Блоки «с этим покупают» и «вам может понравиться» кажутся магией: сайт как будто угадывает, что нужно клиенту. За этой магией стоит вполне понятная механика — рекомендательные системы, которые на данных о товарах и поведении покупателей подбирают релевантные позиции. Для магазина это один из немногих инструментов, который одновременно поднимает и конверсию, и средний чек, не требуя рекламного бюджета.
В этой статье разберём, как рекомендательные системы устроены изнутри: контентная и коллаборативная фильтрация, гибридные модели, встроенные BigData-рекомендации 1С-Битрикс, роль данных и обмена с 1С, метрики эффективности. Тема тесно связана с автоматизацией на 1С: качество рекомендаций напрямую зависит от того, насколько чисты данные о товарах и заказах.
Коротко
- Рекомендации подбирают товары по схожести характеристик (контентная модель) и по поведению покупателей (коллаборативная).
- В 1С-Битрикс есть встроенные BigData-рекомендации — базовые подборки работают почти из коробки.
- На старте данных мало (холодный старт) — начинают с контентных правил и ручных подборок.
- Алгоритм подбирает кандидатов, а бизнес-правила отсеивают товары без наличия и не по цене клиента.
Зачем магазину рекомендации
Рекомендательная система решает простую бизнес-задачу: показать покупателю товар, который он с высокой вероятностью захочет, в момент, когда решение о покупке ещё формируется. Это работает сразу на несколько показателей — растёт средний чек за счёт допродаж, повышается конверсия за счёт релевантных предложений, увеличивается вовлечённость и глубина просмотра.
В отличие от рекламы, рекомендации не требуют внешнего бюджета: они работают с уже пришедшим трафиком, помогая ему найти больше нужного. Именно поэтому даже небольшой прирост от рекомендаций окупается быстро — вы платите не за клики, а за один раз настроенный механизм, который потом работает на каждом посетителе.
Из чего состоит рекомендательная система
Любая рекомендательная система, независимо от алгоритма, состоит из одних и тех же логических частей. Понимание этой структуры помогает не путать «умный алгоритм» с работающим решением.
- Данные. Каталог с характеристиками товаров и поведенческие события: просмотры, добавления в корзину, покупки.
- Модель. Алгоритм, который по данным вычисляет, какие товары кому релевантны.
- Кандидаты. Список товаров, которые модель предлагает для конкретного контекста.
- Бизнес-правила. Фильтры поверх модели: наличие, цена клиента, маржинальность, исключения.
- Витрина. Блоки рекомендаций на страницах и логика их показа.
Слабость в любой из частей ломает результат: даже идеальный алгоритм бесполезен, если данные грязные, а бизнес-правила предлагают товар, которого нет на складе. Поэтому рекомендации — это не только про математику, но и про инженерию данных.
Контентная фильтрация
Контентная (content-based) модель рекомендует товары, похожие на тот, который клиент смотрит или купил, по их характеристикам. Если человек изучает дрель определённой мощности и бренда, система предложит другие дрели с близкими свойствами. Похожесть вычисляется по атрибутам: категория, бренд, цена, свойства товара.
Сильная сторона такого подхода — независимость от статистики продаж. Контентная модель работает сразу, как только у товаров заполнены характеристики, и хорошо справляется с новыми позициями, по которым ещё нет заказов. Слабость — она склонна предлагать «ещё то же самое» и не открывает неочевидных связей, которые видны только в поведении покупателей.
Коллаборативная фильтрация
Коллаборативная фильтрация не смотрит на характеристики товара вовсе — она анализирует поведение. Базовый принцип: «те, кто покупал этот товар, покупали также вот эти». Система находит закономерности в заказах и просмотрах множества клиентов и на их основе строит рекомендации.
Именно этот подход даёт неочевидные, «магические» связи: к палатке система сама предложит спальник и коврик, потому что так делают реальные покупатели, а не потому, что кто-то прописал это правило. Обратная сторона — зависимость от данных: пока просмотров и заказов мало, поведенческих закономерностей не видно, и рекомендации получаются пустыми. Это и есть проблема холодного старта, к которой мы вернёмся ниже.
