Hammaga salom! Mening ismim Sasha, men LoyaltyLab kompaniyasining texnik direktori va hammuassisiman. Ikki yil oldin, men va do'stlarim, barcha kambag'al talabalar singari, kechqurun uyimiz yonidagi eng yaqin do'konga pivo sotib olish uchun bordik. Chakana sotuvchi, pivo uchun kelishimizni bilib, chips yoki krakerlarga chegirma bermaganidan juda xafa bo'ldik, garchi bu juda mantiqiy edi! Biz nima uchun bunday vaziyat yuzaga kelganini tushunmadik va o'z kompaniyamizni ochishga qaror qildik. Xo'sh, bonus sifatida har juma o'sha chiplarda o'zingizga chegirmalarni bering.

Va hammasi shu darajaga yetdiki, men mahsulotning texnik tomonidagi materialni taqdim etaman NVIDIA GTC. Biz o'z ishimizni jamiyat bilan baham ko'rishdan xursandmiz, shuning uchun men o'z hisobotimni maqola shaklida e'lon qilaman.

kirish

Sayohat boshida hamma kabi, biz tavsiya beruvchi tizimlar qanday yaratilganligi haqida umumiy fikrdan boshladik. Va eng mashhur arxitektura quyidagi turga aylandi:

U ikki qismdan iborat:

1. Oddiy va tezkor model, odatda hamkorlikdagi model yordamida tavsiyalar uchun nomzodlarni tanlash.
2. Ma'lumotlardagi barcha mumkin bo'lgan xususiyatlarni hisobga olgan holda, yanada murakkab va sekin tarkibli modelga ega nomzodlar reytingi.

Bundan keyin men quyidagi atamalardan foydalanaman:

• tavsiyalar uchun nomzod/nomzod — ishlab chiqarishdagi tavsiyalarga potentsial kiritilishi mumkin bo'lgan foydalanuvchi-mahsulot juftligi.
• nomzodlarni qazib olish/ekstraktor/nomzodni chiqarish usuli - mavjud ma'lumotlardan "tavsiya nomzodlarini" ajratib olish jarayoni yoki usuli.

Birinchi qadam odatda birgalikda filtrlashning turli xil variantlarini qo'llashni o'z ichiga oladi. Eng mashhur - ALS. Ajablanarlisi shundaki, tavsiya beruvchi tizimlar haqidagi aksariyat maqolalar faqat birinchi bosqichda hamkorlik modellari uchun turli xil yaxshilanishlarni ochib beradi, ammo hech kim boshqa namuna olish usullari haqida ko'p gapirmaydi. Biz uchun faqat birgalikdagi modellar va ular bilan turli xil optimallashtirishlardan foydalanish yondashuvi biz kutgan sifat bilan ishlamadi, shuning uchun biz ushbu qism bo'yicha tadqiqotni o'rgandik. Maqolaning oxirida men ALSni qanchalik yaxshilay olganimizni ko'rsataman, bu bizning asosimiz edi.

Yondashuvimizni tavsiflashga o'tishdan oldin shuni ta'kidlash kerakki, real vaqtdagi tavsiyalarda, biz uchun 30 daqiqa oldin sodir bo'lgan ma'lumotlarni hisobga olish muhim bo'lsa, haqiqatan ham talab qilinadigan vaqt ichida ishlay oladigan yondashuvlar unchalik ko'p emas. Ammo, bizning holatlarimizda, tavsiyalarni kuniga bir martadan ko'p bo'lmagan holda, ko'p hollarda - haftada bir marta to'plashimiz kerak, bu bizga murakkab modellardan foydalanish va sifatni bir necha bor yaxshilash imkoniyatini beradi.

Keling, nomzodlarni ajratib olish vazifasi bo'yicha faqat ALS qanday ko'rsatkichlarni ko'rsatadigan asos sifatida olaylik. Biz kuzatadigan asosiy ko'rsatkichlar:

• Aniqlik - tanlanganlar orasidan to'g'ri tanlangan nomzodlarning nisbati.
• Eslab qolish - bu maqsadli oraliqda bo'lgan nomzodlar ulushi.
• F1-ball - oldingi ikki nuqta bo'yicha hisoblangan F-o'lchovi.

