В приложении покупки одежды легко утонуть в ленте: много позиций, мало сигнала «это для меня». Мы встроили ИИ-подбор товаров прямо в мобильное приложение. Система смотрит историю действий, бюджет, предпочтения и текущую задачу пользователя — и собирает персональные рекомендации в индивидуальной подборке. Подбор становится работой приложения, а не ручным листанием каталога наугад.
Зачем приложению свой подбор, а не общая витрина
Каталог одежды сам по себе не продаёт выбор. Пользователь приходит с разным контекстом: обновить базу, найти образ к событию, уложиться в сумму, не повторять уже купленное. Общая выдача это игнорирует.
Пока подбор не автоматизирован, человек либо фильтрует руками, либо уходит. Задача была другая: сделать так, чтобы приложение само собирало релевантную подборку под конкретного пользователя и его задачу сейчас, тем самым стимулируя кросс-сейл и увеличивая средний чек.
Из чего ИИ собирает рекомендацию
Подбор опирается на четыре сигнала:
- История действий — что смотрел, сохранял, добавлял, покупал, от чего отказывался.
- Бюджет — в каком ценовом диапазоне имеет смысл показывать позиции.
- Предпочтения — стиль, категории, привычные выборы пользователя.
- Текущая задача — зачем человек в приложении сейчас: не «одежда вообще», а конкретный запрос момента.
ИИ не выдаёт случайный «вам может понравиться». Он склеивает эти сигналы в персональные рекомендации и отдаёт их в интерфейс приложения.
Где это живёт в приложении
Результат не прячется в отдельном чате и не уводит из app. Рекомендации появляются в индивидуальной подборке — экране/блоке внутри мобильного приложения покупки одежды.
Пользователь открывает приложение и видит не обезличенную витрину, а подборку под себя: с учётом того, как он себя вёл раньше, какой у него бюджет и предпочтения, и что он хочет решить сейчас.
Так автоматизируется именно работа подбора в приложении: app само формирует выдачу, а не ждёт, пока человек идеально настроит фильтры.
Что разработали
- ИИ-модуль подбора товаров в мобильном app. Ядро, которое принимает сигналы пользователя и собирает персональные рекомендации по одежде.
- Учёт истории действий. Поведение в приложении становится топливом подбора: модуль опирается на реальные действия, а не только на анкету «раз и навсегда».
- Учёт бюджета и предпочтений. Выдача держится в рамках того, что человеку релевантно по цене и вкусу — иначе персонализация быстро ломает доверие.
- Учёт текущей задачи. Подборка реагирует на задачу момента: рекомендации сдвигаются под то, зачем пользователь зашёл сейчас.
- Индивидуальная подборка в интерфейсе. Точка показа — персональный блок/экран в приложении, где рекомендации собраны для этого пользователя.
Как это ощущается снаружи
Пользователь заходит в приложение одежды с задачей. ИИ уже опирается на его историю, бюджет и предпочтения и дополняет картину текущим запросом. В индивидуальной подборке появляются позиции, которые имеют шанс быть «про меня», а не «про средний каталог».
Меньше холостого скролла. Больше работы приложения на стороне выбора и органичного допродавания сопутствующих вещей.
Где держим границы
Персонализация не должна запирать человека в узком пузыре. История и предпочтения задают базу, текущая задача — вектор; подборка должна помогать выбрать, а не бесконечно показывать одно и то же.
Бюджет — жёсткий фильтр доверия. Красивые рекомендации вне бюджета раздражают сильнее, чем бедная, но честная выдача.
И главное: подбор живёт в приложении. Если рекомендации увести в отдельный канал, пропадает смысл автоматизации работы app — пользователь снова сам собирает выбор из общей витрины.
В приложении был большой каталог, но мало сигнала «это для меня». Мы встроили ИИ-подбор по четырём факторам — история действий, бюджет, предпочтения и текущая задача — и показываем результат в индивидуальной подборке внутри app. Главное было не увести рекомендации в отдельный чат: подбор должен работать там, где пользователь уже покупает.
„
Максим, Руководитель проектов NeuroB2B
| Было | Стало |
| Общая витрина и ручные фильтры | ИИ-подбор товаров в мобильном приложении |
| Рекомендации без явной связи с задачей | Учитываются история, бюджет, предпочтения и текущая задача |
| Выбор строил сам пользователь | Персональные рекомендации собирает приложение |
| Персонализация была слабой или общей | Выдача приходит в индивидуальную подборку, драйвя дополнительные продажи |
Что вышло в результате
В мобильном приложении покупки одежды автоматизировали подбор: ИИ формирует персональные рекомендации по истории действий, бюджету, предпочтениям и текущей задаче пользователя и показывает их в индивидуальной подборке.
Приложение начинает работать на выборе вместе с человеком — не только отдаёт каталог, а собирает релевантную выдачу под конкретный контекст прямо в app. В результате автоматизации выбора дополнительные продажи выросли на 24%, так как пользователи стали чаще добавлять в корзину точно подобранные вещи-компаньоны.
