Система рекомендаций туров для YouTravel

1. Вводная задача от заказчика, проблематика, цели

YouTravel.me – маркетплейс авторских туров от тревел-экспертов и независимых гидов. На сайте представлено почти 40 000 уникальных предложений. Здесь можно легко и безопасно выбрать тур и отправиться в незабываемое путешествие в любую точку мира.

Чтобы помочь пользователям находить действительно релевантные туры, команда YouTravel.me обратилась к Epoch8 с задачей: разработать систему рекомендаций, интегрированную во все листинги сайта и максимально учитывающую интересы каждого пользователя.

Стандартные подходы к персонализации в ecommerce – это чаще всего блоки вроде «Вам понравится также», «С этим товаром покупают» или upsell-рекомендации в корзине. Да, такие решения проще и дешевле внедрить, но их эффективность оставляет желать лучшего. Пользователь не видит весь выбор, который мог бы его заинтересовать, не находит нужное и просто уходит. А вместе с ним уходит и выручка.

Решение, которое мы предложили, – это продвинутая система персонализированных рекомендаций на основе анализа пользовательского поведения и машинного обучения. Именно в таких проектах и специализируется команда Epoch8.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Мы разработали стратегию персонализации, которая легко интегрируется на уровне пересортировки любых листингов, независимо от их логики формирования.

Вместо простой выдачи рекомендованных объектов через API, мы реализовали:

• сбор данных о «ленивых» просмотрах и других поведенческих факторах;
• динамическую пересортировку любых товарных списков под конкретного пользователя.

Именно эту стратегию мы внедрили на сайте YouTravel.

Сбор данных

Для работы персонализированной системы важно фиксировать поведение пользователя на сайте. Совместно с командой YouTravel мы сделали систему по сбору информации о том:

• что пользователь видел на странице;
• на что кликнул;
• куда перешел.

Команда YouTravel занималась доработкой фронтенда, а мы разработали серверную часть и обеспечили регулярную обработку данных.

Как всё устроено

Мы улучшили систему сбора данных как на стороне заказчика, так и на нашей. Теперь система фиксирует:

• «ленивые» просмотры (когда пользователь видел элемент, но не кликнул);
• глубокие взаимодействия (например, открытие карточки тура);
• покупки.

Обработка данных

Данные, полученные с фронтенда, сохраняются в двух направлениях:

• Долгосрочное хранилище – используется для обучения моделей и расчёта статистики.
• Онлайн-профиль – содержит информацию о текущих предпочтениях пользователя и поведении в реальном времени.

Онлайн-профиль обновляется напрямую: поток событий с фронтенда поддерживает его актуальность на каждом шаге взаимодействия. То есть система учитывает каждое действие пользователя в приложении, чтобы рекомендации оставались релевантными.

Наше API рекомендаций, основанное на ML-модели, отвечает за ключевую функцию – пересортировку списка товаров под конкретного пользователя.

API обращается к онлайн-профилю, получает характеристики пользователя и запускает модель персонализации, загруженную в память. Весь цикл занимает менее 0,5 секунды и происходит в режиме реального времени.

Параллельно работает долгосрочный цикл обновления. Ежечасно мы обрабатываем накопленные данные, пересчитываем матрицы рекомендаций и обновляем модель в API. Это обеспечивает актуализацию предрасчитанных рекомендаций для каждого пользователя с регулярным интервалом около часа.

Стратегии рекомендаций

Мы используем три стратегии формирования рекомендаций, которые работают параллельно и дополняют друг друга.

1. Долгосрочный пользователь

Если пользователь находится на сайте более 30 минут, он уже попадает в ежечасный цикл переобучения. У нас есть актуальный вектор его поведенческих характеристик, на основе которого формируются максимально точные рекомендации.

2. Недавно пришедший пользователь

Когда пользователь только начинает взаимодействовать с сайтом, его действия ещё не успели повлиять на расчёт фичей. Однако, если он уже проявил интерес (например, кликнул на тур), мы строим рекомендации на основе характеристик этого товара.

3. Новый пользователь

Если о пользователе пока ничего не известно, система формирует рекомендации на основе статических данных: языка интерфейса, региона, типа устройства и других общих признаков.

Каждая из этих стратегий помогает обеспечить релевантные рекомендации в разных сценариях взаимодействия пользователя с сайтом.

Андрей Татаринов

Генеральный директор, Epoch8

«Ключевой момент в нашем сборе данных - это учет ленивых просмотров. В типичном трекинге сбор информации про просмотры без взаимодействия отсутствует. А нам важно знать, что пользователь видел вот эти 20 товаров, но ничего не выбрал и не совершил никакого действия. Эта информация необходима для статистики и для обучения ML-модели».

3. Результаты сотрудничества

На текущий момент стратегия рекомендаций внедрена в часть листингов на сайте YouTravel. Вот что показывает статистика:

• Средняя конверсия из показа в клик без персонализации — от 3% до 4,5%.
• С персонализированными рекомендациями — от 6% до 9%.

За два месяца после запуска мы добились двукратного роста целевых действий. И это не предел!