На конференции BigData Conference, которая 11 сентября 2015 года прошла в Киеве, выступил Александр Руппельт, BI аналитик шоппинг-клуба LeBoutique. В своем докладе он рассказал о том, как «большие данные» помогли LeBoutique в два раза увеличить продажи рекомендованных товаров, пишет IGate.
Добиться успеха LeBoutique удалось благодаря использованию ассоциативных правил и построенной на их основе системе рекомендаций. По словам Александра Руппельта, построение именно ассоциативных правил является первым шагом к увеличению продаж. Для того, чтобы их создать, не нужно быть высококлассным аналитиком. За $50 их может составить выпускник технического вуза, работающий на фрилансе.
Ассоциативные правила, это некие правила вида «если Х=0, то Y=1». Они формируются тогда, когда ищутся очень частые закономерности среди наборов данных, которые отсекаются по некоему порогу таких понятий как Support и Confidence.
Support означает, как часто X и Y содержатся в наборе данных вместе. Например, вы что-то покупаете в супермаркете. У вас есть чек, в чеке 20 наименований. Среди них есть пиво и молоко. В данном случае Support будет равен общему количеству ваших чеков из супермаркета, в которых встречается пиво и молоко. Confidence означает, насколько данное правило соответствует действительности. Т.е. если в чеке встречается пиво, то в скольких случаях в чеке есть и молоко?
Когда ассоциативные правила только начали развиваться, одна аналитическая компания проводила исследование для крупной сети супермаркетов в США чтобы узнать, какие товары чаще всего покупают друг с другом. Оказалось, что чаще всего это было пиво и подгузники. Причем правило было очень сильным. Но руководство сети супермаркетом не поверило этим данным, и товары не поставили на одну полку. Поэтому на практике это правило проверить не удалось.
Ассоциативные правила могут использоваться и в других целях. Например, есть известная задача по предсказанию того, кто выживет в результате кораблекрушения «Титаника». Если известен класс каюты пассажира, его пол и некоторые другие данные, можно вывести очень сильное правило: если класс третий, а пол мужской, то «живой» равно «нет».
Куда более важный вопрос, для чего и как это все использовать? Сами по себе правила уже могут служить некой базой рекомендаций. Например, если человек положил в корзину юбку, то при большом Confidence, туда могут пойти и туфли. Тогда рекомендательная система дает клиенту совет — у нас есть туфли, и ты можешь пойти посмотреть.
Но ассоциативные правила, это только начало. Дальше нужно идти в персонализацию, как в LeBoutique и поступили.
Раньше в этом шоппинг-клубе действовало простое правило. Когда клиент открывал страницу конкуретного товара, система в рекомендациях показывала аналогичные вещи того же бренда и ценовой категории. Но в компании хотели персонализировать рекомендации, чтобы для каждого клиента была уникальная выдача.
Основная цель рекомендационной системы — на основе доступных данных автоматически подбирать клиенту товары или услуги, оставляя у него ощущение «магии». Это должно происходить быстро, чтобы клиент не ждал, чтобы страница лишний раз не обновлялась, иначе растет вероятность ухода клиента со страницы. При этом под ощущением магии подразумевается то чувство, когда клиенту приходит письмо, и он думает: «Вау! Как они узнали, что именно эта вещь мне нужна?!».
Функции рекомендательной системы очевидны: помочь найти нужный товар, продавать товар дороже, дешевле, часто продаваемый, редко продаваемый. Например, есть качественный товар, но его никто не покупает. Тогда система его рекомендует, но не всем, а только тем, кому, по мнению интернет-магазина, он может быть интересен.
Когда в LeBoutique поняли, как система рекомендаций должна работать, ее начали внедрять. Но у компании была своя специфика. Ее система бизнеса такова, что часто проходят акции на определенные товары. Когда акция заканчивается, товары с сайта удаляются навсегда. Например, если акция длится 5 дней, то этого недостаточно для каких-то манипуляций с рекомендациями. За это время клиент успевает сделать одну или максимум две покупки. Для настройки рекомендаций нужна история покупок, статический ассортимент. В LeBoutique его не было.
Тогда компания пошла другим путем. LeBoutique сотрудничал с разработчиком «Софт Клуб» и они предложили написать специфическое ядро системы рекомендаций. Его концепция была основана на использовании текстового описания товаров. Ядро, в частности, сравнивает описания различных товаров по частоте употребления определенных слов, по их уникальности в конкретном описании и значимости и рекомендует соответствующие запросу товары.
В качестве примера иллюстрации работы системы было использовано слово бирюзовый. Раньше к бирюзовому платью система рекомендаций выдавала туфли и разноцветные платья.
После оптимизации системы рекомендаций внизу появилась рекомендация только по бирюзовым платьям. В то же время, в виджете «С этим товаром покупают» используются как раз ассоциативные правила. «Если раньше для каждой категории у нас было ассоциативное правило, и, например, для платья это были туфли, то впоследствии мы поняли, что с платьями покупают не туфли», - рассказывает Александр Руппельт. Точнее туфли покупают, но это слабое правило. Поэтому LeBoutique пересмотрел список ассоциативных правил и наделил дополнительным весом наиболее сильные правила, действующие со словами «платье» и «бирюзовый».
Апгрейд рекомендательной системы оказался очень сложным процессом даже для команды специалистов. На его реализацию ушло 8 месяцев. Сложность заключалась в том, что 20 тыс. текстовых описаний товаров, размещенных на сайте, необходимо было генерировать в единой матрице. Затем из нее система должна была извлекать ключевые термины. Если у кого-то BigData ассоциируется со словом «долго», то этот процесс был очень долгим. На этапе прототипа системы процесс занимал 3-4 часа и запускался 2 раза в день. И все это время рекомендательная система фактически не работала на сайте. Для сравнения, сегодня длительность процесса обработки матрицы занимает до 5 минут, а интервалы между процессами составляют до 15 минут.
Запуск новой рекомендательной системы позволил LeBoutique увеличить продажи рекомендованных товаров в два раза по сравнению со старой версией.
