Recommendation system for YouTravel

Превью проекта

YouTravel.me — маркетплейс авторских туров от тревел-экспертов и частных независимых гидов. На сайте почти 40 000 предложений. Тут можно быстро и безопасно найти тур и отправиться в необычное путешествие в любую точку мира.

Проблема

Сегодня персонализация в e-commerce — это в основном блоки «Вам понравится также», «С этим товаром покупают» или upsell-рекомендации в корзине. Интеграция в эти места самая дешевая и несложная, но эффективность у таких решений крайне низкая.


Пользователь не видит весь объем предложений под свой запрос, не находит нужного и уходит. Бизнес теряет деньги.

Превью проекта

Задача

Разработать систему рекомендаций, которая будет встраиваться во все листинги на сайте и учитывать максимум пользовательских интересов.


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

Мы придумали стратегию персонализации, которая позволяет интегрироваться на уровне пересортировки любого листинга, у которого уже есть своя логика формирования. Мы не просто отдаем список рекомендованных объектов по API, мы реализуем:

  • сбор ленивых просмотров и большого количества поведенческой информации;
  • метод пересортировки любого списка товаров под каждого отдельного клиента.

Именно такую стратегию мы реализовали на сайте YouTravel.

Сбор данных

Чтобы персонализация работала, нужен сбор данных про пользователя.


Совместно с YouTravel мы сделали систему по сбору информации о том:

  • что пользователь видел на странице;
  • на что кликнул;
  • куда перешел.

Команда YouTravel выполняла доработки на стороне фронтенда, мы делали приемную часть и часть регулярной обработки данных.
Превью проекта

«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».

Фотография

Андрей Татаринов

Директор AGIMA.AI

Превью проекта

Процессинг данных

Мы получаем данные с фронтенда и кладем в два места:


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

В это время наша API рекомендаций на основе ML-модели реализует самый главный метод — метод пересортировки списка товаров.


API забирает информацию из онлайн-профиля, чтобы узнать, какими свойствами обладает пользователь, для которого мы делаем пересортировку, и держит в памяти модель персонализации.


Это онлайн-цикл работы, он происходит за полсекунды в процессе работы сайта с пользователем.


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

Стратегии рекомендаций

У нас есть три стратегии, в рамках которых мы делаем рекомендации для пользователя. Все три работают одновременно.

1. Пользователь находится на сайте больше 30 минут.

Он уже попал в ежечасный цикл переобучения. Поэтому мы пользуемся хорошо рассчитанным вектором свойств пользователя и делаем рекомендации. Они получаются самыми качественными.

2. Пользователь пришел недавно.

Его еще нет в рассчитанных фичах, но он уже успел проявить свое поведение, например, кликнул на один товар. В этом случае мы делаем хорошее предположение относительно его предпочтений на основании свойств товара, к которому он проявил интерес, и формируем для него рекомендации.

3. Холодный пользователь.

Он только что пришел, мы о нем ничего не знаем, но нам надо ему что-то порекомендовать. В этом случае мы используем статические фичи, которые выражаются не в его поведении, а в его свойствах (какой язык на сайте выбран, из какого региона, с какого устройства и т.п.).

Вот так выглядит конверсия в клик в разрезе по стратегиям:

Превью проекта

Результаты

Сейчас наша стратегия интегрирована в часть листингов на сайте YouTravel, результаты такие:

  • 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%.

За два месяца мы смогли добиться двукратного увеличения целевого действия. И это не предел!
Превью проекта

Это не конец, а только начало

Мы продолжаем работу над проектом.


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

Награды

  • Логотип награды

    2022 Теглайн

    Лучшая работа с Bigdata

  • Логотип награды

    2022 Теглайн

    Лучший хитрый Performance

Do you like it? Share it on social networks

Get in touch

Would you like to say hello or find out more information?

Let's talk
+7 495 981-01-85 + Become a customer
Services Cases Content-hub