Qo'shimcha kontent xususiyatlari bilan gradientni kuchaytirishni o'rgatgandan so'ng biz yakuniy model ko'rsatkichlarini ham ko'rib chiqamiz. Bu erda 3 ta asosiy ko'rsatkich ham mavjud:

• precision@5 - har bir xaridor uchun ehtimollik bo'yicha birinchi beshlikdan mahsulotlarning o'rtacha foizi.
• javob-stavkasi@5 - xaridorlarni do'konga tashrif buyurishdan kamida bitta shaxsiy taklifni sotib olishga o'tkazish (bitta taklifda 5 ta mahsulot).
• har bir foydalanuvchi uchun avg roc-auc - o'rtacha roc-auc har bir xaridor uchun.

Shuni ta'kidlash kerakki, ushbu ko'rsatkichlarning barchasi o'lchanadi vaqt seriyali o'zaro tekshirish, ya'ni mashg'ulot birinchi k haftada sodir bo'ladi va test ma'lumotlari sifatida k+1 hafta olinadi. Shunday qilib, mavsumiy ko'tarilishlar va pasayishlar modellarning sifatini talqin qilishda minimal ta'sir ko'rsatdi. Bundan tashqari, barcha grafiklarda abscissa o'qi o'zaro tekshirishda hafta sonini, ordinata o'qi esa belgilangan metrikaning qiymatini ko'rsatadi. Barcha grafikalar bir-biri bilan taqqoslash to'g'ri bo'lishi uchun bitta mijozning tranzaksiya ma'lumotlariga asoslanadi.

Yondashuvimizni tasvirlashni boshlashdan oldin, biz birinchi navbatda ALS bo'yicha o'qitilgan model bo'lgan bazani ko'rib chiqamiz.
Nomzodlarni qidirish ko'rsatkichlari:

Yakuniy ko'rsatkichlar:

Men algoritmlarning barcha amalga oshirilishiga qandaydir biznes gipotezasi sifatida qarayman. Shunday qilib, juda qo'pol ravishda, har qanday hamkorlik modelini "odamlar o'ziga o'xshash odamlar sotib oladigan narsalarni sotib olishga moyil" degan faraz sifatida ko'rib chiqish mumkin. Yuqorida aytib o'tganimdek, biz o'zimizni bunday semantika bilan cheklab qo'ymadik va bu erda oflayn chakana ma'lumotlarda yaxshi ishlaydigan ba'zi farazlar mavjud:

1. Men allaqachon sotib olganman.
2. Oldin sotib olganimga o'xshash.
3. Uzoq o'tmishdagi sotib olish davri.
4. Turkum/brend boʻyicha mashhur.
5. Haftadan haftaga turli xil tovarlarni muqobil xaridlar (Markov zanjirlari).
6. Turli xil modellar (Word2Vec, DSSM va boshqalar) tomonidan qurilgan xususiyatlarga ko'ra xaridorlarga o'xshash mahsulotlar.

Oldin nima sotib oldingiz?

Oziq-ovqat chakana savdosida juda yaxshi ishlaydigan eng aniq evristik. Bu erda biz sodiqlik kartasi egasi oxirgi K kun (odatda 1-3 hafta) yoki bir yil oldin K kun sotib olgan barcha tovarlarni olamiz. Faqatgina ushbu usulni qo'llash orqali biz quyidagi ko'rsatkichlarni olamiz:

Bu erda aniq ko'rinib turibdiki, biz davrni qancha uzoq olsak, eslash shunchalik ko'p bo'ladi va bizda aniqlik kamroq bo'ladi va aksincha. O'rtacha "oxirgi 2 hafta" mijozlar uchun yaxshi natijalar beradi.

