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.
| Рівень | Підхід | Застосовність |
|---|---|---|
| Базовий | Rule-based (популярні, новинки, знижки) | Старт будь-якого магазину |
| Середній | Item-based collaborative filtering | 10k+ замовлень у БД |
| Продвинутий | Matrix factorization (ALS, SVD) | 100k+ подій |
| Enterprise | Deep learning (two-tower, BERT4Rec) | ML-інфраструктура |
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:
- Аудит даних та інфраструктури (1–2 дні). Перевіряємо схему БД, наявність і якість даних, поточну архітектуру.
- Вибір підходу (1 день). Визначаємо оптимальний рівень: rule-based, collaborative або ML. Узгоджуємо з вами.
- Розробка пайплайнів (3–5 днів). Створюємо матеріалізовані представлення, мікросервіс або ML-модель. Налаштовуємо API для видачі рекомендацій.
- Інтеграція з фронтендом (1–2 дні). Вбудовуємо віджети на сайт через REST або GraphQL. Налаштовуємо трекінг подій.
- A/B-тестування (2–4 тижні). Порівнюємо алгоритми, обираємо найкращий.
- Документація та навчання (1 день). Передаємо знання вашій команді.
| Етап | Тривалість | Результат |
|---|---|---|
| Аудит | 1–2 дні | Звіт за даними |
| Вибір підходу | 1 день | Технічне завдання |
| Розробка | 3–5 днів | Працюючий бекенд |
| Інтеграція | 1–2 дні | Віджети на сайті |
| A/B-тест | 2–4 тижні | Найкращий алгоритм |
| Документація | 1 день | Інструкції |
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.