diff --git a/recomend.md b/recomend.md
new file mode 100644
index 0000000..1526b83
--- /dev/null
+++ b/recomend.md
@@ -0,0 +1,285 @@
+Построение системы рекомендаций дополнительных покупок (cross-sell / upsell) для **B2B-портала**
+
+1. **Ключевые параметры и данные**  
+2. **Вопросы бизнесу**
+3. **Математические модели и подходы** (включая ML и ИИ)  
+4. **Как внедрить ИИ** и какие архитектурные решения возможны  
+5. **Ограничения и особенности B2B + пищевой сегмент**
+
+---
+
+## 🔹 1. Необходимые параметры и данные
+
+Для построения эффективной системы рекомендаций потребуется **структурированный доступ к следующим данным**:
+
+### A. Данные о клиентах
+- Уникальный ID клиента
+- Тип клиента: ресторан, магазин, производитель, дистрибьютор и т.д.
+- Геолокация (город, регион)
+- Объём закупок (ежемесячный/ежеквартальный)
+- Частота заказов
+- Сегмент (например: HORECA, retail, FMCG)
+- Предпочтения (если есть: веган, органик, безглютен и т.п.)
+
+### B. Данные о товарах
+- Артикул / SKU
+- Название, категория (молочка, мясо, напитки и т.д.)
+- Подкатегория (например: сыр — твёрдый, мягкий)
+- Бренд
+- Упаковка (вес, объём, шт.)
+- Срок годности
+- Температурный режим хранения
+- Сезонность (например: майонез летом, глинтвейн зимой)
+- Цена, закупочная цена
+- Признаки: органик, безглютен, веган, ГМО и т.п.
+
+### C. История покупок
+- ID клиента
+- ID товара
+- Количество
+- Дата покупки
+- Сумма
+- Скидка
+- Промо-акция (если участвовал)
+- Был ли в заказе впервые / повторно
+
+### D. Складские остатки и логистика
+- Остатки по складам
+- Дата ближайшей поставки
+- Лимиты на отгрузку (например, минимальный объём)
+- Доступность товара по региону
+
+### E. Дополнительные данные (опционально, но полезно)
+- Время года / сезон
+- Акции и промо
+- Ценовые изменения
+- Конкурирующие товары
+- Рейтинги / отзывы (если есть)
+
+---
+
+## 🔹 2. Ключевые вопросы к бизнесу
+
+Перед началом проекта важно согласовать:
+
+1. **Какова цель системы?**
+   - Увеличение среднего чека?
+   - Продажа излишков на складе?
+   - Введение новых продуктов?
+   - Перекрестные продажи (cross-sell)?
+   - Удержание клиента?
+
+2. **Какие ограничения есть?**
+   - Нельзя рекомендовать скоропортящиеся товары?
+   - Есть ли логистические ограничения?
+   - Можно ли рекомендовать товары, которых нет на складе?
+
+3. **Как клиенты принимают решения?**
+   - Закупают по списку?
+   - Реагируют на акции?
+   - Любят пробовать новинки?
+
+4. **Какой канал рекомендаций?**
+   - В интерфейсе корзины?
+   - На главной странице?
+   - Через email / push?
+   - В мобильном приложении?
+
+5. **Как измерять успех?**
+   - CTR по рекомендациям?
+   - Конверсия в покупку?
+   - Увеличение AOV (average order value)?
+
+6. **Как часто обновляются рекомендации?**
+   - Реальное время?
+   - Раз в день?
+   - По расписанию?
+
+---
+
+## 🔹 3. Математические модели и подходы
+
+### ✅ 1. **Collaborative Filtering (CF)**
+
+**Идея:** "Клиенты, похожие на тебя, купили X"
+
+- **User-based CF**: Найти похожих клиентов → рекомендовать их покупки
+- **Item-based CF**: Найти товары, которые часто покупают вместе
+- **Матрица "клиент-товар"**: разреженная, заполняется количеством / частотой покупок
+
+🔹 Плюсы: работает без знания признаков товаров  
+🔹 Минусы: холодный старт, плохо масштабируется
+
+🔧 Можно использовать **SVD, ALS, NMF** для разложения матрицы
+
+---
+
+### ✅ 2. **Ассоциативные правила (Apriori, FP-Growth)**
+
+**Идея:** "Кто купил A и B — часто покупает C"
+
+- Правила вида: `{молоко, хлеб} → {масло}`
+- Метрики: поддержка (support), достоверность (confidence), подъём (lift)
+
+🔹 Отлично подходит для **cross-sell**
+🔹 Интерпретируемо
+🔹 Учитывает частые комбинации
+
+⚠️ Может выдавать слишком много правил → нужна фильтрация
+
+---
+
+### ✅ 3. **Content-Based Filtering**
+
+**Идея:** Рекомендуем товары, похожие на те, что клиент уже покупал
+
+- Признаки товара: категория, бренд, вес, тип и т.д.
