Время чтения: 5 минут
Cистемы рекомендаций давно и успешно используются в различных сферах – от социальных сетей, медицинских учреждений и финансовых сервисов до интернет-магазинов. Так в конце 2016 года сеть кофеен Starbucks объявила инвесторам о том, что планирует запустить в своих кафе по всему миру единую систему рекомендаций на базе искусственного интеллекта. Планы Starbucks подтверждают наметившуюся тенденцию: предиктивная аналитика приходит в ритейл.
Системы рекомендаций позволяют создавать более релевантные персональные предложения. В кофейне к утреннему кофе можно предложить свежеиспеченный круассан, а покупателю в соседнем супермаркете – порекомендовать детское питание в дополнение к памперсам.
Рассмотрим в деталях, как системы рекомендаций пригодятся ритейлерам.
Зачем системы рекомендаций нужны ритейлу
Представьте, посетитель продуктового магазина собирается купить продукты на ужин. Конечно, в конце рабочего дня он не помнит всё, что ему утром говорила жена. Но не беда, он открывает мобильное приложение супермаркета и составляет список из числа представленных товаров. В момент, когда он добавляет в список макароны, приложение рекомендует ему приобрести ещё и соус “Болоньезе”. Покупатель добавляет к своим покупкам соус с мыслью “как же я сам до этого не додумался!” Рекомендация сработала, потому что другие покупатели макарон купили соус “Болоньезе”.
Так зачем же системы рекомендаций нужны ритейлу? Вот только несколько причин:
- Повышение лояльности за счет формирования интересных, специально подготовленных для конкретного покупателя предложений
- Увеличение объема совершаемых покупок и прибыли
- “Знакомство” с покупателем и лучшее понимание потребностей своих клиентов в целом (сегментация клиентов / товаров)
- Расширение кругозора покупателя за счет формирования предложений из числа товаров, которые он никогда не приобретал, но релевантных его корзине потребления
Какое решение можно предложить розничным магазинам
Розничные магазины, в отличие от онлайн-магазинов, не всегда могут проанализировать реакцию клиента на предлагаемый товар в режиме реального времени. Однако у большинства розничных сетей есть программы лояльности и накопленные данные о покупках – чеки. Этого вполне достаточно, чтобы сформировать подходящие покупателю рекомендации.
Есть несколько путей решения в зависимости от того, обладает ли розничный магазин своим мобильным приложением или сайтом.
Какой бы путь не выбрал ритейлер, важно получить разнообразную информацию о покупателях. Данных много не бывает.
Как работают системы рекомендаций
Существует три основных подхода к созданию системы рекомендаций: анализ содержания (content-based), коллаборативная фильтрация и гибридный подход.
К примеру, мы разрабатываем систему рекомендаций для крупной розничной сети супермаркетов, используя подход коллаборативной фильтрации. Система анализирует сходство профилей: сходство покупателей, товаров, прочий контент. Таким образом, рекомендуются товары, похожие на те, которые приобрел сам покупатель, а также схожие с ним по профилю.
В нашем проекте мы используем несколько моделей в рамках подхода коллаборативной фильтрации:
- Ассоциативные правила, точнее одна из моделей – Bigram rules – позволяет находить типичные шаблоны покупок.
Bigram rules находит в выборке данных наиболее часто встречающиеся пары покупок. Формирует правило по шаблону “если…, то …”, основанное на найденных парах покупок. Пример правила: “если покупатель купил хлеб, то покупатель купит молоко”.
Где 0, 1, 2, 3 — это транзакции по конкретным товарам. Например, 0 — хлеб, 1 — зелёный лук.
- Метод k-ближайших соседей (kNN) – позволяет находить k-похожих друг на друга по потребительской корзине покупателей и формировать для них персональные рекомендации, основываясь на гипотезе о том, что “похожие покупатели приобретают похожие товары”. Идея простая: для каждого покупателя определяем корзину покупок и «рассчитываем расстояние» между данным покупателем и остальными по сходству товаров в потребительской корзине. Далее рекомендуем покупателям товары, которые покупали похожие на них.
Где k – количество ближайших соседей, Xj – случайно выбранный покупатель, AB – расстояние, а мера расстояния – метрическая мера, определяющая сходство объектов друг с другом (например, косинусное расстояние, евклидово расстояние и т.д.)
- Факторизационные машины (Factorization Machines) – позволяют находить неявные сходства в профилях покупателей. Каждый покупатель и каждый товар описываются определенным набором характеристик. Если набор характеристик покупателя совпадает с набором характеристик товара, то данному покупателю предлагается этот товар. Набор характеристик не всегда очевиден.
Например, товар A описывается следующим образом: [«острое», «маленькая упаковка», «импортное», «сладкое», «дорогое»]. Набор характеристик пользователя соответствует этому набору. Следовательно, данная рекомендация будет сформирована.
Особенностью алгоритма является встроенный учет дополнительной информации, такой, как тип товара, сезонность, время покупки, цена и пр.
В данном случае система рекомендаций разрабатывается с целью увеличения длины чека покупателя. А в результате это способствует увеличению прибыли ритейлера.
Подведём итоги. Будущее за персональным подходом к покупателям, а системы рекомендаций, как ничто другое, могут обеспечить такой подход. И ритейлеры по достоинству оценят системы рекомендаций, когда начнут активно использовать их потенциал – от повышения лояльности и лучшего понимания потребностей клиентов и до роста прибыли.
