מודול ביקורות ודירוג מותאם אישית ל-1C-Bitrix

מודול ביקורות ודירוג מותאם אישית עבור 1C-Bitrix

לעתים קרובות אנו נתקלים בלקוחות שמנסים לאסוף ביקורות באמצעות רכיבים סטנדרטיים כמו bitrix:catalog.element.vote ו-bitrix:forum. התוצאה גרועה: פורום ללא ניהול, דירוגים ללא אימות רכישה, ואין נתונים מובנים עבור Schema.org. מודול ביקורות ראוי הוא סיפור אחר: ביקורות מאומתות, דירוג רב-קריטריוני, ניהול, תגובות מוכר, ומיקרו-נתוני כוכבים מצטברים. הצוות שלנו, עם ניסיון של למעלה מ-10 שנים בפיתוח 1C-Bitrix ו-40+ פרויקטים מוצלחים, מציע מודול מותאם אישית שמכסה את כל הפערים הללו.

למה פתרונות סטנדרטיים לא מספיקים

ל-Bitrix יש רכיב bitrix:catalog.element.vote להצבעות ו-bitrix:forum המקושר לאלמנטים — אלה הם אבני הבניין שבדרך כלל משמשים לביקורות. חסרה להם בדיקה מובנית של הזמנות בתשלום, אין ניהול, אין דירוגים רב-קריטריוניים. מיקרו-נתונים לא נוצרים, מה שמונע ממך את היתרון ה-SEO של תגי כוכבים. המודול שלנו מטפל בכל החסרונות הללו.

איך פועל אימות רכישה

החלק היקר ביותר בביקורת הוא תג "קונה מאומת". אנו בודקים מול b_sale_order:

public function isVerifiedPurchase(int $userId, int $productId): bool {
    $order = \Bitrix\Sale\Internals\BasketTable::getList([
        'select' => ['ORDER_ID'],
        'filter' => [
            '=PRODUCT_ID' => $productId,
            '=ORDER.USER_ID' => $userId,
            '=ORDER.PAYED' => 'Y',
            '=ORDER.CANCELED' => 'N',
        ],
        'limit' => 1,
    ])->fetch();
    return (bool)$order;
}

בעת יצירת ביקורת, ניתן להעביר public function isVerifiedPurchase(int $userId, int $productId): bool { $order = \Bitrix\Sale\Internals\BasketTable::getList([ 'select' => ['ORDER_ID'], 'filter' => [ '=PRODUCT_ID' => $productId, '=ORDER.USER_ID' => $userId, '=ORDER.PAYED' => 'Y', '=ORDER.CANCELED' => 'N', ], 'limit' => 1, ])->fetch(); return (bool)$order; } במפורש — ואז האימות הוא חד-משמעי. ללא order_id, אנו בודקים כל הזמנה בתשלום שמכילה את המוצר הזה.

ניהול והגנה מפני ספאם

כל הביקורות נוצרות עם סטטוס order_id ונכנסות לתור ניהול. שתי מצבים אפשריים:

• ניהול ידני — מנהל מאשר/דוחה כל ביקורת.
• אישור אוטומטי — ביקורות מקונים מאומתים מתפרסמות אוטומטית; אחרות נכנסות לתור.

סינון ספאם משתמש בהיוריסטיקות פשוטות: קישורים בגוף הטקסט, אותיות גדולות מוגזמות, טקסט כפול, מילות עצירה. ביקורות חשודות מקבלות סטטוס pending.

class SpamDetector {
    public function check(string $text): SpamResult {
        if (preg_match('/https?:\/\//i', $text)) {
            return SpamResult::spam('Ссылки запрещены');
        }
        if (similar_text($text, $this->getLastReview($text)) > 80) {
            return SpamResult::spam('Дубликат');
        }
        foreach ($this->stopWords as $word) {
            if (mb_stripos($text, $word) !== false) {
                return SpamResult::suspicious();
            }
        }
        return SpamResult::clean();
    }
}

דירוג רב-קריטריוני

מוצרים יכולים לכלול מספר קריטריוני דירוג (לדוגמה, "איכות", "תואם לתיאור", "מהירות משלוח"). הדירוג הכולל הוא הממוצע של כל הקריטריונים:

SELECT entity_id, AVG(rr.value) AS avg_rating, COUNT(DISTINCT r.id) AS review_count
FROM b_vendor_review r
JOIN b_vendor_review_rating rr ON rr.review_id = r.id
WHERE r.entity_type = 'product' AND r.status = 'approved'
GROUP BY entity_id;

הנתונים המצטברים נשמרים במטמון עם תג spam ומתאפסים כאשר ביקורת חדשה מאושרת.

מיקרו-נתוני Schema.org

להשפעת SEO, דירוגים מצטברים חייבים להופיע במיקרו-נתונים. לפי ויקיפדיה: Schema.org, השתמש ב-class SpamDetector { public function check(string $text): SpamResult { if (preg_match('/https?:\/\//i', $text)) return SpamResult::spam('Ссылки запрещены'); if (similar_text($text, $this->getLastReview($text)) > 80) return SpamResult::spam('Дубликат'); foreach ($this->stopWords as $word) { if (mb_stripos($text, $word) !== false) return SpamResult::suspicious(); } return SpamResult::clean(); } } עבור מוצרים:

<div itemscope itemtype="https://schema.org/Product">
  <span itemprop="name">Название товара</span>
  <div itemprop="aggregateRating" itemscope itemtype="https://schema.org/AggregateRating">
    <span itemprop="ratingValue">4.7</span>
    <span itemprop="reviewCount">143</span>
  </div>
</div>

הרכיב SELECT entity_id, AVG(rr.value) AS avg_rating, COUNT(DISTINCT r.id) AS review_count FROM b_vendor_review r JOIN b_vendor_review_rating rr ON rr.review_id = r.id WHERE r.entity_type = 'product' AND r.status = 'approved' GROUP BY entity_id; יוצר את הבלוק הזה מנתוני המטמון. אתרים עם מיקרו-נתונים רואים עד פי 5 יותר קליקים על תגי כוכבים — הוכח בפועל. אתה מקבל כוכבים בתוצאות החיפוש.

הצבעת שימושיות

משתמשים יכולים לסמן ביקורת כ"מועילה" או "לא מועילה". הגנה מפני מניפולציות:

• הצבעה אחת לכל IP ליום.
• משתמשים מחוברים: הצבעה אחת לכל ביקורת לנצח.
• דירוג השימושיות משפיע על סדר הצגת הביקורות.

תהליך הפיתוח

1. ניתוח ועיצוב מודל נתונים (טבלאות ORM).
2. פיתוח מודול: בלוקי מידע, קריטריונים, אימות.
3. ניהול, סינון ספאם, הצבעות.
4. אינטגרציה עם מיקרו-נתונים ורכיבי אתר.
5. בדיקות והשקה.

השוואה: סטנדרטי מול המודול שלנו

לוח זמנים

סה"כ: 11 ימי עבודה. ייבוא ביקורות מ-Yandex.Market או פלטפורמות אחרות מוסיף 1–2 ימים.

מה כלול

• מודול ביקורות עם טבלאות ORM, רכיבים וממשק ניהול.
• אימות רכישה, ניהול, הגדרת סינון ספאם.
• דירוג רב-קריטריוני ומיקרו-נתוני Schema.org.
• הצבעת שימושיות ותגובות מוכר.
• תיעוד והדרכת צוות.
• תמיכה לאחר ההשקה.