Как стать автором
Обновить

Искусственный интеллект в ритейле: как он предсказывает вашу следующую покупку в приложении

Уровень сложностиСредний
Время на прочтение9 мин
Количество просмотров2.3K
Всего голосов 11: ↑10 и ↓1+13
Комментарии27

Комментарии 27

Человек потребляет приблизительно одинаковое количество калорий, ну и сезонное колебание вкусов летом помидоры зимой томатная паста.

Два вот этих граничных условия существенно поднимут точность сети и рейтинг авторов. ))

А ещё лучше попробовать нанять грамотного прикладного математика, чтобы прикладывать её грамотно.

Спасибо вам за идею! Сезонное колебание вкусов - интересный признак, который можно добавить в модель.

А это не идея.

Это троллинг.

Когда сам своими руками всё это уже прошёл, то остаётся только так троллить )). Предпочтения и покупки в человеческих сообществах формируются совсем по другому. И вся "предсказательная сила теорвера", сосредоточеная в ЦПТ, тут не применима. Увы.

рекомендуем K самых частых товаров в истории покупок конкретного пользователя для формирования следующей корзины.

Телесные наказания для таких программистов становятся неизбежностью. Самые частые покупки пихать юзеру во все напоминалки это демонстрация явного отсутствия опыта и полного непонимания механизма формирования предпочтений.

Ха-ха, классика. Выбираешь какой-то разово покупаемый товар типа бытовой техники относительно долго, читаешь отзывы везде где можно, покупаешь, а после всего этого смотришь рекламу этого же товара еще две недели.

Озон так порадовал - "Ранее вы покупали Шкаф в ванную с зеркалом навесной ... Оформим повторный заказ?". Конечно, если человек купил навесной шкафчик, ему наверное через месяц еще один нужен будет)

Кажется, был какой-то Пятерочный хакатон, в котором тоже предсказывалась «вероятность покупки товара». Первое место заняли ребята, которые принудительно пихали в чек еще и пакет.

Важно учитывать особенность продуктового ритейла - частую повторяемость покупок.

Если на маркетплейсе клиент приобрёл шкаф, то вряд ли он вскоре купит такой же. В то время как в супермаркете, если клиент всегда покупает один и то же хлеб, то, скорее всего, он снова купит его.  Это связано с тем, что продукты питания - это товары повседневного спроса, и предпочтения здесь часто остаются стабильными. Поэтому подход PersonalTopFreq, несмотря на свою простоту, более чем релевантен в контексте продуктового ритейла. Однако, как мы указали в статье, существуют и более продвинутые способы рекомендаций.  Лишь A/B нас рассудит.

Это всё конечно очень интересно и наверное даже работает. А у вас нет данных или моделирования процессов управления ценой по мотивации к покупке?! Ну там скажем какая скидка может мотивировать к покупке. На сколько нужно опустить цену после покупки товара, что бы мотивировать купить ещё один товар по сниженной цене?!

Было на ютубе видео Валеры Бабушкина про то, как на каждый чек строился вектор. Идея была в том, чтобы определить, купит ли человек товар А за полную цену, купит ли его только при условии скидки или даже со скидкой не станет брать. Нужно им это было для того, чтобы не рассылать смски с предложением купить колбасу тем, кому она не нужна и тем, кто ее и так возьмет. Столько лет с той конфы прошло, а, кажется, новых прорывов так и нет

А вот и очень жаль, жадность это один из ключевых элементов убеждения. То, что это используется факт, потому что и Озон и ВБ активно это используют. А вот где данные раздобыть ... Скорее всего, это коммерческая инфа и она под NDA, к сожалению!

А вот тут вы в точку попали. Озон и ВБ - маркетплейсы. Им дела нет до маржи продавцов. Тут уже были истории про "ставьте скидку, иначе окажетесь на дне поиска".

Обычный ритейл, который своими деньгами отвечает, работает с не особо высокой маржинальностью, сильно срубить цены может только в том случае, если удастся поставщика на скидки прогнуть. Поэтому диапазон воздействий довольно ограничен.

Данные - это вообще, главный камень преткновения. И дело даже не в количестве, а в качестве. ИИ заточен извлекать из них максимум, но если на входе 95% шума, то и на выходе его будет минимум столько же.
Решение только одно - входить в союз с хозяевами данных, т.е. потребителями. Нужно сделать так, что бы им было выгодно все рассказывать машине. Конечно не из-за оплаты деньгами, а по осознанию необходимости.
Причем, на нас в РФ особая ответственность: известно, что только русские могут без оплаты деньгами и вообще без рациональных причин идти на подвиги. В этом смысле, от нас зависит будущее ИИ и вообще цифрового мира.

Целью этой статьи был обзор подходов для NBR и их применимости в продуктовом ритейле. Мы стремились обобщить и систематизировать существующие подходы, чтобы показать аудитории лучшие модели в каждом из представленных подходов.

А можете написать реальную цель предсказывания следующей корзины пользователя.

