Как size recommendation engine сократил возвраты обуви на 40% — кейс производителя

Введение

Розничные продажи обуви в онлайне сопровождаются высокой долей возвратов — частая причина: неправильный выбор размера. В данном кейсе рассматривается процесс внедрения size recommendation engine (SRE) у среднего производителя обуви, который специализируется на спортивной и городской обуви. В результате внедрения возвраты уменьшились на 40%, повысилась удовлетворённость клиентов и выросла окупаемость маркетинга.

Проблема

Перед внедрением SRE производитель сталкивался с несколькими ключевыми проблемами:

• Высокий процент возвратов по причине несоответствия размера (до 28% всех заказов).
• Большие операционные издержки на обработку возвратов и повторные отправки.
• Низкая конверсия: покупатели сомневались и часто покидали корзину.
• Негативные отзывы и снижение LTV (lifetime value) клиентов.

Цели проекта

Компания поставила конкретные и измеримые цели:

1. Снизить возвраты по размеру на 30–50% в течение 6–12 месяцев.
2. Повысить конверсию на 5–10% за счёт уменьшения неуверенности покупателей.
3. Уменьшить операционные затраты на обработку возвратов.
4. Повысить средний чек и повторные покупки за счёт лучшего опыта.

Выбор и подготовка системы

Тип решения

Было рассмотрено три подхода:

• Простые таблицы с размерами и рекомендациями по брендам.
• Правила на основе размеров стопы (длина + ширина) и материалов обуви.
• Машинное обучение — size recommendation engine, использующее данные о предыдущих покупках, возвратах, отзывах и параметрах стопы.

Компания выбрала комбинацию правил и машинного обучения: SRE как гибридное решение, которое могло обучаться на внутренних данных, но при этом учитывать бизнес-правила (например, особенности конкретных колодок).

Сбор данных

Для обучения были собраны следующие данные:

Архитектура решения

Кратко: модуль сбора данных → ETL и очистка → обучаемая модель рекомендаций → API интеграция с витриной и мобильным приложением → сбор фидбэка в реальном времени.

Ключевые компоненты

• Предобработка: нормализация размеров, унификация причин возвратов.
• Модель рекомендаций: ансамбль — коллаборативная фильтрация + градиентный бустинг по признакам покупателя и товара.
• Интерфейс: всплывающие подсказки, калькулятор размера с вводом длины стопы и возможностью сравнить с похожими покупателями.
• Механизмы A/B тестирования: для оценки эффектов отдельных функций.

Процесс внедрения

Внедрение прошло поэтапно:

1. Пилот на 10% трафика и 20% ассортимента (модели, где было больше данных).
2. Сбор метрик: процент возвратов, конверсия, NPS, средний чек.
3. Итерации: доработка интерфейса и модели на основе тестов и обратной связи.
4. Полный запуск после подтверждения гипотез и достижения KPI.

Результаты

Через 9 месяцев после начала проекта производитель получил следующие результаты:

Экономический эффект

Компания оценила прямую экономию на возвратах и логистике: уменьшение возвратов на 40% дало экономию около 250 000 руб. в месяц в пересчёте на логистику, проверки, повторную отправку и перевыполнение заказов (на примере производителя со 100 000 заказов в год). ROI на проект достигнут через 10 месяцев.

Практические примеры

Пример 1: модель «Городской кроссовок»

Перед внедрением многие покупатели жаловались: «маломерит». SRE на основе отзывов, возвратов и замеров стоп рекомендовал брать на 0.5 размера больше для людей с длиной стопы 255–260 мм. После рекомендации возвраты у этой модели снизились с 22% до 12%.

Пример 2: кожаные ботинки

Кожаная колодка даёт небольшой «посадочный эффект» после носки. Система стала рекомендовать стандартный размер покупателям с низким подъёмом и брать +0.5 для тех, у кого подъём средний/высокий. Это помогло избежать негатива и возвратов по причине «туго сидят».

Ошибки и сложности

Не обошлось и без проблем:

• Нехватка данных по редким моделям — их рекомендации были менее точны.
• Сопротивление команды поддержки — они боялись автоматизации принятия решений.
• Проблемы с вводом данных клиентами (неточные измерения стопы).

Эти проблемы решались обучением персонала, постепенным расширением покрытия модели и внедрением подсказок в интерфейсе (как правильно измерить стопу — простая инструкция с картинками и видео). Также были реализованы механизмы доверия: отображение вероятности успешной посадки и статистики по похожим клиентам.

Ключевые выводы

• SRE работает лучше всего как гибридная система: модель + правила от производителя.
• Качество входных данных критично: чем больше историй покупок и возвратов, тем точнее рекомендации.
• UX-интеграция (удобный калькулятор, объяснения пользователю) повышает принятие рекомендаций.
• A/B тестирование обязателено — только оно даёт уверенность в реальном эффекте.

Таблица: Сравнение подходов к рекомендациям

Мнение автора

«Инвестиции в интеллектуальные рекомендации по размеру — одна из самых быстрых и ощутимых мер для снижения возвратов у производителей обуви. Это не только экономия на логистике, но и улучшение клиентского опыта, что в долгосрочной перспективе повышает лояльность и доходы.»

Советы для других производителей

1. Начните с пилота: тестируйте на популярных моделях и сегментах покупателей.
2. Собирайте качественные данные: поощряйте клиентов оставлять комментарии о посадке и измерять стопу.
3. Интегрируйте рекомендации в процесс покупки: калькулятор размера, видимые подсказки и объяснения.
4. Используйте гибридный подход: объединяйте правила бизнеса с алгоритмами машинного обучения.
5. Анализируйте и пересматривайте: регулярно обновляйте модель и бизнес-правила по мере поступления данных.

Заключение

Кейс показывает, что внедрение size recommendation engine для производителя обуви — это эффективный инструмент снижения возвратов и улучшения коммерческих показателей. Снижение возвратов по размеру на 40% подтверждает: при правильной подготовке данных, грамотной интеграции в пользовательский интерфейс и поэтапном развертывании проект окупается и повышает лояльность покупателей.

Внедрение таких систем требует времени, внимания к данным и координации между отделами (маркетинг, IT, логистика, служба поддержки), но результат в виде экономии и улучшения репутации часто превосходит затраты. Для производителей обуви это один из приоритетных направлений цифровой трансформации.