Login AI
Разработка систем рекомендаций
Собираем рекомендательные системы: коллаборативная фильтрация, контентные признаки и ранжирование. Считаем офлайн-метрики и запускаем A/B, а не верим одной цифре.
Подбираем каждому пользователю товары и контент по его поведению.
Стоимость
от 2 000 000 ₽
за проект
Это нижняя граница проекта. Точную смету считаем после брифа: она зависит от объёма и числа интеграций.
Возможности
Сигналы поведения
Собираем просмотры, покупки и поиск, а не только рейтинги.
Холодный старт
Новым пользователям и товарам даём рекомендации по контенту, пока не набрана история.
Ранжирование
Кандидатов отбираем дешёвыми методами за 12 мс, а порядок уточняет отдельная модель ранжирования.
A/B вместо веры
Офлайн-метрика — только фильтр: эффект подтверждаем онлайн-экспериментом.
От заявки до результата
1
Аудит данных и цели
Смотрим поток событий и выбираем цель метрики: клик, корзина или покупка.
2
Схема признаков
Фиксируем признаки пользователя и товара, договариваемся о холодном старте.
3
Модель и ранжирование
Обучаем отбор кандидатов и ранжирование, считаем офлайн-метрики как фильтр.
4
A/B и запуск
Запускаем онлайн-эксперимент, подтверждаем эффект и включаем на весь трафик.
Проверьте, подойдёт ли вам
Подходит
Есть поток событий
Просмотры, клики и покупки записаны: есть на чём обучать модель.
Каталог не из одного товара
Чем шире выбор, тем больше пользы от ранжирования.
Не подходит
Мало трафика
Без событий рекомендации вырождаются в популярное, и сложная модель не окупается.
Нет цели в метрике
Клик или покупка? Без выбора метрики модель оптимизирует не то.
Что вы получаете
+18%
переходов из блока рекомендаций
Ранжирование подняло долю целевых переходов, а холодный старт закрывали контентные признаки.
+18% к переходам
Рост доли переходов
Ранжирование поднимает долю целевых переходов в блоке, и онлайн-эксперимент подтверждает эффект на живом трафике каталога.
12 мс
Отдача за миллисекунды
Кэш отдаёт готовую подборку за считаные миллисекунды, поэтому блок открывается быстро даже под пиковой нагрузкой магазина.
3 недели
Пилот за три недели
Пилот идёт три недели: собираем события, обучаем модель и запускаем онлайн-эксперимент на части трафика.
Механизм работы
Кандидаты собираются дешёвыми методами
Кандидаты собираются дешёвыми методами по всей истории, а дорогая модель уточняет порядок: система отдаёт подборку за миллисекунды и держит задержку под нагрузкой.
Холодный старт закрывается контентом
Холодный старт закрывается контентом: похожие товары, категории и профиль сессии дают разумную подборку новому пользователю, пока история поведения ещё набирается шаг за шагом.
Обратная связь замыкается
Обратная связь замыкается в цикл: свежие клики и покупки возвращаются в обучение, поэтому модель учитывает новое поведение и обновляет подборку каждый день.
Разнообразие контролируется
Разнообразие контролируется ограничением в ранжировании: система чередует категории и держит интерес к каталогу, поэтому выдача остаётся широкой для каждого пользователя на протяжении сессии.
Где решение упирается
- 01
Петля популярности
Модель предлагает хиты, хиты собирают клики, и каталог сужается. Петля популярности сужает выдачу, поэтому разнообразие держим ограничением.
- 02
Офлайн-метрика обманывает
Рост качества сортировки даёт ориентир, а покупки проверяет онлайн-эксперимент. Офлайн-метрика обманывает: эффект видно только на живом трафике.
- 03
Смещённая разметка клика
Пользователь видит то, что показала система, и учится на своих же показах. Смещённая разметка клика искажает обучение, поэтому добавляем случайные показы.
- 04
Разнообразие и ограничения
Разнообразие удерживает интерес к каталогу и сохраняет выдачи широкими. Ограничение в ранжировании чередует категории, поэтому пользователь видит больше разных товаров.
Что закрывает система
Что закрывает система
Главная страница собирает подборку из истории пользователя, похожих товаров и свежих событий сессии.
Карточка товара дополняет выдачу сопутствующими позициями, которые покупатели выбирают вместе с текущей.
Рассылка и push подбирают товары под последние действия пользователя с учётом сезонности.
Поиск дополняет результаты похожими запросами и переранжирует их по ожидаемому клику.
Данные и признаки
Данные и признаки
События поведения собираются в поток: просмотры, корзины, покупки и поисковые запросы.
Признаки считаются по окнам: частоты, пары товаров и профиль пользователя за последние сессии.
Холодный старт закрывают контентные признаки: категория, бренд, цена и текстовое описание.
Метрики блока ведутся в дашборде: CTR, добавления в корзину и доля целевых переходов.
Технологии
Технологии, которые мы используем в работе, и их роль в проекте.
События и модели
События идут через Kafka, признаки считаются в ClickHouse, модели обучаются на PyTorch, инференс отдаёт Redis, а метрики — Grafana.
Калькулятор стоимости
Это ориентировочный диапазон, а не коммерческое предложение. Точную смету подготовим после брифа: она зависит от объёма и числа интеграций.
Поверхности
Сложность
Realtime-отдача
Дополнительно
Поддержка
Первый год: обновления и мониторинг, ответ за 2 рабочих дня.
Услуга
Разработка систем рекомендаций
В смету входит работа команды. Оборудование, лицензии сторонних сервисов и командировки добавляем по согласованию.
Расчётная стоимость
2,45 млн. ₽
Срок работ
5 нед.
Частые вопросы
Что показывать новым пользователям?
Контентные признаки и профиль сессии: похожие товары дают разумный старт, пока не набрана история.
Хватит ли офлайн-метрики?
Нет. Офлайн-метрика только фильтрует модели; эффект подтверждается онлайн-экспериментом.
Как избежать однообразия?
В ранжирование закладываем ограничение на разнообразие, иначе блок показывает одно и то же.
Сколько занимает пилот?
Пилот с A/B — три недели: сбор событий, модель и онлайн-эксперимент на части трафика.
Что берут вместе с этой услугой
В составе решений
Примеры внедрений
×3
Объём публикаций
Готовы обсудить задачу?
Оставьте заявку – вернёмся с предложением и предварительной оценкой.
Связаться с нами