Чим допоможе персоналізація на AI і як до неї підготуватися? Інтерв’ю з Денисом Арісмятовим із Homsters Чим допоможе персоналізація на AI і як до неї підготуватися? Інтерв’ю з Денисом Арісмятовим із Homsters

Щоб АІ в персоналізації пропозицій працював ефективно, потрібно ставити правильні бізнес-цілі. Переконаний у цьому спікер Денис Арісмятов – глава відділу просування в онлайн-майданчику з продажу нерухомості Homsters.

4 червня Денис і його колега Володимир Рудий представлять доповідь на AI Conference Kyiv про те, як машинне навчання допомагає персоналізувати пропозиції для відвідувачів сайтів. Тому ми вирішили дізнатися, кому можуть знадобитися такі AI-рішення і як бізнесу варто підготуватися до їхнього впровадження.

Інтерв’юер: AI Conference Kyiv (AICK).
Респондент: Денис Арісмятов (Д.А.).

AICK: Доброго дня, Денисе! На AI Conference Kyiv ви представите кейс із використання ML для персоналізації пропозицій у сфері нерухомості. По-вашому, яким ще галузям найбільше знадобиться машинне навчання, щоб персоналізувати пропозиції для своїх клієнтів?

Д.А.: Я думаю, що це актуально для всіх сфер, де є багато користувачів і є що їм запропонувати. Особливо для тих, у кого на сайті присутній великий каталог продуктів, а відвідувачі періодично повертаються на сайт, щоб зробити повторну транзакцію. Найчастіше це:

  • інтернет-магазини;
  • сайти для перегляду відео (наприклад, Megogo);
  • кінотеатри (для комунікації зі своїми клієнтами завдяки месенджерам або email-розсилок);
  • класифайди (наприклад, OLX).

Більшість сучасних сайтів так чи інакше вже використовують персоналізацію в рекомендаціях. Питання тільки в тому, наскільки ці рекомендації ефективні, чи вимірюють вони цю ефективність, чи проводять A/B-тести. Це потрібно для того, щоб бачити різницю в кожній новій моделі і крок за кроком покращувати показники.

Персоналізація допомагає як покупцеві, так і продавцеві. Покупець швидше знаходить потрібний йому товар і аксесуари до нього, продавець збільшує свій ROMI (повернення інвестицій маркетингових каналів).

Вигода в тому, що покупець (за умови, що весь інший ланцюжок продажу не дав збою) залишається задоволений інтернет-магазином, а продавець отримує лояльного покупця і зростання числа користувачів, які повернулися на сайт.

Рекомендації, які ґрунтуються на ML, також можна застосовувати і без великої кількості товарів на сайті. Наприклад, банки можуть спілкуватися зі своїми клієнтами, пропонуючи їм продукти або індивідуальні пропозиції. Тут можна взяти за основу поведінку користувачів, те, як часто вони користуються кредитними картами, й інші дії.


AICK: Чому штучний інтелект краще впорається із завданням персоналізації, ніж людина?

Д.А.: Найімовірніше, він це зробить не краще, але набагато швидше. Для того щоб людина змогла щось порекомендувати іншій людині, їй потрібно вивчити тонни даних про поведінку конкретного користувача й інших схожих користувачів. Необхідно поставити десятки питань, і не факт, що відповіді будуть чесними. Ну і, звісно ж, завжди присутній людський чинник: можна щось упустити.

Добре навчена модель на основі ML за доступу до правильних даних здатна за лічені секунди видати відповідну пропозицію. А коли конкретний користувач наступного разу повернеться на сайт, то модель перерахує результати і видасть оновлені пропозиції. Вона покладається на нову інформацію, яку надав користувач під час відвідування.


AICK: Припустимо, я володію великим інтернет-магазином. Що мені потрібно зробити, щоб підготуватися до впровадження AI-рішення, яке б зайнялося персоналізацією пропозицій для моїх клієнтів?

Д.А.: Вам варто чітко сформулювати мету, до якої ви хочете прийти. Наприклад, хочете збільшити з 1 до 1,5% конверсію продажів із користувачів, які прийшли на сторінку каталогу.

Далі вам варто звернутися за консультацією до компанії, яка має досвід впровадження таких рішень, або ж проконсультуватися в перевіреного експерта з аналогічним досвідом. Інакше ви ризикуєте витратити десятки, а то й сотні тисяч доларів даремно.

