Искусственный интеллект и планирование закупок на основе аналитики продаж

Моя цель - предложение широкого ассортимента товаров и услуг на постоянно высоком качестве обслуживания по самым выгодным ценам.

Прежде чем перейти к статье, хочу вам представить, экономическую онлайн игру Brave Knights, в которой вы можете играть и зарабатывать. Регистируйтесь, играйте и зарабатывайте!

Выдавая подсказки и прогнозируя события, искусственный интеллект формирует рекомендательные системы для ротации товаров и услуг, адекватной запросам пользователей, ориентируясь на их предпочтения. По задумке, этот процесс должен происходить почти моментально: распределение товаров по категориям, автоматическое создание пула сопутствующих товаров на основе ассоциативного ряда и манипуляции big-датой. Но в реальности искусственный интеллект не успевает за меняющимися пользовательскими предпочтениями, а часто попросту ошибается, ранжируя товары, исходя из поступавших ранее запросов. В результате взрослому мужчине маркетплейсы предлагают наборы одежды для кукол, которые, когда-то пользуясь его картой, заказывала дочка-школьница, а детям вручают «в подарок» новые марки машинного масла и подписки на бизнес семинары.

Попадание в клиента

Часто системы генерируют либо ошибочные, либо не актуальные рекомендации причем в большом количестве, используя плохо сопротивляющийся накруткам и взломам алгоритм. Таким образом, интернет-магазины сталкиваются с проблемой слабой эффективности генерируемых рекомендаций.

Чтобы такого не происходило, создателям нейросетей необходимо решить проблему точного определения тенденций к изменениям и предпочтений у пользователей. То есть, рекомендательные движки должны учиться прогнозировать не только реакцию на предложение товара или услуги, но и предлагать похожие или альтернативные варианты (в зависимости от реакции пользователя).

В e-commerce, по-отдельности функционирующие коллаборативные, контентные и экспертные рекомендательные системы могут давать сбои, и надо создавать гибридную. Гибкий гибридный рекомендационный алгоритм будет комбинировать данные, полученные по нескольким каналам, протяженным по времени. В них можно одновременно применять взвешенные, дополненные, смешанные и рандомные приемы.

Алгоритм коллаборативной фильтрации выглядит таким образом. При наличии матрицы предпочтений и возможности определять похожесть при помощи косинусной меры, понадобится выбрать число пользователей со схожими вкусами. Вычислить косинусную меру для каждого пользователя, умножить его оценки на полученную величину меры и посчитать сумму калиброванных оценок для каждого товара. Формула алгоритма выглядит таким образом.

Функция sim – мера схожести двух пользователей.

U — множество пользователей.

r — выставленная оценка.

k — нормировочный коэффициент, который высчитывается по данной формуле:

После решения уравнения надо будет кодифицировать информацию и перепроверить при помощи команды rec = makeRecommendation (‘имя пользователя, название товара (), вес, вес).

Важно, чтобы учитывалась главная цель пользователя, посетившего сайт для покупок, укомплектовав всю информацию в матрицу товарных предложений так, чтобы системе были видны и промежуточные действия покупателя. Для этой категории действий потребуется определить систему измерения – начиная от наведения мышкой на товар и заканчивая оплатой товара. Это важно, так как часть товаров «выпадает» из списка покупок, после вторичного прочитывания списка заказчиком. Еще одна категория товаров, которая нередко оказывается в категории промежуточных действий – самые дорогие или элитные товары. Многие пользователи их просто просматривают, что, в дальнейшем приводит к ошибкам в построении рекомендательных алгоритмов.

 Определять низкую конверсию

Также важен отсев и низкоконверсионных товаров, препятствующих совершению покупок. Их объем в среднем составляет 5%, а иногда достигает 12%. Но в этом вопросе надо быть аккуратными, чтобы в число таких товаров не попали товары, которые действительно нужны покупателю. Например, помада определенной марки, но в маркетплейсе она представлена ограниченной палитрой цветов. Последний фактор снижает конверсию, и в случае, когда покупка помады этой марки не происходит, то ее смело можно отсеивать.

Чтобы не потерять часть клиентов на этапе выбора, важно построить адекватную запросам и психотипу человека систему модерации сообщений. Такой проект должен иметь микросервисную архитектуру, где каждый сервис выполняет свою задачу. Например, работу со складками, логистикой, хранением файлов и т д.

Задача микросервиса отдавать запорашиваемую информацию или выполнять определенные, поступающие из других сервисов, запросы. Например, нужно вывести в админке список мерчантов и их документы. Система запрашивает в микросервисе ответственном за мерчантов их список, из сервиса хранения файлов берет сами документы. При этом микросервисы общаются между собой при помощи json.

Учитывая то, что количество запросов с каждым днем нарастает, задача искусственного интеллекта снизить время их обработки, затраты на «живое» общение и конструирование диалога в режиме реального времени. Нейросеть и есть машинное обучение.

В результате внедрения, система может в автоматическом режиме рекомендовать наиболее часто заказываемые конкретной категорией покупателей товары. Помимо налаживания «диалога» с пользователем, интернет-магазин решает вопрос холодного старта, поддерживая ожидания клиентов в том числе и за счет рекомендации линейки низкочастотных товаров.

Почти все игроки рынка электронной коммерции, нарастив обороты за прошедший год, сегодня, сталкиваются с серьезной пробуксовкой бизнеса из-за того, что система не так хорошо, как хотелось бы, понимает пользователей. Вопрос создания универсальной модели искусственного интеллекта, который бы заменил маркетплейсам и маленьким магазинам продавца, товароведа и тонкого психолога – это вопрос одного-двух лет. И первый, кто сумеет учесть все вышеперечисленные ожидания бизнеса, станет лидером на рынке рекомендательных систем.

Источник: https://habr.com/ru/post/560764/


Интересные статьи

Интересные статьи

У природы нет плохой погоды, как поется в знаменитой песне из кинофильма «Служебный роман». Однако далеко не все готовы согласиться с этим утверждением. Кому-то нравится холод, кт...
Артур Хачуян — известный российский специалист по обработке больших данных, основатель компании Social Data Hub (сейчас Tazeros Global). Партнёр НИУ ВШЭ. Подготовил и представил совместно с НИУ В...
Ранее в одном из наших КП добавление задач обрабатывалось бизнес-процессами, сейчас задач стало столько, что бизнес-процессы стали неуместны, и понадобился инструмент для массовой заливки задач на КП.
Операции с криптой законодательно еще не регулируются, и следовательно ничего не нарушают. Однако, с 1 января 2020 вступают важные изменения в российское законодательство о валютном регулиров...
Одной из «киллер-фич» 12й версии Битрикса была объявлена возможность отдавать статические файлы из CDN, тем самым увеличивая скорость работы сайта. Попробуем оценить практический выигрыш от использова...