AI-поиск товаров в интернет-магазине: как помочь клиенту найти нужное

Покупатель вводит в поиск «куртка для дождливой осени». В каталоге эта модель описана как «мембранная демисезонная куртка с проклеенными швами». Ни одного общего слова — и обычный поиск показывает пустую страницу, хотя нужный товар лежит на складе. Человек уходит к конкуренту, а магазин даже не узнаёт, что потерял продажу.

AI-поиск товаров работает иначе: он пытается понять, что человек имеет в виду, и сопоставить намерение с характеристиками товаров. Дождливая осень — значит, важны водостойкость, демисезонность и, возможно, капюшон. Но качество такого поиска зависит не столько от «умности» языковой модели, сколько от того, насколько хорошо описан каталог.

Три типа покупателей в вашем поиске

Проще всего проектировать поиск не от технологий, а от людей, которые им пользуются. В большинстве магазинов это три разных сценария.

Тот, кто знает точно

Вводит артикул, модель или название бренда: «Bosch GSR 12V-15». Ему нужен не «умный», а предсказуемый результат — точное совпадение в первой строке. Здесь работает классический лексический поиск, и портить его «пониманием смысла» нельзя.

Тот, кто описывает проблему

Пишет «тихий кондиционер для спальни» или «обувь для бега зимой». В каталоге этих слов нет, зато есть уровень шума, протектор и утепление. Именно этот покупатель получает больше всего от семантического поиска, который сравнивает смысл запроса и товара, а не отдельные слова.

Тот, кто ещё выбирает

Вводит просто «ноутбук» и получает тысячу позиций. Ему нужны не результаты, а сужение: для работы или игр, какой бюджет, важен ли вес. Для такого запроса полезны уточняющие вопросы и фильтры, подобранные под намерение.

Почему внутренний поиск так влияет на продажи

Поиском пользуются люди, которые уже сформулировали потребность. Это самая горячая аудитория магазина: посетители, воспользовавшиеся поиском, обычно заметно чаще покупают, чем те, кто просто листает каталог. Поэтому пустая страница результатов — это потеря покупателя именно тогда, когда он был готов платить.

Проблемы обычно типичные. Поиск не понимает опечаток и транслитерации, поэтому «айфон» и «iphone» дают разные результаты. Синонимы не связаны между собой. Результаты не учитывают наличие, и первыми стоят товары, которых нет. А нулевые запросы никто не анализирует.

Гибридная схема: почему она побеждает

На практике для e-commerce оптимальным оказывается гибридный поиск, объединяющий оба механизма. Точное совпадение обрабатывает артикулы, коды и модели, семантика — естественный язык, а система ранжирования решает, чей результат показать выше.

Цепочка выглядит так: исправление опечаток и нормализация запроса, определение намерения, подбор кандидатов обоими механизмами, применение фильтров, ранжирование, проверка наличия и формирование выдачи.

Один принцип здесь важнее технологий: коммерческий приоритет не должен ломать релевантность. Если система всегда поднимает товары с наибольшей маржой, покупатели быстро перестанут доверять поиску. Безопаснее сначала отсеять нерелевантное, затем проверить доступность, и лишь внутри релевантной группы слегка усилить нужные бизнесу позиции.

Какие данные нужны, чтобы это заработало

Языковая модель не знает, почему одна куртка подходит для путешествия, а другая — нет, если этого нет в данных. Основа умного поиска в интернет-магазине — корректные названия и описания, категории, бренды, заполненные атрибуты, варианты, совместимость, актуальные цены и наличие, а также словарь синонимов.

Отдельно стоит собирать поведенческие сигналы: что искали, на что кликнули, что положили в корзину. Они помогают ранжированию больше, чем любая дополнительная модель. Как свести всё это в единую структуру, мы разобрали в статье о подготовке каталога товаров, а принципы работы с запросами — в материале о семантике интернет-магазина.

Нулевые результаты — бесплатный источник инсайтов

Страница «ничего не найдено» — это список того, чего покупатели хотят, но не получают. Разбирайте такие запросы ежемесячно. Часть означает, что товара действительно нет в ассортименте — это подсказка для закупок. Часть — что товар есть, но не хватает синонима. Бывает, что не заполнен атрибут, по которому ищут, или запрос вообще касается доставки либо статуса заказа.

Для одних случаев достаточно пополнить словарь, для других — дополнить карточки, для третьих — показать справочную страницу вместо пустого экрана. Даже без всякого AI эта рутина заметно уменьшает количество потерянных покупателей.

Пример: как меняется выдача

Представим магазин бытовой техники и запрос «тихий кондиционер для спальни». До настроек поиск ищет слово «тихий» в названиях и не находит ничего. После — система распознаёт намерение, обращается к атрибуту «уровень шума», отбирает модели до 24 дБ, проверяет наличие и показывает пять вариантов с объяснением разницы. Дополнительно предлагает уточнить площадь комнаты, ведь от неё зависит мощность.

Технически изменилось немного: появились нормализованный атрибут шума, словарь синонимов и семантический слой. Но для покупателя это разница между пустой страницей и готовым решением.

Как измерить результат

Главные показатели: доля поисковых сессий с кликом по результату, частота нулевых запросов, добавление в корзину после поиска, конверсия поисковых сессий и доход на такую сессию. Полезный сигнал — переформулирование: если человек меняет запрос дважды-трижды, поиск его не понял.

Цифр недостаточно. Раз в месяц стоит вручную проверять релевантность на наборе из нескольких десятков типичных запросов. Высокая конверсия не оправдывает систематически странных результатов: покупатели могли найти товар вопреки поиску, а не благодаря ему.

Порядок внедрения

Начинать стоит не с выбора платформы, а с аналитики: соберите реальные запросы за несколько месяцев и все нулевые результаты. Затем очистите атрибуты и словари и доведите до ума точный поиск — это уже даст прирост без всякой модели.

Третий шаг — семантический поиск для естественных запросов, четвёртый — гибридное ранжирование и A/B-тест против старой версии. Уточняющие вопросы и диалоговый режим добавляют последними: это логический мостик к полноценному ИИ-ассистенту для интернет-магазина. Google Cloud описывает такой сценарий сужения выбора как conversational filtering.

Частые вопросы

Нужен ли AI-поиск небольшому магазину?

Если в каталоге несколько сотен товаров, обычно достаточно хорошо настроенного обычного поиска со словарём синонимов. Наибольший эффект AI даёт в каталогах от нескольких тысяч позиций со множеством характеристик.

Может ли AI-поиск показать товар, которого нет?

Правильно построенная система — нет. Результаты формируются из реального каталога с проверкой наличия, а модель лишь помогает понять запрос.

Сколько времени занимает внедрение?

Базовая настройка гибридного поиска на подготовленном каталоге занимает несколько недель. Дольше всего длится упорядочивание данных, а не подключение технологии.

Заменит ли AI-поиск фильтры?

Нет. Фильтры остаются главным инструментом сужения выбора, а поиск помогает в них попасть. О том, как не сломать при этом SEO, мы писали в статье о фасетной навигации.

AI-поиск — это продукт, который постоянно учится на данных магазина. Команда GL.ua может интегрировать поисковый механизм с каталогом, остатками, аналитикой и ИИ-ассистентом, чтобы покупатель переходил от запроса к нужному товару без лишних шагов. Подробнее — на странице создание интернет-магазина.