Искусственный интеллект в электронной коммерции: возможности повышения конверсии и клиентской лояльности

Особенности среды

Электронная торговля отличается от прочих сфер применения искусственного интеллекта двумя обстоятельствами, определяющими характер решаемых здесь задач.

Первое – полная наблюдаемость поведения. Фиксируется не только покупка, но и весь предшествующий путь: поисковые запросы, просмотренные страницы, время задержки, добавление в корзину и отказ от него, возвраты к ранее просмотренному. Объём данных о взаимодействиях превышает объём данных о покупках на порядки, и это делает применимыми методы, требовательные к размеру обучающей выборки.

Второе – возможность контролируемого эксперимента. Разделение пользователей на группы с различающимися условиями технически тривиально, результат наблюдается в течение суток или недели. Это снимает проблему, составляющую основное затруднение в офлайновой коммерции: здесь можно установить не корреляцию, а причинное влияние изменения на результат.

Сочетание этих обстоятельств объясняет, почему электронная торговля стала областью наиболее раннего и наиболее плотного внедрения алгоритмических методов. Оно же порождает специфический риск: доступность измерения подталкивает к оптимизации того, что измеряется легко, в ущерб тому, что существеннее, но проявляется с задержкой. Ниже точки приложения интеллектуальных технологий рассмотрены последовательно по этапам пути покупателя, с указанием на этот риск там, где он наиболее выражен.

Поиск по каталогу

Внутренний поиск представляет собой недооценённый резерв конверсии. Покупатель, воспользовавшийся поиском, обладает сформированным намерением, и его конверсия многократно превышает конверсию посетителя, просматривающего каталог. Соответственно, потеря такого посетителя из-за неудачного поиска обходится дороже прочих потерь.

Типичные дефекты поискового механизма носят технический характер и вполне устранимы. Опечатки в запросе не распознаются. Синонимы и разговорные наименования товаров отсутствуют в описаниях. Запрос, содержащий несколько условий, обрабатывается как последовательность независимых слов. Результат, не содержащий точного совпадения, возвращается пустым вместо предъявления близких вариантов.

Переход к поиску, учитывающему смысловую близость запроса и описания товара, снимает большую часть этих затруднений. Покупатель, ищущий товар по функциональному признаку, а не по каталожному наименованию, перестаёт получать пустую выдачу. Существенно, что улучшение затрагивает именно тот сегмент посетителей, чья готовность к покупке максимальна.

Отдельная задача – ранжирование выдачи. Порядок предъявления результатов внутри релевантного набора определяется не только соответствием запросу, но и вероятностью покупки, наличием товара, маржинальностью. Балансировка этих критериев составляет предмет постоянной настройки, причём смещение в сторону маржинальности при прочих равных даёт краткосрочный прирост дохода и долгосрочное ухудшение восприятия качества выдачи.

Рекомендательные механизмы

Рекомендательные системы в электронной торговле развиты глубже, чем в любой другой области. Методическая база – от коллаборативной фильтрации до нейросетевых моделей последовательностей – хорошо разработана, и различия между реализациями лежат преимущественно в области инженерной, а не алгоритмической.

Практическая ценность рекомендаций существенно различается по местам их размещения. Рекомендации на странице товара работают лучше всего, поскольку контекст задан просмотренным товаром. Рекомендации в корзине эффективны для сопутствующих позиций. Рекомендации на главной странице требуют знания истории покупателя и для нового посетителя малополезны.

Систематическая ошибка при оценке рекомендательных механизмов состоит в приписывании им дохода, который был бы получен и без них. Покупатель, приобретший рекомендованный товар, мог найти его самостоятельно; засчитывание всей суммы в эффект рекомендательной системы завышает оценку. Корректное измерение требует эксперимента с отключением рекомендаций для части аудитории – процедуры, вызывающей возражения, но не имеющей методической альтернативы.

