Sztuczna inteligencja dopasuje sklep do wymogów klientów

Jeden sklep – wiele twarzy

Jesteśmy przyzwyczajeni do tego, że sklep internetowy wygląda dla każdego klienta tak samo. Czasem tylko pokazujemy zalogowanemu użytkownikowi inny baner, czasem inną cenę. Tymczasem klienci są różni, różnie zachowują się w sklepie i podążają do celu różnymi ścieżkami. Dlaczego zatem nie zaoferować różnych interfejsów, które będą odpowiadać ich zachowaniom? Można by zaproponować warianty różniące się np. ułożeniem bloków, umiejscowieniem czy wielkością wyszukiwarki, specjalnymi filtrami, zakładkami na karcie produktu, ścieżką finalizacji zakupu w checkoucie. Odpowiedzi mogą być dwie: po pierwsze, funkcja serwowania różnych wariantów interfejsu nie jest dostępna w żadnej z najpopularniejszych platform e-commerce, a po drugie, nie wiadomo, którym klientom należałoby dostarczać konkretny wariant interfejsu.

W Fast White Cat, software house, zajmującym się wdrożeniami Magento, zdecydowano się zmierzyć z tymi problemami w ramach projektu „Autoadaptacja interfejsu sklepu internetowego do wymagań i zachowań klientów”. Wyzwań było kilka:

- jak zbierać informacje o zachowaniach użytkowników sklepu, by być w zgodzie z RODO oraz zgodami udzielonymi przez klienta

- jak grupować użytkowników, aby na podstawie podobieństw w ich zachowaniach móc przygotować różne warianty interfejsu

- jak dostarczyć użytkownikom różne warianty interfejsów w ramach platformy Magento

- jak weryfikować, czy interfejs dla grupy użytkowników jest lepszy (a może gorszy) niż interfejs standardowy.

Aby zrozumieć, jak zachowują się użytkownicy sklepu internetowego, trzeba zbierać informacje o tym, co robią w sklepie, z których funkcji korzystają i jakimi ścieżkami się poruszają. Jednak nie wystarczy, aby te informacje zostały zapisane. Trzeba je jeszcze przyporządkować do konkretnego klienta i jednoznacznie go zidentyfikować, jednocześnie nie naruszając jego prywatności (chronionej m.in. przez RODO). Aby pogodzić te wymagania postanowiono oprzeć się na trzech tokenach:

- deviceToken, identyfikator urządzenia, generowany na podstawie specyficznych cech urządzenia oraz oprogramowania, z którego korzysta klient

- customerToken, identyfikator klienta sklepu internetowego, generowany w sposób, który gwarantuje anonimowość klienta

- lastCustomerToken, identyfikator pomocniczy wykorzystujący zanonimizowane dane z formularzy wypełnionych przez klienta.

W czasie zbierania danych o zachowaniach użytkowników tokeny przypisywane są do zarejestrowanych akcji klienta, dzięki czemu możliwa jest analiza tego, w jaki sposób konkretny konsument korzystał ze sklepu. Dane zbierane są dla całej sesji użytkownika, zatem finalnie istnieje możliwość odtworzenia kolejnych aktywności klienta, ale bez naruszania jego prywatności.

Analiza danych z pomocą AI

Zbieranie danych to pierwszy krok do osiągnięcia celu. Kolejnym jest ich analiza. Biorąc pod uwagę liczbę zarejestrowanych akcji użytkownika, łatwo dojść do wniosku, że jest ona zbyt duża do efektywnego przetworzenia przez człowieka. Jednak od lat wiadomo, że gdzie człowiek nie może, tam sztuczną inteligencję pośle. W Fast White Cat postanowiono więc wykorzystać tę zasadę. Na wstępie pojawił się dylemat – skoro istnieje wiele metod, które mogłyby pomóc pogrupować klientów sklepu według podobieństwa ich zachowań – którą z nich wybrać.

Po wstępnej selekcji skoncentrowano się na czterech podejściach:

- algorytm k-średnich (k-means, algorytm centroidów)

- DBSCAN (density-based spatial clustering of applications with noise)

- BIRCH (balanced iterative reducing and clustering using hierarchies)

- algorytm klastrowania aglomeracyjnego.

Korzystając z zebranych danych o zachowaniach użytkowników sklepu internetowego, dokonano weryfikacji przydatności tych metod AI. Stwierdzić, że największy potencjał drzemie w metodzie klastrowania aglomeracyjnego i w metodzie k-średnich.

Mając wybraną metodę grupowania (klastrowania), podzielono użytkowników według podobieństwa ich zachowań w sklepie. Dodatkowo dla jednej z grup – opierając się na zachowaniach klientów z tej grupy oraz z wiedzy eksperckiej – przygotowano odpowiedni interfejs.

