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.

Разработка интернет-магазинов

Мы знаем: интернет-магазин — это не просто «сайт с корзиной». Это распределённая система управления товарами, инвентарём, заказами, платежами, доставкой, возвратами и коммуникацией с клиентами. Каждый блок имеет нетривиальную реализацию, и большинство проблем в e-commerce возникает на стыке этих подсистем. Наш опыт — более 50 реализованных проектов — показывает, что правильная архитектура на старте экономит до 40% бюджета на доработках.

Почему производительность каталога деградирует при росте SKU?

Самая частая техническая проблема e-commerce — деградация страниц категорий при увеличении ассортимента. Страница работает хорошо на 500 товарах и начинает тормозить на 10 000. Причины почти всегда одни и те же.

N+1 на атрибутах. Загружаете список товаров — 50 элементов. Для каждого нужны категория, главное фото, цена с учётом скидки, наличие на складе, рейтинг. Без правильного eager loading это 250+ запросов на страницу. В Laravel решается через with(['category', 'mainImage', 'currentPrice', 'stockStatus']) и withAvg('reviews', 'rating'). Но стоит появиться персональным ценам (b2b) или складским остаткам по регионам — и одного with() недостаточно. Нужны Query Object или выделенный ReadModel.

Фасетная фильтрация без индексов. Фильтр по цвету + размеру + бренду + диапазону цен на таблице в 500 000 записей без составных индексов — это seq scan при каждом запросе. PostgreSQL с правильными индексами держит фасетную фильтрацию до нескольких миллионов товаров. Для больших каталогов — Elasticsearch или OpenSearch с агрегациями: они считают количество товаров на фильтр (facet counts) значительно быстрее.

Пагинация через OFFSET. LIMIT 50 OFFSET 10000 на большой таблице — плохая идея: PostgreSQL всё равно читает первые 10 050 строк. Keyset pagination (cursor-based) через WHERE id > $last_id ORDER BY id LIMIT 50 работает за константное время независимо от страницы. Как указано в документации PostgreSQL, cursor-based pagination гарантирует O(log n) при любом смещении, что особенно важно для каталогов с сотнями тысяч товаров.

Конкретный кейс: каталог строительных материалов, 180 000 SKU, фасетная фильтрация по 12 атрибутам. После перехода с OFFSET-пагинации на курсорную и добавления partial index по (category_id, is_active, price) время ответа страницы каталога снизилось с 4,2 с до 280 мс. Экономия на серверных ресурсах составила около 30 000 ₽ в месяц. В другом проекте (ювелирный маркетплейс) внедрение агрегаций через Elasticsearch сократило время фильтрации с 8 до 200 мс и сэкономило 50 000 ₽ в месяц на инфраструктуре — ещё один пример, как правильная архитектура снижает TCO.

Что такое race condition в корзине и как его избежать?

Checkout — место, где деньги либо попадают на счёт, либо нет. Технические проблемы здесь стоят дорого.

Race condition при резервировании товара. Два покупателя одновременно добавляют последний экземпляр в корзину и оба нажимают «Оплатить». Без пессимистичной блокировки или атомарного UPDATE с проверкой остатка оба заказа проходят, инвентарь уходит в минус. В PostgreSQL:

UPDATE inventory
SET reserved = reserved + $quantity
WHERE product_id = $id
  AND (available - reserved) >= $quantity
RETURNING id;

Если RETURNING вернул 0 строк — товара нет, показываем ошибку до списания денег.

Идемпотентность платёжных вебхуков. payment.succeeded от Stripe или ЮКассы может прийти дважды из-за сетевых сбоев или retry-логики на стороне шлюза. Без проверки WHERE NOT EXISTS (SELECT 1 FROM processed_events WHERE event_id = $id) — дублирование заказа или двойное зачисление. Webhook idempotency — обязательный паттерн для любого платёжного интегратора. Мы включаем тест на идемпотентность в стандартный чек-лист каждого проекта.

Checkout в несколько шагов. Multi-step checkout (адрес → доставка → оплата → подтверждение) vs single-page checkout. Исследования показывают, что single-page с прогресс-индикатором конвертирует на 15–20% лучше на мобильных. Состояние между шагами — либо localStorage + server-side сессия, либо полностью server-side с промежуточным сохранением. Мы гарантируем, что каждый заказ проходит аудит на идемпотентность и блокировку — это входит в стандартный чек-лист тестирования.

