Разбираем математический подход к формированию матриц совместных покупок без ручного перебора тысяч позиций
Нейросеть находит упущенную выручку в аптеке через анализ паттернов совместных покупок в чековой базе. Алгоритм вычисляет статистическую связь между позициями и выдает конкретные пары с вероятностью допродажи выше 65%. Провизор получает готовые рекомендации — без ручного перебора тысяч SKU и без субъективных догадок.
Ниже разберем три слоя этой механики: почему человек физически не видит большинство связок в чеках, как именно ИИ считает вероятность допродажи, и что происходит с выкладкой и ассортиментом, когда к задаче подключается автоматизация.
Почему провизор не видит 80% связок в чеках
Тут все просто: человеческий мозг хорошо запоминает очевидные пары. Антибиотик и пробиотик, жаропонижающее и витамин C, антигистаминный и сорбент. Эти связки давно стали стандартом допродаж на первом столе. Проблема в том, что они покрывают от силы 20% реальных возможностей, которые лежат в чековой базе.
Человеческий фактор как структурное ограничение
Провизор работает в режиме постоянного потока. Очередь, вопросы, отпуск рецептурных позиций. В этих условиях у него нет ни времени, ни инструментов, чтобы замечать нестандартные корреляции. Он предлагает то, что знает наизусть. Это рационально с точки зрения скорости работы, но убыточно с точки зрения маркетинга аптеки.
Средняя аптека с трафиком 3 000 посетителей в месяц накапливает за год около 36 000 чеков. Если в каждом чеке в среднем 3-4 позиции, это уже больше 100 000 строк данных. Вручную найти в этом массиве неочевидные паттерны невозможно — даже если посадить категорийного менеджера на месяц только с этой задачей.
Скрытая семантика покупок
Вот конкретный пример скрытой связки. Сезонная косметика — кремы от шелушения, бальзамы для губ — и антигистаминные препараты пересекаются в чеках в 12-15% случаев в феврале-марте. Логика понятна задним числом: у людей с аллергией на пыльцу кожные реакции начинаются раньше, чем основной сезон. Но без анализа данных эту связь никто не увидит.
Или другой кластер: препараты для нормализации сна и магний B6. Казалось бы, очевидная пара — но в реальных чеках к ней добавляется третий элемент. Валерьянка, пустырник или глицин идут вместе с магнием в 38% случаев, а вот со снотворными — только в 11%. Это значит, что допродажная рекомендация должна отличаться в зависимости от того, что именно купил человек первым.
Скорость как аргумент
Анализ 100 000 чеков вручную — это минимум четыре рабочих недели одного аналитика при условии, что у него есть нужные инструменты и методология. Алгоритм на базе Claude или аналогичной LLM справляется с той же задачей за 3-5 минут. При этом он не устает, не пропускает строки и не подтверждает собственные гипотезы — он работает с тем, что есть в данных.
Это не фантастика. Это стандартная задача для инструментов, которые уже применяются в российском ритейле. Крупные сети — «Магнит», X5 — используют похожие подходы для управления ассортиментом с 2022-2023 года. Аптечный сегмент подключается к этой логике позже, но разрыв быстро сокращается.
Ключевой вывод: первостольник не виноват в том, что не видит 80% связок. Это структурная проблема — данных слишком много, а инструментов для их обработки нет. Нейросеть закрывает именно этот пробел.
Математика товарных пар: как ИИ считает вероятность допродажи
На практике это выглядит иначе, чем кажется. Нейросеть не «угадывает» — она считает. В основе лежит несколько математических метрик, которые вместе дают надежную оценку силы связки между двумя позициями.
Три метрики, которые работают вместе
Support (поддержка) — доля чеков, в которых встречаются оба товара одновременно. Если из 10 000 чеков пара «Нурофен + Колдрекс» встречается в 800, поддержка равна 8%. Это базовая частота совместного появления.
Confidence (достоверность) — условная вероятность. Если покупатель взял Нурофен, с какой вероятностью он возьмет Колдрекс? Считается как отношение support к частоте появления первого товара в чеках. Если Нурофен есть в 2 000 чеках из 10 000, а в 800 из них есть еще и Колдрекс, confidence = 800/2000 = 40%.
