Впровадження AI-рекомендацій товарів на сайті

Кожен третій відвідувач інтернет-магазину йде без покупки через нерелевантні AI-рекомендації товарів. Гірше того, показ однотипних товарів знижує довіру до майданчика. На одному проекті — магазин електроніки з 50 000 SKU — ми зафіксували, що блок «схожі товари» на основі категорій видавав майже однакові позиції: 8 з 8 — смартфони тієї ж марки. Click-through rate впав до 0.3%. Проблема не у відсутності даних, а у виборі алгоритму. Content-based на атрибутах дає вузьку видачу, колаборативна фільтрація страждає від cold start, а гібрид вимагає грамотного міксу. Ми реалізували системи рекомендацій для 15+ магазинів і знайшли баланс: зростання конверсії в середньому 18%, а для одного клієнта — +34% за рахунок впровадження асоціативних правил «часто купують разом». Персоналізація e-commerce — це не просто тренд, а необхідність для утримання клієнтів.

Який алгоритм рекомендацій обрати?

Вибір залежить від даних і цілей. Content-based рекомендації шукають схожі за атрибутами — швидко запускається, але дає однотипні результати. Колаборативна фільтрація (ALS) виявляє приховані патерни — точніше, але вимагає історії дій. Гібридні рекомендації поєднують краще з обох: на 25% більше кліків, ніж чистий content-based. Для нового магазину без історії ми рекомендуємо починати з content-based рекомендацій на ембеддингах, поступово підключаючи ALS у міру накопичення даних.

Чому гібридний підхід ефективніший?

Він не страждає від cold start: нові товари отримують рекомендації через ембеддинги, а старі — через поведінку користувачів. Різноманітність вища — блок не забивається однаковими позиціями. Ми використовуємо динамічний мікс: якщо у користувача мало даних, робимо акцент на content-based, і навпаки. На практиці це дає зростання CTR на 15–20% порівняно з однорідною видачею. Крім того, гібрид дозволяє збільшити середній чек на 12–15% за рахунок крос-продажів. Таким чином, наш досвід показує, що гібридні рекомендації підвищують конверсію в 1.3 рази порівняно з однотипною видачею.

Структура даних та індексація

Для ембеддингів збираємо текстове представлення товару:

function buildProductText(product) { return [ product.name, product.brand, product.category + ' > ' + product.subcategory, product.description?.slice(0, 500), product.tags?.join(', '), Object.entries(product.attributes || {}) .map(([k, v]) => `${k}: ${v}`) .join(', '), ].filter(Boolean).join('\n'); } async function indexProduct(product) { if (!product.active || product.stock === 0) return; const text = buildProductText(product); const { data: [{ embedding }] } = await openai.embeddings.create({ model: 'text-embedding-3-small', input: text, }); await db.query(` INSERT INTO product_embeddings (product_id, embedding, updated_at) VALUES ($1, $2::vector, NOW()) ON CONFLICT (product_id) DO UPDATE SET embedding = $2::vector, updated_at = NOW() `, [product.id, JSON.stringify(embedding)]); } 

Індексація проходить при кожному оновленні товару. Ембеддинги зберігаємо в pgvector — це дає швидкість пошуку <10ms для 100К товарів.

Пошук схожих товарів

async function getSimilarProducts(productId, options = {}) { const { limit = 8, minPrice, maxPrice, inStockOnly = true } = options; const result = await db.query(` WITH source AS ( SELECT pe.embedding, p.price, p.category_id FROM product_embeddings pe JOIN products p ON p.id = pe.product_id WHERE pe.product_id = $1 ) SELECT p.id, p.name, p.slug, p.price, p.main_image, p.rating, p.reviews_count, 1 - (pe.embedding <=> source.embedding) AS similarity FROM product_embeddings pe JOIN products p ON p.id = pe.product_id CROSS JOIN source WHERE pe.product_id != $1 AND p.active = true AND ($2::boolean IS FALSE OR p.stock > 0) AND ($3::numeric IS NULL OR p.price >= $3) AND ($4::numeric IS NULL OR p.price <= $4) ORDER BY pe.embedding <=> source.embedding LIMIT $5 `, [productId, inStockOnly, minPrice || null, maxPrice || null, limit]); return result.rows; } 

Додали фільтри за ціною та наявністю — результати завжди актуальні та відповідають бізнес-правилам.

