Рекомендательные системы стали неотъемлемой частью современного ритейла. Они помогают покупателям найти интересующие их товары и услуги, а также предсказывают, что они могут приобрести в будущем на основе их предыдущих покупок. Эти системы играют важную роль в улучшении пользовательского опыта, увеличении конверсии и повышении доходности компаний. В этой статье мы, команда «ДатаЛаб»* (ГК «Автомакон»), рассмотрим, как настроить рекомендательную систему для точного прогнозирования покупок на основе опыта покупателей, исследования закономерностей в покупках и других факторов.
Настройка рекомендательной системы для предсказания покупок на основе предыдущих покупок – это сложная задача, требующая сбора данных, препроцессинга, выбора и обучения модели, а также интеграции в систему. Однако, когда система настроена правильно, она может значительно улучшить пользовательский опыт, повысить конверсию и помочь вашей компании достичь успеха в современном электронном бизнесе.
*«ДатаЛаб» — команда профессионалов в области аналитики, больших данных, разработки программного обеспечения, машинного обучения и искусственного интеллекта.
Автор статьи: Вячеслав Пандов, ведущий инженер по машинному обучению направления «ДатаЛаб».
Новый алгоритм на основе закономерностей
Существует множество алгоритмов машинного обучения, которые можно использовать для предсказания будущих покупок в рекомендательных системах. Мы решили отследить определенные закономерности в поведении покупателей, чтобы понять, как можно изменить работу рекомендательной системы. В ходе эксперимента, обнаружили, что зачастую покупатели выбирают комбинации товаров, если предлагать товары в соответствии с этими комбинациями, то вероятность того, что покупатель положительно отреагирует на предложенную рекомендацию, возрастает.
Рассмотрим, как работает алгоритм на примере. Предположим, что в магазине доступны следующие товары:
Бананы, Молоко, Помидоры, Хлеб, Шоколад, Яблоки, Яйца
И имеются следующие корзины:
Бананы, Хлеб, Яблоки, Яйца
Молоко, Хлеб, Яблоки
Молоко, Помидоры, Шоколад, Яблоки
Представим все наши товары в виде графа – облако связанных друг с другом точек-товаров, в котором чем чаще пара товаров встречается в одной корзине, тем сильнее их связь. По нашим корзинам можно построить следующий граф:
Построим матрицу смежности графа – квадратную матрицу, где строки и колонки – это товары, а на пересечении – сколько раз товары покупались вместе:
Построив такую матрицу, мы можем решать сразу 2 задачи:
Предсказание следующего товара в корзине;
«Поиск сопутствующих товаров» или «С этим товаром часто покупают», что в данных терминах эквивалентно задаче предсказания следующего товара в корзине из одного товара.
Рассмотрим на примере корзины, состоящей из одного товара – Хлеба. Для каждого товара посчитаем вероятность его появления в качестве следующего товара:
Для удобства обозначим суммы пересечений всех товаров с Хлебом как Σ:
Получается, что Яблоки – это ТОП-1 сопутствующий товар, или наиболее вероятный следующий товар в корзине. В ТОП-4 входят также Бананы, Молоко, Яйца. На больших данных получается большее разнообразие.
Как определить, какой товар будет следующим? Для этого положим в нашу виртуальную корзину предсказанный товар – Яблоки, и снова посчитаем вероятности для следующего товара в корзине:
Получается, что следующим товаром в корзину пойдет Молоко. В итоге корзина состоит из следующих товаров: Хлеб, Яблоки, Яйца.
Алгоритм можно модифицировать на этапе построение матрицы смежности: при увеличении счетчика пары товаров в корзине можно тем больше уменьшать коэффициент увеличения счетчика для пары товаров, чем длиннее рассматриваемая корзина. Например:
Без должной настройки рекомендательной системы некоторые паттерны и взаимосвязи между товарами могут оставаться незамеченными. Обнаружив подобные закономерности, можно повысить точность прогнозов, что позволит эффективно управлять запасами – стратегически планировать свои запасы и уменьшить риск переизбытка или нехватки товаров, что может привести к оптимизации операций и снижению затрат. Развитие рекомендательной системы – важный этап для достижения более точных прогнозов покупок и повышения качества персонализированных рекомендаций, что значительно влияет на бизнес, способствует росту продаж, повышению уровня удовлетворенности клиентов и конкурентоспособности компании на рынке.
