Алгоритм заметил, что вместе с ноутбуками часто покупают зарядные устройства, и добавил популярную зарядку в письмо. Но у неё недостаточная мощность или неподходящий протокол. Совместная покупка в данных показывает связь товаров, однако не подтверждает техническую совместимость конкретной пары.

Совместимость — выполнение определённых требований для совместного использования. Она зависит от модели, версии, размера, разъёма, мощности и других характеристик. Для CRM это обязательное ограничение, внутри которого уже выбирается привлекательное предложение.

Разведите похожие и совместимые товары

Похожий товар может быть альтернативой, которую покупают вместо исходного. Сопутствующий — дополнением, которое используют вместе. Совместимый — подходящим по проверяемым требованиям. Эти отношения могут пересекаться, но не являются синонимами.

Общая архитектура рекомендательных систем, описанная Google, разделяет получение кандидатов, оценку и окончательную обработку с ограничениями. Практическое применение для совместимости — не разрешать модели отменять обязательную проверку товара ради высокого рейтинга.

Создайте проверяемую связь в каталоге

Вариант товара должен иметь устойчивый идентификатор. Для зависимых аксессуаров храните, с какими моделями они работают и при каких условиях. Если требуется переходник или определённая версия устройства, это часть связи, а не примечание, которое можно потерять при передаче в CRM.

Источник совместимости определяет категорийная или техническая команда по проверенной информации производителя и результатам необходимых проверок. CRM-команда отвечает за применение правила. Генерация текста моделью не заменяет подтверждение совместимости.

Разделяйте состояния «совместим», «несовместим» и «неизвестно». Отсутствие запрета не является положительным подтверждением. При неизвестной модели клиента предложите подбор, а не обещание «точно подходит».

Условный пример с фильтром

Магазин знает, что клиент купил принтер серии P200. В рекомендациях есть три картриджа. Первый подтверждён для P200, второй подходит только к P300, у третьего список поддерживаемых моделей не заполнен.

В блок «Картриджи для вашего принтера» попадает только первый. Второй исключается как несовместимый. Третий может быть рассмотрен после проверки каталога, но не проходит автоматически из-за отсутствующих данных. Если первый отсутствует, письмо не должно заменять его вторым только ради заполнения карточки.

Учитывайте контекст владения

История покупки устройства ещё не доказывает, что человек им пользуется: заказ мог быть подарком или возвращён. Для предложения, зависящего от владения, проверьте завершение покупки, возврат и известный контекст получателя.

Клиент также мог заменить устройство в другом магазине. Поэтому полезно дать возможность изменить модель или выбрать другую. Объяснение «Подходит к модели, которую вы указали» точнее, чем безусловное обещание знания всей техники человека.

Проверьте все ветки выдачи

Ограничения совместимости должны работать в основной модели, ручных подборках, запасном контенте и повторных попытках после ошибки. Проверяется не только идентификатор, но и соответствие картинки, названия, ссылки и описания выбранному варианту.

Составьте набор известных совместимых и несовместимых пар, включая близкие названия и разные поколения одного устройства. Отдельные случаи — пропущенное значение, устаревшая связь и изменение каталога между сборкой и отправкой.

Для сообщения с несколькими основными товарами убедитесь, что принадлежность аксессуара понятна читателю. Четыре карточки под двумя устройствами могут создать ложное впечатление, что любой аксессуар подходит к обоим.

Что считать результатом

Число ошибочных рекомендаций и возвратов по причине несовместимости — ключевые показатели качества процесса. Увеличение кликов не компенсирует их рост.

Дополнительную коммерческую пользу подбора оценивают среди допустимых вариантов, не оставляя заведомо ошибочную выдачу ради контроля. Считайте весь вклад заказа после возвратов и сервисных расходов. Рабочая система умеет рекомендовать меньше товаров, когда надёжных вариантов мало, и не подменяет неизвестность уверенным рекламным обещанием.

Источники

Google. Recommendation systems overview. Machine Learning. Recommendation Systems. Проверено 22.09.2026.