Разработка сортировки товаров для интернет-магазина

Отметим: когда в каталоге десятки тысяч товаров, пользователь не найдет нужное без умной сортировки. Ошибка в дефолтном порядке стоит продаж: один клиент увеличил выручку на 15% просто сменив сортировку с «новинки» на «популярность». По данным исследования Nielsen Norman Group, пользователи проводят в 2 раза больше времени на сайтах с продуманной сортировкой. Алгоритм сортировки — не только ORDER BY. Это взвешенный рейтинг, time-decayed популярность, ручная мерчандайзинговая выдача и даже персонализация. На проекте интернет-магазина электроники с 200 000 товаров дефолтная сортировка по новизне давала конверсию 2.3%. После внедрения time-decayed популярности и ручной сортировки конверсия выросла до 3.1% (+34%) за 3 месяца. Дополнительно добавили персонализацию: CTR в категории «Смартфоны» вырос на 22%. Наш опыт — 5+ лет разработки, 50+ проектов с каталогами от 10 000 до 2 млн товаров. Получите консультацию инженера — оценим ваш проект за 1 день.

Проблемы, которые решает профессиональная сортировка

Основные виды сортировок и их подводные камни

Большинство магазинов используют сортировку по цене или рейтингу, но даже они часто реализованы криво. Рейтинг без учёта количества отзывов приводит к тому, что товар с одним отзывом на 5 звёзд оказывается выше товара с 200 отзывами на 4.8. А сортировка по популярности без учёта давности продаж ставит в топ товары, которые давно не покупают. Оба случая снижают доверие и конверсию. Мы решаем эти проблемы с помощью байесовского рейтинга и time-decayed score.

Дефолтная сортировка — как правило, «Популярность» или кастомный рейтинг с ручной поддержкой мерчандайзера.

Как Bayesian average решает проблему нечестной сортировки?

Наивная сортировка по среднему рейтингу некорректна: товар с одним отзывом на 5 звёзд окажется выше товара с 200 отзывами на 4.8. Используем Bayesian average или формулу Wilson score:

UPDATE products SET
  bayesian_rating = (50 * 3.5 + rating_sum) / (50 + reviews_count)
WHERE id = :id;

Это вычисляемое поле обновляется при каждом новом отзыве. Индекс по bayesian_rating для быстрой сортировки.

Почему time-decayed популярность необходима?

sales_count — кумулятивный счётчик всех продаж. Проблема: старый популярный товар всегда будет выше нового, который сейчас активно покупают. Решение — time-decayed popularity score:

UPDATE products SET
  popularity_score = (
    SELECT SUM(quantity * EXP(-0.1 * EXTRACT(DAY FROM NOW() - o.created_at)))
    FROM order_items oi
    JOIN orders o ON oi.order_id = o.id
    WHERE oi.product_id = products.id
      AND o.created_at >= NOW() - INTERVAL '90 days'
  )

Коэффициент 0.1 настраивается: для быстроменяющегося ассортимента — больше, для стабильных категорий — меньше. Time-decayed score увеличивает конверсию на 10–15% по нашим замерам.

Ручная сортировка для мерчандайзинга

Менеджер магазина хочет управлять тем, что видит пользователь в начале категории: продвигать новинки, спонсируемые товары, залежавшийся товар. Для этого нужен sort_order — ручное числовое поле. Интерфейс: drag-and-drop список товаров в административном разделе категории. Технически — сохраняем массив product_id в упорядоченном виде или sort_order: integer на каждом товаре. Гибридная сортировка: первые N позиций — ручные, остальные — по алгоритму. Сортировка выглядит так: сначала строки с заполненным sort_order, затем по убыванию popularity_score.

Гибридная сортировка: комбинирование подходов

Гибридная сортировка сочетает ручную и автоматическую: первые несколько позиций фиксированы (мерчандайзинг), остальные — по алгоритму (популярность, рейтинг). Такой подход используется в каталогах с широким ассортиментом, где нужно продвигать конкретные товары, не теряя релевантность выдачи.

