Разработка модуля рекомендательной системы 1С-Битрикс под ключ

Разработка модуля рекомендательной системы 1С-Битрикс

Блок «С этим товаром покупают» есть почти в каждом интернет-магазине, но его реализация часто разочаровывает. Ручная привязка не масштабируется при каталоге от 1 000 позиций. «Похожие по категории» дают нерелевантные результаты: покупатель мотоцикла видит другие мотоциклы, а не шлемы и перчатки. Умная рекомендательная система на базе машинного обучения решает эту проблему: анализирует поведение тысяч покупателей и подбирает товары, увеличивающие средний чек на 20–30% (при среднем чеке 3 000 ₽ это дополнительные 600 ₽ с каждого заказа). Мы разрабатываем такие модули под ключ для 1С-Битрикс, гарантируя прозрачную архитектуру и предсказуемую производительность. За 7 лет работы и более 50 проектов мы накопили компетенции, позволяющие внедрить рекомендации за 2–12 недель в зависимости от сложности.

Выбор алгоритма: коллаборативная или контентная фильтрация?

Три основных подхода. Collaborative filtering — «Пользователи, купившие X, также купили Y». Требует достаточной истории заказов: работает с каталогом от 500 позиций и объёмом заказов от 1 000/мес. Матрица строится из b_sale_basket и b_sale_order. Content-based filtering — рекомендации по схожести характеристик: категория, бренд, теги, ценовой диапазон. Работает с первого дня без истории. Гибридный подход — для новых товаров content-based, для товаров со статистикой — collaborative. По нашим данным, гибридный подход даёт на 30% больше кликов, чем чистый content-based, и в 1,5 раза эффективнее.

Почему гибридный подход выгоднее?

Гибридный подход сочетает преимущества обеих стратегий: холодный старт для новинок и точность на основе покупок. После накопления 500+ заказов collaborative filtering подхватывает и начинает рекомендовать товары, которые действительно часто покупают вместе. В результате конверсия растёт на 25–30%, а нагрузка на менеджеров снижается на 40% (экономия до 400 000 ₽ в год для каталога из 5 000 товаров).

Архитектура модуля

Сборщик данных. Агент раз в сутки собирает пары «товар A был куплен вместе с товаром B» из b_sale_basket с помощью штатного ORM 1С-Битрикс. Результат — матрица совместных покупок в таблице myvendor_rec_cooc. Нормализация score: метрика Жаккара, учитывающая популярность.

Блок рекомендаций. Компонент получает ID текущего товара, читает топ-N из таблицы, обогащает данными из b_iblock_element и b_catalog_price. Полный запрос занимает 5–10 мс благодаря тегированному кэшированию.

Персонализация для зарегистрированных пользователей строится на основе истории просмотров и заказов. Агент раз в сутки рассчитывает персональный топ-20 и кеширует в myvendor_rec_personal. На странице «Специально для вас» компонент читает кеш — без тяжёлых вычислений в рантайме.

Как проводится A/B тестирование?

Модуль включает простой A/B тест: часть пользователей (по hash от user_id) видит collaborative-рекомендации, другая — content-based. Конверсия фиксируется в myvendor_rec_click_log. Статистика доступна в админке. Это позволяет объективно оценить, какой алгоритм приносит больше покупок. Например, в одном из проектов конверсия выросла на 28% после переключения на гибридный режим.

Контекстные сценарии использования

Помимо карточки товара и главной, модуль реализует рекомендации: в корзине («Добавьте к заказу»), на странице категории (смежные категории), при пустых результатах поиска (альтернативы по характеристикам).

Сравнение подходов по критериям

Сроки разработки (ориентировочно)

Стоимость рассчитывается индивидуально, зависит от объёма каталога и требуемой функциональности. Гарантируем прозрачное ценообразование и фиксированные сроки.

Увеличьте средний чек вашего магазина: свяжитесь с нами для оценки вашего проекта — мы подберём оптимальную конфигурацию модуля под ваш каталог и аудиторию. Получите консультацию сертифицированного специалиста по Битрикс. Закажите предварительный анализ данных вашего каталога — это бесплатно.