НАТАШ! РЫБОВ КУПИ
Котик
и сметану купи!
Котик

Хакатон. Теплица ИИ-помощников

Аватар покупателя:
Самосборная корзина

Команда: "Не ИИ-мозги"

Далее

Совершайте покупки быстрее без забытых товаров

Основываясь на результатах исследований мы подтвердили две боли, которые можем решить

⏰ Покупатели тратят время на сбор повторяющихся корзин

71% покупателей из исследования хотят собирать корзину с привычными им товарами быстрее:

  • 38 % испытывают эту потребность постоянно,
  • 33 % сталкиваются с этим периодически

44% покупателей формируют предварительные списки и хотели бы тратить меньше времени на добавление их в заказы вручную

  • 23 % испытывают эту потребность постоянно,
  • 21 % сталкиваются с этим периодически

🤦‍♂️ Забытые товары — неудобства и лишние расходы

59% покупателей на основании исследования имеют определенные запасы и хотят оперативно пополнять их, чтобы всё нужное всегда было в наличии у них дома

  • 29 % испытывают эту потребность постоянно,
  • 30 % сталкиваются с этим периодически

27% покупателей отметили, что сталкиваются с потребностью напоминания о покупке необходимых им товаров

  • 13 % испытывают эту потребность постоянно,
  • 14 % сталкиваются с этим периодически

Самосборная корзина закрывает две актуальные боли покупателей

Решение потребности клиента. MVP + метрики продукта


Самосборная корзина

🧪 MVP — Шаг 1. Проверка алгоритма на исторических данных

Что делаем

  • Разработка алгоритма
  • Проверка алгоритма на истории покупок

Метрики успеха

  • Релевантность — предложенной корзины >70%
  • Кол-во совпадений / кол-во уникальных товаров
    (предложенная vs реальный заказ)

🧪 MVP — Шаг 2. Реальный покупательский опыт

Что делаем

  • Создание и тестирование кликабельных прототипов (UI/UX)
  • Интеграция с МП/Сайтом
  • A/B тестирование на 5% целевой выборки

Метрики успеха

  • Релевантность — > 70%
  • Дозаказы — снижение на 70% у пользователей Самосборной корзины
  • Retention — 38% доля заказов, оформленных с помощью Самосборной корзины
  • Время оформления — меньше, чем вручную

Сначала качество → потом опыт покупателя

Экономика проекта

📋 Исходные данные:

  • За год оформляется ~ 132 млн заказов и ~ 3 млн дозаказов (оформляются отдельно в течение 3 часов)
  • По данным количественного исследования ~ 38% покупателей хотят быстро заполнять корзину и покупают одно и то же
  • Стоимость доставки 1 заказа ~ 130 ₽

💰 Расчёт экономики:

  • Годовая экономия на доставке:
    3 млн × 38% × 70% × 130 ₽ ≈ 103,74 млн ₽
  • Расшифровка: 3 млн дозаказов в год × 38% retention пользователей самосборной корзины × 70% снижение дозаказов у пользователей самосборной корзины × 130 ₽ (стоимость доставки)

  • Затраты (год):
    CAPEX (этап 1): 4,48 млн ₽ + CAPEX (этап 2): 2,56 млн ₽ + OPEX (12 мес): 5,76 млн ₽ = 12,8 млн ₽
1
Годовая экономия: ≈ 103,74 млн ₽
2
ROI (год): ≈ 711%
3
Срок окупаемости CAPEX: ≈ 1,4 месяца

ROI = (Экономия - расходы) / Расходы

Самосборная корзина — снижение затрат на доставку и увеличение маржинальности заказа

Реализация и технологии

🔧 Применение ИИ

    ИИ модель Аватара состоит из следующих модулей:

  • Частотность : простая статистика по привычным покупкам. Быстрый MVP для «регулярок».
  • Забытые товары: смотрим вероятности по истории и предлагаем один самый вероятный товар (адаптивный порог).
  • Контекст (LLM): Учет сезонности, акций и времени дня и тд для базовой корректировки корзины.
  • Рекомендательная система: используем как источник подсказок и для доранжирования; проверяем наличие и цены.
  • Аналоги: LLM, чтобы предлагать аналоги/замены и объединять похожие SKU.
  • Коллаборативная фильтрация: добавим после проверки, что не дублируем персонализацию в лояльности/абонементе.
Кейс: В необученную нейронку perplexity загрузили список покупок за месяц и попросили спрогнозировать следующий заказ
Результат:
40% предсказанных товаров из следующего заказа

⚙️ Технологический стек

Python (Pandas, Scikit‑learn) Парсеры: BeautifulSoup/Scrapy RAG SBERT MiniLM‑L12‑v2 ClickHouse / ElasticSearch BM25 + KNN (look‑alike) FAISS / Milvus LLM Apriori (MLxtend) FastAPI Airflow Docker/K8s A/B платформа
  • Данные: история покупок/доставок, до‑заказы, наличие/цены, погода/сезонность; анонимизация.
  • Хранилище/поиск: ClickHouse + Elastic/OpenSearch; BM25+KNN; векторный индекс FAISS/Milvus.
  • RAG: SBERT‑векторизация фич (пользователь/среда/SKU) для извлечения контекста перед LLM.
  • Сервинг: FastAPI, Docker/K8s; фича‑стор/кеш; тайм‑лимиты и деградация к эвристикам.
  • Контроль качества: A/B, мониторинг дрейфа/латентности, алерты на SLA.

🚀 Перспективы

  • Дополнение к существующим сервисам:
    - дополнительный «фильтр» рекомендательной системы
    - дополнять «фильтры» в каталоге товаров
    - использовать персонализацию в маркетинге
  • Клиентские сервисы: напоминания, прогнозирование, планирование
  • Новый пользовательский опыт: Переходить из одного аватара в другой - Корректировать привычки (Помоги мне похудеть)
Котик

Самосборная корзина - Быстро, просто покупай, ничего не забывай!