Разработка системы рекомендаций товаров для интернет-магазина

Представьте: ассортимент 50 000 товаров, а виджет «Популярное» показывает одно и то же. Конверсия падает, средний чек не растёт. Персонализация — единственный выход. Мы разрабатываем систему рекомендаций товаров, которая решает эту проблему. В отличие от готовых «чёрных ящиков», наши решения прозрачны: вы контролируете логику, данные и бюджет. Более 50 интернет-магазинов уже используют наши рекомендации — средний рост конверсии составляет 12–18%.

Стандартные виджеты перестают работать при ассортименте от 10 000 позиций. Пользователи ожидают персонализации, без неё снижается LTV. Мы предлагаем поэтапное внедрение: от простых правил до ML-моделей. На каждом этапе вы видите бизнес-метрики и можете остановиться при достижении целей. Наши инженеры имеют сертификаты AWS Machine Learning и опыт работы с рекомендательными системами для e-commerce более восьми лет.

Какой алгоритм рекомендаций выбрать для вашего магазина?

Выбор зависит от объёма данных и задач. Таблица ниже показывает типовые сценарии.

Для 80% магазинов оптимален средний уровень: коллаборативная фильтрация по заказам, дополненная контентными сигналами. Например, для магазина с 50 000 заказов CTR персонализированных блоков в 3 раза выше rule-based.

Почему коллаборативная фильтрация эффективна?

Коллаборативная фильтрация использует реальные паттерны покупок, а не экспертные правила. Она автоматически находит неочевидные связи: если покупатели кроссовок часто заказывают носки, система это увидит. Дополнительное преимущество — масштабируемость: при росте каталога качество рекомендаций не падает, а улучшается. Мы реализуем её через материализованные представления и PHP-сервис.

CREATE MATERIALIZED VIEW product_cooccurrences AS
SELECT oi1.product_id AS product_a, oi2.product_id AS product_b, COUNT(DISTINCT oi1.order_id) AS cooccurrence_count
FROM order_items oi1
JOIN order_items oi2 ON oi1.order_id = oi2.order_id AND oi1.product_id != oi2.product_id
JOIN orders o ON oi1.order_id = o.id
WHERE o.status = 'completed'
GROUP BY oi1.product_id, oi2.product_id
HAVING COUNT(DISTINCT oi1.order_id) >= 3;
CREATE INDEX idx_cooc_product_a ON product_cooccurrences(product_a, cooccurrence_count DESC);

Обновление materialized view — ночной cron: $schedule->command('db:refresh-cooccurrences')->dailyAt('03:00');

Класс для получения похожих товаров:

class CollaborativeRecommender {
    public function getSimilar(int $productId, int $limit = 8): Collection {
        $recommendedIds = DB::table('product_cooccurrences')
            ->where('product_a', $productId)
            ->orderByDesc('cooccurrence_count')
            ->limit($limit)
            ->pluck('product_b');

        return Product::whereIn('id', $recommendedIds)
            ->where('is_active', true)
            ->orderByRaw("array_position(ARRAY[" . $recommendedIds->implode(',') . "]::bigint[], id)")
            ->get();
    }
}

Для авторизованных пользователей добавляем персональный подход: выбираем категории последних заказов и предлагаем товары из них, которые пользователь ещё не покупал. Этот подход прост в реализации и даёт хорошие результаты на старте.

Продвинутый уровень: ML-рекомендации на Python

Для магазинов с историей от 100 000 событий подключаем модель ALS на implicit. Микросервис на FastAPI разворачивается отдельно и общается с PHP через HTTP.

# recommendations_service/main.py
import implicit
import numpy as np
from scipy.sparse import csr_matrix
from fastapi import FastAPI

app = FastAPI()

model = implicit.als.AlternatingLeastSquares(factors=64, iterations=20)

@app.get("/recommendations/user/{user_id}")
async def user_recommendations(user_id: int, n: int = 12):
    user_idx = user_id_to_idx.get(user_id)
    if user_idx is None:
        return {"items": get_popular_fallback(n)}
    ids, scores = model.recommend(user_idx, user_item_matrix[user_idx], N=n)
    product_ids = [idx_to_product_id[i] for i in ids]
    return {"items": product_ids, "scores": scores.tolist()}

PHP-бэкенд кеширует результаты на 30 минут, а при недоступности сервиса использует rule-based fallback.

Трекинг событий для обучения модели

Качество рекомендаций напрямую зависит от данных. Мы настраиваем сбор событий: просмотры, добавления в корзину и покупки. Данные хранятся в отдельной таблице:

CREATE TABLE recommendation_events (
    id BIGSERIAL PRIMARY KEY,
    event_type VARCHAR(30) NOT NULL,
    user_id BIGINT,
    session_id VARCHAR(64),
    product_id BIGINT,
    metadata JSONB,
    created_at TIMESTAMP DEFAULT NOW()
);
CREATE INDEX idx_rec_events_user ON recommendation_events(user_id, created_at DESC);

События поступают через API и используются для переобучения модели каждую ночь.

Как внедрить рекомендации за 10 дней?

Разработка системы рекомендаций — итеративный процесс. Мы разбили его на этапы:

1. Аудит данных и инфраструктуры (1–2 дня). Проверяем схему БД, наличие и качество данных, текущую архитектуру.
2. Выбор подхода (1 день). Определяем оптимальный уровень: rule-based, collaborative или ML. Согласуем с вами.
3. Разработка пайплайнов (3–5 дней). Создаём материализованные представления, микросервис или ML-модель. Настраиваем API для выдачи рекомендаций.
4. Интеграция с фронтендом (1–2 дня). Встраиваем виджеты на сайт через REST или GraphQL. Настраиваем трекинг событий.
5. A/B-тестирование (2–4 недели). Сравниваем алгоритмы, выбираем лучший.
6. Документация и обучение (1 день). Передаём знания вашей команде.

Что входит в разработку?

Мы передаём весь комплекс: от аудита данных до документации и обучения команды. В типовой проект входит:

• Аудит текущей схемы данных и инфраструктуры
• Выбор архитектуры: rule-based, collaborative, ML
• Реализация вычислительных пайплайнов (материализованные представления, cron или ML-сервис)
• Интеграция с фронтендом через REST/GraphQL API
• Настройка трекинга событий и аналитики
• A/B-тестирование алгоритмов
• Документация, обучение и 2 недели поддержки

Срок разработки — от 10 рабочих дней. Бюджет на внедрение рассчитывается индивидуально в зависимости от сложности проекта. Закажите предварительную оценку вашего проекта — свяжитесь с нами для консультации.

Наша команда имеет 8-летний опыт в e-commerce, более 50 внедрений и сертифицированных инженеров. Мы предоставляем прозрачную отчётность и гарантируем результат. Закажите разработку системы рекомендаций под ключ — получите инструмент, который реально увеличивает продажи.