Чем рекомендации в Лавке отличаются от маркетплейсов

На связи Артур Ильичёв, руководитель группы рекомендательных и поисковых сервисов Яндекс Лавки. Мы продолжаем рубрику «Обучено Яндекс Лавкой»: в ней мы заглядывали под капот персональных скидок и делились увлечениями команды. На этот раз поговорим про особенности рекомендательных систем в нашем сервисе, которые создают интересные технические и продуктовые челленджи.

Собрали все эти фичи ниже

Небольшой размер основного каталога

В основном каталоге Лавки представлено несколько десятков тысяч товаров. Для рекомендательной системы это немного, так что можно отказаться от традиционной стадии кандидатогенерации и улучшить качество ранжирования. Ещё это позволяет строить более качественные представления товаров для transformer-подобных моделей.

Регулярные покупки

В отличие от маркетплейсов, в Лавке пользователи часто покупают одни и те же товары в рамках разных заказов. Нужно искать баланс между рекомендациями для регулярного сценария и для чего-то новенького. А также предлагать качественные замены для товаров, которые закончились на складе, — иначе пользователь может полностью отказаться от заказа. Важно учиться измерять и учитывать долгосрочные эффекты, например LTV и лояльность.

Много товаров в заказе

Важно строить рекомендации так, чтобы помогать пользователю собирать корзину: учитывать её содержимое и сочетаемость товаров, напоминать пользователю о том, что он мог забыть.

Из-за этого в некоторых сценариях комплементарность становится важнее похожести. Товары-дополнители нужно подбирать именно по смыслу — совместимости на уровне категорий недостаточно. Например, если пользователь закинул в корзину кофе, можно порекомендовать ему сливки.

Гиперлокальность

Доступный пользователю ассортимент привязан к конкретному даркстору. А у жителей разных городов и районов внутри них могут быть разные предпочтения и паттерны поведения. Рекомендации должны учитывать эту специфику. Ещё нужно уметь фильтровать товары в наличии во всех рекомендательных и поисковых выдачах прямо в рантайме.

Сезонность

Спрос на продукты может сильно меняться в зависимости от времени года, времени суток и даже погоды. Поэтому grocery-рекомендации сильнее зависят от контекста, чем многие другие рекомендательные сервисы.

Быстрый заказ

На маркетплейсах пользователь может тратить дни в размышлениях над выбором товара в одной конкретной категории. В Лавке пользователь собирает себе корзину за несколько минут. Поэтому рекомендации должны работать быстро, подстраиваться под текущую сессию и динамично обновляться.

В итоге: хорошие рекомендации в Лавке создаются, чтобы помочь быстро собрать корзину из нужных товаров с учётом того, где живёт пользователь, что уже туда попало и какая погода за окном. Чем точнее система учитывает этот контекст, тем лучше работают рекомендации.

Подписывайтесь:
@Yandex4ML
@YandexML