Кейс «Вкусвилл»: как с помощью рекомендательной системы увеличить прибыль и подружиться с покупателями

Что такое рекомендательная система и как она делает клиентов счастливыми?

Вся информация, которую пользователь передает компании напрямую, дав согласие на обработку персональных данных, или косвенно, например, лайкнув ту или иную песню, регулярно приобретая один и тот же продукт, обрабатывается и используется для улучшения сервиса. Российские ритейлеры не отстают от своих западных коллег в попытках изменить потребительский опыт для достижения своих целей и тоже применяют рекомендательные системы. 

В зависимости от способов сбора и анализа данных и целей применения различают четыре типа рекомендательных систем: 

• Коллаборативная фильтрация (collaborative filtering); 

• Основанные на контенте (content-based);

• Основанные на знаниях (knowledge-based);

• Гибридные (hybrid).

Коллаборативные фильтрации делятся на два вида: 

1. Системы, основанные на рекомендации товаров по товарам (item-based);

2. Системы, основанные на рекомендации товаров по пользователям (user-based).

В первом случае сравнивают сходство товаров или услуг, которое определяется на основе предпочтений всех пользователей, оставивших свои оценки. А во втором – в рекомендации определяют товары, которые уже попробовал другой покупатель со схожими интересами. При этом возникает проблема «холодного старта» – недостаточно данных о новых покупателях, которых еще не было на момент построения модели, в самом начале работы рекомендательной системы, так как необходим большой объем информации о многих пользователях для построения правильных прогнозов. 

Рекомендательные системы, основанные на контенте, чаще всего применяются интернет-магазинами, онлайн-кинотеатрами, музыкальными сервисами и другими. Она отлично подходит для работы с новыми пользователями, так как, по сути, предлагает не какой-то сопутствующий продукт, а максимально похожий на тот, который уже приобрели ранее. Например, фильмы или песни одного жанра. 

Системы, основанные на знаниях, могут предоставить пользователю наиболее подходящий товар или услугу, исходя из его потребностей. Оценки и интересы других пользователей в этом случае не учитываются. Покупателю рекомендуют товары, которые могут реально его заинтересовать. Так, при покупке смартфона на сайте всплывает рекомендация приобрести чехол или наушники. 

У рекомендательных систем каждого типа есть как преимущества, так и недостатки, чтобы нивелировать последние, компании применяют гибридные системы, сочетающие разные подходы. Например, клиенту будут предложены товары, похожие на те, что он уже просмотрел или приобрел, и те, которые приобрели другие пользователи со схожими предпочтениями и потребностями.

Рекомендательные системы изучают и кластеризируют клиентов, анализируют их поведение и делают персональные предложения каждому. Если система попадает точно в цель или ей удается удивить пользователя, то шансы на построение длительных и доверительных отношений возрастают в разы, а это важная цель для любой компании при высокой конкурентности на рынке.

А в чем счастье для покупателя? Системы помогают пользователю разобраться, что ему нужно, и быстрее принять решение о покупке. В мире, где огромный выбор, но ограничено время, это особенно ценится. 

Исследования: рекомендательные системы увеличивают доход ритейлеров

Рекомендательные системы уже внедрены во многих отраслях бизнеса: пользователь может подобрать квартиру, выбрать вклад, смартфон, фильм на вечер и т.д. Раздел с рекомендациями уже давно стал неотъемлемой частью маркетплейсов, например, на сайте Amazon.com, его российском аналоге Ozon.ru и других. Ежегодно почти 30% всех покупок Amazon.com совершаются через рекомендации.

Исследование Barilliance подтвердило предположение, что системы, основанные на анализе данных о пользователях, помогают компаниям увеличить доход. В среднем 12% покупок приходится именно на рекомендованные товары, а коэффициент конверсии среди клиентов, кликающих на рекомендованные товары, в 5,5 раза выше, чем у тех, кто не интересовался ими.