Гибридные и правило-ориентированные модели
На практике редко используют одну чистую модель. Гибридный подход комбинирует контентную и коллаборативную фильтрацию, компенсируя слабости каждой: для новых товаров работает контентная часть, для популярных — поведенческая. Плюс к этому почти всегда добавляют ручные правила.
| Подход | На чём основан | Когда силён | Слабость |
|---|---|---|---|
| Контентный | Характеристики товара | Новые товары, малый магазин | «Ещё то же самое» |
| Коллаборативный | Поведение покупателей | Много статистики заказов | Холодный старт |
| Гибридный | Комбинация двух | Зрелый магазин | Сложнее настроить |
| Правила | Ручная логика | Акции, комплекты, маржа | Не масштабируется |
Ручные правила незаменимы там, где бизнес точно знает, что предложить: сопутствующие комплекты, аксессуары к технике, акционные наборы, продвижение маржинальных позиций. Умная система сочетает автоматические модели с ручными правилами, а не полагается только на алгоритм.
BigData-рекомендации в 1С-Битрикс
Строить рекомендательную модель с нуля нужно не всегда — в 1С-Битрикс есть встроенный сервис персональных рекомендаций (BigData). Магазин передаёт в облачный сервис обезличенные события — просмотры и покупки, а сервис возвращает готовые подборки для типовых блоков: «с этим покупают», «похожие товары», «вы смотрели», «популярное».
Технически это подключается через штатные компоненты каталога, которые умеют запрашивать рекомендации у сервиса и выводить их на странице. Для многих магазинов это разумная отправная точка: базовые персональные рекомендации получаются почти из коробки, без разработки собственной модели. Дальше их дополняют ручными правилами и бизнес-фильтрами под свои задачи.
Проблема холодного старта
Холодный старт — главная сложность рекомендательных систем. Коллаборативным моделям нужно много поведенческих данных: пока просмотров и заказов мало, системе не на чем учиться. Это касается и нового магазина в целом, и новых товаров внутри работающего каталога, и новых пользователей без истории.
- Новый магазин. Начинают с контентной модели и ручных подборок, поведенческие модели подключают позже.
- Новый товар. Пока по нему нет заказов, рекомендуют его по характеристикам, а не по поведению.
- Новый пользователь. Показывают популярное и релевантное категории, пока не накопится личная история.
Вывод практичный: не ждите чуда от алгоритма на пустых данных. Рекомендации взрослеют вместе с магазином, и на раннем этапе больше дают простые контентные правила и ручные комплекты, чем сложная модель без топлива.
Бизнес-правила: наличие, цена, маржа
Алгоритм подбирает кандидатов, но показывать их «как есть» нельзя — поверх обязательно накладывают бизнес-правила. Рекомендовать товар, которого нет в наличии, или позицию не по ценовой группе клиента — значит раздражать покупателя и терять доверие к блоку рекомендаций.
- Фильтр по наличию. Из подборки убираются товары без остатка на складе, откуда отгружают клиенту.
- Цена клиента. В B2B рекомендации учитывают цену для группы клиента, а не показывают чужую.
- Маржинальность. При прочих равных можно приоритизировать более выгодные позиции.
- Исключения. Товары, которые нельзя рекомендовать (снятые с продажи, конфликтующие), отсеиваются.
Актуальность наличия и цены зависит от обмена с 1С. Если остатки на сайте устарели, даже идеальная модель предложит то, чего нет. Поэтому рекомендации и учётная система связаны напрямую — об этом следующий раздел.
Где размещать блоки рекомендаций
Место показа не менее важно, чем алгоритм. Рекомендации работают там, где решение о покупке ещё формируется, и мешают там, где клиент уже определился.
- Карточка товара. «Похожие товары» и «с этим покупают» — классические и самые результативные места.
- Корзина. «Добавьте к заказу» — аксессуары и сопутствующие товары, поднимающие чек.
- Главная и категории. «Популярное» и «вам может понравиться» для вовлечения.
