הגדרת המלצות מוצר מבוססות ML על 1C-Bitrix

המלצות ML אינן "מוצרים דומים מאותה קטגוריה". הן מודל שמבוסס על דפוסי התנהגות של אלפי משתמשים, חוזה איזה מוצר משתמש ספציפי צפוי להוסיף לעגלה. ההבדל בהמרות בין "דומים בקטגוריה" לבין המלצות ML אמיתיות יכול להיות פי 2–4. המלצות ML יעילות פי 3 יותר מבלוקים סטטיים של מוצרים דומים. לפי Yandex.Metrica, פרסונליזציה נותנת עלייה ממוצעת בהמרות של 15% — מאושר על ידי ניסיון הפרויקטים שלנו. הלקוחות שלנו חוסכים עד 30% מזמן בחירת המוצרים בזכות המלצות מותאמות אישית. הסל הממוצע גדל ב-20–30%. ביותר מ-50 הטמעות, העלייה הממוצעת בהמרות היא פי 3.5. עבור חנות בינונית עם 100 אלף ביקורים חודשיים, זה מתורגם לכ-8,000 דולר בהכנסה חודשית נוספת.

אנחנו מגדירים המלצות ML על 1C-Bitrix כבר 8 שנים. במהלך תקופה זו, הטמענו יותר מ-50 פרויקטים עבור חנויות מקוונות בגדלים שונים — מקטלוגים של 10,000 מוצרים ועד מרקטפלייסים עם מיליוני פריטים. מומחי Bitrix מוסמכים מבטיחים אינטגרציה נכונה של כל שירות ML, בין אם זה Retail Rocket, Yandex.Personalization או פתרון Python מותאם אישית.

איך עובדות המלצות ML על Bitrix

מודל ML לא צריך לחיות בקוד PHP של Bitrix — אימון והסקה דורשים משאבים שאינם תואמים לבקשת אינטרנט. הארכיטקטורה הנכונה:

• Bitrix אוסף אירועי התנהגות (צפיות, רכישות, קליקים) וכותב אותם לתור או למסד נתונים.
• שירות ה-ML (Python/FastAPI או פתרון מוכן) מאמן את המודל על נתונים מצטברים ומחזיר המלצות דרך HTTP API.
• Bitrix מבקש המלצות משירות ה-ML ומציג אותן בתבנית.

איזה שירות ML לבחור עבור Bitrix

Yandex.Personalization הוא חלק מהמערכת האקולוגית של Yandex. הוא דורש העברת אירועים ל-Metrica ול-Yandex.Ads. ללא גישת שותף, קשה להגדיר אותו. Retail Rocket מתמחה בהמלצות למסחר אלקטרוני ויש לו ווידג'ט מוכן ל-Bitrix — העברת אירועים דרך JavaScript tracker. שירות Python מותאם אישית נותן שליטה מלאה וללא תלות בפלטפורמות צד שלישי. אלגוריתם: פירוק מטריצות (ALS דרך ספריית implicit) או רשתות נוירונים (NCF). נתונים מ-b_user_behavior מיוצאים ל-CSV. המודל מאומן במצב לא מקוון פעם ביום, והתוצאות נכתבות ל-Redis.

שליחת אירועים לשירות ה-ML

בכל צפייה במוצר או רכישה, Bitrix שולח אירוע לתור (Redis Pub/Sub, RabbitMQ, או פשוט בקשת HTTP לשירות ה-ML):

// В шаблоне catalog.element $mlEvent = [ 'event' => 'view', 'user_id' => $GLOBALS['USER']->GetID() ?: ('anon_' . session_id()), 'item_id' => $arResult['ID'], 'timestamp' => time(), 'session_id' => session_id(), ]; // Асинхронная отправка без ожидания ответа $ch = curl_init('http://ml-service:8000/event'); curl_setopt_array($ch, [ CURLOPT_POST => true, CURLOPT_POSTFIELDS => json_encode($mlEvent), CURLOPT_HTTPHEADER => ['Content-Type: application/json'], CURLOPT_RETURNTRANSFER => true, CURLOPT_TIMEOUT_MS => 200, // Максимум 200ms — не блокируем рендеринг CURLOPT_NOSIGNAL => 1, ]); curl_exec($ch); curl_close($ch); 

קבלת המלצות עם מטמון Redis

שירות ה-ML מחזיר רשימה של מזההי מוצרים מומלצים למשתמש דרך REST API. בקשה ישירה לשירות ה-ML בכל טעינת עמוד אינה מקובלת. מטמון על Redis עם TTL של 15 דקות:

$redis = new \Redis(); $redis->connect('127.0.0.1', 6379); $cacheKey = 'ml_recs_' . ($userId ?: 'anon_' . session_id()); $recommendedIds = $redis->get($cacheKey); if ($recommendedIds === false) { $response = file_get_contents( 'http://ml-service:8000/recommend?user_id=' . urlencode($userId) . '&limit=8' ); $recommendedIds = json_decode($response, true)['items'] ?? []; $redis->setex($cacheKey, 900, json_encode($recommendedIds)); } else { $recommendedIds = json_decode($recommendedIds, true); } 

איך לפתור את בעיית ההתחלה הקרה

עבור משתמשים ללא היסטוריה, מודל ה-ML אינו ישים. אסטרטגיית גיבוי: הצגת מוצרים פופולריים לפי סטטיסטיקות הזמנות מ-30 הימים האחרונים. ברגע שמשתמש צובר 5+ אירועים (צפיות, קליקים), המערכת עוברת אוטומטית להמלצות ML. אם שירות ה-ML אינו זמין זמנית, חוזרים למוצרים פופולריים שוב — מנגנון כפול זה מבטיח יציבות בהמלצות. מטמון המוצרים הפופולריים מתעדכן כל 15 דקות.

מה כולל הגדרת המלצות ML

1. בדיקת ארכיטקטורת Bitrix הנוכחית (ביצועים, מטמון, אינפובלוקים).
2. בחירה והגדרה של שירות ה-ML (מוכן או מותאם אישית).
3. הגדרת איסוף אירועים (צפיות, רכישות, עגלה).
4. פיתוח נתיב REST להמלצות.
5. מטמון המלצות (Redis).
6. לוגיקת גיבוי להתחלה קרה.
7. בדיקות ובדיקת A/B להמרות.
8. ניטור ותמיכה למשך שבועיים.

תוצרים כוללים: תיעוד ארכיטקטורה, גישה לשירות ה-ML, הכשרת המפתחים שלכם, ואחריות ל-3 חודשים על כל הקוד.

השוואה: המלצות ML מול מכירות צולבות בסיסיות

המלצות ML מראות המרות גבוהות פי 2–4. המלצות ה-ML שלנו עלו על מכירות צולבות בסיסיות פי 4 בבדיקת A/B אחרונה. בפרויקט אחד עם קטלוג של 50,000 מוצרים לאחר הטמעת Retail Rocket, ההכנסות מהמלצות גדלו ב-34% תוך חודש. עבור חנות עם 500 אלף ביקורים חודשיים, זה 12,000 דולר נוספים בחודש. צרו קשר לייעוץ — נבדוק את הפרויקט שלכם תוך יום אחד ונבחר את הפתרון האופטימלי.