Розробка системи рекомендацій товарів для інтернет-магазину

Уявіть: асортимент 50 000 товарів, а віджет «Популярне» показує одне й те саме. Конверсія падає, середній чек не зростає. Персоналізація — єдиний вихід. Ми розробляємо систему рекомендацій товарів, яка вирішує цю проблему. На відміну від готових «чорних скриньок», наші рішення прозорі: ви контролюєте логіку, дані та бюджет. Понад 50 інтернет-магазинів уже використовують наші рекомендації — середнє зростання конверсії становить 12–18%.

Стандартні віджети перестають працювати при асортименті від 10 000 позицій. Користувачі очікують персоналізації, без неї знижується LTV. Ми пропонуємо поетапне впровадження: від простих правил до ML-моделей. На кожному етапі ви бачите бізнес-метрики та можете зупинитися при досягненні цілей. Наші інженери мають сертифікати AWS Machine Learning та досвід роботи з рекомендаційними системами для e-commerce понад вісім років. Ми виконали вже 50+ проектів, і наш досвід дозволяє скоротити бюджет на 20–30% порівняно з конкурентами.

Який алгоритм рекомендацій обрати для вашого магазину?

Вибір залежить від обсягу даних і завдань. Таблиця нижче показує типові сценарії.

Для 80% магазинів оптимальний середній рівень: колаборативна фільтрація за замовленнями, доповнена контентними сигналами. Наприклад, для магазину з 50 000 замовлень CTR персоналізованих блоків у 3 рази вищий за rule-based.

Чому колаборативна фільтрація ефективна?

Колаборативна фільтрація використовує реальні патерни покупок, а не експертні правила. Вона автоматично знаходить неочевидні зв'язки: якщо покупці кросівок часто замовляють шкарпетки, система це побачить. Додаткова перевага — масштабованість: при зростанні каталогу якість рекомендацій не падає, а покращується. Ми реалізуємо її через матеріалізовані представлення та PHP-сервіс. Такий підхід у 2 рази дешевший за готові SaaS-рішення.

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);

Оновлення materialized view — нічний cron: $schedule->command('db:refresh-cooccurrences')->dailyAt('03:00');

Клас для отримання схожих товарів:

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 авторизованих користувачів додаємо персональний підхід: вибираємо категорії останніх замовлень і пропонуємо товари з них, які користувач ще не купував. Цей підхід простий у реалізації і дає хороші результати на старті.

Продвинутий рівень: ML-рекомендації на Python

Для магазинів з історією від 100 000 подій підключаємо модель ALS на implicit. Мікросервіс на FastAPI розгортається окремо і спілкується з PHP через HTTP. Вартість такої інтеграції — від $1500, що вдвічі дешевше за готові хмарні рішення.

# 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-бекенд кешує результати на 30 хвилин, а при недоступності сервісу використовує rule-based fallback.

Трекінг подій для навчання моделі

Якість рекомендацій безпосередньо залежить від даних. Ми налаштовуємо збір подій: перегляди, додавання в кошик і покупки. Дані зберігаються в окремій таблиці:

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);

Події надходять через API і використовуються для перенавчання моделі щоночі.

Як впровадити рекомендації за 10 днів?

Розробка системи рекомендацій — ітеративний процес. Ми розбили його на етапи:

1. Аудит даних та інфраструктури (1–2 дні). Перевіряємо схему БД, наявність і якість даних, поточну архітектуру.
2. Вибір підходу (1 день). Визначаємо оптимальний рівень: rule-based, collaborative або ML. Узгоджуємо з вами.
3. Розробка пайплайнів (3–5 днів). Створюємо матеріалізовані представлення, мікросервіс або ML-модель. Налаштовуємо API для видачі рекомендацій.
4. Інтеграція з фронтендом (1–2 дні). Вбудовуємо віджети на сайт через REST або GraphQL. Налаштовуємо трекінг подій.
5. A/B-тестування (2–4 тижні). Порівнюємо алгоритми, обираємо найкращий.
6. Документація та навчання (1 день). Передаємо знання вашій команді.

Що входить у розробку?

Ми передаємо весь комплекс: від аудиту даних до документації та навчання команди. У типовий проект входить:

• Аудит поточної схеми даних та інфраструктури
• Вибір архітектури: rule-based, collaborative, ML
• Реалізація обчислювальних пайплайнів (матеріалізовані представлення, cron або ML-сервіс)
• Інтеграція з фронтендом через REST/GraphQL API
• Налаштування трекінгу подій та аналітики
• A/B-тестування алгоритмів
• Документація, навчання та 2 тижні підтримки

Термін розробки — від 10 робочих днів. Бюджет на впровадження — від $800 для rule-based, від $1500 для collaborative, від $3000 для ML. Наша команда має 8-річний досвід у e-commerce, більше 50 впроваджень і сертифікованих інженерів. Ми надаємо прозору звітність і гарантуємо результат. Замовте розробку системи рекомендацій під ключ — отримайте інструмент, який реально збільшує продажі.