Lift (подъем) — самая важная метрика для автоматизации аптеки. Она показывает, насколько присутствие товара А увеличивает вероятность покупки товара Б по сравнению с базовой частотой Б в чеках. Lift > 1 означает положительную связь. Lift > 2 — сильную, которую стоит использовать в рекомендациях.
Формула простая: Lift = Confidence / (частота Б в чеках). Если Колдрекс встречается в 15% всех чеков, а confidence пары «Нурофен → Колдрекс» равна 40%, то Lift = 40% / 15% = 2,67. Это хорошая связка — покупка Нурофена увеличивает вероятность покупки Колдрекса в 2,67 раза.
Как нейросеть отсекает ложные корреляции
Это критически важный момент. Алгоритм, который считает только support и confidence, дает много мусора. Например, валокордин и активированный уголь могут встречаться в одних чеках — но не потому что они связаны, а потому что оба популярны у пожилых покупателей, которые берут всё сразу раз в месяц. Это ложная корреляция, основанная на демографическом факторе, а не на реальной потребности.
Нейросеть отсекает такие случаи через несколько фильтров. Первый — минимальный порог lift (обычно от 1,5). Второй — временной анализ: алгоритм проверяет, сохраняется ли связка стабильно на протяжении нескольких месяцев или это разовый выброс. Третий — анализ частоты покупателя: если 90% совместных покупок сделал один оптовый покупатель, связка исключается из матрицы.
Разовые закупки — отдельная проблема. Если аптека провела акцию «купи два — получи скидку», в чеках появится искусственный всплеск пар. Алгоритм маркирует такие периоды и исключает их из обучающей выборки.
Приоритизация рекомендаций для первостольника
Не все связки одинаково полезны для работы провизора. Алгоритм ранжирует их по трем критериям: сила связки (lift), маржинальность второго товара и вероятность того, что покупатель уже знает о нем.
На выходе получается короткий список — обычно 5-7 позиций для каждой «якорной» категории. Именно эти позиции первостольник видит в подсказке на кассовом терминале, когда сканирует первый товар в чеке.
Связки с вероятностью выше 65% (confidence) и lift выше 2 выносятся в приоритетные рекомендации. Остальные попадают в «горячую зону» прикассовой выкладки — их не нужно предлагать устно, достаточно разместить рядом.
| Метрика | Что показывает | Пороговое значение для рекомендации |
|---|---|---|
| Support | Частота совместного появления | > 2% чеков |
| Confidence | Вероятность допродажи | > 40% |
| Lift | Сила связки vs базовый уровень | > 1,5 |
| Стабильность | Воспроизводимость за 3+ месяца | > 70% периодов |
| Маржа | Вклад второго товара в прибыль | Топ-30% по категории |
Пример из реальной матрицы
Возьмем категорию «средства от боли в горле». Базовая рекомендация — добавить иммуномодулятор. Это знает каждый провизор. Но анализ чековой базы дает другую картину.
В 34% чеков с леденцами от горла присутствует назальный спрей. Lift = 2,1. В 28% — спрей для горла на масляной основе. Lift = 1,9. И только в 19% — иммуномодулятор. Lift = 1,4.
Вывод: стандартная рекомендация провизора — не самая сильная с точки зрения данных. Алгоритм переворачивает приоритеты. Первая рекомендация — назальный спрей, вторая — масляный спрей, третья — иммуномодулятор.
Это и есть 20% упущенной выручки. Не потому что провизор плохо работает — а потому что у него не было этих данных.
Сезонная динамика матрицы
Матрица совместных покупок не статична. В феврале-марте аллергические препараты начинают тянуть за собой антигистаминные глазные капли и косметику с SPF-защитой. В октябре-ноябре в «горячую зону» выходят противовирусные и витамин D. Алгоритм пересчитывает матрицу еженедельно и автоматически обновляет рекомендации.
Это невозможно делать вручную даже при наличии аналитика. Ручной пересчет матрицы для аптеки с 3 000 SKU занял бы несколько дней — к тому моменту сезон уже сместится.
Если вы хотите посмотреть, как выглядит такая матрица для вашей аптеки на реальных данных — можно заказать аудит товарной матрицы нейросетью на textzavod.ru. Алгоритм анализирует вашу чековую базу и выдает готовые пары с lift и confidence.
