Umělá inteligence Zvyšte výkon svého e-shopu pomocí umělé inteligence.

Doporučovací nástroj je v případě e-shopu osvědčeným způsobem up-sell a cross-sell produktů nebo služeb. V určitém okamžiku, kdy internetový obchod rozšíří své portfolio, selže manuální proklik nebo náhodné zobrazení doporučených produktů. Umělá inteligence nabízí řešení. Výsledek v podobě automatizace (to, co dříve řešili administrátoři, zvládne systém sám), ale zejména vyšší počet důležitých metrik, potěší každého klienta. A přesně to se nám v ui42 díky našemu doporučovacímu nástroji daří.

Umělou inteligenci v e-commerce prostředí úspěšně využívají významní světoví hráči, jako jsou YouTube, Alibaba a Netflix. Používají ji k tomu, aby návštěvníkům zobrazovaly personalizovaný obsah, aniž by o sobě museli zadávat jakékoli údaje. Tyto projekty však pracují s velkým množstvím dat, s nimiž mohou vytvářet datové soubory a trénovat modely, aby dosáhly požadovaného výsledku. Hypotéza, kterou jsme si stanovili na začátku našich experimentů, byla tedy jasná: 

• potřeba najít vhodný nástroj pro doplňkový prodej v e-shopu s velkým množstvím zboží
• nabízet relevantní produkty/služby, o které by měl konkrétní uživatel zájem
• automatizace up-sell/cross-sell aktivit
• zlepšení konverzí v podobě míry prokliku/prodeje

O tom, že v ui42 experimentujeme s umělou inteligencí, jsme již naznačili v našem blogu. Strojové učení (ML - machine learning), jako oblast umělé inteligence, dokáže pomocí získaných dat a nastaveného algoritmu vytvořit určitý statistický model. Ten se při správném pochopení může implementovat v rámci aplikací webové stránky (doporučování, virtuální asistent, spam AI). Díky dostupnosti rychlejších grafických karet (graphics processing unit - GPU) a vlastnímu serveru, který jsme příznačně pojmenovali Centrální mozek lidstva - CML, můžeme získaná data trénovat na vlastních modelech a ty následně aplikovat v praxi. Bonusově zde máme také A/B testování, které je pro nás tak typické. Právě pomocí něj totiž dokážeme relevantně vyhodnotit přínos našeho pilotního projektu v rámci umělé inteligence - doporučovacího nástroje.

Základem nasazení umělé inteligence na pozadí webu jsou kvalitní data. Zejména množství dat, která může klient generovat a která mu pomáháme shromažďovat, aby k nim mohl přistupovat. Množství produktů, které se navíc hůře přiřazují na základě vágních atributů (fotografie, barva, použití atd.), bývá skutečným úskalím pro klasický způsob tvorby produktových doporučení. Pro e-shop s širokým portfoliem je vytvoření takového nástroje křížového prodeje pomocí ručního prokliku prakticky nereálné. Doporučovací nástroj však může nabídku zobrazit zcela automaticky bez jakéhokoli zásahu, což je pro návštěvníka e-shopu zajímavé, protože je přizpůsobena každému konkrétnímu uživateli.

Ve chvíli, kdy nastane čas automatizace, má klient několik možností. A jsme hrdí na to, že umělá inteligence od ui42 nejen úspěšně konkuruje, ale také překonává výsledky "klasických řešení" doporučovacích nástrojů založených na algoritmech. Na základě testování hovoříme dokonce o 80% nárůstu konverzí ve srovnání s oblíbeným doporučovacím nástrojem, který používá mnoho slovenských e-shopů s velkým sortimentem.

Sběr dat je jedním z klíčových bodů pro nasazení strojového učení. V ui42 zpracováváme analytiku pomocí nástroje, který běží na našem serveru. Jedná se o alternativu k původně používanému nástroji Google Analytics, který nebyl pro potřeby tohoto nástroje dostačující. Hlavním důvodem je skutečnost, že doporučovací systém má přístup k transakčním analytickým datům (tj. nejen k agregovaným datům) a navíc má díky tomuto řešení data plně pod kontrolou. 

Důležité je průběžné sledování a kontrola dat. Chyba v nastavení analytického nástroje může způsobit, že sběr dat začne znovu. K ověření výsledků používáme A/B testování, v některých případech dokonce A/B/C testování. V tomto procesu porovnáváme nejen původní a naše řešení doporučovacího nástroje, ale také jeho další alternativní nastavení.

Transakčně rozčleněná data je pak třeba zpracovat do datasetů. Ty jsou seskupeny na základě relací, které pak vstupují do neuronové sítě.

V případě klienta Dedoles jsme pracovali s následujícími údaji.

• Návštěvy stránky produktu (zobrazení produktu)
• Objednané produkty
• Produkty přidané do košíku

Umělou inteligenci ui42 jsme úspěšně aplikovali v e-shopu Dedoles ve formě modelu "Mohlo by se vám líbit" v detailu produktu.

Vstupní údaje: Návštěvy produktových stránek (product views) > 80 000 000 záznamů

Cíl: Doporučovat související produkty podle vkusu zákazníka

Sledovaná metrika: CTR (Click Through Rate) oproti původnímu doporučení

Výsledek: Na třech největších trzích (SK, CZ a DE) dosáhl klient Dedoles 3-5x vyššího prokliku oproti původnímu doporučení

Ověření: A-B testování

Druhou alternativou pro umístění umělé inteligence ui42 je doporučení v košíku, které funguje na jiném algoritmu než detail produktu.

Vstupní data: nákupy v košíku (soubor dat o objednávkách) > 4 000 000 záznamů

Cíl: Doporučit produkty, které by zákazník chtěl zakoupit v nákupním košíku na základě jeho obsahu.

Sledovaná metrika: Výše objednávky.

Výsledek: Zvýšení průměrné ceny objednávky

Ověřování: testování A-B-C

• stránka kategórie (category page) a optimalizácia umiestnenia produktov (podkategórií) v rámci nej
• domovská stránka
• a iné