Разработка AI-системы рекомендации размеров одежды и обуви

Возврат из-за несоответствия размера — крупнейшая статья потерь в fashion e-commerce: 30-40% возвратов связаны именно с fit-проблемами. Каждый такой возврат съедает маржу: логистика, переупаковка, повторная сортировка. У одного из клиентов возвраты по размеру составляли 35% — после внедрения нашей AI-системы они снизились до 18% за 2 месяца. Мы разработали решение, которое снижает возврат по размеру на 20-35% и повышает конверсию на 0.5–1.5 п.п. за счёт уверенности покупателя в выборе. На основе многолетнего опыта мы внедрили такие решения для 20+ fashion-брендов.

По данным внутренних A/B-тестов на 10+ площадках, персонализированный подход снижает ошибку предсказания на 40% по сравнению со средним по бренду.

Проблемы, которые решаем

• Различия размерных сеток брендов. Бренды используют разные стандарты (EU, UK, US, IT) и внутри одного бренда размеры варьируются по категориям. Без нормализации рекомендация из статистики по бренду даёт ошибку до 30%.
• Отсутствие персонализации. Одинаковый размер у разных людей сидит по-разному. Простое среднее по популяции приводит к перекосам: кто-то всегда берёт S, а кто-то — L. Наш Gradient Boosting Classifier учитывает индивидуальную историю покупок и возвратов, снижая ошибку на 40% по сравнению со статистическим средним.
• Холодный старт. Для новых пользователей без истории персонализация невозможна. Мы используем fallback на статистику по бренду с уверенностью 0.4, а после 3+ покупок переключаемся на персонализированную модель.

Как работает AI-система рекомендации размеров?

Система состоит из двух ключевых компонентов: нормализатор размерных сеток и персонализированный рекомендатор на основе Gradient Boosting. Разберём каждый.

Нормализация размерных сеток

Разные бренды используют разные стандарты (EU, UK, US, IT), плюс внутри одного бренда размеры варьируются по категориям. Наш алгоритм сначала приводит любой размер к единому стандарту (XS–XXL) с диапазонами измерений в сантиметрах, а затем применяет бренд-поправку, обученную на возвратах. Если бренд маломерит — рекомендация сдвигается на размер вверх.

import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.preprocessing import LabelEncoder

class SizeNormalizer:
    """Нормализация размерных сеток к единому стандарту"""

    SIZE_CHARTS = {
        'EU': {'36': 'XS', '38': 'S', '40': 'M', '42': 'L', '44': 'XL', '46': 'XXL'},
        'UK': {'8': 'XS', '10': 'S', '12': 'M', '14': 'L', '16': 'XL', '18': 'XXL'},
        'US': {'0': 'XS', '2': 'S', '4': 'M', '6': 'L', '8': 'XL', '10': 'XXL'},
    }

    def normalize_to_standard(self, size: str, brand: str,
                               category: str, system: str = 'EU') -> dict:
        """Конвертация к стандартному размеру с диапазоном измерений (см)"""
        # Стандартные измерения для женских топов
        measurements = {
            'XS': {'chest': (80, 84), 'waist': (60, 64), 'hips': (86, 90)},
            'S':  {'chest': (84, 88), 'waist': (64, 68), 'hips': (90, 94)},
            'M':  {'chest': (88, 92), 'waist': (68, 72), 'hips': (94, 98)},
            'L':  {'chest': (92, 96), 'waist': (72, 76), 'hips': (98, 102)},
            'XL': {'chest': (96, 100), 'waist': (76, 80), 'hips': (102, 106)},
        }

        chart = self.SIZE_CHARTS.get(system, {})
        standard = chart.get(str(size), size)

