Персонализация онлайн и офлайн маргетинга – это очевидный тренд последнего десятилетия. По оценкам McKinsey, 35% выручки Amazon или 75% Netflix приходится именно на рекомендованные товары и процент этот, вероятно, будет расти. Рекомендательные системы – это про то, что предложить клиенту, чтобы сделать его счастливым.

На русском рынке существует проблема недоступности внедрения рекомендательных систем среди среднего ритейла, так как зачастую эта технология требует кастомной, индивидуальной разработки под конкретного заказчика, которая будет учитывать его специфику. Это довольно дорого и далеко не каждый представитель среднего ритейла может позволить себе это, потому что на сравнительно небольшом обороте такая технология будет долго себя окупать.

Команда проекта поставила цель решить описанную проблему, создав доступную и эффективную систему, анализирующую данные о потребностях и предпочтениях покупателей на основе обработки данных клиента. Также для нашего клиента она решает проблему «коммуникации» между покупателем и продавцом путём повышения лояльности. Таким образом, это ведет к увеличению среднего чека и жизненного цикла с покупателем.

Прежде чем приступить к разработке системы, мы должны были чётко понимать, для кого мы её делаем, поэтому провели проблемное интервью, чтобы чётко сформировать портрет клиента и посмотреть на проблему с его стороны. Интервьюируемым выступила начальник отдела маркетинга ООО «Лаконд и Ко» Лебедева Светлана. В результате интервью были подтверждены все представления о проблеме и предполагаемом спросе на конечный продукт, сформированные командой на этапе запуска проекта.

На данный момент наш минимально жизнеспособный продукт имеет форму python-библиотеки. В системе пока доступны 3 принимаемых формата данных, то есть наш клиент может предоставить нам информацию в виде размеченного документа .csv, общего файла данных.dat или в виде листа Excel. Внутри системы реализовано 3 рекомендательных независимых алгоритма, которые работают параллельно на одних и тех же данных, потом производится оценка релевантности полученных результатов исходя из 4-х показателей (метрик), затем пользователь получает наиболее удачный вариант.

Состоятельность и работоспособность системы была подтверждена техническим экспертом, в качестве которого выступил ведущий ML-программист ООО «ДатаЛаб», TeamLead проекта по рекомендательным системам, DataScience-специалист Вячеслав Пандов. Система способна рекомендовать по контенту, по профилю пользователя или предсказывать возможную оценку пользователя по тем, которые он уже выставил.

На страницу проекта