Система рекомендаций для YouTravel

Разработали для крупного маркетплейса продвинутую персонализацию, основанную на ML-модели

Превью проекта

YouTravel.me — маркетплейс авторских туров от тревел-экспертов и частных независимых гидов. На сайте почти 40 000 предложений. Тут можно быстро и безопасно найти тур и отправиться в необычное путешествие в любую точку мира.

Проблема

Сегодня персонализация в e-commerce — это в основном блоки «Вам понравится также», «С этим товаром покупают» или upsell-рекомендации в корзине. Интеграция в эти места самая дешевая и несложная, но эффективность у таких решений крайне низкая.


Пользователь не видит весь объем предложений под свой запрос, не находит нужного и уходит. Бизнес теряет деньги.

Превью проекта

Задача

Разработать систему рекомендаций, которая будет встраиваться во все листинги на сайте и учитывать максимум пользовательских интересов.


Такую продвинутую персонализацию мы будем создавать на основе машинного обучения и анализа данных. Именно на этих направлениях специализируется наше подразделение AGIMA.AI.

Наше решение для YouTravel

Мы придумали стратегию персонализации, которая позволяет интегрироваться на уровне пересортировки любого листинга, у которого уже есть своя логика формирования. Мы не просто отдаем список рекомендованных объектов по API, мы реализуем:

  • сбор ленивых просмотров и большого количества поведенческой информации;
  • метод пересортировки любого списка товаров под каждого отдельного клиента.

Именно такую стратегию мы реализовали на сайте YouTravel.

Сбор данных

Чтобы персонализация работала, нужен сбор данных про пользователя.


Совместно с YouTravel мы сделали систему по сбору информации о том:

  • что пользователь видел на странице;
  • на что кликнул;
  • куда перешел.

Команда YouTravel выполняла доработки на стороне фронтенда, мы делали приемную часть и часть регулярной обработки данных.
Превью проекта

«Ключевой момент в нашем сборе данных — это учет ленивых просмотров. В типичном трекинге сбор информации про просмотры без взаимодействия отсутствует. А нам важно знать, что пользователь видел вот эти 20 товаров, но ничего не выбрал и не совершил никакого действия. Эта информация необходима для статистики и для обучения ML-модели».

Фотография

Андрей Татаринов

Директор AGIMA.AI

Превью проекта

Процессинг данных

Мы получаем данные с фронтенда и кладем в два места:


1. Долгосрочное хранилище — для переобучения модели подсчета статистики.


2. Онлайн-профиль — в моменте отвечает на вопрос, какие предпочтения у пользователя, какое поведение он проявил только что.

Превью проекта

В это время наша API рекомендаций на основе ML-модели реализует самый главный метод — метод пересортировки списка товаров.


API забирает информацию из онлайн-профиля, чтобы узнать, какими свойствами обладает пользователь, для которого мы делаем пересортировку, и держит в памяти модель персонализации.


Это онлайн-цикл работы, он происходит за полсекунды в процессе работы сайта с пользователем.


Есть еще длинный цикл взаимодействия — ежечасно мы забираем статистику, которая накопилась, пересчитываем матрицы рекомендаций и принудительно обновляем модель в API. Примерно раз в час предрасчитанные рекомендации по каждому отдельному пользователю обновляются.


Полное решение выглядит так:

Превью проекта

Стратегии рекомендаций

У нас есть три стратегии, в рамках которых мы делаем рекомендации для пользователя. Все три работают одновременно.

1. Пользователь находится на сайте больше 30 минут.

Он уже попал в ежечасный цикл переобучения. Поэтому мы пользуемся хорошо рассчитанным вектором свойств пользователя и делаем рекомендации. Они получаются самыми качественными.

2. Пользователь пришел недавно.

Его еще нет в рассчитанных фичах, но он уже успел проявить свое поведение, например, кликнул на один товар. В этом случае мы делаем хорошее предположение относительно его предпочтений на основании свойств товара, к которому он проявил интерес, и формируем для него рекомендации.

3. Холодный пользователь.

Он только что пришел, мы о нем ничего не знаем, но нам надо ему что-то порекомендовать. В этом случае мы используем статические фичи, которые выражаются не в его поведении, а в его свойствах (какой язык на сайте выбран, из какого региона, с какого устройства и т.п.).

Вот так выглядит конверсия в клик в разрезе по стратегиям:

Превью проекта

Результаты

Сейчас наша стратегия интегрирована в часть листингов на сайте YouTravel, результаты такие:

  • Средняя конверсия из показа в клик без рекомендаций — от 3% до 4,5%.
  • Средняя конверсия из показа в клик с персонализацией — от 6% до 9%.

За два месяца мы смогли добиться двукратного увеличения целевого действия. И это не предел!
Превью проекта

Это не конец, а только начало

Мы продолжаем работу над проектом.


Так как, большая часть показов приходится на долю холодных пользователей, активно улучшаем холодные рекомендации — включаем больше статической информации в рекомендации.


Например, пробуем учитывать рекламную кампанию, по которой пришел пользователь, учимся понимать текст объявления и забирать это в рекомендации. Помимо этого, учитываем:

  • лендинг, на котором пользователь приземлился;
  • модель телефона, с которого он зашел;
  • язык сайта/браузера, который определился для пользователя;
  • его география.
Превью проекта

Вам понравилось? Поделитесь в соцсетях.

Связаться с нами

Отправьте нам запрос, чтобы начать общение по вашему проекту.

Стать клиентом
+7 495 981-01-85 + Стать клиентом
Услуги Кейсы