Аншул Агарвал

В этом посте, состоящем из двух частей, описывается, как различные виды систем рекомендаций на основе машинного обучения, разработанные командой Data Science в Trunk Club, улучшают персонализацию для клиентов, а также повышают ценность для бизнеса. В части 1 мы описываем типичный путь клиента с Trunk Club и его взаимодействие с рекомендательными системами на этом пути. Во Части 2 мы немного углубимся в технические детали алгоритмов, которые управляют этими системами. Мы также описываем проблемы и перспективы систем рекомендаций и персонализации в Trunk Club.

Бизнес «Стволов» с технологией

По мере того, как в современной экономике у клиентов появляется огромный выбор, персонализированные услуги все чаще становятся опорой, особенно в розничной торговле и электронной коммерции. Trunk Club предоставляет своим покупателям персонализированный опыт покупок с 2009 года. Это был первый клуб, предложивший персональных стилистов, которые тесно сотрудничают с покупателями в Интернете, чтобы помочь им выбрать предметы гардероба, соответствующие их образу жизни. Здесь покупатели не просто покупают одежду, они покупают «фасоны», тщательно и ловко подобранные их личными стилистами. Покупатели получают согласованные сочетания нарядов в коробках, называемых «баулами»; они могут оставить себе то, что любят, и вернуть то, что им не нравится. Стилисты помогают покупателям найти одежду, которая заставляет их чувствовать себя прекрасно, делая процесс легким и веселым. Благодаря Trunk Club клиенты могут выбирать из выбора лучших мировых брендов от Nordstrom. Кроме того, они пользуются культовым стандартом заботы и обслуживания клиентов Nordstrom в мире.

Одержимость клиентами – одна из основных ценностей Trunk Club. Для Trunk Club знакомство с клиентами лежит в основе всего. Чтобы достичь этого, Trunk Club опирается на один из своих основных принципов — технологии с человеческой изобретательностью. В Trunk Club наука о данных является основной дисциплиной, которая используется для расширения опыта стилистов с помощью рекомендаций, полученных на основе современных моделей и инструментов. Более того, собственный технологический стек и платформа Trunk Club обеспечивают жизненно важную основу для превосходного обслуживания клиентов, к которому они стремятся. Поддерживая существующую инфраструктуру, команда по науке и технологиям данных постоянно внедряет инновации, используя новые идеи, чтобы постоянно повышать удовлетворенность клиентов.

В различных точках взаимодействия с Trunk Club клиенты прямо или косвенно взаимодействуют с различными моделями систем рекомендаций. Управляемые комбинацией нескольких передовых алгоритмов машинного обучения, которые изучают шаблоны на основе данных о продукте, характеристиках клиентов и их прошлой истории покупок, эти системы помогают стилистам и клиентам просеивать множество вариантов и находить предметы одежды, которые не только удовлетворяют их потребности в стиле. но также помочь им открыть что-то новое. Алгоритмы, лежащие в основе этих рекомендательных систем, представляют собой доморощенную смесь методов искусственного интеллекта, которые оптимизируются для целей, адаптированных (каламбур) к потребностям бизнеса.

Путь клиента с Trunk Club

На рисунке выше показан типичный путь клиента с Trunk Club. В нем также перечислены различные модели науки о данных, используемые на разных этапах.

Онбординг

Когда клиенты регистрируются в сервисе, они проходят процедуру Onboarding в Trunk Club, в ходе которой им задают несколько вопросов об их стиле и предпочтениях в образе жизни. Эти вопросы и ответы клиентов предоставляют важные данные для алгоритмов рекомендаций. По завершении онбординга они работают в паре с личным стилистом.