Автоматизация выкладки и ассортимента на основе данных парсинга
По факту, матрица совместных покупок — это только половина задачи. Вторая половина — что делать с этой информацией на уровне торгового зала и ассортиментной политики.
Прикассовая зона как управляемый актив
Прикассовая зона привлекает внимание 85-90% посетителей аптеки — это стандартный показатель для аптек открытой выкладки. Но большинство аптек заполняют ее интуитивно: что предложил медпредставитель, то и стоит на прикассовой полке.
Автоматизация меняет логику. Алгоритм берет топ-10 самых продаваемых «якорных» позиций текущей недели и подбирает для каждой оптимальный сопутствующий товар из матрицы. Именно эти позиции выносятся в прикассовую зону.
Перемещение сопутствующих товаров на основе AI-прогноза дает рост среднего чека на 10-15% — такие данные фиксируют российские аптечные сети, внедрившие аналогичные системы в 2024-2025 годах. Механика простая: покупатель видит нужный товар в правильный момент, без усилий со стороны провизора.
Парсинг конкурентов как источник идей для ассортимента
Помимо анализа собственных чеков, есть второй источник данных — конкуренты. Парсинг ТОП-30 аптек в вашем районе или городе показывает, какие наборы и связки они продвигают прямо сейчас.
Это не про копирование. Это про понимание рыночного контекста. Если три крупных конкурента в октябре вынесли на прикассу связку «противовирусный + цинк», это сигнал: либо они видят тренд в данных, либо получили выгодные условия от поставщика. В обоих случаях вам полезно знать об этом до того, как сезон начнется.
Платформа ТекстЗавода, например, включает автоматический парсинг конкурентной выдачи как базовый модуль. В контексте аптечного маркетинга аналогичная логика работает на уровне мониторинга ассортимента и промо-активности конкурентов.
GEO-оптимизация ассортимента под локальный спрос
Это отдельная и недооцененная зона роста. Аптека в спальном районе с молодыми семьями продает принципиально другой набор позиций, чем аптека у поликлиники с пожилым трафиком. Очевидно? Да. Но большинство аптечных сетей управляют ассортиментом централизованно — с едиными матрицами для всех точек.
Алгоритм GEO-оптимизации берет данные о демографии района, сезонном спросе и чековую базу конкретной точки. На выходе — рекомендации по ассортименту, которые учитывают локальный контекст. Для точки у детской поликлиники это означает расширение педиатрического сегмента и витаминов. Для точки у кардиологического центра — кардиопрепараты и тонометры в прикассовой зоне.
| Тип локации | Приоритетные категории | Типичный lift в матрице |
|---|---|---|
| Спальный район, молодые семьи | Детские препараты, витамины, средства гигиены | 1,8-2,4 |
| У поликлиники, пожилой трафик | Кардио, диабет, ортопедия | 2,1-3,0 |
| Деловой центр, офисный трафик | Обезболивающие, антистресс, витамины группы B | 1,6-2,2 |
| Торговый центр, смешанный трафик | Косметика, БАД, сезонные позиции | 1,5-1,9 |
Автоматическое обновление рекомендаций для первостольника
Отдельная задача — донести результаты анализа до конкретного сотрудника. Матрица, которая живет в отчете категорийного менеджера, не работает. Она должна попасть на экран кассового терминала или в мобильное приложение провизора.
Интеграция аналитического модуля с кассовой системой — технически несложная задача. Большинство российских аптечных CMS (АСНА, Катрен, 1С:Аптека) поддерживают API-подключение. Алгоритм передает актуальный список рекомендаций, который обновляется еженедельно.
Провизор видит подсказку: «К этому товару часто берут [X] — предложите». Не потому что так написано в стандарте обслуживания, а потому что данные конкретной аптеки это подтверждают. Это принципиальная разница.
Что дает комплексный подход
Когда анализ чеков, оптимизация выкладки и мониторинг конкурентов работают вместе, маркетинг аптеки перестает быть набором разовых активностей. Это становится управляемой системой с измеримыми коммерческими метриками.
- Средний чек растет за счет релевантных допродаж — не навязанных, а основанных на реальном поведении покупателей.
- Оборачиваемость улучшается, потому что прикассовая зона заполнена позициями с высоким lift, а не теми, которые медпредставитель поставил на особые условия.
