ИИ-подбор кажется простым: отдать каталог и запрос. На деле ошибка почти всегда в данных, а не в модели.
Если характеристики живут в рекламном тексте, единицы измерения смешаны, а совместимость есть только в PDF, система будет угадывать.
Как устроены правила комплекта без ИИ — в FAQ про совместимость. Зачем сначала структура, а модель потом — в обзоре AI-автоматизации.
Содержание
ИИ всё чаще используют не только для генерации текстов, но и для подбора товаров. Пользователь может написать:
«Нужен смеситель для накладной раковины высотой 14 см, желательно чёрный, до 500 рублей».
И вместо просмотра десятков фильтров получить несколько подходящих вариантов.
На первый взгляд кажется, что для такого подбора достаточно передать ИИ каталог товаров и описание запроса. На практике качество результата зависит в первую очередь не от модели, а от качества и структуры данных.
Если характеристики товаров заполнены неполно, значения записаны в разных форматах или важные параметры вообще находятся только в PDF-инструкции, даже хорошая модель будет ошибаться.
Разберём, какие данные действительно нужны ИИ для точного подбора товаров.
Обычный интернет-магазин может работать даже с относительно слабой структурой данных.
Например, карточка товара содержит:
Человеку иногда этого достаточно. Он может открыть несколько карточек, посмотреть фотографии, прочитать описание и самостоятельно понять, подходит товар или нет.
ИИ должен сделать это автоматически.
Для этого системе необходимо превратить запрос пользователя:
«Нужен насос для дома, чтобы качать воду из скважины около 25 метров».
в набор конкретных требований:
После этого эти требования нужно сопоставить с параметрами товаров.
Если в каталоге отсутствуют глубина погружения, максимальный напор или диаметр насоса, корректный подбор становится невозможным.
Самое важное условие — характеристики должны существовать не только внутри текста описания.
Плохо:
«Современный производительный насос подходит для глубоких скважин и обеспечивает стабильную подачу воды».
Хорошо:
Максимальный напор: 55 м Максимальная глубина погружения: 30 м Производительность: 3,6 м³/ч Диаметр корпуса: 98 мм Мощность: 750 Вт Напряжение: 220 В
Во втором случае система может автоматически сравнить товар с требованиями пользователя.
В первом случае ИИ приходится интерпретировать рекламный текст.
А интерпретация всегда повышает вероятность ошибки.
Одна из частых проблем каталогов — одинаковая характеристика называется по-разному.
Например:
Для человека это практически одно и то же.
Для автоматической системы это потенциально пять разных параметров.
Особенно проблема становится заметной, если каталог собирается:
Перед использованием ИИ желательно привести характеристики к единому справочнику.
Например:
width_mm
А уже интерфейс магазина может отображать это поле как:
Ширина, мм
Плохой вариант:
Ширина: около 900 мм
Высота: 90 см
Размер: 900х2000
Ширина изделия: 0,9 м
Для автоматического сравнения товаров такие данные приходится дополнительно разбирать и нормализовывать.
Лучше хранить:
width: 900
unit: mm
А для пользователя отображать:
Ширина: 900 мм
Это особенно важно для:
Запрос пользователя редко состоит только из строгих условий.
Например:
«Нужна душевая кабина 90×90, желательно с низким поддоном, чёрным профилем и до 2500 рублей».
Здесь условия имеют разный приоритет.
Размер:
90 × 90 см
Цена:
≤ 2500
Если система не понимает такую разницу, возможны две ошибки.
Первая — показать кабину 100×100 только потому, что она чёрная и красивая.
Вторая — не показать вообще ничего, если в каталоге нет модели, совпадающей со всеми условиями.
Правильный алгоритм должен сначала найти товары, соответствующие обязательным параметрам, а потом ранжировать их по дополнительным пожеланиям.
Для сложных товаров недостаточно знать характеристики отдельного товара.
Необходимо понимать отношения между ними.
Например, покупатель выбирает:
Каждый товар отдельно может быть подходящим.
Но комплект может оказаться несовместимым.
