Секрет 35% выручки Amazon: как AI-рекомендации увеличили конверсию на 29% — и почему теперь это доступно любому бизнесу Разбор механики + кейс внедрения для малого e-commerce с помощью обычных нейросетей

Знаете ли вы, что 35% выручки Amazon генерируют рекомендации? Не реклама, не скидки, не email-рассылки — а блоки «Вам может понравиться» и «С этим товаром часто покупают». Это десятки миллиардов долларов в год, которые компания получает благодаря AI-алгоритму, запатентованному ещё в 1998 году. Долгое время казалось, что повторить это может только корпорация с собственной лабораторией машинного обучения и бюджетом на инфраструктуру. Но вот что изменилось: сегодня у любого предпринимателя на столе лежат инструменты, которые по мощности превосходят то, что было у Amazon в начале 2000-х. ChatGPT, Claude, Gemini, аналитика Google — обычные нейросети, доступные по подписке или бесплатно. В этой статье мы разберём, как именно Amazon построил свою систему рекомендаций — на уровне механики, без мифов. А затем покажем, как мы применили те же принципы для клиента из e-commerce, используя только доступные нейросети и связку простых аналитических инструментов. Без команды дата-сайентистов. Без написания алгоритмов с нуля. С конкретными цифрами.

Чтобы понять ценность решения, нужно сначала понять масштаб проблемы. К концу 1990-х Amazon перестал быть «онлайн-книжным магазином» и начал превращаться в маркетплейс всего. Каталог рос экспоненциально: сотни тысяч, затем миллионы товарных позиций. И именно этот рост создал парадокс. Больше товаров — меньше продаж на единицу внимания. Конкретные проблемы: Потеря пользователя в каталоге. Посетитель приходил с намерением купить, но терялся в категориях, фильтрах и бесконечных списках. Когнитивная перегрузка — человек уходил, не выбрав ничего. Низкая конверсия. По разным оценкам, конверсия e-commerce в те годы составляла 2–5%. При масштабах Amazon даже 1% прироста — сотни миллионов долларов. Высокий процент брошенных корзин. Пользователи добавляли товары, но не завершали покупку — в том числе потому, что не видели сопутствующих товаров или более подходящих альтернатив в нужный момент. Ручные подборки не масштабировались. Мерчандайзеры могли курировать «хиты продаж» и «новинки», но физически не могли создать персональный опыт для каждого из миллионов посетителей. Рекомендация «самая популярная книга месяца» одинаково бесполезна для программиста и для молодой мамы. Amazon понимал: выигрывает не тот, у кого больше товаров, а тот, кто показывает нужный товар нужному человеку в нужный момент.

Прежде чем Amazon нашёл решение, компания перепробовала подходы, которые до сих пор используют 90% интернет-магазинов. Статические рекомендации «Бестселлеры», «Хиты недели», «Топ-10 в категории». Одинаковы для всех. Не учитывают ни историю конкретного пользователя, ни контекст визита. Это витрина, а не персонализация. Рекомендации по демографии «Мужчины 25–34 покупают электронику» — слишком грубо. Двое мужчин одного возраста и дохода могут искать наушники и детские игрушки. Ручная курация Работает при 200 товарах. Не масштабируется при миллионах SKU. Обновляется медленно, не реагирует на изменения спроса. Простые правила «если — то», «Смотрит ноутбук — покажи чехол», Требуют ручного создания для каждой пары товаров, что при миллионах позиций — невозможно. И главное: правила не находят неочевидные связи. Отсутствие real-time аналитики. Данные обрабатывались ночью, результаты обновлялись раз в сутки. Но поведение пользователя меняется внутри одной сессии. Общий знаменатель: все эти методы не «видят» конкретного пользователя. Работают с усреднёнными моделями, а люди покупают по индивидуальным мотивам.

