Cum o arhitectură de machine learning de ultimă generație poate crește conversiile din recomandări de produse cu 71%

Te-ai întrebat vreodată cum exact magazinele de e-commerce gestionează recomandările de produse? Toate acele blocuri familiare „cumparat și de alți utilizatori” nu sunt completate manual. Ele sunt create în timp real de algoritmi complexi de învățare automată.

De ani de zile, marketerii s-au bazat pe acești algoritmi pentru a crește vânzările și a îmbunătăți experiența clienților. Și chiar dacă ei evoluează constant, un avans recent în învățarea automată poate obține rezultate care acum un deceniu păreau imposibile.

Cum funcționează metodele tradiționale

Haideți să aprofundăm modul în care funcționează vechea generație de algoritmi de învățare automată pentru recomandările de produse.

Sisteme de recomandare bazate pe conținut

Aceste sisteme sugerează articole similare cu cele cu care utilizatorul a interacționat anterior. Ele analizează atributele fiecărui articol și fac sugestii bazate pe acțiunile anterioare ale utilizatorului. Exemple de atribute sunt dimensiunea, culoarea, marca, tipul, categoria, etc. De exemplu, o persoană a navigat prin 5 adidași diferiți. Sistemul folosește aceste date pentru a recomanda mai multe opțiuni de adidași.

Un alt exemplu ar fi o persoană care a cumpărat pantaloni sport, un trening și adidași de la aceeași marcă. Sistemul nu se poate baza pe atributul de categorie, deoarece toate cele trei articole sunt diferite. Dar, deoarece toate sunt de la aceeași marcă, recomandarea probabilă va fi o șapcă de camionagiu de la acel producător.

Sistemele bazate pe conținut sunt destul de elementare în comparație cu alte abordări, deoarece nu pot recomanda nimic în afara intereselor curente ale utilizatorului. Totuși, ele au utilitățile lor.

Avantaje:

• Nu necesită date despre comportamentul altor utilizatori.
• Poate recomanda articole utilizatorilor cu gusturi unice sau de nișă.
• Poate recomanda articole noi care nu au fost încă evaluate de alții.

Dezavantaje:

• Nu ia în considerare relațiile complexe și secvențele din istoricul utilizatorului.
• Se confruntă cu dificultăți în a recomanda articole care nu au suficiente caracteristici descriptive.
• Poate să nu capteze interese diverse dacă utilizatorul a interacționat cu un număr limitat de articole.

Sisteme de recomandare prin filtrare colaborativă

O altă abordare populară pentru crearea recomandărilor este filtrarea colaborativă. Această metodă sugerează articole relevante bazate pe preferințele altor utilizatori. Există două ramuri principale ale filtrării colaborative: bazată pe utilizatori și bazată pe articole.

Filtrarea colaborativă bazată pe utilizatori găsește utilizatori similari cu clientul nostru țintă și examinează preferințele și istoricul achizițiilor lor. Sistemul procedează apoi la recomandarea articolelor preferate de utilizatori similari.

Filtrarea colaborativă bazată pe articole își mută atenția de la utilizatori la articole. Examinează volume mari de date despre interacțiuni pentru a găsi conexiuni între articole, bazate pe ceea ce alți utilizatori au vizualizat sau achiziționat împreună anterior. Pe baza acestor conexiuni între articole, procedează apoi la recomandarea de articole similare utilizatorului nostru țintă.

Filtrarea bazată pe articole este oarecum apropiată de recomandările bazate pe conținut, deoarece ambele abordări caută similitudini între produse. Totuși, filtrarea colaborativă bazată pe articole se bazează strict pe atributele interne ale fiecărui articol, în timp ce filtrarea colaborativă bazată pe articole analizează și modul în care utilizatorii interacționează cu articolele.

Filtrarea colaborativă este o metodă puternică, utilizată pe scară largă în zilele noastre, și pe bună dreptate.

Pro:

• Funcționează bine chiar și cu metadate minime ale elementului.
• Poate captura modele complexe, latente, în comportamentul utilizatorului.
• Oferă adesea recomandări mai diverse și neașteptate.

Contra:

• Seturile mari de date pot fi costisitoare din punct de vedere computațional de procesat.
• Datele despre relația utilizator-element sunt adesea rare, ceea ce face dificilă găsirea similarităților.
• Este dificil de recomandat articole utilizatorilor noi sau de recomandat articole noi din cauza lipsei de date (problema începutului la rece).

Sisteme de recomandare hibride

Sistemele hibride folosesc mai multe abordări simultan pentru a obține rezultate mai bune, atenuând în același timp slăbiciunile fiecărei metode individuale. Cel mai frecvent mod de a crea sisteme hibride este o combinație de metode bazate pe conținut și filtrare colaborativă.

