Владельцы розничного бизнеса в Новосибирске регулярно сталкиваются с одним и тем же вопросом: почему выручка с маркетплейсов растёт, а собственный сайт стоит на месте? Чаще всего дело не в трафике и не в дизайне. Дело в архитектуре: каталог живёт в 1С, сайт — сам по себе, остатки расходятся с реальностью, а витрина показывает одни и те же товары всем подряд, независимо от того, что человек искал вчера.
Ниже — практический разбор того, как в 2026 году устроена современная разработка интернет-магазина: какой стек выбрать, как связать сайт с 1С без «бардака на складе» и почему ИИ-рекомендации перестали быть опцией для «продвинутых» и стали базовым требованием рынка.
Почему собственный интернет-магазин снова в фокусе
Маркетплейсы формируют значительную часть онлайн-заказов, но собственный D2C-канал остаётся площадкой, где бизнес управляет ценообразованием, аналитикой, клиентской базой и пользовательским опытом.
Рынок при этом продолжает расти двузначными темпами. По итогам 2025 года объём российской интернет-торговли достиг 11,5 трлн рублей — рост на 28% год к году, а доля онлайна в общем объёме розничных продаж страны выросла до 18,8% против 16,2% годом ранее. Для собственника бизнеса это означает одно: окно возможностей для собственного канала продаж не закрывается, а расширяется — но конкурировать «сайтом-визиткой» с корзиной в такой динамике уже нельзя.
Наш опыт в АКА Технолоджи показывает: для новосибирского ритейла и e-commerce из смежных регионов РФ типична одна и та же болевая точка — сайт и учётная система живут раздельно, а любые попытки «подружить» их вручную превращаются в ежедневную рутину для 1–2 сотрудников, которые вбивают остатки и цены вручную.
Как выбрать технологический стек
Выбор платформы — это не вопрос вкуса, а вопрос того, сколько SKU в каталоге, сколько складов у бизнеса и насколько глубоко сайт должен быть завязан на 1С.
| Критерий | 1С-Битрикс | SaaS-конструкторы (Tilda, InSales) | Кастомная разработка (Node.js/React, headless) |
|---|---|---|---|
| Интеграция с 1С | «из коробки», модуль обмена CommerceML | через сторонние коннекторы, ограниченный функционал | гибкая, любая архитектура (REST/GraphQL API) |
| Скорость запуска MVP | 3–6 недель | 1–2 недели | 2–3 месяца |
| Потолок масштабирования | высокий, есть Enterprise-редакция | ограниченный | практически не ограничен |
| Стоимость владения | средняя | низкая на старте, растёт с тарифами | выше на старте, ниже в пересчёте на 3–5 лет при высокой нагрузке |
| Гибкость под ИИ-рекомендации и B2B-логику | хорошая, есть модули | слабая | максимальная |
1С-Битрикс широко используют в российской электронной коммерции, в том числе благодаря штатному обмену CommerceML. Связка «1С ↔ сайт» позволяет синхронизировать каталог, остатки, цены и статусы заказов без ручного дублирования данных.
Мы в АКА Технолоджи подбираем стек под задачу, а не продаём «единственно верную» технологию:
- 1С-Битрикс — оптимален для розницы и B2B с каталогом от нескольких тысяч SKU, несколькими складами и потребностью в готовых модулях обмена с 1С;
- Headless-архитектура на React/Next.js с отдельным бэкендом — когда нужна максимальная скорость фронтенда, нестандартный UX или сайт должен обслуживать несколько витрин (сайт, мобильное приложение, Telegram-бот) из единого API;
- SaaS-конструкторы — оправданы только для тестирования гипотезы или очень небольшого ассортимента, где интеграция с учётной системой не критична.
Интеграция с 1С: как не утонуть в расхождениях остатков
Типичная ошибка — воспринимать интеграцию с 1С как разовую выгрузку каталога. На практике речь идёт о двусторонней синхронизации, которая должна работать без участия человека:
- Каталог и цены выгружаются из 1С в CMS через стандарт обмена CommerceML или через REST API, если используется кастомная архитектура.
- Остатки по складам синхронизируются в режиме, близком к реальному времени — критично для розницы с несколькими точками, где расхождение в 15 минут уже приводит к продаже отсутствующего товара.
- Статусы заказов идут в обратном направлении: заказ с сайта попадает в 1С, а изменение статуса (сборка, отгрузка, доставлено) возвращается на сайт и клиенту.
- B2B-логика — персональные цены, лимиты отгрузки, отсроченная оплата — тоже должна жить в 1С и подтягиваться на сайт, а не дублироваться вручную в двух системах.
- Габариты и вес товара — данные для расчёта доставки тоже должны подтягиваться из 1С, а не вводиться вручную в карточку. Для новосибирского ритейла, который часто работает с отдалёнными районами области и регулярно отправляет заказы в Хакасию и Алтайский край, это особенно критично: ИИ-агент или калькулятор доставки на сайте должен сразу учитывать вес и габариты при подборе товара, чтобы корректно рассчитать стоимость отправки через СДЭК или Почту России. Без этого разница между расчётной и фактической стоимостью доставки в удалённый регион съедает маржу на каждом заказе.