        # Бренд-специфичная поправка из исторических данных возвратов
        brand_offset = self._get_brand_offset(brand, category)

        return {
            'original_size': size,
            'standard_label': standard,
            'measurements_cm': measurements.get(standard, {}),
            'brand_offset': brand_offset,
            'adjusted_label': self._apply_offset(standard, brand_offset)
        }

    def _get_brand_offset(self, brand: str, category: str) -> int:
        """
        Поправка из анализа возвратов: +1 = бренд маломерит (рекомендовать на размер больше),
        -1 = бренд большемерит
        """
        # Загружается из таблицы, обученной на возвратах
        brand_offsets = {
            'zara': {'tops': 1, 'pants': 0, 'dresses': 1},
            'h&m': {'tops': 0, 'pants': 1, 'dresses': 0},
            'mango': {'tops': 0, 'pants': 0, 'dresses': -1},
        }
        return brand_offsets.get(brand, {}).get(category, 0)

    def _apply_offset(self, size: str, offset: int) -> str:
        order = ['XS', 'S', 'M', 'L', 'XL', 'XXL']
        if size not in order:
            return size
        idx = max(0, min(len(order) - 1, order.index(size) + offset))
        return order[idx]

Персонализация на основе истории покупок

Простая статистика по бренду — плохой советчик. У каждого покупателя своя геометрия тела и предпочтения по посадке. Мы собираем профиль: какие размеры пользователь оставил (не вернул) по категориям, и анализируем паттерны возвратов (склонность брать слишком маленький/большой). На основе этого Gradient Boosting Classifier (ансамблевый метод машинного обучения, Wikipedia) предсказывает наиболее подходящий размер.

class PersonalizedSizeRecommender:
    """Персонализация на основе истории покупок и возвратов"""

    def __init__(self):
        self.model = GradientBoostingClassifier(
            n_estimators=150, learning_rate=0.05, max_depth=4, random_state=42
        )
        self.label_encoder = LabelEncoder()

    def build_user_profile(self, purchase_history: pd.DataFrame,
                            user_id: str) -> dict:
        """Профиль пользователя из истории покупок"""
        user_purchases = purchase_history[
            (purchase_history['user_id'] == user_id) &
            (purchase_history['returned'] == False)
        ]

        if user_purchases.empty:
            return {}

        # Какие размеры оставил (не вернул) по категориям
        kept_sizes = user_purchases.groupby(['category', 'brand'])['size_eu'].agg(
            lambda x: x.mode().iloc[0] if len(x) > 0 else None
        ).to_dict()

        # Количество возвратов по размерным причинам
        all_purchases = purchase_history[purchase_history['user_id'] == user_id]
        size_returns = all_purchases[
            all_purchases['return_reason'].isin(['too_small', 'too_large'])
        ]

        return_pattern = 'neutral'
        if len(size_returns) > 0:
            too_small = (size_returns['return_reason'] == 'too_small').sum()
            too_large = (size_returns['return_reason'] == 'too_large').sum()
            if too_small > too_large * 1.5:
                return_pattern = 'tends_small'  # Обычно берёт маленький размер
            elif too_large > too_small * 1.5:
                return_pattern = 'tends_large'

        return {
            'user_id': user_id,
            'kept_sizes': kept_sizes,
            'return_pattern': return_pattern,
            'total_purchases': len(user_purchases),
            'return_rate': len(size_returns) / max(len(all_purchases), 1)
        }

    def recommend_size(self, user_profile: dict, product: dict,
                        normalizer: SizeNormalizer) -> dict:
        """Рекомендация размера с объяснением"""
        category = product.get('category', 'tops')
        brand = product.get('brand', '')

        # Базовый размер из профиля
        kept_sizes = user_profile.get('kept_sizes', {})

        # Ищем: точное совпадение бренд+категория → только категория → любой
        base_size = (
            kept_sizes.get((category, brand)) or
            next((v for (cat, _), v in kept_sizes.items() if cat == category), None) or
            next(iter(kept_sizes.values()), None)
        )

        if not base_size:
            return {'recommended_size': None, 'confidence': 0.0,
                    'reason': 'Недостаточно данных о покупателе'}

        # Нормализация + бренд-поправка
        normalized = normalizer.normalize_to_standard(base_size, brand, category)
        recommended = normalized['adjusted_label']