Există câteva moduri diferite de a crea sisteme hibride. De exemplu, un sistem poate genera recomandări prin diferite abordări și apoi le poate combina. O altă modalitate este de a schimba metodele în funcție de situație.

Pro:

• Poate fi adaptat la diferite contexte de aplicare și nevoi ale utilizatorului.
• Poate captura o gamă mai largă de preferințe ale utilizatorilor și caracteristici ale articolelor.
• Prin combinarea metodelor, sistemele hibride pot oferi recomandări mai exacte.
• Reduce limitările metodelor individuale, cum ar fi problema începutului la rece și raritatea datelor.

 Contra:

• Combinarea mai multor metode poate necesita mai multe resurse computaționale.
• Echilibrarea și integrarea diferitelor metode în mod eficient poate fi provocatoare.
• Implementarea și menținerea sistemelor hibride poate fi mai complexă decât utilizarea unei singure metode. 

Deși toate aceste abordări pot aduce rezultate semnificative, o metodă este de neegalat atunci când vine vorba de acuratețe.

Transformatorii—noul mod de gestionare a recomandărilor

Modelele transformer (care nu au absolut nicio legătură cu o serie de figurine de acțiune populare produse de Hasbro) au schimbat lumea AI. Transformerii au fost introduși în 2017 de Ashish Vaswani și echipa sa în articolul lor revoluționar “Attention Is All You Need.”

În anii următori, transformerii au devenit o piatră de temelie a tehnologiei moderne AI. În 2018, Google a introdus modelul BERT (Bidirectional Encoder Representations from Transformers), care a devenit în curând parte a motorului de căutare al Google. Ulterior, OpenAI a prezentat interpretarea sa a modelelor transformer, GPT-2.

Cum funcționează transformatorii?

Transformerele excelează în gestionarea datelor secvențiale, cum ar fi vizualizările de articole, clicurile sau achizițiile. Ele pot captura dependențe și relații complexe în cadrul acestor secvențe, permițând modelului să înțeleagă contextul și importanța fiecărei interacțiuni.

Întregul proces poate fi schițat în linii mari în cinci pași:

Reprezentarea inputurilor: Interacțiunile utilizatorilor și caracteristicile articolelor sunt convertite în embedding-uri.

Embedding-uri poziționale: Acestea sunt adăugate la embedding-uri pentru a păstra ordinea interacțiunilor. În acest fel, modelul știe nu doar ce interacțiuni au avut loc, ci și ordinea în care au apărut.

Mecanismul de autoatenție: Aceasta este o parte esențială a modului în care funcționează transformerele. Ajută modelul să se concentreze asupra părților cruciale ale secvenței.

Straturi de transformer: Reprezentările articolelor sunt rafinate luând în considerare întreaga secvență și contextul, capturând eficient dependențele dintre articole care nu sunt apropiate unul de altul.

Predicție: După procesarea inputului prin straturile de transformator, modelul folosește înțelegerea îmbunătățită pentru a prezice următorul articol în secvența de interacțiuni a utilizatorului sau pentru a puncta articolele în vederea recomandării.

Această predicție poate fi adaptată pentru diverse sarcini, cum ar fi clasarea articolelor sau generarea de liste de recomandări personalizate.

Capacitatea de a gestiona date secvențiale și de a captura modele complexe în comportamentul utilizatorilor face ca modelele bazate pe transformere să fie deosebit de eficiente pentru sarcinile care implică prezicerea următoarei interacțiuni într-o secvență.

Beneficiile recomandărilor bazate pe transformere

Recomandările bazate pe transformere au o serie de beneficii, făcându-le deosebit de potrivite pentru afacerile de ecommerce. Să le examinăm mai îndeaproape.

Transformerele creează predicții mai precise

Cel mai evident beneficiu al acestor recomandări este acuratețea lor. Utilizatorii pot vedea recomandări mai bune și mai precise care sunt mai relevante. Acest lucru duce la mai multe rezultate pozitive, cum ar fi o creștere a vânzărilor, a ratelor de clic și o experiență mai bună pentru clienți.

Transformerele pot vizualiza un întreg istoric al achizițiilor în secvență

Un avantaj major al utilizării transformatoarelor pentru recomandări este capacitatea acestora de a vizualiza întreaga istorie a utilizatorului ca o secvență. Metodele anterioare nu au această abilitate și creează recomandări bazate pe fiecare punct de date separat. Îmbinarea acestora necesită tehnici care nu sunt întotdeauna precise.

De exemplu, un client a achiziționat trei cărți diferite despre Roma Antică. Una este o poveste fictivă plasată în Imperiul Roman. Alta este o carte istorică. Și a treia este o biografie a unui împărat roman. Toate trei sunt de autori diferiți.

