[Разработка под e-commerce, Интернет-маркетинг, Управление e-commerce, Искусственный интеллект] Искусственный интеллект и планирование закупок на основе аналитики продаж
Автор
Сообщение
news_bot ®
Стаж: 6 лет 9 месяцев
Сообщений: 27286
Выдавая подсказки и прогнозируя события, искусственный интеллект формирует рекомендательные системы для ротации товаров и услуг, адекватной запросам пользователей, ориентируясь на их предпочтения. По задумке, этот процесс должен происходить почти моментально: распределение товаров по категориям, автоматическое создание пула сопутствующих товаров на основе ассоциативного ряда и манипуляции big-датой. Но в реальности искусственный интеллект не успевает за меняющимися пользовательскими предпочтениями, а часто попросту ошибается, ранжируя товары, исходя из поступавших ранее запросов. В результате взрослому мужчине маркетплейсы предлагают наборы одежды для кукол, которые, когда-то пользуясь его картой, заказывала дочка-школьница, а детям вручают «в подарок» новые марки машинного масла и подписки на бизнес семинары.Попадание в клиентаЧасто системы генерируют либо ошибочные, либо не актуальные рекомендации причем в большом количестве, используя плохо сопротивляющийся накруткам и взломам алгоритм. Таким образом, интернет-магазины сталкиваются с проблемой слабой эффективности генерируемых рекомендаций.Чтобы такого не происходило, создателям нейросетей необходимо решить проблему точного определения тенденций к изменениям и предпочтений у пользователей. То есть, рекомендательные движки должны учиться прогнозировать не только реакцию на предложение товара или услуги, но и предлагать похожие или альтернативные варианты (в зависимости от реакции пользователя). В e-commerce, по-отдельности функционирующие коллаборативные, контентные и экспертные рекомендательные системы могут давать сбои, и надо создавать гибридную. Гибкий гибридный рекомендационный алгоритм будет комбинировать данные, полученные по нескольким каналам, протяженным по времени. В них можно одновременно применять взвешенные, дополненные, смешанные и рандомные приемы. Алгоритм коллаборативной фильтрации выглядит таким образом. При наличии матрицы предпочтений и возможности определять похожесть при помощи косинусной меры, понадобится выбрать число пользователей со схожими вкусами. Вычислить косинусную меру для каждого пользователя, умножить его оценки на полученную величину меры и посчитать сумму калиброванных оценок для каждого товара. Формула алгоритма выглядит таким образом.
Функция sim – мера схожести двух пользователей.U — множество пользователей.r — выставленная оценка.k — нормировочный коэффициент, который высчитывается по данной формуле:
После решения уравнения надо будет кодифицировать информацию и перепроверить при помощи команды rec = makeRecommendation (‘имя пользователя, название товара (), вес, вес).Важно, чтобы учитывалась главная цель пользователя, посетившего сайт для покупок, укомплектовав всю информацию в матрицу товарных предложений так, чтобы системе были видны и промежуточные действия покупателя. Для этой категории действий потребуется определить систему измерения – начиная от наведения мышкой на товар и заканчивая оплатой товара. Это важно, так как часть товаров «выпадает» из списка покупок, после вторичного прочитывания списка заказчиком. Еще одна категория товаров, которая нередко оказывается в категории промежуточных действий – самые дорогие или элитные товары. Многие пользователи их просто просматривают, что, в дальнейшем приводит к ошибкам в построении рекомендательных алгоритмов. Определять низкую конверсиюТакже важен отсев и низкоконверсионных товаров, препятствующих совершению покупок. Их объем в среднем составляет 5%, а иногда достигает 12%. Но в этом вопросе надо быть аккуратными, чтобы в число таких товаров не попали товары, которые действительно нужны покупателю. Например, помада определенной марки, но в маркетплейсе она представлена ограниченной палитрой цветов. Последний фактор снижает конверсию, и в случае, когда покупка помады этой марки не происходит, то ее смело можно отсеивать.Чтобы не потерять часть клиентов на этапе выбора, важно построить адекватную запросам и психотипу человека систему модерации сообщений. Такой проект должен иметь микросервисную архитектуру, где каждый сервис выполняет свою задачу. Например, работу со складками, логистикой, хранением файлов и т д. Задача микросервиса отдавать запорашиваемую информацию или выполнять определенные, поступающие из других сервисов, запросы. Например, нужно вывести в админке список мерчантов и их документы. Система запрашивает в микросервисе ответственном за мерчантов их список, из сервиса хранения файлов берет сами документы. При этом микросервисы общаются между собой при помощи json.Учитывая то, что количество запросов с каждым днем нарастает, задача искусственного интеллекта снизить время их обработки, затраты на «живое» общение и конструирование диалога в режиме реального времени. Нейросеть и есть машинное обучение.В результате внедрения, система может в автоматическом режиме рекомендовать наиболее часто заказываемые конкретной категорией покупателей товары. Помимо налаживания «диалога» с пользователем, интернет-магазин решает вопрос холодного старта, поддерживая ожидания клиентов в том числе и за счет рекомендации линейки низкочастотных товаров.Почти все игроки рынка электронной коммерции, нарастив обороты за прошедший год, сегодня, сталкиваются с серьезной пробуксовкой бизнеса из-за того, что система не так хорошо, как хотелось бы, понимает пользователей. Вопрос создания универсальной модели искусственного интеллекта, который бы заменил маркетплейсам и маленьким магазинам продавца, товароведа и тонкого психолога – это вопрос одного-двух лет. И первый, кто сумеет учесть все вышеперечисленные ожидания бизнеса, станет лидером на рынке рекомендательных систем.
