Як побудувати систему рекомендацій без великих даних у 2026: прості алгоритми та інструменти
У статті розберемо доступні алгоритми рекомендацій без великих даних, покажемо, як реалізувати колаборативну фільтрацію без машинного навчання та запропонуємо готові інструменти для стартапів.
Зміст
- Чому варто створювати рекомендації без великих даних
- Прості алгоритми рекомендацій без машинного навчання
- Колаборативна фільтрація простими методами
- Інструменти і готові рішення для рекомендацій без big data
- Практичний чек-ліст: що потрібно зробити за 1-2 тижні
- Типові помилки і як їх уникнути
- Результати: швидкий старт рекомендацій без великих даних
Як побудувати систему рекомендацій без великих даних — питання, яке ставлять багато стартапів у 2026 році. Замість громіздких моделей ви отримаєте працюючий сервіс за тижні, а економія на інфраструктурі дозволить швидше вийти на ринок.
Невеликі набори кліків, переглядів і покупок вже дають основу для персонального контенту: ви підвищуєте конверсію, утримуєте користувачів і отримуєте метрики, які легко масштабувати з часом росту даних.
Чому варто створювати рекомендації без великих даних
Для більшості нових проектів обсяг користувацьких подій обмежений кількома тисячами записів. Спроба зібрати «big data» призводить до надмірних витрат на зберігання і обробку, а модель машинного навчання буде перенавчатися і давати шумні прогнози.
Приклад: сервіс онлайн-курсів запустив рекомендацію на базі простих правил і вже через місяць збільшив середній чек на 15 %. При цьому знадобилося лише 2 ГБ логів і один сервер-приложення.
Стартапи, що працюють у ніші B2B, SaaS, маркетплейсів або мобільних ігор, часто мають обмежений бюджет і обмежений потік даних. Швидкий запуск рекомендацій допомагає зібрати цінний зворотний сигнал, який потім можна «прокачати» більш складними алгоритмами.
За даними TGRank, у категорії «Бізнес і Стартапи» 137 Telegram-каналів охоплюють 8 357 575 підписників, а медіана ціни за 1000 переглядів реклами складає 357 ₽. Навіть невелика рекомендаційна система може збільшити охоплення і підвищити ефективність рекламних вкладень без додаткових витрат.
Почніть з простих правил, виміряйте ріст конверсії, а потім вирішіть, потрібен чи ML-підхід.
Якщо хочете побачити, як невеликі бюджети впливають на рекламні кампанії, зверніться до каталогу Telegram-каналів категорії «Бізнес і Стартапи» — там зібрані актуальні охоплення і ціни.
Прості алгоритми рекомендацій без машинного навчання
Алгоритм «Найпопулярніші»
Ідея: показувати користувачу товари, які найчастіше купуються або переглядаються за останні 7 днів.
Необхідні дані: ідентифікатор продукту та кількість продаж/переглядів за період.
- Зібрати агреговані метрики (SQL: SELECT product_id, COUNT(*) FROM orders WHERE created_at > NOW() - INTERVAL 7 DAY GROUP BY product_id).
- Відсортувати за спаданням і взяти топ-N.
- Кешувати результат (Redis, файл) і наддавати користувачу.
Переваги: проста реалізація, мінімум ресурсів. Недоліки: ігнорує індивідуальні переваги, «холодний старт» для нових продуктів.
Приклад коду на PHP:
- $rows = $db->query("SELECT product_id, COUNT(*) cnt FROM orders WHERE created_at > NOW() - INTERVAL 7 DAY GROUP BY product_id ORDER BY cnt DESC LIMIT 10");
- while($r = $rows->fetch()) { $top[] = $r['product_id']; }
- echo json_encode($top);
Алгоритм «Товари, що часто купуються разом»
Ідея: якщо клієнт купив товар A, запропонувати товари B, C, які часто зустрічаються у тих самих кошиках.
Необхідні дані: пари (product_id, co_product_id) і кількість спільних покупок.
- Проаналізувати за останній місяць таблицю order_items, сформувати пари (self-join).
- Підрахувати кількість появ кожної пари.
- Для конкретного продукту взяти топ-3 суміжних товарів.
Переваги: враховує реальну поведінку, легко пояснити користувачу. Недоліки: потрібен мінімум кілька сотень транзакцій для статистичної значущості.
PHP-приклад (упрощений):
- $sql = "SELECT i2.product_id, COUNT(*) cnt FROM order_items i1 JOIN order_items i2 ON i1.order_id = i2.order_id WHERE i1.product_id = :pid AND i2.product_id != :pid GROUP BY i2.product_id ORDER BY cnt DESC LIMIT 3";
- $stmt = $db->prepare($sql); $stmt->execute(['pid'=>$productId]);
- while($r=$stmt->fetch()) $recs[]=$r['product_id'];
Алгоритм «Останні перегляди»
Ідея: показати користувачу те, що він переглядав за останні 24 години, або схожі елементи з того ж списку.
