Чудили ли сте се някога как точно електронните магазини управляват препоръките на продукти? Всички онези познати блокове „хората също купиха“ не се попълват ръчно. Те се създават в реално време от сложни алгоритми за машинно обучение. 

В продължение на години, маркетолозите разчитат на тези алгоритми, за да увеличат продажбите и подобрят клиентското преживяване. И докато те постоянно се развиват, едно наскорошно постижение в машинното обучение може да постигне резултати, които само преди десетилетие изглеждаха невъзможни.

Как работят традиционните методи

Нека се вгледаме по-дълбоко в начина, по който по-старото поколение алгоритми за машинно обучение за препоръки на продукти работи.

Системи за препоръки, базирани на съдържание

Тези системи предлагат артикули, подобни на тези, с които потребителят е взаимодействал преди. Те анализират атрибутите на всеки артикул и правят предложения въз основа на предишните действия на потребителя. Примери за атрибути са размер, цвят, марка, тип, категория и т.н. Например, човек разглежда 5 различни маратонки. Системата използва тези данни, за да препоръча още опции за маратонки.

Друг пример би бил човек, който е закупил спортен панталон, анцуг и маратонки от същата марка. Системата не може да разчита на атрибута категория, тъй като и трите артикула са различни. Но след като всички са от същата марка, вероятната препоръка ще бъде камионерска шапка от този производител.

Системите, базирани на съдържание, са сравнително основни в сравнение с други подходи, тъй като не могат да препоръчат нищо извън текущите интереси на потребителя. Все пак, те имат своите приложения.

Предимства:

• Не изискват данни за поведението на други потребители.
• Могат да препоръчват артикули на потребители с уникални или нишови вкусове.
• Могат да препоръчват нови артикули, които не са били оценени от други.

Недостатъци:

• Не отчитат сложните връзки и последователности в историята на потребителя.
• Трудности в препоръчването на артикули, които нямат достатъчно описателни характеристики.
• Може да не уловят разнообразни интереси, ако потребителят е взаимодействал с ограничен брой артикули.

Системи за препоръки чрез колаборативно филтриране

Друг популярен подход за създаване на препоръки е колаборативното филтриране. Този метод препоръчва релевантни артикули въз основа на предпочитанията на други потребители. Съществуват два основни клона на колаборативното филтриране: потребителско и артикулово.

Потребителско колаборативно филтриране модели намират потребители, които са подобни на нашия целеви клиент, и разглеждат техните предпочитания и история на покупките. Системата след това препоръчва артикули, предпочетени от потребители със сходни интереси.

Артикуловото колаборативно филтриране се фокусира върху артикули, а не върху потребители. То анализира огромни обеми данни за взаимодействия, за да намери връзки между артикулите въз основа на това, което други потребители са видели или закупили заедно преди. Въз основа на тези връзки между артикулите, то препоръчва подобни артикули на нашия целеви потребител.

Артикуловото филтриране е донякъде близко до препоръките, базирани на съдържание, тъй като и двата подхода търсят сходства между продуктите. Все пак, съдържанието-базирано разчита стриктно на вътрешните характеристики на всеки артикул, докато артикуловото колаборативно филтриране също разглежда как потребители взаимодействат с артикулите.

 

Колаборативната филтрация е мощен метод, който се използва широко в наши дни и то с добра причина.

Предимства:

• Работи добре дори с минимална метаданни на артикула.
• Може да улови сложни, скрити модели в поведението на потребителите.
• Често предоставя по-разнообразни и неочаквани препоръки.

Недостатъци:

• Големите набори от данни могат да бъдат скъпи за изчислителни ресурси при обработка.
• Данните за връзката потребител-артикул често са слаби, което прави откриването на прилики трудно.
• Трудно е да се препоръчват артикули на нови потребители или нови артикули поради липса на данни (проблемът със студеното начало).

Хибридни системи за препоръки

Хибридните системи използват множество подходи едновременно, за да постигнат по-добри резултати, като смекчават слабостите на всеки отделен метод. Най-често срещаният начин за създаване на хибридни системи е комбинация от методите на базирани на съдържание и колаборативни филтрации.

Съществуват няколко различни начина за създаване на хибридни системи. Например, система може да генерира препоръки чрез различни методи и след това да ги обедини. Друг начин е да се сменя методът в зависимост от ситуацията.