Согласно результатам исследования Salesforce, рекомендации составляют 24% заказов и 26% дохода, притом что сеансы, во время которых покупатель нажимает на рекомендации, обычно не превышают 7% от общего трафика сайта. Согласно выводам из отчета Accenture, персонализация действительно повышает шансы покупки на 75%.

Кейс: как рекомендательная система повысила спрос на продукты «ВкусВилл» и привлекла новых клиентов

В ритейле сложно оставаться заметным и узнаваемым, если не исследовать свою аудиторию, рынок и не экспериментировать с выходом за рамки избитых подходов. Для российской сети магазинов продуктов для здорового питания «ВкусВилл» не стоял выбор, внедрять рекомендательную систему или нет, был только вопрос, как это сделать полезно для покупателей и получить максимальные результаты. ГК «Автомакон» удалось решить эти задачи, о результатах внедрения расскажем подробнее. С компанией «ВкусВилл» мы сотрудничаем более 9 лет и за это время вместе создали несколько действительно передовых проектов, изменивших опыт миллионов покупателей и представление о торговле. 

Разработкой и внедрением рекомендательной системы занялась команда «DataLab» (компания в составе ГК «Автомакон»). Мы создаем комплексные решения с использованием больших данных и искусственного интеллекта как для ритейла, так и для других сфер бизнеса. 

На старте проекта был проведен анализ данных, которые ритейлер получил через разные каналы взаимодействия с покупателями. Собрали DataSet и привели данные в должный вид: учитывались как онлайн-, так и офлайн-продажи, был проанализирован цифровой портрет постоянных клиентов, участников программы лояльности и т.д. По итогу определили товары для рекомендаций, которым покупатели отдавали наибольшее предпочтение.

Следующим ключевым этапом было определение целей рекомендательной системы. Если пропустить этот шаг, рекомендательная система может не принести необходимых результатов. 

Задачи, которые предстояло решить «Вкусвилл» с помощью рекомендательной системы:

1. Познакомить покупателей с новыми продуктами, которые они ранее не приобретали, чтобы разнообразить их опыт и познакомить с новыми марками.

2. Рассказать покупателям о продуктах, которые потенциально могут быть им интересны с учетом прошлых покупок и популярности у других покупателей.

В качестве baseline были выбраны «Популярные товары» и «Рандомные товары».

Запустили обучение и поделили все данные на три части: 

• выборка для обучения (история покупок от трех месяцев до года); 

• выборка для валидации (одна история покупок за одну неделю);

• тест-выборка (история покупок за одну неделю). 

В рамках проекта специалисты «DataLab» протестировали несколько архитектур, основными из которых были автокодировщики и различные виды коллаборативной фильтрации, в том числе и нейронная. Высокая разреженность и неравномерность данных были основным препятствием в разработке системы. Отфильтровали наиболее редко покупаемые товары, чтобы решить проблему разреженности данных, и наложили фильтры на пользователей, которые позволили допустить в выборку только клиентов с наличием хотя бы минимального количества чеков и купленных товаров. Также использовали функцию ошибки для обучения нейронных сетей – Focal Loss, которая взвешивает оценки товаров, отдавая приоритет ненулевым позициям.

Дополнительной проблемой стало стремление моделей предсказывать наиболее популярные товары в качестве локального минимума используемой loss-функции. Для решения этой проблемы добавили взвешивание товаров, логарифмически обратно пропорциональное их популярности. Так, популярные товары остаются популярными, при этом разрыв с непопулярными заметно снижается.

Полученные модели обладали примерно идентичными целевыми метриками, но при анализе выходных данных выяснили, что они выдают разные предсказания для одного и того же пользователя. Воспользовались побочным эффектом, который появился вследствие использования разных архитектур: соединили полученные модели, объединяя последний выходной слой нейронной сети. Различные варианты конкатенации моделей дали прирост целевых метрик на 10–15%.

