Sistemi preporuka u elektronskoj trgovini: Šta se zaista dešava iza kulisa?

Sistemi preporuka su veoma popularna i efikasna paradigma u maloprodaji. Uz sistem preporuka, kupci mogu pronaći artikle koji im se sviđaju uz manje napora. Takođe, sistem kupcima predstavlja i artikle o kojima nisu razmišljali, ali koji zapravo odgovaraju njihovim potrebama. Zato smo, kao deo jednog od naših projekata za obućarsku kompaniju u BE-terni razvili platformu za analizu ponašanja kupaca. Pomenuta platforma je klijentu donela mogućnost preciznog profilisanja kupaca kao i sistem preporuke artikala.

Sistem preporuke je alat koji koristi skup algoritama, analizu podataka i veštačku inteligenciju kako bi davao preporuke onlajn.

Benefiti: Analiza ponašanja kupaca

Analiza ponašanja kupaca se fokusira na razumevanja tipova kupaca, šta ko voli, šta ko ne voli, koji su obrasci u interakciji kupaca sa artiklima, vrednost kupaca i tako dalje. Ako uspemo da izmodelujemo ove aspekte pojedinačnog kupca moći ćemo da predviđamo njihove potrebe u budućnosti.

Glavni benefiti koji se ostvaraju kao rezultat usvajanja sistema za analizu ponašanja su:

1. Rast prodaje
2. Bolje razumevanje korisnika
3. Mogućnosti primene strategije dugog repa (eng. long-tail)

Glavni benefit staje u dve reči – rast prodaje! Prema istraživanju konsultantske kuće McKinsey, 35% kupovina na Amazonu i 70% kupovina na Netflix-u rezultat su njihovih sistema za preporuku koji su od samog početka povećavali prodaju. Šta više, tokom pandemije virusa COVID-19 veliki broj maloprodavaca je prešao na onlajn prodaju, digitalizovao svoje poslovanje i promenio organizacionu kulturu kako bi se prilagodio novim, promenljivim okolnostima. Prema izveštajima, u 2020. godini rast e-prodaje, samo u Sjedinjenim Američkim Državama, je iznosio više od 30% (Slika 1). Kao rezultat takvog rasta javila se velika količina podataka sa velikim potencijalom za istraživanje i korišćenje u izradi sistema zasnovanih na mašinskom učenju.

Slika 1: Rast e-trgovine u Sjedinjenim Američkim Državama u periodu 2019-2020

Drugi benefit dolazi kao posledica boljeg razumevanja kupaca. U ovom trenutku na scenu stupa profilisanje kupaca. Profilisanjem kupaca možemo bolje razumeti njihovo ponašanje i, shodno tome, bolje razumeti njihove potrebe kako bismo uspeli da zadovoljimo te potrebe, i na kraju bili nagrađeni većim zadovoljstvom i lojalnošću kupaca. Osim povećanog zadovoljstva kupaca, lako možemo kreirati automatizovane marketinške kampanje i personalizovati ih na osnovu analize kupaca.

Sledeća prednost je mnogo bolja strategija za predmete sa dugim repom (eng. long-tail). Izraz stavka sa dugim repom odnosi se na niše i artikle koje je teško pronaći, a koji su vrlo specifični i jedinstveni i obično ih kupuje samo mala grupa ljudi. Sa stanovišta kupca, alati poput sistema preporuka omogućavaju im da pronađu proizvode izvan svog neposrednog okruženja i predmete kojima inače ne bi imali pristup. Iz perspektive dobavljača kojima ovi artikli stoje u skladištu, skriveni od kupaca kojima bi se svideli, ova strategija bi mogla biti veoma isplativa.

Kako sistem radi?

Da bismo postigli ove rezultate, postavili smo infrastrukturu za analizu podataka i modeliranje pomoću algoritama za mašinsko učenje. Ukratko, sistem se sastoji od ulaznog modula koji se povezuje sa izvorom podataka i šalje podatke u modul za analizu podataka i modeliranje ponašanja ljudi. U ovom modulu se vrši transformacija podataka, npr. čišćenje i predobrada, i prave se modeli za segmentaciju i preporuke. Rezultati modeliranja se prezentuju kroz različite kontrolne table (eng. dashboard) u okviru platforme Power BI. Uprošćen prikaz procesa prikazan je na Slici 2.