Необхідні дані: таблиця user_views (user_id, product_id, view_time).
- Записувати кожен перегляд у реальному часі.
- При запиті рекомендацій вибрати останні N записів користувача.
- Приклад SQL: prepare($sql); $stmt->execute(['uid'=>$userId]);
- while($r=$stmt->fetch()) $recent[]=$r['product_id'];
Алгоритм «Похожие по категории»
Ідея: підібрати товари з тієї ж категорії, що і поточний переглянутий товар.
Необхідні дані: product_id → category_id.
- Визначити категорію вибраного продукту.
- Вибрати з бази інші товари цієї категорії, виключивши поточний.
- Відсортувати за популярністю (див. «Найпопулярніші»).
Переваги: проста логіка, працює навіть при відсутності історичних даних. Недоліки: може пропонувати надто однорідний набір.
PHP-приклад:
- $cat = $db->query("SELECT category_id FROM products WHERE id = $productId")->fetchColumn();
- $sql = "SELECT id FROM products WHERE category_id = $cat AND id != $productId ORDER BY sales DESC LIMIT 4";
- foreach($db->query($sql) as $row) $suggest[] = $row['id'];
Колаборативна фільтрація простими методами
Матриця взаємодій «користувач-товар»
Найпростіший спосіб розпочати – зібрати таблицю, де рядки – це користувачі, стовпці – товари, а клітинка містить дію: перегляд (1), клік (2), покупка (3) або відсутність взаємодії (0). Для стартапу достатньо 100–200 активних користувачів і 500–1000 товарів, щоб матриця поміщалася в звичайну таблицю MySQL.
Приклад структури:
| user_id | product_id | rating |
|---|---|---|
| 12 | 45 | 3 |
| 12 | 78 | 1 |
| 57 | 45 | 2 |
Заповнювати її можна «на льоту»: кожен раз, коли користувач здійснює дію, оновлюємо запис. При відсутності історичних даних достатньо фіксувати лише перегляди – це вже дає сигнали для рекомендацій.
Пошук сусідів за косинусним подібністю
Косинусна подібність вважається найдешевшою в обчислювальному плані і не потребує зовнішніх бібліотек. Формула:
sim(A,B)= (Σ Ai·Bi) / (√Σ Ai² · √Σ Bi²)
Де Ai і Bi – оцінки користувача A та користувача B за тими ж товарами. У PHP обчислити можна так:
- Вибрати з бази два вектори оцінок (наприклад, масиви $v1 та $v2).
- Порахувати скалярне добуток: $dot = array_sum(array_map(function($a,$b){return $a*$b;}, $v1, $v2));
- Знайти довжини векторів: $norm1 = sqrt(array_sum(array_map(fn($a)=>$a*$a,$v1))); $norm2 = sqrt(array_sum(array_map(fn($a)=>$a*$a,$v2)));
- Повернути $dot/($norm1*$norm2) — значення від 0 до 1.
Для пошуку 5–10 найближчих сусідів перебираємо лише активних користувачів (наприклад, тих, хто зробив більше 10 дій), що обмежує складність до O(N·M) ≈ 10 000–20 000 операцій, повністю швидко на звичайному VPS.
Ранжування рекомендацій на основі оцінок сусідів
Після того як знайдені сусідні користувачі, збираємо їх «улюблені» товари, які поточний користувач ще не бачив. Оцінка товару розраховується як вагове середнє оцінок сусідів:
$score = Σ (similarity_i * rating_i) / Σ similarity_i
Приклад PHP-функції:
function recommend($userId, $limit = 5) { $neighbors = getNeighbors($userId); // масив [userId=>similarity] $candidates = []; foreach ($neighbors as $nbr => $sim) { $items = getUserRatings($nbr); // [productId=>rating] foreach ($items as $pid => $rate) { if (alreadySeen($userId,$pid)) continue; $candidates[$pid]['sum'] += $sim*$rate; $candidates[$pid]['weight'] += $sim; } } foreach ($candidates as $pid=>$data) { $candidates[$pid]['score'] = $data['sum'] / $data['weight']; } arsort($candidates); return array_slice(array_keys($candidates),0,$limit); }Ця логіка працює без машинного навчання, використовуючи лише поточні дані і дає персоналізований список за секунди.