Предимства:

• Може да се адаптира към различни контексти на приложение и нужди на потребителите.
• Може да улови по-широк спектър от предпочитания на потребителите и характеристики на артикулите.
• Чрез комбиниране на методи, хибридните системи могат да предоставят по-точни препоръки.
• Намаляват ограниченията на отделните методи, като проблемът със студеното начало и слабите данни.

 Недостатъци:

• Комбинирането на множество методи може да изисква повече изчислителни ресурси.
• Балансът и интеграцията на различните методи ефективно може да бъде предизвикателно.
• Имплементацията и поддържането на хибридни системи може да е по-сложно, отколкото използването на един метод. 

Докато всички тези подходи могат да донесат значителни резултати, един метод е ненадминат що се отнася до точността.

Трансформатори—новият начин за работа с препоръки

Моделите трансформатори (които не са абсолютно свързани с поредицата от популярни екшън фигури на Hasbro) промениха света на изкуствения интелект. Трансформаторите бяха представени през 2017 г. от Ашиш Васвани и неговия екип в тяхната новаторска статия “Внимание е всичко, което ви трябва.”

През следващите години, трансформаторите станаха основен елемент на съвременната AI технология. През 2018 г. Google представи модела BERT (Bidirectional Encoder Representations from Transformers), който скоро стана част от търсачката на Google. По-късно, OpenAI представиха своята версия на трансформаторите, GPT-2.

Как работят трансформаторите?

Трансформърите се отличават в обработването на последователни данни, като преглеждания на артикули, кликвания или покупки. Те могат да улавят сложни зависимости и отношения в тези последователности, което позволява на модела да разбере контекста и значимостта на всяко взаимодействие.

Целият процес може да бъде грубо очертан в пет стъпки:

Представяне на входните данни: Потребителските взаимодействия и характеристиките на артикулите се преобразуват в ембединг.

Позиционен ембединг: Тези се добавят към ембединга, за да запазят реда на взаимодействията. По този начин моделът знае не само какви взаимодействия са се случили, но и в какъв ред са се случили.

Механизъм на самовнимание: Това е ключова част от начина, по който работят трансформърите. Той помага на модела да се фокусира върху важните части от последователността.

Слоеве на трансформъри: Представянето на артикулите се усъвършенства чрез разглеждане на цялата последователност и контекст, ефективно улавяйки зависимости между артикули, които не са близо един до друг.

Предсказване: След обработка на входните данни чрез слоевете на трансформъра, моделът използва подобреното разбиране, за да предскаже следващия артикул в последователността на взаимодействие на потребителя или да оцени артикулите за препоръчване. 

Тази прогноза може да бъде адаптирана за различни задачи, като класиране на артикули или генериране на персонализирани списъци с препоръки.

Способността за обработка на последователни данни и улавяне на сложни модели в поведението на потребителите прави моделите, базирани на трансформъри, особено ефективни за задачи, които включват предсказване на следващото взаимодействие в последователност.

Предимствата на препоръките, базирани на трансформъри

Препоръките, базирани на трансформъри, имат редица предимства, което ги прави особено подходящи за електронни бизнеси. Нека ги разгледаме по-отблизо. 

Трансформърите създават по-точни предсказания

Най-очевидното предимство на тези препоръки е тяхната точност. Потребителите могат да видят по-добри и по-точни препоръки, които са по-релевантни. Това води до няколко положителни резултата, като увеличение на продажбите, кликвания и по-добро клиентско преживяване. 

Трансформърите могат да разгледат цялата история на покупките в последователност

Едно от големите предимства на използването на трансформъри за препоръки е тяхната способност да разглеждат цялата история на потребителя като последователност. Предишните методи нямат тази възможност и създават препоръки, базирани на всяка отделна точка от данни. Сливането им изисква определени техники, които не винаги са точни.

Например, клиент е закупил три различни книги за Древен Рим. Едната е фикционална история, разположена в Римската империя. Втората е историческа книга. А третата е биография на римски император. И трите са от различни автори.

Предишните методи няма да забележат тази последователност от теми и може да предложат различна книга, като например биография на средновековен крал или книга за историята на Древна Гърция. Въпреки това, трансформър моделът ще види цялата последователност и може точно да предскаже, че клиентът е заинтересован от книги, свързани специално с Рим.