Запрос магистрали

После создания пары со своим стилистом клиенты могут начать взаимодействовать с ним и сделать запрос магистрали. Запрос багажника может варьироваться от запроса высокого уровня по общим категориям (таким как обувь, джинсы и т. д.) до запроса с высокой степенью детализации и конкретного стиля. Клиент также может отправить пустой запрос на багажник, полагаясь на знание стилистом своих стилевых предпочтений, чтобы удивить его. Запрос Trunk (пустой или нет) предоставляет важную информацию стилистам (и моделям данных) перед покупкой.

Стилист по магазинам

Следующим шагом в этом процессе является курирование цифровой магистрали. Стилисты, основываясь на онбординге клиентов, личном общении с ними и знании их прошлых удержаний, возвратов и отзывов (кроме новых клиентов), готовят цифровой ассортимент из 10 предметов одежды. Этот цифровой ствол затем предоставляется клиентам для предварительного просмотра через приложение Trunk Club и веб-страницу. Чтобы подготовить цифровой сундук, стилисты используют внутренний каталог Trunk Club, в котором перечислены все товары и инвентарь, доступные на момент совершения покупок. Каталог, если представить, похож на любой сайт электронной коммерции, такой как Nordstrom.com. В текущей настройке клиенты не имеют прямого доступа к каталогу, он есть только у стилистов. Чтобы стилисты могли работать более эффективно и находить наиболее подходящие персонализированные товары, специалисты по обработке и анализу данных разработали различные виды рекомендаций для каталога, которые мы опишем в следующем разделе.

Предварительный просмотр участника

Trunk Club предоставляет клиентам возможность просмотреть и оставить отзыв о цифровом багажнике, собранном их стилистом, в Member Preview. Trunk Club — один из очень немногих среди его конкурентов, которые предоставляют эту возможность для предварительного просмотра багажника (и замены не понравившихся элементов) перед его отправкой клиентам. Цифровая соединительная линия предоставляется клиентам через Интернет или приложение Trunk Club. Для каждого элемента клиенты могут указать, согласны ли они с выбором (принятые элементы) или он им не нравится (отклоненные элементы). Клиенты также могут предоставить подробный отзыв об уровне товара в виде текста в произвольной форме или путем выбора одного из предварительно разработанных категориальных вариантов (например, слишком дорого, не мой стиль, у меня есть что-то подобное и т. д.). Модели науки о данных используют реакцию клиентов на этом этапе в качестве дополнительных данных для обучения систем рекомендаций.

Обзор стилиста

Отзывы клиентов из Member Preview используются для обновления и окончательной доработки ствола на следующем этапе, который называется Проверка стилиста. Этот этап в основном используется для замены любых отклоненных элементов из Member Preview. Если клиент предоставил какой-либо отзыв об отклоненных элементах (открытый текст или категорический), стилист может использовать его для замены. Следует отметить, что после этого этапа нет дополнительного шага Member Preview. Багажник дорабатывается, упаковывается и отправляется покупателю для примерки дома с заменой некоторых или всех бракованных элементов.

Главная примерка

Это последний и захватывающий этап, на котором физический чемодан упаковывается и отправляется, а покупатель может примерить вещи дома. Покупатель может покупать понравившиеся товары; остальные товары возвращаются клиенту бесплатно. Клиенты также могут обменять товар на другой цвет и/или размер. Как и на этапе предварительного просмотра, клиенты могут предоставить подробный отзыв на уровне элемента либо в виде текста в свободной форме, либо путем выбора любого из предварительно разработанных категориальных параметров. Отзывы клиентов используются моделями науки о данных вместе с информацией о том, был ли элемент сохранен или нет. С точки зрения науки о данных этот этап интересен, потому что мы проверяем эффективность моделей и систем рекомендаций.

… а теперь представляем — Рекомендательные Системы

Ниже мы иллюстрируем системы рекомендаций Data Science, которые улучшают качество обслуживания как стилистов, так и клиентов во время вышеупомянутого путешествия.