Вам варто найняти в штат (як мінімум) одного фахівця в галузі Data Science, який будуватиме моделі рекомендацій, які ґрунтуються на ML. Компанія або досвідчена людина на стороні зможе консультувати й навчати нового члена вашої команди. Звісно, якщо ви візьмете сильного фахівця, який уже не раз створював рекомендаційні системи на інших проектах, то, ймовірніше, консалтинг зі сторони вам і не знадобиться.

Потім потрібно налаштувати збір необхідних даних про поведінку користувачів на сайті: куди і звідки вони приходять, як взаємодіють із навігацією на сайті, що бачать, на що клацають, що купують.

Сформувати правильний набір даних так, щоб збір відбувався постійно і стабільно, – чи не найважливіша частина в ML.

Коли у вас накопичиться необхідний обсяг даних для того, щоб можна було будувати моделі для рекомендацій, ваш Data Scientist зможе протестувати різні рішення. Це можуть бути Collaborative filtering, Matrix factorization та інші.

Після того як модель буде навчена, вам знадобиться допомога ваших back-end-розробників. Вони повинні впровадити модель рекомендацій у каталог із продуктами (імовірніше, його код буде написаний на Python).

Потім, щоб оцінити ефективність моделі на основі ML, вам обов’язково потрібно буде запустити A/B-тест. Одна частина відвідувачів бачитиме стандартну версію вашого каталогу, а інша – персональну версію на основі ML. Той критерій, який ви вибрали на самому початку для оцінки ефективності, і буде основним показником. Так ви зрозумієте, чи ефективно працює нова модель на машинному навчанні.

Далі настає етап оптимізації й поліпшень. Це постійний процес, який не закінчується ніколи. Якщо перша версія рекомендаційної системи покаже результат кращий, ніж стандартна версія вашого каталогу, то вона стане основною. Під час наступного A/B-тесту вона вже змагатиметься з оновленою моделлю, яку підготує ваш фахівець.


AICK: З якими труднощами мені доведеться зіткнутися під час впровадження такого рішення?

Д.А.: Як свідчить досвід, компаніям найважче:

  • знайти кваліфікованих і досвідчених фахівців на консалтинг;
  • знайти кваліфікованих і досвідчених фахівців у штат;
  • налаштувати збір даних;
  • забезпечити стабільність і консистентність під час збору даних;
  • впровадити рекомендаційну систему на продакшн-версію сайту й запустити А/B-тест;
  • виміряти ефективність.

Також завжди варто пам’ятати: якщо основний критерій оцінки покращився (наприклад, відсоток конверсії зростає), то цілком може бути, що інші метрики покажуть негативну динаміку (наприклад, retention rate). За цим варто спостерігати і проводити багатосторонню аналітику.


AICK: Наскільки швидко окупиться AI-рішення з персоналізації пропозицій на сайті? Від чого це залежить?

Д.А.: Результати можуть сильно відрізнятись. Рішення може окупитися й через три місяці, а може й не окупитися зовсім. Ніхто не може гарантувати, що персоналізація допоможе вашому бізнесу.

Багато що залежить від правильної постановки завдань перед тим, як що-небудь робити. Тому важливо поставити собі запитання:

  • Що ми хочемо поліпшити?
  • Чи зможемо ми для цього збирати необхідні дані?
  • Чи зможемо ми виділити ресурси розробників, щоб вони налаштували збір даних, а потім запровадили рішення фахівця з Data Science?

AICK: На вашу думку, що заважає поширенню подібних AI-рішень?

Д.А.: Часто люди не розуміють, що потрібно робити і з чого почати. Крім того, персоналізація на ML – це досить великі витрати, які не гарантують швидкого поліпшення показників. Зрозуміло, не всім це потрібно.


AICK: Розкажіть докладніше, чому буде присвячений ваш виступ на AI Conference Kyiv.

Д.А.: Ми з Володимиром розповімо, навіщо і як впроваджувати рекомендаційні системи на сайтах. Які рішення існують для збору даних. Чому так важливо збирати правильні й повні дані про всіх користувачів. На конкретному прикладі покажемо роботу рекомендаційної системи на основі Collaborative filtering. Розповімо про кейси, які ми отримали завдяки рекомендаційній системі на майданчиках Homsters.


Зареєструватися на AI Conference Kyiv, щоб почути виступ спікерів.

Придбати квиток ►►►

Схожі новини