Розроблення системи рекомендацій товарів для інтернет-магазину
Система рекомендацій — це алгоритмічний рухавик, який збільшує середній чек та глибину перегляду каталога. «Amazon рекомендує» — не маркетинговий слоган, а складна інфраструктура з коллаборативною фільтрацією, поведінковими моделями та ML-пайплайнами. Розроблення рекомендаційної системи займає від 10 до 20+ робочих днів залежно від підходу.
Рівні складності рекомендацій
Рекомендаційні алгоритми діляться по рівню складності:
| Рівень | Підхід | Застосовування |
|---|---|---|
| Базовий | Rule-based (популярні, новинки, скидки) | Старт будь-якого магазину |
| Середній | Item-based collaborative filtering | 10k+ заказів у БД |
| Продвинутий | Matrix factorization (ALS, SVD) | 100k+ подій |
| Enterprise | Deep learning (two-tower, BERT4Rec) | ML-інфраструктура |
Для більшості інтернет-магазинів оптимальний середній рівень: коллаборативна фільтрація по заказам, доповнена контентними сигналами.
Rule-based рекомендації
Запускається швидко, не потребує накопичених даних. Для нових користувачів — популярні товари. Для користувачів з історією — персональні.
Коллаборативна фільтрація по заказам
«Користувачі, які купили цей товар, також купляли...» — класичний item-to-item CF. Матриця сумісних покупок зберігається у вигляді Materialized View. Запрос рекомендацій по переглядаємому товару витягає з цієї View найпопулярніші товари.
ML-рекомендації через Python-сервіс
Для продвинутого рівня: Python-мікросервіс на FastAPI з моделлю ALS. PHP-бекенд запитує сервіс та кешує результат.
Трекинг подій для навчання моделі
Якість рекомендацій залежит від даних. Трекинг подій: просмотр товара, додання в корзину, покупка. Дані зберігаються у таблиці recommendation_events.
A/B тестування алгоритмів
Різні алгоритми показуються різним сегментам користувачів. Після 2–4 тижнів порівнюємо CTR та конверсію та вибираємо переможця.
Розміщення блоків рекомендацій
- Сторінка товара: «З цим товаром купляють», «Схожі товари»
- Корзина: «Ви забули додати», «Доповніть комплект»
- Головна сторінка: «Персональні рекомендації», «Популярне»
- Email після покупки: «Вам може сподобатися»
- Пуста сторінка пошуку: «Спробуйте ці товари»