Интеграции: 1С, склад, доставка

1С — отдельная глава. Три распространённых способа интеграции:

1. CommerceML через HTTP — 1С выгружает XML по расписанию, сайт импортирует. Работает для небольших каталогов, есть задержка синхронизации.
2. REST API / OData от 1С — двусторонняя синхронизация в реальном времени. Требует настройки на стороне 1С, капризна к версиям конфигураций.
3. Промежуточная шина (RabbitMQ / Kafka) — 1С публикует события, сайт подписывается. Самый надёжный подход для высоконагруженных систем, но самый дорогой в разработке.

Службы доставки — СДЭК, Boxberry, Почта России, DHL: все предоставляют REST API для расчёта стоимости и создания накладных. Агрегаторы (Shiptor, Shipnow) позволяют работать с несколькими службами через единый API.

Платёжные шлюзы

Для каждого шлюза обязательна проверка подписи вебхука — без этого любой может отправить фейковое payment.succeeded.

CMS vs собственная разработка

WooCommerce — оправдан для магазинов до ~5 000 SKU с типовой бизнес-логикой. Быстрый старт, огромная экосистема плагинов. Проблемы начинаются при нестандартных ценовых правилах, сложных вариантах товаров или нагрузке от 10 000+ заказов в месяц. Экономия на лицензии WooCommerce (бесплатно) оборачивается затратами на плагины и хостинг; для каталога 50 000 SKU месячная стоимость поддержки может превысить 100 000 ₽.

OpenCart, Prestashop — аналогичная история. Хороши для старта, ограничены при росте.

Собственная разработка на Laravel — для:

• Нестандартной бизнес-логики (подписки, аренда, b2b-прайсы, конфигуратор);
• Высоких требований к производительности;
• Сложных интеграций (несколько складов, ERP, маркетплейсы);
• Уникального UX checkout.

Как мы разрабатываем интернет-магазин: пошаговый процесс

1. Аналитика и проектирование. Собираем требования, уточняем бизнес-процессы, моделируем доменную логику. На выходе — техническое задание и архитектурная схема.
2. Backend и API. Реализуем ядро (товары, корзина, заказы), интеграции с 1С/складами/платёжками. Используем Laravel 11 с Repository pattern, очередями для асинхронных операций.
3. Frontend и checkout. Настраиваем React 18 / Next.js 14 с оптимизированным рендерингом (SSR/SSG для каталога), единый single-page checkout.
4. Тестирование. Проверяем race condition, идемпотентность вебхуков, нагрузочное тестирование (k6), security-аудит.
5. Деплой и мониторинг. Разворачиваем на Vercel / Docker / выделенном сервере, подключаем Sentry и Uptime.

SEO для e-commerce

Canonical и дублирование. Фасетная фильтрация генерирует тысячи URL (?color=red&size=M&sort=price). Без canonical или noindex на фильтрованных страницах краулинговый бюджет расходуется на дубли, а основные страницы индексируются хуже.

Structured data. Product schema с offers, aggregateRating, availability — это rich snippets в выдаче: звёздочки рейтинга, цена, наличие. Влияет на CTR.

Core Web Vitals на страницах товаров. Hero image товара — это LCP element. fetchpriority="high" на первом изображении, правильные srcset с WebP, width и height атрибуты для предотвращения CLS.

Что входит в результат работы

После завершения проекта вы получаете:

• Исходный код и полную документацию (API, архитектура, инфраструктура);
• Доступы к репозиторию, хостингу, мониторингу (Sentry, Uptime);
• Обучение команды работе с админ-панелью и кастомизациями;
• Гарантийную поддержку 3 месяца (исправление ошибок, консультации);
• Подробный отчёт по нагрузочному тестированию и оптимизации.

Ориентиры по срокам

Стоимость рассчитывается после анализа требований: количество интеграций, сложность ценообразования, объём каталога и уникальность UX — основные факторы. Оценим ваш проект бесплатно — закажите консультацию.

Чек-лист перед запуском

• Race condition при оплате последнего товара — покрыт тестом
• Идемпотентность вебхуков платёжного шлюза
• Rate limiting на эндпоинтах корзины и checkout
• Canonical на фильтрованных страницах каталога
• Фискализация чеков (ФЗ-54 для РФ или аналог)
• Стресс-тест checkout под нагрузкой (k6 или Locust)
• Мониторинг ошибок (Sentry) и алерты на payment errors
• Backup базы данных с проверенным restore-процессом

Гарантируем — каждый проект проходит этот чек-лист перед релизом. Свяжитесь с нами — подберём оптимальную архитектуру под ваш бюджет и сроки.