{"id":1873,"date":"2024-07-30T13:47:54","date_gmt":"2024-07-30T11:47:54","guid":{"rendered":"https:\/\/cogita.ai\/?p=1873"},"modified":"2026-02-25T17:27:07","modified_gmt":"2026-02-25T16:27:07","slug":"how-an-advanced-recommendation-system-revolutionized-sales-in-an-electronics-store","status":"publish","type":"post","link":"https:\/\/cogita.ai\/pl\/how-an-advanced-recommendation-system-revolutionized-sales-in-an-electronics-store\/","title":{"rendered":"Jak zaawansowany system rekomendacji zrewolucjonizowa\u0142 sprzeda\u017c w sklepie elektronicznym"},"content":{"rendered":"
Sklepy internetowe musz\u0105 stale dostosowywa\u0107 swoj\u0105 ofert\u0119 do potrzeb i preferencji klient\u00f3w, aby zwi\u0119kszy\u0107 wsp\u00f3\u0142czynniki konwersji i warto\u015b\u0107 koszyka.<\/p>\n\n\n\n
Poni\u017cej om\u00f3wimy krok po kroku hipotetyczny projekt wdro\u017cenia zaawansowanego systemu rekomendacji w sklepie elektronicznym, kt\u00f3ry mo\u017ce znacznie poprawi\u0107 wska\u017aniki sprzeda\u017cy i do\u015bwiadczenia zakupowe klient\u00f3w.<\/p>\n\n\n\n
Opis problemu i cel projektu<\/h2>\n\n\n\n
Kontekst biznesowy<\/h3>\n\n\n\n
Sklep internetowy specjalizuj\u0105cy si\u0119 w elektronice (laptopy, smartfony, telewizory i akcesoria) zauwa\u017cy\u0142, \u017ce wielu klient\u00f3w opuszcza\u0142o witryn\u0119 bez dokonania zakupu. Pomimo szerokiej gamy produkt\u00f3w, u\u017cytkownicy mieli trudno\u015bci ze znalezieniem produkt\u00f3w odpowiadaj\u0105cych ich potrzebom. W rezultacie wsp\u00f3\u0142czynniki konwersji i \u015brednia warto\u015b\u0107 koszyka by\u0142y ni\u017csze ni\u017c oczekiwano, co negatywnie wp\u0142yn\u0119\u0142o na przychody i rentowno\u015b\u0107 sklepu.<\/p>\n\n\n\n
Cele projektu<\/h3>\n\n\n\n
Celem projektu by\u0142o opracowanie i wdro\u017cenie zaawansowanego systemu rekomendacji:<\/p>\n\n\n\n
\n
Personalizuj listy produkt\u00f3w na stronach kategorii, aby prezentowa\u0107 produkty najbardziej dopasowane do preferencji u\u017cytkownik\u00f3w i historii przegl\u0105dania.<\/li>\n\n\n\n
Wprowadzenie rekomendacji produkt\u00f3w na stronach g\u0142\u00f3wnych i podstronach produkt\u00f3w, sugeruj\u0105cych produkty w oparciu o poprzednie zakupy i zachowanie w witrynie.<\/li>\n\n\n\n
Segmentuj u\u017cytkownik\u00f3w wed\u0142ug ich zachowa\u0144 i preferencji zakupowych, umo\u017cliwiaj\u0105c lepsze kierowanie ofert i kampanii marketingowych.<\/li>\n<\/ol>\n\n\n\n
Oczekiwane wyniki:<\/h3>\n\n\n\n
\n
Zwi\u0119kszenie wsp\u00f3\u0142czynnika konwersji o 15% w ci\u0105gu pierwszych 6 miesi\u0119cy.<\/li>\n\n\n\n
Podnie\u015b \u015bredni\u0105 warto\u015b\u0107 koszyka o 10%.<\/li>\n\n\n\n
Poprawa og\u00f3lnego do\u015bwiadczenia zakupowego klient\u00f3w, prowadz\u0105ca do wi\u0119kszej lojalno\u015bci i cz\u0119stszych powrot\u00f3w do sklepu.<\/li>\n<\/ul>\n\n\n\n
Przygotowanie danych<\/h2>\n\n\n\n
\u0179r\u00f3d\u0142a danych<\/h3>\n\n\n\n
W projekcie wykorzystano r\u00f3\u017cne \u017ar\u00f3d\u0142a danych kluczowe dla pomy\u015blnego wdro\u017cenia systemu rekomendacji:<\/p>\n\n\n\n
