Российские ученые обучили искусственный интеллект угадывать точное время покупок в Интернете

Открытый учеными из Tinkoff Research алгоритм TAIW позволит тратить меньше времени на контроль домашних запасов и выбор новых товаров

Елена ВАСИЛЬЕВА

Фото: Shutterstock.

Кто хоть раз не хватался за голову, поняв, что дома неожиданно закончился необходимый продукт или товар, например, сахар, соль, стиральный порошок или мыло. Теперь планировать свои покупки и контролировать домашние запасы станет проще. Ученые из лаборатории исследований искусственного интеллекта Tinkoff Research совершили открытие в области рекомендательных систем в онлайн-торговле. Искусственный интеллект научился угадывать точное время покупки конкретного товара в онлайне.

Новый алгоритм получил название Time-Aware Item-based Weighting. Искусственный интеллект анализирует не только предыдущие покупки клиентов и схожие предпочтения других пользователей, но и временные интервалы между покупками, которые у разных пользователей отличаются. Человек может покупать какой-то товар с уникальной частотой: например, каждую третью субботу месяца. В остальное время рекомендации этого продукта или схожих товаров не актуальны для пользователя, несмотря на то, что он неоднократно их покупал. Раньше временные данные редко учитывались рекомендательными системами.

Новый алгоритм позволит продавцам более точно прогнозировать периодичность покупок в интернете, давать правильные «напоминалки» покупателям и простимулировать рост среднего чека. Покупатели при этом смогут сэкономить время, необходимое на составление конкретной корзины и не забудут вовремя заказать нужный товар.

Как устроен алгоритм TAIW: модули «Повторная покупка» и «Соседство». Фото: Тинькофф

TAIW анализирует точное время приобретения конкретных товаров в прошлом и периодичность покупок, выявляет взаимосвязи между приобретением товаров из разных категорий. Он заранее знает, через какое время у пользователя закончатся продукты, и предложит ему купить их в нужный момент. Таким образом рекомендации становятся более адресными. Алгоритм понимает, какие именно товары нужны человеку в конкретный момент: внедрение показателя времени позволило увеличить точность прогнозирования до 8%.

Новый метод был протестирован, в частности, на данных крупнейшего китайского интернет-гиганта Alibaba Group.

Персонализированные рекомендательные алгоритмы в работе с покупателями приобретают важнейшее значение. Мировой рынок онлайн-торговли с момента начала пандемии набирает все большие обороты. Так, по данным eMarketer, в 2023 году объем глобального e-commerce приблизился к 6 трлн. долларов, а в 2027 году превысит 8 трлн. долларов.

Конкуренция между компаниями, работающими в онлайн торговле, становится все жестче. При этом ассортимент товаров растет - на маркетплейсах могут быть представлены миллионы или даже миллиарды товаров. Для пользователей растет число похожих вариантов для покупки, а процесс выбора становится все более затруднительным. Продавцам в таких условиях крайне важно удержать своих покупателей. Вот тут и приходят на помощь персонализированные рекомендательные алгоритмы. Покупателям предлагаются подходящие варианты товаров и временные затраты на их поиск сокращаются. Например, в онлайн-магазинах часто решается задача next basket recommendation, во время которой требуется предугадать состав следующей корзины пользователя в соответствии с его потребностями.

Разработка ученых из Tinkoff Research уже получила признание мирового сообщества: результаты исследования были представлены на главной конференции по рекомендательным системам ACM RecSys, которая входит в 15% лучших научных конференций в мире.