Дайджест: Обновления в персональных рекомендациях за июнь 2019

Привет! В июньском спринте мы сконцентрировались на механиках рекомендаций. Изменений получилось очень много, поэтому рассказываем о новых алгоритмах в отдельном дайджесте:

В Mindbox уже есть алгоритм «Персональные рекомендации». Он рассчитывает рекомендации для всех клиентов в базе раз в сутки. Такая частота подходит, если актуальность рекомендаций не критична. Это могут быть механики реактивации, next best offer и другие.

Если же клиент только зарегистрировался на сайте или анонимно просматривает товары, то у него еще нет истории просмотров и заказов. Для такого посетителя важно считать рекомендации «на лету», на основании его интересов в настоящий момент.

Для этого мы сделали отдельный алгоритм «Событийные персональные рекомендации».

Когда клиент совершает действия на сайте: просматривает товар или кладет его в корзину — в режиме реального времени формируется запрос к Mindbox. В запросе передаем, кто, чем и как интересовался. В ответ для пользователя рассчитываются рекомендации.

В основном этот алгоритм применяется для рекомендаций на сайте. Мы подробно рассказали про персональные товарные рекомендации Mindbox в технической статье на Хабре.

Алгоритм показывает клиенту продукты, которые часто покупают с выбранным им товаром. В ограничениях алгоритма задаем, какую категорию товаров к какой рекомендуем. Например, для всех товаров рекомендуются только новинки ассортимента.

Алгоритм работает, основываясь на модели машинного обучения. Он подбирает релевантные рекомендации к каждому товару, в том числе к такому, который ранее не покупали.

Например, клиент смотрит велосипед, который только добавили в каталог. Раньше его не покупали, но покупали другие велосипеды. Алгоритм анализирует, что покупали вместе с ними. Новый алгоритм учтет категорию товара, цену и любые другие данные, которые вы укажете в дополнительных полях товара, и подберет релевантные рекомендации сопутствующих товаров.

В этом алгоритме вручную настраиваем, какие сопутствующие товары рекомендовать к какой категории продуктов. В настройках можно указать соотношение рекомендуемых категорий.

Например, можем к сноубордам рекомендовать три разных продукта из категории «Ботинки», два продукта из категории «Шлемы» и один продукт из категории «Крепления». И всё это в идеале одного цвета и производителя. Для сравнения описанный выше алгоритм «Сопутствующие товары» просто порекомендовал бы всё, что часто покупают со сноубордом.

Этот алгоритм рекомендует клиенту товары, похожие на тот, что он просматривал. Критерии «похожести» и их приоритет гибко настраиваются на странице алгоритма.

Допустим, для категории продукта «Варежки» мы настроили следующие критерии и их приоритет: пол, цена, цвет. Клиентка просматривает синие женские варежки за 500 рублей. В первую очередь алгоритм рекомендует ей варежки с полным соответствием критериям. Если синих варежек не будет, порекомендует варежки другого цвета. Если другого цвета тоже не окажется в наличии, попробует подобрать нужные варежки из другой ценовой категории. И так далее по приоритетности критериев.

Жесткое соответствие определенных критериев тоже настраивается. Например, если женские варежки не нашлись, можем ничего не рекомендовать.