Інструменти і готові рішення для рекомендацій без big data
База даних SQLite / MySQL для зберігання статистики
SQLite — ідеально для прототипів: один файл, швидке запит SELECT … ORDER BY count DESC LIMIT N. MySQL підходить, коли застосунок уже використовує його як основний рушій. Для рекомендацій зберігайте дві таблиці: user_actions (user_id, product_id, action, ts) і product_stats (product_id, views, purchases).
Підключення в PHP:
$pdo = new PDO('sqlite:/path/db.sqlite'); // або new PDO('mysql:host=…;dbname=…',$u,$p);Redis для швидких лічильників і топів
Redis дозволяє зберігати лічильники у вигляді сортуваних множин (ZSET). Кожен перегляд продукту — це ZINCRBY product:views 1 product_id. Отримати топ-5 за сутки:
$redis->zrevrange('product:views:2026-11-10',0,4);Такий підхід дає O(log N) операцію і не вимагає сканування всієї таблиці.
Open source-бібліотеки без навчання
Для PHP існує легка бібліотека php-recommender. Вона реалізує матричну факторизацію на основі SVD, але може працювати і в режимі «тільки сусідство», тобто без попереднього навчання. Інший варіант — Mahout-lite (Java-бібліотека, упакована в Docker-образ), яка дозволяє запускати прості алгоритми колаборативної фільтрації без Hadoop-кластеру.
Встановити php-recommender: composer require angelorobsonmelo/php-recommender. Після підключення достатньо передати масив взаємодій і викликати getRecommendations($userId, $k).
Сервіси рекомендацій як API
Recombee пропонує безкоштовний тариф до 10 000 запитів в місяць, що покриває невеликі стартапи. Інтеграція виглядає так:
- Створити акаунт, отримати API-ключ.
- Відправляти події (view, purchase) через HTTP-POST
https://api.recombee.com/v1/users/{userId}/items/{itemId}. - Запитувати рекомендації: GET
https://api.recombee.com/v1/recommendations/{userId}?count=5.
Плюси: масштабованість, готовий рушій ранжування, відсутність власного коду для розрахунку схожостей. Мінус — залежність від зовнішнього сервісу, але для MVP це прийнятно.
Для стартапів, які потребують швидкого запуску, комбінація MySQL + Redis + php-recommender покриває 80 % сценаріїв без великих даних, а при зростанні навантаження можна плавно перейти до Recombee.
Практичний чек-ліст: що потрібно зробити за 1-2 тижні
- ✔ Зібрати метрики. Записати мінімум три події: перегляд товару (view), додавання в кошик (add_to_cart) і покупку (purchase). Зберігати їх у MySQL-таблиці `events(user_id, item_id, type, ts)`.
- ✔ Вибрати простий алгоритм. Для стартапів без великих даних зазвичай працюють: Top-N популярних, правило «подібні користувачі» (Item-based) і «правила бізнес-логіки» (наприклад, «якщо користувач купував категорію A, пропонувати товари з B»).
- ✔ Побудувати схему даних. Таблиця `items(id, category, price)`, `user_item(user_id, item_id, rating)` і кеш-таблиця `recommendations(user_id, item_list, ts)` у Redis.
- ✔ Написати код. На PHP використати готовий пакет `php-recommender` (GitHub). Приклад функції: function getRecommendations($uid, $cnt=5){ $client = new Recombee\RecommApiClient(API_KEY); return $client->getRecommendations($uid, $cnt); }
- ✔ Протестувати на 100-200 реальних користувачів. Запустити скрипт у режимі «sandbox», зібрати метрики CTR і конверсії % для рекомендацій.
- ✔ Налаштувати кеш. Зберігати результат у Redis на 15 хвилин, щоб зменшити навантаження на MySQL і API-виклики.
- ✔ Запустити A/B-тест. Створити дві групи: контроль — без рекомендацій, експеримент — з рекомендаціями. Порівняти середній чек і кількість переглядів. За результатами коригувати ваги правил.
Типові помилки і як їх уникнути
Занадто рідкі дані
Причина: збираєте лише кілька подій на день, тому алгоритм «подібні користувачі» не має статистичної бази.
Наслідок: рекомендації часто порожні або неправильні, користувач втрачає довіру.
Порада: заповнюйте «темні» категорії штучно, використовуючи правило «показати топ-5 найпопулярніших» до тих пір, поки не накопичиться мінімум 30 подій на товар.
Ігнорування холодного старту
Причина: новий користувач одразу потрапляє в систему без історії.
Наслідок: система не може запропонувати нічого персонального і показує загальні топ-списки.
Порада: застосовуйте правило «категорія за джерелом» – якщо користувач прийшов із рекламного посту у Telegram-каналі, показуйте товари з тієї ж категорії. За даними TGRank, у категорії «Бізнес і Стартапи» — 137 каналів, сумарна аудиторія 8 357 575 підписників, що дозволяє швидко зібрати перші сигнали.
