Розробка AI-системи рекомендації розмірів одягу та взуття

Повернення через невідповідність розміру — найбільша стаття втрат у fashion e-commerce: 30-40% повернень пов'язані саме з fit-проблемами. Кожне таке повернення з'їдає маржу: логістика, перепакування, повторне сортування. В одного з клієнтів повернення за розміром становили 35% — після впровадження нашої AI-системи вони знизилися до 18% за 2 місяці. Ми розробили рішення, яке знижує повернення за розміром на 20-35% і підвищує конверсію на 0.5–1.5 п.п. завдяки впевненості покупця у виборі. На основі багаторічного досвіду ми впровадили такі рішення для 20+ fashion-брендів.

За даними внутрішніх A/B-тестів на 10+ майданчиках, персоналізований підхід знижує помилку передбачення на 40% порівняно із середнім по бренду.

Проблеми, які вирішуємо

• Відмінності розмірних сіток брендів. Бренди використовують різні стандарти (EU, UK, US, IT) і всередині одного бренду розміри варіюються за категоріями. Без нормалізації рекомендація зі статистики по бренду дає помилку до 30%.
• Відсутність персоналізації. Однаковий розмір у різних людей сидить по-різному. Просте середнє по популяції призводить до перекосів: хтось завжди бере S, а хтось — L. Наш Gradient Boosting Classifier враховує індивідуальну історію покупок і повернень, знижуючи помилку на 40% порівняно зі статистичним середнім.
• Холодний старт. Для нових користувачів без історії персоналізація неможлива. Ми використовуємо fallback на статистику по бренду з впевненістю 0.4, а після 3+ покупок перемикаємося на персоналізовану модель.

Як працює AI-система рекомендації розмірів?

Система складається з двох ключових компонентів: нормалізатор розмірних сіток і персоналізований рекомендатор на основі Gradient Boosting. Розберемо кожен.

Нормалізація розмірних сіток

Різні бренди використовують різні стандарти (EU, UK, US, IT), плюс всередині одного бренду розміри варіюються за категоріями. Наш алгоритм спочатку приводить будь-який розмір до єдиного стандарту (XS–XXL) з діапазонами вимірів у сантиметрах, а потім застосовує бренд-поправку, навчену на поверненнях. Якщо бренд маломірить — рекомендація зсувається на розмір вгору.

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

class SizeNormalizer:
    """Нормалізація розмірних сіток до єдиного 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:
        """Конвертація до стандартного розміру з діапазоном вимірів (см)"""
        # Стандартні виміри для жіночих топів
        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-специфічна поправка з історичних даних повернень
        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 з аналізу повернень: +1 = бренд маломірить (рекомендувати на розмір більше),
        -1 = бренд більшомірить
        """
        # Завантажується з таблиці, навченої на поверненнях
        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]

Персоналізація на основі історії покупок

Проста статистика по бренду — поганий порадник. У кожного покупця своя геометрія тіла та вподобання щодо посадки. Ми збираємо профіль: які розміри користувач залишив (не повернув) за категоріями, і аналізуємо патерни повернень (схильність брати занадто маленький/великий). На основі цього Gradient Boosting Classifier (ансамблевий метод машинного навчання, Wikipedia) передбачає найбільш підходящий розмір.

class PersonalizedSizeRecommender:
    """Персоналізація на основі історії покупок і повернень"""

    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:
        """Профіль користувача з історії покупок"""
        user_purchases = purchase_history[
            (purchase_history['user_id'] == user_id) &
            (purchase_history['returned'] == False)
        ]

        if user_purchases.empty:
            return {}

        # Які розміри залишив (не повернув) за категоріями
        kept_sizes = user_purchases.groupby(['category', 'brand'])['size_eu'].agg(
            lambda x: x.mode().iloc[0] if len(x) > 0 else None
        ).to_dict()

        # Кількість повернень за розмірними причинами
        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'  # Зазвичай бере малий розмір
            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:
        """Рекомендація розміру з поясненням"""
        category = product.get('category', 'tops')
        brand = product.get('brand', '')

        # Базовий розмір з профілю
        kept_sizes = user_profile.get('kept_sizes', {})

        # Шукаємо: точний збіг бренд+категорія → тільки категорія → будь-який
        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': 'Недостатньо даних про покупця'}

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

        # Поправка на патерн повернень
        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)

        # Впевненість: більше покупок → вища впевненість
        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 = 'маломірить' if normalized['brand_offset'] > 0 else 'більшомірить'
            reasons.append(f'{brand} {direction} у категорії {category}')
        if return_pattern != 'neutral':
            reasons.append('На основі ваших попередніх повернень')

        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 основі вашої історії покупок',
            'also_consider': normalizer._apply_offset(recommended, 1)  # Сусідній розмір
        }

Як система обробляє холодний старт?

Для нових користувачів без історії покупок ми використовуємо розподіл популярних розмірів серед інших покупців того ж бренду та категорії (мода розподілу). Впевненість такого прогнозу нижча (0.4), але після 3+ успішних покупок система автоматично перемикається на персоналізовану модель з впевненістю 0.7+. Це дозволяє охопити до 72% користувачів вже через 6 місяців роботи системи.

Чому персоналізований підхід ефективніший за статистичний?

Порівняємо два підходи:

Персоналізований Gradient Boosting знижує помилку передбачення на 40% порівняно із середнім по бренду. Це підтверджується A/B-тестами на 10+ майданчиках.

Процес впровадження

Результати впровадження

Система навчається постійно: кожне повернення з причиною «не підійшов розмір» уточнює бренд-поправку. Мінімальна історія для персоналізації: 3 завершені покупки без повернення. При горизонті 6 місяців експлуатації coverage досягає 80%+ активної бази. Окупність проекту становить 3-6 місяців за рахунок зниження повернень та зростання конверсії — для великого рітейлера економія може досягати 5 млн грн на рік.

Що входить в роботу

• Аудит даних: аналіз історії замовлень, повернень, розмірних сіток.
• Навчання моделі Normalizer + Recommender на ваших даних.
• Інтеграція через REST API / gRPC на вашу платформу (Shopify, Magento, інше).
• Дашборд з метриками (конверсія, повернення, розподіл впевненості).
• Документація та навчання команди.
• Підтримка 2 місяці після запуску.

Оцініть проект

Дізнайтеся, як наша AI-система скоротить повернення у вашому магазині. Зв'яжіться з нами для безкоштовного аудиту даних та розрахунку економії. Гарантуємо зниження повернень за розміром не менше 15% або повернемо гроші за впровадження. Замовте пілотний проект — ми інтегруємо систему на тестовій вибірці за 2 тижні.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

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

Більше про математику рекомендаційних систем — у Wikipedia.