Чтобы ИИ в персонализации предложений работал эффективно, нужно ставить правильные бизнес-цели. Так считает спикер Денис Арисмятов, глава отдела продвижения в онлайн-площадке по продаже недвижимости Homsters.

4 июня Денис и его коллега Владимир Рудый представят доклад на AI Conference Kyiv о том, как машинное обучение помогает персонализировать предложения для посетителей сайтов. Поэтому мы решили узнать, кому могут понадобиться такие AI-решения и как бизнесу следует подготовиться к их внедрению.

Интервьюер: AI Conference Kyiv (AICK).
Респондент: Денис Арисмятов (Д.А.).

AICK: Здравствуйте, Денис! На AI Conference Kyiv вы представите кейс по использованию ML для персонализации предложений в сфере недвижимости. Как по-вашему, каким еще отраслям больше всего пригодится машинное обучение, чтобы персонализировать предложения для своих клиентов?

Д.А.: Я думаю, что это актуально для всех сфер, где есть много пользователей и есть что им предложить. Особенно для тех, у кого на сайте присутствует большой каталог продуктов, а посетители периодически возвращаются на сайт, чтобы совершить повторную транзакцию. Чаще всего это:

• интернет-магазины;
• сайты для просмотра видео (например, Megogo);
• кинотеатры (для коммуникации со своими клиентами с помощью мессенджеров или email-рассылок);
• классифайды (например, OLX).

Большинство современных сайтов так или иначе уже используют персонализацию в рекомендациях. Вопрос только в том, насколько эти рекомендации эффективны, измеряют ли они эту эффективность, проводят ли A/B-тесты? Это нужно, чтобы видеть разницу в каждой новой модели и шаг за шагом улучшать показатели.

Персонализация помогает как покупателю, так и продавцу. Покупатель быстрее находит нужный ему товар и аксессуары к нему, продавец увеличивает свой ROMI (возврат инвестиций маркетинговых каналов).

Выгода в том, что покупатель (при условии, что вся остальная цепочка продажи не дала сбой) остается доволен интернет-магазином, а продавец получает лояльного покупателя и рост числа вернувшихся пользователей.

Рекомендации на основе ML также можно применять и без большого количества товаров на сайте. Например, банки могут общаться со своими клиентами, предлагая им продукты или индивидуальные предложения. Здесь можно основываться на поведении пользователей, на том, как часто они пользуются кредитными картами, и других действиях.

AICK: Почему искусственный интеллект лучше справится с задачей персонализации, чем человек?

Д.А.: Скорее всего, он это сделает не лучше, но гораздо быстрее. Для того чтобы человек смог что-то порекомендовать другому человеку, ему нужно изучить тонны данных о поведении конкретного пользователя и других похожих пользователей. Необходимо задать десятки вопросов, и не факт, что ответы будут честными. Ну и, конечно же, всегда присутствует человеческий фактор: можно что-то упустить.

Хорошо обученная модель на основе ML при доступе к правильным данным способна за считанные секунды выдать подходящее предложение. А когда конкретный пользователь в следующий раз вернется на сайт, то модель пересчитает результаты и выдаст обновленные предложения. Она полагается на новые вводные, которые предоставил пользователь при посещении.

AICK: Предположим, я владею крупным интернет-магазином. Что мне нужно сделать, чтобы подготовиться к внедрению AI-решения, которое бы занялось персонализацией предложений для моих клиентов?

Д.А.: Вам стоит четко сформулировать цель, к которой вы хотите прийти. Например, хотите увеличить с 1 до 1,5% конверсию продаж с пользователей, которые пришли на страницу каталога.

Далее вам стоит обратиться за консультацией в компанию, у которой есть опыт внедрения таких решений, или же проконсультироваться у проверенного эксперта с аналогичным опытом. Иначе вы рискуете потратить десятки, а то и сотни тысяч долларов впустую.

