Sveiki visiem! Mani sauc SaÅ”a, es esmu LoyaltyLab CTO un lÄ«dzdibinÄtÄjs. Pirms diviem gadiem mÄs ar draugiem, kÄ jau visi nabaga studenti, vakarÄ devÄmies pÄc alus uz tuvÄko veikalu pie mÄjas. BijÄm ļoti apbÄdinÄti, ka mazumtirgotÄjs, zinot, ka nÄksim pÄc alus, nepiedÄvÄja atlaidi ne Äipsiem, ne krekeriem, lai gan tas ir tik loÄ£iski! MÄs nesapratÄm, kÄpÄc Å”Äda situÄcija notiek, un nolÄmÄm izveidot savu uzÅÄmumu. Nu bonusÄ izrakstiet sev atlaides katru piektdienu tiem paÅ”iem Äipsiem.
Un viss nonÄca tiktÄl, ka es runÄju ar materiÄlu par produkta tehnisko pusi NVIDIA GTC. MÄs esam priecÄ«gi dalÄ«ties ar savu darbu ar sabiedrÄ«bu, tÄpÄc es ievietoju savu ziÅojumu raksta veidÄ.
Ievads
TÄpat kÄ visi ceļojuma sÄkumÄ, mÄs sÄkÄm ar pÄrskatu par to, kÄ tiek veidotas ieteikumu sistÄmas. Un vispopulÄrÄkÄ izrÄdÄ«jÄs Å”Äda veida arhitektÅ«ra:
Tas sastÄv no divÄm daļÄm:
KandidÄtu atlase ieteikumiem, izmantojot vienkÄrÅ”u un Ätru modeli, parasti sadarbojoties.
KandidÄtu ranžÄÅ”ana pÄc sarežģītÄka un lÄnÄka satura modeļa, Åemot vÄrÄ visas iespÄjamÄs pazÄ«mes datos.
Å eit un tÄlÄk es izmantoÅ”u Å”Ädus terminus:
kandidÄts / kandidÄts rekomendÄcijÄm - lietotÄja-produktu pÄris, kas potenciÄli var iekļūt ieteikumos ražoÅ”anÄ.
kandidÄtu ekstrakcijas/ekstraktora/kandidÄtu ekstrakcijas metode ā process vai metode āieteikumu kandidÄtuā iegÅ«Å”anai no pieejamajiem datiem.
PirmajÄ posmÄ parasti tiek izmantotas dažÄdas sadarbÄ«bas filtrÄÅ”anas variÄcijas. VispopulÄrÄkais - ALS. PÄrsteidzoÅ”i, ka lielÄkÄ daļa rakstu par ieteikumu sistÄmÄm tikai pirmajÄ posmÄ atklÄj dažÄdus sadarbÄ«bas modeļu uzlabojumus, bet neviens nerunÄ par citÄm izlases metodÄm. Mums pieeja izmantot tikai sadarbÄ«bas modeļus un dažÄdas optimizÄcijas ar tiem nedarbojÄs tik kvalitÄtÄ, kÄ mÄs gaidÄ«jÄm, tÄpÄc mÄs iedziļinÄjÄmies izpÄtÄ tieÅ”i par Å”o daļu. Un raksta beigÄs es parÄdÄ«Å”u, cik daudz mÄs varÄjÄm uzlabot ALS, kas bija mÅ«su bÄzes stÄvoklis.
Pirms pÄrietu uz mÅ«su pieejas aprakstu, ir svarÄ«gi atzÄ«mÄt, ka ar reÄllaika ieteikumiem, kad mums ir svarÄ«gi Åemt vÄrÄ datus, kas notikuÅ”i pirms 30 minÅ«tÄm, patieÅ”Äm nav daudz pieeju, kas varÄtu darboties Ä«stajÄ laikÄ. TaÄu mÅ«su gadÄ«jumÄ ieteikumi ir jÄvÄc ne biežÄk kÄ reizi dienÄ un vairumÄ gadÄ«jumu ā reizi nedÄļÄ, kas dod iespÄju izmantot sarežģītus modeļus un vairot kvalitÄti.
Å emsim par bÄzes lÄ«niju, kÄdus rÄdÄ«tÄjus tikai ALS parÄda kandidÄtu iegÅ«Å”anas uzdevumÄ. Galvenie rÄdÄ«tÄji, kurus mÄs uzraugÄm, ir:
PrecizitÄte - pareizi atlasÄ«to kandidÄtu Ä«patsvars no atlasÄ«tajiem.
