Rekomendacje produktowe - algorytm Opcje

[athabus]

W sumie nie wiem, gdzie dać takie pytanie, bo jest z pogranicza programowani, marketingu i ogólnie temat bardzo luźny.
Być może ktoś z Was miał okazję pracować nad projektem rekomendacji w sklepach internetowych - czyli chodzi o tworzenie ramek rekomendacyjnych, sugerujących klientowi najciekawsze produkty.
Zastanawiam się nad algorytmem doboru produktów, które należy klientowi wyświetlić. Załóżmy sprawę najprostszą, czyli rekomendacje statyczne - dla każdego klienta takie same, czyli nie biorące pod uwagę np. historii zakupów danego użytkownika, czy przeglądanych przez niego produktów na stronie. Po prostu klient odwiedza kategorię X i wyświetlamy mu rekomendacje z tej strony.

Temat wydawałoby się trywialny, ale... no właśnie nie do końca jest taki trywialny. Jeśli podejdziemy do tematu jednostronnie - np. największa sprzedaż ilościowa da nam w rekomendacjach zazwyczaj produkt, które klienci kupują najczęściej, ale są to produkty tanie. Jeśli weźmiemy sprzedaż największą to będzie duży udział produktów, który zazwyczaj nikt nie kupuje ale miały jakiś "strzał". Przykładowo w kategorii mamy produkty po 30 i po 1000zł to wystarczy jeden zakup tego drogiego produktu, aby produkty tanie praktycznie nie miały szans wyświetlania, a rekomendowanie tylko takich produktów to słaby pomysł.
Dochodzi jeszcze aspekt czasu z jakiego analizujemy sprzedaż. Można analizować prawdopodobieństwo zakupu itd itp.

W skrócie ogólnie pytanie brzmi - czy mieliście okazje pracować nad podobnym projektem i jeśli tak, jakie elementy brał pod uwagę algorytm. A może w ogóle trzeba do tematu podejść od innej strony i dodać wymiar typu CTR elementów wyświetlanych, czyli np. do każdej ramki dodawać produkty "średnio popularne" i badać ich CTR w rekomendacjach, ucząc w czasie stronę doboru odpowiednich produktów?

Będę bardzo zobowiązany za wymianę doświadczeń, bo materiałów jak na lekarstwo.

Jako, że temat zaczynam to i opiszę swoje pierwsze próby. Na chwilę obecną posiadam dane historyczne jedynie ze sprzedaży + informacje z samego katalogu sklepu (cena, marka etc). Głównie zależy mi na optymalizacji rekomendacji w obrębie kategorii bo zazwyczaj generują one jakieś 70-80% sprzedaży z takiego systemu, kolejne ~20% to strona główna, czyli w sumie podobny algorytm jak strona kategorii.
Wyszedłem z punktu widzenia sprzedaży ilościowej. Pierwszy problem jaki napotkałem to zazwyczaj takie kategorie dominowane są przez jedną markę, która jest najpopularniejsza w segmencie, ale nadal stanowi tylko pewien procent sprzedaży. Zmodyfikowałem więc system aby ograniczał ilość rekomendacji do X produktów z danej marki. Kolejna rzecz to branie pod uwagę 2 kryteriów - bestsellery i promocje. Czyli system wyświetla X aktualnych promocji (również biorąc pod uwagę popularność produktów) + Y bestsellerów w danej kategorii, które nie są w promocji.
W wielu kategoriach daje to już bardzo sensowne rekomendacje - z jednej strony rekomendujemy produkty popularne, z drugiej promocje.

Problem jaki się pojawił to kategorie niejednorodne, w których produkty są z szerokiego przedziału cenowego - niestety skupienie się na sprzedaży ilościowej lub wartościowej powoduje rekomendacje tyko części asortymentu (o czym już wyżej pisałem). Trudno natomiast wyłowić asortyment "środka" czyli o średniej cenie i "przyzwoitej" sprzedaży. Tutaj pracuję nad jakimś "mnożnikiem" wg którego będę układał ranking produktów.

Coś byście dodali do takiego systemu? Coś mi umyka?

[athabus]

Tak jak pisałem na razie, "na szybko" robię wersję statyczną, która nie będzie brała pod uwagę preferencji użytkownika, natomiast moja branża aż się prosi o personalizacje, bo jest wielu użytkowników powracających = z czasem będę miał sporo danych.
Plany są spore - chcę zbudować cały machanizm śledzący użytkowników na różnych urządzeniach (jeśli użytkownik na którymś etapie się zaloguje to można nawet przecież powiązać sesje z różnych urządzeń). Takie dane później można spiąć także z systemami typu newsletter. Niemniej na razie potrzebuję czegoś na szybko aby zastąpić obecny system rekomendacji, który na siebie po prostu nie zarabia z różnych względów.

Bardzo podoba mi się porada aby różnie wykorzystać placeholdery w ramkach rekomendacyjnych. Obecnie planuje 8-10 produktów (karuzela) i próbowałem wszystko załatwić dwoma typami produktów - najlepsze promocje w dziale i najciekawsze bestsellery. Faktycznie muszę chyba bardziej to rozbudować i np. wybrać 2 promocje z produktów premium, 2 standardowe tańsze, 2 nowości, itd.

Co do personalizacji to rozważałem 2 podejścia:
- coś w stylu machine learning - ale na dzisiaj to dla mnie czarna magia, nawet nie wiem z czym to się je i czy byłbym w stanie coś sensownego stworzyć. Trzeba też pamiętać, że taki system wymaga bardzo dużego ruchu - sklep dla którego to robię realizuje kilkadziesiąt tysięcy zamówień w skali roku, czyli z jednej strony sporo, ale z drugiej pytanie czy to już jest próba pozwalająca na machine learning.

- oparcie się o parametry produktów (czyli coś takiego jak pisze aras75). Znam branżę, wiem jak ludzie kupują. Jak w każdej branży jest kilka cech, które definiują preferencje klientów - w skali katalogu marka, półka cenowa, w skali kategorii dochodzą dodatkowe cechy - np. kolor, skład produktu itp. Myślę, że w skali sklepu średniej wielkości (a nie Amazona sprzedającego miliony produktów) takie podejście zadziała na zasadzie reguły 20-80. Czyli da mi 80% efektu systemu typu "customer inteligence".

Trochę w tym systemie na dzisiaj przeraża mnie ilość wyborów jakie trzeba podjąć oraz zaawansowanie systemu rankowania produktów. Niestety im bardziej "ręczny" staje się system tym bardziej polega na intuicji, bo testy A/B aby były wiarygodnie statystycznie muszą trwać w "normalnych" sklepach bardzo długo - znów to nie amazon, gdzie po tygodniu osiąga się poziom ufności > 95% nawet jak test nie jest jakiś ewidentnie polaryzujący, tylko wyniki różnią się o 1-5%.

Niemniej to już temat na kolejne miesiące. Grunt aby wypracować jakiś prosty i logiczny system rankingowy dla produktów, który odzwierciedli preferencje klientów lepiej niż system bazujący tylko na całościowych danych sklepu bez personalizacji.