Персонализированные рекомендации на основе ИИ

Персонализированные рекомендации и допродажи на основе ИИ

Задача
Увеличить средний чек, повысить вовлечённость пользователей и автоматизировать блоки рекомендаций на карточках товара и в процессе оформления заказа.

Что сделали

Автоматическая генерация сопутствующих товаров
На основе категории, характеристик, бренда и пользовательского поведения ИИ формирует подборку: «С этим товаром покупают», «Вам может пригодиться», «Аксессуары» и т.д. Используется векторное сходство (embeddings) и фильтрация по наличию, типу и цене.

Контекстные блоки на карточках
В карточке товара отображаются релевантные предложения из категорий «Инструменты», «Аксессуары», «Дополнительно». Все рекомендации обновляются при изменении характеристик основного товара — без ручного труда.

Логика допродаж
Если товар с ограниченной применимостью (например, поршень на конкретную модель), система предлагает: ремкомплект, прокладки, масло, фильтры и сопутствующие позиции. Подбор основан на данных из описания, кросс-ссылках и ключевых признаках.

Интеграция с админкой
Разработан модуль, позволяющий вручную корректировать или исключать позиции, если это требуется. Есть лог изменений и интерфейс для контроля качества рекомендаций.

Схема работы рекомендательного механизма

1. Сбор данных о товаре
При изменении или добавлении товара система получает:
– категорию и подкатегорию,
– бренд,
– технические характеристики,
– описание и теги,
– наличие и цену.

2. Генерация векторного представления (embedding)
С помощью GPT или специализированной модели создаётся вектор товара, отражающий его смысл, назначение и характеристики. Этот вектор сохраняется в базе PostgreSQL с расширением pgvector.

3. Поиск релевантных товаров
Для каждого товара выполняется поиск ближайших векторов в базе:
– среди аксессуаров, инструментов, дополнительных позиций — в зависимости от типа,
– с фильтрацией по наличию, допустимой цене, категории, совместимости (если применимо).

4. Формирование блоков рекомендаций
На основе результата формируются подборки:
– «С этим товаром покупают»,
– «Рекомендуем дополнительно»,
– «Аксессуары»,
– «Похожие товары».

5. Интеграция в карточку товара и корзину
Рекомендации отображаются на сайте и в корзине (в момент оформления), а также могут быть использованы в рассылках, подборках и виджетах.

6. Обновление при изменениях
При изменении основного товара (категория, описание, цена, характеристики) — происходит автоматическая регенерация embedding и рекомендаций.

7. Админ‑контроль (опционально)
Контент‑менеджер может вручную заменить, скрыть или добавить рекомендации. Все изменения фиксируются в логе.

Результаты

– Рост среднего чека на 12% благодаря блоку «С этим товаром берут»
– Повышена конверсия в корзине за счёт рекомендаций при оформлении заказа
– Обновление рекомендаций стало автоматическим и масштабируемым
– Снижение количества возвратов за счёт более точного подбора сопутствующих товаров

Технологии

– GPT и embeddings для семантического анализа описаний
– PostgreSQL с pgvector — хранение векторов и быстрый поиск
– PHP (Bitrix) и Python (рекомендательный модуль)
– Интеграция в CMS и шаблоны карточек товара
– Кеширование и логика приоритезации

Итог: рекомендательная система работает прозрачно, расширяет корзину пользователя и экономит ресурсы контент-отдела. Решение масштабируемо на десятки тысяч товаров.