Jak zaawansowany system rekomendacji zrewolucjonizował sprzedaż w sklepie elektronicznym

Sklepy internetowe muszą stale dostosowywać swoją ofertę do potrzeb i preferencji klientów, aby zwiększyć współczynniki konwersji i wartość koszyka.

Poniżej omówimy krok po kroku hipotetyczny projekt wdrożenia zaawansowanego systemu rekomendacji w sklepie elektronicznym, który może znacznie poprawić wskaźniki sprzedaży i doświadczenia zakupowe klientów.

Opis problemu i cel projektu

Kontekst biznesowy

Sklep internetowy specjalizujący się w elektronice (laptopy, smartfony, telewizory i akcesoria) zauważył, że wielu klientów opuszczało witrynę bez dokonania zakupu. Pomimo szerokiej gamy produktów, użytkownicy mieli trudności ze znalezieniem produktów odpowiadających ich potrzebom. W rezultacie współczynniki konwersji i średnia wartość koszyka były niższe niż oczekiwano, co negatywnie wpłynęło na przychody i rentowność sklepu.

Cele projektu

Celem projektu było opracowanie i wdrożenie zaawansowanego systemu rekomendacji:

1. Personalizuj listy produktów na stronach kategorii, aby prezentować produkty najbardziej dopasowane do preferencji użytkowników i historii przeglądania.
2. Wprowadzenie rekomendacji produktów na stronach głównych i podstronach produktów, sugerujących produkty w oparciu o poprzednie zakupy i zachowanie w witrynie.
3. Segmentuj użytkowników według ich zachowań i preferencji zakupowych, umożliwiając lepsze kierowanie ofert i kampanii marketingowych.

Oczekiwane wyniki:

• Zwiększenie współczynnika konwersji o 15% w ciągu pierwszych 6 miesięcy.
• Podnieś średnią wartość koszyka o 10%.
• Poprawa ogólnego doświadczenia zakupowego klientów, prowadząca do większej lojalności i częstszych powrotów do sklepu.

Przygotowanie danych

Źródła danych

W projekcie wykorzystano różne źródła danych kluczowe dla pomyślnego wdrożenia systemu rekomendacji:

1. Historia zakupów
   Plik CSV zawierający historię zakupów użytkowników w okresie dwóch lat. Dane zawierały informacje o produktach, daty zakupu, ceny i kategorie produktów.
2. Pasza dla produktów
   Regularnie aktualizowany plik produktowy z interfejsu API sklepu, zawierający szczegółowe informacje o dostępnych produktach (nazwy, opisy, ceny, dostępność, atrybuty techniczne i kategorie).
3. Serwer zdarzeń
   Eventserver zbierał dane ze sklepu internetowego i przechowywał je w dedykowanej bazie danych. Zebrane zdarzenia obejmowały odsłony produktów (około 100 milionów rekordów), kliknięcia (około 1 miliona rekordów), dodania do koszyka i zakupy (około 100 tysięcy rekordów).

Jakość danych

Aby zapewnić jakość danych, podjęto działania mające na celu

• Kompletność danych: Integracja i normalizacja danych z różnych źródeł (CSV, API, serwer zdarzeń).
• Oczyszczanie danych: Usuwanie duplikatów, uzupełnianie brakujących wartości i poprawianie błędów.

Przygotowanie i przetwarzanie danych
Przed zbudowaniem systemu rekomendacji podjęto kilka działań w celu uzyskania cennych informacji biznesowych:

• Integracja danych: Dane z różnych źródeł zostały zintegrowane w ujednoliconym systemie przetwarzania, umożliwiając połączenie informacji o produkcie z historią zakupów i zachowaniami użytkowników.
• Segmentacja użytkowników: Użytkownicy zostali przypisani do segmentów na podstawie ich zachowań i preferencji zakupowych (np. entuzjaści technologii, poszukiwacze okazji, klienci premium).
• Analiza zachowania: Zebrane dane pozwoliły na analizę zachowań użytkowników na stronie, identyfikację najczęściej oglądanych i kupowanych produktów oraz określenie wzorców zakupowych.

Wdrożenie i integracja

Technologie i narzędzia

W implementacji systemu rekomendacji wykorzystano różne modele i technologie sztucznej inteligencji:

1. Osadzanie za pomocą OpenAI: Przekształcanie opisów produktów i opinii użytkowników do formatu liczbowego.
2. XGBoost: Model predykcyjny do określania, które produkty są najczęściej kupowane.

