Рекомендательные системы сегодня неотъемлемая часть электронной коммерции. Активный переход от традиционных офлайн продаж в онлайн делает внедрение технологий машинного обучения и алгоритмов для рекомендаций все более популярными в ритейле.

Рекомендации упрощают покупки для клиентов магазинов, а продавцам позволяют повышать лояльность покупателей за счет экономии времени и индивидуального подхода к предложению товаров, а также увеличивают продуктовую матрицу и средний чек клиента.

Что нужно для построения системы рекомендаций?

В отличие от электронной коммерции, продуктовые сети не представляют, как клиенты реагируют на продвигаемые товары в режиме реального времени. Но благодаря программам лояльности и базам данных чеков можно с нуля построить систему рекомендаций.

Какая логика стоит за рекомендательными системами?

В ритейле обычно используется три вида рекомендаций: контентный, коллаборативный и гибридный.

Контентный вид рекомендаций предполагает группировку элементов на основе их особенностей. Если клиент приобрел товар, например, обувь, то алгоритм будет рекомендовать аналогичный или сопутствующий товар — средство по уходу за обувью.

Коллаборативный вид стремится предсказывать новые взаимодействия, полагаясь на исторический опыт. Например, если одному пользователю нравится элемент X, а другому нравятся и X и Y, то первый пользователь может быть также заинтересован в элементе Y.

Гибридная система рекомендаций представляет собой комбинацию из упомянутых выше систем. Такая схема наиболее эффективна из трех, поскольку позволяет получить наиболее актуальные и персонализированные предложения для клиента.

Как работают рекомендательные сервисы?

Почти у каждого пользователя интернета сейчас есть личный кабинет в популярных онлайн-магазинах, на телефонах установлены приложения для заказа товаров, многие подключены к стриминговым сервисам для игр или просмотра видео. Посмотреть рекомендации, которые сформированы специально для каждого пользователя, можно в личном кабинете, при покупке или выборе товаров, получить push-уведомление об акциях или новинках. Рекомендации и их способы отображения зависят от используемых алгоритмов и механик доставки.

Если компания хочет подключить рекомендательный сервис к своей платформе, команда Datanomics предлагает следующую архитектуру решения.

С определенной периодичностью (обычно каждые 24 часа) данные заказчика выгружаются в облако.

Организовать выгрузку можно несколькими способами:

• предоставить доступ к базам данных
• выгружать данные через API в формате JSON
• выгружать таблицы Excel/CSV в специально созданный сервис

По выгруженным данным вычисляются рекомендации. Мы используем различные алгоритмы, в том числе алгоритмы машинного обучения.

Для хранения результатов вычислений, автоматизации работ, а также выполнения операций над массивами данных требуются значительные вычислительные ресурсы. Для этих целей мы используем облачные сервисы Microsoft Azure.

Для того, чтобы пользователь мог круглосуточно обращаться к результатам вычислений рекомендательной системы, создается сервис, при обращении к которому клиент получает ответ в виде JSON. Работа такого сервиса тоже выполняется в облаке Microsoft Azure, что позволяет заказчикам не беспокоиться о вопросах безопасности передачи данных.

Стоит ли инвестировать в систему рекомендаций?

Хороший способ ответить на этот вопрос – посмотреть, какого успеха добились компании, внедрившие такие системы:

• по данным McKinsey, 35% покупок на Amazon — результат их рекомендательной системы;
• Alizila проанализировала китайский международный фестиваль покупок 11 ноября 2016 года и пришла к выводу, что уровень конверсии Alibaba вырос до 20% с помощью персонализированных страниц;
• рекомендации отвечают за 70% времени, которое люди проводят за просмотром видео на YouTube;
• согласно McKinsey, 75% просматриваемого на Netflix контента, исходит из рекомендаций.