Odemykáme potenciál AI & Machine Learning v e-commerce – Return of Experience (část 7)

Aktualizace: 5. pro 2019

Vítáme vás u sedmého dílu z naší série článků o AI a Machine Learningu v e-commerce. Hlavním tématem pro dnešek je personalizace a věci s ní související. Přejeme příjemné počtení :)


Náš zákazník, náš pán

  1. Predikce a optimalizace nákladů

  2. Personalizace služeb

  3. Vylepšení v oblasti zabezpečení a soukromí

To jsou tři hlavní priority lídrů na trhu dle průzkumu Bain & Company. Například pro společnost Adidas představuje predikce poptávky a optimalizace skladových zásob pomocí AI jednu ze tří hlavních oblastí zájmu.


Navíc podíl transakcí uskutečněných prostřednictvím digitálních technologií stále stoupá.

  • Průzkum PwC uvádí, že počet lidí globálně, kteří nakupují on-line denně nebo týdně, meziročně vzrostl o 5 % na 31 %.

Tip: Je pro vás AI a Machine Learning novinkou? V tom případě doporučujeme první článek série o AI a Machine Learningu - základní pojmy :-)

Boj o zákazníka se přesouvá do digitálního prostředí. V některých odvětvích navíc s nástupem mladší generace dochází k výrazným změnám zákaznických priorit. Související trable v odvětví fast fashion popisuje článek CzechCrunch. V souvislosti s těmito změnami představuje PwC novou metriku - Return of Experience (ROX).

  • ROX si klade za cíl měřit návratnost investic do oblastí, které přímo souvisí se zákaznickou interakcí. Mezi tyto oblasti můžeme zařadit nejenom investice do UX, ale i do umělé inteligence.

Lidský rozměr


V praxi často dochází k přístupu, kdy je na zákazníka pohlíženo jako na prostý datový bod, číslo ve statistice nebo proklik na stránku. Co nelze změřit, nelze ani zlepšit, nicméně, pokud se na novou technologii pohlíží izolovaně, nemusí výsledek fungovat tak, jak se původně plánovalo.

  • Nejvyšší efektivity dosáhneme prostřednictvím integrace nových nástrojů do celého procesu, potažmo firemní kultury.



Kromě digitálního rozhraní přichází zákazník do styku i s call centrem a dalšími oblastmi, které stále závisí na lidském faktoru, tedy employee experience. Při komunikaci se zákaznickým oddělením není nic horšího, než když samotný pracovník nevidí do nákupních procesů, není schopen porozumět zákaznické cestě, a tedy ani vyhodnotit, proč má zákazník právě takovýto problém.

  • Z loňské studie PwC vyplývá, že jedna negativní zkušenost se značkou odradí od dalších nákupů až 30 % respondentů. Správné proškolení zaměstnanců může zabránit odchodu nejednoho zákazníka.

Umělá inteligence v interakci se zákazníkem


Mimo zákaznickou podporu však čísla mluví jasně - s nástupem nových technologií se mezilidská interakce v nákupním procesu postupně odbourává, a to nejenom v on-line prostředí.

  • V únoru tohoto roku například zpravodajský server CBC uvedl, že až 46 % respondentů ve věku 18-34 let upřednostňuje samoobslužnou pokladnu oproti té klasické.

Transformaci vybraných činností do digitální podoby shrnuje následující tabulka:


Umělá inteligence může napomoci téměř v každé z těchto oblastí. V našem předminulém článku jsme již nakousli tématiku „střev“ umělé inteligence v kontextu black-box problému. Pojďme si nyní podrobněji rozebrat pravděpodobně nejčastější využití AI v e-commerce - personalizaci obsahu.


Personalizace obsahu pomocí AI

V jednom z našich minulých článků jsme stručně představili problematiku výběru dat pro strojové učení.

  • Umělá inteligence je právě tak chytrá, jako data, která se použijí k jejímu tréninku.

Výběr metody by se měl proto odvíjet od toho, jaký druh a jakou kvalitu dat máme k dispozici.


Ručně vytvořené pravidlové systémy


Pokud s data-driven marketingem teprve začínáme a dat nemáme mnoho, musíme se spokojit s jednoduchým řešením - ručně vytvořená pravidla, neboli expertní systém.