\n
Historia zakup\u00f3w<\/strong> Plik CSV zawieraj\u0105cy histori\u0119 zakup\u00f3w u\u017cytkownik\u00f3w w okresie dw\u00f3ch lat. Dane zawiera\u0142y informacje o produktach, daty zakupu, ceny i kategorie produkt\u00f3w.<\/li>\n\n\n\n
Pasza dla produkt\u00f3w<\/strong> Regularnie aktualizowany plik produktowy z interfejsu API sklepu, zawieraj\u0105cy szczeg\u00f3\u0142owe informacje o dost\u0119pnych produktach (nazwy, opisy, ceny, dost\u0119pno\u015b\u0107, atrybuty techniczne i kategorie).<\/li>\n\n\n\n
Serwer zdarze\u0144<\/strong> Eventserver zbiera\u0142 dane ze sklepu internetowego i przechowywa\u0142 je w dedykowanej bazie danych. Zebrane zdarzenia obejmowa\u0142y ods\u0142ony produkt\u00f3w (oko\u0142o 100 milion\u00f3w rekord\u00f3w), klikni\u0119cia (oko\u0142o 1 miliona rekord\u00f3w), dodania do koszyka i zakupy (oko\u0142o 100 tysi\u0119cy rekord\u00f3w).<\/li>\n<\/ol>\n\n\n\n
Jako\u015b\u0107 danych<\/h3>\n\n\n\n
Aby zapewni\u0107 jako\u015b\u0107 danych, podj\u0119to dzia\u0142ania maj\u0105ce na celu<\/p>\n\n\n\n
\n
Kompletno\u015b\u0107 danych:<\/strong> Integracja i normalizacja danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142 (CSV, API, serwer zdarze\u0144).<\/li>\n\n\n\n
Oczyszczanie danych:<\/strong> Usuwanie duplikat\u00f3w, uzupe\u0142nianie brakuj\u0105cych warto\u015bci i poprawianie b\u0142\u0119d\u00f3w.<\/li>\n<\/ul>\n\n\n\n
Przygotowanie i przetwarzanie danych<\/strong> Przed zbudowaniem systemu rekomendacji podj\u0119to kilka dzia\u0142a\u0144 w celu uzyskania cennych informacji biznesowych:<\/p>\n\n\n\n
\n
Integracja danych:<\/strong> Dane z r\u00f3\u017cnych \u017ar\u00f3de\u0142 zosta\u0142y zintegrowane w ujednoliconym systemie przetwarzania, umo\u017cliwiaj\u0105c po\u0142\u0105czenie informacji o produkcie z histori\u0105 zakup\u00f3w i zachowaniami u\u017cytkownik\u00f3w.<\/li>\n\n\n\n
Segmentacja u\u017cytkownik\u00f3w:<\/strong> U\u017cytkownicy zostali przypisani do segment\u00f3w na podstawie ich zachowa\u0144 i preferencji zakupowych (np. entuzja\u015bci technologii, poszukiwacze okazji, klienci premium).<\/li>\n\n\n\n
Analiza zachowania:<\/strong> Zebrane dane pozwoli\u0142y na analiz\u0119 zachowa\u0144 u\u017cytkownik\u00f3w na stronie, identyfikacj\u0119 najcz\u0119\u015bciej ogl\u0105danych i kupowanych produkt\u00f3w oraz okre\u015blenie wzorc\u00f3w zakupowych.<\/li>\n<\/ul>\n\n\n\n
Wdro\u017cenie i integracja<\/h2>\n\n\n\n
Technologie i narz\u0119dzia<\/h3>\n\n\n\n
W implementacji systemu rekomendacji wykorzystano r\u00f3\u017cne modele i technologie sztucznej inteligencji:<\/p>\n\n\n\n
\n
Osadzanie za pomoc\u0105 OpenAI:<\/strong> Przekszta\u0142canie opis\u00f3w produkt\u00f3w i opinii u\u017cytkownik\u00f3w do formatu liczbowego.<\/li>\n\n\n\n
XGBoost:<\/strong> Model predykcyjny do okre\u015blania, kt\u00f3re produkty s\u0105 najcz\u0119\u015bciej kupowane.<\/li>\n<\/ol>\n\n\n\n<\/figure>\n\n\n\n\n
