Algorytmy rekomendacyjne w służbie eCommerce

Share

Post został napisany we współpracy z firmą Edrone, druga część wkrótce na stronie partnera.

 

Algorytm algorytmowi nie jest równy – wie to każdy kto zajmuje się choćby minimalnym stopniu propagowaniem i wdrażaniem rozwiązań opartych na, szeroko rozumianych, technikach “sztucznej inteligencji”. 

Różnią się one także wyobrażeniem na ich temat jakie pojawia się w głowach, w zależności od tego, które określenie usłyszymy – Machine Learning czy Sztuczna Inteligencja. Nie są to pojęcia równoznaczne, mają jednak wspólny mianownik – zastosowanie zaawansowanych, samouczących się algorytmów.

Skupimy się na algorytmach SI, które znajdują bezpośrednie zastosowanie w codziennej pracy eCommerce managera i które znacznie ją ułatwiają. Ułatwiają – nie wyręczają – co warto zaznaczyć na samym wstępie. 

 

Z tekstu dowiesz się: 

  • Jak rozumieć, sztuczną inteligencję właściwie – jako cenne narzędzie w e/commerce a nie buzzword rodem z filmów Sci-Fi. 
  • Następnie zrozumiesz dlaczego algorytmy można zastosować praktycznie we wszystkich dziedzinach w której pracujemy z danymi (w formie liczb i nie tylko)
  • Przyjrzymy się kilku przykładom, w których wykorzystujemy algorytmy, nie zawsze będąc tego świadomi.

 

Czym jest, a czym nie jest SI/AI?

Sztuczna inteligencja według definicji to dział informatyki, który zajmuje się projektowaniem modeli, algorytmów, które symulują inteligencję. Czym jest zatem inteligencja? To (najstarsza wersja – lata 50!) zdolność systemu do prawidłowego interpretowania danych pochodzących z zewnątrz, nauki na ich podstawie oraz wykorzystywania tej wiedzy, aby wykonywać określone zadania i osiągać cele poprzez elastyczne dostosowanie” (Andreas Kaplan i Michael Haenlein).

Nieznacznie różni się ona od opisu “inteligencji” samej w sobie. Dla uproszczenia wymienię moim zdaniem najważniejsze jej komponenty: 

  • Zbieranie informacji – zdolność do przyswajania informacji z otoczenia. 
  • Pamięć – Zdolność do przechowywania ich po “przeprocesowaniu”.
  • Nauka – proces strukturyzujący przechowane informacje w sekwencje myśli i akcji do wykonania.
  • Wiedza – strukturalizowanie posiadanej bazy informacji w sposób możliwy do jej przekazania dalej – kolejnemu pokoleniu.
  • Kreatywność – umiejętność tworzenia nowych i adekwatnych rozwiązań pozwalających rozwiązać zadany problem. 
  • Planowanie – umiejętność perspektywistycznego opóźnienia pewnych akcji, w celu osiągnięcia lepszych rezultatów. 

A także: 

  • Współpraca – umiejętność dostrzeżenia “siebie” jako części obiektów podobnych sobie, w celu osiągnięcia jeszcze lepszych rezultatów, nieosiągalnych w przypadku działania w pojedynkę. 

Sztuczna inteligencja zatem nie jest umysłem stworzonym przez człowieka – wszechobecnym bytem, zanurzonym w wirtualnej rzeczywistości, który poprzez Internet rzeczy sprowadzi na nas zagładę. 

Sztuczna inteligencja, którą spotykasz na co dzień jest wyspecjalizowanym programem, który który powierzoną czynność wykonuje coraz lepiej, sprawnie adaptując się do rzeczywistości, lub został tego wcześniej nauczony – a właściwie – wytrenowany. Wiedza którą posiada, nie została “włożona” w postaci ścisłych reguł, ale algorytmu postępowania, który przez uwzględnienie probabilistycznego charakteru rzeczywistości, jest w stanie coraz lepiej przystosowywać się do powierzonego zadania. Sprawia to wrażenie jakby program wyciągnął logiczne, inteligentne wnioski, jednak jest to złudzenie. 