+- Векторизация товаров (TF-IDF, эмбеддинги)
+- Сравнение с историей покупок
+
+🔹 Хорошо работает при холодном старте товара  
+🔹 Можно использовать, если мало данных о клиентах
+
+---
+
+### ✅ 4. **Гибридные модели**
+
+Сочетание нескольких подходов:
+
+- CF + Content-Based
+- Apriori + складские остатки
+- ML-модель, взвешивающая разные сигналы
+
+Пример:  
+> Рекомендовать товары, которые:
+> - часто покупают с текущим (Apriori)
+> - похожи на предыдущие (Content-Based)
+> - есть на складе
+> - подходят по цене и категории клиента
+
+---
+
+### ✅ 5. **Модели на основе машинного обучения (ML)**
+
+#### A. **Learning to Rank (LTR)**
+
+- Формулируем задачу как **ранжирование** товаров
+- Для каждого клиента и сессии: какие товары показать в топе?
+
+**Признаки (features):**
+- Частота покупки товара клиентом
+- Совместная покупка с текущим товаром
+- Расстояние от последней покупки
+- Остатки на складе
+- Цена / маржа
+- Сезонность
+- Принадлежность к акции
+- Похожесть по категориям
+- Время до конца срока годности
+
+**Модели:**
+- **XGBoost, LightGBM, CatBoost** — отлично подходят для LTR
+- Можно использовать **LambdaMART** (специализированная модель LTR)
+
+#### B. **Embeddings (нейросети)**
+
+- Обучить **эмбеддинги** для клиентов и товаров (например, через Word2Vec по последовательностям покупок)
+- Найти ближайшие товары по вектору
+- Использовать **autoencoders** или **VAE** для рекомендаций
+
+Пример:  
+> Последовательность покупок: [молоко, сыр, колбаса] → вектор → найти ближайший товар: масло
+
+---
+
+### ✅ 6. **Sequence-based модели (RNN, Transformers)**
+
+- Если важна **последовательность** покупок
+- Модель предсказывает: "что купит клиент дальше?"
+
+**Примеры:**
+- GRU4Rec
+- SASRec (Self-Attention Sequential Recommendation)
+- BERT4Rec
+
+🔹 Подходит, если клиенты делают регулярные заказы по шаблону
+
+---
+
+## 🔹 4. Как применить ИИ?
+
+### ИИ здесь — не волшебство, а **инструмент для обработки сложных паттернов**:
+
+1. **Кластеризация клиентов (unsupervised ML)**
+   - K-means, DBSCAN, t-SNE
+   - Сегментация: "закупаются раз в месяц", "любят органику", "закупают оптом"
+
+2. **Прогнозирование спроса**
+   - LSTM, Prophet, ARIMA
+   - Чтобы понимать, какие товары скоро будут в дефиците
+
+3. **Генерация рекомендаций через deep learning**
+   - Использовать **графовые нейросети (GNN)**, если строишь граф "клиент-товар-категория"
+   - **Multi-armed bandit** — для баланса между эксплуатацией (известные рекомендации) и исследованием (новые товары)
+
+4. **Персонализация через reinforcement learning (RL)**
+   - Модель учится на действиях клиента: кликнул / купил / проигнорировал
+   - Оптимизирует долгосрочную прибыль
+
+---
+
+## 🔹 5. Особенности B2B + пищевой сегмент
+
+| Фактор | Особенность |
+|-------|-------------|
+| **Объём закупок** | Большие партии → важно учитывать минимальные объёмы |
+| **Частота заказов** | Регулярные → можно строить прогнозы |
+| **Скоропортящиеся товары** | Нельзя рекомендовать просрочку или с коротким сроком |
+| **Логистика** | Рекомендации должны учитывать регион и склад |
+| **Ценовая чувствительность** | Клиенты могут быть чувствительны к цене и скидкам |
+| **Сезонность** | Высокая (новогодние наборы, летние продукты и т.д.) |
+
+---
+
+## 🔹 6. Архитектура системы (упрощённо)
+
+```
+[История заказов] → [ETL] → [Фичи: частота, совместные покупки, остатки]
+                             ↓
+[Модель: Apriori / XGBoost / Embeddings] → [Ранжирование]
+                             ↓
+[Фильтрация: склад, срок годности, логистика] → [Рекомендации]
+                             ↓
+[API] → [Фронтенд: "Вам также может понадобиться"]
+```
+
+---
+
+## 🔹 7. Поэтапное внедрение
+
+1. **MVP: Apriori + простые правила**
+   - "Часто покупают вместе"
+   - Фильтр по наличию на складе
+
+2. **Версия 2: Персонализация**
+   - Collaborative filtering
+   - Учёт истории клиента
+
+3. **Версия 3: ML-модель (XGBoost + LTR)**
+   - Ранжирование с учётом множества факторов
+
+4. **Версия 4: Deep Learning / Sequence модели**
+   - Учёт временных паттернов
+
+5. **A/B тестирование** на каждом этапе
+
+---
+
+## 🔚 Итого
+
+
+1. **Начать с ассоциативных правил (Apriori / FP-Growth)** — быстро, интерпретируемо, эффективно для cross-sell.
+2. **Добавить учёт складских остатков и срока годности** — критично для пищевой отрасли.
+3. **Перейти к гибридной модели** с XGBoost/LightGBM, ранжирующей товары по персонализированным признакам.
+4. **Использовать embeddings или sequence модели**, если есть данные о последовательностях заказов.
+5. **Внедрить A/B тесты** и измеряй бизнес-метрики.