Odemykáme potenciál AI & Machine Learning v e-commerce - základní pojmy (část 1.)

Aktualizace: 5. pro 2019

Děkujeme, že jste zavítali do zcela prvního článku ze série o AI a Machine Learningu. Naším cílem je vysvětlit základní principy problematiky (v základu to není žádná raketová věda) a jejich zavedení (nejenom) do e-commerce byznysu.


Proč si myslíme, že je pro Vás téma AI / ML důležité?


V nedávném článku od Google se můžete mimo jiné dozvědět, že:

  • 85 % řídících pracovníků považuje AI (Artificial Intelligence - umělá inteligence) za prostředek k získání nebo udržení konkurenční výhody na trhu.

  • 66 % marketérů pak dle článku souhlasí s tvrzením, že Machine Learning (strojové učení) a automatizace s ním spojená nahradí manuální práci se segmentací dat a umožní více času věnovat strategickému rozvoji businessu.

Podobných článku na téma AI a jeho praktické využití v byznysu se v poslední době objevuje čím dál více (doporučujeme sledovat např. Harvard Business Review a již zmíněný Think With Google).


Na co se nás byznys owners nejčastěji ptají ve vztahu k využití AI / ML?

  • Co je ale vlastně ta umělá inteligence v byznysu?

  • Jak konkrétně rozjet AI projekt v e-commerce?

  • Jací lidé jsou třeba a jak má vypadat struktura týmu pro úspěšné dokončení pilotu?

  • Jak budeme měřit a vyhodnocovat výsledky?

  • Zvládneme to i my interně?

  • Vyplatí se investice do AI metod i naší firmě?


Tip: Chcete načerpat inspiraci a zkušenosti od profesionála v oboru AI, ML a automatizace Ondry Kopičky? Přijďte na nový workshop "Úvod do AI pro business, markeťáky a produkťáky", který jsme pro vás připravili ve spolupráci s Powered by Insights.





Před těmito otázkami stojí nejenom CEO, markeťák nebo produkťák z online prostředí, ale v podstatě každý zaměstnanec firmy, ať je již přímo součástí pilotního projektu, nebo pouze „konzument“ výsledků nové automatizace, která může zefektivnit jeho práci.


Je umělá inteligence převlečená statistika?

Umělá inteligence je pojem starý přibližně 60 let a za tu dobu již několikrát prošel Hype cyklem.


Po úvodních vlnách euforie a přehnaného očekávání to s nástupem efektivních a dostupných technologií (např. Google Cloud Platform nebo nástroje od Microsoftu i dalších firem) konečně vypadá na nadcházející fázi skutečné produktivity.


Teorie se od dob minulých příliš nezměnila, co však posouvá AI kupředu je dostupnost dat a výpočetního výkonu. Díky cloudovým řešením se do experimentování může pustit téměř každý e-commerce business.


A co je to vlastně ta umělá inteligence? V současnosti neexistuje ustálená definice. Jednou z možností je posuzovat inteligenci stroje podle inteligence člověka:


„Umělá inteligence je věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který – kdyby ho dělal člověk – bychom považovali za projev jeho inteligence.“ - (Marvin Minsky, 1967)

V uvedené definici ale můžeme narazit na problémy:

  • Je lidské chování vždy inteligentní?

  • Do jaké míry můžeme očekávat „racionální“ chování ze strany zákazníka?

Odpovědi na tyto otázky následně určují potřebnou hloubku použitých AI a Machine Learning metod.


Segmenty „složitosti“ z pohledu AI


Pro základní orientaci lze problematiku rozdělit do 4 „škatulek“:

  • Pravidlový systém bez vnitřní reprezentace reálného světa: obsahuje pouze jednoduchá IF-THEN pravidla, například že se e-mail newsletter odesílá jen určitému segmentu zákazníků.

  • Pravidlový systém s vnitřní reprezentací reálného světa: obsahuje definice stavů v prostředí, například že si návštěvník e-shopu prohlédl v minulosti produkty z konkrétní kategorie.

  • Učící se systém s jednorázovým učením: po naučení se systém neupravuje, například nástroj pro rozpoznávání zákazníků, u kterých hrozí pokles aktivity a churn, vytvořený statisticky na základě historických dat.

  • Učící se systém s průběžným učením: matematický model se neustále přizpůsobuje měnícím se podmínkám, například průběžná segmentace zákazníků dle trendů v nákupním chování za poslední měsíc.

Umělá inteligence jako obor tedy zahrnuje vše od jednoduchých pravidlových systémů, přes základní statistické vyhodnocení dat, po pokročilé matematické modely, které se mění dle aktuálních podmínek (strojové učení).