Трансформърите се справят по-добре с непълни или непоследователни данни

Това е голямо предимство за всяка компания, която не полага достатъчно усилия за почистване и поддържане на своите данни (например пълни и стандартизирани продуктови фийдове).

Трансформърите могат да обработват хаотични или непълни данни, използвайки механизма на самонасочване, споменат по-рано. Това позволява на модела да разгледа всички части от наличните данни и да определи кои части са най-важни, дори ако липсват някои елементи от информацията.

Това е като да сглобявате пъзел, където някои части липсват — трансформърът все пак може да види общата картина, като се фокусира върху важните части.

Друг начин, по който трансформърите постигат това, е чрез разбиране на контекста на данните. Например, ако липсват някои детайли в описанието на продукт, моделът може да използва останалата информация, с която разполага, за да направи добра преценка за това какво липсва. Това прави трансформрите гъвкави и способни да работят с различни видове данни, дори когато те не са пълни или перфектно организирани.

Въпреки че трансформърите са мощно решение, те имат редица присъщи слабости в сравнение с други подходи.

Те изискват много ресурси. Изпълнението на настройка за предложения, базирани на трансформъри, изисква значителна изчислителна мощност и памет. Ако решите да внедрите собствена система, бъдете готови за значителни инвестиции в GPU и друга сървърна инфраструктура или да платите за облачни изчислителни услуги.

Те изискват много данни. Въпреки че трансформърите могат да работят с непоследователни данни, те все пак изискват големи набори от данни, за да разгърнат своя потенциал напълно. За по-малки компании, които не разполагат с достатъчно данни за клиенти, по-прости методи могат да бъдат по-ефективни.

Те са трудни за разработка. Създаването на решение, базирано на трансформъри, изисква специализирана техническа експертиза. Както при всяка авангардна технология, недостатъчни специалисти съществуват, които могат да работят с трансформъри правилно. За повечето компании е неосъществимо да създадат собствено вътрешно решение за това.

Как работят препоръките, базирани на трансформъри, в Yespo

Както сте забелязали, трансформаторите наистина са мощен начин за създаване на препоръки за продукти. Преди това използвахме хибридни методи, базирани на колаборативно филтриране и други методи. 

Обаче тук в Yespo видяхме потенциала на трансформаторите и затова решихме да разработим собствено решение, използвайки тази архитектура.

През май и юни 2024 г. тествахме подобрените препоръки за продукти за няколко клиента на Yespo CDP. След това сравнихме резултатите с тези от януари и февруари.

Ние идентифицирахме три основни метрики за оценка:

• Коефициент на кликвания (CTR)—броят на кликванията, които видяхме на подобрените препоръки в сравнение с базовия период.
• Конверсии—броят на потребителите, които купиха нещо от блоковете с препоръки в сравнение с базовия период.
• Дял на поръчките—броят на поръчките, които идват от блоковете с препоръки в сравнение с общите продажби от уебсайта.

Dnipro-M

Dnipro-M е производител и продавач на строителни инструменти. Делът му на украинския пазар достига 30%. Компанията също е представена в няколко източноевропейски страни, включително Чехия, Полша и Молдова.

По време на тестовия период бяха постигнати следните резултати:

CTR	+105%
Конверсии	+43%
Дял на поръчките	+116%

MasterZoo

MasterZoo е водеща верига от магазини за домашни любимци в Украйна с над 200 физически обекта и голям онлайн магазин.

Постигнатите резултати с подобрените препоръки са следните:

CTR	+46%
Конверсии	+71%
Дял на поръчките	+76%

Yakaboo

Yakaboo е една от най-големите онлайн книжарници в Украйна. Основана през 2004 г., тя предлага книги на 71 езика.

След теста резултатите бяха следните:

Конверсии	+10%
Дял на поръчките	+126%

Заключение

Трансформаторите са мощен инструмент, който, когато е правилно внедрен, може да осигури изключителни резултати за персонализирани препоръки на продукти. Да го направите сами е трудна задача, но за щастие, ние от Yespo вече сме свършили цялата тежка работа за вас.

Ако се интересувате от изпробването на препоръки, захранвани от трансформатори, във вашия бизнес, попълнете формуляра по-долу и ние ще се свържем с вас, за да обсъдим детайлите!

Специално запитване Инлайн