиять на качество и результат рекомендаций, что мы и видим в исследовании».
Другая проблема заключается в бизнес-ограничениях, полагает Ольга Пашкова. Алгоритм может быть обучен правильно, но витрина все равно подстраивается под товарные приоритеты ретейлера, а не под потребности пользователя, говорит она. «В результате покупатель получает не оптимальный товар, а наиболее маржинальный. И доверие к рекомендациям падает, — рассуждает она.
Выводы исследования выглядят реалистично, но важно понимать, в рамках каких сервисов людей опрашивали, замечает основатель IT-интегратора AWG и платформы гибкой занятости SkillStaff Александр Хачиян. «Чтобы делать корректные выводы, важно различать уровни сервисов: маркетплейсы, омниканальные сети и локальные интернет-магазины живут в разных лигах, — обращает внимание он. — Маркетплейсы и небольшой интернет-магазин в глазах потребителя одинаковы, но бюджеты и технологии несопоставимы; у крупных игроков вроде Ozon, Wildberries, «Яндекс Маркета» рекомендации действительно работают. А вот в малом и среднем бизнесе из-за отсутствия бюджета персонализация превращается в продвижение того, что выгодно продать — товары с высокой маржой, остатки на складе. Отсюда и ощущение, что технологии не работают. Плюс многие путают рекомендации с ретаргетингом, когда уже купленный товар догоняет через рекламные сети или банковские ID».
Кроме того, важно смотреть шире, уверена Ольга Пашкова. Она напоминает: мы вступаем в эпоху агентной коммерции, где цифровые агенты будут искать товары напрямую по запросу пользователя и не будут ориентироваться на витринные рекомендации ретейлера. «В этой модели выигрывает тот, у кого данные качественнее и доступ к ним проще. Поэтому вопрос качества и доступности данных становится стратегическим. Это не задача на завтра. Это то, о чем нужно было думать вчера», — заключает эксперт.