Розробка системи рекомендацій товарів 1С-Бітрікс

Ви втрачаєте до 30% виручки, якщо у вашому інтернет-магазині на 1С-Бітрікс немає персоналізованих рекомендацій. Покупець приходить за конкретним товаром, але не бачить супутніх позицій, не отримує пропозицій на основі своїх інтересів — і йде до конкурентів. Ми вирішуємо це завдання, впроваджуючи системи рекомендацій, які збільшують середній чек на 15–25% та конверсію в покупку. Досвід 10+ років, сертифіковані спеціалісти, гарантія результату.

Чому персоналізація така ефективна?

Персоналізовані рекомендації працюють тому, що знижують когнітивне навантаження на покупця. Замість того щоб перебирати сотні товарів, він бачить лише релевантні варіанти. Алгоритми аналізують поведінку користувача — перегляди, додавання в кошик, покупки — і підбирають те, що з високою ймовірністю зацікавить саме його. Порівняйте: за даними нашої практики, collaborative filtering дає CTR на 30% вищий, ніж content-based, за наявності 1000+ дій на товар. Дослідження McKinsey показує, що персоналізація підвищує виручку на 10-30%.

Як алгоритми рекомендацій підвищують конверсію?

Вибір алгоритму визначає точність рекомендацій. Розглянемо основні підходи.

Content-based filtering — рекомендуємо товари, схожі на переглянутий за характеристиками: категорія, ціна, теги. Працює без історії, підходить для нових користувачів.

function getContentBasedRecommendations(int $productId, int $limit = 10): array { $product = \CIBlockElement::GetByID($productId)->GetNext(); $iblockId = $product['IBLOCK_ID']; $price = \CPrice::GetBasePrice($productId)['PRICE']; $sectionId = $product['IBLOCK_SECTION_ID']; // Товари з тієї ж категорії в ціновому діапазоні ±30% $result = \CIBlockElement::GetList( ['RAND' => 'ASC'], [ 'IBLOCK_ID' => $iblockId, 'IBLOCK_SECTION_ID' => $sectionId, '!ID' => $productId, '>=CATALOG_PRICE_1' => $price * 0.7, '<=CATALOG_PRICE_1' => $price * 1.3, 'ACTIVE' => 'Y', ], false, ['nPageSize' => $limit], ['ID', 'NAME', 'DETAIL_PAGE_URL', 'PREVIEW_PICTURE'] ); $items = []; while ($item = $result->GetNext()) { $items[] = $item; } return $items; } 

Алгоритм простий у реалізації та працює миттєво, але не враховує смаки конкретного користувача.

Collaborative filtering — «користувачі, які дивилися цей товар, також дивилися...» Потребує накопиченої історії переглядів та покупок, але дає більш персоналізовані рекомендації. Збираємо дані з:

• b_sale_basket та b_sale_order — реальні покупки.
• Кастомна таблиця custom_product_views — перегляди карток.
• b_sale_fuser — гостьові користувачі.

Продуктивність колаборативної фільтрації на 30% вища за content-based за CTR за наявності 1000+ дій на товар.

Матрична факторизація (ALS/SVD) — просунутий алгоритм, потребує бібліотек (Python: implicit, surprise). Виносимо розрахунок рекомендацій в окремий мікросервіс на Python, результати зберігаємо в Redis/PostgreSQL, Бітрікс лише читає. Такий підхід дає приріст CTR до 12% на великих каталогах.

