Новости

Публикации в СМИ

11.08.2023

Приветствуем вас в блоге компании «ДатаЛаб»!

Мы — команда специалистов по анализу данных и машинному обучению, и с этой статьи начинаем серию материалов о практических решениях для онлайн-ритейла. Наша цель — показать, как Data Science помогает магазинам повышать выручку, сокращать издержки и грамотно управлять рисками.

Сегодня поговорим о проблеме, с которой сталкивался почти каждый покупатель в интернете — о ситуации, когда товара просто нет в наличии. Расскажем, как мы решали эту задачу для сети магазинов «ВкусВилл», и поделимся нашими подходами.

Автор: Андрей Шелюх, руководитель проекта.

Выбираешь продукт, переходишь в карточку — а там надпись: «нет в наличии». Разочарование — это полбеды. Главное — что покупатель уходит в другой магазин. Возможно, навсегда.

В обычной рознице товар просто убирают с полки. В онлайне всё сложнее: позиция всё ещё висит в каталоге, попадает в результаты поиска, и человек теряет время — без результата. А магазин теряет выручку и доверие.

Но хорошая новость — всё это можно обойти, если подойти к вопросу системно. Вот основные стратегии:

неудачные прогнозы

Причин у «out-of-stock» может быть масса:

баги в системе учета

задержки с поставками

неожиданный всплеск спроса

1.

2.

Механизм предзаказа
Клиент может заказать товар заранее — и получит его, как только он снова появится в продаже.

Уведомления о поступлении
Автоматическая рассылка сообщений, когда нужный товар возвращается в каталог.

3.

4.

Использование ассортимента других точек
Вариант — рекомендовать аналоги из других складов или магазинов, если они есть в системе.

Резерв для клиента
Когда товар только планируется к поступлению — его можно «забронировать» заранее.

Мы же сосредоточились на первом варианте — автоматическом поиске замен через машинное обучение, и далее — подробности этого проекта.

5.

Автоматический подбор похожих товаров
Система на базе ML подбирает замену отсутствующему продукту — максимально похожую по характеристикам.

В каждом товаре есть масса параметров — от названия и фото до веса, состава и вкуса. Эти данные мы преобразуем в числовые векторы, а дальше — ищем ближайшие товары с похожим профилем по косинусной мере.

Заменить один вид батончика на другой — это не то же самое, что поменять телевизор. Важно учитывать кучу деталей: упаковку, состав, пищевые свойства.

У «ВкусВилла» более 37 тысяч SKU. Чтобы модель работала качественно, пришлось вручную разметить категории и тщательно готовить датасет.

Если в категории всего два товара, а один закончился — алгоритму сложно предложить действительно подходящий аналог.

Но всё не так просто — вот с какими вызовами мы столкнулись:

Собрали текстовые описания, изображения, характеристики. Объединили всё в единый датасет, вручную выверили категории, связали фото с карточками.

Векторы склеивались, после чего применялся дополнительный полносвязный слой

Изображения — через ResNet-34 (ImageNet)

Тексты обрабатывались с помощью rubert-tiny2

Пробовали и другие подходы — например, ArcFace для улучшения представлений или работу с более крупными трансформерами (вроде LaBSE), но они оказались избыточны — модели страдали от затухающих градиентов. Лучше сработали лёгкие архитектуры, дообученные на нашей предметной области.

Выход: эмбеддинги с хорошим разделением, где текст и картинка уравновешены по значимости.

Модель училась определять точную подкатегорию товара. Тренировка велась на GPU Tesla V100, оптимальные результаты — к 20 эпохе. После обучения мы просто удаляли последний слой классификатора и использовали полученные эмбеддинги для поиска аналогов.

Выручка магазина остаётся на уровне

Покупатель чувствует заботу и получает замену

Уходит необходимость вручную затыкать дыры в ассортименте

Снижается число уходов с сайта

Да, есть риски: без качественных данных модель даст слабый результат. Но если инвестировать в разметку и регулярно обновлять информацию — это мощный инструмент.

Внедрение рекомендательной системы, которая предлагает клиенту похожие товары, когда нужный закончился, даёт ощутимый эффект:

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Публикации в СМИ

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

Новости

Как low-code ускоряет разработку и вывод продуктов на рынок

Как low-code ускоряет разработку и вывод продуктов на рынок Как low-code ускоряет разработку и вывод продуктов на рынок

Новости

Блог