Slika 2: Uprošćen prikaz platforme za analizu ponašanja kupaca

Profilisanje kupaca

Profilisanje kupaca počinje od segmentacije kupaca u klastere prema sličnosti u ponašanju koja se definiše na osnovu različitih parametara koju su izvedeni iz podataka. Parametri mogu biti, na primer: broj kupljenih artikala, vrednost kupljenih artikala, broj vraćenih artikala, vrste kupljenih artikala itd. Segmentacija je u osnovi grupisanje po sličnosti u ponašanju. Ulazni podaci za segmentaciju su parametri na osnovu kojih želimo da rasporedimo kupce u slične grupe. Rezultat je određeni broj sličnih grupa kao i pravila po kojima određeno svojstvo spada u neku grupu. Dodatno, svakom segmentu možemo dodeliti vrednost i koristiti ga kao numeričku težinu (rezultat) segmenta. Različite segmentacije mogu se kombinovati kao jednake ili se mogu razlikovati na osnovu dodeljenih težina, odnosno prema važnosti kako bi se obezbedila vrednost za kupca. Veći broj segmentacija po različitim objektima daće precizniji profil objekta jer će obezbediti da se objekat sagleda iz različitih uglova, i, posledično, doći će se do kvalitetnijih uvida u objekat (kupac, artikal, brend, prodavnica itd). Kupčev profil je, dakle, najznačajni parametar za buduće preporuke.

Primer toka segmentacije prikazan je na Slici 3. Tu vidimo kupce segmentisane po parametrima većeg broja kupljenih artikala (x-osa) i marže zarađene pri kupovini (y-osa). Kupci se mogu podeliti u 3 posebne grupe. Imamo tri segmenta kojima dodeljujemo značaj i ocenu:

1. Visoka marža i srednje veliki broj kupljenih artikala – Visok – rezultat je 1.00
2. Niska marža i veliki broj kupljenih artikala – Srednji – rezultat je 0.66
3. Niska marža i mali broj kupljenih artikala – Nizak – rezultat je 0.33

Slika 3: Primer segmentacije kupaca

Sistem preporuke

Postoji nekoliko metoda za implementaciju sistema za preporučivanje, a u ovom slučaju smo koristili hibridni model:

• Model kolaborativnog filtriranja
• Model zasnovan na sadržaju

Kolaborativno filtriranje je pristup koji se zasniva na pretpostavci da će se kupci koji su ranije kupovali slične artikle i u budućnosi deliti iste preference. Pogledajmo primer dva kupca – Nikolu i Jovanu (Slika 4). Ako je Jovana kupila artikle A i B, a Nikola artikle A, B i C, to znači da, ako su Jovana i Nikola već doneli istu odluku o dva artikla, postoji velika mogućnost da bi se i Jovani svideo artikal C. Dakle, po pristupu kolaborativnog filtriranja, Jovani bismo preporučili artikal C. S druge strane, kolaborativno filtriranje ima neke dobro poznate probleme, od kojih je jedan veliki problem hladnog starta (eng. cold start). Kada se pojavi novi artikal, sa kojim nije bilo interakcije, niko ga već nije odabrao. To znači da se nikada neće pojaviti kao preporučen.

Slika 4: Primer kolaborativnog filtriranja

Još jedan uobičajen pristup koji ublažava slabosti kolaborativnog filtriranja je model zasnovan na sadržaju. Model zasnovan na sadržaju funkcioniše pod pretpostavkom da će se ono što se kupcu svidelo i/ili ono što je kupio u prošlosti je verovatno ono što će mu se svideti i što će kupiti u budućnosti. Ovakav model koristi meta informacije o artiklima i profil kupaca i njihovih preferiranih izbora. Pogledajmo primer Jelene, koja svoju odeću često kupuje preko interneta (Slika 5). U poslednjih nekoliko meseci Jelena je na internetu kupila nekoliko artikala. Prvo je sebi kupila ružičastu suknju, zatim, par dana kasnije, roze majicu, pa roze štikle, pa ružičasti šešir. Očigledno je da Jelena voli ružičastu odeću, a boja je zajednička osobina koju dele svi artikli koje je Jelena kupila. Vrlo je verovatno da će se Jeleni više dopasti ružičasta haljina nego haljina crne ili plave boje, a takav izbor ne mora da važi samo za odeću. Dakle, prema pristupu zasnovanom na sadržaju, Jeleni bismo sledeću preporučili ružičastu haljinu. S druge strane, model zasnovan na sadržaju takođe ima problem hladnog starta. Kada se pojavi novi kupac, za tog kupca ne postoje prethodne kupovine.

