AI-персонализация рекомендаций автомобилей для автодилеров

Почему AI для автодилеров не поднимает конверсию подбора

Каталог автодилера — это десятки моделей и тысячи комплектаций, и почти весь подбор автомобиля по параметрам сводится к фильтрам: цена, кузов, коробка, привод. Клиент приходит с другим вопросом — «просторный семейный на каждый день», «компактный для коротких поездок по городу», — но интерфейс спрашивает про характеристики, а не про сценарий использования. Подбор превращается в перебор вариантов: клиент листает десятки карточек, менеджер тратит разговор на уточняющие вопросы, и часть обращений уходит без записи на тест-драйв.

Персонализация каталога автомобилей в проектах AI для автодилеров обычно строится на кликах и просмотрах, то есть на том, что человек уже увидел, а не на том, что он искал. Модель честно выучивает самые популярные комплектации и начинает предлагать их всем — выдача выглядит разнообразной, но не совпадает с намерением. Обратная связь при этом обрывается на записи: доехал клиент до салона или нет, почему отказался, что смотрел вместо — в обучающий контур не попадает.

Узкое место в подборе — не качество выдачи, а разрыв сигналов. Намерение размазано по заявке на сайте, звонку, переписке, истории визитов и заметкам менеджера в учётной системе дилера. Пока эти данные не сведены к одному профилю клиента, любая модель ранжирует шум и оптимизирует не то, что нужно: показы вместо конверсии подбора в запись.

Ниже разбираем, как это закрывается: из каких источников собирается профиль намерения, как он превращается в ранжирование каталога и почему целевой метрикой становится запись, а не глубина просмотра.

Что меняется после внедрения персонализации подбора

Персонализация подбора — не подсветка баннера на главной, а другая логика каталога: подборка собирается под конкретную сессию по поведению и формулировке запроса. Клиенту не нужно знать точное название комплектации — ранжирование идёт по паре «запрос — интерес». Слой поверх Elasticsearch отдаёт подборку мгновенно и пересчитывает её на каждом шаге.

Конверсия из подбора в запись на пробную поездку

Здесь считают не визиты, а долю попаданий в интерес: сколько сессий доходят до карточки из подборки и до записи на пробную поездку. Когда первые два-три варианта совпадают с запросом, число шагов до решения сокращается с пяти-семи до двух-трёх, и клиент не уходит сравнивать на сторонние площадки.

Доля брошенных сессий подбора падает в среднем на треть: подборка объясняет сама себя — почему эта модель и что меняется в комплектации. Объяснение работает лучше, чем сортировка по цене.

Скорость подбора и нагрузка на менеджеров

Второй эффект — время до осмысленного списка кандидатов. Раньше клиент приходил с запросом «покажите что-нибудь в этом классе», и встреча уходила на выяснение потребности. Теперь на входе есть две-три модели с понятными критериями, и менеджер обсуждает условия.

Нагрузка на отдел продаж перераспределяется: доля холодных обращений снижается, содержательных разговоров становится больше. Точность рекомендаций проверяем на отложенной выборке: если подборка расходится с реальными просмотрами и продажами, модель переобучают, а не правят вручную.

Форматы персонализации: сравнение подходов и ограничений

Ручные правила и фильтры каталога

Выдачу задаёт менеджер: класс, наличие на складе, срок поставки, бюджет в согласованных рамках. Такая выдача объяснима и предсказуема, но при росте каталога правила начинают конфликтовать, а сезонные сдвиги спроса вносятся руками.

Модель на истории сделок против гибридной схемы

Модель на истории сделок находит неочевидные связи между комплектациями, но слепа к новинкам склада и к резким сдвигам спроса — пока по позиции нет сделок, она в выдаче не появится. Гибридная схема добавляет к истории правила каталога и обратную связь в реальном времени: отказ, повторный просмотр или запрос тест-драйва меняют выдачу внутри сессии.

Выбор определяют объём каталога и скорость изменения спроса. Каждый вариант мы прогоняем на накопленных данных дилера и показываем, где правило точнее модели, а где нужна обратная связь.

Как мы внедряем рекомендательную систему: этапы работ

Внедрение рекомендательной системы у автодилера упирается не в выбор алгоритма, а в качество данных о стоке, клиентах и сделках. Сначала аудит данных автодилера и постановка метрики, затем выдача и проверка на живом трафике. Ниже — этапы, которые мы проходим вместе с заказчиком.