  • Příkladem složitějších modelů může být neuronová síť - reprezentace přenosu vzruchů ve skutečné nervové soustavě pomocí matematického modelu neuronu.

  • Často skloňovaný pojem deep learning označuje přístup k tvorbě neuronových sítí, při kterém se využívá několika mezivrstev umělých neuronů, ve kterých opakovaně probíhá generování a agregace mezivýsledků. Konkrétně lze neuronové sítě využít například při rozpoznávání obrazu a párování produktů - detekce tvaru, jednotlivých částí nebo přiřazení konkrétní kategorie. V tomto případě jde o takzvané učení s učitelem (supervised learning). Matematickému modelu jsou prezentovány dopředu připravené tréninkové vzory s příslušnými třídami (správné výsledky) na jejichž základě si model postupně nastaví své vnitřní hodnoty tak aby co nejlépe zobecňovaly tréninková data.

Tip: za odměnu, že jste dočetli náš článek tak daleko, máte nárok na 5% slevu na workshop „Úvod do AI pro business, markeťáky a produkťáky“ Při rezervaci stačí zadat slevový kód ai_2019


Jaké e-commerce problémy lze řešit pomocí AI metod?


Driverů, které mají na svědomí úspěch na online trhu, je mnoho. Z pohledu AI metod je však můžeme rozdělit na následující 2 skupiny:

  1. Interakce se zákazníkem

  2. Optimalizace vnitřních procesů

1. Interakce se zákazníkem


Čím spokojenější zákazník, tím vyšší tržby. Na tom se myslím shodneme. Čím lepší personalizace a zákaznická podpora, tím spokojenější zákazník.

V rámci personalizace je typickým příkladem AI přístupu recommendation engine, který vybírá pro konkrétního zákazníka vhodné produkty na základě transakční historie. S personalizací však můžeme jít mnohem dále.


Kromě produktů můžeme dynamicky přizpůsobovat bannery, slideshow a další vizuální a komunikační prvky (např. i průběh hovoru na call centru).

  • Z historických zákaznických dat lze také vypočítat segmenty tvořící marketingové persony - komplexní pohled na zákazníka a jeho potřeby napříč různými produktovými kategoriemi (stereotypizace).

  • Pro zjištění podobnosti zákazníka s konkrétní personou a pro výpočet pravděpodobnosti, s jakou návštěvník nakoupí další produkty typické pro danou personu, můžeme využít clustering metody na bázi učení bez učitele (unsupervised learning) - přístup využívající samotnou distribuci dat.

2. Optimalizace interních procesů


Velký potenciál pro optimalizaci v e-commerce mají metody spadající pod zpracování přirozeného jazyka (NLP - natural language processing).

  • V jednodušších případech je to tagování a extrakce klíčových slov z popisu produktu nebo zákaznické komunikace, což lze využít pro optimalizaci vyhledávání nebo pro detekci nejčastějších problémů, které řeší zákazníci, včetně vývoje systémů typu chatbot.

  • Složitější případy pak zahrnují sémantické modelování - zde se jedná o rozpoznávání zákaznického sentimentu nebo detekci synonym (automatizace kategorizace a párování produktů nebo personalizace až na úrovni osobní 1-1 komunikace).

Další směr optimalizace je ve vztahu k samotné analýze dat, potažmo BI (Business Intelligence). Přístup, kdy jsou vizualizace vytvářeny manuálně, a člověk poté na jejich základě provádí konkrétní akci, postupně nahrazuje preskriptivní řešení na bázi strojového učení, kdy je na základě realtime dat rovnou provedena vhodná procedura. Tento přístup lze využít u optimalizace cenotvorby, nákupů a skladových zásob nebo pro identifikaci „oblastí“ v obrovském datasetu, kde může být skryt byznysový „quick win“.


S nástupem sociálních sítí se vynořil další pojem - social listening/monitoring, který označuje využití sociálních sítí pro analýzu trendů ve vztahu k produktům, například na co si zákazníci u konkurence nejčastěji stěžují (potenciál pro marketingovou strategii).


Pojmům už rozumím - co dál?


Pokud vás téma zajímá a chcete načerpat inspiraci ze zkušeností od profesionála v oboru AI, ML a automatizace Ondry Kopičky, přijďte na nový workshop "Úvod do AI pro business, markeťáky a produkťáky", který jsme pro vás připravili ve spolupráci s Powered by Insights.


Také doporučujeme navazující článek Odemykáme potenciál AI v e-commerce - jaká data používat (část 2), sledujte náš web a sociální sítě :-).


S pozdravem,

Ondřej Kopička


©2019 Ecommerce-academy.cz, created with love by Milan, Marek & Ivča