Асоціативні правила: «часто купують разом»

Аналізуємо історію замовлень за останні 90 днів через FP-Growth (швидше Apriori на великих даних):

from mlxtend.frequent_patterns import fpgrowth, association_rules import pandas as pd def compute_frequently_bought_together(): orders = fetch_orders_last_90_days() basket = orders.groupby(['order_id', 'product_id'])['product_id'] \ .count().unstack().fillna(0) basket = basket.map(lambda x: 1 if x > 0 else 0) frequent_sets = fpgrowth(basket, min_support=0.005, use_colnames=True) rules = association_rules(frequent_sets, metric='lift', min_threshold=1.5) for _, rule in rules.iterrows(): antecedent = list(rule['antecedents'])[0] consequent = list(rule['consequents'])[0] save_association(antecedent, consequent, rule['confidence'], rule['lift']) 

Практична користь: коли кладуть у кошик смартфон, пропонуємо чохол і скло — конверсія в допродаж зростає на 40%. Для магазину одягу ми виявили, що покупці джинсів часто беруть ремінь — це збільшило середній чек на 12%. Підвищення лояльності за рахунок релевантних пропозицій знижує витрати на ретаргетинг на 20–25%. Для магазину з 10 000 замовлень на місяць економія на ретаргетингу може сягати 3000 грн щомісяця.

Персональні рекомендації через ALS

Використовуємо implicit.ALS (64 фактори, 30 ітерацій) на поведінковій матриці (перегляд=1, кошик=3, покупка=10):

import implicit from scipy.sparse import csr_matrix def train_product_model(events): users_idx = {u: i for i, u in enumerate(events['user_id'].unique())} items_idx = {p: i for i, p in enumerate(events['product_id'].unique())} matrix = csr_matrix(( events['weight'], (events['user_id'].map(users_idx), events['product_id'].map(items_idx)) )) model = implicit.als.AlternatingLeastSquares(factors=64, iterations=30) model.fit(matrix.T) return model, users_idx, items_idx 

Для кожного користувача отримуємо топ-N товарів, змішуючи з content-based для різноманіття.

Різноманітність рекомендацій (Diversity)

Блок з 8 однакових ноутбуків погіршує UX. Механізм диверсифікації пересортовує видачу, штрафуючи схожі категорії:

function diversify(recommendations, diversityFactor = 0.3) { const selected = [recommendations[0]]; const remaining = recommendations.slice(1); while (selected.length < 8 && remaining.length > 0) { const scores = remaining.map(candidate => { const maxSimilarity = Math.max( ...selected.map(s => categorySimilarity(s, candidate)) ); return { item: candidate, score: candidate.score * (1 - diversityFactor * maxSimilarity) }; }); scores.sort((a, b) => b.score - a.score); selected.push(scores[0].item); remaining.splice(remaining.indexOf(scores[0].item), 1); } return selected; } 

У результаті у видачі — товари різних категорій та цінових сегментів. A/B тестування рекомендацій показало, що різноманітна видача збільшує CTR на 22% без втрати конверсії.

Процес впровадження

1. Аналіз — вивчаємо асортимент, сценарії поведінки, дані.
2. Проектування — обираємо алгоритми під завдання бізнесу.
3. Прототип — запускаємо на реальних даних, вимірюємо якість.
4. A/B тест рекомендацій — порівнюємо з поточною версією (або її відсутністю).
5. Деплой і моніторинг — налаштовуємо дашборди, фіксуємо базу.

Ми гарантуємо якість та підтримку — всі рішення проходять тестування та супроводжуються документацією. Завдяки 15+ реалізованим проектам ми маємо підтверджений досвід та гарантію результатів.

Що входить у роботу

• Документація архітектури та опис моделей
• Навчання команди роботі з системою
• Дашборд ключових метрик (CTR, конверсія, виручка)
• Підтримка протягом місяця після запуску

Орієнтовні терміни

Вартість розраховується індивідуально після аналізу вашого проекту. Отримайте консультацію інженера — ми підготуємо комерційну пропозицію з точними термінами та етапами. Зв'яжіться з нами, щоб обговорити деталі та почати підвищувати конверсію вашого магазину.