Аудит данных и постановка метрики

1. Аудит данных. Сверяем каталог (марка, кузов, комплектация, привод, пробег), историю сделок, обращения в CRM, записи на тест-драйв и причины отказов. Ищем дубли и расхождения в кодах комплектаций. На выходе — карта пригодности данных и список того, что нужно дозаполнить.
2. Схема данных. Собираем единый профиль клиента и автомобиля, фиксируем ключи связи между стоком, CRM и каналом показа. Пропуски закрываем явными правилами, а не догадками.
3. Настройка выдачи. Определяем сигналы, двигающие карточку вверх: бюджет, тип кузова, срок владения прошлой машиной, история сервисных визитов. Коммерческие приоритеты дилера задаём отдельными весами — их меняют без переобучения.
4. Метрики качества подбора. Фиксируем до запуска: доля сессий с открытием трёх и более карточек, доля записей на тест-драйв из подборки, доля отказов из-за нерелевантной цены. Базовый уровень считаем на исторических данных, иначе сравнивать будет не с чем.

Проверка на живом трафике и передача

• Теневой запуск рекомендаций. Система строит выдачу параллельно с текущей, посетитель видит прежний вариант. Сравниваем на одних и тех же сессиях и снимаем расхождения до того, как они коснутся клиентов.
• Раскатка на живом трафике. Включаем подбор долями: сначала на части посетителей, следим за метриками, при отклонении откатываем на прежнюю выдачу.
• Передача системы заказчику. Отдаём доступы и роли, регламент разбора спорных выдач, обучаем сотрудников отдела продаж. Дальше дилер сам меняет веса и добавляет сигналы.

Что передаём автодилеру: модели, схемы данных, регламенты

Передача системы — это не бинарный факт «у нас работает». Дилер получает модель, схему данных каталога, регламенты и правила доступа — то, по чему подбор можно развивать самостоятельно. Без этого система деградирует за пару месяцев: новые комплектации и цены не попадают в признаки, и менеджер видит рекомендации по снятым с производства версиям.

Схема данных и правила переобучения

• Обученная модель подбора: описание признаков, их весов и того, какие данные о запросах и сделках на неё влияют.
• Схема данных каталога: обязательные поля по модели, комплектации, опциям и наличию, правила валидации при загрузке.
• Схема интеграции с учётной системой: какие события — заявка, тест-драйв, отказ, покупка — возвращаются как обратная связь.
• Регламент переобучения: триггеры, периодичность, порядок выката новой версии и откат на предыдущую.
• Инструкции для менеджеров: как читать выдачу, какие сигналы считать сомнительными и как передать обратную связь.
• Регламент контроля качества: контрольные запросы, метрики попадания в целевые комплектации и порог дообучения.
• Правила доступа к данным: роли, разграничение персональных и обезличенных полей, журнал обращений к истории клиентов.

Пакет устроен так, чтобы заказчик мог проверить его без нас: сделать контрольные запросы, сверить выдачу с текущим каталогом и воспроизвести переобучение по регламенту. Пункт, который нечем подтвердить на приёмке, считается непереданным.

Кейс: как выросла доля записей на пробную поездку

Дилерский холдинг АвтоСфера — восемь площадок, каталог новых и подержанных машин — до внедрения отдавал всем одинаковую сортировку: по цене, году и пробегу. Клиент возвращался на сайт, но снова упирался в тот же список и до записи на тестовую поездку доходил редко.

Персонализацию собрали на событиях сессии: просмотры карточек, сравнения, применённые фильтры, сохранённые подборы. По ним считаем профиль предпочтений — тип кузова, коробка, привод, диапазон пробега, бюджетная полоса — и переранжируем каталог, блок «похожие» и подборки в письме. Целевое действие зашито в модель как сигнал: запись на тестовую поездку или вызов менеджера меняет вес признаков у похожих сессий.

Что изменилось в поведении клиентов

• Доля подборов, завершившихся записью на тестовую поездку — с 2,4% до 7,1% сессий с активным подбором. Рост дали не баннеры, а порядок выдачи: нужная комплектация попадала в первые карточки.
• Глубина просмотра каталога — с 7 до 15 карточек за сессию. Ускорение за счёт того, что отсев по нерелевантным кузовам и коробкам снимался до листания.
• Доля возвратов к незавершённому подбору в течение недели — с 11% до 27%. Сохранённый профиль подтягивается в новой сессии, поэтому клиент продолжает с того места, где остановился, а не начинает заново.

Результат внедрения мерили на контрольной группе, а не сравнением «до и после»: половина трафика видела базовое ранжирование, поэтому сезонные всплески спроса не приписали персонализации. Для сессий без истории работает холодный старт на агрегированных предпочтениях площадки, а отключение профиля возвращает обычную сортировку — откат не требует пересборки каталога.

