Sztuczna inteligencja i planowanie zaopatrzenia w oparciu o analitykę sprzedaży

Poprzez wydawanie podpowiedzi i przewidywanie zdarzeń sztuczna inteligencja tworzy systemy rekomendacji, które kierując się preferencjami użytkowników, rotują towary i usługi odpowiadające ich potrzebom. Z założenia proces ten powinien przebiegać niemal natychmiastowo: kategoryzacja produktów, automatyczne tworzenie puli powiązanych produktów na podstawie serii asocjacyjnych i manipulacji dużymi zasetawami danych. W rzeczywistości jednak sztuczna inteligencja nie jest w stanie nadążyć za zmieniającymi się preferencjami użytkowników i często po prostu popełnia błędy, układając ranking produktów na podstawie wcześniejszych zapytań. W rezultacie dorosłemu mężczyźnie oferuje się  zestawy ubranek dla lalek, które jego córka zamawiała za pomocą jego karty, a dzieci otrzymują w "prezencie" nowe marki olejów samochodowych i abonamenty na seminaria biznesowe.

Dotarcie do klienta
Systemy często generują błędne lub nieistotne rekomendacje w dużych ilościach, stosując algorytm, który jest mało odporny na oszustwa i hacki. Sprzedawcy internetowi borykają się więc z problemem niskiej skuteczności generowanych rekomendacji.

Aby temu zapobiec, twórcy sieci neuronowych muszą rozwiązać problem dokładnego rozpoznawania trendów i preferencji użytkowników. Oznacza to, że silniki rekomendacji muszą nauczyć się przewidywać nie tylko reakcję na ofertę towaru lub usługi, ale także proponować podobne lub alternatywne opcje (w zależności od reakcji użytkownika).

W handlu elektronicznym systemy rekomendacji oparte na współpracy, zawartości i ekspertach, działające w oderwaniu od siebie, mogą zawieść i konieczne jest stworzenie systemu hybrydowego. Elastyczny hybrydowy algorytm rekomendujący łączy dane z wielu kanałów w jednym czasie. Mogą one jednocześnie stosować techniki ważone, rozszerzone, mieszane i losowe.

Algorytm filtrowania kolaboracyjnego wygląda następująco. Mając macierz preferencji i możliwość określenia podobieństwa za pomocą cosinusa, należy wybrać liczbę użytkowników o podobnych upodobaniach. Obliczyć miarę cosinusową dla każdego użytkownika, pomnożyć jego wyniki przez uzyskaną miarę i obliczyć sumę skalibrowanych wyników dla każdego produktu. Formuła algorytmu wygląda następująco.

Funkcja sim jest miarą podobieństwa dwóch użytkowników.

U to zbiór użytkowników.

w - waga

k - to współczynnik normalizacji, który jest obliczany według podanego wzoru:

Po rozwiązaniu równania trzeba będzie zakodować informacje i sprawdzić je dwukrotnie za pomocą polecenia rec = makeRecommendation ('nazwa użytkownika, nazwa produktu (), waga).

Ważne jest, aby uwzględnić główny cel użytkownika odwiedzającego witrynę w celu dokonania zakupów, pakując wszystkie informacje w matrycę ofert produktowych, tak aby system widział również pośrednie działania kupującego. Dla tej kategorii działań należałoby zdefiniować system pomiaru - od wskazania myszką przedmiotu do zapłacenia za niego. Jest to ważne, ponieważ niektóre pozycje "wypadają" z listy zakupów po jej powtórnym przeczytaniu przez klienta. Inną kategorią towarów, które często trafiają do kategorii działań pośrednich, są towary najdroższe lub z wyższej półki. Wielu użytkowników po prostu je przegląda, co prowadzi do błędów w konstrukcji algorytmów rekomendacji.

Zidentyfikuj niskie wskaźniki konwersji
Ważne jest również odsiewanie elementów o niskiej konwersji, które uniemożliwiają dokonanie zakupu. Średnio wynoszą one około 5%, a czasami nawet 12%. Musimy jednak uważać, aby nie znalazły się wśród nich produkty, których klienci naprawdę potrzebują. 

Aby nie stracić części klientów na etapie selekcji, ważne jest zbudowanie systemu moderacji wiadomości, który będzie adekwatny do zapytania i psychotypu danej osoby. Taki projekt powinien mieć architekturę mikroserwisów, w której każda usługa wykonuje swoje zadanie. Na przykład praca z magazynem, logistyką, przechowywaniem plików itp.

Zadaniem mikroserwisu jest przekazywanie żądanych informacji lub wykonywanie określonych żądań innych usług. Na przykład trzeba wyświetlić listę handlowców i ich dokumentów w backendzie. System wysyła zapytanie do mikroserwisu odpowiedzialnego za handlowca o ich listę, a sam pobiera dokumenty z serwisu archiwizacji. Mikroserwisy komunikują się ze sobą za pomocą języka json.

Biorąc pod uwagę, że liczba zapytań rośnie z dnia na dzień, zadaniem sztucznej inteligencji jest skrócenie czasu ich przetwarzania, obniżenie kosztów komunikacji "na żywo" oraz projektowanie dialogu w czasie rzeczywistym. 

W rezultacie system może automatycznie rekomendować najczęściej zamawiane pozycje dla określonej kategorii klientów. Oprócz nawiązania "dialogu" z użytkownikiem, sklep internetowy rozwiązuje problem "zimnego startu", podtrzymując oczekiwania klientów, m.in. poprzez polecanie asortymentu produktów o niskiej częstotliwości.