Покупатель смотрит на платье, видит размеры S–M–L и... уходит. Или заказывает сразу два размера «на примерку», чтобы один вернуть. И то, и другое бьёт по бизнесу: в первом случае теряется заказ, во втором — маржа съедается логистикой возврата. Неуверенность в размере — одна из главных причин, по которой корзина в одежде и обуви не превращается в оплаченный заказ.
Эта статья — о том, как ИИ-подбор размера и виртуальная примерка решают эту проблему в магазине на 1С-Битрикс: где хранить размерные данные, как подключить внешний сервис, где показывать подсказку и как всё это влияет на возвраты и экономику. Разберём и трезвый вопрос — с чего начать, чтобы не строить дорогую нейросеть там, где хватит аккуратных размерных сеток. Если каталог и данные о товарах пора приводить в порядок, начните с аудита и оптимизации 1С.
Коротко
- Возвраты по размеру — крупная статья потерь; подбор размера бьёт по ней напрямую.
- Свою нейросеть писать почти никогда не нужно — начните с сеток и внешнего API.
- Размеры ведите через торговые предложения, замеры и сетки — в свойствах инфоблоков.
- Подбор размера снижает возвраты, виртуальная примерка помогает с выбором фасона.
Проблема размеров и возвратов
В fashion-рознице размер — узкое место всей воронки. Покупатель не может примерить вещь онлайн, поэтому либо не решается заказать, либо заказывает с запасом «чтобы вернуть лишнее». Возврат по размеру — самый частый и самый дорогой: товар уезжает, приезжает обратно, его надо принять, проверить и снова выставить. Маржа на этом тает.
Отсюда две бизнес-задачи. Первая — помочь сомневающемуся выбрать размер и довести его до заказа. Вторая — уменьшить долю «заказов на примерку», которые изначально планируются частично возвратными. И то, и другое решается тем, что покупатель получает уверенную рекомендацию размера ещё до оформления.
Что такое ИИ-подбор размера
ИИ-подбор размера — это механизм, который по параметрам человека и данным о товаре предлагает наиболее подходящий размер. На входе — рост, вес, обхваты или прошлые удачные покупки; на «промежуточном слое» — размерная сетка конкретного бренда и модели; на выходе — рекомендация «вам подойдёт 46, посадка свободная».
Важно не переоценивать слово «ИИ». Есть спектр решений:
- Алгоритмический подбор. По введённым параметрам и размерной сетке — без всякой нейросети, но уже полезно.
- Подбор по истории. На основе прошлых покупок и возвратов клиента и «похожих» покупателей.
- ML-сервис. Внешний специализированный сервис, обученный на больших данных, вызывается по API.
Начинать почти всегда стоит с первых двух — они дают эффект быстро и без больших вложений, а ML-сервис подключается, когда процесс отлажен.
Виртуальная примерка: подходы
Виртуальная примерка отвечает на другой вопрос — не «какой размер», а «как это будет выглядеть». Здесь есть несколько технологических подходов, разных по стоимости и эффекту:
| Подход | Что делает | Сложность |
|---|---|---|
| Фото на модели по параметрам | Показывает товар на модели близкого типа фигуры | Низкая |
| Наложение на фото пользователя | Пользователь загружает фото, вещь накладывается | Средняя |
| AR-примерка в камере | Вещь «надевается» в реальном времени через камеру | Высокая |
| 3D-аватар с параметрами | Модель тела по замерам, на неё надеваются вещи | Высокая |
Для большинства магазинов разумная стратегия — начать с подбора размера и простых визуальных подсказок, а тяжёлую AR-примерку подключать точечно в категориях, где она реально влияет на решение (обувь, аксессуары, очки).
Где хранить размерные данные в Битрикс
Качество подбора начинается не с ИИ, а с данных о товаре. В 1С-Битрикс размерные варианты естественно ложатся на торговые предложения торгового каталога: у товара-родителя есть предложения-варианты (размер, цвет), у каждого — свой артикул, остаток и цена. Это база, на которую опирается всё остальное.
Сами размерные данные — замеры и сетки — хранят в свойствах инфоблоков:
- Размерная сетка модели — таблица «размер → обхваты/длины», в свойстве товара или в отдельном справочнике-инфоблоке.
- Тип посадки — свойство «маломерит / в размер / большемерит» для поправок.
- Бренд и его сетка — привязка к справочнику брендов со своими размерными стандартами.
- Соответствие RU/EU/US — таблица перевода систем размеров.
Эти данные должны попадать на сайт и обновляться из учётной системы, иначе они быстро расходятся с реальностью. Систематизацию и обмен такими справочниками мы закрываем в рамках автоматизации продаж и склада на 1С.
Размерные сетки и таблицы соответствия
Размерная сетка — сердце подбора. Без корректной сетки любой, даже самый умный, алгоритм будет ошибаться. Проблема в том, что размеры не универсальны: 46 у одного бренда — это 48 у другого, а «M» вообще ничего не говорит без обхватов. Поэтому нужны две вещи: точные замеры по каждой модели и таблицы соответствия между системами.
Практически это означает регламент заполнения: кто и откуда берёт замеры, как отмечается маломерность, как заводится соответствие RU/EU/US. Часть данных приходит от поставщиков, часть выверяется вручную. Это рутинная, но окупаемая работа — именно она определяет, насколько точным будет подбор.
Интеграция ИИ-сервиса по API
Когда данные готовы, внешний сервис подбора подключается по API. Схема простая: витрина на Битрикс отправляет сервису параметры пользователя и идентификатор товара (или его размерную сетку), а получает рекомендацию размера, которую показывает в карточке. Тяжёлые вычисления остаются на стороне сервиса, сайт остаётся лёгким.