Рекомендация по экипировке

По завершении адаптации клиенты проходят через Express Preview. Здесь они впервые познакомятся с Trunk Club с помощью нескольких примеров нарядов, подобранных на основе их откликов. У клиентов есть возможность заказать один или несколько из этих нарядов в свой первый багажник. Эти кураторские наряды генерируются на основе модели обработки данных под названием Outfit Recommender. Модель рекомендует персонализированные полные наряды на основе онбординговой анкеты клиента, а также исторических данных о нарядах, подобранных стилистами для клиентов Trunk Club.

Рекомендация бренда

Как правило, люди связывают свои стилевые предпочтения с определенным набором брендов, которые им нравятся. Следовательно, стилисты полагаются на предпочтения бренда клиента, чтобы определить потенциальные предметы для цифрового багажника. Наука о данных разработала рекомендатель бренда для каталога с двумя ключевыми функциями. Во-первых, он использует атрибуты бренда вместе с историей покупок бренда, чтобы определить самые популярные бренды для клиента. Во-вторых, он использует оценки сходства, чтобы показать наиболее похожие бренды. Модель помогает стилистам тремя возможными способами:

  • Для нового клиента, не имеющего истории покупок, стилист может определить вероятные предпочтения этого клиента в отношении бренда (кроме тех, которые были указаны во время онбординга и общения со стилистом).
  • Для существующего/постоянного клиента стилисты могут не только установить, соответствуют ли покупки клиента рекомендациям лучших брендов, но также изучить бренды, которые еще не были включены в сундуки, а также наблюдать за изменением предпочтений клиентов по брендам с течением времени.
  • Фрагмент сходства с брендом помогает обнаружить новые и разнообразные бренды, тем самым уменьшая предвзятость популярности при выборе стилистов.

Индивидуальная сортировка

Платформа персонализированной сортировки — это инновационная технология Trunk Club, которая позволяет сортировать сотни тысяч товаров в каталоге в режиме реального времени в персонализированном порядке. Персонализация определяется тем, насколько вероятно, что товар останется у покупателя, при этом гарантируя, что он будет новым и актуальным. В то время как модель науки о данных определяет, как рассчитать оценку персонализации для каждого элемента в каталоге для клиента, базовая архитектура, изобретательно разработанная командой инженеров данных поверх Elastic Search, вычисляет оценку и сортирует каталог в режиме реального времени. Архитектура обеспечивает высокую доступность системы с постоянными изменениями запасов и доступности, а также молниеносную работу с малой задержкой для онлайн-потребления всеми стилистами. Персонализированная сортировка имеет ряд преимуществ для стилистов:

  • Потенциально это может сэкономить время, поскольку они могут «упаковать» багажник из самых верхних элементов, не тратя много времени на навигацию по каталогу.
  • Это может помочь им избежать применения многих фильтров каталога для поиска нужных элементов, что сделает их более эффективными.
  • Поскольку сортировка уже оптимизирована с точки зрения вероятности сохранения, выбирая самые верхние элементы, стилисты могут позиционировать багажник с высокой вероятностью продажи.

Рекомендации по подбору

Вероятность того, что покупатель сохранит товар, зависит не только от того, насколько хорошо он отражает вкус покупателя, но и от того, насколько он ему подходит. Наука о данных разработала комплексную систему прогнозирования подгонки, чтобы не только повысить вероятность хорошей подгонки, но и повысить эффективность покупок стилистов. Выбор стилиста для цифрового сундука продиктован не только брендом и стилем, но также тем, есть ли в наличии на складе товар, который подходит покупателю. Система прогнозирования соответствия представляет собой набор многочисленных моделей машинного обучения/ИИ, которые суммируют свои оценки, чтобы предсказать наиболее вероятное соответствие покупателю каждого элемента в каталоге. Структура моделирования не только использует покупки клиентов, но также использует соответствующие отзывы от предыдущих стволов. Более того, поскольку формат и диапазон размеров могут существенно различаться у разных брендов, предлагаемых Trunk Club, структура моделирования сочетает в себе шаблоны размеров поставщиков, размеры, указанные клиентом, а также методы, основанные на данных, с бизнес-правилами для определения того, какие модели следует складывать для создания наиболее точное предсказание размера.