- Ассортиментные решения принимаются быстрее — не раз в квартал по итогам совещания, а еженедельно по данным алгоритма.
Посмотреть, как работает демо-панель аналитики чеков ТекстЗавода, можно на textzavod.ru. Там же доступен расчет потенциального роста выручки для вашей точки на основе типовых параметров.
Часто задаваемые вопросы
Что нужно, чтобы запустить анализ чеков нейросетью?
Минимальный набор — выгрузка чековой базы за последние 6-12 месяцев в формате CSV или Excel. Нужны три поля: дата чека, идентификатор чека и наименование позиции. Цены и количество — желательно, но не обязательно для первичного анализа. Большинство российских аптечных систем (1С:Аптека, АСНА) позволяют сделать такую выгрузку за 10-15 минут. Никаких персональных данных покупателей не требуется — только анонимизированные транзакции.
Сколько чеков нужно для получения надежных результатов?
Практический минимум — 5 000 чеков. При таком объеме алгоритм находит 30-50 устойчивых пар с lift выше 1,5. Для аптеки с трафиком 3 000 посетителей в месяц это два месяца данных. Оптимальный объем — 20 000-50 000 чеков: при нем матрица покрывает большинство категорий и позволяет делать сезонный анализ. Если чеков меньше 2 000 — результаты будут статистически ненадежными, и лучше начать с накопления базы.
Как нейросеть отличает настоящую связку от случайного совпадения?
Через метрику lift и проверку стабильности. Случайное совпадение дает lift около 1,0 — это значит, что покупка товара А никак не влияет на вероятность покупки товара Б. Настоящая связка дает lift выше 1,5, и она воспроизводится в разные периоды. Алгоритм дополнительно проверяет, не вызвана ли связка акцией или разовой закупкой. Если 80% совместных покупок приходится на один период — связка помечается как нестабильная и не попадает в рекомендации.
Можно ли использовать этот подход в небольшой аптеке с одной точкой?
Да, и именно там эффект часто заметнее. Крупные сети уже работают с аналитикой, а одиночные аптеки и небольшие сети — нет. Это означает, что у них выше доля упущенной выручки и больше пространство для роста. Единственное ограничение — объем чековой базы. Если трафик меньше 1 500 человек в месяц, накопление достаточного объема данных займет 3-4 месяца. Но начинать сбор данных стоит уже сейчас.
Как часто нужно обновлять матрицу совместных покупок?
Оптимальная частота — раз в неделю для сезонных категорий и раз в месяц для базового ассортимента. Это позволяет ловить сезонные сдвиги и реагировать на изменения в поведении покупателей. Ручное обновление с такой частотой нереально — это занимало бы несколько рабочих дней каждую неделю. Автоматизированный алгоритм пересчитывает матрицу в фоновом режиме и передает обновленные рекомендации в кассовую систему без участия аналитика.
Как измерить эффект от внедрения матрицы допродаж?
Базовый способ — сравнить средний чек до и после внедрения рекомендаций. Но это грубый показатель, потому что на него влияет много факторов. Более точный метод — A/B тест: часть первостольников работает с рекомендациями алгоритма, часть — без них. Разница в среднем чеке и в доле чеков с двумя и более позициями дает чистый эффект. Дополнительный маркер — конверсия в допродажу по конкретным парам: если алгоритм рекомендует предлагать позицию X к позиции Y, отслеживайте, как часто покупатель действительно берет обе.
Нужен ли отдельный IT-специалист для запуска системы?
Для базового анализа чеков — нет. Выгрузка данных и загрузка в аналитическую систему доступны любому сотруднику, который умеет работать с Excel. Для интеграции рекомендаций с кассовым терминалом потребуется разовая настройка API — это задача на 2-4 часа для разработчика. После настройки система работает автономно. Категорийный менеджер получает еженедельный отчет с обновленными рекомендациями и принимает финальное решение по выкладке.
Автоматизация аптеки через анализ чеков — это не про замену провизора алгоритмом. Это про то, чтобы дать первостольнику данные, которых у него никогда не было. Чистая математика вместо догадок, релевантные рекомендации вместо стандартных скриптов. Продвижение аптек в 2025-2026 году все больше строится на коммерческих метриках, которые можно измерить и улучшить — а не на интуиции и опыте отдельного сотрудника.