Jak Duże Portal Handlowe Online Budują Motywacyjny System Rekomendacji: Studium Zastosowania Maszynowego

Problem biznesowy za tą projektami

Do późnych lat 2010-tych duży europejski e-magazyn online sprzedający ponad pięć milionów SKU miał znaną problematykę e-commerce: wzrost wartości średniej zamówienia się zatrzymał, nawet gdy ruch na stronie nadal rosnął. Konwersja site-wide wynosiła około 1,8%, co było znacznie niższe niż przypuszczały ekspertyzy merchandisingowe, a ponad 30% zamówień zawierało tylko jedno przedmiot.

Badania wewnętrzne wskazywały na konkretny powód. Z milionami ofert na stronie kupujący spędzały zbyt dużo czasu poszukiwaniem tego, czego szukają, i opuszczały stronę bez znalezienia innych produktów, które mogłyby im się spodobać. Stare widgety „kupowane również przez klientów” były statycznymi, ręcznie opracowanymi listami, które nie dostosowywały się do zachowania konkretnego kupującego, co prowadziło do ich niewystarczającego wydajności w porównaniu z tym, co mógłby zrobić system uczyony i indywidualnie dostosowany.

To przydatny wzorzec, który warto zauważyć w swoim własnym biznesie: podstawowa ból nie była „brak AI”, ale mierny, konkretny objaw (niska liczba przedmiotów na zamówienie, płaski średnią wartość zamówienia) z prawdopodobną mechaniczną przyczyną (słabe odkrywanie produktów na skalę). Ta konkretność była to, co sprawiło, że w końcu projekt był finansowany i mierny.

Co sprzedawca zbudował: warstwowy system rekomendacji

Zamiast jednego „algorytmu rekomendacji”, załoga wysłała cztery różne powierzchowności, wypuszczając je stopniowo przez około rok:

Stos zbudowano na Pythonie i TensorFlow do treningu modeli, Apache Spark do przetwarzania danych skali katalogu, a infrastrukturze chmrowej do dostarczania rekomendacji przy niskiej opóźnieniu. Każda zmiana była walidowana poprzez testy A/B zamiast wysłanej na podstawie zaufania — dyscyplina, która okazuje się być jednym z najmocniejszych przewidywaczy, czy projekt rekomendacji rzeczywiście przyniesie przychód.

Zespół i inwestycje

Zespół główny budowlany był zamiennie mały: dwa inżynierów maszynowo-learnujących, jednego data scientista, jednego deweloperowego backendu oraz właściciela produktowego. Koszt rozwijania estymowano na około 200 000 dolarów, przy czym dodatkowy koszt infrastruktury i kontynuanckiej pomocy wynosił około 15 000 dolarów miesięcznie — cenna wykreska dla średnio wielkich sklepów sprzedawczych planujących podobny projekt, mimo że Twoje własne liczby będą zależeć w znacznym stopniu od rozmiaru katalogu i ruchu.

Dwa techniczne przeszkody dominowały przy budowaniu. Pierwsze polegało na dostarczaniu odpowiednich poleceń w czasie rzeczywistym dla pięciu milionów kodów SKU — wymagało to naprawdę inżynieryjnych inwestycji w indeksowanie i buforowanie — proste wyszukiwanie najbliższego sąsiada nie skali do takiego rozmiaru katalogu. Drugie polegało na rozwiązaniu klasycznego problemu zimowego startu: nowy gość nie ma historii przeglądania, aby dostosować się do niego. Ich rozwiązanie połączyło sygnały demograficzne dostępne na pierwszym kontakcie z zaleceniami szukającymi popularnych obiektów w chwili obecnej, stopniowo zastępując te zalecenia zmiennymi dostosowanymi do gościa, gdy ten generuje więcej sygnałów.

Był także organizacyjny przeszkoda, której łatwo jest pominąć: ekspresyjna drużyna marketingowa początkowo odmawiała współpracy, obawiając się, że automatyczne systemy zastąpią ich ręcznie konsultowane merchandising. Niechętnie przypomniał techniczny lider, że włączenie marketingu w proces projektowania wczesniej — a nie prezentacja systemu jako gotowego zastąpienia — znacznie zmniejszyłoby opór.