Збір поведінкових даних

// Трекінг перегляду товару // Викликається в шаблоні компонента catalog.element $userId = $USER->GetID() ?: 0; $fuserId = (int)\Bitrix\Sale\Fuser::getId(); $db->query(" INSERT INTO custom_product_views (product_id, user_id, fuser_id, viewed_at) VALUES (?, ?, ?, NOW()) ON DUPLICATE KEY UPDATE view_count = view_count + 1, viewed_at = NOW() ", [$productId, $userId, $fuserId]); 

CREATE TABLE custom_product_views ( id SERIAL PRIMARY KEY, product_id INT NOT NULL, user_id INT DEFAULT 0, fuser_id INT NOT NULL, view_count INT DEFAULT 1, viewed_at DATETIME, UNIQUE KEY uk_product_fuser (product_id, fuser_id), INDEX idx_fuser (fuser_id), INDEX idx_product (product_id) ); 

Розрахунок «користувачі також дивилися»

-- Товари, які найчастіше дивляться разом з товаром $productId SELECT v2.product_id, COUNT(DISTINCT v2.fuser_id) AS co_views FROM custom_product_views v1 JOIN custom_product_views v2 ON v1.fuser_id = v2.fuser_id AND v2.product_id != v1.product_id AND v2.viewed_at BETWEEN DATE_SUB(v1.viewed_at, INTERVAL 1 HOUR) AND DATE_ADD(v1.viewed_at, INTERVAL 1 HOUR) WHERE v1.product_id = :productId GROUP BY v2.product_id ORDER BY co_views DESC LIMIT 20; 

Результати кешуються в Redis на 6–24 години. Перераховуються агентом Бітрікс вночі за всіма популярними товарами.

Персоналізація для авторизованого користувача

Для авторизованих користувачів дивимося історію переглядів за останні 30 днів:

function getPersonalizedRecommendations(int $userId, int $limit = 12): array { // Останні переглянуті категорії користувача $recentCategories = getRecentUserCategories($userId, 5); // Товари з цих категорій, які він ще не дивився return \CIBlockElement::GetList( ['CATALOG_PRICE_1' => 'ASC'], [ 'IBLOCK_ID' => CATALOG_IBLOCK_ID, 'IBLOCK_SECTION_ID' => $recentCategories, '!ID' => getViewedProductIds($userId), 'ACTIVE' => 'Y', ], false, ['nPageSize' => $limit], ['ID', 'NAME', 'DETAIL_PAGE_URL', 'PREVIEW_PICTURE'] ); } 

Адміністративне управління рекомендаціями

Система дозволяє:

• Переглядати статистику кліків по рекомендаціях (CTR кожного алгоритму).
• Додавати ручні рекомендації (пінкоди) для окремих товарів.
• Виключати товари з рекомендацій (розпродані, сезонні).
• A/B тестувати алгоритми: половина користувачів бачить content-based, половина — collaborative.

Порівняння підходів за часом та ефектом

Терміни

Разом: 2.5–3.5 тижні для повної системи. Content-based рекомендації без персоналізації — 1 тиждень.

Що входить в роботу

• Документація по API рекомендацій та схемі даних.
• Доступ до адмін-панелі управління рекомендаціями.
• Навчання співробітників (адміністрування, A/B тести).
• Підтримка 2 місяці після запуску (виправлення помилок, доналаштування).

Як ми впроваджуємо систему: покроковий план

1. Аналіз даних — оцінюємо обсяг каталогу, історію переглядів та покупок, визначаємо цільові сторінки для розміщення рекомендацій.
2. Вибір алгоритму — на основі аналізу обираємо content-based, collaborative або гібридний підхід. Для невеликих магазинів часто достатньо content-based, для великих — колаборативна фільтрація з collaborative filtering.
3. Інтеграція збору даних — впроваджуємо трекінг переглядів та покупок через кастомні таблиці та події Бітрікс.
4. Розробка рекомендаційних блоків — створюємо компоненти для виведення рекомендацій на каталозі, картці товару, в кошику.
5. Кешування та агенти — налаштовуємо Redis для швидкого доступу та агенти Бітрікс для нічного перерахунку.
6. A/B тестування — запускаємо тестування різних алгоритмів для збору статистики.
7. Деплой та навчання — розгортаємо на продакшені, навчаємо співробітників роботі з адмін-панеллю.