Затем разработчики «DataLab» разбили пользователей на кластеры с помощью метода k-means, выделив в каждом кластере топ самых популярных товаров. Далее к выходным коэффициентам моделей добавлялось место в топе товаров каждого кластера в виде коэффициентов (x=z*y, где y – выход модели, а z – коэффициент, основанный на месте товара в кластере. У первого товара z=1, у последнего z=0). Тестировали влияние коэффициентов в разных вариациях от 25 до 75%. Таким образом, лучшие результаты получили при влиянии на итоговую оценку в 50%.

В первом этапе тестирования реальной рекомендательной системы пользователю предлагались товары со скидкой в 20%. Доверительный интервал конверсии с вероятностью 95% лучших рекомендательных моделей составил 9.2–10.1%. Считаем это отличным результатом, сравните: предсказание рандомных товаров дало конверсию – 1.2–2.1%, а предсказание наиболее популярных товаров показало конверсию – 2.9–3.8%.

Стоит отметить еще один любопытный результат – разработанные модели превосходили baseline топа популярных товаров в рамках тестов на исторических данных на 50–70%, а при тестировании на пользователях разница конверсии была уже в три раза больше. На эти показатели влияет то, что пользователи даже не знают о существовании того или иного товара, а популярные товары чаще показываются пользователям на первых местах в приложении. Подобные наблюдения и результаты стоит учитывать при формировании маркетинговых активностей. 

Рекомендательная система – готовое решение

Зачастую компании отказываются от проектов по разработке рекомендательной системы из-за неверного представления о способе внедрения этого решения, страха переплатить и отсутствия квалифицированного персонала. После успешного запуска системы для «ВкусВилл» мы решили создать коробочный продукт, основной целью которого является автоматическое обучение различных моделей нейросетей на данных клиента и автоматический выбор целевой модели для решения конкретной задачи. Клиент получает готовый продукт – система автоматически обучает модели, подбирает гиперпараметры, для этого достаточно предоставить данные в виде Excel или CSV необходимого формата. 

«DataLab» создает системы рекомендаций в зависимости от задач, а размер бизнеса не имеет значения. Сейчас разработанная рекомендательная система находится в бета-тестировании, таким образом, наши клиенты получают современный, а главное – эффективный инструмент по лояльной цене. Более того, поступающие в систему данные анонимизируются и представляют собой список id-товаров и клиентов, что делает невозможным использование этой информации в коммерческих целях.

Коробочное решение может помочь владельцам интернет-магазина, но стоит учитывать, что это не панацея, и перед приобретением рекомендуем выяснить, подходит ли именно вашему бизнесу готовый продукт. Специалисты проведут анализ, ведь перед внедрением важно понять, как часто ваши клиенты совершают покупки на сайте, какой ассортимент товаров, есть ли персонализация товаров и т.п., и предложат варианты решений, которые подойдут в вашей ситуации. 

В «Автомакон» мы предоставляем комплекс готовых и индивидуальных решений для всех задач бизнеса любой отрасли. Обратившись к нашим специалистам, вы получите новое конкурентное преимущество и возможность увеличить прибыль вашей компании. За разработку современных продуктов и систем в «Автомакон» отвечают эксперты направления «DataLab», которые специализируются на разработке решений в следующих направлениях:

• Big Data: извлечение, обработка данных, разработка скоринговых систем и консалтинг;

• Интернет вещей: предиктивная аналитика на основе данных, полученных от IoT-устройств;

• Искусственный интеллект: разработка и внедрение Deep Learning-моделей, NLP, классических ml-алгоритмов, рекомендательных систем, мобильных приложений на основе ИИ, чат-ботов и голосовых ассистентов;

• Визуализация данных: аналитические дашборды, Power BI-дашборды, мониторинг real-time Big Data.

Для нас важно создать проект, который принесет пользу вам, вашим клиентам и не потребует лишних затрат. 

Статья подготовлена компанией «Автомакон»