מערכת המלצות מוצרים ל-1С-Bitrix

אתם מפסידים עד 30% מההכנסות אם חנות ה-1С-Bitrix שלכם חסרה המלצות מותאמות אישית. קונה מגיע למוצר ספציפי אך לא רואה פריטים קשורים, לא מקבל הצעות המבוססות על תחומי העניין שלו—ועוזב למתחרה. אנו פותרים בעיה זו על ידי הטמעת מערכות המלצות שמגדילות את ערך הסל הממוצע ב-15–25% ואת ההמרה לרכישה. ניסיון של 10+ שנים, מומחים מוסמכים, תוצאות מובטחות.

למה התאמה אישית עובדת כל כך טוב

המלצות מותאמות אישית עובדות כי הן מפחיתות את העומס הקוגניטיבי על הקונה. במקום לעיין במאות מוצרים, הם רואים רק אפשרויות רלוונטיות. אלגוריתמים מנתחים התנהגות משתמשים—צפיות, הוספות לסל, רכישות—ובוחרים פריטים שסביר שיעניינו אותם. השוו: בניסיון שלנו, סינון שיתופי מניב CTR גבוה ב-30% מאשר מבוסס-תוכן כאשר יש 1000+ פעולות למוצר. מחקר של McKinsey מראה שהתאמה אישית מגדילה הכנסות ב-10-30%.

איך אלגוריתמי המלצות מגבירים המרה

בחירת האלגוריתם קובעת את דיוק ההמלצות. בואו נבחן את הגישות המרכזיות.

סינון מבוסס-תוכן—אנו ממליצים על מוצרים דומים למוצר הנצפה לפי מאפיינים: קטגוריה, מחיר, תגיות. עובד ללא היסטוריה, מתאים למשתמשים חדשים.

function getContentBasedRecommendations(int $productId, int $limit = 10): array { $product = \CIBlockElement::GetByID($productId)->GetNext(); $iblockId = $product['IBLOCK_ID']; $price = \CPrice::GetBasePrice($productId)['PRICE']; $sectionId = $product['IBLOCK_SECTION_ID']; // Товары из той же категории в ценовом диапазоне ±30% $result = \CIBlockElement::GetList( ['RAND' => 'ASC'], [ 'IBLOCK_ID' => $iblockId, 'IBLOCK_SECTION_ID' => $sectionId, '!ID' => $productId, '>=CATALOG_PRICE_1' => $price * 0.7, '<=CATALOG_PRICE_1' => $price * 1.3, 'ACTIVE' => 'Y', ], false, ['nPageSize' => $limit], ['ID', 'NAME', 'DETAIL_PAGE_URL', 'PREVIEW_PICTURE'] ); $items = []; while ($item = $result->GetNext()) { $items[] = $item; } return $items; } 

האלגוריתם פשוט ליישום ועובד מיידית, אך אינו מתחשב בטעמים האישיים של המשתמש.

סינון שיתופי—"משתמשים שצפו במוצר זה צפו גם..." דורש היסטוריית צפיות ורכישות מצטברת, אך מספק המלצות מותאמות אישית יותר. אנו אוספים נתונים מ:

• function getContentBasedRecommendations(int $productId, int $limit = 10): array { $product = \CIBlockElement::GetByID($productId)->GetNext(); $iblockId = $product['IBLOCK_ID']; $price = \CPrice::GetBasePrice($productId)['PRICE']; $sectionId = $product['IBLOCK_SECTION_ID']; // Товары из той же категории в ценовом диапазоне ±30% $result = \CIBlockElement::GetList( ['RAND' => 'ASC'], [ 'IBLOCK_ID' => $iblockId, 'IBLOCK_SECTION_ID' => $sectionId, '!ID' => $productId, '>=CATALOG_PRICE_1' => $price * 0.7, '<=CATALOG_PRICE_1' => $price * 1.3, 'ACTIVE' => 'Y', ], false, ['nPageSize' => $limit], ['ID', 'NAME', 'DETAIL_PAGE_URL', 'PREVIEW_PICTURE'] ); $items = []; while ($item = $result->GetNext()) { $items[] = $item; } return $items; } ו-b_sale_basket—רכישות אמיתיות.
• טבלה מותאמת אישית b_sale_order—צפיות בדפי מוצר.
• custom_product_views—משתמשים אורחים.

ביצועי הסינון השיתופי גבוהים ב-30% מאשר מבוסס-תוכן מבחינת CTR כאשר יש 1000+ פעולות למוצר.

פירוק מטריצה (ALS/SVD)—אלגוריתם מתקדם, דורש ספריות (Python: implicit, surprise). אנו מורידים את חישוב ההמלצות למיקרוסרוויס Python נפרד, התוצאות נשמרות ב-Redis/PostgreSQL, ו-Bitrix רק קורא אותן. גישה זו נותנת עד 12% עלייה ב-CTR בקטלוגים גדולים.