SHAP:<\/strong> Narz\u0119dzie do interpretacji wynik\u00f3w modelu, pomagaj\u0105ce zrozumie\u0107, kt\u00f3re cechy u\u017cytkownika maj\u0105 najwi\u0119kszy wp\u0142yw na decyzje podejmowane przez model rekomendacji.<\/li>\n<\/ol>\n\n\n\n
Integracja z istniej\u0105cymi systemami:<\/h3>\n\n\n\n
\n
Integracja platformy handlu elektronicznego:<\/strong> System rekomendacji zosta\u0142 bezpo\u015brednio zintegrowany z platform\u0105 e-commerce sklepu, AtomStore, umo\u017cliwiaj\u0105c wy\u015bwietlanie rekomendacji w czasie rzeczywistym.<\/li>\n\n\n\n
API:<\/strong> Umo\u017cliwia dynamiczne pobieranie danych o produktach i u\u017cytkownikach oraz wysy\u0142anie wygenerowanych rekomendacji do interfejsu sklepu.<\/li>\n\n\n\n
Serwer zdarze\u0144:<\/strong> Zbiera\u0142 dane na temat aktywno\u015bci u\u017cytkownik\u00f3w, zapewniaj\u0105c ci\u0105g\u0142\u0105 aktualizacj\u0119 modeli rekomendacji.<\/li>\n<\/ul>\n\n\n\n
Osi\u0105gni\u0119te wyniki<\/h3>\n\n\n\n
Po wdro\u017ceniu systemu przeprowadzono testy A\/B. System rekomendacji zwr\u00f3ci\u0142 wyniki dla 50% losowo wybranych u\u017cytkownik\u00f3w, podczas gdy pozostali otrzymali zwyk\u0142\u0105 kolejno\u015b\u0107 produkt\u00f3w (wed\u0142ug popularno\u015bci). Pozwoli\u0142o to na precyzyjny pomiar jako\u015bci modelu.<\/p>\n\n\n\n
\n
Wzrost \u015bredniej warto\u015bci koszyka<\/strong> Dzi\u0119ki rekomendowanym upsellom \u015brednia warto\u015b\u0107 koszyka wzros\u0142a o 4%. Por\u00f3wnania dokonano podczas dwutygodniowych test\u00f3w A\/B. Zak\u0142adaj\u0105c, \u017ce \u015brednia warto\u015b\u0107 koszyka przed wdro\u017ceniem wynosi\u0142a 500 z\u0142, a miesi\u0119cznie dokonywano 10 000 zakup\u00f3w, miesi\u0119czny zysk z tego wzrostu wyni\u00f3s\u0142 200 000 z\u0142.<\/li>\n\n\n\n
Wzrost CR na stronie internetowej<\/strong> U\u017cytkownicy otrzymywali bardziej dopasowane sugestie produkt\u00f3w, co prowadzi\u0142o do mniejszej liczby opuszcze\u0144 strony i cz\u0119stszych zakup\u00f3w. Wsp\u00f3\u0142czynnik konwersji (CR) wzr\u00f3s\u0142 o 4%, co prze\u0142o\u017cy\u0142o si\u0119 na 800 dodatkowych konwersji miesi\u0119cznie i zysk w wysoko\u015bci 416 000 PLN.<\/li>\n<\/ol>\n\n\n\n
Koszty i zasoby<\/h3>\n\n\n\n
G\u0142\u00f3wnymi kosztami projektu by\u0142y wynagrodzenia zespo\u0142u programist\u00f3w.<\/p>\n\n\n\n
Zasoby ludzkie<\/h3>\n\n\n\n
\n
Naukowcy zajmuj\u0105cy si\u0119 danymi:<\/strong> Trzech Data Scientists, z ca\u0142kowitym kosztem zespo\u0142u wynosz\u0105cym 300 000 PLN.<\/li>\n\n\n\n
Kierownik projektu:<\/strong> PM w niepe\u0142nym wymiarze godzin, wliczony w ca\u0142kowity koszt zespo\u0142u.<\/li>\n<\/ul>\n\n\n\n
Czas trwania projektu:<\/strong> 2 miesi\u0105ce.<\/p>\n\n\n\n
Koszty infrastruktury<\/h3>\n\n\n\n
Poniewa\u017c ca\u0142y system zosta\u0142 wdro\u017cony w chmurze, wi\u0105za\u0142o si\u0119 to z dodatkowymi kosztami:<\/p>\n\n\n\n
\n
Instancje AWS EC2:<\/strong> Koszty modelu szkoleniowego (2500 PLN) i wdro\u017cenia (450 PLN).<\/li>\n\n\n\n
S3 Storage:<\/strong> Koszty przechowywania danych (360 PLN).<\/li>\n\n\n\n
Amazon RDS:<\/strong> Koszty przechowywania bazy danych (560 PLN).<\/li>\n<\/ul>\n\n\n\n