Поэтому системе нужны данные типа:
товар A совместим с товарами B, C, D
или правила:
клавиша серии X подходит только к инсталляциям серии X и Y.
То же самое требуется для:
Без карты совместимости ИИ фактически занимается догадками.
Два товара могут иметь одинаковые технические характеристики, но предназначаться для разных сценариев использования.
Например, кабель может подходить:
Поэтому полезно хранить отдельные признаки:
Назначение
Сценарий использования
Условия эксплуатации
Ограничения
Допустимая среда
Тогда запрос:
«Нужен кабель для прокладки на улице зимой»
можно сопоставить не только с диаметром и сечением, но и с условиями эксплуатации.
Для качественного подбора важно знать не только то, для чего товар подходит, но и то, для чего он не подходит.
Например:
Не предназначен для питьевой воды
или:
Не совместим с системой X
или:
Максимальная температура эксплуатации — 60 °C
или:
Требуется трёхфазная сеть
Такие данные часто спрятаны в инструкции.
Для ИИ-подбора их желательно вынести в отдельные структурированные поля.
Иначе система может подобрать технически похожий, но неподходящий товар.
Одна из наиболее полезных возможностей ИИ — подобрать замену отсутствующему товару.
Но для этого нужно понимать, что считать аналогом.
Недостаточно просто искать товар той же категории.
Например, два насоса могут иметь одинаковую мощность, но отличаться:
Для поиска аналогов желательно хранить:
Тогда система сможет сказать:
Товар A отсутствует. Товар B подходит как замена по основным характеристикам, но его максимальный напор на 5 м меньше.
Это гораздо полезнее обычного блока «Похожие товары».
ИИ должен понимать, что входит в комплект.
Например:
Смеситель
В комплекте:
Не входит:
Тогда на вопрос пользователя:
«Нужно ли отдельно покупать подводку?»
система сможет дать точный ответ.
Кроме того, это позволяет автоматически выявлять недостающие элементы заказа.
Например:
Для установки выбранной системы дополнительно потребуется монтажный комплект.
Обычный каталог рассматривает товары как отдельные карточки.
Для хорошего AI-подбора полезнее представить каталог как сеть связей.
Например:
Основной товар
→ совместимые товары → обязательные комплектующие → дополнительные аксессуары → расходные материалы → аналоги → улучшенные версии → предыдущая модель → новая модель.
Такой подход позволяет ИИ не просто подобрать товар, а собрать решение.
Одних характеристик иногда недостаточно.
Очень полезными могут быть данные о том, какие товары реально выбирали в определённых ситуациях.
Например:
Для автомобилей модели X 2020–2022 годов клиенты чаще всего выбирали фильтр Y.
или:
Для душевых ниш шириной 118–120 см чаще использовалась дверь модели Z.
Это не означает, что самый популярный вариант автоматически является правильным.
Но такие данные можно использовать как дополнительный сигнал при ранжировании.
Особенно полезны:
Возврат товара может содержать ценную информацию.
Например:
Причина возврата:
Не подошёл диаметр подключения.
Если таких случаев много, система может учитывать параметр значительно строже.
Аналогично можно анализировать:
Фактически возвраты могут стать обучающим набором для улучшения алгоритма подбора.
Товар может идеально подходить пользователю, но отсутствовать на складе.
Поэтому подбор должен учитывать:
Например:
Товар A подходит лучше всего, но будет доступен через 14 дней. Товар B немного дороже, но есть на складе сегодня.
Это уже гораздо ближе к работе реального менеджера.
Цена тоже должна быть частью контекста.
Особенно в B2B, где могут существовать:
Запрос:
«Подберите 20 единиц оборудования в бюджет до 10 000 рублей»
невозможно корректно обработать, если ИИ видит только публичную цену.
Для B2B-подбора важно учитывать контекст покупателя.
Например:
Один и тот же запрос от двух покупателей может требовать разных результатов.
Например, одной компании разрешено использовать только оборудование определённых производителей.
Другой важнее минимальная цена.
Третьей — доставка в конкретный регион за два дня.