Atsaukt ā to kandidÄtu Ä«patsvars, kuri faktiski atradÄs mÄrÄ·a intervÄlÄ.
F1-score ā F-rezultÄts, kas aprÄÄ·inÄts par iepriekÅ”Äjiem diviem punktiem.
MÄs arÄ« apskatÄ«sim galÄ«gÄ modeļa rÄdÄ«tÄjus pÄc gradienta palielinÄÅ”anas apmÄcÄ«bas ar papildu satura funkcijÄm. Ir arÄ« 3 galvenie rÄdÄ«tÄji:
precision@5 ā vidÄjais trÄpÄ«jumu procentuÄlais daudzums no 5 labÄkajiem pÄc varbÅ«tÄ«bas katram klientam.
response-rate@5 ā pircÄju pÄrvÄrÅ”ana no veikala apmeklÄjuma vismaz viena personÄ«gÄ piedÄvÄjuma iegÄdÄ (vienÄ piedÄvÄjumÄ ir 5 preces).
vid. roc-auc vienam lietotÄjam ā vidÄjs roc-auc katram pircÄjam.
Ir svarÄ«gi atzÄ«mÄt, ka visi Å”ie rÄdÄ«tÄji tiek mÄrÄ«ti laika rindu savstarpÄja validÄcija, tas ir, apmÄcÄ«ba notiek pirmajÄs k nedÄļÄs, un k + 1 nedÄļas tiek Åemtas par testa datiem. TÄdÄjÄdi sezonÄlie kÄpumi/kritumi modeļu kvalitÄtes interpretÄciju ietekmÄja minimÄli. TurklÄt visÄs diagrammÄs abscisu ass norÄdÄ«s nedÄļas numuru savstarpÄjÄ validÄcijÄ, bet ordinÄtu ass norÄda norÄdÄ«tÄs metrikas vÄrtÄ«bu. Visi grafiki ir balstÄ«ti uz viena klienta darÄ«jumu datiem, lai to salÄ«dzinÄjums bÅ«tu pareizs.
Pirms sÄkam aprakstÄ«t savu pieeju, vispirms apskatÄ«sim bÄzes lÄ«niju, kas ir ALS apmÄcÄ«tais modelis.
KandidÄtu ieguves metrika:
GalÄ«gie rÄdÄ«tÄji:
Visas algoritmu ievieÅ”anas es uztveru kÄ sava veida biznesa hipotÄzi. TÄdÄjÄdi, ļoti aptuveni, jebkurus sadarbÄ«bas modeļus var uzskatÄ«t par hipotÄzi, ka "cilvÄki mÄdz pirkt to, ko pÄrk cilvÄki, kas viÅiem patÄ«k". KÄ jau teicu, mÄs neaprobežojÄmies ar Å”Ädu semantiku, un Å”eit ir dažas hipotÄzes, kas joprojÄm lieliski darbojas attiecÄ«bÄ uz datiem bezsaistes mazumtirdzniecÄ«bÄ:
Ko jÅ«s iepriekÅ” esat iegÄdÄjies.
LÄ«dzÄ«gi tam, ko iegÄdÄjos iepriekÅ”.
Sen pagÄtnes pirkuma periods.
PopulÄrs pÄc kategorijas/zÄ«mola.
AlternatÄ«va dažÄdu preÄu iegÄde no nedÄļas uz nedÄļu (Markova Ä·Ädes).
AcÄ«mredzamÄkÄ heiristika, kas ļoti labi darbojas pÄrtikas preÄu mazumtirdzniecÄ«bÄ. Å eit mÄs Åemam visas preces, kuras lojalitÄtes kartes Ä«paÅ”nieks iegÄdÄjÄs pÄdÄjÄs K dienÄs (parasti 1-3 nedÄļas), vai K dienÄ pirms gada. Izmantojot tikai Å”o metodi, mÄs iegÅ«stam Å”Ädus rÄdÄ«tÄjus:
Å eit ir pilnÄ«gi skaidrs, ka jo vairÄk mÄs uztveram periodu, jo vairÄk atceramies un mazÄk precizitÄti, un otrÄdi. LabÄki rezultÄti vidÄji klientiem ir āpÄdÄjÄs 2 nedÄļasā.