Oldin sotib olganimga o'xshash

Oziq-ovqat chakana savdosi uchun "men oldin sotib olgan narsam" yaxshi ishlashi ajablanarli emas, lekin nomzodlarni faqat foydalanuvchi allaqachon sotib olgan narsadan ajratib olish unchalik zo'r emas, chunki bu xaridorni biron bir yangi mahsulot bilan ajablantirishi dargumon. Shuning uchun biz bir xil hamkorlik modellari yordamida bu evristikani biroz yaxshilashni taklif qilamiz. Biz ALS bo'yicha trening davomida olgan vektorlardan foydalanuvchi allaqachon sotib olgan mahsulotlarga o'xshash mahsulotlarni olishimiz mumkin. Ushbu g'oya video kontentni ko'rish xizmatlaridagi "o'xshash videolar" ga juda o'xshaydi, ammo biz foydalanuvchi ma'lum bir vaqtda nima yeyayotganini/sotib olayotganini bilmasligimiz sababli, biz faqat u allaqachon sotib olgan narsaga o'xshashlarini izlashimiz mumkin, ayniqsa chunki biz uning qanchalik yaxshi ishlashini allaqachon bilamiz. Ushbu usulni oxirgi 2 hafta ichida foydalanuvchi tranzaktsiyalarida qo'llash orqali biz quyidagi ko'rsatkichlarni olamiz:

u k — oxirgi 14 kun ichida xaridor tomonidan sotib olingan har bir mahsulot uchun olingan o‘xshash mahsulotlar soni.
Ushbu yondashuv, ayniqsa, mijozimiz uchun yaxshi ishladi, ular uchun foydalanuvchining xarid tarixida bo'lgan narsalarni tavsiya qilmaslik juda muhim edi.

Kechiktirilgan xarid muddati

Biz allaqachon aniqlaganimizdek, tovarlarni sotib olishning yuqori chastotasi tufayli birinchi yondashuv bizning o'ziga xos ehtiyojlarimiz uchun yaxshi ishlaydi. Ammo kir yuvish kukuni / shampun / va hokazo kabi tovarlar haqida nima deyish mumkin? Ya'ni, har hafta yoki ikki haftada kerak bo'lishi ehtimoldan yiroq bo'lmagan va oldingi usullarni chiqarib bo'lmaydigan mahsulotlar bilan. Bu quyidagi fikrga olib keladi - mahsulotni ko'proq sotib olgan mijozlar uchun har bir mahsulotni o'rtacha sotib olish muddatini hisoblash taklif etiladi. k bir marta. Va keyin xaridor tugashi mumkin bo'lgan narsani chiqarib oling. Tovarlar uchun hisoblangan muddatlarni muvofiqlik uchun ko'z bilan tekshirish mumkin:

Va keyin biz mahsulot davrining oxiri tavsiyalar ishlab chiqarishda bo'ladigan vaqt oralig'iga to'g'ri keladimi yoki yo'qligini ko'rib chiqamiz va nima sodir bo'lishini ko'rib chiqamiz. Yondashuvni quyidagicha tasvirlash mumkin:

Bu erda ko'rib chiqilishi mumkin bo'lgan ikkita asosiy holat mavjud:

1. Mahsulotni K martadan kam sotib olgan mijozlardan mahsulot namunalarini olish kerakmi?
2. Mahsulotdan namuna olish kerakmi, agar uning davrining oxiri maqsadli interval boshlanishidan oldin bo'lsa.

Quyidagi grafik ushbu usul turli xil giperparametrlar bilan qanday natijalarga erishayotganini ko'rsatadi:

ft — Faqat mahsulotni kamida K (bu yerda K=5) marta sotib olgan mijozlarni oling
tm - Faqat maqsadli intervalga to'g'ri keladigan nomzodlarni oling

Uning qodirligi ajablanarli emas (0, 0) eng katta eslayman va eng kichigi aniqligi, chunki bu shart ostida eng ko'p nomzodlar olinadi. Biroq, ma'lum bir mahsulotni kamroq sotib olgan mijozlar uchun mahsulotlarni namuna qilmasak, eng yaxshi natijalarga erishiladi k marta va ko'chirma, shu jumladan, tovarlar, muddati tugashi maqsadli oraliqdan oldin tushadi.

