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.