Wyniki pomiarowe

Porównując dwanaście miesięcy przed wdrożeniem z pierwszym pełnym rokiem po nim, sprzedawca zgłosił następujące główne metryki:

Szacunki firmy przypisują około 45 milionów dolarów rocznej przychodu dodatkowego systemowi poleceń, w przeciwieństwie do kosztów pierwszego roku w wysokości kilku setek tysięcy dolarów – co oznacza okres zyskowania mierzony w tygodnie lub kilka miesięcy, a nie lata. Nawet przy uwzględnieniu optimistycznej przypisania wewnętrznego (odseparowanie „sprzedazy spowodowanych poleceniami” od naturalnego wzrostu jest naprawdę trudne, co sami członkowie zespołu podkreślili), skala podniesienia jest zgodna z opublikowanymi referencyjnymi normami branżowych systemów poleceń, które obecnie często zgłaszają wzrost oprocentowany o ponad dziesięć procent w konwersji i wielkości koszyka.

dostosowywanie systemu do nagle występujących przewlekłych zmian w żądaniach klienta

Jedną z wyraźnych części tego badania jest sposób, w jaki system zarządził się z okresem abruptnej, nieoczekiwanej zmiany w żądaniach klientów — sytuacja, do której każda firma przylega w pewnym stopniu, czy to ze względu na szok dostawczy, zmianę regulacyjną, wyjście konkurencji z rynku lub dyskusję makroekonomiczną. Gdy zwyczajowe wzorce żądania firmy skoczyły nagle (nagle przesunięcie od opcjonalnych elektronik do niezbędnych produktów), modele zaleceniowe, nauczone na historycznych wzorcach zakupów, zaczęły produkować stale, mniej aktualne i niezwiązane z realiami propozycje prawie w nocy.

Reakcja zespołu stanowi przydatny szablon do budowania rezyliencji w dowolnym systemie personalizacji lub prognozowania: nauczali modele na znacznie krótszym, bardziej aktualnym okresie niż zwykle wieloletnim historii, priorytetyzując odpowiedzialność nad długoterminową stałością podczas dyskusji. Ponieważ część ich infrastruktury również stała się niejednolita, przyspieszyli planowaną migrację do pełnoobslugiwanego systemu w chmurze, zastępując pewną efektywność kosztową rezyliencją. Broń lekcja — buduj modele i infrastrukturę, które mogą być szybko nauczone na krótko przedstawionym okresie, a nie przyjmij założenie, że wzorce żądania z poprzedniego roku będą nadal aktualne — jest bezpośrednio przenoszona do prognozowania zapotrzebowania, planowania zapasów i personalizacji marketingowej w dowolnym sektorze poddawanym nagle występującym dyskusji.

Co działało i co zespół chciałby zmienić

Co działało: rozpoczęcie od najprostszej powierzchni zaleceń ("podobne produkty") i dodawanie złożoności tylko po tym, jak została udowodniona jej potrzeba; inwestycje w infrastrukturę chmury przed kryzysem skalowania, a nie po nim; oraz traktowanie każdej zmiany interfejsu użytkownika jako test A/B zamiast decyzji personalnej.

Co zespół chciałby zrobić inaczej: wcześniejszy udział zespołów marketingowych i merchandisingowych, ponieważ większość wczesnych oporu wewnętrznego wynikała z uczucia pominięcia, a nie od jakichkolwiek technicznych objaśnien; oraz wcześniejsza inwestycja w doświadczenia mobilne, skoro około 60% ruchu pochodziło z urządzeń mobilnych — sekcji, dla której pierwszy wydanie było podosadzone nieoptymalnie.

Naczelnik technologii handlowego podsumował dobrze podstawowy wniosek: systemy zaleceń powodują sukces lub porażkę mniej na złożoności modelu, a więcej na tym, czy uczyniły one każdego zakupiwcę czujnym, że sklep jest dla niego specjalnie zaprojektowany — personalizacja at scale jest rzeczywistym produktem, a algorytm to tylko mechanizm.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz How a Large Online Retailer Built a Recommendation Engine i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.