Systemy rekomendacyjne AI: spersonalizowane propozycje produktów

Klient stojący przed półką nie potrzebuje listy wszystkich produktów, jakie sprzedawca ma w ofercie. Potrzebuje krótkiego, trafnego zestawu opcji, które pasują do jego obecnych potrzeb: zamiennika niedostępnego towaru, brakującego składnika do obiadu, produktu, który prawdopodobnie będzie musiał uzupełnić, albo produktu uzupełniającego, który naprawdę powinien znaleźć się w koszyku.

Rodzina obok ekspozycji produktów w sklepie spożywczym.

Taka jest praktyczna rola sztucznej inteligencji rekomendacyjnej w handlu stacjonarnym. System ten klasyfikuje produkty pod kątem konkretnego klienta lub kontekstu zakupowego, a następnie przekazuje te sugestie za pośrednictwem punktu kontaktu w sklepie. W Retail Media ten sam system może uwzględniać produkty sponsorowane, jednak wpływ komercyjny musi być widoczny i podlegać zasadom zarządzania. Płatna reklama nie powinna dyskretnie udawać neutralnej rekomendacji sprzedawcy.

Sztuczna inteligencja do rekomendacji ma węższy zakres niż dwie powiązane koncepcje omówione w tej serii. Spersonalizowany doradca zakupowy pomaga shopperowi podjąć decyzję, często wykorzystując zgłoszone potrzeby, ograniczenia i wyjaśnienia. Agent zakupowy oparty na sztucznej inteligencji może realizować szerszy cel obejmujący kolejne etapy lub usługi, takie jak wyszukiwanie, porównywanie i finalizowanie zakupu. System rekomendacji ma bardziej ograniczone zadanie: ocenia i klasyfikuje kolejne najlepsze produkty, oferty lub treści dla określonego obszaru wyświetlania.

Jak faktycznie działa system rekomendacji w handlu detalicznym

Przydatny system łączy trzy etapy:

Generowanie kandydatów: znalezienie łatwego do opanowania zestawu produktów, które mogą być istotne.
Ranking: uporządkowanie tych kandydatów pod kątem klienta, koszyka lub kontekstu.
Prezentacja: zastosowanie zasad biznesowych, bezpieczeństwa i dostępności przed wyświetleniem wyniku.

Typowa architektura, stosowana na przykład w opublikowanym systemie rekomendacji serwisu YouTube, oddziela generowanie propozycji od ich rankingowania, dzięki czemu model rankingowy ocenia łatwy do opanowania zestaw propozycji, a nie cały katalog.[1] W handlu detalicznym na etapie generowania propozycji mogą być wyszukiwane produkty kupowane przez podobne gospodarstwa domowe, produkty zastępcze w danej kategorii, produkty często kupowane wraz z aktualnym koszykiem lub produkty powiązane atrybutami. Na etapie rankingu rozważane jest następnie, która z tych propozycji najlepiej pasuje do bieżącego zapytania.

Końcowa warstwa prezentacji ma równie duże znaczenie jak sam model. Powinna ona usuwać produkty niedostępne w magazynie, uwzględniać ograniczenia dietetyczne lub związane z wiekiem, jeśli mają zastosowanie, egzekwować limity częstotliwości, blokować ostatnio odrzucone sugestie oraz rezerwować lub oznaczać pozycje sponsorowane. Może również wprowadzać kontrolowaną eksplorację, dzięki czemu nowsze lub rzadziej rekomendowane produkty mają uczciwą szansę na zebranie dowodów.

Taka architektura pozwala uniknąć powszechnego błędu: traktowania wyniku modelu jako ostatecznej odpowiedzi. Produkt może być statystycznie istotny, a mimo to jego wyświetlenie może być niewłaściwe, ponieważ jest niedostępny w danym sklepie, nie pasuje do aktualnego koszyka, jest nadmiernie eksponowany komercyjnie lub nieodpowiedni dla danego klienta.

