Как современная архитектура машинного обучения может увеличить конверсию товарных рекомендаций на 71%

Вы когда-нибудь задумывались, как именно интернет-магазины управляют рекомендациями товаров? Все эти привычные блоки “с этим товаром покупают” не заполняются вручную. Они создаются в режиме реального времени с помощью сложных алгоритмов машинного обучения.

На протяжении многих лет маркетологи полагались на эти алгоритмы для увеличения продаж и улучшения клиентского опыта. И хотя они постоянно развиваются, недавний прорыв в машинном обучении позволяет достичь результатов, которые казались невозможными всего десять лет назад.

Как работают традиционные методы

Давайте начнем с того, как работает предыдущее поколение алгоритмов машинного обучения для рекомендации товаров.

Системы рекомендаций на основе контента

Эти системы предлагают товары, аналогичные тем, с которыми пользователь взаимодействовал ранее. Модель анализирует параметры каждого товара и делает предложения на основе предыдущих действий пользователя. Примерами таких параметров являются:

• размер;
• цвет;
• бренд;
• тип;
• категория и др.

Например, человек просмотрел 5 разных моделей кроссовок. Система использует эти данные, чтобы рекомендовать больше вариантов обуви.

Другой пример — человек, который купил джоггеры, спортивный костюм и кроссовки одного бренда. Система не может полагаться на параметр «Категория», поскольку все три элемента принадлежат к разным категориям. Но так как все они одного бренда, вероятной рекомендацией будет кепка от этого производителя.

Системы на основе контента довольно просты по сравнению с другими подходами, поскольку они не могут рекомендовать ничего, выходящего за рамки текущих интересов пользователя. Тем не менее они находят применение.

Плюсы

• Не требуются данные о поведении других пользователей.
• Могут рекомендовать товары пользователям с уникальными и нишевыми вкусами.
• Могут рекомендовать новинки, которые еще не были оценены другими.

Минусы

• Не учитывают сложные отношения и последовательности в истории пользователя.
• Возникают трудности с рекомендацией товаров, у которых нет полного описания.
• Могут не отражать разнообразные интересы, если пользователь взаимодействовал с ограниченным числом товаров.

Системы рекомендаций на основе коллаборативной фильтрации

Еще один популярный подход к созданию рекомендаций — коллаборативная фильтрация. Этот метод подсказывает релевантные товары на основе предпочтений других пользователей. Существует две основные ветви коллаборативной фильтрации:

С фокусом на поведение пользователей: модель находит пользователей, похожих на целевого клиента, и изучает их предпочтения и историю покупок. Затем система продолжает рекомендовать товары, которые предпочитают похожие пользователи.

С фокусом на объекты интереса пользователей: в этих моделях смещается акцент на показатели товаров. Метод изучает большие объемы данных о взаимодействиях, чтобы найти связи между товарами на основе того, что другие пользователи просматривали или покупали вместе. Основываясь на этих связях, система будет рекомендовать похожие товары целевому пользователю.

Фильтрация на основе объектов близка к системам на основе контента, поскольку оба подхода ищут сходства между товарами. Вместе с тем фильтрация на основе контента опирается на параметры каждого товара, в то время как коллаборативная фильтрация на основе объектов также учитывает, как пользователи взаимодействуют с товарами.

Плюсы

• Хорошо работает даже с минимальными метаданными товара.
• Может улавливать сложные, неочевидные закономерности в поведении пользователей.
• Часто дает более разнообразные и неожиданные рекомендации.

Минусы

• Обработка больших объемов данных может быть ресурсозатратной с точки зрения вычислений.
• Данные о взаимосвязях между пользователем и товаром часто разрозненны, что затрудняет поиск сходств.
• Сложно рекомендовать товары новым пользователям или рекомендовать новые товары из-за нехватки данных (проблема холодного старта).

Гибридные рекомендательные системы

Гибридные системы используют несколько подходов одновременно, чтобы получить лучшие результаты, смягчая при этом слабые стороны каждого отдельного метода. Наиболее распространенным способом создания гибридных систем является комбинация методов контентной и коллаборативной фильтрации.