Metodele anterioare nu vor vedea această secvență de subiecte și ar putea sugera o altă carte, cum ar fi o biografie a unui rege medieval sau o carte despre istoria Greciei Antice. Totuși, modelul transformer va vedea întreaga secvență și poate prezice cu acuratețe că clientul este interesat de cărți specifice despre Roma.

Transformatoarele sunt mai bune la gestionarea datelor incomplete sau inconsistente

Aceasta este un avantaj imens pentru orice companie care nu alocă suficient efort pentru curățarea și mentenanța datelor lor (de exemplu, fluxuri de produse complete și standardizate).

Transformatoarele pot gestiona datele dezordonate sau incomplete folosind mecanismul de auto-atenție menționat anterior. Acest lucru permite modelului să privească toate părțile datelor pe care le are și să determine care fragmente sunt cele mai importante, chiar dacă unele informații lipsesc.

Este ca și cum ai pune un puzzle împreună unde lipsesc unele piese—transformerul poate totuși să vadă imaginea de ansamblu concentrându-se pe părțile care contează.

Un alt mod în care transformatoarele fac acest lucru este prin înțelegerea contextului datelor. De exemplu, dacă lipsesc anumite detalii într-o descriere de produs, modelul poate folosi celelalte informații pe care le are pentru a face o presupunere bună despre ce lipsește. Acest lucru face ca transformatoarele să fie flexibile și capabile să funcționeze cu diferite tipuri de date, chiar și atunci când nu sunt complete sau perfect organizate.

Deși transformatoarele sunt o soluție puternică, acestea au o serie de slăbiciuni inerente comparativ cu alte abordări.

Sunt consumatoare de resurse. Operarea unui sistem de recomandări bazat pe transformatoare necesită o putere de calcul și memorie semnificativă. Dacă decideți să implementați propriul sistem, fiți pregătiți pentru investiții semnificative în GPU-uri și altă infrastructură server, sau pentru a plăti pentru servicii de cloud computing.

Au nevoie de multe date. Deși transformatoarele pot lucra cu date inconsistente, acestea necesită totuși seturi mari de date pentru a-și debloca potențialul complet. Pentru afacerile mai mici care nu au suficiente date despre clienți, metodele mai simple pot fi mai eficiente.

Sunt dificile de dezvoltat. Crearea unei soluții bazate pe transformatoare necesită expertiză tehnică specializată. Ca în cazul oricărei tehnologii de avangardă, nu există destui specialiști care să poată lucra corect cu transformatoarele. Pentru majoritatea companiilor, nu este fezabil să creeze propria lor soluție internă pentru asta.

Cum funcționează recomandările bazate pe transformatoare în Yespo

Așa cum ați văzut, transformatoarele sunt într-adevăr o modalitate puternică de a crea recomandări de produse. Anterior, am folosit metode hibride bazate pe filtrare colaborativă și alte metode.

Cu toate acestea, aici la Yespo, am văzut potențialul transformatoarelor și de aceea am decis să lansăm propria noastră soluție folosind această arhitectură.

În lunile mai și iunie 2024, am testat recomandările de produse îmbunătățite pentru mai mulți clienți ai Yespo CDP. Apoi am comparat rezultatele cu cele din ianuarie și februarie.

Am identificat trei metrici principale pentru evaluare:

• Rata de clic (CTR)—numărul de clicuri pe care le-am observat asupra recomandărilor îmbunătățite comparativ cu perioada de referință.
• Conversii—numărul de utilizatori care au achiziționat ceva din blocurile de recomandare comparativ cu perioada de referință.
• Ponderea comenzilor—numărul de comenzi provenite din blocurile de recomandare comparativ cu vânzările totale de pe site.

Dnipro-M

Dnipro-M este un producător și vânzător de unelte de construcții. Ponderea sa pe piața ucraineană atinge 30%. Compania este reprezentată și în mai multe țări din Europa de Est, inclusiv Republica Cehă, Polonia și Moldova.

În perioada de testare, s-au obținut următoarele rezultate:

MasterZoo

MasterZoo este un lanț de magazine pentru animale de companie lider în Ucraina, cu peste 200 de locații fizice și un magazin online mare.

Următoarele rezultate au fost obținute cu recomandările îmbunătățite:

Yakaboo

Yakaboo este una dintre cele mai mari librării online din Ucraina. Fondată în 2004, oferă cărți în 71 de limbi.

După test, rezultatele au fost următoarele:

Concluzie

Transformatoarele sunt un instrument puternic care, atunci când sunt implementate corect, pot oferi rezultate extraordinare pentru recomandările personalizate de produse. A face acest lucru pe cont propriu este o sarcină descurajantă, dar din fericire, noi la Yespo am făcut deja toată munca grea pentru tine.

Dacă ești interesat să încerci recomandările bazate pe transformatoare în afacerea ta, completează formularul de mai jos și te vom contacta pentru a discuta detaliile!

Cerere Specială Inline