Kategoriya bo'yicha mashhur

Yana bir aniq g'oya - bu turli toifalar yoki brendlar bo'yicha mashhur mahsulotlardan namuna olish. Bu erda biz har bir xaridor uchun hisoblaymiz top-k “sevimli” toifalar/brendlar va ushbu turkum/brenddan “mashhur”ni ajratib oling. Bizning holatda, biz mahsulotni xarid qilish soni bo'yicha "sevimli" va "mashhur" ni aniqlaymiz. Ushbu yondashuvning qo'shimcha afzalligi - sovuq ishga tushirish holatida qo'llanilishi. Ya'ni, juda kam xarid qilgan yoki uzoq vaqt davomida do'konga bormagan yoki endigina sodiqlik kartasini chiqargan mijozlar uchun. Ular uchun xaridorlar orasida mashhur bo'lgan va tarixga ega bo'lgan narsalarni saqlash osonroq va yaxshiroq. Olingan ko'rsatkichlar:

Bu erda "toifa" so'zidan keyingi raqam toifaning joylashish darajasini bildiradi.

Umuman olganda, torroq toifalar yaxshi natijalarga erishishi ajablanarli emas, chunki ular xaridorlar uchun aniqroq "sevimli" mahsulotlarni ajratib olishadi.

Haftadan haftaga turli xil tovarlarni muqobil xaridlar

Tavsiya qiluvchi tizimlar haqidagi maqolalarda men ko'rmagan qiziqarli yondashuv - bu Markov zanjirlarining juda oddiy va ayni paytda ishlaydigan statistik usuli. Bu erda biz 2 xil haftani olamiz, keyin har bir mijoz uchun biz juft mahsulotlarni yaratamiz [i haftada sotib olingan]-[j haftada sotib olingan], bu erda j > i, va bu erdan biz har bir mahsulot uchun keyingi haftada boshqa mahsulotga o'tish ehtimolini hisoblaymiz. Ya'ni, har bir juftlik uchun mahsulot-mahsulotj Biz ularning sonini topilgan juftliklarda hisoblaymiz va juftliklar soniga bo'lamiz, bu erda mahsulotlar birinchi haftada edi. Nomzodlarni olish uchun biz xaridorning oxirgi kvitansiyasini olamiz va ko'chiramiz top-k Biz olgan o'tish matritsasidan keyingi mahsulotlar. O'tish matritsasini yaratish jarayoni quyidagicha ko'rinadi:

O'tish ehtimoli matritsasidagi haqiqiy misollardan biz quyidagi qiziqarli hodisalarni ko'ramiz:

Bu erda siz iste'molchilarning xatti-harakatlarida namoyon bo'ladigan qiziqarli bog'liqliklarni ko'rishingiz mumkin: masalan, tsitrus mevalari yoki boshqasiga o'tishlari mumkin bo'lgan sut brendini sevuvchilar. Sariyog 'kabi takroriy xaridlarning yuqori chastotasi bo'lgan mahsulotlar ham shu erda tugashi ajablanarli emas.

Markov zanjirlari bilan usuldagi ko'rsatkichlar quyidagicha:

k - har bir sotib olingan mahsulot uchun xaridorning oxirgi tranzaksiyasidan olingan mahsulotlar soni.
Ko'rib turganimizdek, eng yaxshi natijani k=4 bilan konfiguratsiya ko'rsatadi. 4-haftadagi o'sishni bayramlar atrofidagi mavsumiy xatti-harakatlar bilan izohlash mumkin. 