Specjalny interfejs – więcej niż fanaberia

Taki interfejs wymaga jednak mechanizmu, który pozwoli na pokazanie go konkretnym, wskazanym przez AI, użytkownikom. Jego implementację, w ramach platformy Magento, przeprowadzono w sposób, który umożliwia elastyczne użycie – również w przypadku sklepów, których wielkość nie pozwala na zebrania wystarczającej ilości danych niezbędnych do przetwarzania aktywności klienta z wykorzystaniem metod sztucznej inteligencji. Przygotowane rozwiązanie łączy użytkownika sklepu internetowego z wariantem interfejsu, dzięki czemu – do czasu ewentualnego następnego przypisania – użytkownik dostaje ten sam interfejs i nie doświadcza zaskakujących zmian wyglądu sklepu w ramach pojedynczej sesji.

Konkretny interfejs użytkownika pozostanie jednak tylko ciekawostką lub fanaberią, jeśli nie niesie korzyści dla właściciela sklepu, dla którego zazwyczaj najistotniejszy jest wskaźnik konwersji. Zatem chcąc zbadać, czy wdrożenie sklepu się opłaca, można sprawdzić, czy:

- grupa klientów otrzymujących specjalny interfejs konwertuje lepiej niż klienci ze standardowym interfejsem

- grupa klientów otrzymujących taki interfejs konwertuje lepiej niż konwertowała w czasie, kiedy korzystała ze standardowego interfejsu.

Na potrzeby tej analizy przygotowano w Fast White Cat metryki agregujące pożądane zachowania klienta w sklepie (ze strony głównej przejście do karty produktu albo listingu, z listingu przejście na kartę produktu, z karty produktu dodanie do koszyka), ale też zachowania neutralne (przejście z karty produktu na inną kartę produktu). Mając to narzędzie, pozostało już tylko sprawdzić, w ramach proof of concept, czy angażując AI w analizę zachowań użytkowników oraz dając wybranej przez sztuczną inteligencję grupie odpowiedni interfejs, można zwiększyć wartości metryk związanych ze wskaźnikiem konwersji.

Milion rekordów, czyli droga do weryfikacji tezy

Wdrożenie pilotażowe mechanizmu dostarczania specjalnego interfejsu na bazie analizy zachowań i grupowania użytkowników metodą klastrowania aglomeracyjnego trwało od lipca do grudnia 2022 r. W tym czasie zebrano miliony rekordów zawierających informacje o zachowaniu kilkunastu tysięcy unikalnych użytkowników. Część zebranych danych potraktowano jako dane badawcze, część posłużyła do weryfikacji tezy, że przypisany użytkownikowi interfejs może zwiększyć konwersję w sklepie internetowym.

Pierwszym krokiem była analiza danych badawczych w celu grupowania klientów sklepu według ich zachowań. Na tej podstawie wytypowano 4728 użytkowników, którym – w okresie porównawczym – dostarczano konkretny interfejs. Na potrzeby weryfikacji i analizy wyników wybrano dwie metryki: SCO1 opierającą się jedynie na zachowaniach pożądanych i SCO2, która uwzględniała także zachowania neutralne.

W przypadku obu metryk okazało się, że w okresie, kiedy dostarczany był odpowiedni interfejs, wartości obu metryk okazały się wyższe niż w obu okresach porównawczych. Różnica wynosiła od 56 proc. do 85 proc. (w zależności od okresu i metryki), zatem stanowi ona obiecują zachętę do dalszego rozwoju dostarczania klientom sklepów internetowych specjalnych interfejsów.

W związku z tym, że wyniki pierwszych badań zdają się potwierdzać postawioną tezę, prace badawcze i rozwojowe są kontynuowane. W kolejnych miesiącach planowane jest m.in.:

- opracowanie mechanizmu losowego dostarczania wariantów interfejsów klientom niezalogowanym, co pozwoli na wykorzystanie mechanizmu do automatyzacji testów A/B (z wykorzystaniem AI, ale opcjonalnie też niezależnie od metod AI)

- automatyzację generowania grup użytkowników i ich dynamiczną modyfikację na podstawie bieżących danych

- doskonalenie narzędzi do analizy zachowań klientów w ramach grup wskazanych przez metody AI oraz narzędzi do wyliczania metryk weryfikujących wpływ dedykowanego interfejsu

- zweryfikowanie efektywności alternatywnej metody klasteryzacji (algorytmu k-means).

Z punktu widzenia właściciela sklepu internetowego mechanizm autoadaptacji interfejsu umożliwi automatyczną weryfikację różnych pomysłów na wygląd interfejsu użytkownika, ale przede wszystkim pozwoli dostarczać różnym grupom klientów (dobranych przez AI albo przez menedżera sklepu) warianty interfejsu dostosowane do zachowań lub oczekiwań klientów z tych grup po to, by korzystanie ze sklepu było łatwiejsze, przyjemniejsze, a w konsekwencji przynosiło wyższą konwersję, przychód i zysk.