Клиент под NDA · Продуктовый ритейл
Магазин сети из мирового топ-15 знает, зачем пришёл каждый покупатель
Одна из 15 крупнейших продуктовых сетей мира: в каталоге 100 000+ товаров. Мы с нуля построили её рекомендательную систему: персональные подборки, распознавание намерений и пайплайн, который превращает рецепт в полную корзину.
- Клиент
- Под NDA
- Отрасль
- Продуктовый ритейл
- Услуги
- Рекомендации, ML, Поиск
SKU за полкой каждого покупателя
среди продуктовых сетей мира
ML-системы: персональные подборки, намерения, из рецепта в корзину
полка ранжируется под каждого покупателя, а не под среднего
Задача
Когда в каталоге 100 000+ SKU, никто не листает его целиком, а одна полка бестселлеров не подходит никому. Один и тот же человек покупает по-разному, когда закупается на неделю и когда готовит ужин на четверых. А рецепт перечисляет ингредиенты, а не товары: каждую строку всё равно нужно найти, подобрать по фасовке и добавить вручную.
Наш подход
Мы разложили задачу на три, но с общим портретом покупателя. Отбор кандидатов сужает 100 000+ SKU до нескольких товаров, которые подходят именно этому человеку. Модель намерений понимает, зачем он пришёл на этот раз, и перестраивает подборку. Пайплайн рецептов сопоставляет каждый ингредиент с реальным товаром из каталога, и вдохновение заканчивается корзиной, а не списком покупок.
Никому не нужно 100 000 товаров. Нужен ужин, и магазин должен знать, какой именно.
Что мы сделали
01
Персональные подборки
Модели отбора учатся на корзинах и просмотрах каждого покупателя и достают самые подходящие товары из 100 000+ SKU. Двое покупателей открывают один и тот же магазин и видят разные полки.
- Эмбеддинги покупателей и товаров
- Отбор кандидатов из 100 000+ SKU
- Ранжирование с учётом прошлых корзин
- Холодный старт: подборки для новых покупателей
02
Намерение покупателя
Модель классификации считывает сигналы каждого визита и отличает закупку на неделю от ужина на четверых. Подсказки, поиск и полка подстраиваются под эту цель.
- Модель намерений на сигналах сессии
- Подсказки перестраиваются под намерение
- Поиск подстроен под цель визита
03
Из рецепта в корзину
Пайплайн читает рецепт, раскладывает его на ингредиенты и количества и сопоставляет каждый с реальным товаром из каталога. Покупатель получает полную корзину вместо списка покупок.
- Разбор ингредиентов и количеств
- Каждому ингредиенту — свой SKU
- Количества подогнаны под реальные фасовки
- Весь рецепт в корзине за один тап
Как это работает
- 1
Сигналы покупателя
Корзины, поисковые запросы и клики
- 2
Модель намерений
Определяет цель визита
- 3
Отбор кандидатов
Находит кандидатов среди 100 000+ SKU
- 4
Ранжирование
Сортирует их под покупателя и визит
- 5
Парсер рецептов
Считывает ингредиенты и количества
- 6
Сопоставление SKU
Подбирает товар и фасовку
- 7
Готовая корзина
Весь рецепт за один тап
Результаты
- 01Система построена с нуля и запущена в продакшен у продуктовой сети из мирового топ-15
- 02Персональная полка для каждого покупателя из 100 000+ SKU
- 03Подсказки, которые учитывают, зачем пришёл покупатель, а не только прошлые корзины
- 04Рецепт превращается в полную корзину: каждому ингредиенту подобран реальный товар
Технологии
- Отбор кандидатов
- Двухбашенная модель · поиск ANN / HNSW
- Ранжирование
- Коллаборативная и контентная фильтрация
- ML
- Python · PyTorch · scikit-learn · XGBoost
Услуги в этом кейсе
Следующий кейс · Metro Relocators
Концепт сайта для перевозчика с расчётом в чате
Обсудим
Есть проект? Разберём его за 30 минут.
Расскажите, что вы создаёте. Уже на первом созвоне вы получите прямой ответ о сроках, команде и подходе.