Покупатель вводит «чем застелить пол в ванной», а штатный поиск магазина выдаёт пустоту — потому что товар называется «плитка керамогранитная напольная», и ни одного дословного совпадения нет. Он не знает вашей терминологии, он описывает задачу. Семантический поиск на эмбеддингах обещает решить именно это: искать по смыслу, а не по словам. Но нужен ли он вашему магазину — вопрос не про хайп вокруг ИИ, а про тип спроса и экономику.
Разберём без маркетинга: что такое эмбеддинги и векторный поиск, чем он отличается от полнотекстового, когда реально оправдан для магазина на 1С-Битрикс, а когда это дорогая избыточность, и как встроить его рядом со штатным поиском. Подобные нестандартные подсистемы поиска мы проектируем в рамках автоматизации на 1С, где важна и связка с данными каталога.
Коротко
- Эмбеддинги превращают текст в векторы; близкие по смыслу тексты получают близкие векторы — так ищут по смыслу, а не по словам.
- Семантический поиск выигрывает на описательных запросах и синонимах, но проигрывает на артикулах и точных кодах.
- Он оправдан для сложных, вариативных и подарочных категорий; для B2B-опта и узких каталогов чаще избыточен.
- Лучший результат — гибрид: семантика + полнотекстовый + точный поиск + умный фильтр, обрамлённые бизнес-правилами.
Проблема: покупатель ищет не так, как названы товары
Корень проблемы — разрыв между языком покупателя и языком каталога. Товары названы «правильно»: по номенклатуре, характеристикам, терминам производителя. А покупатель формулирует запрос своими словами, через задачу, синонимы, бытовые названия. «Тёплый плед на диван» против «покрывало флисовое», «обувь для бега» против «кроссовки беговые», «чем покрасить батарею» против «эмаль термостойкая».
Полнотекстовый поиск в таких случаях промахивается: он ищет совпадение слов с учётом морфологии, а совпадений нет. Результат — пустая выдача и ушедший покупатель. Про природу полнотекстового поиска и его границы мы подробно писали в материале про работу с данными в D7, где затрагивали индексацию и выборки. Семантический поиск атакует именно этот разрыв.
Что такое эмбеддинги и векторный поиск
Эмбеддинг — это представление текста в виде вектора, набора чисел, который кодирует смысл. Модель переводит и описание товара, и поисковый запрос в такие векторы так, что близкие по смыслу тексты оказываются близко в векторном пространстве, даже если написаны совершенно разными словами.
Векторный поиск работает так:
- Индексация каталога. Для каждого товара заранее считается эмбеддинг его описания и сохраняется в векторном хранилище.
- Эмбеддинг запроса. Когда покупатель вводит запрос, для него на лету считается вектор.
- Поиск ближайших. Система находит товары, чьи векторы ближе всего к вектору запроса.
- Выдача. Ближайшие по смыслу товары показываются покупателю, ранжированные по близости.
Ключевой момент: близость считается по смыслу, а не по совпадению слов. Поэтому «чем застелить пол» находит «напольную плитку» — векторы этих текстов близки, хотя общих слов нет.
Семантический против полнотекстового
Оба поиска нужны, но за разное. Важно не противопоставлять их, а понимать сильные стороны каждого.
| Критерий | Семантический (эмбеддинги) | Полнотекстовый |
|---|---|---|
| Основа | Близость смысла (векторы) | Совпадение слов + морфология |
| Синонимы и перифразы | Понимает | Промахивается |
| Описательные запросы | Справляется | Часто даёт пустоту |
| Артикулы и коды | Плохо (нужен точный поиск) | Лучше, но нужен точный |
| Стоимость | Высокая (векторы, ресурсы) | Низкая (штатный) |
| Предсказуемость | Ниже, требует настройки | Выше |
Вывод: семантический поиск силён там, где полнотекстовый слаб (смысл, синонимы, описания), и слаб там, где силён точный поиск (артикулы, коды). Поэтому в реальном магазине их не выбирают «или-или», а комбинируют.
Когда семантический поиск оправдан
Инвестиции в эмбеддинги окупаются в конкретных условиях. Семантический поиск оправдан, если:
- Покупатель ищет описательно. Формулирует потребность через задачу, а не название товара.
- Плохо знает терминологию. Сложные технические или профессиональные категории, где термины неочевидны.
