Проходы будущего: как трансформируются смеси PCIC-элемента, онлайн-продуктовые магазины покупки
12 августа 2025 г.Таблица ссылок
Аннотация и 1 введение
- Литературный обзор
- Модель
- Эксперименты
- Путешествие по развертыванию
- Будущие направления и ссылки
5 Путешествие по развертыванию
В этом разделе мы обсуждаем несколько вопросов, обращенных к пользователю, а также наш опыт в развертывании PCIC.
5.1 Развертывание и онлайн -опыт
Хотя автономные метрики являются информативными и помогают нам создать компетентные модели, истинный тест модели рекомендаций - онлайн, где мы можем измерить влияние на поведение пользователей. Мы развернули PCIC в производственную среду, где ежедневно генерируются рекомендации в нашем вычислительном кластере на экосистеме Apache Spark и экспортируются в облако для обслуживания в реальном времени. Когда пользователь посещает
Сайт, эти рекомендации затем служат им, отфильтрованы на доступность предмета на основе инвентаризации и доступных вариантов отправки, выбранных пользователем.
5.2 Обратная связь с человеком в петле
Сначала мы развернули результаты в пул внутренних членов команды для тестирования. Это дало нам некоторые отзывы о том, чтобы иметь список исключений некоторых категорий, на которые пользователи могут быть не очень удобными, в своем приложении (с друзьями и семьей или иным образом). Основываясь на обратной связи, мы построили список исключений категорий, которые применяются в вершине рекомендаций в качестве фильтров.
Во -вторых, мы обнаружили, что пользователям иногда рекомендовалось предмет, который они недавно приобрели (например, новый вкус йогурта) из категории, в которой они выкупают, но не тот, который они хотели бы выкупить. Мы использовали двухэтапный подход отфильтровать такие элементы из рекомендаций. Помимо категории, являющейся категорией выкупа, мы старались убедиться, что предмет был куплен гостем не реже двух раз за последние месяцы (n = 6). Это помогает клиенту идентифицировать элементы, в которых они снова его выкупают, как предмет, который они повторно купили. Во -вторых, мы определили элементы с низкими показателями выкупа (аналогично порогу скорости выкупа в RCP [2]) и удалили их.
Несколько пользователей также отметили, что они обычно покупают более одного элемента из специфической категории (например, два или несколько вкусов йогурта) в одной поездке. В бэкэнде у нас может быть ранжированный список категорий и ранжированный список элементов в каждой категории. Первоначально, модель PCIC будет округлить Robin среди этих списков, чтобы объединить новый список, который имеет первый элемент в каждой категории, за которым следуют второй элемент по каждой категории и т. Д. до завершения списка. Для пользователя, который покупает более одного товара в категории каждую поездку, это может быть неудобно. Чтобы решить это, мы рассчитываем переменную 𝑁𝐼𝐵, которая обозначает количество раз, когда предмет был приобретен пользователем за поездку. Мы настроили математику, используемую для объединения двух списков, деляя рейтинг элемента от Nib In, а затем взяв функцию CEIL для создания новых рангов элементов.
5.3 Метрики
Чтобы количественно оценить влияние предлагаемого алгоритма PCIC, мы выполнили A/B -тесты против существующих онлайн -базовых линий. Каждый тест проводился более двух недель и останавливался после того, как выборочные образцы были статистически значимыми. Метрики, рассмотренные для тестов, определяются следующим образом:
• CTR или Click Town Speat: процент отображений рекомендаций, которые нажимали гость.
• Коэффициент конверсии: процент рекомендаций с кликами, которые были приобретены гостевым в тот же день.
• Единицы: общее количество единиц, приобретенных пользователями, которые были частью лечения.
5.4 Тестирование на базовый уровень
Когда мы представили «Купите его» снова в списке рекомендаций для гостевой покупки, мы A/B проверили PCIC против базовой линии FBOUD. Результаты приведены в таблице 5. Мы видим, что существует значительный подъем во всех трех показателях - 6% в CTR, 9% в конверсии и 27% в приобретенных единицах.
