Современные методы проектирования рекомендательных систем для е-commerce

Владислав Богучаров, аналитик данных, Beltel Datanomics.

Согласно исследованию McKinsey, 35% покупок на Amazon и 70% времени, которое люди проводят за просмотром видео на YouTube, – результат работы рекомендательных систем. В онлайн-торговле рекомендательные системы – это продавцы и помощники для покупателя. Кроме того, они формируют персонализированные предложения и индивидуальный подход к клиенту, что является трендом в индустрии ритейла.

Облачные технологии делают рекомендательные системы доступными для компаний среднего и малого бизнеса и становятся мощным средством по удержанию клиентов. Запуск такого сервиса позволит быстро находить на сайте желаемые продукты, делать персональные предложения клиентам, повышая лояльность, и увеличивать продажи магазина.

Построение рекомендательной системы зависит от типа накапливаемой информации о клиенте. Можно выделить четыре основных метода:

1. Демографический метод. Это самый простой, но и наименее эффективный метод. Пользователи делятся на группы по демографическим признакам, таким как возраст, пол и местоположение. Ограниченная информация о клиенте не позволяет предоставить ему персонализированную рекомендацию, однако может решить проблему холодного старта, заключающуюся в отсутствии данных о недавно появившихся в системе пользователях.
2. Контентный метод. Данный метод основан на сходстве рекомендуемых товаров и может быть описан известной формулировкой – «если вам нравится этот товар, то вам также понравится похожий товар». Товар может быть определен как понравившийся не только его наличием в корзине, но и множеством других факторов, например, кликами или временем, потраченными на просмотр описания.
3. Коллаборативный метод. Этот метод основан на прошлом опыте и поведении клиента. Такая особенность делает коллаборативный метод одним из наиболее часто используемых алгоритмов, т.к. он не зависит от какой-либо дополнительной информации. Идея может быть описана следующим примером – если одному клиенту нравятся товары 1, 2, 3, а другому 2, 3, 4, значит, у них есть схожие интересы, и первому клиенту должен нравиться товар 4, а второму – 1.
4. Гибридный метод. Гибридная система рекомендаций по продуктам является наиболее эффективной из четырех, поскольку она представляет собой комбинацию из упомянутых выше систем, что позволяет получить наиболее актуальные и персонализированные предложения для клиента.

Основным инструментом, используемым для реализации системы рекомендаций, является машинное обучение. Имея набор пользователей U и набор продуктов I, задачей машинного обучения является получение функции, основанной на прошлых данных, которая предсказывает полезность каждого товара i (∈ I) для каждого пользователя u (∈ U) на будущий промежуток времени.

Рассмотрим упрощенную матрицу пересечений:

В этом случае методы машинного обучения определят, что количество покупаемых товаров клиентом A схоже с количеством покупаемых товаров клиентом C. Поскольку у первого клиента есть высоко оцененный товар (лимон), которого нет у третьего клиента, то клиенту C будет выдана рекомендация добавить лимон в корзину.

На сегодняшний день на рынке e-commerce функционируют различные типы рекомендательных систем. К наиболее известным можно отнести сезонные рекомендации и рекомендации сопутствующих товаров. Методы персонализации улучшаются с каждым днем – появляются новые алгоритмы и технологии, что дает бизнесу всё более широкие возможности. Знание передовых методов построения рекомендаций на основе клиентского опыта может существенно помочь в повышении продаж и лояльности клиентов.