Достижения в области машинного обучения позволяют разрабатывать новые типы моделей и алгоритмов персонализации. Ильи Кацов, руководитель по работе с данными компании Grid Dynamics, рассказывает на портале eWeek о современных трендах в этой области. Анализ основан на опыте выполнения ряда проектов для компаний из списка Fortune 1000 в период 2017-2020 гг.

Персонализация клиентского опыта очень важна для большинства компаний, занимающихся электронной коммерцией, цифровой рекламой и медиа. Это связано с тем, что возможность предоставления релевантного контента, рекомендаций по продуктам, рекламы и других элементов цифрового опыта непосредственно влияет на эффективность работы B2C-компаний. Несмотря на то, что возможности персонализации широко применяются в различных отраслях, коммуникация с клиентами и пользовательский интерфейс включают в себя так много функций, которые могут быть персонализированы — и оркестровка всех этих частей может быть настолько сложной, что у большинства компаний есть много возможностей для улучшения персонализации.

Эти улучшения могут преследовать несколько целей: поддержка новых сценариев использования, замена фрагментированных специализированных решений на централизованные и омниканальные платформы персонализации и механизмы принятия решений, а также повышение эффективности алгоритмов персонализации.

1. Предписывающие модели

Многие традиционные методы маркетинговой аналитики и персонализации используют для оценки клиентов прогностическое моделирование. Например, клиенты могут быть оценены в соответствии с вероятностью их ухода или конверсии на веб-сайте. Типичная проблема такого подхода заключается в том, что маркетологи пытаются выбрать правильное действие, когда у них есть несколько критериев. Поэтому растет интерес к предписывающим моделям, которые рекомендуют конкретные оптимальные действия в расчете на получение определенного результата, например, удержание клиентов, и мы ожидаем, что компании будут разрабатывать все большее количество подобных моделей.

2. Стратегическая оптимизация

Традиционные методы персонализации фокусируются на незамедлительных (недальновидных) результатах, например, на повышении показателя кликабельности (CTR). В действительности, большинство компаний заинтересовано в построении долгосрочных отношений с клиентами, поэтому нуждается в оптимальных маркетинговых действиях в этом стратегическом контексте. Эту проблему можно решить, используя методы обучения, которые оптимизируют не отдельные действия, а их последовательность. Внедрение таких методов является сложной практической задачей, но все больше и больше компаний экспериментируют с этим процессом.

3. Платформы «подключи и работай».

Еще одним преимуществом обучения является возможность создания платформ персонализации типа «подключи и работай», которые учатся непосредственно на потоке производственных событий. Это резко сокращает усилия в области инжиниринга и обработки данных, связанные с разработкой и запуском моделей персонализации, однако в отрасли не хватает зрелых платформ с открытым исходным кодом, которые позволили бы применять такой подход. Существует несколько достаточно хороших фреймворков, которые несколько компаний уже используют в производственной эксплуатации, и мы ожидаем, что эта тенденция сохранится.

4. Гибридные данные

Многие алгоритмы персонализации и выдачи рекомендаций используют только один тип данных, например, истории поведения или текстовые описания продуктов. На практике полезно объединить несколько разнородных источников данных, таких как виртуальный журнал посещений, изображения продуктов и их текстовые описания. Этого сложно добиться при использовании традиционных методов, однако компании все чаще применяют методы глубокого обучения, которые позволяют им создавать системы рекомендаций и персонализации на основе гибридных источников данных.

5. Модели на уровне событий

Традиционные методы моделирования основываются на агрегированной клиентской статистике, такой как общее количество покупок за последний месяц. Недостатком такого подхода является то, что при агрегировании обычно теряется временнáя динамика покупательской активности. Модели глубокого обучения могут «употреблять» необработанные последовательности событий и таким образом избегать связанных с агрегированием ограничений. Мы ожидаем, что эти методы получат широкое распространение в ближайшие пару лет.