Эксперт оценил пользу рекомендательных алгоритмов
Алгоритмы, которые позволяют более точно прогнозировать потребительские покупки в интернете, помогают пользователям определиться с выбором «в этом мире разнообразия», заявил директор Tinkoff eCommerce Илья Кретов.
В сентябре на конференции по рекомендательным системам ACM RecSys в Сингапуре был представлен новый алгоритм для прогнозирования онлайн-покупок с учетом времени их совершения и периодичности. Его разработали ученые из лаборатории исследований искусственного интеллекта Tinkoff Research. Как пояснили разработчики, алгоритм понимает, какие именно товары нужны человеку в конкретный момент: внедрение показателя времени позволило увеличить точность прогнозирования до 8%. Новый метод был протестирован, в частности, на данных одной из крупнейших мировых торговых интернет-площадок.
«Представьте, что вы пришли в магазин, в котором сотни миллионов различных товаров от десятков миллионов поставщиков — так выглядит глобальный e-commerce. У вас есть всего лишь час на то, чтобы купить себе одежду, обувь, продукты питания и вещи для дома. Сделать это в реальном мире практически невозможно, поэтому алгоритмы во многом работают на покупателя: они помогают обеспечить ему не просто подбор нужных товаров, а найти конкретные товары под его нужды», — пояснил Кретов.
Он привел в пример исследования: одни говорят о том, что персонализация увеличивает конверсию в покупку на 40%, другие — что две трети пользователей смартфонов наиболее вероятно совершат покупку, если при выдаче индивидуальных рекомендаций будет учитываться их геолокация. «Но все сходятся в одном: подавляющее большинство потребителей поддерживают тергетированные под их интересы предложения и очень фрустрированны, когда это отсутствует. Поэтому персонализация и модули рекомендательных систем — up-sell или cross-sell — в e-commerce очень важны», — добавил Кретов.
В пресс-службе «Тинькофф» пояснили, что применение алгоритма позволит покупателям сэкономить время, необходимое на составление конкретной корзины. Он учитывает состав предыдущих покупок пользователя, а также анализирует точное время приобретения конкретных товаров в прошлом и периодичность покупок, выявляет взаимосвязи между приобретением товаров из разных категорий. Как считают в «Тинькофф», бизнесу это поможет повысить удовлетворенность клиентов, увеличить конверсию в покупку и простимулировать рост среднего чека.