W ten spos\u00f3b inwestycja zwr\u00f3ci\u0142a si\u0119 dwa tygodnie po wdro\u017ceniu rozwi\u0105zania.<\/p>\n\n\n\n
Monitorowanie i optymalizacja<\/h3>\n\n\n\n
Po wdro\u017ceniu modelu uczenia maszynowego kluczowe by\u0142o monitorowanie jego wydajno\u015bci i wprowadzanie niezb\u0119dnych korekt.<\/p>\n\n\n\n
Monitorowanie zosta\u0142o wdro\u017cone przy u\u017cyciu Amazon CloudWatch. Ze wzgl\u0119du na wprowadzanie nowych produkt\u00f3w i zmieniaj\u0105ce si\u0119 preferencje u\u017cytkownik\u00f3w, wdro\u017cono automatyczne cotygodniowe przekwalifikowanie modelu. Dodatkowo wprowadzono system alert\u00f3w w celu zg\u0142aszania anomalii.<\/p>\n\n\n\n
Dla ka\u017cdego polecanego produktu u\u017cytkownicy mogli klikn\u0105\u0107 kciuk w g\u00f3r\u0119 lub w d\u00f3\u0142, aby oceni\u0107 jako\u015b\u0107 rekomendacji. Zapewni\u0142o to dodatkowe \u017ar\u00f3d\u0142o informacji przydatnych do przekwalifikowania modelu sztucznej inteligencji.<\/p>\n\n\n\n
Wnioski<\/h3>\n\n\n\n
Hipotetyczne wdro\u017cenie zaawansowanego systemu rekomendacji w sklepie z elektronik\u0105 by\u0142o kluczowym krokiem w kierunku poprawy do\u015bwiadcze\u0144 zakupowych klient\u00f3w i zwi\u0119kszenia efektywno\u015bci sprzeda\u017cy.<\/p>\n\n\n\n
Personalizuj\u0105c ofert\u0119 produktow\u0105 w oparciu o preferencje u\u017cytkownik\u00f3w, osi\u0105gni\u0119to zauwa\u017caln\u0105 popraw\u0119 wsp\u00f3\u0142czynnik\u00f3w konwersji i \u015bredniej warto\u015bci koszyka.<\/p>\n\n\n\n
Projekt wymaga\u0142 integracji danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142 i zastosowania zaawansowanych technologii uczenia maszynowego, takich jak XGBoost, kt\u00f3re umo\u017cliwi\u0142y efektywne przetwarzanie i analiz\u0119 du\u017cych ilo\u015bci danych oraz generowanie dok\u0142adnych rekomendacji produkt\u00f3w w czasie rzeczywistym.<\/p>","protected":false},"excerpt":{"rendered":"
W dzisiejszych czasach handel elektroniczny odgrywa kluczow\u0105 rol\u0119 w handlu detalicznym, a personalizacja jest kluczem do sukcesu.<\/p>","protected":false},"author":1,"featured_media":1867,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1873","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-in-business"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1873","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/comments?post=1873"}],"version-history":[{"count":6,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1873\/revisions"}],"predecessor-version":[{"id":2249,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1873\/revisions\/2249"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/media\/1867"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/media?parent=1873"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/categories?post=1873"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/tags?post=1873"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/cogita.ai\/wp-content\/uploads\/2024\/07\/Zrzut-ekranu-2024-07-31-o-09.53.27-1024x214.png\")
<\/figure>\n\n\n\n