Реализация AI-рекомендаций товаров на сайте

Каждый третий посетитель интернет-магазина уходит без покупки из-за нерелевантных рекомендаций. Хуже того, показ однотипных товаров снижает доверие к площадке. На одном проекте — магазин электроники с 50 000 SKU — мы зафиксировали, что блок «похожие товары» на основе категорий выдавал почти одинаковые позиции: 8 из 8 — смартфоны той же марки. Click-through rate упал до 0.3%. Проблема не в отсутствии данных, а в выборе алгоритма. Content-based на атрибутах даёт узкую выдачу, коллаборативная фильтрация страдает от cold start, а гибрид требует грамотного микса. Мы реализовали системы рекомендаций для 15+ магазинов (оборот от 10 млн руб./мес) и нашли баланс: рост конверсии в среднем 18%, а для одного клиента — +34% за счёт внедрения ассоциативных правил «часто покупают вместе». Персонализация e-commerce — это не просто тренд, а необходимость для удержания клиентов.

Какой алгоритм рекомендаций выбрать?

Выбор зависит от данных и целей. Content-based ищет похожие по атрибутам — быстро запускается, но даёт однотипные результаты. Коллаборативная фильтрация (ALS) выявляет скрытые паттерны — точнее, но требует истории действий. Гибридный подход сочетает лучшее из обоих: на 25% больше кликов, чем чистый content-based. Для нового магазина без истории мы рекомендуем начинать с content-based на эмбеддингах, постепенно подключая ALS по мере накопления данных.

Почему гибридный подход эффективнее?

Он не страдает от cold start: новые товары получают рекомендации через эмбеддинги, а старые — через поведение пользователей. Разнообразие выше — блок не забивается одинаковыми позициями. Мы используем динамический микс: если у пользователя мало данных, делаем упор на content-based, и наоборот. На практике это даёт рост CTR на 15–20% по сравнению с однородной выдачей. Кроме того, гибрид позволяет увеличить средний чек на 12–15% за счёт кросс-продаж.

Структура данных и индексация

Для эмбеддингов собираем текстовое представление товара:

function buildProductText(product) { return [ product.name, product.brand, product.category + ' > ' + product.subcategory, product.description?.slice(0, 500), product.tags?.join(', '), Object.entries(product.attributes || {}) .map(([k, v]) => `${k}: ${v}`) .join(', '), ].filter(Boolean).join('\n'); } async function indexProduct(product) { if (!product.active || product.stock === 0) return; const text = buildProductText(product); const { data: [{ embedding }] } = await openai.embeddings.create({ model: 'text-embedding-3-small', input: text, }); await db.query(` INSERT INTO product_embeddings (product_id, embedding, updated_at) VALUES ($1, $2::vector, NOW()) ON CONFLICT (product_id) DO UPDATE SET embedding = $2::vector, updated_at = NOW() `, [product.id, JSON.stringify(embedding)]); } 

Индексация проходит при каждом обновлении товара. Эмбеддинги храним в pgvector — это даёт скорость поиска <10ms для 100К товаров.

Поиск похожих товаров

async function getSimilarProducts(productId, options = {}) { const { limit = 8, minPrice, maxPrice, inStockOnly = true } = options; const result = await db.query(` WITH source AS ( SELECT pe.embedding, p.price, p.category_id FROM product_embeddings pe JOIN products p ON p.id = pe.product_id WHERE pe.product_id = $1 ) SELECT p.id, p.name, p.slug, p.price, p.main_image, p.rating, p.reviews_count, 1 - (pe.embedding <=> source.embedding) AS similarity FROM product_embeddings pe JOIN products p ON p.id = pe.product_id CROSS JOIN source WHERE pe.product_id != $1 AND p.active = true AND ($2::boolean IS FALSE OR p.stock > 0) AND ($3::numeric IS NULL OR p.price >= $3) AND ($4::numeric IS NULL OR p.price <= $4) ORDER BY pe.embedding <=> source.embedding LIMIT $5 `, [productId, inStockOnly, minPrice || null, maxPrice || null, limit]); return result.rows; } 

Добавили фильтры по цене и наличию — результаты всегда актуальны и соответствуют бизнес-правилам.

