Новости

Публикации в СМИ

11.09.2024

Привет всем, кто интересуется машинным обучением и его реальным применением в бизнесе! Мы — команда аналитиков и ML-инженеров из «ДатаЛаб» (ГК «Автомакон»), продолжаем делиться кейсами из своей практики. На этот раз поговорим о том, как мы улучшали рекомендательную систему для одного из крупнейших ритейлеров в стране — сети супермаркетов «ВкусВилл».

Автор: Вячеслав Пандов, ведущий инженер по машинному обучению в «ДатаЛаб».

Казалось бы, если рекомендательная система показывает хорошие результаты, зачем что-то менять? Но бизнес не стоит на месте. Чтобы поддерживать высокую конверсию и рост продаж, систему рекомендаций нужно не только запускать, но и регулярно развивать. Даже хорошо настроенный алгоритм со временем может перестать справляться с новыми пользовательскими паттернами

В этом кейсе мы расскажем, как пошли дальше базовых моделей, чтобы получить дополнительный прирост к ключевым метрикам, просто начав учитывать поведение пользователей при взаимодействии с рекомендациями.

В роли базовой модели обычно выступает уже существующий рекомендательный движок: например, популярные товары, персонализированные рекомендации на основе истории покупок и простые эвристики.

где есть потенциал для улучшения

В любом ML-проекте важно двигаться от целей бизнеса. В нашем случае — увеличить продажи и улучшить пользовательский опыт за счёт более точных рекомендаций. На первом этапе мы анализировали, что уже работает:

какие алгоритмы используются в качестве бейзлайна

какие метрики важны (например, CTR, конверсия, средний чек)

После анализа текущих решений мы задались логичным вопросом: можно ли учесть реакцию пользователя на рекомендации и использовать это как дополнительный источник данных?

Даже если алгоритм уверенно предлагает товар, пользователь может его упорно игнорировать. Он просто не хочет манго — даже если оно акционное, сезонное и “логичное” в выдаче. Эта информация — отказ от взаимодействия — не менее ценна, чем клик или покупка. Значит, можно использовать её для настройки «температуры» рекомендации.

Почему важно учитывать поведение пользователя

На одном из обсуждений в команде родилась идея: оценивать пары «покупатель–товар» по частоте покупок после рекомендаций. Мы выделили три категории:

Холодная: товар не куплен ни разу.

Тёплая: товар куплен 1–3 раза.

Горячая: товар куплен более 3 раз из последних 5 показов.

Эти статусы напрямую влияли на то, как часто товар будет показываться пользователю в будущем. Например:

Так мы избежали эффекта «навязчивости» и сделали рекомендации более персональными.

Горячие товары продолжали стабильно появляться в рекомендациях.

Тёплые — показывались чуть реже.

Холодные — временно исключались из выдачи.

В зависимости от категории мы изменяем вектор рекомендаций. Так, покупатель AAAAAAA продолжит видеть Манго, а для CCCCCCC этот товар временно исчезнет из выдачи.

Это простое решение позволило нам точечно регулировать показ товаров и учитывать реальное отношение пользователя к предложениям. При этом мы избегали создания «рекомендательного пузыря», в который можно загнать пользователя, полностью исключая товары.

Тёплая

2

BBBBBBB

Холодная

0

CCCCCCC

AAAAAAA

4

Горячая

Что показали эксперименты

Увеличение среднего чека.

Рост конверсии по выбранным товарам.

Повышение кликабельности рекомендаций.

Результаты показали, что даже простая эвристика, построенная на пользовательском фидбеке, способна дать заметный прирост бизнес-метрик.

Мы внедрили обновлённый алгоритм в A/B-тесте и сравнили результаты с контрольными группами. Вот что получили:

Что дальше?

Использование пользовательской обратной связи — лишь первая ступень. На базе этих результатов мы начали разработку более сложных моделей, которые учитывают контекст, историю взаимодействий и даже эмоциональный отклик (например, по времени просмотра карточки товара).

Об этом — в следующих статьях. А пока мы будем рады вашим вопросам, идеям и обратной связи в комментариях!

Мы — команда, которая помогает бизнесу извлекать ценность из данных. Работаем на стыке аналитики, ML, софта и реальных задач клиентов. Если вам близки наши подходы — пишите, обсудим идеи и возможное сотрудничество.

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