Ученые из Tinkoff Research сделали открытие в области ИИ и рекомендательных систем для онлайн-торговли
Ученые из Лаборатории исследовательских работ искусственного ума Tinkoff Research сделали открытие в области рекомендательных систем в онлайн-торговле.
Они разработали новейший метод TAIW (Time-Aware Item-based Weighting) для наиболее четкого прогнозирования потребительских покупок в вебе с учетом времени покупок и их периодичности.
Новейший способ дозволит юзерам сберечь время, затрачиваемое на составление определенной корзины, также напомнит приобрести продукт, про который юзер мог запамятовать.
Бизнесу внедрение разработанного учеными Тинькофф метода поможет повысить удовлетворенность клиентов, прирастить конверсию в покупку и простимулировать рост среднего чека.

Как устроен метод TAIW: модули «Повторная покупка» и «Соседство»
Сущность открытия
Метод TAIW наиболее буквально предвещает, какие продукты клиенту потребуются в не далеком будущем с учетом четкого момента покупки. Он учитывает не только лишь состав прошлых покупок определенного человека и похожих по профилю юзеров – он также анализирует четкое время приобретения определенных продуктов в прошедшем и периодичность покупок, выявляет связи меж приобретением продуктов из различных категорий. Это помогает создать советы очень персонализированными, что в особенности принципиально в случае нетипичных паттернов поведения отдельных клиентов.
Исследователи провели опыты на настоящих данных: а именно, употребляли датасет онлайн-площадки Taobao, которая заходит в Alibaba Group. В итоге тестов TAIW стал самым действенным способом посреди аналогов в задачке next basket recommendation (NBR либо рекомендация последующей корзины) за счет наиболее четкого ранжирования продуктов на базе их актуальности в определенный момент времени.
Согласно результатам тестов, метод увеличивает точность рекомендательной системы до 8%.
Это дозволяет юзерам получать наиболее персонализированные советы, растрачивать меньше времени на контроль домашних припасов и выбор новейших продуктов. TAIW заблаговременно понимает, через какое время у юзера завершатся продукты, и предложит ему приобрести их в подходящий момент.
Чем метод различается от остальных способов
Спецы в области искусственного ума уже длительное время работают над улучшением советов для интернет-торговли. Чтоб предсказать повторные покупки, ученые нередко употребляют способы:
- цепи Маркова (математическая модель, которая помогает предвещать будущие действия на базе прошедших событий),
- рекуррентные нейронные сети (модели машинного обучения, которые анализируют последовательность действий юзера).
Но эти инструменты не постоянно разрешают корректно учитывать при прогнозировании частоту покупки, которая не только лишь различается у различных продуктов, но также бывает персональна для различных юзеров. К примеру, один человек может брать кондюк для белья любые три недельки, а иной – раз в полгода.
Метод TAIW состоит из 2-ух модулей:
- «Повторная покупка» работает на базе процесса Хоукса – статистической модели, которая дозволяет осознать временные закономерности и зависимости меж событиями. Так метод описывает, какие продукты брал юзер, как нередко и когда была совершена крайняя покупка. Этот модуль помогает найти, когда определенные продукты будут более животрепещущими для определенного покупателя.
- «Соседство» помогает обрисовать привычки юзеров с схожими предпочтениями. Эти данные употребляются, чтоб обеспечить наиболее различные советы для определенного человека.
Для чего необходимы рекомендательные системы
Мировой рынок онлайн-торговли вырастает ускоренными темпами с начала пандемии COVID-19. По данным eMarketer, в 2023 году размер глобального e-commerce приблизился к 6 трлн баксов, а в 2027 году превзойдет 8 трлн. Это одно из самых оживленно развивающихся направлений экономики, где разворачивается суровая конкурентность как меж технологическими гигантами, которые выступают площадками, так и меж отдельными маленькими торговцами (к примеру, по данным на 2022 год, наиболее 60% продаж на Amazon делают независящие селлеры). Также вырастает и ассортимент – например, на маркетплейсах могут быть представлены миллионы либо даже млрд продуктов.
Технологии, а именно рекомендательные методы, – одно из основных направлений, где уже разворачивается конкурентноспособная борьба, которая будет становиться все наиболее суровой в наиблежайшие годы. Для юзеров вырастает число схожих вариантов для покупки, а процесс выбора становится все наиболее затруднительным.
Для продавцов также все труднее становится привлечь и удержать внимание покупателей. Когда юзеры сталкиваются с большим выбором продуктов, методы советов стают индивидуальными ассистентами, предлагая пригодные варианты и сокращая временные издержки на поиск.
К примеру, в онлайн-магазинах нередко решается задачка next basket recommendation (NBR), во время которой требуется предвидеть состав последующей корзины юзера в согласовании с его потребностями.
Лаборатория исследовательских работ ИИ Tinkoff Research
Tinkoff Research – русская экспериментальная группа, которая занимается исследованиями снутри компании, а не на базе некоммерческой организации.
Ученые из Tinkoff Research изучат более многообещающие области ИИ: обработку естественного языка (NLP), компьютерное зрение (CV), обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) с подкреплением (RL) и рекомендательные системы (RecSys). По результатам тестов они пишут научные статьи для более знатных научных конференций: NeurIPS, ICML, ACL, CVPR и остальных.