===========
Источник:
habr.com
===========
Похожие новости:
- [Python, Алгоритмы, Big Data, Машинное обучение, Искусственный интеллект] DataScience Digest — 02.06.21
- [Машинное обучение, Научно-популярное, Искусственный интеллект, Здоровье] Электронный нос с искусственным интеллектом находит раковые клетки по запаху
- [Машинное обучение, Искусственный интеллект] Ожидание и реальность: почему метрики ML-систем проседают на проде? Кейсы из работы Цельса
- [Обработка изображений, Машинное обучение, Искусственный интеллект] Как нормально распознавать бухгалтерские документы
- [Машинное обучение, Производство и разработка электроники, Научно-популярное, Искусственный интеллект] Проект NeuralPi ставит целью эмуляцию нейросетью любой гитарной педали
- [Работа с видео, Искусственный интеллект] В подмосковной школе нейросеть будет контролировать поведение учеников
- [Системное администрирование, Конференции, Облачные сервисы, Искусственный интеллект] Вебинары Hewlett Packard Enterprise | Июнь 2021
- [Математика, Машинное обучение, Искусственный интеллект] Теория игр как механизм для анализа крупномасштабных данных (перевод)
- [Разработка под e-commerce, Управление e-commerce, Голосовые интерфейсы] Яндекс научил Алису принимать платежи за онлайн-покупки. Девочка созрела
- [Разработка мобильных приложений, Обработка изображений, Машинное обучение, Искусственный интеллект] Ученые компании Smart Engines окончательно решили задачу распознавания паспорта РФ
Теги для поиска: #_razrabotka_pod_ecommerce (Разработка под e-commerce), #_internetmarketing (Интернет-маркетинг), #_upravlenie_ecommerce (Управление e-commerce), #_iskusstvennyj_intellekt (Искусственный интеллект), #_planirovanie_bjudzheta (планирование бюджета), #_planirovanie_resursov (планирование ресурсов), #_ecommerce, #_iskusstvennyj_intellekt (искусственный интеллект), #_prodazhi (продажи), #_analitik_dannyh (аналитик данных), #_ranzhirovanie_poiska (ранжирование поиска), #_razrabotka_pod_ecommerce (
Разработка под e-commerce
), #_internetmarketing (
Интернет-маркетинг
), #_upravlenie_ecommerce (
Управление e-commerce
), #_iskusstvennyj_intellekt (
Искусственный интеллект
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 09:14
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 9 месяцев |
|
|
Выдавая подсказки и прогнозируя события, искусственный интеллект формирует рекомендательные системы для ротации товаров и услуг, адекватной запросам пользователей, ориентируясь на их предпочтения. По задумке, этот процесс должен происходить почти моментально: распределение товаров по категориям, автоматическое создание пула сопутствующих товаров на основе ассоциативного ряда и манипуляции big-датой. Но в реальности искусственный интеллект не успевает за меняющимися пользовательскими предпочтениями, а часто попросту ошибается, ранжируя товары, исходя из поступавших ранее запросов. В результате взрослому мужчине маркетплейсы предлагают наборы одежды для кукол, которые, когда-то пользуясь его картой, заказывала дочка-школьница, а детям вручают «в подарок» новые марки машинного масла и подписки на бизнес семинары.Попадание в клиентаЧасто системы генерируют либо ошибочные, либо не актуальные рекомендации причем в большом количестве, используя плохо сопротивляющийся накруткам и взломам алгоритм. Таким образом, интернет-магазины сталкиваются с проблемой слабой эффективности генерируемых рекомендаций.Чтобы такого не происходило, создателям нейросетей необходимо решить проблему точного определения тенденций к изменениям и предпочтений у пользователей. То есть, рекомендательные движки должны учиться прогнозировать не только реакцию на предложение товара или услуги, но и предлагать похожие или альтернативные варианты (в зависимости от реакции пользователя). В e-commerce, по-отдельности функционирующие коллаборативные, контентные и экспертные рекомендательные системы могут давать сбои, и надо создавать гибридную. Гибкий гибридный рекомендационный алгоритм будет комбинировать данные, полученные по нескольким каналам, протяженным по времени. В них можно одновременно применять взвешенные, дополненные, смешанные и рандомные приемы. Алгоритм коллаборативной фильтрации выглядит таким образом. При наличии матрицы предпочтений и возможности определять похожесть при помощи косинусной меры, понадобится выбрать число пользователей со схожими вкусами. Вычислить косинусную меру для каждого пользователя, умножить его оценки на полученную величину меры и посчитать сумму калиброванных оценок для каждого товара. Формула алгоритма выглядит таким образом.  