Розробка інтернет-магазинів

Ми знаємо: інтернет-магазин — це не просто «сайт з кошиком». Це розподілена система управління товарами, інвентарем, замовленнями, платежами, доставкою, поверненнями та комунікацією з клієнтами. Кожен блок має нетривіальну реалізацію, і більшість проблем в e-commerce виникає на стику цих підсистем. Наш досвід — понад 50 реалізованих проектів — показує, що правильна архітектура на старті економить до 40% бюджету на доробках.

Чому продуктивність каталогу деградує при зростанні SKU?

Найчастіша технічна проблема e-commerce — деградація сторінок категорій при збільшенні асортименту. Сторінка працює добре на 500 товарах і починає гальмувати на 10 000. Причини майже завжди одні й ті ж.

N+1 на атрибутах. Завантажуєте список товарів — 50 елементів. Для кожного потрібні категорія, головне фото, ціна з урахуванням знижки, наявність на складі, рейтинг. Без правильного eager loading це 250+ запитів на сторінку. В Laravel вирішується через with(['category', 'mainImage', 'currentPrice', 'stockStatus']) та withAvg('reviews', 'rating'). Але варто з'явитися персональним цінам (b2b) або складським залишкам по регіонах — і одного with() недостатньо. Потрібні Query Object або виділений ReadModel.

Фасетна фільтрація без індексів. Фільтр за кольором + розміром + брендом + діапазоном цін на таблиці в 500 000 записів без складених індексів — це seq scan при кожному запиті. PostgreSQL з правильними індексами тримає фасетну фільтрацію до кількох мільйонів товарів. Для великих каталогів — Elasticsearch або OpenSearch з агрегаціями: вони рахують кількість товарів на фільтр (facet counts) значно швидше.

Пагінація через OFFSET. LIMIT 50 OFFSET 10000 на великій таблиці — погана ідея: PostgreSQL все одно читає перші 10 050 рядків. Keyset pagination (cursor-based) через WHERE id > $last_id ORDER BY id LIMIT 50 працює за постійний час незалежно від сторінки. Як зазначено в документації PostgreSQL, cursor-based pagination гарантує O(log n) при будь-якому зміщенні, що особливо важливо для каталогів із сотнями тисяч товарів.

Конкретний кейс: каталог будівельних матеріалів, 180 000 SKU, фасетна фільтрація по 12 атрибутах. Після переходу з OFFSET-пагінації на курсорну та додавання partial index по (category_id, is_active, price) час відповіді сторінки каталогу знизився з 4,2 с до 280 мс. Економія на серверних ресурсах склала близько 30 000 ₽ на місяць. В іншому проекті (ювелірний маркетплейс) впровадження агрегацій через Elasticsearch скоротило час фільтрації з 8 до 200 мс та заощадило 50 000 ₽ на місяць на інфраструктурі — ще один приклад, як правильна архітектура знижує TCO.

Що таке race condition у кошику та як його уникнути?

Checkout — місце, де гроші або потрапляють на рахунок, або ні. Технічні проблеми тут коштують дорого.

Race condition при резервуванні товару. Два покупці одночасно додають останній екземпляр у кошик і обоє натискають «Оплатити». Без песимістичного блокування або атомарного UPDATE з перевіркою залишку обидва замовлення проходять, інвентар іде в мінус. В PostgreSQL:

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

Якщо RETURNING повернув 0 рядків — товару немає, показуємо помилку до списання грошей.

Ідемпотентність платіжних вебхуків. payment.succeeded від Stripe або ЮКассы може прийти двічі через мережеві збої або retry-логіку на стороні шлюзу. Без перевірки WHERE NOT EXISTS (SELECT 1 FROM processed_events WHERE event_id = $id) — дублювання замовлення або подвійне зарахування. Webhook idempotency — обов'язковий патерн для будь-якого платіжного інтегратора. Ми включаємо тест на ідемпотентність у стандартний чек-лист кожного проекту.

Checkout у кілька кроків. Multi-step checkout (адреса → доставка → оплата → підтвердження) vs single-page checkout. Дослідження показують, що single-page з прогрес-індикатором конвертує на 15–20% краще на мобільних. Стан між кроками — або localStorage + server-side сесія, або повністю server-side з проміжним збереженням. Ми гарантуємо, що кожне замовлення проходить аудит на ідемпотентність та блокування — це входить у стандартний чек-лист тестування.

Як інтегрувати 1С з інтернет-магазином?

