Товарні рекомендації нового покоління: як підвищити конверсію на 71% завдяки трансформерній моделі

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Привіт, спільното! Мене звати Іван, я — AI-Driven Marketing Specialist в найбільшій платформі клієнтських даних в Україні eSputnik. Більше 10 років я працюю в маркетингу, а останні декілька років — на перетині маркетингу та штучного інтелекту. Я аналізую технології, які не тільки автоматизують процеси, а і реально впливають на показники ecommerce.

Один із таких інструментів — персональні товарні рекомендації. Маркетологи добре знайомі з цим інструментом та використовують його для збільшення продажів і покращення клієнтського досвіду вже багато років. А сучасні досягнення в ШІ дозволяють здобути таких результатів, які ще десять років тому здавалися фантастикою. eSputnik активно розвиває цю функціональність і зазвичай товарні рекомендації підвищують конверсію сайту в середньому на 20-30%, а наш рекордний результат сягнув 60%.

Здавалося, що суттєво покращити алгоритми вже неможливо, але минулого року ми впровадили комбінацію трансформерних моделей та LLM, яка дозволила підвищити конверсію товарних рекомендацій на 71%. У цій статті я хочу пояснити, як працює нова модель, які її ключові переваги над традиційними підходами та чому це наступний крок для персоналізації користувацького досвіду в ecommerce.

Як працюють традиційні алгоритми

Почну з того, як традиційні алгоритми машинного навчання формують рекомендації товарів.

На основі переглянутого контенту

Системи підбирають товари, схожі на ті, з якими відвідувач сайту вже взаємодіяв. Алгоритми аналізують характеристики кожного товару та пропонують варіанти, що відповідають попереднім уподобанням користувача. До таких параметрів належать:

• категорія;
• тип;
• бренд;
• розмір;
• колір;
• ціна тощо.

Наприклад, якщо користувач переглянув гаманці, система запропонує йому інші моделі. Або інша ситуація: клієнт придбав взуття, одяг і сумку одного бренду. У цьому випадку алгоритм не може орієнтуватися лише на категорії товарів, адже вони різні. Однак зважаючи на спільний бренд, система може запропонувати ремінь того ж виробника.

Рекомендації товару на основі переглянутого контенту є набагато простішими порівняно з іншими методами, оскільки вони обмежуються поточними інтересами користувача. Але і вони мають свої переваги.

Переваги:

• Не потребують даних про поведінку інших відвідувачів сайту.
• Підходять для користувачів із нішевими або унікальними вподобаннями.
• Можуть запропонувати нові товари, які ще не отримали відгуків та оцінок.

Недоліки:

• Не враховують складні зв’язки та закономірності в поведінці користувача.
• Виникають труднощі з товарами без детального опису.
• Якщо інтереси користувача обмежуються кількома товарами, система не завжди надає рекомендації згідно всім його інтересам.

На основі оцінок користувачів

Це поширений метод створення товарних рекомендацій, який ще називається колаборативною фільтрацією. Він базується на аналізі колективного досвіду і вподобань усіх користувачів, які взаємодіяли з товаром. Колаборативна фільтрація спирається на такі моделі, як:

• поведінка користувачів — алгоритм шукає користувачів сайту зі схожими вподобаннями та покупками в минулому. ШІ визначатиме товари, які обирають клієнти зі схожою поведінкою.

• товари — алгоритм враховує ознаки товарів та аналізує взаємозв’язки між ними, зважаючи на те, що користувачі зазвичай переглядають або купують разом.

Фільтрація на основі товарів схожа на рекомендації за переглянутим контентом, адже обидва методи шукають схожість між товарами. Основна відмінність їх у тому, що контентна фільтрація спирається лише на характеристики товарів, а колаборативна — ще й на взаємодію користувачів з товарами.

Переваги:

• Ефективно працює навіть з мінімальною кількістю метаданих про товари.
• Виявляє складні та приховані закономірності у поведінці користувачів.
• Пропонує неочевидні, але доречні рекомендації, які роблять вибір цікавішим.

Недоліки:

• Вимагає значних обчислювальних ресурсів для обробки великих масивів даних.
• Інформація про те, як користувачі взаємодіють з товарами на сайті, може бути неповною, що ускладнює виявлення подібних шаблонів.
• Складно генерувати рекомендації для нових користувачів або пропонувати нові товари через нестачу інформації.

Гібридні рекомендаційні системи

Рекомендаційні системи, які об’єднують декілька методів одночасно у формуванні пропозицій, називаються гібридними. Такі системи досягають кращих результатів завдяки тому, що значно знижують вплив недоліків кожного методу. Найпоширеніша практика — це поєднання контентної та колаборативної фільтрації.

