На информационном ресурсе при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети "Интернет", находящихся на территории Российской Федерации.
Настоящие Правила применения рекомендательных технологий (далее - «Правила») определяют порядок применения рекомендательных технологий на сайте www.foroffice.ru (далее - «Сайт») в отношении пользователей Сайта (далее – «пользователь»).
Персональные рекомендации анализируют истории покупок пользователя и последние просмотренные товары. Такие рекомендации можно увидеть на главной странице Сайта, в профиле пользователя или, например, на страницах активных заказов или деталей заказа.
Товарные рекомендации помогают пользователю найти предложения, аналогичные выбранному. Это сделано для того, чтобы пользователь мог найти альтернативы и сравнить варианты. Пример таких рекомендаций можно найти на карточке товара или в непустой корзине.
Для предоставления рекомендаций на Сайте используются следующие сведения:
На начальном этапе осуществляется сбор информации о пользователе и поиск товаров-кандидатов.
На этом этапе происходит сбор, логирование и сохранение сведений о поведении пользователя на Сайте (контекст), в результате чего система отбирает определенное количество релевантных контексту товаров среди большого количества товаров, представленных на Сайте.
Если контекстом для начала подбора является карточка товара, то товары-кандидаты подбираются на основе товара на этой карточке, в корзине — на основе списка товаров в корзине. Таким образом, для товарных рекомендаций отбираются товары из тех же категорий или близких, что и основной товар. При этом считается, что чем чаще товары из каких-либо категорий попадают в одну покупку, тем больше эти категории подходят друг другу.
Для персональных рекомендаций на Сайте учитывается информация о каком-либо взаимодействии пользователя с товарами (например, клики, покупки или просмотры) и подбираются товары уже на основе этих взаимодействий.
Вероятность стать товаром-кандидатом для попадания в рекомендации выше, если больше похожих пользователей кликнули на какой-то товар.
По завершении систематизации и анализа данных осуществляется ранжирование товаров.
На этом этапе система отбирает максимально релевантные товары и ранжирует их по вероятности покупки пользователем, для этого используются модели машинного обучения. Примеры используемых методов: логистическая регрессия, деревья принятия решений.
Модель машинного обучения опирается на различные свойства товара: просмотры, клики, заказы, рейтинг, цена и многое другое, при этом разные свойства могут иметь для модели разный вес, например, цена может оказаться важнее количества просмотров.
Модель анализирует поведение пользователей в прошлом, понимает, какие товары вызывали интерес у него или у пользователей с похожими предпочтениями, и предсказывает, что человек будет готов купить. Сильнее всего на рекомендации влияют товары, которые пользователь покупал на Сайте раньше.
Таким образом, вероятность покупки товара будет отличаться для разных контекстов, один и тот же товар может иметь высокую оценку для главной страницы сайта и оценку ниже на странице истории заказов.
Когда система получила все финальные оценки, формируется подборка, в которой товары с большей оценкой показываются выше в выдаче, а товары с оценкой ниже - ближе к концу. Демонстрация пользователям готовых рекомендаций осуществляется в блоках с товарами, например, в товарных каруселях или листинге.