LÄ«dzÄ«gi tam, ko iegÄdÄjos iepriekÅ”
Nav pÄrsteidzoÅ”i, ka pÄrtikas preÄu mazumtirdzniecÄ«bÄ labi darbojas āpirmais pirktsā, taÄu izvilkt kandidÄtus tikai no tÄ, ko lietotÄjs jau ir iegÄdÄjies, nav Ä«paÅ”i forÅ”i, jo diez vai pircÄju izdosies pÄrsteigt ar kÄdu jaunu preci. TÄpÄc mÄs ierosinÄm nedaudz uzlabot Å”o heiristisku informÄciju, izmantojot tos paÅ”us sadarbÄ«bas modeļus. No vektoriem, ko saÅÄmÄm ALS apmÄcÄ«bu laikÄ, jÅ«s varat iegÅ«t lÄ«dzÄ«gus produktus tiem, ko lietotÄjs jau ir iegÄdÄjies. Å Ä« ideja ir ļoti lÄ«dzÄ«ga ālÄ«dzÄ«gajiem videoā video satura skatÄ«Å”anÄs servisos, taÄu, tÄ kÄ mÄs nezinÄm, ko lietotÄjs konkrÄtajÄ brÄ«dÄ« Äd/pÄrk, varam meklÄt tikai kaut ko lÄ«dzÄ«gu tikai tam, ko viÅÅ” jau ir iegÄdÄjies, jo Ä«paÅ”i tÄpÄc, ka mÄs jau zinÄm, cik labi tas darbojas. Lietojot Å”o metodi lietotÄju darÄ«jumiem pÄdÄjo 2 nedÄļu laikÄ, mÄs iegÅ«stam Å”Ädus rÄdÄ«tÄjus:
Å eit k - lÄ«dzÄ«gu preÄu skaits, kas tiek izgÅ«tas par katru pircÄja iegÄdÄto preci pÄdÄjo 14 dienu laikÄ.
Å Ä« pieeja mums darbojÄs Ä«paÅ”i labi klientam, kurÅ” bija kritisks, lai vispÄr neieteiktu to, kas jau bija lietotÄja pirkumu vÄsturÄ.
Sen pagÄjis pirkÅ”anas periods
KÄ jau esam noskaidrojuÅ”i, lielÄ preÄu pirkÅ”anas biežuma dÄļ mÅ«su specifikai labi der pirmÄ pieeja. Bet kÄ ar tÄdÄm precÄm kÄ veļas pulveris/Å”ampÅ«ns/utt. Tas ir, ar produktiem, kas, visticamÄk, nebÅ«s vajadzÄ«gi reizi nedÄÄ¼Ä vai divÄs un kurus nevar iegÅ«t ar iepriekÅ”ÄjÄm metodÄm. Tas nozÄ«mÄ Å”Ädu domu - tiek piedÄvÄts aprÄÄ·inÄt katras preces iegÄdes periodu vidÄji tiem pircÄjiem, kuri iegÄdÄjÄs preci vairÄk k vienreiz. Un pÄc tam izvelciet to, kas, visticamÄk, pircÄjam jau ir beidzies. AprÄÄ·inÄto preÄu periodu atbilstÄ«bu var pÄrbaudÄ«t ar acÄ«m:
Un tad mÄs redzÄsim, vai produkta perioda beigas iekrÄ«t laika intervÄlÄ, kad ieteikumi bÅ«s ražoÅ”anÄ, un izlasÄ«sim, kas iekrÄ«t. Å o pieeju var ilustrÄt Å”Ädi:
Å eit ir 2 galvenie gadÄ«jumi, ko var apsvÄrt:
Vai izvÄlÄties produktus klientiem, kuri iegÄdÄjÄs produktu mazÄk nekÄ K reizes.
NorÄda, vai Åemt produkta paraugu, ja tÄ perioda beigas iekrÄ«t pirms mÄrÄ·a intervÄla sÄkuma.
SekojoÅ”Ä diagramma parÄda, kÄdus rezultÄtus Å”Äda metode sasniedz ar dažÄdiem hiperparametriem:
ft - Å emiet tikai tos pircÄjus, kuri iegÄdÄjÄs preci vismaz K (Å”eit K = 5) reizes tm ā Å emiet tikai tos kandidÄtus, kuri ietilpst mÄrÄ·a intervÄlÄ
Nav pÄrsteidzoÅ”i, spÄjÄ«gs (0, 0) lielÄkais atgÄdinÄt un mazÄkais precizitÄte, jo saskaÅÄ ar Å”o nosacÄ«jumu tiek iegÅ«ts visvairÄk kandidÄtu. TomÄr vislabÄkie rezultÄti tiek iegÅ«ti, ja mÄs neÅemam produktu paraugus klientiem, kuri iegÄdÄjÄs konkrÄto preci mazÄk nekÄ k reizes un izvelciet, cita starpÄ, preces, kuru perioda beigas iekrÄ«t pirms mÄrÄ·a intervÄla.