Dane wejściowe, dzięki którym rekomendacje są użyteczne

Historia zakupów, zachowania podczas przeglądania, promocje, produkty uzupełniające i sezonowość mogą stanowić przydatne sygnały, o ile są uwzględnione w odpowiednio zarządzanym modelu operacyjnym.

Dane dotyczące transakcji i koszyka pokazują, co zostało kupione, w jakiej ilości, w którym sklepie, za jaką cenę i wraz z jakimi produktami. Wspiera to rekomendacje dotyczące uzupełniania zapasów, produktów zastępczych, powiązań oraz uzupełniania koszyka. Powiązania kategoryczne są szczególnie przydatne, gdy system musi odróżnić prawdopodobny związek między kupującym a produktem od surowej popularności produktu.

Zachowania cyfrowe mogą obejmować wyszukiwania, wyświetlenia stron produktów, dodawanie do listy, zapisywanie kuponów, interakcje w aplikacji oraz odrzucone rekomendacje. Są to sygnały intencji, a nie dowód zakupu. Należy nadawać im inne wagi niż zrealizowanym transakcjom.

Dane dotyczące produktów i katalogu obejmują kategorię, markę, rozmiar, smak, składniki, właściwości dietetyczne, przedział cenowy oraz relacje między produktami. Przejrzysta taksonomia pomaga systemowi radzić sobie z nowymi produktami i wyjaśniać, dlaczego dany produkt jest sugerowany.

Dane operacyjne obejmują dostępność na poziomie sklepu, aktualną cenę, kwalifikowalność do promocji, asortyment, obszar dostawy oraz ograniczenia realizacji zamówień. Rekomendacja dotycząca niedostępnego produktu marnuje uwagę kupującego i może zniekształcić raporty z kampanii.

Dane kontekstowe mogą obejmować czas, urządzenie, kanał, sklep, aktualną zawartość koszyka oraz inne warunki sesji istotne dla zapytania. W badaniach oceniano cechy kontekstowe w modelach rekomendacyjnych, natomiast dokumentacja produkcyjna pokazuje, w jaki sposób metadane kontekstowe mogą być dostarczane wraz z zapytaniami o rekomendacje, gdy są one spójnie reprezentowane w historycznych interakcjach oraz w momencie wnioskowania.[2][10]

Zasady handlowe definiują asortyment sponsorowany, wykluczenia marek, terminy kampanii, tempo wyświetlania oraz zobowiązania dotyczące kategorii. Zasady te powinny znajdować się w oddzielnej warstwie polityki, aby zespoły mogły sprawdzić, kiedy logika handlowa zmieniła naturalną kolejność wyświetlania.

Sprzedawcy detaliczni nie potrzebują wszystkich możliwych sygnałów. Potrzebują najmniejszej możliwej liczby sygnałów, które poprawiają dany przypadek użycia. Wytyczne FTC zalecają przedsiębiorstwom gromadzenie i przechowywanie wyłącznie danych niezbędnych do uzasadnionych celów, natomiast NIST określa prywatność, sprawiedliwość, przejrzystość, wiarygodność i odpowiedzialność jako powiązane elementy zarządzania ryzykiem związanym ze sztuczną inteligencją.[7][8]

Gdzie sztuczna inteligencja rekomendacyjna pojawia się w handlu detalicznym stacjonarnym

Sztuczna inteligencja służąca do rekomendacji nie ogranicza się do karuzeli w handlu elektronicznym. Handel stacjonarny tworzy kilka obszarów, w których kupujący nadal mogą podjąć działanie:

Aplikacja detalisty przed wizytą w sklepie: przypomnienia o uzupełnieniu zapasów, tworzenie list zakupów, odpowiednie oferty i informacje o dostępności produktów w konkretnym sklepie.
Aplikacja sprzedawcy w sklepie: sugestie dostosowane do alejki, produkty zastępcze, uzupełnianie koszyka i oferty lojalnościowe.
Ekrany na cyfrowych półkach lub na końcach regałów: rekomendacje kontekstowe oparte na lokalizacji, porze, asortymencie sklepu lub sesji w aplikacji, na którą klient wyraził zgodę.
Kioski i ekrany wspomagające sprzedaż: alternatywne propozycje z przewodnikiem dla złożonych kategorii lub produktów wymagających wyjaśnienia.
Procesy typu „scan-and-go”: produkty, które można dodać do aktualnego koszyka przed przejściem do kasy.
Powierzchnie przy kasie i na paragonie: natychmiastowe dodatki należy stosować oszczędnie; paragon często lepiej nadaje się do rekomendacji na przyszłe zakupy niż do pośpiesznej sprzedaży dodatkowej podczas bieżących zakupów.
Narzędzia dla pracowników: uszeregowane sugestie, które pomagają personelowi odpowiedzieć na prośbę kupującego, nie udając, że model ten zastępuje wiedzę o produktach.

Tożsamość zmienia granice możliwości. Zweryfikowany członek programu lojalnościowego może otrzymywać spersonalizowane rekomendacje oparte na historii zakupów, na którą wyraził zgodę. Anonimowy shopper nadal może otrzymywać przydatne rekomendacje kontekstowe oparte na lokalizacji sklepu, porze dnia, przeglądanym produkcie lub bieżącej sesji. Handel stacjonarny nie powinien traktować inwazyjnej identyfikacji jako warunku koniecznego dla trafności rekomendacji.

Jak sztuczna inteligencja rekomendacyjna łączy się z Retail Media

Powierzchnia rekomendacji może zawierać wyniki organiczne, wyniki sponsorowane lub ich kontrolowaną mieszankę. Sprzedawca powinien zdefiniować tę mieszankę przed sprzedażą miejsca reklamowego.

Ranking organiczny powinien optymalizować wartość dla kupujących w ramach określonych ograniczeń. Ranking sponsorowany wprowadza inny cel: płatną widoczność lub realizację kampanii. Jeśli cel płatny przeważa nad trafnością, obszar ten staje się miejscem reklamowym przebranym za silnik rekomendacji.

Solidny projekt Retail Media opiera się na czterech mechanizmach kontroli:

Produkty sponsorowane muszą przejść te same podstawowe kontrole kwalifikacyjne, co produkty organiczne, w tym dostępność i dopasowanie do kategorii.
Interfejs musi wyraźnie oznaczać treści reklamowe i umieszczać te oznaczenia w pobliżu rekomendacji. Wytyczne FTC dotyczące reklamy natywnej stanowią, że treści komercyjne nie powinny być prezentowane jako niezależne lub bezstronne, a zgrupowane widżety rekomendacji mogą wymagać indywidualnych oznaczeń lub wyraźnego wizualnego oddzielenia.[9]
Raportowanie musi oddzielać wyniki rekomendacji organicznych od wyników reklam sponsorowanych.
Sprzedawca powinien ograniczyć powtarzalność i monitorować, czy niewielka grupa reklamodawców nie ogranicza możliwości odkrywania asortymentu.

Możliwości medialne są największe, gdy rekomendacja rozwiązuje problem kupującego. Sponsorowany sos do makaronu wyświetlany, ponieważ makaron znajduje się już w koszyku, ma uzasadniony kontekst. Płatny produkt umieszczony wyłącznie dlatego, że realizacja kampanii jest opóźniona względem harmonogramu emisji, nie ma takiego uzasadnienia.

Jak oceniać system rekomendacji

Ocena rekomendacji wymaga uwzględnienia trzech poziomów: jakości modelu, zachowań kupujących oraz inkrementalności wartości komercyjnej.

