Июль '26. Запускайте собственные рекомендательные алгоритмы через Gravity Field

У крупной торговой компании уже может быть команда машинного обучения и собственная модель рекомендаций. Но модель сама по себе еще не показывает товары покупателям и не приносит измеримый результат.

Нужно определить, где и кому показывать рекомендации, связать алгоритм со страницами сайта или экранами приложения, учесть бизнес-правила, сравнить новую логику с текущей и измерить влияние на клики, заказы и выручку. Если для каждого алгоритма создавать отдельную систему запуска и отчетности, развитие рекомендаций становится долгим и дорогим.

Мы добавили в Gravity Field BYOA — возможность подключать собственные рекомендательные алгоритмы. Теперь через платформу можно запускать алгоритмы, созданные командой клиента, а также специализированные алгоритмы Gravity Field под отдельную категорию, ассортимент или бизнес-задачу.

Зачем это нужно

Gravity Field помогает запустить рекомендательные модели, которые уже создала команда машинного обучения клиента. Результат работы алгоритма можно вывести на сайт или в приложение, выбрать место показа и аудиторию, а затем проверить влияние на клики, заказы и выручку.

При этом для каждой новой модели не приходится создавать отдельную панель управления, правила запуска и отчетность. После подключения в Gravity Field команда может выбрать место показа и аудиторию, провести эксперимент и оценить результат.

Это дает команде несколько возможностей:

• запускать разработанные модели на сайте и в приложении;
• создавать специализированные алгоритмы под структуру категорий, сезонность, частоту повторных покупок, маржинальность и другие особенности бизнеса;
• сравнивать новую логику с действующей стратегией в A/B-тесте;
• оценивать результат по кликам, конверсии, заказам и выручке, а не только по техническим показателям модели;
• сначала проверять алгоритм в одной категории, регионе, товарном блоке или на части аудитории, а затем расширять область применения.

Если собственной модели нет, но стандартные рекомендации не учитывают важные особенности магазина, специализированный алгоритм может создать команда Gravity Field.

Как проходит запуск

1. Определяем задачу. Например, повысить конверсию в категории «Обувь», лучше учитывать повторные покупки или увеличить долю товаров с высокой маржой в рекомендациях.
2. Подключаем алгоритм. Это может быть модель клиента, готовый алгоритм Gravity Field или специализированное решение, созданное под конкретную задачу.
3. Настраиваем сценарий. Выбираем страницу или экран, рекомендательный блок, аудиторию и условия, при которых должна работать новая логика.
4. Проводим A/B-тест. Сравниваем результат с действующей стратегией по кликам, конверсии, заказам и выручке.
5. Расширяем применение. Если новая логика дает нужный эффект, подключаем ее к большей аудитории или другим подходящим разделам.

Примеры применения

У компании уже есть свой алгоритм

Команда клиента разработала собственную модель рекомендаций для категории «Обувь». Модель учитывает историю просмотров и покупок, свойства товаров и особенности ассортимента.

Через Gravity Field алгоритм можно включить только в нужной категории, выбрать часть аудитории и сравнить его с текущей стратегией. Команда получает ответ не только на вопрос «хорошо ли модель ранжирует товары», но и на более важный вопрос: «помогает ли она покупателям выбирать и увеличивает ли число заказов и выручку».

Нужна особая логика, но своей модели нет

Магазину товаров для дома важно учитывать сезонность и длинный промежуток между повторными покупками. Готовые алгоритмы не полностью отражают эти особенности.

Команда Gravity Field может создать специализированный алгоритм, подключить его к платформе и проверить в выбранной категории. Если подход подтверждает свою пользу, его можно применять шире и развивать дальше.

Новую идею нужно проверить на ограниченной аудитории

Команда хочет сравнить обычную подборку популярных товаров с вариантом, который дополнительно учитывает маржинальность. Новую логику можно запустить только в одном товарном блоке и показать части пользователей. Такой подход позволяет принять решение на основе результатов эксперимента до широкого запуска.

Как это работает

Новый алгоритм добавляется в каталог Gravity Field с названием, версией и условиями применения. Затем его связывают с рекомендательной стратегией для нужного места: например, главной страницы, категории, карточки товара или мобильного приложения.

Алгоритм клиента отвечает за выбор и порядок товаров. Gravity Field получает готовый список, применяет настройки стратегии и определяет, где и кому показать рекомендации. Платформа также собирает события показов, кликов и покупок для отчетов и A/B-теста.

Получать результат алгоритма можно двумя способами:

• рекомендации рассчитываются заранее и публикуются для последующего показа;
• Gravity Field в момент запроса передает данные в API клиента и получает подходящие товары.

Тот же порядок работает для специализированных алгоритмов, созданных командой Gravity Field. Поэтому разные алгоритмы можно подключать к одним и тем же инструментам запуска, экспериментов и аналитики.

Что важно учесть

Сейчас подключение нового алгоритма проходит вместе с командой Gravity Field. Это еще не полностью самостоятельный режим, в котором любой алгоритм можно добавить из личного кабинета без предварительной настройки.

Перед запуском команды согласуют задачу, формат входных данных и результата, допустимое время ответа, страницы и товарные блоки, а также показатели A/B-теста. После этого алгоритм регистрируется в каталоге и связывается с нужными стратегиями.

Такой порядок помогает сразу соединить техническую реализацию с бизнес-задачей. Разработка понимает требования к обмену данными и нагрузке, а бизнес-команда — где будет работать алгоритм и по каким показателям оценивать его пользу.

Главное

Для алгоритма, созданного командой машинного обучения клиента, не нужно отдельно создавать инструменты запуска, управления и аналитики.

Gravity Field помогает использовать результат этого алгоритма в реальных рекомендательных сценариях: управлять местом показа и аудиторией, проводить A/B-тесты и оценивать результат. Если собственной модели нет, но стандартных рекомендаций недостаточно, команда Gravity Field может создать специализированный алгоритм под конкретную задачу.

В обоих случаях цель одна: быстрее превратить новую логику рекомендаций в работающий сценарий и проверить, помогает ли он покупателям и бизнесу.

Чтобы обсудить подключение собственного или специализированного алгоритма, напишите команде Gravity Field в рабочем чате проекта.