[ad_1]
Ученые из Лаборатории исследований искусственного интеллекта Tinkoff Research совершили открытие в области рекомендательных систем в онлайн-торговле.
Они разработали новый алгоритм TAIW (Time-Aware Item-based Weighting) для более точного прогнозирования потребительских покупок в интернете с учетом времени покупок и их периодичности.
Новый метод позволит пользователям сэкономить время, затрачиваемое на составление конкретной корзины, а также напомнит купить товар, про который пользователь мог забыть.
Бизнесу использование разработанного учеными Тинькофф алгоритма поможет повысить удовлетворенность клиентов, увеличить конверсию в покупку и простимулировать рост среднего чека.
Как устроен алгоритм TAIW: модули «Повторная покупка» и «Соседство»
Суть открытия
Алгоритм TAIW более точно предсказывает, какие товары клиенту потребуются в ближайшем будущем с учетом точного момента покупки. Он учитывает не только состав предыдущих покупок конкретного человека и схожих по профилю пользователей – он также анализирует точное время приобретения конкретных товаров в прошлом и периодичность покупок, выявляет взаимосвязи между приобретением товаров из разных категорий. Это помогает сделать рекомендации максимально персонализированными, что особенно важно в случае нетипичных паттернов поведения отдельных клиентов.
Исследователи провели эксперименты на реальных данных: в частности, использовали датасет онлайн-площадки Taobao, которая входит в Alibaba Group. В результате экспериментов TAIW стал самым эффективным методом среди аналогов в задаче next basket recommendation (NBR или рекомендация следующей корзины) за счет более точного ранжирования товаров на основе их актуальности в конкретный момент времени.
Согласно результатам экспериментов, алгоритм повышает точность рекомендательной системы до 8%.
Это позволяет пользователям получать более персонализированные рекомендации, тратить меньше времени на контроль домашних запасов и выбор новых товаров. TAIW заранее знает, через какое время у пользователя закончатся продукты, и предложит ему купить их в нужный момент.
Чем алгоритм отличается от других методов
Специалисты в области искусственного интеллекта уже долгое время работают над улучшением рекомендаций для интернет-торговли. Чтобы предсказать повторные покупки, ученые часто используют методы:
- цепи Маркова (математическая модель, которая помогает предсказывать будущие события на основе прошлых событий),
- рекуррентные нейронные сети (модели машинного обучения, которые анализируют последовательность действий пользователя).
Однако эти инструменты не всегда позволяют корректно учесть при прогнозировании частоту покупки, которая не только различается у разных товаров, но также бывает индивидуальна для разных пользователей. Например, один человек может покупать кондиционер для белья каждые три недели, а другой – раз в полгода.
Алгоритм TAIW состоит из двух модулей:
- «Повторная покупка» работает на основе процесса Хоукса – статистической модели, которая позволяет понять временные закономерности и зависимости между событиями. Так алгоритм определяет, какие товары покупал пользователь, как часто и когда была совершена последняя покупка. Этот модуль помогает определить, когда конкретные товары будут наиболее актуальными для конкретного покупателя.
- «Соседство» помогает описать привычки пользователей с похожими предпочтениями. Эти данные используются, чтобы обеспечить более разнообразные рекомендации для конкретного человека.
Зачем нужны рекомендательные системы
Мировой рынок онлайн-торговли растет ускоренными темпами с начала пандемии COVID-19. По данным eMarketer, в 2023 году объем глобального e-commerce приблизился к 6 трлн долларов, а в 2027 году превысит 8 трлн. Это одно из самых динамично развивающихся направлений экономики, где разворачивается серьезная конкуренция как между технологическими гигантами, которые выступают площадками, так и между отдельными небольшими продавцами (например, по данным на 2022 год, более 60% продаж на Amazon делают независимые селлеры). Также растет и ассортимент – к примеру, на маркетплейсах могут быть представлены миллионы или даже миллиарды товаров.
Технологии, в частности рекомендательные алгоритмы, – одно из главных направлений, где уже разворачивается конкурентная борьба, которая будет становиться все более серьезной в ближайшие годы. Для пользователей растет число похожих вариантов для покупки, а процесс выбора становится все более затруднительным.
Для продавцов также все сложнее становится привлечь и удержать внимание покупателей. Когда пользователи сталкиваются с огромным выбором товаров, алгоритмы рекомендаций становятся персональными помощниками, предлагая подходящие варианты и сокращая временные затраты на поиск.
Например, в онлайн-магазинах часто решается задача next basket recommendation (NBR), во время которой требуется предугадать состав следующей корзины пользователя в соответствии с его потребностями.
Лаборатория исследований ИИ Tinkoff Research
Tinkoff Research – российская исследовательская группа, которая занимается научными исследованиями внутри компании, а не на базе некоммерческой организации.
Ученые из Tinkoff Research исследуют наиболее перспективные области ИИ: обработку естественного языка (NLP), компьютерное зрение (CV), обучение с подкреплением (RL) и рекомендательные системы (RecSys). По результатам экспериментов они пишут научные статьи для наиболее авторитетных научных конференций: NeurIPS, ICML, ACL, CVPR и других.
Источник: пресс-релиз Tinkoff
[ad_2]