Отдельного внимания заслуживает проблема сужения выдачи. Система, обученная на прошлых покупках, предлагает похожее на купленное, вследствие чего покупатель перестаёт сталкиваться с новыми категориями. Краткосрочно это повышает конверсию, долгосрочно сокращает ассортимент фактического потребления и снижает ценность покупателя. Противодействие требует сознательного включения в выдачу доли разнообразия, что противоречит оптимизации по немедленному отклику.

Ценообразование и промоакции

Динамическое ценообразование в электронной торговле технически реализуемо в полной мере: цена может пересматриваться непрерывно, реакция наблюдается немедленно. Ограничения носят не технический, а поведенческий и правовой характер.

Покупатель, обнаруживший различие цен при повторном посещении, воспринимает это как недобросовестность независимо от экономического обоснования. Ущерб репутационного свойства превышает выигрыш от точной настройки цены. Практически приемлемой оказывается дифференциация по сегментам и каналам при неизменности цены для конкретного покупателя в пределах сессии и разумного периода.

Оценка эластичности спроса сталкивается с описанным ранее затруднением: наблюдаемые данные отражают результат прошлой ценовой политики. В отличие от офлайновой торговли, здесь доступен прямой путь решения – ценовые эксперименты на выделенных сегментах, дающие несмещённую оценку. Издержки таких экспериментов невелики, а методическая ценность результата существенно превышает точность моделей, построенных на наблюдательных данных.

Задача оптимизации промоакций формулируется как выбор адресатов скидки. Значительная часть промобюджета расходуется на покупателей, совершивших бы покупку и без скидки. Определение группы, чьё решение действительно зависит от скидки, требует оценки не вероятности покупки, а изменения этой вероятности под воздействием – величины, для оценки которой необходимы данные экспериментов, а не наблюдений.

Оформление заказа и постпродажный контур

Этап оформления заказа даёт наиболее прямой прирост конверсии при наименьших вложениях, причём достигается он преимущественно не алгоритмическими средствами. Сокращение числа обязательных полей, автоматическое определение адреса, сохранение реквизитов, отказ от обязательной регистрации – меры, эффект которых устойчиво воспроизводится и измеряется без затруднений.

Алгоритмические методы применяются здесь в двух задачах. Первая – определение вероятности отказа от оформления с предъявлением удерживающего воздействия. Вторая – оценка риска мошеннической операции, где требуется баланс между пропуском недобросовестной транзакции и отклонением добросовестной; вторая ошибка обходится дороже, чем принято закладывать при настройке.

Постпродажный контур – доставка, возвраты, обслуживание обращений – влияет на повторные покупки сильнее, чем большинство мер, применяемых до покупки. Точность прогноза срока доставки здесь важнее его сокращения: покупатель, получивший заказ в обещанный срок, оценивает опыт выше, чем получивший его раньше обещанного, но после срыва первоначального обещания.

Обработка обращений покупателей поддаётся автоматизации в части типовых вопросов о статусе заказа, условиях возврата, характеристиках товара. Архитектура диалоговых ассистентов, применяемых в этой роли, включая механизмы связывания ответа с фактическими данными заказа, рассмотрена в работе В. В. Осадчего [1, с. 42-50]. Практическое требование состоит в надёжности маршрутизации к оператору: система, удерживающая покупателя в диалоге при неспособности решить его вопрос, ухудшает восприятие сильнее, чем отсутствие автоматизации.

Товарное предложение и управление запасами

Сторона электронной торговли, менее заметная покупателю, но определяющая экономику деятельности, связана с формированием ассортимента и управлением запасами. Конверсия, достигнутая маркетинговыми средствами, не реализуется в доход, если востребованный товар отсутствует.

Прогнозирование спроса в электронной торговле обладает особенностью, отличающей его от офлайновой розницы: наблюдаются не только продажи, но и неудовлетворённый спрос. Просмотры карточек отсутствующих позиций, поисковые запросы без результата, подписки на уведомление о поступлении дают прямую оценку потребности, недоступную там, где о ненайденном товаре покупатель уходит молча. Использование этих сигналов при планировании закупок заметно улучшает качество прогноза по позициям с частым дефицитом.