PopulÄrs pÄc kategorijas
VÄl viena diezgan acÄ«mredzama ideja ir atlasÄ«t populÄrus produktus dažÄdÄs kategorijÄs vai zÄ«molos. Å eit mÄs aprÄÄ·inÄm katram klientam top-k āiecienÄ«tÄkÄsā kategorijas/zÄ«moli un izvelciet āpopulÄrosā no Ŕīs kategorijas/zÄ«mola. MÅ«su gadÄ«jumÄ mÄs definÄjam āmīļÄkoā un āpopulÄroā pÄc preÄu pirkumu skaita. Å Ä«s pieejas papildu priekÅ”rocÄ«ba ir tÄs pielietojamÄ«ba aukstÄs palaiÅ”anas gadÄ«jumÄ. Tas ir, klientiem, kuri ir veikuÅ”i vai nu ļoti maz pirkumu, vai nav bijuÅ”i veikalÄ ilgu laiku, vai vispÄr ir izsnieguÅ”i tikai lojalitÄtes karti. ViÅiem vieglÄk un vislabÄk ir iemest preces no pircÄju iecienÄ«tÄm precÄm ar jau esoÅ”u vÄsturi. RÄdÄ«tÄji ir Å”Ädi:
Å eit skaitlis aiz vÄrda ākategorijaā nozÄ«mÄ kategorijas ligzdoÅ”anas lÄ«meni.
KopumÄ nav arÄ« pÄrsteidzoÅ”i, ka Å”aurÄkÄs kategorijÄs sasniedz labÄkus rezultÄtus, jo tÄs izvelk precÄ«zÄkus pircÄju āmīļÄkÄsā preces.
AlternatÄ«va dažÄdu preÄu iegÄde no nedÄļas uz nedÄļu
Interesanta pieeja, ko neesmu redzÄjis rakstos par ieteikuma sistÄmÄm, ir diezgan vienkÄrÅ”a un tajÄ paÅ”Ä laikÄ strÄdÄjoÅ”a Markova Ä·Äžu statistiskÄ metode. Å eit mÄs paÅemam 2 dažÄdas nedÄļas, pÄc tam katram klientam veidojam produktu pÄrus [pirkts i nedÄļÄ]-[pirkts j nedÄļÄ], kur j > i, un no Å”ejienes mÄs aprÄÄ·inÄm katrai precei varbÅ«tÄ«bu nÄkamnedÄļ pÄriet uz citu produktu. Tas ir, katram preÄu pÄrim producti-productj saskaitÄ«t to skaitu atrastajos pÄros un dalÄ«t ar pÄru skaitu, kur produkti bija pirmajÄ nedÄļÄ. Lai iegÅ«tu kandidÄtus, mÄs paÅemam pÄdÄjo pircÄja Äeku un saÅemam top-k visticamÄk nÄkamie produkti no pÄrejas matricas, ko mÄs saÅÄmÄm. PÄrejas matricas veidoÅ”anas process izskatÄs Å”Ädi:
Å eit var pamanÄ«t interesantas atkarÄ«bas, kas atklÄjas patÄrÄtÄju uzvedÄ«bÄ: piemÄram, citrusaugļu mīļotÄji vai piena zÄ«mols, no kura viÅi, visticamÄk, pÄriet uz citu. Nav arÄ« pÄrsteidzoÅ”i, ka Å”eit nonÄk arÄ« preces ar lielu atkÄrtotu pirkumu skaitu, piemÄram, sviests.
Metodes ar Markova Ä·ÄdÄm metrika ir Å”Äda:
k - preÄu skaits, kas tiek izgÅ«tas katrai precei, kas iegÄdÄta no pircÄja pÄdÄjÄ darÄ«juma.
KÄ redzam, konfigurÄcija ar k=4 parÄda labÄko rezultÄtu. Pieaugums 4. nedÄÄ¼Ä ir izskaidrojams ar sezonÄlu uzvedÄ«bu brÄ«vdienu laikÄ.