5.5 Тестирование купите его снова в веб -поиске
Мы проверили добавление списка рекомендаций Buy It к результатам поиска всех пользователей. Для этого мы отфильтровали результаты «Купить его», используя контекст поискового запроса, поэтому, если кто -то искал бумажное полотенце, список рекомендаций BIA будет отфильтрован, чтобы показать только бумажные полотенца. Поскольку значительная часть пользовательских поисков не относится к предметам, которые пользователь уже приобрел, большую часть времени этот список рекомендаций не будет показан гостю. Мы обнаружили, что взаимодействие с пользователем с этим списком рекомендаций было значительно выше, чем существующие результаты поиска (более чем на 20%). Когда мы тестировали список рекомендаций против не существующего, мы использовали метрики уровня посещения для оценки BIA. Было отмечено, что добавленные к составу, средние значения заказа и единицы на заказ выросли на 0-2%. Мы также заметили, что гости смогли напрямую добавить предметы в корзину из списка рекомендаций и впоследствии просмотрели меньше предметов, несмотря на более высокие добавления в тележки. Эти метрики консолидируют нашу веру в то, что показ купи его снова помогает гостю в своем опыте покупок.
5.6 Создание виртуальных проходов
Исследования и наши внутренние опросы показывают, что опыт покупок в Интернете для пользователей значительно отличается от типичного опыта пользователя [4]. Разнообразие корзины для покупок значительно ниже для онлайн -поездок по магазинам, что измеряется по количеству уникальных категорий и приобретенных предметов. Среда для покупок в Интернете может ускорить потребительскую инерцию, что приводит к выкупе предметов первой необходимости и сокращению покупки свежих овощей, импульсивных покупок, таких как конфеты или пекарные десерты, и дискреционные расходы.
После определения этих возможностей в разработке опыта в Интернете в 2021 году мы развернули BIA для гостей, фильтруя рекомендации по категориям (молоко, йогурт, красоту и т. Д.), Чтобы создать опыт виртуальных проходов для пользователей онлайн. Мы используем персонализированный список категорий для каждого гостя, используя модель ПК. Для каждой категории мы представляем список рекомендуемых элементов из модели IC, чтобы сформировать виртуальный проход. В каждом проходе мы впервые показали предметы BIA гостя, за которыми следуют другие соответствующие предметы (генерируемые с использованием других алгоритмов и персонализированные для каждого гостя, не обсуждаемые здесь ради краткости). Мы развернули опыт непосредственно для пользователей и сообщили о лифте в опыте гостей, которые использовали этот опыт против тех, кто не взаимодействовал с ним.
Пользователи, которые взаимодействовали с этими рекомендациями, имели значительное увеличение подразделений на заказ (25-50%) и среднее значение заказа (7-35%). Поскольку основные предметы Buy It снова являются более низкими предметами билета, они оказывают меньшее влияние на стоимость за порядок, чем единицы на заказ. Мы видели более высокое участие гостей с виртуальными проходами для частотных категорий в приложении, чем на сайте.
6 будущих направлений
Купите его снова рекомендации помочь пользователям быстро завершить свои покупки. Традиционные подходы имеют тенденцию моделировать персонализированное поведение гостей в деталях. В этой статье мы представляем случай для грубой зернистой модели, которая может охватить поведение клиента на уровне категории предметов.
Предлагаемая модель персонализированной категории (ПК) в сочетании с моделью элементов-категории (IC) превосходит существующие модели BIA и NBR на стандартных публичных наборах данных. Модель PCIC также хорошо масштабируется для крупных розничных продавцов с миллионами каталогов продуктов и миллионов активных гостей. A/B -тесты на сайте показывают значительное улучшение в опыте покупок гостей, и гость тратит, используя модель.
В будущем мы рекомендуем, чтобы ритейлеры изучали модели, которые сочетают в себе идеи персонализированных категорий с персонализированными функциями предмета. Более того, мы рекомендуем рассмотреть взаимное возбуждение между предметами и категориями, поскольку одновременное потребление имеет некоторые неотъемлемые отношения с повторным потреблением.
Ссылки
[1] 1959. Образец потребительских покупок. Журнал Королевского статистического общества. Серия C (прикладная статистика) 8, 1 (1959), 26–41. http://www.jstor.org/stable/2985810
[2] Рахул Бхагат, Среватсан Муралидхаран, Алекс Лобжанидзе и Шанкар Вишванатх. 2018. Купите его снова: моделирование рекомендаций по покупке повторения. В материалах 24 -й Международной конференции ACM SIGKDD по обнаружению знаний и добыче данных. 62–70.
[3] Крис Чатфилд и Джеральд Гудхардт. 1973. Модель закупки потребителя с временем интернации Erlang. J. Amer. Статистика. Ассоциация 68 (1973), 828–835.
[4] Сай Чанд Чинтала, Юра Лиаконит и Натан Ян. 2022. Просмотр проходов или просмотр приложения? Как онлайн -покупка продуктов меняет то, что мы покупаем. Как онлайн -покупка продуктов меняет то, что мы покупаем (8 августа 2022 г.) (2022).