Существует несколько способов создания гибридных систем. Например, система может генерировать рекомендации с помощью различных подходов, а затем объединять их вместе. Другой способ — переключать методы в зависимости от ситуации.

Плюсы

• Охватывает более широкий диапазон пользовательских предпочтений и характеристик товара.
• Комбинируя методы, гибридные системы могут давать более точные рекомендации.
• Минимизирует ограничения отдельных методов, среди которых: проблема холодного старта и фрагментированность данных.

 Минусы

• Объединение нескольких методов может потребовать больше вычислительных ресурсов.
• Эффективный баланс и интеграция различных методов может быть сложной задачей.
• Внедрение и обслуживание гибридных систем может быть сложнее, чем использование одного метода.

Хотя все эти подходы могут дать значительные результаты, один метод не имеет себе равных, когда речь идет о точности.

Трансформеры — новый способ обработки рекомендаций

Модели трансформеров (которые, несмотря на название, абсолютно не связаны с серией популярных фигурок Hasbro) изменили мир искусственного интеллекта. Трансформеры были представлены в 2017 году Ашишем Васвани и его командой в новаторской статье «Внимание — это все, что вам нужно».

В последующие годы трансформеры стали краеугольным камнем современной технологии ИИ. В 2018 году Google представил модель BERT (Bidirectional Encoder Representations from Transformers), которая вскоре стала частью поисковой системы Google. Позже OpenAI представила свой взгляд на модели трансформеров — GPT-2.

Как работают трансформеры

Трансформеры отлично справляются с обработкой исторических данных, таких как просмотры товаров, клики и покупки. Они могут фиксировать сложные зависимости и отношения внутри этих последовательностей, что позволяет модели понимать контекст и важность каждого взаимодействия.

Весь процесс можно условно разделить на пять этапов:

Исходное представление. Взаимодействия пользователя и характеристики товаров преобразуются в эмбеддинги.

Позиционные эмбеддинги. Они добавляются к эмбеддингам для сохранения порядка взаимодействий. Таким образом, модель знает не только то, какие взаимодействия произошли, но и порядок, в котором они происходили.

Механизм самовнимания. Это ключевая часть работы трансформеров. Он помогает модели сосредоточиться на важных частях последовательности.

Трансформерные слои. В этих слоях представление частей последовательности уточняются с учетом всего контекста. Это позволяет модели эффективно улавливать зависимости между элементами, даже если они не находятся рядом друг с другом. 

Прогнозирование. После обработки исходных данных с помощью трансформерных слоев модель использует сформированное представление для прогнозирования следующего элемента.

Этот прогноз можно адаптировать для различных задач, таких как ранжирование товаров или создание персонализированных списков рекомендаций.

Способность обрабатывать последовательные данные и улавливать сложные шаблоны в поведении пользователей делает модели на основе трансформеров особенно эффективными для задач, связанных с прогнозированием следующего взаимодействия в последовательности.

Преимущества рекомендаций на основе трансформеров

Рекомендации на основе трансформеров имеют ряд преимуществ, что делает их особенно подходящими для бизнеса в сфере электронной коммерции. Давайте рассмотрим их более подробно.

Трансформеры создают более точные прогнозы

Пользователи могут видеть более качественные и точные рекомендации, которые более релевантны. Это приводит к нескольким положительным результатам, таким как увеличение продаж, рост вовлеченности аудитории и улучшение клиентского опыта.

Трансформеры могут учитывать всю историю покупок 

Основным преимуществом использования трансформеров для рекомендаций является их способность просматривать всю историю пользователя последовательно. Предыдущие модели не имели такой возможности и создавали рекомендации на основе каждой отдельной точки данных. Их объединение часто приводило к неточностям в выводах.

Например, клиент купил три разные книги о Древнем Риме. Одна из них — это вымышленная история, действие которой происходит в Римской империи. Вторая — историческая книга. И третья — биография римского императора. Все три книги написаны разными авторами.