איסוף נתוני התנהגות

// Трекинг просмотра товара // Вызывается в шаблоне компонента catalog.element $userId = $USER->GetID() ?: 0; $fuserId = (int)\Bitrix\Sale\Fuser::getId(); $db->query(" INSERT INTO custom_product_views (product_id, user_id, fuser_id, viewed_at) VALUES (?, ?, ?, NOW()) ON DUPLICATE KEY UPDATE view_count = view_count + 1, viewed_at = NOW() ", [$productId, $userId, $fuserId]); 

CREATE TABLE custom_product_views ( id SERIAL PRIMARY KEY, product_id INT NOT NULL, user_id INT DEFAULT 0, fuser_id INT NOT NULL, view_count INT DEFAULT 1, viewed_at DATETIME, UNIQUE KEY uk_product_fuser (product_id, fuser_id), INDEX idx_fuser (fuser_id), INDEX idx_product (product_id) ); 

חישוב "משתמשים צפו גם"

-- Товары, которые чаще всего смотрят вместе с товаром $productId SELECT v2.product_id, COUNT(DISTINCT v2.fuser_id) AS co_views FROM custom_product_views v1 JOIN custom_product_views v2 ON v1.fuser_id = v2.fuser_id AND v2.product_id != v1.product_id AND v2.viewed_at BETWEEN DATE_SUB(v1.viewed_at, INTERVAL 1 HOUR) AND DATE_ADD(v1.viewed_at, INTERVAL 1 HOUR) WHERE v1.product_id = :productId GROUP BY v2.product_id ORDER BY co_views DESC LIMIT 20; 

התוצאות נשמרות במטמון ב-Redis למשך 6–24 שעות. הן מחושבות מחדש על ידי סוכן Bitrix בלילה עבור כל המוצרים הפופולריים.

התאמה אישית למשתמשים מורשים

עבור משתמשים מורשים, אנו בוחנים את היסטוריית הצפיות ב-30 הימים האחרונים:

function getPersonalizedRecommendations(int $userId, int $limit = 12): array { // Последние просмотренные категории пользователя $recentCategories = getRecentUserCategories($userId, 5); // Товары из этих категорий, которые он ещё не смотрел return \CIBlockElement::GetList( ['CATALOG_PRICE_1' => 'ASC'], [ 'IBLOCK_ID' => CATALOG_IBLOCK_ID, 'IBLOCK_SECTION_ID' => $recentCategories, '!ID' => getViewedProductIds($userId), 'ACTIVE' => 'Y', ], false, ['nPageSize' => $limit], ['ID', 'NAME', 'DETAIL_PAGE_URL', 'PREVIEW_PICTURE'] ); } 

ניהול אדמיניסטרטיבי של המלצות

המערכת מאפשרת:

• צפייה בסטטיסטיקות קליקים על המלצות (CTR לפי אלגוריתם).
• הוספת המלצות ידניות (מקובעות) למוצרים ספציפיים.
• החרגת מוצרים מהמלצות (אזלו מהמלאי, עונתיים).
• בדיקות A/B של אלגוריתמים: חצי מהמשתמשים רואים מבוסס-תוכן, חצי שיתופי.

השוואת גישות: זמן ואפקט

לוח זמנים

סה"כ: 2.5–3.5 שבועות למערכת מלאה. המלצות מבוססות-תוכן ללא התאמה אישית—שבוע אחד.

מה כלול בעבודה

• תיעוד של API ההמלצות וסכימת הנתונים.
• גישה לפאנל הניהול של ההמלצות.
• הדרכת צוות (ניהול, בדיקות A/B).
• חודשיים של תמיכה לאחר ההשקה (תיקוני באגים, כיוונון עדין).

תהליך ההטמעה שלנו: שלב אחר שלב

1. ניתוח נתונים—הערכת גודל הקטלוג, היסטוריית צפיות ורכישות, זיהוי דפי יעד למיקום המלצות.
2. בחירת אלגוריתם—בהתבסס על הניתוח, בחירת גישה מבוססת-תוכן, שיתופית או היברידית. לחנויות קטנות, מבוסס-תוכן לרוב מספיק; לגדולות, סינון שיתופי עם סינון שיתופי.
3. שילוב איסוף נתונים—הטמעת מעקב אחר צפיות ורכישות באמצעות טבלאות מותאמות אישית ואירועי Bitrix.
4. פיתוח בלוקי המלצות—יצירת רכיבים לתצוגה בקטלוג, בדף מוצר ובעגלה.
5. מטמון וסוכנים—הגדרת Redis לגישה מהירה וסוכני Bitrix לחישוב מחדש לילי.
6. בדיקות A/B—השקת בדיקות של אלגוריתמים שונים לאיסוף סטטיסטיקות.
7. פריסה והדרכה—פריסה לסביבת ייצור, הדרכת צוות על שימוש בפאנל הניהול.