Ассоциативные правила: «часто покупают вместе»

Анализируем историю заказов за последние 90 дней через FP-Growth (быстрее Apriori на больших данных):

from mlxtend.frequent_patterns import fpgrowth, association_rules import pandas as pd def compute_frequently_bought_together(): orders = fetch_orders_last_90_days() basket = orders.groupby(['order_id', 'product_id'])['product_id'] \ .count().unstack().fillna(0) basket = basket.map(lambda x: 1 if x > 0 else 0) frequent_sets = fpgrowth(basket, min_support=0.005, use_colnames=True) rules = association_rules(frequent_sets, metric='lift', min_threshold=1.5) for _, rule in rules.iterrows(): antecedent = list(rule['antecedents'])[0] consequent = list(rule['consequents'])[0] save_association(antecedent, consequent, rule['confidence'], rule['lift']) 

Практическая польза: когда кладут в корзину смартфон, предлагаем чехол и стекло — конверсия в допродажу растёт на 40%. Для магазина одежды мы выявили, что покупатели джинсов часто берут ремень — это увеличило средний чек на 12%. Повышение лояльности за счёт релевантных предложений снижает затраты на ретаргетинг на 20–25%.

Персональные рекомендации через ALS

Используем implicit.ALS (64 фактора, 30 итераций) на поведенческой матрице (просмотр=1, корзина=3, покупка=10):

import implicit from scipy.sparse import csr_matrix def train_product_model(events): users_idx = {u: i for i, u in enumerate(events['user_id'].unique())} items_idx = {p: i for i, p in enumerate(events['product_id'].unique())} matrix = csr_matrix(( events['weight'], (events['user_id'].map(users_idx), events['product_id'].map(items_idx)) )) model = implicit.als.AlternatingLeastSquares(factors=64, iterations=30) model.fit(matrix.T) return model, users_idx, items_idx 

Для каждого пользователя получаем топ-N товаров, смешивая с content-based для разнообразия.

Разнообразие рекомендаций (Diversity)

Блок из 8 одинаковых ноутбуков ухудшает UX. Механизм диверсификации пересортирует выдачу, штрафуя похожие категории:

function diversify(recommendations, diversityFactor = 0.3) { const selected = [recommendations[0]]; const remaining = recommendations.slice(1); while (selected.length < 8 && remaining.length > 0) { const scores = remaining.map(candidate => { const maxSimilarity = Math.max( ...selected.map(s => categorySimilarity(s, candidate)) ); return { item: candidate, score: candidate.score * (1 - diversityFactor * maxSimilarity) }; }); scores.sort((a, b) => b.score - a.score); selected.push(scores[0].item); remaining.splice(remaining.indexOf(scores[0].item), 1); } return selected; } 

В результате в выдаче — товары разных категорий и ценовых сегментов. A/B тестирование показало, что разнообразная выдача увеличивает CTR на 22% без потери конверсии.

Процесс внедрения

1. Анализ — изучаем ассортимент, сценарии поведения, данные.
2. Проектирование — выбираем алгоритмы под задачи бизнеса.
3. Прототип — запускаем на реальных данных, измеряем качество.
4. A/B тест — сравниваем с текущей версией (или её отсутствием).
5. Деплой и мониторинг — настраиваем дашборды, фиксируем базу.

Что входит в работу

• Документация архитектуры и описание моделей
• Обучение команды работе с системой
• Дашборд ключевых метрик (CTR, конверсия, выручка)
• Поддержка в течение месяца после запуска

Ориентировочные сроки

Стоимость рассчитывается индивидуально после анализа вашего проекта. Получите консультацию инженера — мы подготовим коммерческое предложение с точными сроками и этапами. Свяжитесь с нами, чтобы обсудить детали и начать повышать конверсию вашего магазина.