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.