После обновления рекомендаций кликов стало больше. Маркетинг объявляет победу, но финансовый отчёт показывает снижение вклада. В блок начали чаще попадать дешёвые товары с глубокой скидкой: они хорошо привлекают внимание, но оставляют мало денег после исполнения заказа.

Целевая функция модели — показатель, который она старается улучшить при выборе товаров. Если модель учится предсказывать клики, она не получает автоматического задания максимизировать прибыль. Даже вероятность покупки не учитывает размер вклада и влияние рекомендации на остальные позиции корзины.

Уточните, что именно оптимизируется

В Amazon Personalize для определённых алгоритмов можно добавить цель по числовому атрибуту товара наряду с релевантностью. Документация объясняет баланс этой цели и вероятности взаимодействия. Такая настройка не равна готовой причинной модели прибыли: высокий атрибут цены или маржи ещё не означает большой дополнительный результат.

Попросите разработчика описать входные данные, целевое событие и формулу ранжирования. «Оптимизация выручки» может означать очень разные вещи: выбор дорогих товаров, прогноз суммы заказа или проверенный прирост общей выручки.

Выберите уровень экономического результата

Считайте вклад всего заказа и последующего поведения за согласованный срок. Рекомендация одного товара может заменить более прибыльный, изменить доставку или привести к дополнительному возврату. Маржа карточки не охватывает эти последствия.

Практическая метрика — маржинальный доход на назначенного участника после скидок, возвратов, себестоимости и определённых переменных расходов. Расходы на контакты и эксплуатацию модели учитываются отдельно, если ещё не вошли в показатель. Состав затрат одинаков для сравниваемых групп.

Условный пример двух выдач

В каждой группе 10 000 участников. Новая выдача дала 900 кликов и 180 заказов, прежняя — 700 кликов и 170 заказов. Средний вклад заказа после оговорённых затрат составил 300 и 400 рублей соответственно.

Итоговый вклад — 54 000 против 68 000 рублей. Новая выдача увеличила клики и число заказов, но в этом условном расчёте проиграла 14 000 рублей. Для реального вывода нужны данные по всем покупкам, одинаковое окно и оценка неопределённости. Если показанные заказы отобраны только по клику, сравнение может пропустить влияние на остальные покупки.

Как изменить правило без опасного упрощения

Начните с обязательных ограничений: наличие, совместимость, допустимые условия и качество предложения. Затем можно проверять ожидаемый вклад как дополнительный критерий. Формула «вероятность покупки × вклад при покупке» полезна для предварительного ранжирования, но она всё ещё прогнозирует исход, а не его прирост из-за показа.

Не подставляйте нулевую маржу вместо неизвестной и не выбирайте бесконечно дорогой товар из-за большой абсолютной прибыли. Неизвестность должна быть видна, а релевантность и доступность оставаться частью решения.

При использовании прошлых возвратов учитывайте время их появления. Проверка на истории без утечки будущего должна воспроизводить сведения, доступные к моменту рекомендации. Модель, обученная на окончательных результатах заказов, должна применять признаки, которые были доступны при рекомендации, а не сведения, возникшие позже.

Проверьте новую цель онлайн

Сравните новую и прежнюю допустимые политики на случайно назначенных клиентах. Сохраняйте число слотов, канал и частоту, если хотите проверить именно логику подбора. Зафиксируйте основную метрику и ограничения до старта.

Историческая точность предсказания клика пригодна для предварительного отбора моделей, но не заменяет проверку реального результата. У модели может быть хорошая точность на старых показах и слабая способность находить новые полезные покупки.

Как оформить задание команде

В бриф включите действие модели, бизнес-метрику, состав затрат, окно результата, ограничения и вариант для сравнения. Отдельно задайте диагностические показатели: клики, конверсию, размер корзины и возвраты.

Если прибыль оценивается с задержкой, предварительный отчёт должен так и называться. Не переключайте цель обратно на клики только ради быстрого красивого числа. Решение о запуске принимается по той экономике, ради которой рекомендательная система вообще меняется.

Источники

Amazon Web Services. Optimizing a solution for an additional objective. Amazon Personalize Developer Guide. Проверено 22.09.2026.