Гібридні рекомендаційні системи працюють по-різному. Зокрема, система здатна створювати рекомендації за допомогою різних підходів, а потім об’єднувати їх. Також ШІ може переключатися з одного метода на інший залежно від конкретної ситуації.

Переваги:

• Охоплюють більш широкий спектр товарних характеристик і уподобань користувачів сайту.
• Поєднуючи різні методи, дозволяють створювати максимально точні та персоналізовані рекомендації товару.
• Зменшують недоліки окремих алгоритмів, наприклад, проблему «холодного старту» та нестачу даних.

Недоліки:

• Вимагають більше обчислювальних ресурсів для використання декількох методів одночасно.
• Можуть виникнути складнощі з об’єднанням та збалансуванням різних методів.
• Впроваджувати й підтримувати гібридні системи більш складно, ніж використовувати єдиний алгоритм.

Попри всі нюанси гібридні системи дають гарні результати, поєднуючи в собі найкращі можливості різних методів.

Як працюють сучасні технології рекомендацій на базі Трансформеної моделі

На сьогодні найновішим алгоритмом обробки товарних рекомендацій є технологія використання трансформерів.

У 2017 році Google опублікував документ під назвою «Attention is all you need», який запровадив нову архітектуру для нейронних мереж штучного інтелекту — «Трансформер». Сьогодні майже всі АІ-моделі використовують саме її. Вона може:

• розуміти контекст;
• аналізувати великі обсяги даних;
• виявляти складні зв’язки між товарами й користувачами;
• швидко адаптовуватися;
• навчатися в режимі реального часу, миттєво підлаштовувати пропозиції під зміни інтересів користувача.

Трансформерна модель суттєво покращує якість, точність і персоналізацію рекомендацій, підвищуючи конверсію та рівень задоволеності клієнтів.

П’ять ключових етапів роботи трансформерів з товарними рекомендаціями:

1. Початкове уявлення. На початку система перетворює взаємодії користувачів і характеристики товарів на ембеддинги — числові вектори, що містять ключову інформацію для подальшої обробки.

Ембеддинги — це числові представлення даних, які може аналізувати модель машинного навчання. Вони містять інформацію про товари, історію взаємодій користувачів та інші важливі дані.

2. Позиційні ембеддинги. Далі додаються позиційні ембеддинги, які зберігають послідовність взаємодій, допомагаючи моделі трансформера зрозуміти не лише що сталося, а й в якому порядку.

3. Механізм самоуваги. Це головна технологія трансформерів, вона дозволяє алгоритму визначити, які саме елементи послідовності є найбільш важливими.

Приклад самоуваги: розглянемо товар iPhone 16 Black 512 ГБ.

• Якщо мета — визначити модель смартфона, ключовими елементами будуть «iPhone» і «16».
• Якщо потрібно рекомендувати аксесуари за кольором, важливішим параметром буде «Black».

Алгоритм розподіляє «увагу» між елементами залежно від контексту і задачі.

4. Трансформерні шари. На цьому етапі трансформер уточнює представлення кожного елемента взаємодії, враховуючи весь контекст. Це дозволяє ефективно виявляти зв’язки між товарами, навіть якщо вони не розташовані поруч у даних користувача.

5. Прогнозування. Після глибокої обробки даних алгоритм прогнозує наступний товар в послідовності взаємодії користувача.

Цей прогноз можна адаптувати для ранжування товарів, створення персоналізованих списків.

Чому це важливо? Трансформери здатні аналізувати послідовність дій та приховані закономірності, що робить їх потужним інструментом для передбачення потреб користувачів і підвищення конверсії.

Переваги:

• Вища точність рекомендацій.Трансформери аналізують дані комплексно, що дозволяє формувати більш доречні пропозиції для користувачів. Для бізнесу це означає збільшення продажів, зростання CTR та покращення клієнтського досвіду.
• Аналіз усієї історії покупок На відміну від традиційних алгоритмів, які розглядають кожну дію окремо, трансформери аналізують цілу історію взаємодій. Це дає змогу точніше розуміти інтереси користувача.

Приклад: клієнт купив онлайн три книги про Стародавній Рим:

1. Історичний роман.
2. Наукову книгу про Римську імперію.
3. Біографію римського імператора.

Традиційні алгоритми можуть запропонувати біографію середньовічного короля або книгу про Стародавню Грецію, оскільки аналізують окремі покупки.

Трансформер бачить логіку вибору клієнта та з більшою ймовірністю запропонує ще одну книгу саме про Рим.

Таким чином трансформери створюють більш точні та персоналізовані рекомендації товару, що безпосередньо впливає на рівень продажів.