Ocena modelu w trybie offline

Przed uruchomieniem należy porównać modele w tym samym przedziale danych oraz z prostymi punktami odniesienia, takimi jak popularność, bestsellery w danej kategorii lub istniejące reguły biznesowe. Przydatne wskaźniki to precyzja przy K, odzyskiwalność przy K, znormalizowany zdyskontowany zysk skumulowany, średnia odwrotność rangi oraz pokrycie katalogu. Dokumentacja AWS ostrzega również przed porównywaniem modeli wytrenowanych na różnych danych tak, jakby różnica w wskaźnikach wynikała wyłącznie z algorytmu.[5]

Dokładność w trybie offline nie wystarczy. Należy dodać diagnostykę dotyczącą:

zasięg w całym katalogu i kategoriach;
wydajność w odniesieniu do nowych klientów i nowych produktów;
naruszeń dostępności;
powtórzeń i koncentracji;
opóźnienia w rekomendacjach;
wyniki w podziale na sklepy, powierzchnię i grupy shopperów;
udział reklam sponsorowanych i wyparcie wyników organicznych.

Zachowania online

Przeprowadź kontrolowane testy na rzeczywistej powierzchni. W zależności od umiejscowienia zmierz wskaźnik wyświetleń rekomendacji, wskaźnik interakcji, wskaźnik dodania do koszyka, konwersję zakupową, przychód lub marżę na sesję, dodawanie produktów uzupełniających do koszyka, powtórne zakupy oraz jawne odrzucenia. Parametry kontrolne powinny obejmować porzucenie aplikacji lub kiosku, opóźnienie, wskaźnik skarg oraz kliknięcia w przypadku braku towaru na stanie.

Systemy działające w czasie rzeczywistym powinny rejestrować identyfikator rekomendacji, wyświetlony ranking, zestaw kwalifikujących się produktów, zastosowane reguły oraz ostateczną interakcję. Bez tego dziennika ekspozycji zespoły nie są w stanie stwierdzić, czy produkt został zarekomendowany, jedynie kwalifikował się do rekomendacji, czy też został zakupiony bez wyświetlenia. Z tego powodu produkcyjne platformy personalizacji obsługują atrybucję zdarzeń.[3][4]

Przyrostowy wpływ komercyjny

Nabywcy zajmujący się zakupem mediów w handlu detalicznym muszą wiedzieć, do czego doprowadziły rekomendacje, a nie tylko co stało się po ekspozycji. W miarę możliwości należy stosować losowe grupy holdout, a gdy randomizacja jest niepraktyczna, udokumentowaną metodę kontrfaktyczną. Wytyczne IAB/MRC definiują inkrementalność jako wartość powyżej poziomu bazowego i kładą nacisk na integralność danych, przejrzystą metodologię oraz porównywalne grupy testowe i kontrolne.[6]

Należy mierzyć wynik odpowiadający danemu zadaniu. Model substytucji można oceniać na podstawie zachowanych konwersji i zmniejszonej liczby porzuconych koszyków. Model uzupełniania koszyka można oceniać na podstawie przyrostowego dodawania produktów uzupełniających i wartości koszyka. Model uzupełniania zapasów można oceniać na podstawie czasu ponownego zakupu. Rekomendacja sponsorowana powinna również uwzględniać przyrostową sprzedaż lub zysk, a nie tylko kliknięcia i atrybucję przychodów.

Ryzyka, na które należy zwrócić uwagę podczas projektowania

Pętle sprzężenia zwrotnego i błąd popularności: produkty wyświetlane częściej generują więcej interakcji, co może sprawić, że model będzie miał do nich jeszcze większe zaufanie. Należy śledzić zarówno ekspozycję, jak i zakupy, a także utrzymywać eksplorację i analizować koncentrację rekomendacji w katalogu.

Zimny start: nowy klient lub produkt ma niewielką historię interakcji. Atrybuty produktu, kontekst sklepu, zachowanie podczas sesji oraz dobrze zdefiniowane poziomy odniesienia popularności mogą stanowić punkt wyjścia do czasu pojawienia się mocniejszych dowodów.