Turli xil modellar tomonidan qurilgan xususiyatlarga ko'ra, xaridorlarga o'xshash mahsulotlar

Endi biz eng qiyin va qiziqarli qismga keldik - mijozlar vektorlari va turli modellar bo'yicha qurilgan mahsulotlar asosida eng yaqin qo'shnilarni qidirish. Bizning ishimizda biz uchta modeldan foydalanamiz:

• ALS
• Word2Vec (bunday vazifalar uchun Item2Vec)
• DSSM

Biz allaqachon ALS bilan shug'ullanganmiz, uni qanday o'rganishi haqida o'qishingiz mumkin shu yerda. Word2Vec misolida biz modelning taniqli ilovasidan foydalanamiz gensim. Matnlarga o'xshab, biz taklifni xarid kvitansiyasi sifatida belgilaymiz. Shunday qilib, mahsulot vektorini qurishda model kvitansiyadagi mahsulot uchun uning "kontekstini" (kvitansiyadagi qolgan mahsulotlar) bashorat qilishni o'rganadi. Elektron tijorat ma'lumotlarida kvitansiya o'rniga xaridorning sessiyasidan foydalangan ma'qul; yigitlar Ozon. Va DSSM tahlil qilish uchun qiziqroq. Dastlab, u Microsoft yigitlari tomonidan qidiruv uchun namuna sifatida yozilgan, Asl tadqiqot maqolasini bu yerda oʻqishingiz mumkin. Modelning arxitekturasi quyidagicha ko'rinadi:

u Q - so'rov, foydalanuvchi qidiruv so'rovi, D[i] — hujjat, internet sahifasi. Modelga kirish mos ravishda so'rov va sahifalarning atributlari hisoblanadi. Har bir kirish qatlamidan keyin bir nechta to'liq bog'langan qatlamlar (ko'p qatlamli perseptron) mavjud. Keyinchalik, model modelning oxirgi qatlamlarida olingan vektorlar orasidagi kosinusni minimallashtirishni o'rganadi.
Tavsiya vazifalari aynan bir xil arxitekturadan foydalanadi, faqat so'rov o'rniga foydalanuvchi, sahifalar o'rniga esa mahsulotlar mavjud. Va bizning holatlarimizda bu arxitektura quyidagilarga aylantiriladi:

Endi natijalarni tekshirish uchun oxirgi nuqtani qamrab olish qoladi - agar ALS va DSSM holatlarida biz aniq belgilangan foydalanuvchi vektorlariga ega bo'lsak, Word2Vec misolida bizda faqat mahsulot vektorlari mavjud. Bu erda foydalanuvchi vektorini yaratish uchun biz uchta asosiy yondashuvni aniqladik:

1. Shunchaki vektorlarni qo'shing, keyin kosinus masofasi uchun biz sotib olish tarixidagi mahsulotlarni o'rtacha hisoblaganimiz ma'lum bo'ldi.
2. Bir oz vaqtni tortish bilan vektor yig'indisi.
3. TF-IDF koeffitsienti bilan tovarlarni tortish.

Xaridor vektorining chiziqli vazni bo'lsa, biz gipotezadan kelib chiqamizki, foydalanuvchi kecha sotib olgan mahsulot uning xatti-harakatiga olti oy oldin sotib olgan mahsulotga qaraganda ko'proq ta'sir qiladi. Shunday qilib, biz xaridorning oldingi haftasini 1 koeffitsient bilan va ½, ⅓ va hokazo koeffitsientlar bilan keyin nima sodir bo'lganini ko'rib chiqamiz:

TF-IDF koeffitsientlari uchun biz matnlar uchun TF-IDFda bo'lgani kabi, xuddi shunday qilamiz, faqat biz xaridorni hujjat, chekni esa taklif sifatida ko'rib chiqamiz, mos ravishda so'z mahsulotdir. Shunday qilib, foydalanuvchi vektori ko'proq nodir tovarlarga o'tadi, xaridor uchun tez-tez va tanish tovarlar uni ko'p o'zgartirmaydi. Yondashuvni quyidagicha tasvirlash mumkin:

Endi ko'rsatkichlarni ko'rib chiqaylik. ALS natijalari quyidagicha ko'rinadi:

Xaridor vektorini yaratishning turli xil variantlari bilan Item2Vec uchun ko'rsatkichlar:

Bunday holda, bizning asosiy chiziqdagi kabi aynan bir xil model qo'llaniladi. Farqi shundaki, biz qaysi k dan foydalanamiz. Faqat hamkorlikdagi modellardan foydalanish uchun har bir mijoz uchun taxminan 50-70 ta eng yaqin mahsulotni olishingiz kerak.