• Краща робота із неповними або суперечливими даними Однією з ключових переваг моделей трансформерів є їхня здатність аналізувати навіть неповні чи неоднорідні дані. Вони можуть визначити, яка інформація є найбільш важливою, і заповнити прогалини.

Це можна порівняти зі складанням пазла, де бракує кількох деталей. Трансформер використовує наявні дані, щоб добудувати загальну картину та зробити точний прогноз.

Чому це важливо для бізнесу?

• Необов’язково мати ідеально структуровані дані — трансформер здатен працювати навіть із неповною інформацією.
• Кращі рекомендації без глибокої обробки даних — це особливо корисно для компаній, які не ведуть детального аналізу своєї продукції.

Завдяки цьому трансформери значно покращують якість рекомендацій і допомагають бізнесу ефективніше використовувати наявні дані.

Недоліки:

1. Високі вимоги до ресурсів. Трансформери потребують потужних серверів або хмарних сервісів, що може бути дорогим рішенням. Для їхньої роботи потрібні значні обчислювальні ресурси (зокрема, графічні процесори), що веде до додаткових витрат.
2. Потреба у великій кількості даних. Хоча трансформери можуть працювати з неповною інформацією, вони потребують багато даних для точних прогнозів. Малим бізнесам, у яких недостатньо інформації про клієнтів, прості алгоритми можуть підійти краще.
3. Складність розробки та впровадження. Створення системи на основі трансформерів вимагає глибоких технічних знань. Фахівців, які володіють цією технологією, небагато, а їхні послуги — недешеві. Тому більшості компаній недоцільно розробляти власне рішення, а краще використовувати готові платформи.

Чому оновлені рекомендації стали наступною сходинкою ecommerce-маркетингу

Раніше ми користувались гібридними рекомендаційними системами, поєднуючи колаборативну фільтрацію з іншими методами. Минулого року ми оновили та протестували систему товарних рекомендацій на основі трансформерів та порівняли її результати з показниками гібридної системи.

Згодом ми зробили наші трансформерні моделі ще ефективнішими, інтегрувавши технологію LLM (велика мовна модель). Завдяки передовим можливостям ШІ у розумінні мови LLM глибше аналізує поведінку відвідувачів, їхні вподобання та характеристики товарів. Це дозволило нам ще більше підвищити точність рекомендацій, забезпечуючи клієнтів максимально відповідними та персоналізованими пропозиціями.

Ми визначили три ключові показники для оцінки ефективності нового алгоритма:

• Клікабельність (CTR, click—through rate) — співвідношення кліків у нових рекомендаційних блоках порівняно з базовим періодом.
• Конверсії — кількість покупок, здійснених через нові рекомендації, у порівнянні з попередніми результатами.
• Частка замовлень — частка покупок, що відбулися завдяки рекомендаціям товару в загальному обсязі продажів на сайті.

Приклади наших кейсів, які доводять ефективність та доцільність використання трансформерів для бізнесу:

Dnipro-M — один із лідерів України з виробництва та продажу будівельних інструментів із часткою ринку 30%. Компанія має сайт з середнім трафіком 2.1M на місяць, активно комунікує з клієнтами через різні канали: App Inbox, email, web-push, SMS, Viber.

Результати:

• CTR +105%
• Конверсії +43%
• Частка замовлень +116%

Оновлені алгоритми забезпечили точніші персоналізовані рекомендації, що сприяло зростанню залученості клієнтів і підвищенню ефективності продажів компанії.

MasterZoo — найбільша мережа зоомагазинів в Україні, налічує 200+ фізичних магазинів, а також має розвинений інтернет-магазин з трафіком 581K на місяць.

Результати:

• CTR +46%
• Конверсії +71%
• Частка замовлень +76%

Тут впровадження трансформерів для рекомендацій товару сприяло глибшому розумінню потреб клієнтів. Це позитивно вплинуло на їхню залученість та продажі.

Yakaboo — один із найбільших українських книжкових інтернет-магазинів з середнім трафіком 2.1M на місяць. У його асортименті представлено книги 71 мовою.

Результати:

• Конверсії +10%
• Частка замовлень +126%

Завдяки використанню трансформерів Yakaboo змогли пропонувати своїм відвідувачам більш відповідні видання, тим самим підвищуючи лояльність клієнтів та їхній інтерес до асортименту.

Висновки

Трансформерні моделі не просто покращують точність рекомендацій товару — вони змінюють сам принцип їхньої роботи, надаючи їм більшої швидкості, гнучкості та значної ефективності для бізнесу. Це, своєю чергою, може суттєво підвищити продажі та залученість клієнтів, паралельно покращуючи їхній досвід комунікацій з брендом.