Ви коли-небудь замислювалися, як саме інтернет-магазини формують рекомендації товарів? Усі ці звичні блоки “з цим товаром купують” не заповнюються вручну. Вони створюються в режимі реального часу з допомогою складних алгоритмів машинного навчання.
Упродовж багатьох років маркетологи покладалися на ці алгоритми для збільшення продажів і поліпшення клієнтського досвіду. І хоча вони постійно розвиваються, недавній прорив у машинному навчанні надає змогу досягти результатів, які здавалися неможливими ще десять років тому.
Як працюють традиційні методи
Давайте почнемо з того, як працює попереднє покоління алгоритмів машинного навчання для рекомендацій товарів.
Системи рекомендацій на основі контенту
Ці системи пропонують товари, аналогічні тим, із якими користувач взаємодіяв раніше. Модель аналізує параметри кожного товару та робить пропозиції на основі попередніх дій користувача. Прикладами параметрів є:
- розмір;
- колір;
- бренд;
- тип;
- категорія тощо.
Наприклад, людина переглянула 5 різних моделей кросівок. Система використовує ці дані, щоб рекомендувати більше варіантів взуття.
Інший приклад: людина, яка купила джогери, спортивний костюм і кросівки одного бренду. Система не може покладатися суто на параметр «Категорія», бо товари належать до різних категорій. Але оскільки всі вони одного бренду, ймовірною рекомендацією буде кепка від цього виробника.
Системи на основі контенту достатньо прості порівняно з іншими підходами, оскільки вони не можуть рекомендувати нічого, що виходить за межі поточних інтересів користувача. Проте вони знаходять своє застосування.
Плюси
- Не потрібні дані про поведінку інших користувачів.
- Можуть рекомендувати товари користувачам із унікальними та нішевими смаками.
- Можуть рекомендувати новинки, які ще не були оцінені іншими.
Мінуси
- Не враховують складні взаємозв’язки та послідовності в історії користувача.
- Виникають труднощі з рекомендацією товарів, які не мають достатнього опису.
- Можуть не відображати різноманітні інтереси, якщо користувач взаємодіє з обмеженою кількістю товарів.
Системи рекомендацій на основі колаборативної фільтрації
Ще один популярний підхід до створення рекомендацій — колаборативна фільтрація. Цей метод підказує релевантні товари на основі вподобань інших користувачів. Існують дві основні гілки колаборативної фільтрації:
З фокусом на поведінку користувачів: модель знаходить користувачів, схожих на цільового клієнта, та вивчає їхні вподобання та історію покупок. Потім система продовжує рекомендувати товари, яким віддають перевагу схожі користувачі.
З фокусом на об'єкти інтересу користувачів: у цих моделях зміщується акцент на ознаки товарів. Метод вивчає величезні обсяги даних про взаємодії, щоб знайти зв'язок між товарами з урахуванням того, що інші користувачі переглядали та купували разом. Спираючися на ці зв'язки, система продовжує рекомендувати схожі товари цільовому користувачеві.
Фільтрація на основі об’єктів певною мірою близька до рекомендацій на основі контенту, оскільки обидва підходи шукають схожості між товарами. Проте фільтрація на основі контенту спирається на внутрішні параметри кожного елемента, в той час як колаборативна фільтрація на основі об’єктів також враховує, як користувачі взаємодіють з товарами.
Плюси
- Добре працює навіть з мінімальними метаданими товарів.
- Може враховувати складні, приховані закономірності у поведінці користувача.
- Часто дає більш різноманітні та несподівані рекомендації.
Мінуси
- Обробка великих обсягів даних може бути ресурсозатратною задачею з погляду обчислень.
- Дані про взаємозв'язки між користувачем і товаром часто розрізнені, що ускладнює пошук подібностей.
- Складно рекомендувати товари новим користувачам або рекомендувати нові товари через брак даних (проблема холодного старту).
Гібридні рекомендаційні системи
Гібридні системи використовують кілька підходів одночасно, щоб отримати кращі результати, зменшуючи вплив слабких сторін кожного окремого методу. Найпоширенішим способом створення гібридних систем є комбінація методів контентної та колаборативної фільтрації.
Є кілька способів створення гібридних систем. Наприклад, система може генерувати рекомендації за допомогою різних підходів, а потім об’єднувати їх. Інший спосіб — перемикати методи залежно від ситуації.
Плюси
- Може охоплювати ширший діапазон користувацьких уподобань і характеристик товару.
- Комбінуючи методи, гібридні системи можуть надавати точніші рекомендації.
