Egy jól megtervezett ajánlórendszer a gyakorlatban sok e-kereskedelmi implementációnál 10 és 20% közötti kosárérték-növekedést hozhat, a szemléltetés kedvéért ebben a cikkben egy 18 százalékos célértéket veszünk alapul. A cikk azt mutatja be, milyen módszertani elemekből adódhat össze egy ilyen nagyságrendű javulás, milyen buktatókkal kell számolni, és hogyan lehet korrekt módon mérni, hogy a rendszer valóban okoz-e üzleti hatást, nem csak korrelál vele.
Miért nehezebb egy jó ajánlórendszert építeni, mint elsőre tűnik?
Az első nehézség az adatritkaság: egy átlagos felhasználó a termékkatalógus töredékével lép csak interakcióba, így a legtöbb felhasználó-termék pár esetében nincs közvetlen megfigyelés arról, hogy tetszene-e neki az adott termék. A második nehézség a cold start probléma: új felhasználónál nincs történeti viselkedés, amiből tanulni lehetne, új terméknél pedig nincs korábbi interakció, ami alapján ajánlani lehetne.
A harmadik, gyakran alábecsült nehézség a visszacsatolási hurok torzítása: amit a rendszer ajánl, azt eleve nagyobb eséllyel veszik meg vagy kattintják meg a felhasználók, függetlenül attól, hogy ez volt-e ténylegesen a legjobb ajánlat számukra. Ha a modellt ezen a torzított adaton tanítjuk tovább, a rendszer idővel egyre inkább a saját korábbi döntéseit erősíti meg, nem a valós felhasználói preferenciát tanulja.
Milyen alapvető megközelítések léteznek?
A kollaboratív szűrés (collaborative filtering) abból indul ki, hogy a hasonló viselkedésű felhasználók hasonló termékeket fognak kedvelni, és a felhasználó-termék interakciós mátrix mintázataiból tanul, termékjellemzők ismerete nélkül is. A tartalomalapú szűrés (content-based filtering) ezzel szemben a termékek jellemzőire (kategória, ár, leírás, korábban megtekintett hasonló termékek) épít, és emiatt új termékeknél is működik, ahol még nincs interakciós adat. A gyakorlatban a legtöbb éles rendszer hibrid megoldás: a két megközelítést kombinálja, gyakran kiegészítve mátrixfaktorizációs vagy mélytanulási módszerekkel (embedding alapú, kéttornyú neurális háló architektúrákkal), amelyek a felhasználókat és a termékeket egy közös, tanult térben ábrázolják.
Miből adódhat össze a kosárérték-növekedés?
A javulás jellemzően három, egymást kiegészítő elemből tevődik össze. Az első a relevancia javulása: pontosabb, személyre szabottabb ajánlás nagyobb eséllyel vezet tényleges vásárláshoz, nem csak kattintáshoz. A második a diverzifikáció: egy jól hangolt rendszer nem csak a legnépszerűbb, mindenkinek ajánlott termékeket helyezi előtérbe, hanem a felhasználó egyéni preferenciájához illeszkedő, kevésbé nyilvánvaló termékeket is felszínre hozza, ami a kosárméretet és -összetételt is bővítheti, nem csak egy-egy termék konverzióját javítja.
A harmadik elem az elhelyezés és az időzítés: ugyanaz az ajánlás más hatást ér el a termékoldalon, a kosárban vagy a fizetési folyamat előtt, és a kontextushoz illesztett, valós idejű ajánlás jellemzően nagyobb hatást hoz, mint egy statikus, minden felületen azonos ajánlási blokk.
Hogyan kezelhető a cold start probléma?