Недостатня персоналізація
Причина: використовується лише один критерій (наприклад, кількість переглядів).
Наслідок: рекомендації однакові для всіх, користувач не бачить «свої» пропозиції.
Порада: комбінуйте мінімум два правила – популярність + категоріальна близькість. У PHP додайте коефіцієнт ваги: $score = 0.7*$pop + 0.3*$categoryScore;
Перевантаження сервера запитами
Причина: кожен запит до рекомендацій надсилається безпосередньо до MySQL без кешування.
Наслідок: зростання навантаження призводить до тайм-аутів і падіння конверсії.
Порада: впровадьте шар Redis-кешу, обмежте частоту оновлення до одного разу за 10 хвилин. Якщо потрібен зовнішній рушій, розгляньте Recombee – безкоштовний тариф до 10 000 запитів на місяць, що покриває невеликі стартапи.
Результати: швидкий старт рекомендацій без великих даних
Прості правила і невеликі кеші дозволяють запустити рекомендацію за кілька днів, а не місяців. Вибираючи два-три вагові фактори – популярність і категоріальну близькість – отримуєте персоналізований список без складних моделей. У PHP достатньо обчислити $score = 0.7*$pop + 0.3*$categoryScore;, а результати зберігати у Redis із оновленням раз на 10 хвилин. Такий підхід зменшує навантаження на MySQL в 5–10 разів і зберігає відповідь нижче 200 мс.
За даними TGRank, у категорії «Бізнес і Стартапи» 137 каналів з загальною аудиторією 8 357 575 підписників. При середній залученості 12,5 % кожний рекламний пост досягає близько 1 044 000 переглядів, а вартість за 1000 переглядів (CPM) становить 357 ₽. Якщо ваш сервіс продає рекомендації як додатковий сервіс, навіть 1 % конверсії від цієї аудиторії дає понад 8 000 потенційних клієнтів і дохід у кілька десятків тисяч рублів.
Короткостроковий план розвитку
- Запуск базової логіки (популярність + категорія) та кешу Redis протягом 3–5 днів.
- Додавання простих правил: «користувач переглядав товари X, запропонувати Y», «події з тим же тегом». Реалізується через таблицю правил у MySQL та обробник у PHP.
- Моніторинг метрик: CTR рекомендацій, час відповіді, навантаження на БД. При перевищенні 300 мс – масштабувати кеш.
- Через 2 тижні додати гібридний шар: невелика матрична колаборативна фільтрація (сума оцінок) на основі останніх 500 дій.
- При досягненні 10 000 запитів на день перейти до зовнішнього сервісу (наприклад, Recombee) для зменшення власного коду.
Порада: використовуйте Redis-sorted set, щоб швидко отримувати топ-N елементів за вагою без додаткових запитів до бази.
Подальше масштабування
Коли обсяг даних перевищить кілька мільйонів записів, варто розглянути гібридні рішення: об’єднати правило-базу з матричною колаборативною фільтрацією і додати контентний аналіз (теги, описи). При цьому базовий кеш залишається в ядрі, а важкі обчислення делегуються зовнішнім сервісам.
Результати: прості алгоритми дають швидкий старт, мінімальні витрати та гнучкість. За зростанням користувацької бази переходьте до гібридних систем, зберігаючи кеш і правила як «проксі-шару». Це забезпечує зростання рекомендацій без різких стрибків витрат і технічного боргу.
Для більш детального аналізу конкурентів і вибору рекламних каналів зверніться до каталогу Telegram-каналів категорії «Бізнес і Стартапи» у TGRank.
Telegram-канали за темою
Добірка редакції TGRank: канали з живою аудиторією — читати й розміщувати рекламу
✓
Бизнес Личность – канал для тех, кто хочет раскрыть свой предпринимательский потенциал и построить бренд. Каждый выпуск содержит интервью с успешными лидерами, разбор их…
Готовы переосмыслить свой подход к работе и управлению? «Деловой Вектор 2.0» посвящён современным методам организации процессов и развитию лидерских навыков. Канал регул…
✓
Хотите понять, какие правила действительно работают в современном предпринимательском мире? Канал «Правила Бизнеса» собирает лучшие практики, юридические лайфхаки и стра…
Ищете проверенные методики для масштабирования бизнеса? «Бизнес Победителей» собирает лучшие практики лидеров рынка, от стартапов до крупных компаний. В каждом выпуске –…
«Пик Скартариса» — канал для амбициозных предпринимателей, ищущих свежие идеи и проверенные стратегии роста. Здесь публикуются интервью с основателями стартапов, разборы…


