Введение
15 июля 2026 года рынок live-коммерции получил новый импульс: маркетплейс Whatnot объявил о приобретении стартапа Shaped, специализирующегося на машинном обучении для персонализированных рекомендаций в реальном времени. Эта сделка, по мнению аналитиков, знаменует собой переход от статичных алгоритмов к динамическим системам, способным адаптироваться к поведению зрителя за доли секунды.
Whatnot — платформа, где коллекционеры и продавцы проводят прямые эфиры с продажей винтажных комиксов, редких кроссовок, карточек Pokémon и других нишевых товаров. Shaped, в свою очередь, разрабатывал движок ранжирования и поиска для e-commerce, который учитывает не только историю покупок, но и контекст текущей трансляции: слова ведущего, реакцию чата, смену товаров.
В этой статье разберём, что именно приобрёл Whatnot, почему рекомендации в реальном времени — ключевой драйвер роста live-коммерции, и какие уроки из этой сделки могут извлечь предприниматели, строящие AI-продукты.
Что такое Shaped и чем он занимался
Shaped — это AI-стартап, основанный в 2021 году бывшими инженерами из Uber и Pinterest. Основной продукт — рекомендательный движок для маркетплейсов, который работает с потоковыми данными. В отличие от классических моделей, которые обновляются раз в сутки, Shaped использует онлайн-обучение: модель пересчитывает веса признаков каждые несколько секунд.
Ключевая особенность — поддержка «горячих» (hot) и «холодных» (cold) сценариев. Например, если продавец только выставил новый товар, у него нет истории покупок — классическая коллаборативная фильтрация не сработает. Shaped использует контентные признаки (название, категория, цена) и поведенческие сигналы в реальном времени (сколько зрителей навели курсор, кто написал в чат «сколько стоит?»).
По данным TechCrunch, до сделки Shaped обрабатывал более 500 миллионов событий в день для своих клиентов, включая несколько крупных fashion-ритейлеров в Европе.
Зачем Whatnot понадобился Shaped
Whatnot уже давно использует машинное обучение для модерации контента и рекомендаций товаров. Однако live-коммерция ставит уникальные задачи:
- Динамический контекст. Во время эфира ведущий может случайно упомянуть «редкий экземпляр» — и зрители, которые искали раритеты, должны мгновенно увидеть этот лот в ленте.
- Социальное доказательство. Если 20 человек одновременно добавили товар в корзину, это сигнал для алгоритма поднять его приоритет для остальных зрителей.
- Сессионное поведение. Зритель может зайти в эфир случайно, но если он остаётся дольше 30 секунд, модель должна переключиться с «знакомства» на «конверсию».
Штатные алгоритмы Whatnot, вероятно, не справлялись с такой динамикой задержки в несколько секунд. Приобретение Shaped позволяет интегрировать движок, который изначально проектировался для потоковых данных.
«Shaped привносит в Whatnot технологию, которая делает рекомендации живыми — они меняются по ходу того, как ведущий говорит и показывает товары», — отмечается в статье TechCrunch.
Как изменится пользовательский опыт
На практике это означает, что лента рекомендаций на Whatnot станет персонализированной не только на уровне «нравится кроссовки — покажи кроссовки», но и на уровне «зритель смотрит эфир про комиксы Marvel — покажи ему лоты с первым выпуском Человека-паука, которые сейчас обсуждают в чате».
Технически это реализуется через комбинацию:
1. Обработка естественного языка (NLP) для транскрибации речи ведущего в реальном времени.
2. Ранжирование по множеству сигналов — от кликов до времени удержания на карточке товара.
3. Каскадные модели — быстрый фильтр «отсеивает» неподходящие лоты за 50 миллисекунд, а глубокая модель переранжирует топ-100 кандидатов.
В результате зритель видит не случайную подборку, а именно те товары, которые соответствуют его интересам в данный момент сессии.
Что это значит для рынка AI и e-commerce
Сделка Whatnot и Shaped — часть более широкого тренда: интеграция AI в live-коммерцию. По оценкам Allied Market Research, объём этого рынка превысил $35 млрд в 2025 году, и к 2030 году он может вырасти до $120 млрд. Ключевой фактор роста — именно персонализация в реальном времени.
Для разработчиков AI-продуктов это сигнал:
* Онлайн-обучение становится стандартом. Если ваш рекомендательный движок обновляется раз в день, вы проигрываете тем, кто адаптируется за секунды.
* Контекст важнее истории. Поведение пользователя в текущей сессии (клики, паузы, скролл) часто перевешивает его многомесячную историю покупок.
* Нишевые платформы выигрывают. Whatnot, как и другие вертикальные маркетплейсы, может собрать более точные сигналы, чем гиганты вроде Amazon, потому что аудитория однороднее.
Для предпринимателей, которые строят свои сервисы на стыке AI и коммерции, стоит обратить внимание на инструменты для работы с потоковыми данными: Apache Kafka, Redis, а также библиотеки онлайн-обучения (например, River или Vowpal Wabbit).
Практические примеры применения Shaped
До сделки Shaped успел показать результаты у своих клиентов:
- Fashion-ритейлер из Франции внедрил движок для рекомендаций на странице товара. За счёт учёта текущего сеанса (какие фильтры выбрал пользователь, сколько времени провёл на категории) конверсия выросла на 18% за квартал.
- Маркетплейс автозапчастей использовал Shaped для поиска по каталогу. Модель ранжирования учитывала не только релевантность по названию, но и популярность детали у других владельцев той же марки автомобиля во время их визита. Время до первого клика сократилось на 23%.
Whatnot планирует применить аналогичные подходы: например, если зритель регулярно смотрит эфиры с продажей спортивных карточек, алгоритм будет выдвигать вперёд лоты с подписанными мячами или редкими наборами, а не просто «базовыми» позициями.
Вызовы и риски
Любая персонализация несёт риски.
- Пузырь фильтров. Если алгоритм будет показывать только то, что уже нравится пользователю, он может пропустить новые категории. Whatnot, вероятно, придётся балансировать между релевантностью и серендипностью — случайными открытиями.
- Конфиденциальность. Обработка поведения в реальном времени требует сбора большого объёма данных. Whatnot уже использует анонимизацию и агрегацию, но с новым движком нагрузка на приватность возрастёт.
- Задержки. Если рекомендация приходит с опозданием в 2 секунды, она теряет смысл — зритель уже переключил внимание. Shaped заявлял о задержке менее 100 мс, но в масштабе Whatnot с миллионами одновременных зрителей это может стать проблемой.
Заключение
Приобретение Shaped компанией Whatnot — это не просто покупка технологии, а ставка на то, что будущее онлайн-торговли — за живыми, контекстными рекомендациями. Для бизнеса это значит, что AI-алгоритмы должны учиться на ходу, а для разработчиков — что классические батч-модели уступают место стриминговым.
Сделка также подчёркивает, что нишевые платформы могут эффективно конкурировать с гигантами, если используют AI точечно и точно. Остаётся следить, как Whatnot интегрирует Shaped в свою экосистему и какие метрики (удержание, конверсия, средний чек) улучшатся в ближайшие кварталы.
Комментарии