У вас есть категории товаров с известной периодичностью покупки и, собственно, артикулы из этих категорий, которые пользователь купил. Всякие предположения вроде "зубную щётку и пасту часто покупают вместе", ну, честно говоря, нигде не видел, чтобы это корректно работало.

Плюс люди обычно покупают один и тот же артикул (если качество удовлетворительное). Никто не будет каждый раз выбирать из 100 видов молока - есть на что время тратить.

Ну, т.е. по мне если пользователю просто показывать "А не кончилось ли у вас молоко?" То это уже решает проблему пользователя.

Так что подозреваю, что реальная задача она либо в увеличении среднего чека, либо в прогнозировании остатков. Либо и того и другого, разумеется.

А можете написать реальную цель предсказывания следующей корзины пользователя.

Освоить бюджет на хайповой теме ИИ.

Это те же рекомендации, но с учетом особенностей ритейла (что люди закупаются "корзинами" с некоторой периодичностью и наполнением). То есть, мы рекомендуем не единичные товары, а сразу некоторое множество (которое в себе предполагает какую-то логичную компоновку, например, учитывает, что для салата нужны не только огурцы, но еще хорошо бы взять и другие овощи).

Получается, что это все та же задача рекомендаций, но более общей сущности (целой корзины вместо товара).

А использовать это можно для того, чтобы посоветовать что-то, что вполне могло быть в корзине пользователя, но этого почему-то нет (например, пользователь постоянно покупает йогурты, а сегодня как назло забыл про это).

Но, конечно, это будет тащить за собой некоторые предположения (например, что у нас пользователь может набирать разные корзины в разные моменты времени). И, полагаю, еще будет иметь не только плюсы, но и минусы (ошиблись с предполагаемой корзиной - ухудшили рекомендации по сравнению с рекомендацией отдельных единичных товаров).

Благодарю за ваш комментарий!

Next basket рекомендации полезны как для пользователей, так и для компании.

Мы помогаем пользователям экономить время, избавляя их от необходимости длительного поиска товаров в каталоге. Например, если клиент регулярно покупает молоко определённого бренда, то система может предложить его сразу. Такие рекомендации помогут не забыть что-то важное: продукт, ради покупки которого пользователь зашел в приложение, но забыл положить его в корзину. Кроме того, однообразие в продуктах питания может надоедать, поэтому мы хотим рекомендовать что-то новое, но при этом подходящее вкусам пользователя.

Для компании такие рекомендации увеличивают средний чек за счет увеличения шансов добавления в корзину товаров, которые пользователь мог бы не купить без подсказки. И, конечно же, персонализация и улучшение опыта онлайн-покупок повышают лояльность клиентов, что в конечном итоге влияет на LTV.

Довольно сомнительно пытаться угадывать хотелки юзера на базе информации где нет данных об этих хотелках. Все что есть у компаний - прошлый опыт юзера, который может совпать с текущим, а может не совпасть. Но даже единичные попадания на второе означают спам, который крайне негативно сказываюется на лояльности: бесполезное отвлечение внимания вполне разумно понимается юзером как грабёж.
Опасные игры. Хороши лишь для поддржки ИИ-хайпа.

Алкаш Петрович возьмет пять озер, кто такой ИИ?

Мне пожалуйста три пять озёр, три три богатыря, одну три корочки, и как живётся этому ИИ?

и два по два с половиной три медведя?

Ну, кажется, лучший промпт для тестирования галлюцинаций нейросетей написали, теперь можно и выпить три четыре бокала где пять озёр и три медведя один к пяти.

три четыре бокала где пять озёр и три медведя один к пяти, это о чем?

Qwen2.5-Plus:

Это загадка, отсылающая к известному стихотворению Корнея Чуковского "Тараканище". Давайте разберем ее:

"Три четыре бокала" - это цифры 3 и 4, вместе дающие 7 (семь таракашек)

"где пять озёр" - озёра часто изображаются на карте в виде пятен, намек на цифру 5

"и три медведя" - три медведя из сказки про теремок или просто цифра 3

"один к пяти" - это соотношение 1:5, что тоже можно интерпретировать как цифры

Все эти числа описывают количество ног у Тараканища из произведения Чуковского - 777 (семьсот семьдесят семь).

Это пример числовой загадки, где через различные образы описываются цифры, составляющие число.

P. S. Прошу прощения за флуд у автора поста, но впрочем, есть ощущение, что без флуда тема все равно не зайдёт.

P. P. S. Я прогоняю этот запрос по другим сеткам (репостить конечно не буду), сложно придумать что-то настолько же вышибающее нейросети в режим абсолютно рандомных но смешных галлюцинаций, хаха.

Стилизованная под псевдонаучный бред ахинея, от начала и до конца.

Неужели найдутся недоумки, которых можно купить подобной галиматьёй?

Ребята проработали, получили денег и поделились опытом. Спасибо. Без вот этого всего что в других комментах

Видел вполне четкую и верную рекомендацию: "пакет"... Как оно угадало то??? Чума просто.

Зарегистрируйтесь на Хабре, чтобы оставить комментарий