Когда вы заходите на Booking или Ozon, вы не видите все отели или товары, отсортированные по цене или популярности. Вы видите идеальную подборку, выстроенную именно для вас и обновляющуюся по мере вашего путешествия по сайту.

Но эту логику можно распространить и дальше. Почему ранжировать можно только то, что пользователь хочет купить? Можно ранжировать ещё и то, что позволяет повысить вероятность покупки! Например, показать ему самую интересную для него акцию, статью в блоге или ссылку в шапке сайта.

Какие есть возможности?

Полноценное ML-ранжирование в реальном времени для товаров, категорий и любых ссылок на сайте. Модель сама адаптируется под устройство сайта, граф переходов пользователей между страницами и микроразметку Schema.org.

Оптимизация по целям и полноценной воронке: по конверсиям, выручке и чистой прибыли. Если вы не передаёте товары в конверсиях — ничего страшного, мы определим их автоматически.

Ранжировать можно товары, категории и, самое интересное, любые ссылки на сайте — по аплифту их влияния на конечную конверсию.

Ранжирование через JavaScript: достаточно передать нам артикулы товаров, их названия или ссылки на них. Можно ранжировать сразу целые группы. Поддерживается и ранжирование с фильтрацией.

Ранжирование без JavaScript через специальный конструктор. Доступен в том числе визуальный выбор элементов (для сайтов, которые разрешают открытие в iframe). Это позволяет ранжировать элементы внутри контейнера, настроив всего два селектора.

Встроенные A/B-тесты: части пользователей будет показываться оригинальный порядок, а другой части — ML-ранжирование. Результаты можно посмотреть в аналитике.

Встроенная аналитика через JavaScript, которая позволяет передавать данные о переходах по элементам и анализировать результаты каждого ранжирования в нашей аналитике.

Новый функционал «Памятки» для удобства технических специалистов. Памятка генерируется автоматически по кнопке и представляет собой интерактивный HTML-файл со всеми необходимыми кодами, объяснениями и подсказками. Файл можно просто переслать программисту, и он легко сможет интегрировать ранжирование на сайт.

Проверка порядка возле каждого ранжирования в личном кабинете. Позволяет вживую проверить, как модель будет реагировать на те или иные изменения.

#Аплифт-ранжирование

Аплифт-ранжирование вместо ответа на вопрос "какой товар купят с наибольшей вероятностью" отвечает на вопрос "переход по какой ссылке максимально повысит вероятность конечной конверсии пользователя?".

Это можно воспринимать как предиктивные обратные цепи Маркова. Только в оригинальных цепях Маркова оценивается влияния узлов графа при удалении, а мы предиктивно оцениваем влияние добавления узлов.

А значит мы можем сказать:

  1. Какие пункты меню самые релевантные для пользователя
  2. Какие акции увеличат вероятность конечной покупки выше всего?
  3. Какие статьи из блога прогреют текущего пользователя максимальным образом перед покупкой?
  4. Какие товарные подборки лучше всего помогут пользователю подобрать релевантный товар?
  5. Ранжировать банковские, кредитные и другие продукты для каждого пользователя

В общем, теперь для ранжирования вам не нужен товарный фид и вообще концепт товара. Всего что вам нужно - чтобы объект ранжирования имел свою отдельную ссылку на сайте. Предварительные метрики очень большие.