В 1998 году Amazon запатентовал технологию, которая изменила индустрию: коллаборативную фильтрацию на уровне товаров. Как это работает?Вместо того чтобы сравнивать пользователей между собой (вычислительно дорого), Amazon сравнивает товары. Алгоритм строит матрицу «похожести» товаров на основе паттернов реального поведения:• Товар А и товар Б часто покупают вместе → высокая связь. • Пользователь купил товар А → алгоритм рекомендует товар Б и другие связанные товары, ранжированные по силе связи. Почему это сработало: • Матрица вычисляется заранее, в момент запроса система просто «достаёт» готовый результат — быстро и дёшево. • Чем больше данных — тем точнее связи. Система учится на поведении всех пользователей одновременно. • Масштабируется практически бесконечно. Что Amazon нарастил поверх • Real-time контекст: что смотрит прямо сейчас, что в корзине, сколько времени на карточке. • Сезонность: «свежие» покупки весят больше «старых». • A/B-тестирование: каждое изменение проверяется на миллионах пользователей. • Гибридные модели: анализ характеристик товаров + глубокое обучение + контекст (устройство, время суток, география). Результаты Amazon

Цифра «35% выручки» стала каноничной — подтверждена McKinsey, Forrester и собственными отчётами Amazon. Рекомендательная система — крупнейший «продавец» внутри компании, который никогда не спит и обслуживает миллионы покупателей одновременно.

Теперь главный вопрос: «Amazon — гиганты, у них тысячи инженеров. А я?» Вот в чём суть: сам принцип коллаборативной фильтрации не требует армии разработчиков. Он требует данных, логики и инструмента для анализа. И в 2024–2025 году этим инструментом стали обычные нейросети — ChatGPT, Claude, Gemini — которые умеют анализировать данные, находить паттерны и генерировать рекомендации.

Клиент Небольшой интернет-магазин одежды — назовём его условно «FashionStreet».

• Каталог: ~4 000 SKU.
• Трафик: 35 000–40 000 визитов/мес.
• Конверсия на старте: 0,8% (ниже среднего по рынку).
• Средний чек: 4 200 ₽.
• Проблема: много трафика уходит без покупки, пользователи смотрят 2–3 карточки и уходят, повторных покупок мало.

Команда пробовала «Хиты продаж» на главной, ручные подборки «образов», email-рассылки с акциями. Конверсия не двигалась.

Первым делом выгрузили всё, что было:
• Google Analytics 4: просмотры карточек, добавления в корзину, покупки, время на странице, маршруты по сайту.
• CRM и база заказов: история покупок по клиентам, частота, чек, категории.
• Отзывы и обращения: что пишут покупатели текстом (благодарности, жалобы, пожелания).
Все данные обезличили и структурировали в таблицы. Это заняло 2 дня. Для автоматизации выгрузки и предобработки мы использовали связку Google Sheets + Python-скрипты (подойдёт и любой другой инструмент ETL). Скрипт забирал данные из GA4 и CRM через API, чистил дубликаты, нормализовал форматы и сводил всё в единый датасет, пригодный для анализа. Без такой автоматизации эта работа заняла бы у аналитика 1–2 недели ручной возни с выгрузками и нормализацией.
Уже на этапе первичного анализа данных нейросеть подсветила важные вещи:
• 62% пользователей смотрят только 1 категорию и не видят связанных товаров.
• Самые маржинальные позиции (аксессуары) практически не получают внимания — они «закопаны» в каталоге.
• Пользователи, которые смотрят 4+ товаров, покупают в 3,5 раза чаще — но таких всего 12%. Значит, задача — увеличить глубину просмотра.

Загрузили подготовленные данные в ChatGPT (GPT-4) и Claude — и дали серию промптов:
Промпт 1: Поиск товарных связок > *«Вот таблица: ID покупателя, список купленных товаров, категории, даты. Найди устойчивые паттерны: какие товары чаще всего покупают вместе? Выдели топ-30 товарных пар и тройки с указанием частоты совместной покупки.»*
Нейросеть выдала таблицу связок. Некоторые были очевидными (платье + ремень), но несколько оказались неожиданными: например, покупатели определённых кроссовок часто в том же заказе или следующем брали рюкзаки конкретного бренда. Мерчендайзер этого не замечали.
Промпт 2: Сегментация по поведению > *«Вот данные о поведении пользователей на сайте: количество просмотренных страниц, время на сайте, категории просмотров, факт покупки. Выдели 4–6 поведенческих сегментов и опиши каждый: что характерно, какова вероятность покупки, что можно рекомендовать.»*
Нейросеть выделила сегменты, которых команда раньше не различала:
• «Охотники за скидками» — заходят только в SALE, смотрят много, покупают мало.
• «Целевые покупатели» — приходят из поиска по конкретному запросу, смотрят 1–2 карточки, покупают или уходят. Им нужен cross-sell прямо на карточке.
• «Исследователи» — смотрят 8–12 карточек, но не покупают. Им нужна «персональная подборка», чтобы не потеряться.
• «Лояльные» — покупали 2+ раз, заходят на главную. Им нужны новинки в их вкусе.
Промпт 3: Анализ отзывов > *«Вот 1 200 текстовых отзывов покупателей. Найди повторяющиеся темы, скрытые потребности и связки «товар — контекст использования». Что люди реально ценят? Что их раздражает? Какие сценарии использования упоминают?»*
Открытие: покупательницы определённой линейки платьев регулярно упоминали «офис», «дресс-код», «совещание». А аксессуары категории «деловой стиль» лежали в каталоге отдельно и никогда не пересекались с этими платьями. Нейросеть подсветила связку, которую ни один алгоритм «по корзинам» не нашёл бы — потому что раньше эти товары просто не показывались рядом.
Шаг 3. Собрали рекомендации и внедрили на сайте На основе анализа нейросетей сформировали три типа рекомендательных блоков:

