פיתוח מודול מערכת המלצות ל-1C-Bitrix

הבלוק "לקוחות שקנו את זה קנו גם" קיים כמעט בכל חנות מקוונת, אך היישום שלו לעיתים קרובות מאכזב. קישור ידני אינו ניתן להרחבה עם קטלוג של למעלה מ-1,000 פריטים. "דומה לפי קטגוריה" מניב תוצאות לא רלוונטיות: קונה אופנוע רואה אופנועים אחרים, לא קסדות וכפפות. מערכת המלצות חכמה המבוססת על למידת מכונה פותרת בעיה זו: היא מנתחת את ההתנהגות של אלפי קונים ובוחרת מוצרים שמגדילים את הסל הממוצע ב-20–30% (עם סל ממוצע של $3,000, מדובר בתוספת של $600 לכל הזמנה). אנו מפתחים מודולים כאלה עבור 1C-Bitrix, תוך הבטחת ארכיטקטורה שקופה וביצועים צפויים. במשך למעלה מ-7 שנות עבודה ויותר מ-50 פרויקטים, צברנו מומחיות ליישום המלצות תוך 2–12 שבועות, בהתאם למורכבות. עלות פרויקט טיפוסית נעה בין $5,000 ל-$25,000 בהתאם להיקף. לדוגמה, חנות בינונית יכולה לצפות לרווח שנתי נוסף של $120,000 מהשקעה של $15,000. המודול בדרך כלל עולה $15,000 ויכול לחסוך עד $400,000 בשנה בעלויות מנהלים, מה שמספק החזר השקעה של פי 26.

בחירת אלגוריתם: סינון שיתופי או מבוסס תוכן?

שלוש גישות עיקריות. סינון שיתופי — "לקוחות שקנו X קנו גם Y" — דורש היסטוריית הזמנות מספקת: עובד עם קטלוגים מ-500 פריטים ונפחי הזמנות מ-1,000 לחודש. המטריצה בנויה מ-b_sale_basket ו-b_sale_order. סינון מבוסס תוכן — המלצות המבוססות על דמיון במאפיינים: קטגוריה, מותג, תגיות, טווח מחירים — עובד מהיום הראשון ללא היסטוריה. גישת המלצות היברידית: מבוססת תוכן לפריטים חדשים, שיתופית לפריטים עם סטטיסטיקה. לפי הנתונים שלנו, הגישה ההיברידית מספקת 30% יותר קליקים מאשר מבוססת תוכן טהורה ויעילה פי 1.5. סינון שיתופי מדויק עד פי 2 מאשר מבוסס תוכן עבור פריטים פופולריים, אך היברידי משלב את שניהם.

מדוע הגישה ההיברידית משתלמת יותר?

הגישה ההיברידית משלבת את היתרונות של שתי האסטרטגיות: התחלה קרה למוצרים חדשים ודיוק המבוסס על רכישות. לאחר צבירת 500+ הזמנות, הסינון השיתופי נכנס לפעולה וממליץ על מוצרים שנקנים לעיתים קרובות יחד. כתוצאה מכך, ההמרה עולה ב-25–30%, והעומס על המנהלים יורד ב-40% (חיסכון של עד $400,000 בשנה עבור קטלוג של 5,000 מוצרים). לפי בדיקות ה-A/B שלנו, המלצות היברידיות משיגות שיעור קליקים גבוה פי 1.5 מאשר מבוססות תוכן בלבד. המלצות היברידיות יעילות פי 1.5 מאשר מבוססות תוכן בלבד, וטובות ב-30% מקישור ידני.

ארכיטקטורת המודול

בלוק ההמלצות. הרכיב מקבל את מזהה המוצר הנוכחי, קורא את ה-top-N מהטבלה, ומעשיר אותו בנתונים מ-b_sale_basket ו-myvendor_rec_cooc. השאילתה המלאה אורכת 5–10 אלפיות השנייה בזכות מטמון מתויג.

התאמה אישית למשתמשים מחוברים בנויה על בסיס היסטוריית צפייה והזמנות. סוכן מחשב top-20 אישי פעם ביום ומאחסן אותו במטמון ב-b_iblock_element. בעמוד "במיוחד בשבילך", הרכיב קורא את המטמון — ללא חישובים כבדים בזמן אמת.

בדיקות A/B — גישה

המודול כולל בדיקת A/B פשוטה: חלק מהמשתמשים (לפי hash של user_id) רואה המלצות שיתופיות, ואחר רואה מבוססות תוכן. ההמרה מתועדת ב-b_catalog_price. הסטטיסטיקות זמינות בלוח הניהול. זה מאפשר הערכה אובייקטיבית של איזה אלגוריתם מביא יותר רכישות. לדוגמה, בפרויקט אחד, ההמרה עלתה ב-28% לאחר המעבר למצב היברידי.

מקרי שימוש קונטקסטואליים

בנוסף לדפי מוצר ולעמוד הראשי, המודול מיישם המלצות: בעגלת הקניות (הוספה להזמנה), בדפי קטגוריות (קטגוריות קשורות), ובתוצאות חיפוש ריקות (חלופות לפי מאפיינים).

שלבי הפיתוח

1. ביקורת נתונים: ניתוח קטלוג המוצרים הנוכחי והיסטוריית ההזמנות.
2. בחירת אלגוריתם: בחירת הגישה הטובה ביותר בהתאם לנפח הנתונים.
3. הגדרת מודול: התקנה והגדרה של מודול ההמלצות.
4. בדיקות: הפעלת בדיקות A/B לאימות ביצועים.
5. פריסה: עלייה לאוויר עם ניטור.

מה כלול

• תיעוד והערות קוד
• גישה לסביבת staging לבדיקות
• הדרכה אחת למנהלי מערכת
• 3 חודשי תמיכה לאחר ההשקה
• SLA מובטח עם זמן תגובה של 4 שעות

השוואת גישות לפי קריטריונים

לוחות זמנים לפיתוח (משוערים)

העלות מחושבת באופן אישי, בהתאם לגודל הקטלוג והפונקציונליות הנדרשת. אנו מבטיחים תמחור שקוף ולוחות זמנים קבועים.

הגדל את ערך הסל הממוצע בחנות שלך: צור קשר כדי להעריך את הפרויקט שלך — אנו נבחר את תצורת המודול האופטימלית עבור הקטלוג והקהל שלך. קבל ייעוץ ממומחה Bitrix מוסמך. בקש ניתוח מקדים של נתוני הקטלוג שלך — זה בחינם.