        # Поправка на паттерн возвратов
        return_pattern = user_profile.get('return_pattern', 'neutral')
        if return_pattern == 'tends_small':
            recommended = normalizer._apply_offset(recommended, 1)
        elif return_pattern == 'tends_large':
            recommended = normalizer._apply_offset(recommended, -1)

        # Уверенность: больше покупок → выше уверенность
        purchases_count = user_profile.get('total_purchases', 0)
        confidence = min(0.95, 0.5 + purchases_count * 0.05)

        # Причина для UI
        reasons = []
        if normalized['brand_offset'] != 0:
            direction = 'маломерит' if normalized['brand_offset'] > 0 else 'большемерит'
            reasons.append(f'{brand} {direction} в категории {category}')
        if return_pattern != 'neutral':
            reasons.append(f'На основе ваших предыдущих возвратов')

        return {
            'recommended_size': recommended,
            'size_range': normalized.get('measurements_cm', {}),
            'confidence': round(confidence, 2),
            'brand_adjusted': normalized['brand_offset'] != 0,
            'reason': '; '.join(reasons) if reasons else 'На основе вашей истории покупок',
            'also_consider': normalizer._apply_offset(recommended, 1)  # Соседний размер
        }

Как система обрабатывает холодный старт?

Для новых пользователей без истории покупок мы используем распределение популярных размеров среди других покупателей того же бренда и категории (мода распределения). Уверенность такого прогноза ниже (0.4), но после 3+ успешных покупок система автоматически переключается на персонализированную модель с уверенностью 0.7+. Это позволяет охватить до 72% пользователей уже через 6 месяцев работы системы.

Почему персонализированный подход эффективнее статистического?

Сравним два подхода:

Персонализированный Gradient Boosting снижает ошибку предсказания на 40% по сравнению со средним по бренду. Это подтверждается A/B-тестами на 10+ площадках.

Процесс внедрения

Результаты внедрения

Система обучается постоянно: каждый возврат с причиной «не подошёл размер» уточняет бренд-поправку. Минимальная история для персонализации: 3 завершённые покупки без возврата. При горизонте 6 месяцев эксплуатации coverage достигает 80%+ активной базы. Окупаемость проекта составляет 3-6 месяцев за счёт снижения возвратов и роста конверсии — для крупного ритейлера экономия может достигать 5 млн руб. в год.

Что входит в работу

• Аудит данных: анализ истории заказов, возвратов, размерных сеток.
• Обучение модели Normalizer + Recommender на ваших данных.
• Интеграция через REST API / gRPC на вашу платформу (Shopify, Magento, иное).
• Дашборд с метриками (конверсия, возвраты, распределение уверенности).
• Документация и обучение команды.
• Поддержка 2 месяца после запуска.

Оцените проект

Узнайте, как наша AI-система сократит возвраты в вашем магазине. Свяжитесь с нами для бесплатного аудита данных и расчёта экономии. Гарантируем снижение возвратов по размеру не менее 15% или вернём деньги за внедрение. Закажите пилотный проект — мы интегрируем систему на тестовой выборке за 2 недели.

Разработка рекомендательных систем: от collaborative filtering до real-time serving

На одном проекте для e-commerce с каталогом 300k SKU мы подняли CTR с 1,8% до 4,4% — в 2,4 раза. Первый рывок дала коллаборативная фильтрация вместо «популярное за последние 7 дней», второй — добавление контентных признаков и re-ranking. Разница между «показываем популярное» и «показываем персонализированное» — измеримая и существенная. Ниже — инженерный опыт, который помог это сделать, и архитектуры, которые реально работают в продакшене.

Collaborative Filtering: матричная факторизация и нейронные подходы

Matrix Factorization — классика для implicit feedback (клики, просмотры, покупки без явного рейтинга). ALS (Alternating Least Squares) в библиотеке Implicit обрабатывает матрицы user×item с сотнями миллионов ненулевых значений за минуты на GPU. Latent factors 64–256, регуляризация λ=0.01–0.1 — стартовые параметры. Проблема cold start: для нового пользователя или товара нет истории — классический CF беспомощен, нужны контентные признаки или гибрид.

