$10 млн — саме таку суму залучив новий стартап, заснований командою колишніх співробітників Spotify, яка вирішила перенести технологію персоналізованих рекомендацій зі стрімінгу музики в електронну комерцію. За даними TechCrunch, засновники залишили Spotify, щоб побудувати рекомендаційний рушій для онлайн-магазинів на тих самих принципах, які роками відточувалися в Discover Weekly та персоналізованих плейлистах сервісу.

Ідея не нова сама по собі — персоналізація товарних рекомендацій існує в e-commerce щонайменше з часів «customers who bought this also bought» на Amazon. Але ставка засновників інша: музичні рекомендаційні системи Spotify побудовані на щільному потоці неявних сигналів — прослухано, пропущено, повторено, додано в плейлист — і обробляють мільярди сесій щодня. Команда переконана, що якщо навчити подібну модель на поведінці покупця в магазині (перегляди, кошик, вішлист), результат буде точнішим за традиційні rule-based рекомендації рітейлу.

Для індустрії e-commerce, де конверсія з рекомендаційного блоку часто дає 10-30% додаткового доходу, навіть невеликий приріст точності персоналізації означає прямий вплив на виручку. Тому запуск компанії з таким бекграундом засновників привертає увагу інвесторів попри ранню стадію.

Що саме сталося?

Група інженерів, які раніше працювали над рекомендаційними системами Spotify, залучила $10 млн на посівній стадії для розробки ШІ-платформи персоналізації товарів для e-commerce-рітейлерів. Компанія планує пропонувати рекомендаційний рушій як окремий сервіс, який онлайн-магазини зможуть підключити до існуючого стеку — за аналогією з тим, як Algolia чи Klaviyo вбудовуються в Shopify-магазини без переписування бекенду.

Засновники роблять ставку на те, що навички, здобуті на масштабі Spotify (сотні мільйонів користувачів, мільярди прослуховувань щодня), дають перевагу перед командами, які будували рекомендації лише на даних одного рітейлера чи навіть одного вертикалу.

Чим підхід зі Spotify відрізняється від типового e-commerce-алгоритму?

Головна відмінність — у щільності сигналу. У музиці зворотний зв'язок надходить за секунди: користувач пропускає трек, дослухує до кінця, ставить лайк чи додає в плейлист — і модель отримує тисячі таких подій на день з одного акаунта. У рітейлі конверсійна подія (покупка) трапляється рідко — часто кілька разів на місяць чи навіть рідше, що робить дані розрідженими і ускладнює навчання класичних collaborative filtering моделей.

Рецепт, який команда переносить зі Spotify, — трактувати «слабкі» сигнали (перегляд картки товару, час на сторінці, додавання й видалення з кошика) як щільний потік поведінкових даних, подібний до сесії прослуховування, і будувати на ньому sequential-моделі (embedding-based рекомендації, що враховують порядок дій користувача, а не лише фінальну покупку). Це технічно ближче до сучасних sequential recommender-систем, ніж до простих правил «разом купують».

Кому це вигідно, а кому створює конкурентний тиск?

Найбільше виграють середні й малі e-commerce-бренди без власної ML-команди — саме та аудиторія, яку зараз обслуговують Nosto, Dynamic Yield, Bloomreach і рекомендаційні модулі Algolia. Поява гравця з Spotify-родом ускладнює конкуренцію для цих вендорів, бо клієнти-рітейлери швидко порівнюють точність рекомендацій у A/B-тестах.

• Amazon, Shopify (власний Shopify Search & Discovery) та інші гіганти з власними ML-командами відчують менший тиск — у них уже є рекомендаційні системи порівнянного масштабу.
• Нішеві SaaS-вендори персоналізації опиняються під загрозою втрати клієнтів, якщо новий рушій справді точніший на реальних даних, а не лише на пітч-деку.
• AI-білдери, що працюють над embedding-інфраструктурою чи vector-based пошуком, отримують ще один доказ попиту на sequential recommenders поза стрімінгом і соцмережами.

Висновок AiiN: що з цього брати AI-білдерам?

Головна цінність цієї новини — не в маркетинговому гаслі «рекомендації рівня Spotify для вашого магазину», а в підтвердженні тренду: embedding-based sequential-моделі, натреновані на неявних сигналах поведінки, стають новим базовим рівнем персоналізації в будь-якій індустрії, а не лише в музиці чи відео. Раніше побудова такої системи вимагала масштабу Spotify чи Netflix; тепер інфраструктура (vector-бази даних, real-time feature store, готові embedding-моделі) достатньо доступна, щоб команда з кількох людей запропонувала цю технологію як сервіс іншим компаніям.

Для AI-білдерів, які працюють з рітейл- чи SaaS-клієнтами, практичний висновок такий: варто переглянути, чи ваша поточна рекомендаційна логіка досі спирається на прості правила чи статичний collaborative filtering, і чи є сенс інвестувати в sequential/session-based підхід, поки це не стало стандартом ринку.

Скільки коштуватиме інтеграція такого рекомендаційного рушія малому продавцю?

Компанія поки не розкрила цінову модель — на посівній стадії команда, найімовірніше, фокусується на пілотних інтеграціях із кількома рітейлерами, а не на публічному прайсингу. Орієнтир варто шукати серед конкурентів на кшталт Nosto чи Dynamic Yield, де вартість зазвичай прив'язана до обсягу трафіку чи GMV магазину.

Чи означає це, що ШІ-рекомендації рівня Spotify стануть доступні будь-якому інтернет-магазину?

Не миттєво. Якість рекомендаційної моделі сильно залежить від обсягу поведінкових даних конкретного магазину — у малого рітейлера з невеликим трафіком sequential-модель просто не матиме достатньо сигналу для навчання, тож перші клієнти нового рушія, ймовірно, будуть середніми й великими магазинами з помітним трафіком.