Магазин точно знает, что вам предложить: как работают рекомендательные системы в ретейле
Гиперперсонализация — уже не мечта, а обыденность. Приложения будто бы читают мысли покупателя и любезно предлагают именно те товары, которые он, возможно, купил бы и сам — но после напоминания или подсказки.
Конечно, никакого чтения мыслей на самом деле нет. Его роль играет набор алгоритмов, которые по прошлым действиям человека и поведению похожих покупателей достраивают, что показать именно сейчас.
Меня зовут Валерия Гаращенко, я руководитель группы углубленной аналитики в персонализации Lenta Tech (ИТ-бренд «Группы Лента»). В этой статье я постараюсь простыми словами рассказать, как устроены рекомендательные системы в ретейле и где проходит граница между удобной подсказкой и назойливостью. А инженерную сторону вопроса, архитектуру и технические подробности я подробно разбирала в докладе о персонализации.
Оглавление:
Из чего собрана рекомендательная система
Современная рекомендательная система часто работает в два этапа. Сначала из каталога в десятки и сотни тысяч позиций быстро отбирается несколько сотен кандидатов, затем более тяжелая модель ранжирует их под конкретный экран и контекст. Такое разделение на отбор и ранжирование требуется по одной простой причине: прогонять точную модель по всему каталогу каждый показ слишком дорого.
Рекомендательные технологии опираются на несколько базовых идей, каждая из которых лежит в основе того или иного подхода.
Первый подход учитывает свойства самих товаров и профиль интересов покупателя. Если человек берет товары из определенной категории, система предлагает позиции, похожие по тем или иным признакам — по назначению, по составу и т.п.
Второй подход устроен иначе: ищутся закономерности, кто что покупал, а дальше выдаются рекомендации по логике «люди с похожими покупками брали вот это». Именно так работает большинство привычных блоков «с этим товаром часто покупают».
Для эффективного поиска рекомендаций пользователей и товары можно представить в виде наборов чисел — координат в специальном пространстве, где близость между пользователем и товаром отражает предполагаемый интерес к нему.
Векторные представления — один из инструментов, которые помогают находить подходящие пользователю товары. Они могут использоваться на этапе быстрого отбора кандидатов, тогда как для более точного ранжирования применяются более сложные модели, которые учитывают десятки сигналов сразу и расставляют отобранные товары по порядку.
При этом разные рекомендательные системы по-разному работают с данными о пользователях: одни преимущественно опираются на заранее рассчитанные признаки и историю взаимодействий, другие дополнительно учитывают контекст текущей сессии, чтобы лучше отражать интересы человека в конкретный момент и угадывать намерение по цепочке последних действий.
Данные, сигналы и подводные камни
Качество рекомендаций напрямую зависит от качества данных. В рознице очень мало явных оценок и лайков. Зато есть косвенные сигналы: клики, добавления в корзину, покупки, время на карточке товара. Их много, но они сопровождаются фоновым шумом.
Клик не всегда означает интерес, а покупка может быть разовой или вовсе сделанной для кого-нибудь другого. Поэтому результат работы системы — не один правильный товар, а упорядоченный набор под конкретное место показа: главный экран, блок на карточке товара, корзину, рассылку. Один и тот же человек в разных местах увидит разные подборки, и это не сбой, а осознанная настройка.
Как это выглядит на практике, легко показать на примере мобильного приложения «Лента». На главной странице есть блок с товарами, которые человек уже брал, причем система учитывает покупки и в доставке, и в магазине.
В каталоге и поиске два покупателя видят одни и те же товары, но в разном порядке: выше оказывается то, что наиболее релевантно каждому из них. В корзине система смотрит, что в ней уже лежит, предлагает то, что другие покупатели обычно берут вместе с этим, и добавляет товары из прошлых покупок.
Есть и пример, которого покупатель не видит. Если при сборке заказа какого-то товара не оказалось в наличии, сборщику приходит подсказка, чем его лучше заменить именно для этого клиента. Всего примерно 80% добавлений в корзину приходится на блоки, где работают модели ранжирования и рекомендаций.
Но даже при хороших данных у системы остаются уязвимые места, и первое из них возникает в ситуациях, когда опереться попросту не на что. Новый покупатель еще ничего не купил, новый товар еще никто не брал, только что открытый магазин не накопил статистику.
Пока истории нет, система вынуждена обходиться свойствами самих товаров и общей популярностью, и подсказки выходят заметно грубее. С новинками та же беда: чтобы товар начал набирать историю, его сперва нужно кому-то показать, но системе пока еще не на чем основывать показы.
Вторая ловушка — перекос в сторону популярных позиций. По ходовым товарам данных много, поэтому система охотнее предлагает именно их, а редкие товары остаются в тени.
Дальше возникает самоподдерживающийся круг: что чаще показывают, то чаще покупают, а растущие продажи снова подтверждают, что товар популярный, и его показывают еще активнее.