- Каталог большой и разнородный. Много товаров с вариативными названиями, синонимами, разными формулировками.
- Высока доля пустых выдач. Аналитика показывает много запросов с нулевым результатом.
- Категории подарочные или подбираемые. «Подарок для рыбака», «что-то к чаю» — запросы по смыслу, а не по коду.
Общий признак — спрос формулируется человеческим языком, а не кодами. Если ваша аналитика поиска показывает много описательных запросов и пустых выдач, семантика может дать заметный прирост конверсии.
Когда он избыточен
Так же честно нужно назвать случаи, где семантический поиск — дорогая игрушка без отдачи:
- B2B-опт по артикулам. Закупщик ищет по коду и точному названию — ему нужен точный поиск, а не смысл.
- Узкий однородный каталог. Мало товаров, покупатель и так быстро находит нужное фильтром.
- Спрос по характеристикам. Покупатель готов задавать параметры — работает умный фильтр, семантика не нужна.
- Нет ресурсов на поддержку. Эмбеддинги надо пересчитывать при изменении каталога — если некому, подсистема деградирует.
Гибридный поиск: лучшее из двух
На практике чистая семантика в магазине почти не применяется — используют гибридный поиск, объединяющий несколько механизмов и выбирающий подходящий по типу запроса.
- Точный поиск — для артикулов и кодов: запрос-код сразу ведёт к нужному товару.
- Полнотекстовый — для запросов, где важны конкретные слова из названия.
- Семантический — для описательных запросов и когда первые два дали мало или ничего.
Логика такая: сначала проверяется, не артикул ли это (точный поиск), затем полнотекстовый по названиям, и если результатов мало — подключается семантика по смыслу. Результаты объединяются с приоритетом. Про точный поиск по артикулу для B2B у нас есть отдельный разбор в блоге; здесь важно, что семантика — это дополнительный слой, а не замена всему. Как оформить такой многослойный поиск отдельной подсистемой — в материале про разработку модулей под 1С-Битрикс.
Семантика и умный фильтр
Отдельно стоит развести семантический поиск и умный фильтр Битрикс (catalog.smart.filter) — их иногда путают. Фильтр отсекает товары по характеристикам, когда покупатель готов задавать параметры: цвет, размер, бренд, цена. Семантический поиск помогает, когда покупатель ещё не в терминах характеристик, а формулирует потребность текстом.
Лучший сценарий — связка: семантический поиск приводит к релевантной по смыслу выборке, а умный фильтр помогает сузить её по параметрам. Покупатель ввёл «тёплая куртка для города на зиму», семантика собрала подходящие модели, а дальше он фильтрует по размеру и цвету. Одно ведёт к нужной группе товаров, другое — уточняет внутри неё.
Как встроить в 1С-Битрикс
Штатными средствами полнотекстового поиска семантику не сделать — нужен отдельный слой рядом с Битрикс. Общая архитектура такая:
- Источник данных — Битрикс. Инфоблоки и торговый каталог остаются мастер-системой: названия, описания, характеристики, наличие, цены.
- Генерация эмбеддингов. Для описаний товаров считаются векторы и складываются в векторное хранилище.
- Сервис поиска. При запросе считается его эмбеддинг и ищутся ближайшие векторы товаров.
- Связка по API. Битрикс обращается к сервису, получает список ID релевантных товаров и отдаёт карточки из каталога.
- Обрамление правилами. Результаты фильтруются по наличию, категории, цене группы клиента — семантика не отменяет бизнес-логику.
- Обновление векторов. При изменении товаров эмбеддинги пересчитываются, чтобы поиск оставался актуальным.
Ключевое — Битрикс остаётся источником истины о товарах и отвечает за выдачу карточек, а семантический слой отвечает за ранжирование по смыслу. Надёжная связка по API — отдельная инженерная задача; подходы к ней мы разбираем в статье про REST, вебхуки и безопасность в Битрикс. Инфраструктурные требования такого сервиса описаны в материале про хостинг и BitrixVM.
Стоимость и поддержка
Семантический поиск дороже полнотекстового не только на внедрении, но и в эксплуатации. Закладывать нужно:
- Генерацию эмбеддингов. Первичный расчёт для всего каталога и постоянное обновление при изменениях.