На рисунке ниже показано, как предсказание соответствия развертывается в каталоге. Прогнозируемый моделью размер отмечен галочкой. Недоступные размеры выделены серым цветом. Прогнозируемый размер, даже если он недоступен, указан в серых полях. Стилисты не обязаны выбирать только предсказанный размер. Основываясь на своих знаниях о соответствии и предпочтениях клиента, они могут выбрать и другие варианты. Прогнозируемый размер также может отличаться от размера, указанного заказчиком. Прогнозируемый размер, если он недоступен, может помочь стилисту выбрать другой предмет для цифрового сундука вместо того, чтобы упаковывать предмет в другой размер, который, хотя и доступен, может быть неподходящим. Таким образом, структура помогает уменьшить негативную обратную связь, повысить вероятность продаж, а также повысить удовлетворенность клиентов.

Курирование багажника

Более масштабируемая модель для Trunk Club, направленная на развитие уникальной персонализированной службы укладки, состоит в том, чтобы перенести стилиста с ответственности всего на те этапы, которые требуют уникального человеческого прикосновения и опыта, которые может получить только стилист. давать. Чтобы реализовать это видение, отделы по продуктам, инженеры и специалисты по обработке и анализу данных сотрудничают в разработке платформы, которая предоставляет стилистам полный набор «модельных кураторов» с самого начала покупки.

В частности, framework использует передовые алгоритмы ML/AI, чтобы не только предлагать, что упаковать в цифровую магистраль, но и определять ассортимент, который может последовательно составлять магистраль. Поток науки о данных состоит из двух наборов алгоритмов. В зависимости от того, упаковывается ли пакет для возвращающегося или нового клиента, первый набор алгоритмов определяет согласованный/связанный набор слотов состава магистрали на основе запроса на соединительную линию клиента и истории прошлых покупок. Следующий набор алгоритмов заполняет слоты персонализированными рекомендациями, актуальными для текущей магистрали. Такая структура обеспечивает контролируемое, персонализированное масштабируемое решение для упаковки чемоданов, при этом стилисты по-прежнему используются в качестве общего эксперта.

Комплектация багажника

Для этапа Проверка стилиста Data science разработала рекомендательную систему Завершение багажника, которая помогает определить, чем заменить отклоненные элементы. Этот алгоритм больше полагается на принятые элементы и отклоненные элементы из Member Preview для определения рекомендаций элементов. Обратная связь на уровне элементов из Member Preview также имеет большое значение в алгоритме. Он сочетает обратную связь на уровне элемента с несколькими пользовательскими бизнес-правилами, чтобы определить включения и исключения для замещающих элементов. Алгоритм также включает явные модели чувствительности к цене и настраиваемые ценовые ограничения, чтобы гарантировать, что рекомендуемые товары не выходят за рамки бюджета и ценовых спецификаций клиента. (ценовые ограничения и модели чувствительности существуют и в других рекомендателях, хотя они неявно связаны с другими функциями)

Мышление постоянного улучшения

Все модели перед полным развертыванием проходят несколько строгих A/B-тестов, которые измеряют влияние на бизнес. Подробнее об A/B тестах читайте в Часть 2. Этап Домашняя примерка предоставляет информацию о влиянии моделей на бизнес благодаря покупкам клиентов и отзывам на уровне товара. Чем больше данных будет собрано на этом этапе, тем больше модели узнают о клиентах и ​​улучшат качество рекомендаций, тем самым подпитывая мощный маховик персонализации и удовлетворенности клиентов.

Во второй части статьи обсуждаются детали алгоритмов, проверки и A/B-тестирования, а также проблемы и перспективы.