Rekomendacje podobne produkty (AI) - jak działają i dlaczego zwiększają koszyk

Klient ogląda w sklepie sportowe buty do biegania. Pod kartą produktu widzi sekcję "Podobne produkty" — pięć par w tej samej kategorii, posortowanych alfabetycznie. Żadna nie pasuje do tego, co akurat przegląda: inny typ nawierzchni, inna waga buta, kompletnie inny przedział cenowy. Klient zamyka kartę. Sprzedaż krzyżowa, która miała się wydarzyć, nie wydarzyła się.

To najczęstszy sposób, w jaki sklepy internetowe psują sobie rekomendacje produktowe: budują je na regule "ta sama kategoria" zamiast na faktycznym podobieństwie produktów. Rekomendacje oparte na AI (embeddingach) rozwiązują dokładnie ten problem — i to bez ręcznego definiowania reguł dla każdej kategorii z osobna.

Dlaczego rekomendacje "ta sama kategoria" nie działają

Najprostszy sposób na zbudowanie sekcji "podobne produkty" to zapytanie SQL: pokaż inne produkty z tej samej kategorii, ewentualnie tej samej marki. Działa, ale ma poważną wadę — kategoria to za mało informacji, żeby ocenić prawdziwe podobieństwo.

• •Kategoria "buty sportowe" zawiera wszystko. Buty do biegania po asfalcie, buty treningowe na siłownię, buty do koszykówki. Klient oglądający jedno nie chce koniecznie zobaczyć wszystkich pozostałych.
• •Sortowanie przypadkowe lub po dacie dodania. Bez dodatkowej logiki rekomendacje pokazują to, co akurat jest w bazie, a nie to, co faktycznie pasuje.
• •Zero uwzględnienia opisu i cech produktu. Dwa produkty w tej samej kategorii mogą się różnić przeznaczeniem, materiałem czy stylem bardziej niż dwa produkty z sąsiednich kategorii.

Jak działają rekomendacje oparte na AI

Mechanizm jest ten sam, co w semantic search: model językowy zamienia nazwę, opis i kategorię każdego produktu na wektor — listę liczb reprezentującą jego znaczenie w wielowymiarowej przestrzeni. Produkty o zbliżonym znaczeniu mają wektory blisko siebie, niezależnie od tego, czy formalnie należą do tej samej kategorii.

Kiedy klient ogląda konkretny produkt, silnik po prostu szuka innych produktów, których wektory leżą najbliżej wektora oglądanego produktu. To nazywa się wyszukiwaniem najbliższych sąsiadów i dzieje się w milisekundach, bo wektory produktów są policzone raz, przy dodaniu do indeksu — nie przy każdym wyświetleniu karty produktu.

Problem, o którym mało kto mówi: zbyt oczywiste rekomendacje

Samo podobieństwo wektorowe ma pułapkę. Najbliższymi sąsiadami czarnego swetra w rozmiarze M są zwykle te same swetry w innych rozmiarach albo kolorach. Technicznie to trafne rekomendacje, praktycznie bezużyteczne — klient już widzi ten produkt, nie potrzebuje go pięć razy w karuzeli.

Oba parametry powinny być regulowalne, nie zaszyte na sztywno w kodzie — różne sklepy i różne kategorie produktowe potrzebują innej równowagi między "pokaż warianty tego samego modelu" a "pokaż coś pokrewnego, ale innego".

Gdzie umieścić rekomendacje i jak to wygląda dla klienta

Najczęstsze i najskuteczniejsze umiejscowienie to karuzela lub siatka pod główną kartą produktu, widoczna bez przewijania całej strony. Dobra implementacja pokazuje przy najechaniu na miniaturkę produktu w wynikach wyszukiwania dodatkową ikonę "podobne produkty" — klient może sprawdzić alternatywy bez wchodzenia w kartę produktu i wracania do listy.

To o tyle istotne, że skraca ścieżkę do zakupu. Klient, który nie jest przekonany do konkretnego produktu, ale jest zainteresowany kategorią, dostaje alternatywy w jednym kliknięciu, zamiast wracać do wyszukiwarki i formułować nowe zapytanie.

Dlaczego to realnie podnosi wartość koszyka

• •Naturalny cross-sell bez dodatkowej logiki merchandisingowej. Klient zainteresowany jedną kategorią widzi produkty komplementarne lub alternatywne, bez konieczności ręcznego wiązania produktów przez administratora sklepu.
• •Ratowanie sprzedaży, gdy produkt jest niedostępny. Klient trafiający na wyczerpany produkt zamiast pustej strony "brak w magazynie" widzi trafne alternatywy, które faktycznie może kupić.
• •Dłuższa sesja, więcej odsłon produktów. Trafne rekomendacje zachęcają do dalszego przeglądania katalogu zamiast wyjścia po obejrzeniu jednej karty.
• •Odkrywanie produktów spoza pierwotnego zapytania. Klient, który przyszedł po jeden konkretny produkt, wychodzi świadomy istnienia kilku innych, o których wcześniej nie wiedział.

Jak to wygląda w SwiftSearch

W SwiftSearch rekomendacje "podobne produkty" korzystają z tego samego modelu AI, co semantic search — porównują znaczenie produktów, a nie tylko przynależność do kategorii. Konfiguracja odbywa się z panelu, bez ingerencji w kod sklepu:

Funkcja jest dostępna w planach z obsługą semantic search — ten sam model AI odpowiada za jedno i drugie, więc nie ma dodatkowej infrastruktury do utrzymania ani osobnego klucza API do skonfigurowania.

Podsumowanie

Rekomendacje "podobne produkty" oparte na regule "ta sama kategoria" to rozwiązanie, które łatwo wdrożyć i trudno naprawić — bez faktycznego zrozumienia podobieństwa produktów karuzela pod kartą produktu jest w najlepszym razie neutralna, a w najgorszym razie odstrasza klienta przypadkowymi propozycjami.

Rekomendacje oparte na embeddingach rozwiązują to bez ręcznego wiązania produktów — model sam ocenia podobieństwo znaczeniowe, a dywersyfikacja i bonus za wspólne atrybuty dbają o to, żeby wyniki były trafne, ale nie nudne.

Przetestuj SwiftSearch bezpłatnie przez 14 dni →

Artykuł opublikowany w 2026 roku. Ceny i parametry planów mogą ulec zmianie, sprawdź aktualne informacje na stronach dostawców.