Va DSSM bo'yicha ko'rsatkichlar:

Barcha usullarni qanday birlashtirish kerak?

Ajoyib, deysiz, lekin nomzodlarni ajratib olish vositalarining bunday katta to'plami bilan nima qilish kerak? Ma'lumotlaringiz uchun optimal konfiguratsiyani qanday tanlash mumkin? Bu erda bizda bir nechta muammolar mavjud:

1. Har bir usulda giperparametrlarni qidirish maydonini qandaydir tarzda cheklash kerak. Bu, albatta, hamma joyda diskret, lekin mumkin bo'lgan nuqtalar soni juda katta.
2. Muayyan giperparametrlarga ega maxsus usullarning kichik cheklangan namunasidan foydalanib, o'lchovingiz uchun eng yaxshi konfiguratsiyani qanday tanlash mumkin?

Biz hali birinchi savolga aniq to'g'ri javobni topa olmadik, shuning uchun biz quyidagilardan harakat qilamiz: har bir usul uchun bizda mavjud bo'lgan ma'lumotlarning ba'zi statistik ma'lumotlariga qarab, giperparametrli qidiruv maydoni cheklovchisi yoziladi. Shunday qilib, odamlardan xaridlar o'rtasidagi o'rtacha davrni bilib, biz "allaqachon sotib olingan" va "uzoq o'tmishdagi sotib olish davri" usulidan qaysi davrda foydalanishni taxmin qilishimiz mumkin.

Va biz turli xil usullarning ma'lum miqdordagi o'zgarishlaridan o'tganimizdan so'ng, biz quyidagilarni ta'kidlaymiz: har bir dastur ma'lum miqdordagi nomzodlarni ajratib oladi va biz uchun asosiy ko'rsatkichning ma'lum bir qiymatiga ega (eslab qoling). Biz ruxsat etilgan hisoblash quvvatimizga qarab, mumkin bo'lgan eng yuqori ko'rsatkichga ega bo'lgan jami ma'lum miqdordagi nomzodlarni olishni xohlaymiz. Bu erda muammo chiroyli tarzda xalta muammosiga tushadi.

Bu erda nomzodlar soni ingotning og'irligi, chaqirib olish usuli esa uning qiymati hisoblanadi. Biroq, algoritmni amalga oshirishda e'tiborga olinishi kerak bo'lgan yana ikkita nuqta mavjud:

• Usullar ular olgan nomzodlarda bir-biriga mos kelishi mumkin.
• Ba'zi hollarda, har xil parametrlarga ega bo'lgan bir usulni ikki marta olish to'g'ri bo'ladi va birinchisidan nomzodning chiqishi ikkinchisining pastki qismi bo'lmaydi.

Misol uchun, agar biz "men sotib olgan narsam" usulini qidirish uchun turli vaqt oralig'ida amalga oshirishni oladigan bo'lsak, unda ularning nomzodlar to'plami bir-biriga joylashtiriladi. Shu bilan birga, chiqishda "davriy xaridlar" da turli parametrlar to'liq kesishishni ta'minlamaydi. Shuning uchun biz turli xil parametrlarga ega bo'lgan tanlab olish yondashuvlarini bloklarga ajratamiz, shunda har bir blokdan o'ziga xos giperparametrlar bilan ko'pi bilan bitta ekstraksiya usulini qo'llashni xohlaymiz. Buni amalga oshirish uchun siz sumka muammosini amalga oshirishda biroz aqlli bo'lishingiz kerak, ammo asimptotiklar va natija o'zgarmaydi.

