В рубрику "Оборудование и технологии" | К списку рубрик | К списку авторов | К списку публикаций
На сегодняшний день ассортимент товаров, доступных для приобретения, настолько велик, что времени на просмотр всего просто не хватит. Это с одной стороны.
С другой – клиент не всегда осознает, что именно он хочет. Такие выводы напрашиваются, когда смотришь на результаты поисковых сервисов, работающих с машинным обучением. Как пример – запрос "зеленое платье". Основной поиск выдает то, что на самом деле выглядит как зеленое платье, зато в это же время сервис с машинным обучением выдает товары, больше похожие на, к примеру, синие, красные, но только не зеленые платья. Звучит нелогично, но это работает: просто в ряде случаев машина уже настолько понимает клиента, что способна переубедить с выбором, и клиент останется довольным.
Одним из положительных моментов во всей этой истории, говоря о машинном обучении в электронной коммерции, является то, что данных для обучения в ecom’е достаточно, главное организовать достойный сбор и обработку. Пользователи просматривают, ищут, заказывают миллионы товаров ежедневно.
Безусловно, можно выдавать рекомендации для приобретения товаров на основе истории покупок, к примеру, если один клиент купил сумочку и платье, а второй просто платье, то просто порекомендовать второму клиенту еще и сумочку. При таком подходе первый клиент может приобрести еще и, к примеру, подгузники. В современном магазине будет выглядеть крайне некорректно ситуация, когда к платью рекомендуют подгузники. Мало того, что это не лучшим образом выглядит, так еще и резко понижает конверсию. Ведь в нашем примере были рассмотрены два клиента, которые приобрели платье, а в жизни это миллионы комбинаций, в которых подгузники для детей еще не самый плохой вариант.
В какой-то момент стало понятно, что внешний сервис мог бы давать большие результаты, но не всегда получается договориться, а главное – не всегда в адекватные сроки.
Мы пошли по пути развития собственных сервисов машинного обучения, встречались и курьезы. Например, сервисы предлагали товары для реабилитации после травм суставов людям, интересующимся спортивными товарами, возможно, еще до появления у тех каких-либо подобных травм. Также одна из моделей обработки советовала к бинтам для рукопашного боя приобретать тональный крем, что, если подумать, не так уж необоснованно.
Бывают случаи на грани фантастики. К нам обратилась женщина, которая чуть ли не обвинила нас в шпионской деятельности. Согласно ее заявлениям, наш магазин начал предлагать ей товары, связанные с балетом. Это при том, что она на нашем сайте и близко никаких похожих запросов не делала. А система по каким-то своим алгоритмам вычислила, что внучка этой женщины занимается балетом, и предложила ей соответствующие товары.
Применение машинного обучения в электронной коммерции не останавливается только на использовании в поисковых сервисах или сервисах товарных рекомендаций. Имеет место быть, в нашем случае, развитие UEBA-подобных систем для борьбы, к примеру, со спамом в отзывах и комментариях.
Стоит также отметить и развитие чат-ботов, которые как нельзя кстати подходят для разгрузки операторов служб поддержки клиентов, они могут, к примеру, по средствам Word2vec понять тематику текста и в ряде случаев сразу предоставить ответ клиенту.
На сегодняшний день машинное обучение для электронной коммерции уже не космическая технология, а хороший рабочий инструмент.
Опубликовано: Журнал "Information Security/ Информационная безопасность" #6, 2018