Функция sim – мера схожести двух пользователей.U — множество пользователей.r — выставленная оценка.k — нормировочный коэффициент, который высчитывается по данной формуле:  После решения уравнения надо будет кодифицировать информацию и перепроверить при помощи команды rec = makeRecommendation (‘имя пользователя, название товара (), вес, вес).Важно, чтобы учитывалась главная цель пользователя, посетившего сайт для покупок, укомплектовав всю информацию в матрицу товарных предложений так, чтобы системе были видны и промежуточные действия покупателя. Для этой категории действий потребуется определить систему измерения – начиная от наведения мышкой на товар и заканчивая оплатой товара. Это важно, так как часть товаров «выпадает» из списка покупок, после вторичного прочитывания списка заказчиком. Еще одна категория товаров, которая нередко оказывается в категории промежуточных действий – самые дорогие или элитные товары. Многие пользователи их просто просматривают, что, в дальнейшем приводит к ошибкам в построении рекомендательных алгоритмов. Определять низкую конверсиюТакже важен отсев и низкоконверсионных товаров, препятствующих совершению покупок. Их объем в среднем составляет 5%, а иногда достигает 12%. Но в этом вопросе надо быть аккуратными, чтобы в число таких товаров не попали товары, которые действительно нужны покупателю. Например, помада определенной марки, но в маркетплейсе она представлена ограниченной палитрой цветов. Последний фактор снижает конверсию, и в случае, когда покупка помады этой марки не происходит, то ее смело можно отсеивать.Чтобы не потерять часть клиентов на этапе выбора, важно построить адекватную запросам и психотипу человека систему модерации сообщений. Такой проект должен иметь микросервисную архитектуру, где каждый сервис выполняет свою задачу. Например, работу со складками, логистикой, хранением файлов и т д. Задача микросервиса отдавать запорашиваемую информацию или выполнять определенные, поступающие из других сервисов, запросы. Например, нужно вывести в админке список мерчантов и их документы. Система запрашивает в микросервисе ответственном за мерчантов их список, из сервиса хранения файлов берет сами документы. При этом микросервисы общаются между собой при помощи json.Учитывая то, что количество запросов с каждым днем нарастает, задача искусственного интеллекта снизить время их обработки, затраты на «живое» общение и конструирование диалога в режиме реального времени. Нейросеть и есть машинное обучение.В результате внедрения, система может в автоматическом режиме рекомендовать наиболее часто заказываемые конкретной категорией покупателей товары. Помимо налаживания «диалога» с пользователем, интернет-магазин решает вопрос холодного старта, поддерживая ожидания клиентов в том числе и за счет рекомендации линейки низкочастотных товаров.Почти все игроки рынка электронной коммерции, нарастив обороты за прошедший год, сегодня, сталкиваются с серьезной пробуксовкой бизнеса из-за того, что система не так хорошо, как хотелось бы, понимает пользователей. Вопрос создания универсальной модели искусственного интеллекта, который бы заменил маркетплейсам и маленьким магазинам продавца, товароведа и тонкого психолога – это вопрос одного-двух лет. И первый, кто сумеет учесть все вышеперечисленные ожидания бизнеса, станет лидером на рынке рекомендательных систем. =========== Источник: habr.com =========== Похожие новости:
Разработка под e-commerce ), #_internetmarketing ( Интернет-маркетинг ), #_upravlenie_ecommerce ( Управление e-commerce ), #_iskusstvennyj_intellekt ( Искусственный интеллект ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 09:14
Часовой пояс: UTC + 5