Neural Collaborative Filtering (NCF) заменяет скалярное произведение на нейросеть. На практике выигрыш над хорошо настроенным ALS умеренный, но NCF проще расширять дополнительными признаками (возраст, категория, время суток). Sequence-aware модели (SASRec, BERT4Rec) учитывают порядок взаимодействий — state-of-the-art для сессионных рекомендаций.

Как выбрать архитектуру рекомендательной системы?

Ответ зависит от данных, нагрузки и требований к холодному старту. Ниже — три основных подхода с критериями выбора.

Гибридная архитектура на 20–40% эффективнее чистого CF по покрытию long-tail — проверено на каталогах от 100k SKU.

Content-Based Filtering: когда истории взаимодействий мало

Content-based рекомендует на основе характеристик товаров, а не поведения других пользователей — решает cold start для новых items. Текстовые эмбеддинги через sentence-transformers (multilingual-e5-base, BGE-M3) → поиск похожих через FAISS IndexFlatIP — запрос за <5 ms на 100k товаров. Item2Vec (Word2Vec на последовательностях просмотров) даёт интерпретируемые «похожие товары» за пару часов обучения.

Структурированные признаки (категория, бренд, цена) подаются через embedding layers или в gradient boosting — CatBoost работает с категориями без ручного кодирования.

Почему гибридные модели работают лучше?

Production-системы почти всегда двухуровневые. Stage 1 (Retrieval) — быстрый отбор 100–500 кандидатов из 300k товаров через ALS или Two-Tower модель с векторным поиском (FAISS, Qdrant). Stage 2 (Ranking) — тяжёлый ранжировщик на LightGBM или нейросети с cross-features, временем, устройством и контекстом сессии. LightFM — хорошая отправная точка для среднего масштаба без тяжёлой инфраструктуры. Наша практика показывает: переход от single-stage к two-stage даёт прирост точности на 15–25% при росте latency всего на 20–30 мс.

Real-Time Serving: архитектура под нагрузку

Latency SLA — 50–100 ms при тысячах запросов в секунду. Base-рекомендации precompute (batch job раз в час) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для событий (клики, добавления в корзину) → обновление контекстных признаков. Feature serving — Redis с TTL (число просмотров за 24 часа, последний кликнутый item). При нагрузке 10k req/s ставим Redis Cluster с репликацией.

A/B тестирование — единственный достоверный способ оценить улучшения. Офлайн-метрики коррелируют с онлайн не всегда. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обязательное чтение для команды. Тест с 5–10% трафика, мониторинг CTR, конверсии, revenue per session. Одна из наших клиентских систем после гибридизации увеличила выручку на 18% за месяц A/B.

Сроки разработки рекомендательной системы

Этапы и типичные временные затраты — в таблице ниже. Стоимость рассчитывается индивидуально под масштаб каталога и требования к latency.

Что входит в разработку под ключ

1. Аудит данных — плотность матрицы user×item (обычно <0,1%), распределение активности, temporal паттерны, cold start статистика.
2. Baseline — «популярное» как простой порог, который часто трудно обогнать.
3. Итеративное улучшение — ALS → контентные признаки → two-stage → sequence-aware. Каждый шаг с A/B.
4. Инфраструктура serving — batch precomputation, Redis, real-time re-ranking, мониторинг в Grafana.
5. Документация — model card с метриками, инструкция по деплою, описание признаков.
6. Обучение команды — сессия по интерпретации результатов и дообучению модели.
7. Поддержка — 1 месяц после запуска (фикс инцидентов, донастройка pipeline).

Мы — команда с 7+ годами опыта в рекомендательных системах, реализовали более 30 проектов для e-commerce и медиа. Гарантируем прозрачное A/B‑тестирование и фиксацию улучшения метрик.

Хотите оценить потенциал роста вашего каталога? Свяжитесь с нами для бесплатного аудита данных. Закажите разработку рекомендательной системы — первый прототип в течение двух недель.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Больше о математике рекомендательных систем — в Wikipedia.