Кейс: магазин подарков увеличил средний чек на 25 процентов с AI-рекомендациями

Интернет-магазин подарков ПодароБум из Краснодара за пять месяцев поднял средний чек с 2400 до 3000 рублей — это плюс 25 процентов — и параллельно вытянул конверсию из визита в заказ с 1,8 до 2,4 процента. Главный инструмент — AI-рекомендатель на Claude API, который подсказывает на странице товара, что ещё положить в корзину. Ниже — что именно сделали, где ошиблись и сколько это стоило.

Контекст: бизнес и точка отсчёта

ПодароБум — магазин подарочных боксов и тематических наборов: для женщин, мужчин, детей, корпоративных подарков. Ассортимент — около 1200 SKU. Команда — 6 человек, склад в Краснодаре, доставка по России через СДЭК и Boxberry. По состоянию на октябрь 2025:

• Выручка: 3,4 млн рублей в месяц.
• Средний чек: 2400 рублей.
• Конверсия из визита в заказ: 1,8 процента.
• Доля повторных покупок: 11 процентов.

Боль владельца была классическая: трафик растёт, реклама дорожает, средний чек стоит на месте. Клиент брал одну коробку и уходил, хотя в линейке есть отличные дополнения: открытки, упаковка, шоколадные подарки на 300–600 рублей. Раньше пробовали ручной cross-sell — баннер «С этим товаром берут» — но он висел на всех страницах одинаковый и работал слабо. Конверсия по баннеру не превышала 1,2 процента.

Что сделали: AI-рекомендатель на Claude API

Идея простая: при заходе на карточку товара показывать персональную подборку из 3–4 дополнительных товаров, объяснённую коротким текстом — «к этой коробке возьмите ещё…». Тексты и подбор делает Claude. Архитектура такая:

1. Когда пользователь открывает страницу товара, фронтенд отправляет запрос на бэкенд.
2. Бэкенд собирает контекст: текущий товар, история сессии (что смотрел до этого), категория повода (например, «8 марта» или «корпоратив»).
3. Запрос уходит в Claude API (модель Claude Opus 4.7 — 1M context, чтобы туда влезал каталог).
4. Claude отдаёт JSON: 3 рекомендованных SKU + короткий текст «почему именно эти».
5. Фронтенд показывает блок «К этой коробке возьмите ещё».

Почему Claude, а не YandexGPT

Главная причина — качество подбора и текста. Команда сравнивала Claude Opus 4.7, GPT-5.5 и YandexGPT 5 на тестовой выборке из 200 карточек. Claude давал лучший cross-sell (релевантность по оценке владельца — 87% против 79% у GPT и 71% у YandexGPT) и наиболее живые тексты-подводки. Минус — оплата через прокси и формальные риски. Команда обсудила это с бухгалтером, оформили оплату через юрлицо подрядчика.

Что в промпте

Системный промпт содержит: краткое описание магазина, правила («не предлагай товары из той же категории», «учитывай ценовой диапазон ±50% от текущего», «избегай несочетающихся комбинаций»), список запрещённых пар (например, не предлагать алкоголь к детским подаркам) и пять примеров хороших рекомендаций. В пользовательский запрос прокидывается JSON с каталогом — это около 200 тысяч токенов, поэтому 1M-контекстная модель оказалась критична.

Цифры после пяти месяцев

Метрика	До	После	Изменение
Средний чек	2 400 ₽	3 000 ₽	+25%
Конверсия	1,8%	2,4%	+33%
CTR на блок рекомендаций	4,1%	12,8%	+212%
Доля заказов с допом	14%	34%	+20 п.п.
Месячная выручка	3,4 млн ₽	5,1 млн ₽	+50%
Возвраты	2,1%	2,3%	+0,2 п.п.

Рост выручки получился больше суммы прироста чека и конверсии — потому что параллельно начала расти доля повторных покупок (с 11 до 14 процентов): клиенты, получившие хорошо подобранный комплект, охотнее возвращались. Похожий эффект описан в подборке кейсов AI-роста в малом бизнесе.

Что не сработало с первого раза

Первая версия рекомендателя рекомендовала несочетающиеся товары. Самые яркие провалы:

• К детскому набору на день рождения предложила виски (потому что «корпоративный сегмент»).
• К свадебному боксу — траурную чёрную упаковку (модель посчитала её «универсальной»).
• К подарку для мужчины — розовый плед с единорогами (был в категории «универсальное»).

За первые 10 дней набралось 17 таких случаев. Никто из клиентов не пожаловался — они просто не кликали на рекомендации — но владелец увидел это сам, просматривая логи. Решение: добавили в промпт правила-исключения и поднасстроили категорию каждого SKU вручную. Завели в каталоге поле «возрастной сегмент», «гендер», «повод» и «совместимость». Это заняло три рабочих дня — менеджер прошёл по 1200 карточкам и проставил теги.

