Cистема рекомендаций на сайте
KazanExpress logo

Cистема персональных рекомендаций на сайте KazanExpress

Информация о проекте
Клиент
Задача
Аудитория
KazanExpress — маркетплейс китайских
и российских товаров с бесплатной доставкой за один день.
Повысить число покупок
Пользователи сайта KazanExpress.ru
Работает с 2017 года.
Самый быстрорастущий маркетплейс в Европе.
Суть проекта
Покупатель  на сайте видит дополнительный блок с товарами, которые могут ему понравиться.

Процесс разработки

Шаг 01
Согласование
Шаг 02
Подготовка данных
Шаг 03
Проработка архитектуры
Шаг 06
Тестирование пользователями (сотрудники KazanExpress)
Шаг 05
Обучение модели
Шаг 04
Разработка

Как работает система

Пользователь заходит на сайт клиента
Выбирает товар, кладет его в корзину
товар добавлен в корзину
Система предлагает товары, которые могут понадобиться покупателю
с этими товарами покупают
Повышается средняя стоимость чека

На чем основаны рекомендации

История покупок конкретного пользователя
Сравниваем покупки разных пользователей
Смотрим на корзину, папку
«мои желания» и уже
совершенные покупки
Не учитываем:
местоположение и пол.
У двух пользователей похожие покупки — называем их «пользователями- близнецами».
Рекомендуем то, что уже купил «пользователь- близнец».

Технологии

Библиотека Spark

фреймворк для обработки большого потока данных

Матричное разложение ALS

алгоритм, позволяющий обрабатывать действия пользователей в реальном времени
намеренно ограничили систему теми пользователями, которые совершили не менее четырех покупок
каждые две недели обновляем данные, чтобы система не перегружалась
Маркетплейс — это всегда огромный массив данных
(несколько миллионов строк
в таблицах).

Поэтому мы:

Трудности проекта

Проблема

Приемка проекта затянулась, так как не было четких критериев качества.

Вывод

Нужно на переговорах с клиентом более детально прорабатывать
и согласовывать метрики качества и способы их получения.

Проблема

В некоторые моменты сервис работал медленней, чем хотелось бы.

Решение

Нашли сложно воспроизводимый баг в коде и провели дополнительные оптимизации скорости работы алгоритмов.
Цитата
«Единственный недочет, на который жаловались при тестировании, — мужчине могли порекомендовать розовый чехольчик для телефона,
но и с этим можно работать»
Надежда
Менеджер
Команда проекта
Менеджер
Надежда Загвозкина
Data Scientist
Олег Дурыгин
Junior Data Scientist
Александра Щетинина
Чему мы научились
Более вдумчиво работать с библиотеками для рекомендательных систем
Грамотно обрабатывать огромные массивы данных
Наши планы
Ведем переговоры с клиентом о поддержке и улучшении:
новые параметры
(пол, возраст, локация)
оптимизация
Надежда
«Планируем и дальше развиваться в рекомендашках и наращивать компетенции».
Менеджер
Где можно применить
наработки:
Маркетплейсы, интернет-магазины и вообще любые сущности, которые что-то продают.
Но лучше всего рекомендательные системы работают именно на огромных массивах данных.
Напишите нам