Предыдущие методы не учитывают такую последовательность тем и могут предложить другую книгу, например, биографию средневекового короля или книгу по истории Древней Греции. Однако модель-трансформер будет видеть всю последовательность и сможет с большей вероятностью предсказать, что покупатель заинтересован в книгах именно о Риме.

Трансформеры лучше справляются с обработкой неполных или противоречивых данных

Это большое преимущество для любой компании, которая занимается прицельной обработкой своих данных (например, данных о товарах).

Трансформеры могут работать с неоднородными и неполными данными, используя механизм самовнимания, упомянутый ранее. Это позволяет модели учитывать всю имеющуюся информацию и выяснять, что из этого наиболее важно.

Это похоже на сборку пазла, в котором отсутствуют некоторые части — трансформер все равно может видеть общую картину, сосредоточившись на важных частях.

Еще одно преимущество — работа с общим контекстом. Например, если в описании продукта отсутствуют какие-то детали, модель может использовать другую имеющуюся у нее информацию, чтобы сделать корректное предположение. 

Несмотря на то, что трансформеры являются эффективным решением, они имеют ряд недостатков по сравнению с другими моделями:

1. Ресурсозатратность. Настройка рекомендаций на основе трансформеров требует значительных вычислительных мощностей и памяти. Если вы решите создать собственную систему, будьте готовы к значительным инвестициям в графические процессоры и другую серверную инфраструктуру или оплачивать услуги облачных сервисов.
2. Им нужно много данных. Несмотря на то, что трансформеры могут работать с фрагментированной информацией, им требуются большие объемы данных, чтобы делать корректные предположения Для небольших бизнесов, у которых недостаточно информации о клиентах, более простые методы могут быть более оптимальными.
3. Их сложно разрабатывать. Создание решения на основе трансформера требует специальных технических знаний. Как и в случае с любой передовой технологией, специалистов не хватает, чтобы правильно работать с трансформерами. Для большинства компаний нецелесообразно создавать собственное внутреннее решение для этого.

Как работают рекомендации на основе трансформеров в eSputnik

Ранее мы использовали гибридные методы, основанные на коллаборативной фильтрации и другие методы. А потом в мае-июне 2024 года мы протестировали улучшенные товарные рекомендации для нескольких клиентов eSputnik CDP и сравнили результаты с январскими и февральскими.

Мы выделили три основных показателя для оценки:

• Кликабельность (CTR) — количество кликов в новых рекомендациях по сравнению с исходным периодом.
• Конверсии — количество покупок пользователей из новых блоков рекомендаций по сравнению с предыдущим периодом.
• Доля заказов — количество заказов, поступивших из блоков рекомендаций по сравнению с общими продажами с сайта.

Dnipro-M

Dnipro-M является производителем и продавцом строительных инструментов. Его доля на украинском рынке достигает 30%. Компания также представлена в нескольких странах Восточной Европы, среди которых Чехия, Польша и Молдова.

За период тестирования были достигнуты такие результаты:

MasterZoo

MasterZoo — ведущая сеть зоомагазинов в Украине с более чем 200 физическими точками и крупным интернет-магазином.

Благодаря улучшению рекомендаций были достигнуты такие результаты:

Yakaboo

Yakaboo — один из крупнейших украинских книжных интернет-магазинов. Основанный в 2004 году, он предлагает книги на 71 языке.

После тестирования результаты были такими:

Заключение

Трансформеры — это эффективный инструмент, который при правильном использовании может принести бизнесу отличные результаты от персонализированных товарных рекомендаций. 

Сделать это самостоятельно — сложная задача. Но, к счастью, в eSputnik мы уже сделали всю тяжелую работу за вас.

Если вы хотите использовать рекомендации на основе трансформеров в своем бизнесе, заполните форму ниже — и мы свяжемся с вами, чтобы предоставить вам больше информации!

Special Request Inline