Błędne dane i błędy identyfikacyjne: zduplikowane konta lojalnościowe, wspólne karty rodzinne, zwroty, zamiany produktów oraz nieprawidłowe przyporządkowania numerów katalogowych (SKU) mogą tworzyć fałszywe preferencje. Kontrola jakości danych powinna odbywać się na etapie poprzedzającym szkolenie modelu.

Nadmierna personalizacja: wczorajszy zakup nie zawsze odzwierciedla dzisiejszy cel. Klient kupujący produkty dla niemowląt, prezenty lub leki może nie chcieć, aby te kategorie były traktowane jako stała cecha tożsamości. Należy wykorzystywać aktualność, kontekst oraz mechanizmy kontroli, które pozwalają użytkownikom odrzucać lub resetować rekomendacje.

Wnioskowanie dotyczące danych wrażliwych: nie należy wyciągać wniosków ani ujawniać wrażliwych informacji tylko dlatego, że wzorce zawartości koszyka umożliwiają takie powiązania. Należy ograniczyć wykorzystanie danych do minimum, udokumentować dozwolone zastosowania oraz wprowadzić weryfikację przez człowieka w przypadku kategorii wysokiego ryzyka.[7][8]

Niejasność reklam sponsorowanych: kupujący powinni być w stanie odróżnić płatną pozycję od wyniku organicznego. Jasne oznaczenia chronią zaufanie i sprawiają, że pomiar skuteczności kampanii jest bardziej rzetelny.[9]

Sukces zastępczy: wyższy współczynnik klikalności może iść w parze z gorszymi wynikami dla shopperów, niższą marżą lub brakiem przyrostowej sprzedaży. Wskaźniki modelowe są narzędziami diagnostycznymi, a nie ostateczną oceną biznesową.

Praktyczna sekwencja wdrażania

Zacznij od jednego kanału i jednego zadania. „Poleć coś trafnego” to niewystarczające wytyczne. „Zaproponuj dostępny w magazynie produkt uzupełniający do bieżącego koszyka w trybie „scan-and-go”” to zadanie, które można przetestować.

Zdefiniuj katalog produktów kwalifikujących się do rekomendacji, dane wejściowe, reguły awaryjne i ograniczenia komercyjne. Zbuduj prostą linię bazową przed stworzeniem złożonego modelu. Zainstaluj narzędzia do pomiaru ekspozycji i wyników przed uruchomieniem. Następnie przetestuj w trybie offline, przeprowadź test holdout online, przeanalizuj wyniki według kohort i sklepów oraz z góry zdecyduj, jakie dowody uzasadniałyby rozszerzenie działania.

Należy oddzielić usługę rekomendacji od interfejsu i warstwy polityki Retail Media. Ułatwia to ponowne wykorzystanie modelu w aplikacjach, kioskach i narzędziach dla pracowników, zachowując jednocześnie różne reguły dla każdego miejsca wyświetlania. Sprawia to również, że sponsorowane nadpisania stają się widoczne, zamiast być ukryte w kodzie modelu.

Często zadawane pytania

Czy sztuczna inteligencja do rekomendacji to to samo, co spersonalizowany doradca zakupowy?

Nie. Sztuczna inteligencja do rekomendacji klasyfikuje ograniczony zestaw produktów lub ofert dla określonej powierzchni. Doradca zakupowy pomaga kupującemu w podjęciu decyzji i może zadawać pytania, porównywać kompromisy lub wyjaśniać wynik.

Czy to to samo, co agent zakupowy oparty na sztucznej inteligencji?

Nie. Agent zakupowy może planować i realizować kilka kroków prowadzących do osiągnięcia celu. System rekomendacji dostarcza uszeregowane opcje w ramach jednego z tych kroków. Agent może wywołać usługę rekomendacji, ale te dwa systemy mają różny zakres działania i odpowiedzialność.