- Мінімізує обмеження окремих методів, серед яких є проблема холодного старту та фрагментованість даних.
Мінуси
- Об'єднання кількох методів може вимагати більше обчислювальних ресурсів.
- Ефективний баланс та інтеграція різних методів може бути складним завданням.
- Впровадження і обслуговування гібридних систем може бути складнішим, ніж використання одного методу.
Хоча всі ці підходи можуть дати значні результати, один метод не має собі рівних, коли йдеться про точність.
Бажаєте знати більше про роботу товарних рекомендацій на сайті
Отримати консультаціюТрансформери — новий спосіб обробки рекомендацій
Моделі трансформерів (попри спільну назву, не є пов'язаними з серією популярних фігурок Hasbro) змінили світ штучного інтелекту. Трансформери були представлені у 2017 році Ашишем Васвані та його командою в новаторській статті “Увага — це все, що вам потрібно”.
У наступні роки трансформери стали наріжним каменем сучасної технології ШІ. У 2018 році Google представив модель BERT (Bidirectional Encoder Representations from Transformers), яка стала частиною пошукової системи Google. Пізніше OpenAI представила свій погляд на моделі трансформерів, GPT-2.
Як працюють трансформери
Трансформери відмінно справляються з обробкою послідовних даних, таких як перегляд товарів, кліки та покупки. Вони можуть фіксувати складні залежності й відносини всередині цих послідовностей, що дозволяє моделі розуміти контекст і важливість кожної взаємодії.
Весь процес поділяють на п'ять етапів.
Початкове уявлення. Взаємодії користувача та параметри товару перетворюються на ембеддинги.
Ембеддинги
Дані представлені у вигляді вектора чисел, що містить інформацію про товари, взаємодії з клієнтами та інші дані, необхідні для створення рекомендації. Ембеддинги схожі на масиви даних. Однак масиви даних містять інформацію, яка може бути інтерпретована людиною (наприклад, [сорочка, М, білий]), у той час як дані в ембеддингах мають сенс тільки для систем машинного навчання (наприклад, [0,12, —0,08, 0,45, ..., —0,34]).
Позиційні ембеддинги. Вони додаються для збереження послідовності взаємодій. Отже, модель знає не тільке те, які взаємодії відбулися, а й послідовність, у якій вони відбувалися.
Механізм самоуваги. Це ключова частина роботи трансформерів. Він допомагає моделі зосередитися на ключових частинах послідовності.
Самоувага
Наприклад, якщо ми маємо товар — iPhone 15 Pink 256 ГБ, модель за допомогою самоуваги може визначити, що «iPhone» і «15» є ключовими для ідентифікації моделі телефону, тоді як «Pink» та «256 ГБ» надають додаткову інформацію про колір та обсяг пам'яті. Залежно від завдання, модель може надавати різну вагу цим елементам. Якщо мета — класифікувати модель телефону, то «iPhone» і «15» будуть найбільш важливими. Якщо ж завдання полягає в рекомендації аксесуарів за кольором, тоді «Pink» може стати більш релевантним.
Трансформерні шари. У цих шарах представлення частин послідовності уточнюються з урахуванням усього контексту, що надає змогу ефективно виявляти залежності між елементами, які не розташовані близько один до одного.
Прогнозування. Після обробки вхідних даних за допомогою трансформерних шарів модель використовує поліпшене розуміння для прогнозування наступного товару в послідовності взаємодії користувача.
Цей прогноз можна адаптувати до різних завдань, таких як ранжування товарів або створення персональних списків рекомендацій.
Здатність обробляти послідовні дані та виявляти складні патерни поведінки користувачів робить трансформери особливо ефективними для завдань, пов'язаних з прогнозуванням наступної взаємодії в послідовності.
Переваги рекомендацій на основі трансформерів
Рекомендації на основі трансформерів мають низку переваг, що робить їх особливо корисними для бізнесу в ніші електронної комерції. Давайте розглянемо їх докладніше.
Трансформери створюють точніші прогнози
Користувачі отримують більш релевантні рекомендації. Це призводить до кількох позитивних результатів, серед яких — збільшення продажів, ріст CTR та поліпшення клієнтського досвіду.
Трансформери можуть враховувати всю історію купівель
Основною перевагою використання трансформерів для рекомендацій є їхня здатність переглядати всю історію користувача послідовно. Попередні моделі не мали такої можливості та створювали рекомендації на основі кожної окремої точки даних. Їхнє об'єднання часто призводило до неточних результатів.