Технически это реализовали просто: товарные связки и правила сегментации загрузили в CMS сайта. Не потребовалось сложного движка — по сути, нейросеть выполнила работу аналитика и дата-сайентиста, а мы превратили её выводы в бизнес-правила. Обновление рекомендаций мы автоматизировали с помощью простого скрипта, который раз в неделю выгружал свежие данные и отправлял их в ChatGPT через API. Связки обновлялись автоматически. Это критически важно — рекомендации не должны «протухать».

Разделили трафик 50/50. Контрольная группа — старый сайт без рекомендаций. Тестовая — с рекомендациями. Метрики по обеим группам мы собирали в стандартном Google Analytics 4 и визуализировали в Google Data Studio (Looker Studio). Видели результат в реальном времени — и могли корректировать связки, которые не давали кликов.

Результаты

Почему рост — 40%, а у Amazon — 29%? Эффект низкой базы. У Amazon до внедрения рекомендаций конверсия уже была выше среднерыночной. У FashionStreet с конверсией 0,8% и нулевой персонализацией скачок оказался драматичнее. Переход от «показываем всем одно и то же» к «показываем каждому релевантное» — это всегда самый мощный рывок. Что это значит в деньгах При 38 000 визитов/мес:
• Раньше: 304 заказа × 4 200 ₽ = 1 276 800 ₽/мес.
• После: 426 заказов × 4 830 ₽ = 2 057 580 ₽/мес.
• Дополнительно: +780 780 ₽/мес. Стоимость внедрения окупилась за первые 2 недели.

Давайте зафиксируем, что произошло с точки зрения технологий. Раньше для персонализации нужно было:
• Нанять команду дата-сайентистов (от 500 000 ₽/мес. за 2–3 специалистов).
• Написать алгоритм с нуля.
• Развернуть инфраструктуру для обработки данных.
• Месяцы на разработку, тестирование, отладку.

Сейчас:
• Выгрузить данные из GA4 и CRM.
• Загрузить в ChatGPT / Claude.
• Задать правильные промпты.
• Получить товарные связки, сегменты и инсайты.
• Внедрить как бизнес-правила в CMS.
• Обновлять раз в неделю через API.

Нейросеть не заменяет дата-сайентиста полностью. Но она закрывает 80% задач для бизнеса масштаба FashionStreet. Остальные 20% — это тонкая оптимизация, которая имеет смысл, когда базовый уровень персонализации уже работает и приносит деньги. Главный инсайт: барьер для входа в AI-персонализацию упал практически до нуля. Вопрос не в технологиях — вопрос в том, знаете ли вы, какие данные собирать, какие вопросы задавать нейросети и как превратить ответы в действия на сайте.

AI-персонализация перестала быть привилегией корпораций. Те же принципы, что принесли Amazon 35% выручки, сегодня можно внедрить с помощью обычных нейросетей и базовой аналитики. Рекомендательная система — это не «фича», а бизнес-модель. Если четверть выручки можно генерировать за счёт показа правильного товара правильному человеку — это стратегическое решение, а не маркетинговое улучшение. Самый большой эффект — у того, кто внедряет первым в своей нише. Пока конкуренты показывают «Хиты продаж», вы показываете персональную подборку. Разница в конверсии = разница в стоимости привлечения клиента = разница в прибыльности. Начать можно за дни, а не за месяцы. Данные у вас уже есть (GA4, CRM, база заказов). Нейросеть — под рукой. Нужна только правильная методология.

Если вы хотите, чтобы я помог вам внедрить такие же рекомендации, — переходите в телеграмм, там вы найдете больше полезной информации.

🦉 [Ссылка на Telegram]