1. SHAP: Narzędzie do interpretacji wyników modelu, pomagające zrozumieć, które cechy użytkownika mają największy wpływ na decyzje podejmowane przez model rekomendacji.

Integracja z istniejącymi systemami:

• Integracja platformy handlu elektronicznego: System rekomendacji został bezpośrednio zintegrowany z platformą e-commerce sklepu, AtomStore, umożliwiając wyświetlanie rekomendacji w czasie rzeczywistym.
• API: Umożliwia dynamiczne pobieranie danych o produktach i użytkownikach oraz wysyłanie wygenerowanych rekomendacji do interfejsu sklepu.
• Serwer zdarzeń: Zbierał dane na temat aktywności użytkowników, zapewniając ciągłą aktualizację modeli rekomendacji.

Osiągnięte wyniki

Po wdrożeniu systemu przeprowadzono testy A/B. System rekomendacji zwrócił wyniki dla 50% losowo wybranych użytkowników, podczas gdy pozostali otrzymali zwykłą kolejność produktów (według popularności). Pozwoliło to na precyzyjny pomiar jakości modelu.

1. Wzrost średniej wartości koszyka
   Dzięki rekomendowanym upsellom średnia wartość koszyka wzrosła o 4%. Porównania dokonano podczas dwutygodniowych testów A/B. Zakładając, że średnia wartość koszyka przed wdrożeniem wynosiła 500 zł, a miesięcznie dokonywano 10 000 zakupów, miesięczny zysk z tego wzrostu wyniósł 200 000 zł.
2. Wzrost CR na stronie internetowej
   Użytkownicy otrzymywali bardziej dopasowane sugestie produktów, co prowadziło do mniejszej liczby opuszczeń strony i częstszych zakupów. Współczynnik konwersji (CR) wzrósł o 4%, co przełożyło się na 800 dodatkowych konwersji miesięcznie i zysk w wysokości 416 000 PLN.

Koszty i zasoby

Głównymi kosztami projektu były wynagrodzenia zespołu programistów.

Zasoby ludzkie

• Naukowcy zajmujący się danymi: Trzech Data Scientists, z całkowitym kosztem zespołu wynoszącym 300 000 PLN.
• Kierownik projektu: PM w niepełnym wymiarze godzin, wliczony w całkowity koszt zespołu.

Czas trwania projektu: 2 miesiące.

Koszty infrastruktury

Ponieważ cały system został wdrożony w chmurze, wiązało się to z dodatkowymi kosztami:

• Instancje AWS EC2: Koszty modelu szkoleniowego (2500 PLN) i wdrożenia (450 PLN).
• S3 Storage: Koszty przechowywania danych (360 PLN).
• Amazon RDS: Koszty przechowywania bazy danych (560 PLN).

Całkowity koszt projektu: 303 870 PLN.

W ten sposób inwestycja zwróciła się dwa tygodnie po wdrożeniu rozwiązania.

Monitorowanie i optymalizacja

Po wdrożeniu modelu uczenia maszynowego kluczowe było monitorowanie jego wydajności i wprowadzanie niezbędnych korekt.

Monitorowanie zostało wdrożone przy użyciu Amazon CloudWatch. Ze względu na wprowadzanie nowych produktów i zmieniające się preferencje użytkowników, wdrożono automatyczne cotygodniowe przekwalifikowanie modelu. Dodatkowo wprowadzono system alertów w celu zgłaszania anomalii.

Pętla sprzężenia zwrotnego

Dla każdego polecanego produktu użytkownicy mogli kliknąć kciuk w górę lub w dół, aby ocenić jakość rekomendacji. Zapewniło to dodatkowe źródło informacji przydatnych do przekwalifikowania modelu sztucznej inteligencji.

Wnioski

Hipotetyczne wdrożenie zaawansowanego systemu rekomendacji w sklepie z elektroniką było kluczowym krokiem w kierunku poprawy doświadczeń zakupowych klientów i zwiększenia efektywności sprzedaży.

Personalizując ofertę produktową w oparciu o preferencje użytkowników, osiągnięto zauważalną poprawę współczynników konwersji i średniej wartości koszyka.

Projekt wymagał integracji danych z różnych źródeł i zastosowania zaawansowanych technologii uczenia maszynowego, takich jak XGBoost, które umożliwiły efektywne przetwarzanie i analizę dużych ilości danych oraz generowanie dokładnych rekomendacji produktów w czasie rzeczywistym.