1С — окрема глава. Три поширених способи інтеграції:

1. CommerceML через HTTP — 1С вивантажує XML за розкладом, сайт імпортує. Працює для невеликих каталогів, є затримка синхронізації.
2. REST API / OData від 1С — двостороння синхронізація в реальному часі. Вимагає налаштування на стороні 1С, примхлива до версій конфігурацій.
3. Проміжна шина (RabbitMQ / Kafka) — 1С публікує події, сайт підписується. Найнадійніший підхід для високонавантажених систем, але найдорожчий у розробці.

Служби доставки — СДЕК, Boxberry, Пошта Росії, DHL: всі надають REST API для розрахунку вартості та створення накладних. Агрегатори (Shiptor, Shipnow) дозволяють працювати з кількома службами через єдиний API.

Платіжні шлюзи

Для кожного шлюзу обов'язкова перевірка підпису вебхука — без цього будь-хто може відправити фейковий payment.succeeded.

CMS vs власна розробка

WooCommerce — виправданий для магазинів до ~5 000 SKU з типовою бізнес-логікою. Швидкий старт, величезна екосистема плагінів. Проблеми починаються при нестандартних цінових правилах, складних варіантах товарів або навантаженні від 10 000+ замовлень на місяць. Економія на ліцензії WooCommerce (безкоштовно) обертається витратами на плагіни та хостинг; для каталогу 50 000 SKU місячна вартість підтримки може перевищити 100 000 ₽.

OpenCart, Prestashop — аналогічна історія. Хороші для старту, обмежені при зростанні.

Власна розробка на Laravel — для:

• Нестандартної бізнес-логіки (підписки, оренда, b2b-прайси, конфігуратор);
• Високих вимог до продуктивності;
• Складних інтеграцій (кілька складів, ERP, маркетплейси);
• Унікального UX checkout.

Як ми розробляємо інтернет-магазин: покроковий процес

1. Аналітика та проектування. Збираємо вимоги, уточнюємо бізнес-процеси, моделюємо доменну логіку. На виході — технічне завдання та архітектурна схема.
2. Backend та API. Реалізуємо ядро (товари, кошик, замовлення), інтеграції з 1С/складами/платіжками. Використовуємо Laravel 11 з Repository pattern, чергами для асинхронних операцій.
3. Frontend та checkout. Налаштовуємо React 18 / Next.js 14 з оптимізованим рендерингом (SSR/SSG для каталогу), єдиний single-page checkout.
4. Тестування. Перевіряємо race condition, ідемпотентність вебхуків, навантажувальне тестування (k6), security-аудит.
5. Деплой та моніторинг. Розгортаємо на Vercel / Docker / виділеному сервері, підключаємо Sentry та Uptime.

SEO для e-commerce

Canonical та дублювання. Фасетна фільтрація генерує тисячі URL (?color=red&size=M&sort=price). Без canonical або noindex на фільтрованих сторінках краулінговий бюджет витрачається на дублі, а основні сторінки індексуються гірше.

Structured data. Product schema з offers, aggregateRating, availability — це rich snippets у видачі: зірочки рейтингу, ціна, наявність. Впливає на CTR.

Core Web Vitals на сторінках товарів. Hero image товару — це LCP element. fetchpriority="high" на першому зображенні, правильні srcset з WebP, width та height атрибути для запобігання CLS.

Що входить у результат роботи

Після завершення проекту ви отримуєте:

• Вихідний код та повну документацію (API, архітектура, інфраструктура);
• Доступи до репозиторію, хостингу, моніторингу (Sentry, Uptime);
• Навчання команди роботі з адмін-панеллю та кастомізаціями;
• Гарантійну підтримку 3 місяці (виправлення помилок, консультації);
• Детальний звіт по навантажувальному тестуванню та оптимізації.

Орієнтири за термінами

Вартість розраховується після аналізу вимог: кількість інтеграцій, складність ціноутворення, обсяг каталогу та унікальність UX — основні фактори. Оцінимо ваш проект безкоштовно — замовте консультацію.

Чек-лист перед запуском

• Race condition при оплаті останнього товару — покритий тестом
• Ідемпотентність вебхуків платіжного шлюзу
• Rate limiting на ендпоїнтах кошика та checkout
• Canonical на фільтрованих сторінках каталогу
• Фіскалізація чеків (ФЗ-54 для РФ або аналог)
• Стрес-тест checkout під навантаженням (k6 або Locust)
• Моніторинг помилок (Sentry) та алерти на payment errors
• Backup бази даних з перевіреним restore-процесом

Гарантуємо — кожен проект проходить цей чек-лист перед релізом. Зв'яжіться з нами — підберемо оптимальну архітектуру під ваш бюджет та терміни.