Wprowadzenie
W naszych czasach e-commerce odgrywa kluczową rolę w handlu detalicznym, a personalizacja jest kluczem do sukcesu. Sklepy internetowe muszą nieustannie dostosowywać swoje oferty do potrzeb i preferencji klientów, aby zwiększyć wskaźniki konwersji i wartość koszyka.
Poniżej omówimy krok po kroku hipotetyczny projekt wdrożenia zaawansowanego systemu rekomendacyjnego w sklepie z elektroniką, który może znacząco poprawić wskaźniki sprzedaży i doświadczenie zakupowe klientów.
Opis problemu i cel projektu
Kontekst biznesowy
Sklep internetowy specjalizujący się w sprzedaży elektroniki (laptopów, smartfonów, telewizorów i akcesoriów) zauważył, że wielu klientów opuszcza stronę bez dokonania zakupu. Mimo szerokiej oferty, użytkownicy mieli trudności ze znalezieniem produktów, które odpowiadałyby ich potrzebom. W efekcie wskaźniki konwersji i średnia wartość koszyka były niższe od oczekiwanych, co negatywnie wpływało na przychody i rentowność sklepu.
Cele projektu
Celem projektu było opracowanie i wdrożenie zaawansowanego systemu rekomendacyjnego, który miał za zadanie:
1. Personalizować listingi produktów na stronach kategorii, aby prezentować produkty najbardziej odpowiadające preferencjom i historii przeglądania użytkowników.
2. Wprowadzić rekomendację produktów na stronach głównych i podstronach produktowych, sugerując klientom artykuły na podstawie wcześniejszych zakupów i zachowań na stronie.
3. Segmentować użytkowników według ich zachowań i preferencji zakupowych, co pozwoliło na lepsze dostosowanie oferty i kampanii marketingowych.
Oczekiwane rezultaty:
– Zwiększenie wskaźnika konwersji o 15% w ciągu pierwszych 6 miesięcy.
– Podniesienie średniej wartości koszyka o 10%.
– Poprawa ogólnego doświadczenia zakupowego klientów, prowadząca do większej lojalności i częstszych powrotów na stronę sklepu.
Przygotowanie danych
Źródła danych
W projekcie wykorzystano różnorodne źródła danych, które były kluczowe dla skutecznego wdrożenia systemu rekomendacyjnego:
1. Historia zakupów
Plik CSV z historią zakupionych produktów przez użytkowników, obejmująca okres dwóch lat. Dane zawierały informacje o produktach, daty zakupu, ceny i kategorie produktów.
2. Product feed
Regularnie pobierany feed produktów z API sklepu, zawierający szczegółowe informacje o dostępnych produktach (nazwy, opisy, ceny, dostępność, atrybuty techniczne i kategorie).
3. Eventserver
Eventserver zbierał dane ze sklepu internetowego i przechowywał je w dedykowanej bazie danych. Zbierane zdarzenia obejmowały wyświetlenia produktów (około 100 milionów rekordów), kliknięcia (około 1 milion rekordów), dodania do koszyka i zakupy (około 100 tysięcy rekordów).
Jakość danych
Aby zapewnić jakość danych, przeprowadzono działania mające na celu zadbanie o:
– Kompleksowość danych: Integracja i normalizacja danych z różnych źródeł (CSV, API, eventserver).
– Czystość danych: Usuwanie duplikatów, uzupełnianie brakujących wartości i poprawianie błędów.
Przygotowanie i przetwarzanie danych
Zanim rozpoczęto budowę systemu rekomendacyjnego, przeprowadzono szereg działań, które pozwoliły na uzyskanie ciekawych insightów biznesowych:
– Integracja danych: Dane z różnych źródeł zostały zintegrowane w jednolitym systemie przetwarzania, co pozwoliło na połączenie informacji o produktach z historią zakupów i zachowaniami użytkowników.
– Segmentacja użytkowników: Użytkownicy zostali przypisani do segmentów na podstawie ich zachowań zakupowych i preferencji (np. miłośnicy technologii, osoby poszukujące promocji, klienci premium).
– Analiza zachowań: Zgromadzone dane pozwoliły na analizę zachowań użytkowników na stronie, identyfikację najczęściej przeglądanych i kupowanych produktów oraz określenie wzorców zakupowych.
Implementacja i integracja
Technologie i narzędzia
Do implementacji systemu rekomendacyjnego wykorzystano różnorodne modele i technologie sztucznej inteligencji:
1. Zanurzenia za pomocą OpenAI: Przekształcanie tekstów opisów produktów oraz recenzji użytkowników do formatu liczbowego.