Второй промах — стоимость API. В первый месяц набило 38 тысяч рублей расхода, потому что каждый просмотр карточки шёл в Claude. Решение: добавили кеширование на уровне товара. Теперь рекомендации пересчитываются раз в сутки на популярные SKU и хранятся в Redis, а персонализация под сессию идёт только для top-100 товаров. Расход упал до 11 тысяч в месяц.

Третий момент — текст подводки. Первая версия писала «К этому подарку идеально подойдут следующие товары» — банально. Перевели на живые формулировки: «Если берёте этот бокс — открытка с пожеланием будет в тему» или «К коробке шоколада многие добавляют упаковочный мешочек, чтобы выглядело дороже». CTR блока вырос на 30 процентов после смены тональности. Это согласуется с тем, что в статье про нейросети в продажах называется «эффект живой подсказки» — люди реагируют на текст, который звучит как совет от продавца, а не как маркетинговая отбивка.

Стоимость и ROI

Разовые расходы: 80 тысяч рублей. Разработка интеграции с Claude API (45 тыс.), доработка фронтенда блока рекомендаций (20 тыс.), разметка каталога (15 тыс.).

Ежемесячные: 18 тысяч рублей. Из них 11 — оплата Claude API через прокси, 5 — поддержка инфраструктуры, 2 — мониторинг и тестирование.

Прирост выручки в месяц: 1,7 млн рублей. Маржинальность ПодароБум — 32 процента, то есть чистая прибыль от прироста — около 540 тысяч в месяц. Проект окупился за 2 месяца с учётом разовых вложений.

Частые вопросы

Можно ли сделать то же самое на YandexGPT и не платить через прокси

Технически — да. По качеству Claude в этой задаче выигрывает примерно на 10–15 процентов в релевантности, и для магазина с тысячей SKU это заметная разница. Если стартуете и нет ресурса на прокси-оплату — начните с YandexGPT 5 или GigaChat MAX, потом переключитесь, если ROI оправдает. По аналогии с кейсом снижения CAC в магазине одежды, смена модели на втором этапе — обычная практика.

Не путает ли AI каталог, если в нём нет описаний

Путает. Мы потратили три дня на разметку каталога не зря: модель смотрит не на названия, а на структурированные поля. Если у вас в карточке только «Набор для мужчины №14» — без сегмента, повода и описания — рекомендации будут плохие. Качество подбора прямо пропорционально качеству каталожных данных.

Что с возвратами и жалобами

Возвраты выросли на 0,2 процента — статистически незначимо, попадает в нормальную сезонную волатильность. Жалоб на «впарили лишнее» не было: рекомендации — это блок «возьмите ещё», без агрессивных всплывашек и без принудительного добавления в корзину.

Можно ли это применить в нише не подарков

Да, везде, где есть много SKU и явные пары для cross-sell: косметика, аксессуары, спорттовары, посуда. Не подходит для бизнеса с короткой линейкой (3–10 товаров) — там проще руками сделать статичные рекомендации.

Сколько времени заняло внедрение

Шесть недель от первого разговора с разработчиком до запуска первой версии. Ещё месяц — на доводку и разметку каталога. Это нормальный срок для проекта такого масштаба.

Стоит ли городить cross-sell, если нет даже базовой аналитики

Нет. Сначала поставьте Яндекс.Метрику с e-commerce-событиями, разметьте корзину, посмотрите на воронку. Без этого вы не поймёте, сработала автоматизация или нет. Хороший разбор подходов — в обзоре AI для роста бизнеса и growth-маркетинга.

Сейчас на рынке e-commerce подобные проекты становятся стандартом — по обзору Forbes о практиках AI в ритейле, доля магазинов с AI-рекомендациями за 2026 год удвоилась. И на маленьких объёмах, как у ПодароБума, эффект чаще всего сильнее, чем у крупных сетей: меньше шума в данных и проще запустить эксперимент.

Что взять с собой

• AI-рекомендатель окупается на ассортименте от 300–500 SKU и трафике от 10 тысяч уников в месяц.
• Перед запуском разметьте каталог: повод, сегмент, гендер, ценовой диапазон. Без этого качество подбора будет плохим.
• Считайте стоимость API заранее. Каждый просмотр в LLM — это деньги, кешируйте популярные ответы.
• Текст подводки важнее, чем сам факт рекомендации. Пишите как продавец, а не как алгоритм.
• Не давайте модели свободу. Чёрный список запрещённых пар и правил снижает число неловких рекомендаций в разы.