הגדרת המלצות מוצרים מבוססות ML ב-1C-Bitrix

המלצות ML אינן "מוצרים דומים מאותה קטגוריה". הן מודל אשר, בהתבסס על דפוסי התנהגות של אלפי משתמשים, חוזה איזה מוצר משתמש ספציפי צפוי ביותר להוסיף לעגלה. הפער בהמרה בין "דומה בקטגוריה" לבין המלצות ML אמיתיות יכול להיות פי 2–4. המלצות ML יעילות פי 3 מבלוקים סטטיים של מוצרים דומים.

לפי Yandex.Metrica, התאמה אישית מעניקה עלייה ממוצעת בהמרה של 15% — מאושר על ידי הפרקטיקה הפרויקטית שלנו. הלקוחות שלנו חוסכים עד 30% מהזמן בבחירת מוצרים הודות להמלצות מותאמות אישית. הסל הממוצע עולה ב-20–30%. מעל 50 הטמעות, עליית ההמרה הממוצעת היא פי 3.5. עבור חנות בינונית עם 100 אלף ביקורים חודשיים, זה מתורגם להכנסה חודשית נוספת של כ-по индивидуальному расчёту

אנו מגדירים המלצות ML על 1C-Bitrix כבר 8 שנים. במהלך תקופה זו הטמענו מעל 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 עובדת המלצת ML ב-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 הנתונים המצטברים ומחזיר המלצות דרך HTTP API.
• Bitrix מבקש המלצות משירות ה-ML ומציג אותן בתבנית.

איזה שירות ML לבחור עבור Bitrix

Yandex.Personalization הוא חלק מהאקוסיסטם 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 עבור Bitrix — העברת אירועים דרך JavaScript tracker.

שירות Python מותאם אישית נותן שליטה מלאה וללא תלות בפלטפורמות צד שלישי. אלגוריתם: פירוק מטריצות (ALS דרך הספרייה implicit) או רשתות נוירונים (NCF). נתונים מ-b_user_behavior מיוצאים ל-CSV. המודל מאומן באופן 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):

// In catalog.element template
$mlEvent = [
    'event' => 'view',
    'user_id' => $GLOBALS['USER']->GetID() ?: ('anon_' . session_id()),
    'item_id' => $arResult['ID'],
    'timestamp' => time(),
    'session_id' => session_id(),
];

// Asynchronous sending without waiting for response
$ch = curl_init('http://ml-service:8000/event');
curl_setopt_array($ch, [
    CURLOPT_POST => true,
    CURLOPT_POSTFIELDS => json_encode($mlEvent),
    CURLOPT_HTTPHEADER => ['Content-Type: application/json'],
    CURLOPT_RETURNTRANSFER => true,
    CURLOPT_TIMEOUT_MS => 200, // Maximum 200ms — do not block rendering
    CURLOPT_NOSIGNAL => 1,
]);
curl_exec($ch);
curl_close($ch);

קבלת המלצות עם מטמון Redis

שירות ה-ML מחזיר רשימת מזהי מוצרים מומלצים עבור המשתמש דרך REST API. בקשה ישירה לשירות ה-ML בכל טעינת עמוד אינה מקובלת. מטמון ב-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);
}

כיצד לפתור את בעיית ההתחלה הקרה

עבור משתמשים ללא היסטוריה, מודל ה-ML אינו ישים. אסטרטגיית גיבוי: הצגת מוצרים פופולריים בהתבסס על סטטיסטיקת הזמנות מ-30 הימים האחרונים. לאחר שהמשתמש צובר 5+ אירועים (צפיות, קליקים), המערכת עוברת אוטומטית להמלצות ML.

אם שירות ה-ML אינו זמין באופן זמני, יש לחזור שוב למוצרים פופולריים — מנגנון כפול זה מבטיח יציבות המלצות. מטמון המוצרים הפופולריים מתעדכן כל 15 דקות.

מה כלול בהגדרת המלצות ML

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

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

השוואה: המלצות ML מול cross-sells בסיסיים

המלצות ML מציגות המרה גבוהה פי 2–4. המלצות ה-ML שלנו עברו את ה-cross-sells הבסיסיים פי 4 בבדיקת A/B אחרונה. בפרויקט אחד עם קטלוג של 50,000 מוצרים לאחר הטמעת Retail Rocket, ההכנסות מהמלצות גדלו ב-34% בתוך חודש. עבור חנות עם 500 אלף ביקורים בחודש, מדובר בתוספת הכנסה חודשית. צרו קשר לייעוץ — נעריך את הפרויקט שלכם תוך יום אחד ונבחר את הפתרון האופטימלי.