Вам стоит нанять в штат как минимум одного специалиста в области Data Science, который будет строить модели рекомендаций на основе ML. Компания или опытный человек на стороне сможет консультировать и обучать нового члена вашей команды. Конечно, если вы наймете сильного специалиста, который уже не раз создавал рекомендательные системы на других проектах, то, скорее всего, консалтинг со стороны вам и не понадобится.

Затем нужно настроить сбор необходимых данных о поведении пользователей на сайте: куда и откуда они приходят, как взаимодействуют с навигацией на сайте, что видят, на что кликают, что покупают.

Сформировать правильный набор данных так, чтобы сбор происходил постоянно и стабильно, — едва ли не самая важная часть в ML.

Когда у вас накопится необходимый объем данных для того, чтобы можно было строить модели для рекомендаций, ваш Data Scientist сможет протестировать разные решения. Это могут быть Collaborative filtering, Matrix factorization и другие.

После того как модель будет обучена, вам понадобится помощь ваших back-end-разработчиков. Они должны внедрить модель рекомендаций в каталог с продуктами (скорее всего, его код будет написан на Python).

Потом, чтобы оценить эффективность модели на основе ML, вам обязательно нужно будет запустить A/B-тест. Одна часть посетителей будет видеть стандартную версию вашего каталога, а другая — персональную версию на основе ML. Тот критерий, который вы выбрали в самом начале для оценки эффективности, и будет являться основным показателем. Так вы поймете, эффективно ли работает новая модель на машинном обучении.

Далее наступает этап оптимизации и улучшений. Это постоянный процесс, который не заканчивается никогда. Если первая версия рекомендательной системы покажет результат лучше, чем стандартная версия вашего каталога, то она станет основной. При следующем A/B-тесте она уже будет соревноваться с обновленной моделью, которую подготовит ваш специалист.

AICK: С какими трудностями мне придется столкнуться при внедрении такого решения?

Д.А.: Исходя из опыта, компаниям труднее всего:

• найти квалифицированных и опытных специалистов на консалтинг;
• найти квалифицированных и опытных специалистов в штат;
• настроить сбор данных;
• обеспечить стабильность и консистентность при сборе данных;
• внедрить рекомендательную систему на продакшн-версию сайта и запустить А/B-тест;
• измерить эффективность.

Также всегда стоит помнить, что если основной критерий оценки улучшился (например, % конверсии растет), то вполне может быть, что остальные метрики покажут негативную динамику (например, retention rate). За этим стоит наблюдать и проводить многостороннюю аналитику.

AICK: Насколько быстро окупится AI-решение по персонализации предложений на сайте? От чего это зависит?

Д.А.: Здесь может быть сильный разброс. Решение может окупиться и через три месяца, а может и не окупиться вовсе. Никто не может гарантировать, что персонализация поможет вашему бизнесу.

Многое зависит от правильности постановки задач перед тем, как что-либо делать. Поэтому важно задать себе вопросы:

• Что мы хотим улучшить?
• Сможем ли мы для этого собирать необходимые данные?
• Сможем ли мы выделить ресурсы разработчиков, чтобы они настроили сбор данных, а потом внедрили решения специалиста по Data Science?

AICK: Как по-вашему, что мешает распространению подобных AI-решений?

Д.А.: Часто люди не понимают, что нужно делать и с чего начать. Кроме того, персонализация на ML — это достаточно большие затраты, которые не гарантируют быстрое улучшение показателей. Разумеется, не всем это нужно.

AICK: Расскажите подробнее, чему будет посвящено ваше выступление на AI Conference Kyiv.

Д.А.: Мы с Владимиром расскажем, зачем и как внедрять рекомендательные системы на сайтах. Какие решения существуют для сбора данных. Почему так важно собирать правильные и полные данные обо всех пользователях. На конкретном примере покажем работу рекомендательной системы на основе Collaborative filtering. Расскажем про кейсы, которые мы получили благодаря рекомендательной системе на площадках Homsters.

Зарегистрироваться на AI Conference Kyiv, чтобы услышать выступление спикеров.

Купить бтлет ►►►