TÄ nu mÄs nonÄkam pie grÅ«tÄkÄs un interesantÄkÄs daļas - tuvÄko kaimiÅu meklÄÅ”anas pircÄju vektoros un pÄc dažÄdiem modeļiem bÅ«vÄtÄs produkcijas. SavÄ darbÄ mÄs izmantojam 3 Å”Ädus modeļus:
ALS
Word2Vec (Item2Vec Å”Ädiem uzdevumiem)
DSSM
MÄs jau esam tikuÅ”i galÄ ar ALS, varat lasÄ«t par to, kÄ tas mÄcÄs Å”eit. Word2Vec gadÄ«jumÄ mÄs izmantojam labi zinÄmo modeļa ievieÅ”anu no gensim. PÄc analoÄ£ijas ar tekstiem piedÄvÄjumu definÄjam kÄ pirkuma Äeku. TÄdÄjÄdi, konstruÄjot preces vektoru, modelis mÄcÄs paredzÄt tÄ ākontekstuā precei ÄekÄ (pÄrÄjÄm precÄm ÄekÄ). E-komercijas datos labÄk ir izmantot pircÄja sesiju, nevis kvÄ«ti, puiÅ”i no Ozons. Un DSSM ir interesantÄk izjaukt. SÄkotnÄji to rakstÄ«ja Microsoft puiÅ”i kÄ meklÄÅ”anas modeli, oriÄ£inÄlo pÄtniecisko darbu varat izlasÄ«t Å”eit. Modeļa arhitektÅ«ra izskatÄs Å”Ädi:
Å eit Q - vaicÄjums, lietotÄja meklÄÅ”anas vaicÄjums, D[i] - dokuments, tÄ«mekļa lapa. Modeļa ievade saÅem attiecÄ«gi pieprasÄ«juma zÄ«mes un lapas. Katram ievades slÄnim seko vairÄki pilnÄ«bÄ savienoti slÄÅi (daudzslÄÅu perceptrons). TÄlÄk modelis mÄcÄs minimizÄt kosinusu starp vektoriem, kas iegÅ«ti modeļa pÄdÄjos slÄÅos.
Ieteikuma uzdevumos tiek izmantota tieÅ”i tÄda pati arhitektÅ«ra, taÄu pieprasÄ«juma vietÄ ir lietotÄjs, bet lapu vietÄ ir produkti. Un mÅ«su gadÄ«jumÄ Å”Ä« arhitektÅ«ra tiek pÄrveidota par Å”Ädu:
Tagad, lai pÄrbaudÄ«tu rezultÄtus, atliek aptvert pÄdÄjo punktu - ja ALS un DSSM gadÄ«jumÄ mums ir skaidri definÄti lietotÄju vektori, tad Word2Vec gadÄ«jumÄ mums ir tikai produktu vektori. Å eit, lai izveidotu lietotÄja vektoru, mÄs esam identificÄjuÅ”i 3 galvenÄs pieejas:
VienkÄrÅ”i pievienojiet vektorus, tad kosinusa attÄlumam izrÄdÄs, ka mÄs vienkÄrÅ”i aprÄÄ·inÄjÄm iepirkÅ”anÄs vÄsturÄ esoÅ”os produktus.
Vektoru summÄÅ”ana ar noteiktu laika svÄrumu.
PreÄu svÄrÅ”ana ar TF-IDF koeficientu.
PircÄja vektora lineÄrÄ svÄruma gadÄ«jumÄ mÄs izejam no hipotÄzes, ka precei, kuru lietotÄjs iegÄdÄjÄs vakar, ir lielÄka ietekme uz viÅa uzvedÄ«bu nekÄ precei, kuru viÅÅ” iegÄdÄjÄs pirms seÅ”iem mÄneÅ”iem. TÄtad mÄs uzskatÄm pircÄja iepriekÅ”Äjo nedÄļu ar koeficientu 1 un to, kas notika tÄlÄk, ar koeficientiem Ā½, ā utt.:
AttiecÄ«bÄ uz TF-IDF koeficientiem mÄs darÄm tieÅ”i to paÅ”u, ko TF-IDF tekstiem, tikai mÄs uzskatÄm pircÄju par dokumentu, un kvÄ«ti par piedÄvÄjumu, attiecÄ«gi vÄrds ir prece. TÄtad lietotÄja vektors vairÄk novirzÄ«sies uz retÄm precÄm, un preces, kas ir biežas un pircÄjam pazÄ«stamas, to daudz nemainÄ«s. Å o pieeju var ilustrÄt Å”Ädi:
Tagad apskatÄ«sim rÄdÄ«tÄjus. LÅ«k, kÄ izskatÄs ALS rezultÄti:
Item2Vec metrika ar dažÄdÄm pircÄja vektora konstruÄÅ”anas variÄcijÄm:
Å ajÄ gadÄ«jumÄ tiek izmantots tieÅ”i tÄds pats modelis kÄ mÅ«su bÄzlÄ«nijai. VienÄ«gÄ atŔķirÄ«ba ir tÄ, kuru k mÄs izmantosim. Lai izmantotu tikai sadarbÄ«bas modeļus, katram klientam ir jÄÅem aptuveni 50-70 tuvÄkie produkti.