Új felhasználónál a gyakorlatban bevált megoldás a tartalomalapú vagy népszerűség alapú alapértelmezett ajánlás, amíg elég interakciós adat nem gyűlik össze a személyre szabáshoz, ezt gyakran demográfiai vagy munkamenet-szintű jelekkel (honnan érkezett a felhasználó, milyen termékoldalakat nézett meg elsőként) egészítik ki. Új terméknél hasonlóan a termékjellemzők alapján történő besorolás segít, amíg elég interakció nem gyűlik össze ahhoz, hogy a kollaboratív komponens is érdemben hozzá tudjon szólni az ajánláshoz. Egy kifinomultabb megoldás az explicit felfedezés (exploration), amikor a rendszer szándékosan időnként kevésbé biztos, de potenciálisan releváns ajánlásokat is megjelenít, hogy gyorsabban gyűjtsön adatot az új termékekről vagy felhasználókról.
| Megközelítés | Erőssége | Korlátja |
|---|---|---|
| Kollaboratív szűrés | Nem igényel termékjellemzőt, jó relevancia elég adatnál | Gyenge cold start esetén, adatritkaságra érzékeny |
| Tartalomalapú szűrés | Új termékeknél is működik, jól magyarázható | Nem fedez fel váratlan, de releváns kapcsolatokat |
| Hibrid / embedding alapú | Egyesíti az előző kettő előnyeit, skálázható | Nagyobb adat- és infrastruktúra-igény, nehezebb magyarázhatóság |
Hogyan mérjük helyesen egy ajánlórendszer hatását?
A leggyakoribb módszertani hiba, hogy a rendszer hatását pusztán azon mérik, mennyi bevétel származik az ajánlott termékek megvásárlásából. Ez félrevezető, mert sok esetben a felhasználó a terméket az ajánlás nélkül is megvásárolta volna, a mutató ekkor korrelációt mutat, nem oksági hatást. A korrekt megközelítés a kontrollcsoportos A/B teszt: a felhasználók egy részénél kikapcsolják vagy leegyszerűsítik az ajánlórendszert, és az így kapott csoportot hasonlítják össze a teljes rendszert látó csoporttal, azonos időszakban, azonos külső körülmények mellett. Csak az így mért, csoportok közötti különbség tekinthető a rendszer tényleges hozzájárulásának.
Milyen buktatókra érdemes figyelni?
Az egyik gyakori buktató a népszerűségi torzítás felerősödése: ha a modell túlzottan a már népszerű termékeket ajánlja, azok még népszerűbbé válnak, miközben a katalógus többi része láthatatlan marad, ami hosszú távon csökkenti, nem növeli a kosár diverzitását. A másik buktató, amikor a csapat kizárólag a rövid távú kattintási arányra optimalizál, mert ez torzíthatja a rendszert olyan ajánlások felé, amik figyelemfelkeltőek, de nem feltétlenül vezetnek tényleges, elégedett vásárláshoz. Érdemes ezért a kattintási arány mellett a tényleges konverziót, a visszaküldési arányt és a hosszabb távú ügyfélelégedettséget is figyelembe venni az értékelésnél.
Gyakran ismételt kérdések
Reális célérték a 18 százalékos kosárérték-növekedés egy ajánlórendszertől?
A pontos mérték erősen függ a kiindulási állapottól, a termékkatalógus méretétől és az adatmennyiségtől, de a gyakorlatban 10 és 20% közötti kosárérték-növekedés jól dokumentált, reális tartomány egy jól megtervezett, megfelelően mért rendszernél.
Miért nem elég egyetlen kollaboratív szűrő modellt bevezetni?
Mert önmagában gyenge teljesítményt nyújt új felhasználóknál és új termékeknél (cold start probléma), és érzékeny az adatritkaságra. A gyakorlatban ezért hibrid megoldás, tartalomalapú kiegészítéssel, ad stabilabb eredményt.
Hogyan lehet elkerülni, hogy az ajánlórendszer csak a népszerű termékeket erősítse?
Explicit diverzifikációs mechanizmussal, amely szándékosan helyet ad kevésbé népszerű, de a felhasználó profiljához illeszkedő termékeknek is, valamint a népszerűségi torzítás rendszeres monitorozásával, nem csak a rövid távú konverziós mutatók figyelésével.
Miért félrevezető, ha az ajánlórendszer hatását az ajánlott termékek bevételéből mérjük?
Mert ez a mutató nem különbözteti meg, hogy a vásárlás az ajánlás miatt történt-e, vagy a felhasználó egyébként is megvette volna a terméket. A megbízható méréshez kontrollcsoportos A/B tesztre van szükség, ahol a rendszerrel és a rendszer nélküli csoport eredményét hasonlítjuk össze.