Наприклад, клієнт купив три різні книги про Стародавній Рим. Одна з них — це вигадана історія, дія якої відбувається у Римській імперії. Друга — історична книга. І третя — біографія римського імператора. Усі три написані різними авторами.
Попередні методи не враховують таку послідовність тем і можуть запропонувати іншу книгу, як-от біографію середньовічного короля або книгу з історії Стародавньої Греції. Однак модель-трансформер бачитиме всю послідовність і зможе з більшою ймовірністю передбачити, що клієнт зацікавлений у книгах саме про Рим.
Трансформери краще вирішують завдання обробки неповних або суперечливих даних
Можливість працювати з неоднорідними та неповними даними дозволяє моделі враховувати всю наявну інформацію та з'ясовувати, що з цього найбільш важливо.
Це схоже на складання пазла, в якому відсутні деякі частини — трансформер може добудовувати картину використовуючи іншу наявну інформацію. Це величезний плюс для будь-якої компанії, яка не займається цілеспрямованою обробкою своїх даних, як-от інформації про товари.
Незважаючи на те, що трансформери є ефективним рішенням, вони мають низку недоліків порівняно з іншими моделями:
- Ресурсоємність. Налаштування рекомендацій на основі трансформерів вимагає значних обчислювальних потужностей і пам'яті. Якщо ви вирішите створити власну систему, будьте готові до значних інвестицій у графічні процесори та іншу серверну інфраструктуру або оплачувати послуги хмарних сервісів.
- Їм потрібно багато даних. Незважаючи на те, що трансформери можуть працювати з фрагментованою інформацією, їм потрібні великі обсяги даних, щоб робити коректні припущення. Для невеликих бізнесів, у яких недостатньо інформації про клієнтів, простіші методи можуть бути більш оптимальними.
- Їх важко розробляти. Створення рішення на базі трансформера потребує спеціальних технічних знань. Як і у разі будь-якої передової технології, фахівців не вистачає, щоб правильно працювати з трансформерами. Більшості підприємств недоцільно створювати власне внутрішнє рішення для цього.
Хочу додати товарні рекомендації на свій сайт
ДетальнішеЯк працюють рекомендації на основі трансформерів у eSputnik
Раніше ми використовували гібридні методи на основі колаборативної фільтрації та інших методів. А потім у травні-червні 2024 року ми протестували покращені товарні рекомендації для кількох клієнтів eSputnik CDP і порівняли з результатами за січень та лютий.
Зверніть увагу
З квітня 2024 року ми покращили наші трансформерні моделі, поєднавши їх з технологією LLM (велика мовна модель). LLM використовує передові можливості ШІ з розуміння мови для глибшого аналізу поведінки користувачів, їхніх вподобань та характеристик товарів. Це ще більше підвищило точність товарних рекомендацій, надаючи клієнтам більш релевантні та персоналізовані пропозиції.
Ми виділили три основні показники для оцінки:
- Клікабельність (CTR, click-through rate) — кількість кліків у нових рекомендаціях порівняно з вихідним періодом.
- Конверсії — кількість купівель користувачів з нових блоків рекомендацій порівняно з попереднім періодом.
- Частка замовлень — кількість замовлень, які надійшли з блоків рекомендацій, порівняно із загальними продажами з сайту.
Dnipro-M
Dnipro-M є виробником та продавцем будівельних інструментів. Частка компанії на українському ринку сягає 30%. Компанія також представлена у кількох країнах Східної Європи, серед яких Чехія, Польща та Молдова.
Результати використання оновлених рекомендацій:
| CTR | +105% |
| Конверсії | +43% |
| Частка замовлень | +116% |
MasterZoo
MasterZoo — провідна мережа зоомагазинів в Україні з 200+ фізичними точками й великим інтернет-магазином.
Результати використання оновлених рекомендацій:
| CTR | +46% |
| Конверсії | +71% |
| Частка замовлень | +76% |
Yakaboo
Yakaboo — один з найбільших українських книжкових інтернет-магазинів. Заснований у 2004 році, він пропонує книги 71 мовою.
Результати використання оновлених рекомендацій:
| Конверсії | +10% |
| Частка замовлень | +126% |
Висновок
Трансформери — це ефективний інструмент, який за умови правильного впровадження може принести бізнесу чудові результати від персоналізованих рекомендацій товарів.
Зробити це власноруч — складне завдання. Але в eSputnik ми вже зробили всю важку роботу за вас. Тож, якщо ви хочете використовувати рекомендації на основі трансформерів у своєму бізнесі, заповніть форму нижче — і ми зв'яжемося з вами, щоб надати вам більше інформації!