 

Czego potrzebuje Sztuczna inteligencja?

Danych. Koniecznie ustrukturalizowanych i najlepiej w ogromnej ilości. Na podstawie danych wejściowych dokonuje wyboru – werdykt, który na podstawie surowych danych wejściowych jest rozkładem prawdopodobieństwa “pewności” każdego z możliwych werdyktów. To po prostu kalkulator, niesamowicie skomplikowany, ale potrafiący przeliczyć liczbę na liczbę. 

Jeżeli podjęcie dowolnego wyboru wiąże się z oceną danych liczbowych i możesz zweryfikować werdykt – najlepiej zerojedynkowo – tak/nie, to najprawdopodobniej proces o którym mówisz, można, lub bardziej prawdopodobne – ktoś już go automatyzuje algorytmami AI. 

 

Rekomendacja – najprostszy, najskuteczniejszy, niezastąpiony algorytm

Algorytm rekomendacyjny, pomimo swojej ogromnej, prostoty jest niezwykle przydatnym w eCommerce narzędziem do proponowania klientom nowych, często komplementarnych produktów, a co za tym idzie zwiększania konwersji ze sprzedaży. 

W istocie trudno podać jego, żelazną zasadę działania, bo każdy z nich dostosowany do potrzeb tego, co powinien rekomendować, natomiast sama zasada działania jest mniej więcej taka sama. 

  1. Mamy zestaw przedmiotów: A, B, C, D, E.
  2. Klient-1 kupuje przedmiot A, B i C.
  3. Klient-2 kupuje przedmiot zestaw C, D, E. 
  4. Klient-3 kupuje przedmioty A, C, więc algorytm zaproponuje mu przedmiot B.
  5. Klient-4 kupuje przedmiot C, a więc algorytm zaproponuje mu zestaw A+B, lub D+E.

Do produktów wybranych przez Klienta-3 z dużą dozą prawdopodobieństwa sprawdzi się rekomendacja B – inni klienci kupowali taki zestaw, dlatego niewykluczone, że B jest idealnym uzupełnieniem A i C. 

Analizując surowe dane w dużych ilościach można to wywnioskować, nawet jeśli nie wiemy, co to za produkty, znając tylko ich identyfikatory. Nasz “kalkulator/algorytm”, nawet znając nazwę produktu, nie jest w stanie zarekomendować płynu do pielęgnacji butów – nie rozumie relacji między produktem A i B, dopóki nie okaże się, że 97% klientów kupujących A przy drobnej sugestii zakupi B. 

Jednak uważaj – kalkulator to zawsze tylko kalkulator.

Warto raz jeszcze podkreślić wspierającą rolę inteligencji w tego typu rozwiązaniach. Relacja utworzona między A i B ma dwukierunkowy charakter, oznacza to, że dla A rekomendujemy B, ale i również dla B, będziemy rekomendować A. 

O ile, może się zdarzyć, że klient kupujący płyn do konserwacji butów, skusi się na zakup pary butów, które przypadły mu do gustu, to w przypadku, na przykład laptopa i torby na laptopa, “inteligencja” systemu, może zawieść. Chociaz i tak, nie mając wszystkich informacji, może się okazać, że taka rekomendacja ma sens. Np.: klient kupował torbę nie dla siebie albo na bardzo starego laptopa. Reklama nowego podsunie mu pomysł na modernizacji sprzętu komputerowego. 

Opierając się na prostych algorytmach, trudno o uwzględnienie takich czynników. Poza tym, nawet jeśli, to na podstawie jakich danych wysłałbyś podobny wniosek? 

Cóż – takie algorytmy istnieją, co ciekawe, nawet ich twórcy często nie są w stanie określić, dlaczego podjęły taką a nie inną decyzję. 

 

Jakie jeszcze algorytmy możemy zastosować w eCommerce? Przeczytaj drugą część posta na stronie Edrone.