Без внешнего вмешательства выдача рискует постепенно схлопнуться к узкому набору бестселлеров и перестает открывать покупателю что-то новое. Сюда же примешивается эффект расположения: верхние строчки собирают больше кликов просто потому, что их видят первыми, и если учить систему на таких данных без поправки, перекос только усиливается.
Третья трудность — скудность данных о каждом конкретном человеке и зависимость от контекста. Любой потребитель за всю историю покупок охватывает лишь очень небольшой участок каталога, поэтому прямых совпадений между людьми мало и их приходится достраивать косвенно.
Вдобавок интерес сильно зависит от обстоятельств: времени суток, устройства, того, что уже лежит в корзине, и того, зачем человек вообще пришел. Пополнить привычное и найти что-то новое — разные задачи, и подсунуть одно вместо другого значит промахнуться, даже если товар сам по себе подходящий.
И, наконец, главная проверка на прочность — разрыв между тем, как система выглядит на бумаге и как ведет себя в жизни. Хорошие результаты на исторических данных еще ничего не гарантируют: эти данные уже искажены тем, что система показывала раньше.
Поэтому наиболее убедительную оценку эффекта дает проверка на реальных покупателях. Часть из них видит новую версию рекомендаций, часть — прежнюю, и по итогам сравнивают, где люди покупают охотнее и куда возвращаются чаще. Собственно, большая часть работы над рекомендациями — это кропотливая борьба со всеми перечисленными искажениями.
Как сделать рекомендации полезными и ненавязчивыми
Борьба с искажениями делает рекомендации технически честными, но этого мало. Угадать интерес — еще не значит угодить покупателю. Разница тоньше, чем кажется. Товар может идеально подходить по всем расчетам и все равно вызывать отторжение — если выскакивает не вовремя, не к месту или слишком часто. Поэтому за точностью подбора всегда стоит второй, не менее важный вопрос: как сделать, чтобы подсказка помогала, а не мешала.
Для этого важно иметь в виду, что одной похожести мало. Если выдавать только самое близкое к прошлым покупкам, человек попадает в замкнутый круг. Ему бесконечно показывают вариации того, что он и так знает. Поэтому в хорошую подборку намеренно добавляют разнообразие, чтобы рядом с очевидным появлялось новое, но уместное. Лед здесь очень тонкий, и нужно попасть в очень узкий зазор.
Другая крайность — действовать наверняка, опираясь на уже сделанные покупки. Скорее всего, вы сами сталкивались с такой ситуацией: вы только что купили на маркетплейсе, допустим, холодильник, и тут же система любезно вам рекомендует самые разные холодильники.
А все дело в том, что она не отличила разовую покупку от регулярной. Товары повседневного спроса логично предлагать снова, поскольку им свойственно заканчиваться, а крупные и разовые — не спешить рекомендовать повторно сразу после покупки. Сюда же относятся частота и место показа: одна уместная подсказка помогает, а та же рекомендация, повторенная на каждом экране и в каждом письме, превращается в раздражающий фактор.
И наконец, необходимо беречь доверие. Короткое пояснение, почему показан товар, делает подборку понятнее и снимает ощущение слежки. При этом бизнес-цели — маржа, продвижение конкретных позиций — не должны безапелляционно перекрывать интересы покупателя. Как только человек чувствует, что ему навязывают то, что выгодно магазину, ценность рекомендаций падает вместе с доверием.
Полезно оставлять человеку и пространство для управления — скажем, возможность скрыть товар или отметить «не интересно». Это не только улучшает взаимодействие, но и дает системе дополнительный явный сигнал об интересах пользователя.
Персонализация при этом не ограничивается товарами, скидками и купонами. Иногда она кроется в устройстве самого приложения.
Когда одна из наших команд делала его редизайн, то исходили из того, что в «Ленту» приходят с разными задачами. Кто-то хочет сэкономить и выбирает «Эконом», кто-то ищет корм для кошки в «Зоомаркете», а тот, кто вспомнил о дрожжах для пиццы в последний момент, заказывает их через экспресс доставку. Поэтому на отдельной странице приложение показывает форматы магазинов, которые есть в городе покупателя, примерное время доставки и магазины поблизости.
Там же можно проверить, есть ли товар в конкретном магазине, прежде чем за ним ехать. А тем, кто открывает приложение в основном на кассе, сразу доступны карта лояльности и категории кешбэка. Подробнее о том, как шла эта работа, от первых брейнштормов до А/Б-тестов, коллеги рассказали в статье «От одного магазина к омни-сервису: как мы объединили 5 форматов в одном приложении».
К этому, по большому счету, и сводятся основные требования к рекомендациям. Хорошая система незаметна: она помогает, но никогда не давит, не стремится показать как можно больше, а делает так, чтобы нужное нашлось как будто бы само собой. Собственно, к этому и движется весь ретейл — не навязывать товар ради сиюминутной продажи, а помогать покупателю, тем самым заслуживая его доверие и вызывая желание вернуться.
С какими неожиданными проблемами рекомендательных систем вы сталкивались — как разработчики или как пользователи? Делитесь опытом в комментариях.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.