Обратная задача – выявление позиций, не оправдывающих присутствия в ассортименте. Признаком служит не только низкая оборачиваемость, но и сочетание её с высокой долей возвратов и повышенной нагрузкой на обслуживание обращений. Позиция, приносящая номинальную маржу и порождающая непропорциональный объём претензий, убыточна с учётом полных затрат, и обнаружение этого требует сведения данных о продажах, возвратах и обращениях в единый расчёт, что организационно затруднено разделением ответственности между подразделениями.

Отдельное направление – размещение товарных остатков по складам при распределённой логистике. Прогноз спроса в территориальном разрезе определяет, где следует держать запас, и влияет одновременно на срок доставки и на стоимость логистики. Задача решается методами оптимизации при наличии достаточно точного прогноза, и здесь качество предсказания напрямую переводится в измеримую экономию.

Лояльность и ценность покупателя

Программы лояльности традиционно строились на накоплении баллов и предоставлении скидок за объём покупок. Аналитический подход смещает акцент с поощрения объёма на удержание тех покупателей, чья ожидаемая ценность высока, а вероятность ухода заметна.

Расчёт ожидаемой ценности покупателя опирается на несколько раздельно оцениваемых составляющих: вероятность повторной покупки, ожидаемую частоту, средний чек и его динамику, вероятность возврата товара. Многофакторное построение такой оценки, соответствующее логике моделей коммерческих финансовых систем [2, с. 12-16], предпочтительнее агрегированного показателя: оно позволяет установить, за счёт какой составляющей различаются сегменты, и адресовать воздействие именно на неё.

Существенное практическое наблюдение состоит в том, что вложения в операционную надёжность – точность сроков, простота возврата, качество упаковки – влияют на удержание сопоставимо со скидками, но не создают привыкания к сниженной цене. Скидка, предоставляемая регулярно, переопределяет представление покупателя о нормальной цене, и её отмена воспринимается как повышение. Надёжность такого эффекта не порождает.

Организация измерения

Доступность экспериментов создаёт собственные затруднения, о которых следует сказать отдельно. Одновременное проведение множества тестов приводит к тому, что часть положительных результатов возникает случайно; при большом числе проверяемых гипотез это неизбежно статистически. Внедрение изменений по итогам отдельного успешного теста без учёта этого обстоятельства ведёт к накоплению нейтральных изменений, воспринимаемых как улучшения.

Второе затруднение – краткость горизонта наблюдения. Тест продолжительностью в неделю измеряет немедленный отклик и не улавливает влияния на повторные покупки. Изменение, повысившее конверсию за счёт агрессивного побуждения к покупке, может снижать вероятность возвращения покупателя – эффект, проявляющийся за пределами окна наблюдения и потому не учитываемый при решении.

Заключение

Электронная торговля предоставляет наиболее благоприятные условия для применения алгоритмических методов благодаря полной наблюдаемости поведения и возможности контролируемого эксперимента, что снимает проблему причинной атрибуции, определяющую сложность оценки в прочих областях.

Качество внутреннего поиска представляет собой резерв конверсии, превосходящий по отдаче большинство более заметных направлений, поскольку затрагивает сегмент посетителей с наиболее выраженным намерением совершить покупку.

Оценка вклада рекомендательных механизмов требует эксперимента с их отключением; приписывание им всего дохода от рекомендованных позиций систематически завышает результат и искажает распределение усилий по направлениям развития.

Вложения в операционную надёжность постпродажного контура влияют на удержание сопоставимо со скидочными механизмами, не порождая при этом привыкания к сниженной цене, что делает их предпочтительными на длительном горизонте.

Направлением дальнейшей работы представляется разработка методик учёта отложенных эффектов в онлайн-экспериментах – задача, стоящая тем острее, чем короче типичный цикл тестирования относительно интервала между покупками.