![Превью проекта](/upload/medialibrary/aa7/aa70ef9109fc4c1c7ecc8f1649df297c.png)
Проблема
Пользователь не видит весь объем предложений под свой запрос, не находит нужного и уходит. Бизнес теряет деньги.
![Превью проекта](/upload/medialibrary/a29/a29745d687f200b8a80d5f120018fdb1.png)
Задача
Такую продвинутую персонализацию мы будем создавать на основе машинного обучения и анализа данных. Именно на этих направлениях специализируется наше подразделение AGIMA.AI.
Наше решение для YouTravel
- сбор ленивых просмотров и большого количества поведенческой информации;
- метод пересортировки любого списка товаров под каждого отдельного клиента.
Сбор данных
Совместно с YouTravel мы сделали систему по сбору информации о том:
- что пользователь видел на странице;
- на что кликнул;
- куда перешел.
![Превью проекта](/upload/medialibrary/b88/b886928272b79e8893feb0a57de7176b.png)
«Ключевой момент в нашем сборе данных — это учет ленивых просмотров. В типичном трекинге сбор информации про просмотры без взаимодействия отсутствует. А нам важно знать, что пользователь видел вот эти 20 товаров, но ничего не выбрал и не совершил никакого действия. Эта информация необходима для статистики и для обучения ML-модели».
![Превью проекта](/upload/medialibrary/b76/b7632d06fbcc641ecbf9f2f65c74b326.png)
Процессинг данных
1. Долгосрочное хранилище — для переобучения модели подсчета статистики.
2. Онлайн-профиль — в моменте отвечает на вопрос, какие предпочтения у пользователя, какое поведение он проявил только что.
![Превью проекта](/upload/medialibrary/b3c/b3caed5e2732efc4152f62656766bace.png)
API забирает информацию из онлайн-профиля, чтобы узнать, какими свойствами обладает пользователь, для которого мы делаем пересортировку, и держит в памяти модель персонализации.
Есть еще длинный цикл взаимодействия — ежечасно мы забираем статистику, которая накопилась, пересчитываем матрицы рекомендаций и принудительно обновляем модель в API. Примерно раз в час предрасчитанные рекомендации по каждому отдельному пользователю обновляются.
Полное решение выглядит так:
![Превью проекта](/upload/medialibrary/bef/bef85ef8c73ba3c3ae49ef9f71840254.png)
Стратегии рекомендаций
1. Пользователь находится на сайте больше 30 минут.
2. Пользователь пришел недавно.
3. Холодный пользователь.
Вот так выглядит конверсия в клик в разрезе по стратегиям:
![Превью проекта](/upload/medialibrary/ef1/ef10af73a58c0010f166246a54ac15cd.png)
Результаты
- Средняя конверсия из показа в клик без рекомендаций — от 3% до 4,5%.
- Средняя конверсия из показа в клик с персонализацией — от 6% до 9%.
![Превью проекта](/upload/medialibrary/c30/c30ccf9f402c8cf26f7a59e719403c91.png)
Это не конец, а только начало
Так как, большая часть показов приходится на долю холодных пользователей, активно улучшаем холодные рекомендации — включаем больше статической информации в рекомендации.
Например, пробуем учитывать рекламную кампанию, по которой пришел пользователь, учимся понимать текст объявления и забирать это в рекомендации. Помимо этого, учитываем:
- лендинг, на котором пользователь приземлился;
- модель телефона, с которого он зашел;
- язык сайта/браузера, который определился для пользователя;
- его география.
![Превью проекта](/upload/medialibrary/927/927687396c36bf5006c961ae253d4392.png)
Награды
-
2022 Теглайн
Лучшая работа с Bigdata
-
2022 Теглайн
Лучший хитрый Performance