[5] Д. Р. Кокс. 1972. Регрессионные модели и жизненные таблицы. Журнал Королевского статистического общества 34 (1972), 187–220.
[6] Суводип Дей, Пабитра Митра и Кратика Гупта. 2016. Рекомендуется повторные покупки с использованием статистики сегмента продукта. В материалах 10 -й конференции ACM по рекомендательным системам (Бостон, Массачусетс, США) (Recsys ’16). Ассоциация компьютерной машины, Нью -Йорк, Нью -Йорк, США, 357–360. https: //doi.org/10.1145/2959100.2959145
[7] P S Fader, B G Hardie и K Lee. 2009. Модели вероятности для анализа клиентов. Журнал интерактивного маркетинга 23 (2009).
[8] София Гомес и Жоао М. Лопес. 2022. Эволюция опыта покупок в Интернете во время пандемии Covid-19: эмпирическое исследование из Португалии. Журнал теоретических и прикладных исследований в области электронных коммерций 17, 3 (2022), 909–923.
[9] Гэри Л. Грэн. 1969. NBD Модель лояльности повторного покупки: эмпирическое исследование. Журнал маркетинговых исследований 6 (1969), 72 - 78.
[10] Убивает Хе, Ван-Ченг Кан, Джулиан Дж. Макаули, et al. 2018. Рекомендация на основе перевода: масштабируемый метод для моделирования последовательного поведения. В IJCAI. 5264–5268.
[11] разрушил его и Джулиан Макоули. 2016. Сплав модели сходства с цепочками марковских цепей для разреженной последовательной рекомендации. В 2016 году IEEE 16 -я Международная конференция по добыче данных (ICDM). IEEE, 191–200.
[12] Хаоджи Ху и Сянган он. 2019. SETS2SETS: Обучение у последовательных наборов с нейронными сетями. В материалах 25 -й Международной конференции ACM SIGKDD по обнаружению знаний и добыче данных. 1491–1499.
[13] Хаоджи Ху, Сянган Хе, Джинган Гао и Чжи-Ли Чжан. 2020. Моделирование персонализированной информации о частоте предметов для рекомендации следующей корзины. В материалах 43 -й Международной конференции ACM Sigir по исследованиям и разработкам в поисках информации. 1071–1080.
[14] Комал Капур, Картик Суббиян, Джайдеп Шривастава и Пол Р. Шратер. 2015. Как раз во времени рекомендации: моделирование динамики скуки в потоках активности. Материалы Международной конференции ACM по поиску и интеллектуальному анализу данных (2015).
[15] Комал Капур, Мингсуань Солнце, Джайдеп Шривастава и Тао Йе. 2014. Подход, основанный на опасности к прогнозированию времени возврата пользователей. Материалы Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных (08 2014). https://doi.org/10.1145/2623330.2623348
[16] Джозеф А. Констан, Брэдли Н Миллер, Дэвид Малц, Джонатан Лерлокер, Ли Р. Гордон и Джон Ридл. 1997. Grouplens: применение совместной фильтрации в Usenet News. Общение ACM 40, 3 (1997), 77–87.
[17] Иегуда Корен. 2009. Совместная фильтрация с временной динамикой. В материалах 15 -й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных. 447–456.
[18] Пенджи Рен, Жумин Чен, Цзин Ли, Чжаохун Рен, Джун Ма и Мартен де Риджке. 2019. Repementnet: повторная информация по нейронной рекомендации для сессии для рекомендации на основе сеансов. В материалах конференции AAAI по искусственному интеллекту, вып. 33. 4806–4813.
[19] Штеффен Рендл, Кристоф Фрейдуналер и Ларс Шмидт-Тим. 2010. Факторизация персонализированных цепочек Маркова для рекомендации следующей баски. В материалах 19 -й Международной конференции по всемирной паутине. 811–820.
[20] Haochao Ying, Fuzhen Zhuang, Fuzheng Zhang, Yanchi Liu, Guandong Xu, Xing Xie, Hui Xiong и Jian Wu. 2018. Последовательная система рекомендаций на основе иерархической сети внимания. В IJCAI Международной совместной конференции по искусственному интеллекту.
[21] Фенг Ю, Цянь Лю, Шу Ву, Лян Ван и Тиеню Тан. 2016. Динамическая рецидивирующая модель для следующей корзины рекомендации. В материалах 39 -й Международной конференции ACM Sigir по исследованиям и разработкам в поисках информации. 729–732.
Авторы:
(1) Амит Панде, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (amit.pande@target.com);
(2) Кунал Гош, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (kunal.ghosh@target.com);
(3) Парк Ранкинг, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (Rancyung.park@target.com).
Эта статья есть
Оригинал