ИИ лучше работает, когда понимает не только характеристики товара, но и задачу пользователя.
Сравним два запроса.
Первый:
Насос 3 м³/ч.
Второй:
Нужно обеспечить водой частный дом, где постоянно живут четыре человека. Скважина глубиной 26 метров.
Во втором случае система может сама определить необходимые характеристики товара.
Для этого необходимо иметь:
То есть AI-подбор — это не просто поиск по каталогу.
Это комбинация:
понимания запроса + правил предметной области + товарных данных.
Современные модели умеют анализировать фотографии.
Это можно использовать.
Например, пользователь фотографирует сломанную деталь и пишет:
«Нужна такая же».
ИИ может определить:
Но фотография редко позволяет точно определить:
Поэтому визуальный поиск лучше использовать как дополнительный канал, а не замену структурированным данным.
Часть информации невозможно удобно разместить в карточке товара.
Она может находиться в:
ИИ может использовать эти документы как дополнительную базу знаний.
Но здесь желательно разделять два типа информации.
Их лучше хранить структурированно.
Например:
рабочее давление = 10 bar
Их можно получать из документации.
Например:
Особенности монтажа оборудования.
Условная карточка для AI-подбора может содержать несколько уровней.
Такой каталог уже гораздо лучше подготовлен к использованию ИИ.
Допустим, пользователь спрашивает:
«Подойдёт ли этот смеситель к моей раковине?»
В каталоге есть:
Но отсутствуют:
Правильная AI-система должна не угадывать ответ, а определить, каких данных не хватает.
Например:
Для проверки совместимости необходимо знать высоту раковины и высоту излива. Укажите модель раковины или её размеры.
Способность сказать «данных недостаточно» — один из признаков качественного подбора.
Условно их можно разделить на три уровня.
Достаточно:
ИИ сможет помочь пользователю найти товары.
Дополнительно нужны:
ИИ сможет рекомендовать подходящие товары.
Дополнительно нужны:
ИИ сможет фактически выполнять часть работы менеджера или технического специалиста.
Необязательно сразу перестраивать весь каталог.
Можно начать с одной товарной категории.
Например, выбрать 500 наиболее продаваемых товаров и проверить:
После этого можно создать нормализованную модель данных.
И только затем подключать AI-подбор.
Для правильного подбора товара ИИ нужен не просто хороший текст карточки.
Нужна системная информация:
Чем сложнее товар, тем меньше AI-подбор похож на обычный поиск.
Для одежды может быть достаточно размера, цвета и предпочтений пользователя.
Для сантехники, автозапчастей, промышленного оборудования или инженерных систем необходимо учитывать десятки технических условий и зависимостей.
Поэтому первый вопрос при внедрении AI-подбора должен звучать не:
«Какую нейросеть подключить?»
а:
«Есть ли у нас данные, по которым вообще можно определить, какой товар подходит клиенту?»
Если таких данных нет, смена модели проблему не решит.
Сначала необходимо привести в порядок каталог, характеристики и связи между товарами — и только после этого ИИ сможет стать действительно полезным инструментом подбора.
Сначала каталог. Если нет нормализованных характеристик, совместимости и ограничений, смена модели не исправит угадывание. Вопрос «есть ли данные, по которым можно понять, что подходит» важнее выбора нейросети.
Да. Достаточно одной категории и нескольких сотен ходовых позиций: какие параметры влияют на выбор, как они названы, какие возвраты и замены уже были. Потом — нормализация, потом ИИ.
Для одежды иногда да. Для сантехники, насосов и запчастей — нет: высота излива, резьба, напор не читаются надёжно из рекламного абзаца. Фото — дополнительный канал, не замена полям.
Правила «A совместим с B» и обязательные комплектующие — отдельный слой данных. Как это выглядит в процессе, а не в модели, — в FAQ про совместимость товаров и в портале подбора автозапчастей.
Нужен похожий контур — обсудим. услуги веб-разработки на Laravel.
за какую автоматизацию платят · слой PIM в стеке B2B · FAQ про совместимость товаров · каталоги и характеристики