Как работает рекомендательная система Ozon: пять этапов отбора товаров

Чтобы понимать, как товары попадают в рекомендации Ozon, полезно разобрать весь путь: от подготовки данных о покупателе и товарах до показа готовой подборки. Ниже — пять этапов работы рекомендательной системы. Что такое рекомендации и где они размещаются, Ozon объясняет в отдельной статье.

1-й этап: подготовка контекста

Сначала Ozon загружает списки товаров, которые составляют контекст для подбора рекомендаций:

• товары, с которыми взаимодействовал покупатель;
• товар, на странице которого находится полка с рекомендациями.

Затем для каждого товара из контекста система собирает информацию:

• список категорий товара;
• бренд;
• склад товара;
• доступность экспресс-доставки и другие сведения.

Также система получает характеристики пользователя — например, пол и возраст.

2-й этап: отбор кандидатов

В зависимости от полки рекомендаций система выбирает разные источники товаров-кандидатов. Эти источники должны подходить к контексту конкретной полки.

При подборе Ozon ориентируется на популярные товары и интересы покупателя. Также система учитывает товары, которые покупатель просмотрел или добавил в корзину.

Практический совет: когда разбираете пример рекомендаций, отмечайте, на какой полке и рядом с каким товаром появилась подборка. Это поможет учитывать контекст и не воспринимать отдельную подборку как универсальный список рекомендаций для всех покупателей.

3-й этап: оценка моделями машинного обучения

Для каждого отобранного товара модели машинного обучения оценивают, насколько вероятно взаимодействие пользователя с ним.

Модели обучаются на прошлом поведении покупателей и находят закономерности между факторами. Фактор — это число, характеризующее товар, например его цену или скорость доставки. У разных факторов разная предсказательная сила: они неодинаково влияют на вероятность покупки. Например, покупатели чаще выбирают товары с большим количеством отзывов, поэтому чем больше отзывов, тем выше оценка.

Система вычисляет для каждого товара факторы, которые могут повлиять на продажу. На их основе модели оценивают вероятность следующих взаимодействий:

• покупка товара;
• клик на карточку товара;
• добавление в корзину;
• добавление в избранное.

Каждый товар получает набор оценок от 0 до 1. Чем ближе оценка к единице, тем больше шанс занять высокую позицию в рекомендациях.

Нюанс для анализа: речь идёт не об одной оценке и не о гарантированном месте на полке. Разделяйте вероятность покупки, клика и других взаимодействий, когда разбираете принцип работы системы: так проще не путать интерес к карточке с вероятностью продажи.

4-й этап: формирование выдачи

Каждому товару-кандидату система присваивает оценку релевантности. Формула зависит от полки рекомендаций, но в общем случае учитывает:

• оценки моделей машинного обучения с предыдущего этапа;
• ставку, если у товара подключено продвижение;
• давность посещения страницы товара;
• другие характеристики товара — например, цену и скорость доставки.

Ставка продвижения — лишь один из факторов. Если увеличивать расходы, рассчитывая только на неё, можно потратить больше денег без ожидаемого места в рекомендациях.

SelSup помогает анализировать продажи, прибыль и расходы, а также контролировать рентабельность товаров. Такой анализ позволяет оценивать финансовый результат решений о продвижении, а не ориентироваться только на видимость товара.

Учёт этих факторов помогает уравновесить интересы покупателей, продавцов и рекламодателей.

Система сортирует товары по рассчитанной оценке релевантности: с наибольшей оценкой — в начале выдачи, с наименьшей — в конце.

После сортировки из списка исключаются:

• товары повторяющихся категорий — чтобы предложить пользователю более широкий ассортимент;
• товары, которых нет на складе.

Отсутствие товара на складе означает его исключение из списка на этом этапе. Если не контролировать остатки и вовремя не замечать отсутствие товара, можно упустить продажи через рекомендации.

SelSup автоматизирует учёт и обновление остатков, резервирует товары под заказы и помогает снизить риск ошибок ручного складского учёта. Это упрощает контроль наличия, но не заменяет пополнение склада и не гарантирует попадание в рекомендации.

После сортировки и исключения товаров система получает финальный список товаров-кандидатов.

5-й этап: отображение товаров

Количество мест на полке рекомендаций ограничено и зависит от платформы и страницы, на которой она расположена. Чтобы показать подборку, рекомендательная система выполняет следующие действия:

1. Отбирает определённое количество товаров из списка, сформированного на предыдущем этапе.
2. Загружает для выбранных товаров актуальные характеристики и картинки.
3. Показывает пользователю полку рекомендаций.

Практический совет: при сравнении подборок фиксируйте платформу и страницу размещения. Количество мест зависит от них, поэтому такая пометка поможет корректнее сравнивать примеры и не принимать разницу в размере полок за изменение оценки товара.

Что ещё полезно знать

В Телеграм-канале публикуются обновления, успешные кейсы и полезные советы по продвижению.

Во ВКонтакте также публикуются обновления, успешные кейсы и полезные советы по продвижению.

В Макс можно найти обновления, успешные кейсы и полезные советы по продвижению.

Главный вывод для продавца: рекомендации формируются в несколько этапов. Система учитывает контекст, прогнозы взаимодействий, релевантность и наличие товара, а затем отбирает товары с учётом ограниченного числа мест на полке. Один показатель не объясняет весь результат.

Следующий практический вопрос — как организовать контроль остатков и оценивать рентабельность товаров, не собирая все данные вручную. На демонстрации SelSup можно разобрать учёт и обновление остатков, а также посмотреть, как анализировать продажи, расходы и прибыль по товарам.