Розробка модуля рекомендаційної системи 1С-Бітрікс під ключ

Розробка модуля рекомендаційної системи 1С-Бітрікс

Блок «З цим товаром купують» є майже в кожному інтернет-магазині, але його реалізація часто розчаровує. Ручне прив'язування не масштабується при каталозі від 1 000 позицій. «Схожі за категорією» дають нерелевантні результати: покупець мотоцикла бачить інші мотоцикли, а не шоломи та рукавички. Розумна рекомендаційна система на базі машинного навчання вирішує цю проблему: аналізує поведінку тисяч покупців і підбирає товари, що збільшують середній чек на 20–30% (при середньому чеку 3 000 грн це додаткові 600 грн з кожного замовлення). Ми розробляємо такі модулі під ключ для 1С-Бітрікс, гарантуючи прозору архітектуру та передбачувану продуктивність. За час нашої роботи та понад 50 проектів ми накопичили компетенції, що дозволяють впровадити рекомендації за 2–12 тижнів залежно від складності.

Вибір алгоритму: колаборативна або контентна фільтрація?

Три основні підходи. Collaborative filtering — «Користувачі, які купили X, також купили Y». Потребує достатньої історії замовлень: працює з каталогом від 500 позицій і обсягом замовлень від 1 000/міс. Матриця будується з b_sale_basket та b_sale_order. Content-based filtering — рекомендації за схожістю характеристик: категорія, бренд, теги, ціновий діапазон. Працює з першого дня без історії. Гібридний підхід — для нових товарів content-based, для товарів зі статистикою — collaborative. За нашими даними, гібридний підхід дає на 30% більше кліків, ніж чистий content-based, і в 1,5 рази ефективніший.

Чому гібридний підхід вигідніший?

Гібридний підхід поєднує переваги обох стратегій: холодний старт для новинок і точність на основі покупок. Після накопичення 500+ замовлень collaborative filtering підхоплює і починає рекомендувати товари, які дійсно часто купують разом. У результаті конверсія зростає на 25–30%, а навантаження на менеджерів знижується на 40% (економія до 400 000 грн на рік для каталогу з 5 000 товарів).

Архітектура модуля

Збирач даних. Агент раз на добу збирає пари «товар A був куплений разом з товаром B» з b_sale_basket за допомогою штатного ORM 1С-Бітрікс. Результат — матриця спільних покупок у таблиці myvendor_rec_cooc. Нормалізація score: метрика Жаккара, що враховує популярність.

Блок рекомендацій. Компонент отримує ID поточного товару, читає топ-N з таблиці, збагачує даними з b_iblock_element та b_catalog_price. Повний запит займає 5–10 мс завдяки тегованому кешуванню.

Персоналізація для зареєстрованих користувачів будується на основі історії переглядів та замовлень. Агент раз на добу розраховує персональний топ-20 і кешує в myvendor_rec_personal. На сторінці «Спеціально для вас» компонент читає кеш — без важких обчислень у рантаймі.

Як проводиться A/B тестування?

Модуль включає простий A/B тест: частина користувачів (за hash від user_id) бачить collaborative-рекомендації, інша — content-based. Конверсія фіксується в myvendor_rec_click_log. Статистика доступна в адмінці. Це дозволяє об'єктивно оцінити, який алгоритм приносить більше покупок. Наприклад, в одному з проектів конверсія зросла на 28% після перемикання на гібридний режим.

Контекстні сценарії використання

Окрім картки товару та головної, модуль реалізує рекомендації: у кошику («Додайте до замовлення»), на сторінці категорії (суміжні категорії), при порожніх результатах пошуку (альтернативи за характеристиками).

Порівняння підходів за критеріями

Терміни розробки (орієнтовно)

Вартість розраховується індивідуально, залежить від обсягу каталогу та необхідної функціональності. Гарантуємо прозоре ціноутворення та фіксовані терміни.

Збільште середній чек вашого магазину: зв'яжіться з нами для оцінки вашого проекту — ми підберемо оптимальну конфігурацію модуля під ваш каталог та аудиторію. Отримайте консультацію сертифікованого спеціаліста з Бітрікс. Замовте попередній аналіз даних вашого каталогу — це безкоштовно.