Чем отличается рекомендательная модель от фильтров каталога

Фильтр отвечает на запрос, который клиент уже сформулировал: кузов, привод, класс, тип двигателя, комплектация. Он не знает, чего пользователь не выбрал, поэтому позиции, подходящие по сути, но не угаданные в панели фильтров, остаются за пределами выдачи — и уходят конкуренту.

Рекомендательная модель достраивает намерение по поведению: набор просмотренных карточек, время на фотогалерее, сравнение комплектаций, возврат к одной и той же модели с другого устройства. На выходе — не бинарный отбор «подходит/не подходит», а порядок, в котором каталог показывает наиболее вероятный следующий шаг клиента.

Второй слой — схожесть профилей покупателей. Если клиенты с похожим поведением и параметрами сделки останавливались на определённых конфигурациях, этот сигнал переносится на новичка, у которого ещё нет своей истории. Так закрывается холодный старт, а онлайн-поведение связывается с фактами сделок из учётных систем дилера (1С, CRM), а не только с кликами.

Встроить это в текущий сайт — не значит сносить фильтры: каталог и поиск остаются источником истины по складу, модель подключается отдельным слоем выдачи — блок на карточке, порядок в листинге, подборка для повторного касания. Переход без остановки продаж делаем через теневой режим: рекомендации считаются параллельно, показываются доле трафика, а их качество сравнивается с текущей выдачей на одинаковых сегментах.

Критерий приёмки — доля сессий, где открыт рекомендованный автомобиль, глубина просмотра, конверсия в тест-драйв именно по этим сессиям. Если сдвига нет, блок отключается одним переключателем, и сайт работает как прежде.

Частые технические вопросы по рекомендательным системам

Перед стартом проекта заказчики задают примерно одни и те же вопросы: сколько нужно истории сделок, что делать с редкими комплектациями, как обновлять выдачу, не останавливая продажи. Ниже — короткие ответы о том, как это решается на уровне модели и интеграции.

Что с редкими комплектациями — они выпадут из выдачи?

Нет. Для позиций с малым числом взаимодействий работает сходство по характеристикам: рекомендация строится через близкие по параметрам, но более популярные версии. Как только по редкой комплектации накапливаются собственные сигналы, её вес пересчитывается автоматически.

Как решается холодный старт нового клиента?

Первую сессию выдаём по правилам сегмента и локальной популярности моделей. Дальше подключаются поведенческие сигналы, и после нескольких осмысленных действий — сравнений и заявок — выдача перестраивается под конкретного человека.

Можно ли внедрить без остановки продаж?

Да. Рекомендательный сервис подключается к каталогу и учётной системе сбоку и не вмешивается в текущие процессы. Сначала идёт теневой режим: считаем выдачу, сравниваем с работающей, и только потом переключаем долю трафика — с возможностью вернуть прежнюю логику в любой момент.

Как понять, что модель деградирует?

Следим за долей откликов, глубиной просмотра карточек и расхождением расчётных метрик с фактическими. Устойчивое падение за окно наблюдения запускает переобучение по расписанию, а предыдущая версия остаётся доступной для отката.

Обсудим задачу: данные, интеграции, критерии приёмки

Оценка и план работ по персонализации опираются не на общие соображения, а на данные конкретного дилера. Чтобы вернуться с расчётом этапов и сроков, а не с уточняющими вопросами, к первому обсуждению достаточно принести то, что уже есть в каталоге, отчётах и учётной системе.

Что взять на первое обсуждение:

• Выгрузка каталога: модели, комплектации, опции, наличие и сроки поставки — база, на которой строится подбор.
• Статистика обращений за несколько месяцев: по каким моделям спрашивают, что предлагали в ответ, чем заканчивался диалог.
• Поведение на сайте: просмотры карточек, сравнения, использование конфигуратора, точки выхода.
• Перечень систем, куда должны попадать рекомендации: сайт, учётная система дилера, канал переписки с клиентом, данные о наличии.
• Критерии приёмки системы: какая доля показов признаётся релевантной, на каких данных это измеряется, кто со стороны дилера принимает результат.
• Ограничения: сроки, требования к обработке персональных данных, доступы к системам и кто их выдаёт.
• Ответственные: кто передаёт данные, кто согласует спорные случаи, кто работает с системой после запуска.

Если какой-то пункт недоступен — это не повод откладывать разговор. Скажите об этом сразу, и мы предложим, с чего начать проект: какие данные заменимы, а какие стоит собрать в первую очередь, чтобы оценка и план работ были реалистичными.