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

Expertní systémy jsou zde téměř padesát let. Jedná se o natvrdo zakódovaný pravidlový rozhodovací strom. Pravidla tohoto stromu jsou založena na znalostech lidských expertů, případně na statistické analýze dat. V e-commerce můžeme například použít následující pravidla:

  • když je zima, doporuč kabát

  • pokud zákazník nakoupil něco v minulosti, již mu tuto věc znovu nenabízej

  • pokud si zákazník prohlíží kategorii „boty“, nabídni mu něco z kategorie „pásky“

V jednoduchosti tkví krása, proto i obyčejný pravidlový systém vystavěný na znalostech z oboru může dosahovat skvělých výsledků v porovnání s náhodným výběrem obsahu. S postupem času lze pravidla obohacovat o další poznatky z dat získané statistickou analýzou, což je první krůček k automatizaci pomocí strojového učení.


Strojové učení - matice podobnosti


Jeden z nejčastějších způsobů, jak reprezentovat asociativní model, je matice podobnosti.

  • Matice pravděpodobnosti je symetrická matice, kde index [i, j] reprezentuje podobnost mezi položkou i a položkou j.

Na začátku je matice vyplněna nulami, jedničkami, případně jinou hodnotou. Diagonála je nulová. Hodnoty matice se průběžně upravují s přibývajícím množstvím transakcí.


Matice může reprezentovat nejen vztahy mezi jednotlivými položkami, ale také mezi kategoriemi, zákazníky, případně dalšími prvky, se kterými pracujeme.


Jednou z výhod tohoto přístupu je snadná implementace zapomínání.

  • Zapomínáním se v oblasti strojového učení označuje proces, při kterém je v modelu postupně eliminován vliv historických dat.

V případě matice stačí model jednou za čas pronásobit hodnotou menší než jedna nebo normalizovat do předem daného intervalu.

Model můžeme použít i při tvorbě zákaznických a produktových segmentů. Po výpočtu matice z historických dat provedeme shlukovou analýzu, při které z matice vyextrahujeme clustery na základě vzájemné podobnosti položek.


Hybridní modely


Existuje vícero cest, jak nástroj pro personalizaci vytvořit, přičemž často platí „no free lunch theorem“ - všechno má svoje klady a zápory:


Ručně vytvořená pravidla


výhody:

  • srozumitelnost

  • krátký výpočetní čas

  • nízké nároky na množství dat

nevýhody:

  • pracnější na přípravu (ruční analýza a tvorba pravidel)

  • rigidita (model se nepřizpůsobí změně podmínek sám od sebe)

  • údržba (model se musí průběžně manuálně upravovat)

Strojové učení - matice podobnosti


výhody

  • výkon se zlepšuje s přibývajícím množstvím dat

  • nízké nároky na údržbu (model se přizpůsobuje podmínkám)

nevýhody

  • nároky na množství dat

  • výpočet trvá delší čas

  • menší srozumitelnost

V praxi se přístupy často kombinují v hybridní řešení. Pokud máme pro určité zákaznické segmenty nedostatek dat, použijeme pravidlový systém, v opačném případě použijeme matici pravděpodobnosti.


Další role AI v personalizaci


Čím lepší data, tím lepší výsledky. Proto se umělá inteligence využívá i pro přípravu dat popisující vlastnosti produktů nebo zákazníků:

  • Pomocí zpracování přirozeného jazyka lze vyhodnocovat komunikaci se zákazníkem nebo měřit sémantickou vzdálenost popisku produktu.

  • Rozpoznávání obrazu nám zase pomůže vyhodnocovat podobnost produktů na základě jejich fotek.

Všechny tyto informace lze následně využít pro zpřesnění modelu. Čím přesnější model, tím lepší uživatelská přívětivost.


Jednou z nástrah umělé inteligence je přeučení a konvergence k lokálnímu maximu. Zákazníci budou přirozeně častěji reagovat s obsahem, který jim naservírujeme, což bude dále posilovat preferenci toho samého obsahu i v budoucnu. Postupně může dojít k izolaci položek, které nikdy doporučeny nebyly, přestože mohly být relevantní. Tomuto negativnímu jevu lze naštěstí snadno předejít tím, že část obsahů vždy vygenerujeme náhodně a průběžně tak dáme šanci všem položkám.


Co dál?


Zajímá vás kromě teorie i praxe? Pak mrkněte na naší Python šablonu pro personalizaci, kterou jsme pro vás připravili. Naleznete ji ke stažení na GitLabu, včetně testovacích dummy dat.

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


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