Czy sztuczna inteligencja zajmująca się rekomendacjami może działać bez identyfikacji shopperów?

Tak. Sklep, pora dnia, stan magazynowy, aktualna zawartość koszyka, kontekst produktu oraz zachowanie użytkownika podczas sesji mogą stanowić podstawę anonimowych rekomendacji. Indywidualna historia zakupów może usprawnić niektóre przypadki użycia, ale nie jest wymagana przy każdym wyświetleniu rekomendacji.

Czy produkty sponsorowane powinny być mieszane z rekomendacjami organicznymi?

Można je łączyć, pod warunkiem że produkty sponsorowane pozostają trafne i kwalifikują się do wyświetlenia, reklamy są wyraźnie oznaczone, proporcje podlegają odpowiednim zasadom zarządzania, a raporty oddzielają wyniki płatnych reklam od wyników organicznych.

Jaki jest najważniejszy wskaźnik sukcesu?

Nie ma jednego uniwersalnego wskaźnika. Wybierz miarę, która odpowiada celowi rekomendacji, a następnie przetestuj jej wpływ na wyniki. Liczba kliknięć może pomóc w zdiagnozowaniu problemu, ale nie dowodzi wzrostu sprzedaży ani wartości dla klientów.

Co detalista powinien wdrożyć w pierwszej kolejności?

Wybierz częsty, możliwy do zaobserwowania problem, dla którego dostępne są wiarygodne dane, oraz miejsce, w którym można przeprowadzić kontrolowany test. Uzupełnianie koszyka w sklepie, produkty zastępcze dla niedostępnych towarów oraz uzupełnianie zapasów za pomocą aplikacji to bardziej konkretne punkty wyjścia niż nieokreślona obietnica personalizacji wszystkiego.

Źródła

Google Research, „Głębokie sieci neuronowe w rekomendacjach YouTube”: https://research.google/pubs/deep-neural-networks-for-youtube-recommendations/
Google Research, „Latent Cross: Wykorzystanie kontekstu w rekurencyjnych systemach rekomendacji”: https://research.google/pubs/latent-cross-making-use-of-context-in-recurrent-recommender-systems/
Amazon Web Services, „Rejestrowanie zdarzeń w czasie rzeczywistym w celu wpływania na rekomendacje”: https://docs.aws.amazon.com/personalize/latest/dg/recording-events.html
Amazon Web Services, „Wskaźniki zdarzeń i raporty atrybucji”: https://docs.aws.amazon.com/personalize/latest/dg/event-metrics.html
Amazon Web Services, „Ocena wersji rozwiązania Amazon Personalize za pomocą wskaźników”: https://docs.aws.amazon.com/personalize/latest/dg/working-with-training-metrics.html
IAB/MRC, „Wytyczne dotyczące pomiaru Retail Media”: https://www.iab.com/wp-content/uploads/2024/01/IAB_Retail_Media_Measurement_Guidelines_January2024.pdf
NIST, „Ramy zarządzania ryzykiem związanym ze sztuczną inteligencją”: https://www.nist.gov/itl/ai-risk-management-framework
Federalna Komisja Handlu, „Ochrona danych osobowych: przewodnik dla przedsiębiorstw”: https://www.ftc.gov/business-guidance/resources/protecting-personal-information-guide-business
Federalna Komisja Handlu, „Reklama natywna: przewodnik dla przedsiębiorstw”: https://www.ftc.gov/business-guidance/resources/native-advertising-guide-businesses
Amazon Web Services, „Zwiększanie trafności rekomendacji dzięki metadanym kontekstowym”: https://docs.aws.amazon.com/personalize/latest/dg/contextual-metadata.html

Chcesz zobaczyć, jak to działa w praktyce?

Footprints AI pomaga markom i detalistom mierzyć to, co naprawdę ma znaczenie. Zobacz nasze historie sukcesu klientów lub skontaktuj się z nami, aby porozmawiać o strategii Retail Media.