Ключевые вопросы интеграции — те же, что для любого внешнего API: аутентификация, тайм-ауты, поведение при недоступности сервиса. Если сервис не ответил, карточка должна работать без подсказки, а не «зависать». Вопросы безопасной работы с внешними API и вебхуками мы разбирали в статье про безопасность REST и вебхуков в 1С-Битрикс, а подходы к самим интеграциям — в материале про разработку модуля для Маркетплейса.
UX: где показывать подсказку размера
Даже точный подбор бесполезен, если покупатель его не замечает. Подсказку размера встраивают в карточку товара так, чтобы она попадалась ровно в момент выбора:
- Рядом с выбором размера — кнопка «Подобрать мой размер» прямо у переключателя вариантов.
- Результат крупно — «Ваш размер: 46, посадка свободная», а не мелкой сноской.
- Один шаг для повторных. Авторизованному клиенту не нужно вводить параметры заново — берём из профиля.
- Честность о неуверенности. Если модель между размерами, так и скажите — это повышает доверие.
Плохой UX подбора — форма из десяти полей, которую никто не заполнит. Хороший — два-три параметра или один клик для того, кто уже покупал.
Данные для рекомендаций и их качество
Точность подбора растёт вместе с данными. Лучший источник — собственная история клиента: какие размеры он покупал и не возвращал. Для авторизованного покупателя это точнее любых замеров. Поэтому подбор размера тесно связан с личным кабинетом и историей заказов: чем полнее эти данные, тем увереннее рекомендация.
Второй источник — агрегированные данные по «похожим» покупателям и по возвратам конкретных моделей. Если товар массово возвращают с пометкой «мал», система должна учитывать это и корректировать рекомендацию. Такой цикл обратной связи — от возврата к поправке в подборе — и отличает рабочую систему от разовой фичи.
Экономика: возвраты и конверсия
Подбор размера и примерка окупаются по двум направлениям сразу. С одной стороны, растёт конверсия: сомневающийся покупатель получает уверенность и оформляет заказ. С другой — падают возвраты: меньше «заказов на примерку» и меньше ошибок с размером.
- Меньше возвратов — прямая экономия на логистике и обработке возврата.
- Выше конверсия — часть уходивших из-за неуверенности доводится до заказа.
- Меньше «двойных» заказов — не нужно брать два размера, чтобы примерить.
- Выше лояльность — удачная покупка возвращает клиента чаще.
Считать эффект нужно на своих данных: доля возвратов по размеру до и после, конверсия карточек с подсказкой и без. Именно эти метрики показывают, окупается ли инструмент, а не абстрактные обещания вендора.
Производительность и кэш
Подбор размера и примерка не должны замедлять каталог. Основная скорость витрины держится на кэшировании и выверенном процессе выката изменений, а «тяжёлые» функции подключаются аккуратно:
- Асинхронная загрузка виджета. Примерка и подбор грузятся по действию пользователя, не блокируя отрисовку карточки.
- Вычисления вне сервера Битрикс. ML и обработка изображений — на стороне сервиса или в браузере.
- Кэш рекомендаций. Для типовых параметров результат подбора можно кэшировать.
- Композитный кэш карточки не ломается. Динамика подбора вынесена в отдельный запрос.
Тогда даже «умная» карточка остаётся быстрой, а Core Web Vitals не страдают из-за примерочного виджета.
Приватность и данные пользователя
Параметры тела и фотографии — чувствительные персональные данные, и обращаться с ними надо соответственно. Нужно получать согласие, хранить минимум, не передавать наружу лишнего и отражать использование внешнего сервиса в политике конфиденциальности. Если фото уходит в сторонний сервис примерки, покупатель должен об этом знать.
Частые ошибки
- Внедряют ИИ поверх грязных сеток. Данные неточные — рекомендации бесполезны, доверие подорвано.
- Строят свою нейросеть без нужды. Дорого и долго там, где хватило бы сеток и API.
- Форма подбора из десяти полей. Её никто не заполняет, функция простаивает.
- Подсказка спрятана. Покупатель не находит её в момент выбора размера.
- Нет обратной связи с возвратами. Модель, которую массово возвращают, продолжают рекомендовать «в размер».
- Виджет тормозит карточку. Тяжёлая примерка грузится синхронно и роняет скорость.
- Игнорируют приватность. Фото и параметры собираются без согласия и без нужды хранятся.
Чек-лист внедрения
- Данные в порядке. Размерные сетки, замеры, типы посадки и соответствия RU/EU/US заведены и обновляются из 1С.
- Варианты через ТП. Размеры и цвета ведутся торговыми предложениями с остатками и артикулами.
- Начали с простого. Алгоритмический подбор и подбор по истории запущены до внешнего ИИ.
- Интеграция устойчива. Сервис подключён по API с тайм-аутами и запасным поведением при сбое.
- UX выверен. Подсказка у выбора размера, минимум полей, один клик для повторных.
- Цикл обратной связи. Возвраты по размеру корректируют рекомендации.
- Скорость не пострадала. Виджеты асинхронны, композитный кэш каталога цел.
- Приватность закрыта. Согласие, минимизация, политика конфиденциальности.
Вывод
ИИ-подбор размера и виртуальная примерка — это не про моду на нейросети, а про конкретную экономику: меньше возвратов по размеру и выше конверсия там, где покупатель раньше уходил в сомнениях. Но эффект держится на данных: без аккуратных размерных сеток, торговых предложений и обмена с 1С даже лучший сервис даёт мимо.
Поэтому разумный путь — сначала навести порядок в размерных данных и запустить простой подбор по сеткам и истории, а уже потом наращивать ИИ и примерку там, где они реально влияют на решение. Тогда инструмент окупается, а не превращается в дорогую витринную фичу, которой никто не пользуется.
