Эволюция подходов к персонализированному опыту в ритейле
- Рекомендательные системы и их развитие
- Основные подходы при создании рекомендаций
- Поведение и интересы пользователей
- Внутри экосистемы
- Существующие рекомендательные системы для e-commerce
- Проблемы классических систем рекомендаций
- Виртуальный помощник
- Основные выводы
- Вопросы и ответы
Пётр Лукьянченко, Руководитель Департамента машинного обучения, ecom.tech (ex. Samokat.tech)
В современном мире электронной коммерции персонализированный опыт покупателей становится ключевым фактором успеха. Рекомендательные системы, прошедшие длительный путь эволюции с 1990-х годов, играют ключевую роль в этом процессе. Однако классические подходы сталкиваются с рядом проблем, таких как эффект "эхо-камеры" и избыточная персонализация, что приводит к ограниченному выбору товаров для пользователя.
В ответ на эти вызовы компания ecom.tech разработала инновационный подход — виртуального помощника, способного реагировать на актуальные потребности пользователей в режиме реального времени.
Техническая реализация
Система прошла эволюцию от простых методов фильтрации до использования продвинутых технологий. Развитие шло от базовой коллаборативной фильтрации через контекстуальный анализ и гибридные модели к матричным рекомендациям и глубокому обучению, достигнув уровня современных динамических рекомендаций и использования больших языковых моделей (LLM).
Виртуальный помощник реализован как тестовый телеграм-бот с планами интеграции в основное приложение компании. Он способен вести диалог с пользователем, анализировать его текущие потребности и формировать персонализированные предложения в контексте повседневной жизни клиента.
Рекомендательные системы и их развитие
С 1990-х годов рекомендательные системы в электронной коммерции прошли в своей эволюции несколько этапов. В процессе менялись подходы к фильтрации пользователей.Среди важных этапов выделяются:
- Коллаборативная фильтрация. Базовая и упрощенная система ранжирования без использования персонализированного подхода. Для одинаковых пользователей предлагаются схожие товары;
- Контекстуальный анализ. Фильтрация основана на содержании. Если человек что-то покупает, то ему в рекомендации выдаются схожие товары;
- Гибридная модель. Объединяет коллаборативную и контекстную фильтрацию, снижая недостатки каждой из них;
- Матричная рекомендация. Результат сложения базового, контекстного подходов и анализа окружения. Ориентирована на целевые группы.
- Глубокое обучение. Рекомендации основаны на изучении значительного объема информации разной направленности, использовании нейросетей;
- Динамические рекомендации. Используются с начала 2020-х. Работают в режиме реального времени с изучением всех текущих изменений в статусе пользователя – настроения, местонахождения, предпочтений;
- LLM. Большие языковые модели обрабатывают текст, изображение, видео, аудио, анализируют контекст и зависимости.