2. XGBoost: Model predykcyjny do przewidywania, które produkty mogą być najczęściej kupowane.
3. SHAP: Narzędzie służące do interpretacji wyników modeli. Dzięki temu odkryliśmy, które cechy użytkowników mają największy wpływ na decyzje modelu rekomendacyjnego.
Integracja z istniejącymi systemami:
– Integracja z platformą e-commerce: System rekomendacyjny zintegrowano bezpośrednio z platformą e-commerce sklepu, AtomStore, umożliwiając wyświetlanie rekomendacji w czasie rzeczywistym.
– API: Umożliwiło dynamiczne pobieranie danych o produktach i użytkownikach oraz wysyłanie wygenerowanych rekomendacji do front-endu sklepu.
– Eventserver: Zbieranie danych o aktywnościach użytkowników, co zapewniało bieżące aktualizowanie modeli rekomendacyjnych.
Uzyskane wyniki
Po wdrożeniu systemu zostały przeprowadzone A/B testy. System rekomendacyjny zwracał swe wyniki dla 50% losowo wybranych użytkowników, pozostali dostawali zwykłą kolejność produktów (według popularności). Dzięki temu było możliwe precyzyjne zmierzenie jakości modelu.
1. Zwiększenie średniej wartości koszyka
Dzięki rekomendowanym up-sellom, średnia wartość koszyka wzrosła o 4%. Porównanie wykonane podczas dwóch tygodni A/B testów.
Przyjmując, że średnia wartość koszyka przed wdrożeniem wynosiła 500 PLN i średnio 10 tys. zakupów miesięcznie, miesięczny zysk z tego wzrostu wyniósł 200,000 PLN.
2. Wzrost CR na stronie internetowej
Użytkownicy dostawali bardziej dopasowane do siebie produkty, dzięki czemu rzadziej opuszczali stronę i częściej dokonywali zakupów.
Współczynnik Conversion-Rate (CR) wzrósł o 4%, co przełożyło się na 800 dodatkowych konwersji miesięcznie i zysk 416,000 PLN.
Koszty i zasoby
Głównymi kosztami projektu był koszt wynagrodzeń dla zespołu programistycznego.
Zasoby ludzkie
– Data Scientists: Trzech Data Scientistów, koszt pracy zespołu wyniósł 300,000 PLN.
– Project Manager: PM na część etatu, wliczony w ogólny koszt pracy zespołu.
Czas trwania projektu: 2 miesiące.
Koszty infrastruktury
Ponieważ cały system został wdrożony w chmurze, dodatkowe koszty to:
– AWS EC2 Instances: Koszt treningu modeli (2500 PLN) i wdrożenia (450 PLN).
– S3 Storage: Koszt przechowywania danych (360 PLN).
– Amazon RDS: Koszt przechowywania bazy danych (560 PLN).
Łączny koszt projektu: 303,870 PLN.
Inwestycja zwróciła się zatem w dwa tygodnie po wdrożeniu rozwiązania.
Monitorowanie i optymalizacja
Po zaimplementowaniu modelu uczenia maszynowego, kluczowe jest monitorowanie jego działania i dokonywanie niezbędnych poprawek.
Zaimplementowano monitoring za pomocą Amazon CloudWatch. Z racji na pojawiające się nowe produkty oraz zmianę preferencji użytkowników, wprowadzono automatyczne dotrenowywanie modelu w okresie cotygodniowym. Dodatkowo wprowadzono system alertów informujący o nieprawidłowościach.
Feedback loop
Przy każdym proponowanym produkcie użytkownik mógł kliknąć kciuk „w górę” lub „w dół”, oceniając jakość rekomendacji. Stanowiło to dodatkowe źródło informacji przydatnych do dotrenowania modelu AI.
Podsumowanie
Hipotetyczna implementacja zaawansowanego systemu rekomendacyjnego w sklepie z elektroniką była kluczowym krokiem w poprawie doświadczeń zakupowych klientów oraz zwiększeniu efektywności sprzedaży.
Dzięki personalizacji oferty produktowej na podstawie preferencji użytkowników udało się zauważalnie poprawić wskaźniki konwersji oraz podnieść średnią wartość koszyka.
Projekt wymagał integracji danych z różnych źródeł oraz zastosowania zaawansowanych technologii uczenia maszynowego, takich jak XGBoost, co umożliwiło skuteczne przetwarzanie i analizę dużych ilości danych oraz generowanie trafnych rekomendacji produktowych w czasie rzeczywistym.
Jesteś zainteresowany podobnym rozwiązaniem? Skontaktuj się z nami.
