Фастфуд – высококонкурентная ниша. Сегодня в ней побеждает не тот, кто быстро готовит, а тот, кто знает, что продавать, и умеет навязывать продукты. За это у передового бизнеса отвечают нейросети. Вот как Burger King внедрял их.

Материал подготовлен на основе выступлений на конференции «Yandex.Cloud». Спикеры:

  • Александр Арланов, руководитель отдела моделирования и анализа данных Burger King;
  • Алена Дробышевская, Менеджер по развитию DataSphere;
  • Андрей Иванов, управляющей командой и проектами по внедрению предиктивной и предписательной аналитики GlowByte.

Секрет успеха Burger King

Burger King – один из лидеров на рынке общественного питания. В России открыто более 700 ресторанов сети, которые ежедневно посещают 11 млн человек. При этом большую часть продаж Burger King обеспечивают digital-каналы: киоски самообслуживания, мобильное приложение, сайт.

Чтобы добиться такой эффективности, Burger King использует рекомендательные системы. Например, блоки cross-sell (прим. ред. – допродажа сопутствующих товаров: соусы к луковым кольцам) и up-sell (прим. ред. – мотивация купить более дорогую версию выбранного товара: бургер «Чеддер Кинг XL» вместо обычного «Чеддер Кинг») при добавлении в корзину.

Ранее система, по сути, не предсказывала желания конкретного пользователя, а предлагала ему то, что сначала «предсказали» люди. Она руководствовалась бизнес-правилами, экспертными оценками, результатами АB-тестирования, маркетинговых и продуктовых исследований.

Burger King решили пойти дальше и внедрить в работу нейронные сети.

Ваша корзина теперь во власти алгоритмов

Машинное обучение – непростая технология, поэтому ее внедрение начинают с тестирования.

Пилотный проект рекомендательной системы Burger King

Цель пилотного проекта – создать ядро рекомендательной системы, учитывающей разные модели прогнозирования. То есть алгоритмы должны иметь в виду и мнение экспертов, и результаты продаж за предыдущий период, и историю заказов отдельного пользователя – огромные массивы данных.

Тестирование нужно, чтобы понять, насколько эффективной будет новая модель работы, сколько она будет стоить, каких ресурсов потребует реализация.

Постановка задачи пополнения корзины

Разработку системы рекомендаций начали с корзины: для нее уже был API (прим. ред. – подробное описание того, как одна программа взаимодействует с другими, какие данные получает и отдает) рекомендаций.

Корзина – сложное место. С одной стороны, рекомендации в ней имеют низкую конверсию: пользователь попадает в корзину, когда уже собрал заказ. С другой, на этой странице проще посчитать инкрементальность (прим. ред. – рост) эффективности.

У нас в корзине бургер, газировка и картошка. Приложение Burger King предлагает добавить к заказу наггетсы и кетчуп, видимо, для картошки

Как проходила работа

Все начинается с постановки бизнес-задачи. В случае с Burger King она такова:

Пользователь приходит в ресторан, заказывает обед, набирая корзину. Непосредственно перед оплатой сервис может порекомендовать клиенту товар на основе истории его покупок и контекста: времени суток, дня недели, месяца, погоды, вида магазина и других параметров.

Учесть все эти параметры было решено с помощью единой рекомендательной системы, которая включает в себя три этапа предложений. На начальном этапе – базовые рекомендации, на протяжении выбора – дополнительные товары, перед завершением покупки – то, что пользователь мог забыть. Естественно, подсказки не должны повторяться.

Выбираешь и добавляешь в корзину бургер – приложение тут же предлагает выбрать холодный напиток. За ним – картошечку. Ранее я не делала заказы через приложение, но, вероятно, это распространенная комбинация. Интересно, что после добавления в корзину булочки с корицей Burger King предлагает не газировку, а чай и кофе.
Выбираешь и добавляешь в корзину бургер – приложение тут же предлагает выбрать холодный напиток. За ним – картошечку. Ранее я не делала заказы через приложение, но, вероятно, это распространенная комбинация. Интересно, что после добавления в корзину булочки с корицей Burger King предлагает не газировку, а чай и кофе.
Выбираешь и добавляешь в корзину бургер – приложение тут же предлагает выбрать холодный напиток. За ним – картошечку. Ранее я не делала заказы через приложение, но, вероятно, это распространенная комбинация. Интересно, что после добавления в корзину булочки с корицей Burger King предлагает не газировку, а чай и кофе.

Выбираешь и добавляешь в корзину бургер – приложение тут же предлагает выбрать холодный напиток. За ним – картошечку. Ранее я не делала заказы через приложение, но, вероятно, это распространенная комбинация. Интересно, что после добавления в корзину булочки с корицей Burger King предлагает не газировку, а чай и кофе.

После определения бизнес-задачи нужно изучить типы данных – от источников до финальных витрин для прогнозирования. Затем необходимо выбрать алгоритм математического моделирования. Он должен оценивать, насколько товар релевантен корзине пользователя, и, если продукт подходит, предлагать его пользователю.

Поверх алгоритма налагаются бизнес-правила – это позволяет учесть экспертную оценку специалистов индустрии. На финальном этапе потребуется программная реализация.

Алгоритм

В качестве первичных данных для анализа Burger King взяли данные о наборе корзин.

Чтобы предложить дополнения для этих корзин, разработчики поочередно «сравнивали» каждую корзину с каждым товаром. Если товара не было, его начинали обогащать дополнительными характеристиками, равно как и саму корзину. Для персональных рекомендаций добавляли такие параметры: когда пользователь в последний раз совершал покупку, покупал ли конкретный товар и сколько раз, сколько денег это принесло Burger King.

Чтобы оценить результат такой работы, задействовали две метрики: техническую и бизнесовую. Техническая – это точность прогнозирования принадлежности товара корзине на исторической выборке. Бизнесовая – доля дополнительной выручки от рекомендованных товаров.

Интересно, что техническая метрика показывала хороший результат. Бизнес-метрики на этапе пилотного проекта показывала очень низкие результаты. Чтобы изменить это, разработчики добавили новые бизнес-правила, перебрали алгоритмы и изменили подход к формированию выборки. Например, в нее добавили «боевые отклики» – результаты рекомендаций.

В искусственно созданную выборку внесли отклики «боевых» рекомендаций и получили обще-смешанный датасет. Таким образом, одна рекомендательная система начала одновременно учитывать и гипотезы заказчика (как продается тот или иной товар), и гипотезы разработчика.

Направления развития по каждому курсу

Когда выборка была готова, и алгоритм начал приносить результаты, разработчики занялись созданием сервиса. Его реализовали с помощью инструментов Yandex.Cloud.

Алгоритм

Пока что точной картины результативности новой рекомендательной системы нет, однако разработчики делают уверенный вывод: новая модель предложений в среднем на 40 % эффективнее, чем прежняя, основанная исключительно на экспертной оценке.

#
Разработка Нейросети
© «TexTerra», при полном или частичном копировании материала ссылка на первоисточник обязательна.