Персонализация и Elasticsearch

При использовании Elasticsearch сортировка задаётся в параметре sort. Для PostgreSQL сортировка по цене требует два индекса (ASC и DESC), а ES решает это одним полем — на 30% меньше дискового пространства и быстрее вставка. Экономия на инфраструктуре при переходе на ES составляет до $500 в месяц для каталогов от 50 000 товаров, а при больших объёмах может достигать $700 в месяц.

{
  "sort": [
    { "popularity_score": { "order": "desc" } },
    { "bayesian_rating": { "order": "desc" } },
    { "_score": { "order": "desc" } }
  ]
}

Для ручной сортировки используем pinned query — он поднимает конкретные ID в начало без нарушения релевантности остальных.

Продвинутый уровень — персонализация каталога: показывать каждому пользователю разный порядок на основе его истории. Реализуется через пользовательские boost-факторы в Elasticsearch:

{
  "query": {
    "function_score": {
      "query": { "term": { "category_id": 14 } },
      "functions": [
        {
          "filter": { "term": { "brand": "apple" } },
          "weight": 2.0
        }
      ]
    }
  }
}

Boost-факторы вычисляются offline (батч-процесс на основе истории просмотров) и кешируются в Redis по user_id. Персонализация даёт +20% к CTR, но требует больше времени на внедрение.

Индексы и производительность

Каждый дополнительный вариант сортировки — потенциальный отдельный индекс. При 8–10 вариантах это существенно влияет на размер индексов и скорость INSERT/UPDATE. Например, 10 индексов на 100 000 товаров занимают около 500 МБ, а каждое обновление popularity_score через cron каждые 15 минут добавляет нагрузку. Правильное решение: использовать ES для сложных сортировок, оставив в PostgreSQL только простые ORDER BY. Оптимизация запросов включает частичные индексы и покрытие.

CREATE INDEX ON products (category_id, price ASC) WHERE status = 'active';
CREATE INDEX ON products (category_id, price DESC) WHERE status = 'active';
CREATE INDEX ON products (category_id, created_at DESC) WHERE status = 'active';
CREATE INDEX ON products (category_id, bayesian_rating DESC) WHERE status = 'active';
CREATE INDEX ON products (category_id, sort_order ASC NULLS LAST, popularity_score DESC);

Получите индивидуальную консультацию инженера по оптимизации сортировки вашего каталога.

Как мы реализуем сортировку: пошаговый план

1. Аудит текущей схемы и бизнес-требований. Разбираем, какие сортировки нужны, какие данные есть, какую нагрузку выдержит база.
2. Проектирование индексов и алгоритмов. Выбираем PostgreSQL или ES, определяем формулы взвешенного рейтинга и time-decayed score.
3. Реализация бэкенда. Создаём SQL-запросы, конфигурации ES, API-эндпоинты. Настраиваем cron для обновления popularity_score.
4. Интеграция UI-компонента. Разрабатываем дропдаун, синхронизацию с URL, обработку на мобильных устройствах.
5. Нагрузочное тестирование и запуск. Проверяем скорость запросов, оптимизируем индексы, фиксируем баги. После запуска — мониторинг производительности в течение месяца.

UI компонент и синхронизация

Стандартный select-дропдаун с вариантами. На мобайле — bottom sheet или отдельная страница. Текущий вариант сортировки отображается в URL (?sort=price_asc) и синхронизируется с состоянием компонента. При изменении сортировки — запрос к API без перезагрузки страницы, скролл вверх к первому товару. Skeleton-плейсхолдеры пока список обновляется.

Сроки и объём работ

Оценим ваш проект за 1 день. Закажите консультацию по сортировке вашего каталога — подберём оптимальное решение под ваш ассортимент.

Что входит в разработку

• Ревью схемы данных и бизнес-требований
• Проектирование индексов и алгоритмов
• Реализация всех вариантов (цена, рейтинг, популярность, новинки, акции, ручная)
• Настройка Elasticsearch (персонализация, pinned query)
• Интерфейс администратора для ручной сортировки (drag-and-drop)
• Интеграция UI-компонента на фронтенде
• Нагрузочное тестирование и оптимизация
• Документация и поддержка 1 месяц после запуска

Обратитесь к нам для получения детального технического аудита и подбора оптимальной схемы сортировки.

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.