- Страница благодарности. Рекомендации после заказа для следующей покупки.
Главное — не превращать сайт в свалку рекомендаций. Два-три уместных блока работают лучше десятка, которые конкурируют за внимание и обесценивают друг друга. Каждый блок должен иметь понятную задачу и своё место в пути клиента.
Данные и роль обмена с 1С
Рекомендации хороши ровно настолько, насколько чисты данные под ними. Каталог с пустыми или противоречивыми характеристиками ослабляет контентную модель; неактуальные остатки ломают бизнес-фильтры; несобранные события покупок обедняют коллаборативную модель. Всё это упирается в качество обмена с учётной системой.
Именно из 1С на сайт приходят номенклатура, характеристики, цены и остатки, а обратно уходят заказы, формирующие поведенческую статистику. Чем стабильнее и чище этот обмен, тем сильнее рекомендации. Технические принципы надёжной интеграции мы разбираем в статьях про REST и вебхуки в Битрикс и работу с данными через D7 ORM. Порядок в данных — фундамент, который мы закладываем в рамках автоматизации на 1С.
Метрики и A/B-тестирование
Красивый блок рекомендаций не равно работающий. Оценивать эффективность нужно по деньгам и через сравнение, а не по ощущениям. Базовый набор метрик:
- CTR блока. Доля посетителей, кликнувших по рекомендации.
- Конверсия из рекомендации. Сколько кликов по рекомендованному товару доходят до заказа.
- Доля выручки с рекомендаций. Какую часть оборота приносят рекомендованные позиции.
- Влияние на средний чек. Насколько рекомендации поднимают сумму заказа.
Достоверный вывод даёт A/B-тест: одной группе показывают рекомендации, другой (контрольной) — нет, и сравнивают выручку и чек. Если разница есть — рекомендации работают; если нет — алгоритм или места показа надо менять. Без такого сравнения легко принять красивый, но бесполезный блок за успех.
Частые ошибки
- Рекомендации на грязных данных. Пустые характеристики и устаревшие остатки обнуляют качество подборок.
- Ожидание чуда на холодном старте. Коллаборативная модель без статистики выдаёт пустоту.
- Нет фильтра по наличию. Система рекомендует товар, которого нет на складе.
- Игнор цены клиента. В B2B показывается чужая цена вместо цены группы.
- Свалка блоков. Десяток рекомендаций на странице конкурируют и обесценивают друг друга.
- Нет измерения. Эффективность оценивают на глаз, без метрик и A/B-теста.
- Только алгоритм, без правил. Игнорируются очевидные комплекты, акции и маржа.
Чек-лист внедрения
- Данные в порядке. Характеристики заполнены, остатки и цены актуальны, обмен с 1С стабилен.
- Выбрана модель под этап. Контентная и ручные правила на старте, поведенческая — по мере накопления данных.
- Подключены BigData-рекомендации. Базовые подборки через штатные компоненты как отправная точка.
- Настроены бизнес-правила. Фильтры по наличию, цене клиента, исключениям и марже.
- Определены места показа. Два-три осмысленных блока в ключевых точках пути.
- Настроены метрики. CTR, конверсия, доля выручки, влияние на чек.
- Запущен A/B-тест. Сравнение с контрольной группой подтверждает эффект.
Вывод
Рекомендательные системы — не магия, а связка данных, моделей и бизнес-правил. Контентная фильтрация подбирает похожие товары, коллаборативная находит поведенческие связи, гибридные модели и ручные правила соединяют их сильные стороны. В 1С-Битрикс базовые персональные рекомендации доступны через встроенный BigData-сервис, а дальше их дополняют под задачи магазина.
Но любой алгоритм бессилен без чистых данных и без измерения результата. Наведите порядок в каталоге и обмене с 1С, накладывайте бизнес-фильтры по наличию и цене, размещайте два-три осмысленных блока и проверяйте эффект A/B-тестом. Тогда рекомендации станут инструментом, который тихо и постоянно поднимает средний чек на уже пришедшем трафике.