Для сети с 10 000+ SKU и несколькими складами ручная синхронизация — это не вопрос удобства, а вопрос выручки: каждая ошибка в остатках — это либо потерянный заказ, либо испорченное доверие клиента, которому подтвердили несуществующий товар.
ИИ-рекомендации: от «сопутствующих товаров» к персональной витрине
Ещё три года назад блок «с этим товаром покупают» был приятным бонусом. Сегодня это один из немногих рычагов роста выручки, который не требует увеличения бюджета на трафик.
По данным McKinsey, персонализация чаще всего даёт прирост выручки на 10–15%, а у компаний, наиболее продвинутых в этом направлении, — до 25%. Personaлизированные рекомендации формируют, по оценке Salesforce и Barilliance, порядка 26–31% выручки среднего интернет-магазина, а у Amazon на рекомендательную систему приходится, по собственным данным компании, около 35% выручки. Отдельно McKinsey фиксирует эффект от ИИ-ассистентов на сайте: покупатели, которые взаимодействуют с диалоговым ИИ-помощником, конвертируются в заказ примерно в 4 раза чаще, чем те, кто с ним не взаимодействует.
Технически современные рекомендательные системы строятся на трёх уровнях, и в проектах АКА Технолоджи мы обычно комбинируем их, а не выбираем один:
- Коллаборативная фильтрация — «покупатели этого товара также берут» на основе истории заказов всех пользователей;
- Контентные рекомендации — подбор по характеристикам товара (категория, бренд, цена, атрибуты), полезен для новых товаров без истории продаж;
- ИИ-агент на базе LLM с RAG — не просто показывает похожие товары, а отвечает на вопрос покупателя своими словами («нужен подарок маме на юбилей до 5000 рублей») и подбирает позиции из каталога через поиск по векторному индексу, а не по жёстким фильтрам.
Именно третий уровень — то, что бизнес чаще всего называет «ИИ-агентом» или «умным консультантом». Технически это не чат-бот с деревом сценариев, а LLM, которая обращается к каталогу через API (RAG — retrieval-augmented generation), учитывает контекст диалога и остатки на складе в реальном времени, поэтому никогда не предложит то, чего нет в наличии.
Подход RAG (Retrieval-Augmented Generation) применяют, чтобы связывать ответы языковой модели с найденными документами и снижать риск неподтверждённых утверждений (см. исследование Lewis et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», arXiv:2005.11401). Именно поэтому для ИИ-консультанта в интернет-магазине это распространённый архитектурный подход: модель отвечает строго на основе данных каталога, а не «додумывает» несуществующие товары или характеристики.
Кейс: типовой проект такого масштаба
Ниже — иллюстративный пример того, как выглядит проект интернет-магазина для регионального ритейла со средним каталогом (структура и логика взяты из практики подобных внедрений; конкретные цифры и название клиента заменяются на реальные данные проекта перед публикацией).
Отправная точка. Розничная сеть в Новосибирске с 3 офлайн-точками ведёт учёт в 1С:Управление торговлей, сайт на устаревшей SaaS-платформе без синхронизации остатков — менеджер обновляет каталог вручную раз в 1–2 дня.
Решение. Перенос на 1С-Битрикс с двусторонним обменом CommerceML (каталог, остатки по трём складам, статусы заказов), плюс блок рекомендаций на главной и в карточке товара на основе коллаборативной фильтрации и истории просмотров.
**Целевой результат, который необходимо подтвердить аналитикой после запуска: сокращение доли «отмен заказа из-за отсутствия товара» практически до нуля за счёт синхронизации остатков в реальном времени, проверяемый A/B-тестом рост среднего чека за счёт блока рекомендаций, и высвобождение времени сотрудника, который раньше вручную обновлял карточки товаров.
Хотите увидеть цифры по реальному проекту в вашей нише — закажите технический аудит, и мы покажем расчёт на основе вашего каталога и текущей выручки.
С чего начинается проект: этапы работы
- Технический аудит — разбор текущей 1С-конфигурации, каталога, точек интеграции, узких мест.
- Проектирование архитектуры — выбор стека (см. таблицу выше), схема обмена данными, ТЗ на интеграцию.
- Разработка MVP — базовая витрина, корзина, оформление заказа, первичная синхронизация с 1С.
- Интеграция и тестирование — двусторонний обмен, нагрузочное тестирование синхронизации остатков.
- Внедрение ИИ-рекомендаций — от простой коллаборативной фильтрации до ИИ-агента с RAG по каталогу, в зависимости от бюджета и зрелости данных.
- Запуск и сопровождение — мониторинг конверсии, A/B-тесты блоков рекомендаций, доработка по метрикам.
Что делать дальше
Если сайт и 1С сегодня живут раздельно, а рекомендации на витрине одинаковы для всех посетителей — это два самых быстрых источника роста выручки без увеличения расходов на трафик.
Запишитесь на технический аудит — за 30 минут разберём текущую архитектуру вашего сайта и 1С и покажем, где теряется выручка. Или рассчитайте стоимость интеграции с ИИ-рекомендациями для вашего каталога — это бесплатно и ни к чему не обязывает.