Un DSSM metrika:
KÄ apvienot visas metodes?
ForÅ”i, jÅ«s sakÄt, bet ko darÄ«t ar tik lielu kandidÄtu ieguves rÄ«ku komplektu? KÄ izvÄlÄties optimÄlo konfigurÄciju saviem datiem? Å eit mums ir vairÄkas problÄmas:
KatrÄ metodÄ ir nepiecieÅ”ams kaut kÄ ierobežot hiperparametru meklÄÅ”anas vietu. Tas, protams, visur ir diskrÄts, bet iespÄjamo punktu skaits ir ļoti liels.
KÄ izvÄlÄties labÄko metrikas konfigurÄciju, izmantojot nelielu ierobežotu konkrÄtu metožu paraugu ar konkrÄtiem hiperparametriem?
MÄs vÄl neesam atraduÅ”i viennozÄ«mÄ«gi pareizu atbildi uz pirmo jautÄjumu, tÄpÄc mÄs rÄ«kojamies no sekojoÅ”Ä: katrai metodei tiek uzrakstÄ«ts hiperparametra meklÄÅ”anas telpas ierobežotÄjs atkarÄ«bÄ no mÅ«su rÄ«cÄ«bÄ esoÅ”ajiem datiem. TÄdÄjÄdi, zinot vidÄjo periodu starp pirkumiem no cilvÄkiem, varam uzminÄt, ar kÄdu periodu izmantot metodi ākas jau ir nopirktsā un āsen pagÄtnes pirkuma periodsā.
Un pÄc tam, kad esam izpÄtÄ«juÅ”i adekvÄtu skaitu dažÄdu metožu variantu, mÄs atzÄ«mÄjam sekojoÅ”o: katra ievieÅ”ana izvelk noteiktu skaitu kandidÄtu un tai ir noteikta metrika (atsaukt) vÄrtÄ«ba, kas mums ir svarÄ«ga. MÄs vÄlamies iegÅ«t noteiktu skaitu kandidÄtu kopÄ atkarÄ«bÄ no mÅ«su pieļaujamÄs skaitļoÅ”anas jaudas ar visaugstÄko iespÄjamo metriku. Å eit problÄma labi sabrÅ«k mugursomas problÄmÄ.
Å eit kandidÄtu skaits ir lietÅa svars, un metodes atsaukÅ”ana ir tÄ vÄrtÄ«ba. TomÄr ir vÄl 2 punkti, kas jÄÅem vÄrÄ, ievieÅ”ot algoritmu:
Metodes var pÄrklÄties kandidÄtos, kurus viÅi izvelk.
Dažos gadÄ«jumos bÅ«s pareizi lietot vienu metodi divas reizes ar dažÄdiem parametriem, un kandidÄti pirmÄs izvadÄ nebÅ«s otrÄs apakÅ”kopa.
PiemÄram, ja mÄs izmantojam metodes ājau nopirktaisā ievieÅ”anu ar dažÄdiem ekstrakcijas intervÄliem, tad to kandidÄtu kopas tiks ligzdotas viena otrÄ. TajÄ paÅ”Ä laikÄ dažÄdi parametri "periodiskajos pirkumos" pie izejas nedod pilnÄ«gu krustojumu. TÄpÄc mÄs sadalÄm izlases metodes ar dažÄdiem parametriem blokos, lai no katra bloka mÄs vÄlamies izmantot ne vairÄk kÄ vienu ekstrakcijas pieeju ar konkrÄtiem hiperparametriem. Lai to izdarÄ«tu, jums ir nedaudz jÄmÄnÄs, Ä«stenojot mugursomas problÄmu, taÄu asimptotika un rezultÄts no tÄ nemainÄ«sies.