- Векторное хранилище. Отдельная база под векторы с быстрым поиском ближайших.
- Вычислительные ресурсы. Расчёт эмбеддингов запросов в реальном времени.
- Поддержку. Пересчёт векторов при добавлении и изменении товаров, мониторинг качества выдачи.
Это не «включить галочку», а отдельная подсистема с эксплуатационной стоимостью. Поэтому решение о семантике — это ещё и решение о том, готовы ли вы её поддерживать. Автоматизацию пересчёта и выкладку таких сервисов удобно вести в общем процессе — про него в материале про CI/CD и деплой в Битрикс.
Риски и как их снять
Главный риск семантики — нерелевантный «умный мусор»: близость по вектору не всегда означает уместность для покупки. Без настройки поиск может подмешивать смыслово похожие, но неподходящие товары. Снимают это так:
- Порог близости. Отсекать товары, чей вектор слишком далёк от запроса, чтобы не показывать «притянутое».
- Обрамление фильтрами. Ограничивать выдачу наличием, категорией, ценой группы — бизнес-правила поверх смысла.
- Комбинация с точным поиском. Артикулы и явные названия обрабатывать точным поиском, а не отдавать семантике.
- Контроль на реальных запросах. Регулярно смотреть, что выдаёт поиск на топовые запросы, и подкручивать.
Как измерить эффект
Семантику внедряют ради измеримого улучшения, а не ради строчки «у нас ИИ-поиск». Метрики, по которым судят об успехе:
- Доля пустых выдач. Запросы с нулевым результатом — должны снизиться.
- Конверсия из поиска. Из поиска в просмотр карточки и в заказ — должна вырасти.
- Отказы после поиска. Уходы сразу после пустой или нерелевантной выдачи — должны упасть.
- Топ пустых запросов. Список запросов без результата — должен сократиться и «облегчиться».
Сравнивают поведение до и после на реальных запросах. Если пустых выдач стало меньше, а конверсия из поиска выросла — семантика оправдалась. Если метрики не сдвинулись, вашему каталогу, вероятно, хватало точного поиска и фильтра.
Частые ошибки
- Внедряют «потому что ИИ». Без анализа спроса и пустых выдач — деньги на инструмент, решающий несуществующую проблему.
- Заменяют весь поиск семантикой. Ломают точный поиск по артикулам, которым нужна не близость, а совпадение.
- Не обрамляют бизнес-правилами. Выдают нерелевантный «умный мусор» без порога и фильтров.
- Забывают про обновление векторов. Каталог меняется, эмбеддинги — нет, поиск деградирует.
- Не измеряют эффект. Внедрили и не сравнили метрики — непонятно, окупилось ли.
- Игнорируют стоимость поддержки. Запустили, но не заложили ресурсы на эксплуатацию.
- Ставят вместо умного фильтра. Убирают фильтр по характеристикам, хотя они дополняют друг друга.
Чек-лист внедрения
- Спрос проанализирован. Есть данные по описательным запросам и доле пустых выдач.
- Оправданность подтверждена. Семантика решает реальную проблему вашего каталога, а не хайп.
- Поиск гибридный. Точный по артикулу, полнотекстовый и семантический работают вместе.
- Битрикс — источник данных. Каталог остаётся мастер-системой, связка идёт по API.
- Обрамление правилами. Порог близости, фильтры по наличию, категории и цене группы.
- Обновление налажено. Эмбеддинги пересчитываются при изменении товаров.
- Метрики измеряются. Пустые выдачи и конверсия из поиска отслеживаются до и после.
Вывод
Семантический поиск на эмбеддингах — сильный инструмент против конкретной проблемы: разрыва между языком покупателя и языком каталога. Он находит товары по смыслу запроса, справляется с синонимами и описательными формулировками там, где полнотекстовый поиск выдаёт пустоту. Но это не универсальное улучшение и не замена всему — для артикулов, узких каталогов и B2B-опта он избыточен.
Решение принимают по данным, а не по хайпу: если аналитика показывает много описательных запросов и пустых выдач, семантика окупится. Внедряют её как слой рядом с Битрикс, в гибриде с точным и полнотекстовым поиском, обрамляют бизнес-правилами и измеряют эффект по конверсии. Тогда «умный поиск» становится реальным преимуществом, а не дорогой строчкой в презентации.
