Item2item
рекомендации
Заказчик: X5 Tech
Статус: В работе
Направление: Машинное обучение
Набор на проект закрыт
Описание
В мобильном приложении важно не только предложить пользователю товары, которые он ищет, но и помочь ему найти сопутствующие товары, которые могут дополнить его покупку. На сегодняшний день система рекомендаций не всегда точно подбирает такие товары, что приводит к упущенным возможностям для увеличения среднего чека и улучшения пользовательского опыта.
Цель — улучшить алгоритмы рекомендаций, чтобы они предлагали товары, которые наиболее вероятно заинтересуют покупателя в контексте его текущей покупки. Усовершенствованные рекомендации будут не только повышать вероятность покупки дополнительных товаров, но и улучшать восприятие приложения пользователем, делая его более удобным и умным.
Цель — улучшить алгоритмы рекомендаций, чтобы они предлагали товары, которые наиболее вероятно заинтересуют покупателя в контексте его текущей покупки. Усовершенствованные рекомендации будут не только повышать вероятность покупки дополнительных товаров, но и улучшать восприятие приложения пользователем, делая его более удобным и умным.
Правильные рекомендации – это не просто удобно, это ключевая составляющая успешной коммерции в мобильных приложениях. Более точные и релевантные рекомендации приводят к:
Почему это важный проект?
Увеличению среднего чека – покупатели будут добавлять больше товаров в корзину.
Повышению удовлетворенности пользователей – удобство и своевременность рекомендаций создают лучший пользовательский опыт.
Росту выручки компании – больше покупок, больше продаж.
Какие вызовы предстоит решить?
Реализация модели Item2Item: улучшить генерацию сопутствующих товаров, исключив товары из одной категории.
Добавление дополнительных признаков: улучшить качество рекомендаций, добавив эмбеддинги категорий, описания товаров и других факторов
Оценка качества моделей: протестировать модель по ключевым метрикам
Подбор рекомендаций на основе корзины: научиться учитывать все товары в корзине
Работа с редко покупаемыми товарами: правильно интегрировать категориальные признаки для товаров с низким спросом
Юрий Галимуллин
- До X5 - Senior Data Analyst, Exness
Старший ML-инженер X5 TECH
Ментор проекта
Создана улучшенная модель рекомендаций, которая:
Ожидаемый результат
Предлагает более точные сопутствующие товары, исключая товары из одной категории.
Демонстрирует улучшение ключевых метрик сравнению с текущей системой рекомендаций.
Готова к интеграции в продакшен, с возможностью тестирования на реальных пользователях.
Учитывает дополнительные факторы, такие как категория товара и его описание.
Определяет лучший набор товаров для корзины в целом, а не для каждого отдельного товара.