Slika 5: Primer modela zasnovanog na sadržaju

Napravili smo prototip sistem za preporučivanje koji koristi hibridni pristup i fino podešene hiperparametre koji daju najbolje rezultate. Konstruisali smo ga korak po korak, dodavali smo modelu više funkcija na svakom koraku i posmatrali rezultate. Podelimo smo podatke na dva skupa – jedan za treniranje i jedan za testiranje. Podaci za treniranje su korišćeni za izgradnju modela, a zatim smo proverili performanse modela na test podacima. Sistemi preporuka imaju više načina evaluacije, a mi smo koristili metriku ROC AUC, gde je savršena ocena 1.

Korisnički interfejs: Put ka brzom usvajanju softvera

Kao i u svakom uspešnom implementacionom projektu zasnovanom na veštačkoj inteligenciji, dobro korisničko iskustvo je od ključnog značaja u izgradnji poverenje u sistem. Korisnički interfejs je napravljen kao Power BI aplikacija. Na platformi Power BI korisnik može videti pregled ulaznih podataka, segmentaciju prema različitim parametrima, pregledati ocene korisnika i, što je najvažnije, videti generisane preporuke.

Postoje dva moguća načina interakcije sa preporukama. Prvi način jeste da se traži odgovor na pitanje koji artikal treba preporučiti kupcu A (Slika 6a). U ovom slučaju biramo samo jednog kupca, a u krajnjoj levoj tabeli možemo da pogledamo preporučene artikle za posmatranog kupca A.

Slika 6a: Interakcija sa rezultatima preporuke u okviru platforme Power BI - A) Za preporuku artikala kupcima

Drugi način korišćenja aplikacije jeste kada se traži odgovor na pitanje kom kupcu bismo mogli da preporučimo artikal X (Slika 6b). U ovom slučaju možemo odabrati samo jednu preporučenu stavku, a u donjoj tabeli ćemo videti kupce kojima bismo mogli da preporučimo posmatran artikal kako bismo povećali verovatnoću da će do prodaje da dođe.

Slika 6b: Interakcija sa rezultatima preporuke u okviru platforme Power BI - A) Za preporuku kupaca artiklima

Segmentacije se mogu koristiti iz perspektive personalizovanog marketinga. Koristeći navedene segmentacije, korisnik može kreirati personalizovane ponude za različite grupe kupaca na osnovu njihovih preferencija. Pogledajmo primer u industriji obuće na Slici 7. U ovom slučaju, jedan segment kupaca preferira atletske i sportske artikle, pa im stoga možemo dati ponudu ili popust na ovu vrstu predmeta; drugom segmentu bi se mogli dopasti elegantni i otmeni modeli, a to je ono bi im trebalo ponuditi. Zatim bi treći segment mogli biti kupci s decom, pa bi personalizovana ponuda za njih bila dečje cipele. Isto bismo učinili i za četvrti segment, peti, šesti itd, svaki s različitim svojstvima i preferencama.

Slika 7. Primer personalizacije ponude

Zaključak

Ovde smo predstavili potencijal BE-terna platforme za analizu ponašanja kupaca u e-trgovini i koliko su bitne tačne preporuke za maloprodajne objekte u onlajn okruženju. Moguća primena ove vrste sistema je sve veća i nema kraja. Mogu se koristiti u personalizovanom marketingu, onlajn oglašavanju, pronalaženju najboljih ponuda za kupce, pružanju popusta, preporučivanju sledeće najbolje ponude, pronalaženju artikala koji se često kupuju radi unakrsne prodaje i još mnogo, mnogo više.

Sve u svemu, s trendovima koji vode ka sve većoj digitalizaciji i rastu internet tehnologija, za sve kompanije koje se bave maloprodajom bitno je da drže korak s sve prisutnijim trendom rasta upotrebe sistema preporuka u digitalnom svetu.

Ako više volite da pogledate snimak umesto da pročitate blog, pogledajte naš video na temu „Kako mašine znaju koje artikle mi želimo?“