Ushbu aqlli kombinatsiya bizga oddiy hamkorlik modellari bilan taqqoslaganda quyidagi ko'rsatkichlarni olish imkonini beradi:

Yakuniy ko'rsatkichlarda biz quyidagi rasmni ko'ramiz:

Biroq, bu erda biznes uchun foydali bo'lgan tavsiyalar uchun bitta ochilgan nuqta borligini ko'rishingiz mumkin. Endi biz foydalanuvchining, masalan, keyingi haftada nimani sotib olishini bashorat qilish bo'yicha ajoyib ishni qanday qilishni o'rgandik. Ammo u allaqachon sotib oladigan narsaga chegirma berish juda zo'r emas. Ammo, masalan, quyidagi ko'rsatkichlarni kutishni maksimal darajada oshirish juda yaxshi:

1. Shaxsiy tavsiyalar asosida marja/aylanma.
2. O'rtacha mijoz tekshiruvi.
3. Tashriflar chastotasi.

Shunday qilib, biz olingan ehtimollarni turli koeffitsientlar bilan ko'paytiramiz va yuqoridagi ko'rsatkichlarga ta'sir qiluvchi mahsulotlar yuqoriga chiqishi uchun ularni qayta tartiblaymiz. Qaysi yondashuvdan foydalanish yaxshiroq bo'lgan tayyor echim yo'q. Biz hatto ishlab chiqarishda bunday koeffitsientlar bilan tajriba o'tkazamiz. Ammo bu erda bizga eng yaxshi natijalarni beradigan qiziqarli texnikalar mavjud:

1. Mahsulotning narxi / marjasi bilan ko'paytiring.
2. Mahsulot paydo bo'lgan o'rtacha kvitansiyaga ko'paytiring. Shunday qilib, tovarlar paydo bo'ladi, ular bilan odatda boshqa narsalarni olishadi.
3. Ushbu mahsulot odamlarni tez-tez qaytib kelishga undaydi, degan gipotezaga asoslanib, ushbu mahsulotni xaridorlarning tashriflarining o'rtacha chastotasiga ko'paytiring.

Koeffitsientlar bilan tajriba o'tkazgandan so'ng, ishlab chiqarishda quyidagi ko'rsatkichlarni oldik:

u mahsulotning umumiy konvertatsiyasi — biz yaratgan tavsiyalarimizdagi barcha mahsulotlardan sotib olingan mahsulotlarning ulushi.

Diqqatli o'quvchi oflayn va onlayn ko'rsatkichlar o'rtasidagi sezilarli farqni sezadi. Ushbu xatti-harakat, modelni o'rgatishda tavsiya etilishi mumkin bo'lgan mahsulotlar uchun barcha dinamik filtrlarni hisobga olish mumkin emasligi bilan izohlanadi. Biz uchun, olingan nomzodlarning yarmi filtrdan o'tkazilishi odatiy voqea; bu o'ziga xoslik bizning sanoatimizga xosdir.

Daromad nuqtai nazaridan, quyidagi hikoya olingan, tavsiyalar ishga tushirilgandan so'ng, test guruhining daromadi kuchli o'sib borayotgani aniq, endi bizning tavsiyalarimiz bilan daromadning o'rtacha o'sishi 3-4% ni tashkil qiladi:

Xulosa qilib shuni aytmoqchimanki, agar sizga real vaqtda bo'lmagan tavsiyalar kerak bo'lsa, unda sifatning juda katta o'sishini tavsiyalar uchun nomzodlarni olish bo'yicha tajribalarda topish mumkin. Ularning avlodlari uchun ko'p vaqt ko'plab yaxshi usullarni birlashtirishga imkon beradi, bu umuman biznes uchun ajoyib natijalar beradi.

Materialni qiziqtirgan har bir kishi bilan izohlarda suhbatlashishdan xursand bo'laman. Menga shaxsan savol berishingiz mumkin telegramma. Shuningdek, men o'z sahifamda AI/startaplar haqidagi fikrlarimni baham ko'raman telegram kanali -xush kelibsiz :)

Manba: www.habr.com