Å Äda gudra kombinÄcija ļauj iegÅ«t Å”Ädus rÄdÄ«tÄjus salÄ«dzinÄjumÄ ar vienkÄrÅ”iem sadarbÄ«bas modeļiem:
TomÄr Å”eit var redzÄt, ka ir viens neatsegts punkts ieteikumiem, kas ir noderÄ«gi biznesam. Tagad mÄs tikko uzzinÄjÄm, kÄ forÅ”i paredzÄt, ko lietotÄjs pirks, piemÄram, nÄkamajÄ nedÄļÄ. Bet tikai dot atlaidi par to, ka viÅÅ” tik un tÄ nopirks, nav Ä«paÅ”i forÅ”i. TaÄu ir lieliski palielinÄt cerÄ«bas, piemÄram, Å”Ädus rÄdÄ«tÄjus:
Marža/apgrozÄ«jums balstÄs uz personÄ«giem ieteikumiem.
VidÄjÄ pircÄju pÄrbaude.
apmeklÄjumu biežums.
TÄtad iegÅ«tÄs varbÅ«tÄ«bas reizinÄm ar dažÄdiem koeficientiem un pÄrkÄrtojam tÄs, lai augÅ”pusÄ bÅ«tu produkti, kas ietekmÄ iepriekÅ” minÄtos rÄdÄ«tÄjus. Å eit nav gatavu risinÄjumu, kuru pieeju labÄk izmantot. Pat mÄs eksperimentÄjam ar Å”Ädiem koeficientiem tieÅ”i ražoÅ”anÄ. Bet Å”eit ir daži interesanti triki, kas visbiežÄk sniedz vislabÄkos rezultÄtus:
Reiziniet ar preces cenu/peļÅu.
Reiziniet ar vidÄjo pÄrbaudi, kurÄ produkts tiek izmantots. TÄtad iznÄks preces, ar kurÄm viÅi parasti Åem kaut ko citu.
Reiziniet ar vidÄjo Ŕī produkta pircÄju apmeklÄjumu biežumu, pamatojoties uz hipotÄzi, ka Ŕī prece izraisa biežÄku atgrieÅ”anos.
PÄc eksperimentÄÅ”anas ar koeficientiem ražoÅ”anÄ ieguvÄm Å”Ädus rÄdÄ«tÄjus:
Å eit kopÄjÄ produkta konversija - iegÄdÄto produktu Ä«patsvars no visiem produktiem mÅ«su Ä£enerÄtajos ieteikumos.
UzmanÄ«gs lasÄ«tÄjs pamanÄ«s bÅ«tisku atŔķirÄ«bu starp bezsaistes un tieÅ”saistes metriku. Å Äda rÄ«cÄ«ba ir izskaidrojama ar to, ka, apmÄcot modeli, nevar Åemt vÄrÄ visus produktu dinamiskos filtrus, kurus var ieteikt. Mums normÄls stÄsts, kad pusi no izvilktajiem kandidÄtiem var atfiltrÄt, tÄda specifika mÅ«su nozarÄ ir raksturÄ«ga.
IeÅÄmumu ziÅÄ tiek iegÅ«ts Å”Äds stÄsts, skaidrs, ka pÄc ieteikumu palaiÅ”anas testa grupas ieÅÄmumi strauji aug, Å”obrÄ«d vidÄjais ieÅÄmumu pieaugums ar mÅ«su ieteikumiem ir 3-4%:
NobeigumÄ es gribu teikt, ka, ja jums ir nepiecieÅ”ami ieteikumi, kas nav reÄllaika ieteikumi, tad ļoti liels kvalitÄtes pieaugums tiek konstatÄts eksperimentos ar ieteikumu kandidÄtu ieguvi. Liels laiks to Ä£enerÄÅ”anai ļauj apvienot daudzas labas metodes, kas kopumÄ dos lieliskus rezultÄtus biznesam.
PriecÄÅ”os komentÄros tÄrzÄt ar visiem, kam materiÄls Ŕķiet interesants. JÅ«s varat uzdot man jautÄjumus personÄ«gi telegramma. Es arÄ« dalos savÄs pÄrdomÄs par AI/jaunajiem uzÅÄmumiem savÄ telegrammas kanÄls ā laipni lÅ«dzam š