Рекомендаційна система для fashion e-commerce: +34% середній чек
Завдання
Онлайн-ритейлер одягу стикався з критично високим показником відмов на сторінках товарів — 78% відвідувачів залишали сайт без покупки. Блок крос-продажів не працював: покупці не знаходили відповідних виробів, а неперсоналізовані рекомендації давали CTR менше 1,2%. Показник відмов кошика сягав 78%, а повторні покупки становили лише 14% від загального обороту.
Рішення
Розробили гібридну рекомендаційну систему: колаборативна фільтрація + контентний підхід на базі PyTorch. Реалізовано real-time API персоналізації з latency < 20 мс через Redis-кешування та A/B-тестову інфраструктуру для безперервної оптимізації моделі. Kafka забезпечує потокову обробку подій користувача в реальному часі.
Результат
За 12 тижнів A/B-тесту на 50% трафіку рекомендаційна система показала стале зростання ключових метрик. Середній чек покупців, що взаємодіяли з рекомендаціями, зріс на 34%. ROI проєкту склав 5.8x за 9 місяців.
Технології
Схожі кейси
Гібридний рушій рекомендацій для fashion e-commerce: +47% до середнього чека
+47% Середній чек (AOV)
FinTech / Платіжні послугиML-система виявлення фроду для платіжного сервісу: -89% втрат від шахрайства
-89% Скорочення втрат від фроду
Агросектор / АПКПрогнозування врожайності для агрохолдингу: +31% точність планування
7,3% Точність прогнозу (MAPE)
Схожа задача? Поговоримо
Маєте схожу задачу?
Ми вже вирішували виклики у галузі E-commerce та Fashion. Розкажіть про ваш проєкт — разом знайдемо оптимальне рішення та складемо план дій.
Хочете подібний результат?
Розкажіть про вашу задачу — проведемо безкоштовну консультацію з ML-архітектором і запропонуємо рішення.