Разработка Smart-баннеров с персонализацией под каждого пользователя

Разработка Smart-баннеров с персонализацией под каждого пользователя

Вы тратите бюджет на рекламные баннеры, но их CTR не дотягивает до 1%. Проблема в том, что все видят одно и то же предложение. Мы решаем это с помощью smart-баннеров: динамических блоков, которые показывают каждому пользователю именно те товары, которые он просматривал или которые алгоритм считает релевантными. Результат — рост CTR в 2–3 раза и конверсии на 15–30%. Снижается и стоимость привлечения клиента (CAC) на 20–30% за счёт более релевантного таргетинга. Закажите разработку smart-баннеров — получите консультацию инженера для предварительной оценки.

Как работает трекинг просмотров?

Персонализация начинается со сбора данных. Мы используем JavaScript-класс ViewHistoryTracker, который сохраняет историю просмотров в localStorage и синхронизирует с сервером для авторизованных пользователей. Это минимально инвазивное решение — не требует cookie-банера и GDPR-согласий для анонимных сессий.

class ViewHistoryTracker { private readonly KEY = 'view_history'; private readonly MAX_ITEMS = 50; track(item: ViewedItem): void { const history = this.get(); const filtered = history.filter(i => i.id !== item.id); const updated = [ { ...item, viewed_at: Date.now() }, ...filtered, ].slice(0, this.MAX_ITEMS); localStorage.setItem(this.KEY, JSON.stringify(updated)); this.syncToServer(item); } get(): ViewedItem[] { try { return JSON.parse(localStorage.getItem(this.KEY) ?? '[]'); } catch { return []; } } getRecent(count = 10): ViewedItem[] { return this.get().slice(0, count); } private async syncToServer(item: ViewedItem): Promise<void> { if (!getAuthToken()) return; await fetch('/api/views', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify(item), }); } } 

Что даёт коллаборативная фильтрация?

Простой показ последних просмотренных товаров даёт низкий CTR — пользователь уже видел их. Мы используем ранжирование с учётом весов категорий и популярности, а также коллаборативную фильтрацию для построения матрицы "пользователь-товар". Недавние просмотры получают больший вес, а дубли исключаются. Такой подход увеличивает CTR в 2–3 раза по нашим замерам.

function rankItems(history: ViewedItem[], candidates: CatalogItem[]): CatalogItem[] { const categoryWeights: Record<string, number> = {}; const viewedIds = new Set(history.map(i => i.id)); history.forEach((item, index) => { const recencyWeight = 1 / (index + 1); categoryWeights[item.category] = (categoryWeights[item.category] ?? 0) + recencyWeight; }); return candidates .filter(c => !viewedIds.has(c.id)) .map(candidate => ({ ...candidate, score: (categoryWeights[candidate.category] ?? 0) * (candidate.popularity ?? 1), })) .sort((a, b) => b.score - a.score) .slice(0, 6); } 

Для крупных проектов (от 10k товаров) выносим движок на сервер на PHP/Laravel с матрицей в PostgreSQL. Кешируем рекомендации в Redis — время ответа API не превышает 50 мс.

Кейс: интернет-магазин электроники с каталогом 5000 товаров. После внедрения smart-баннера CTR вырос с 0,8% до 2,4%, конверсия из баннера в покупку — 12%. Средний чек увеличился на 8% за счёт кросс-сейлов.

Сравнение подходов к реализации

Сравнение алгоритмов рекомендаций

Как мы реализуем рендеринг smart-баннера?

Компонент на React (или Vue) встраивается в нужное место: sidebar, inline или sticky-bottom. Он запрашивает рекомендации через API и отображает товары с фото, названием и ценой. При клике отправляется событие в Google Analytics.

interface SmartBannerProps { placement: 'sidebar' | 'inline' | 'sticky-bottom'; title?: string; } function SmartBanner({ placement, title = 'Вы смотрели' }: SmartBannerProps) { const [items, setItems] = useState<CatalogItem[]>([]); const [loading, setLoading] = useState(true); useEffect(() => { const history = tracker.getRecent(); if (history.length === 0) { setLoading(false); return; } fetch('/api/recommendations', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ viewed_ids: history.map(i => i.id), categories: [...new Set(history.map(i => i.category))], limit: placement === 'sidebar' ? 4 : 6, }), }) .then(r => r.json()) .then(data => setItems(data.items)) .finally(() => setLoading(false)); }, [placement]); if (loading) return <BannerSkeleton count={4} />; if (items.length === 0) return null; return ( <div className={`smart-banner smart-banner--${placement}`}> <h3 className="smart-banner__title">{title}</h3> <div className="smart-banner__grid"> {items.map(item => ( <a key={item.id} href={item.url} className="smart-banner__item" onClick={() => trackBannerClick(item, placement)} > <img src={item.image} alt={item.title} loading="lazy" /> <span className="smart-banner__name">{item.title}</span> <span className="smart-banner__price">{formatPrice(item.price)}</span> </a> ))} </div> </div> ); } function trackBannerClick(item: CatalogItem, placement: string): void { gtag('event', 'smart_banner_click', { item_id: item.id, item_name: item.title, placement, item_category: item.category, }); } 

Серверный эндпоинт рекомендаций

Мы используем Laravel-контроллер, который исключает просмотренные товары и ранжирует по категории и популярности. Для ускорения запросов добавляем Redis-кэш.

class RecommendationsController extends Controller { public function index(Request $request): JsonResponse { $viewedIds = $request->input('viewed_ids', []); $categories = $request->input('categories', []); $limit = min($request->input('limit', 6), 12); $items = Product::query() ->whereNotIn('id', $viewedIds) ->where('is_active', true) ->where(function ($q) use ($categories) { $q->whereIn('category_slug', $categories) ->orWhere('is_bestseller', true); }) ->orderByRaw(' CASE WHEN category_slug = ANY(?) THEN 1 ELSE 2 END, popularity DESC ', ['{' . implode(',', $categories) . '}']) ->limit($limit) ->get(['id', 'title', 'price', 'image', 'url', 'category_slug']); return response()->json(['items' => $items]); } } 

Когда подключать внешние платформы?

Для магазинов с каталогом от 10k товаров или когда нужна готовая ML-модель, интегрируем Retail Rocket или Mindbox. Базовая интеграция Retail Rocket занимает 1-2 дня:

rrApi.view(123456); rrApi.addToBasket(123456); rrApiOnReady(function() { rrApi.recommend('block_id_from_rr_panel', { callback: function(items) { renderRecommendations(items); } }); }); 

Что входит в работу?

• Проектирование схемы трекинга и хранения данных
• Разработка клиентского компонента баннера с поддержкой разных placement
• Серверный эндпоинт рекомендаций с кэшированием
• Интеграция с аналитикой (GA/Яндекс.Метрика)
• Документация API и инструкция по встраиванию
• Передача доступов к репозиторию и хостингу
• Обучение вашего разработчика (1 час онлайн)
• Гарантия 3 месяца на корректную работу алгоритмов

Сроки и стоимость

Сроки реализации: от 3 до 8 дней в зависимости от сложности. Стоимость рассчитывается индивидуально — оценим проект после брифа. За время работы мы реализовали smart-баннеры для десятков интернет-магазинов, средний рост CTR составил 180%. Наша команда имеет 5+ лет опыта в e-commerce персонализации.

Если вы хотите увеличить конверсию с рекламных блоков без лишних затрат, свяжитесь с нами — обсудим вашу задачу и предложим оптимальное решение. Получите консультацию инженера для предварительной оценки.