Товарные рекомендации на сайте: как минимизировать ручной труд с помощью нейросети

Материал будет полезен фешн-компаниям с большим ассортиментом на сайте. О работе нейросети расскажем на примере интернет-магазина сети женской одежды.

Рассказывает специалист по машинному обучению платформы автоматизации маркетинга Mindbox Сергей Юдин.


Как рекомендации повышают средний чек и упрощают путь клиента 

С точки зрения бизнеса, цель рекомендаций — повысить средний чек. Так, производителю белья и пляжной одежды Incanto они приносят 5,5% дополнительной выручки интернет-магазина: по результатам теста ценность сеанса в контрольной группе, которая не видела рекомендации, достигла 57,5–63,7 рублей, а в основной, которой рекомендации показывались, — 65,1–67,8 рублей.

Товарная карточка на сайте Incanto с персональными рекомендациями:



Польза для клиента в другом: рекомендации упрощают и ускоряют поиск товаров. На сайтах фешн-брендов товарные рекомендации фактически выполняют роль стилистов. Они могут посоветовать футболку другого цвета или подходящие к ней джинсы, показать самые популярные в категории товары или те, что приобретают и смотрят клиенты, похожие на посетителя по поведенческим характеристикам. 


Ограничения при использовании товарных рекомендаций

● Качество данных критично для алгоритмов без использования нейросети. Качество товарных рекомендаций зависит от качества исходных данных. Если товарная номенклатура не заполнена или в ней есть неточности, то обычные рекомендательные системы будут выводить неподходящие товары. Для части компаний это становится проблемой: приходится выделять ресурсы на приведение в порядок базы товаров (присваивать категории, удалять дубли). 

● Объем товарной номенклатуры критичен для ручных рекомендаций. Использовать рекомендации на машинном обучении необязательно. Для компаний с небольшим ассортиментом соответствие между товарами можно проставлять вручную. Правда, при обновлении коллекции придется заново определять связи.

Компаниям с большим ассортиментом, например маркетплейсам, потребуется выделить для этой работы непропорционально много ресурсов маркетолога. Чем больше товарная номенклатура, тем выше будет риск ошибки или устаревания рекомендаций. К тому же вручную невозможно учесть предпочтения конкретного человека: в онлайне не заведешь разговор с покупателем, как делают консультанты в рознице.


Как улучшить рекомендации с помощью технологии, распознающей предметы на изображении

Если у бренда неструктурированная номенклатура или нет ресурсов на ручное заведение рекомендаций, помогут технологии на машинном обучении, умеющие распознавать предметы на изображении. Одна из самых популярных — нейросеть на основе алгоритма Residual Neural Network, созданная ученым, работавшим на Microsoft и Facebook. Residual Neural Network успешно используют в коммерческих разработках, например в беспилотных автомобилях и медицине, но в этой статье нас интересуют непосредственно товарные рекомендации на сайте. 

Главное преимущество нейросети — она классифицирует объекты на фотографиях, причем ей не нужна информация о номенклатуре, только сами изображения. На выходе для каждой вещи получаем набор цифр. Человек не может их интерпретировать, но предполагается, что это некий набор параметров, которые нейросеть считала из изображения товаров, например цвет или стиль. 

Чтобы использовать нейросеть-классификатор объектов на фотографиях для рекомендаций, мы с коллегами доработали базовый алгоритм так, чтобы нейросеть не просто классифицировала вещи на фотографиях, но и запоминала их сочетания. 

Так формируется библиотека соответствий: если на модели надета блузка X с юбкой Y, значит, они подходят друг другу и их можно выводить в товарных рекомендациях. Причем выводятся не только те вещи, которые алгоритм изучил, но и похожие по стилю.

---

Читайте также: Контент для Wildberries: как составить карточку товара, чтобы больше продавать

---

Как использовали нейросеть в интернет-магазине женской одежды

Первым известным нам бизнесом, на практике применившим нейросеть для формирования рекомендаций, стала сеть магазинов женской одежды. Вручную проставлять сопутствующие товары для бренда с 8 тысячами SKU — дело неблагодарное. Захотели проверить, может ли нейросеть сделать выдать более точные рекомендации, чем те, что были составлены вручную.  

Внедрение проходило в три этапа: 

1. Загрузили в нейросеть все фотографии одежды в товарных фидах. 

Товарный фид — это файл, в котором хранится полная информация о товарной номенклатуре магазина. Обычно ее используют маркетплейсы. Мы же загрузили товарную номенклатуру в нейросеть. 

В результате для каждой вещи получился набор цифр, отражающий категорию, стоимость, цвет, материал, фасон, длину и другие параметры. Человек не может их интерпретировать — мы знаем только, что вещи с близкими наборами цифр подходят друг другу по стилю. Полученную выдачу перепроверили через собственные алгоритмы товарных рекомендаций, чтобы убедиться, что нейросеть не посоветует глупых сочетаний одежды. Этого не случилось — выдача товаров от нейросети была адекватной.

2. Проверили эффективность рекомендаций с помощью AB-теста. 

Целью эксперимента было доказать, что рекомендации, основанные на работе нейросети, не хуже собранных вручную. Для тестирования использовали Google Optimize: случайным образом разделили посетителей сайта на две группы и сравнили выручку от них. Одна аудитория видела ручные рекомендации, вторая — созданные с помощью нейросети. 

AB-тест не показал статистически значимой разницы в среднем доходе за сеанс между ручными и предложенными нейросетью рекомендациями. То есть получается, что из процесса составления рекомендаций можно исключить сотрудников без потери эффективности. Это важный для магазина результат, потому что с ростом ассортимента масштабировать ручной труд становилось всё сложнее.     

3. Добавили рекомендации на машинном обучении в карточку товара.

Алгоритм подбирает товары с учетом коллекции и стиля.

К розовой шубе алгоритм советует розовые шапки, шарф, перчатки и белый шарф в том же стиле:


   
Один раз настроенный, алгоритм на машинном обучении будет работать без дополнительных корректировок, продолжая самообучаться и не требуя ручного вмешательства при обновлениях коллекций. 

Сергей Юдин, 
специалист по машинному обучению платформы автоматизации маркетинга Mindbox,

Для New Retail