Studium Przypadku: Poprawa Trafności Wyszukiwania w Sklepie Stylion.pl dzięki AI
Poprawa Trafności Wyszukiwania Fuzzy Search dzięki Preprocessingowi Danych
W e-commerce, efektywność wyszukiwania ma kluczowe znaczenie dla doświadczenia klienta. W tym celu zaimplementowano algorytmy typu fuzzy search, które dopasowują zapytanie klienta do opisów produktów na podstawie podobieństwa słów, ignorując tym samym literówki. Warto podkreślić, że to, co widzi klient i to, jaki opis produktu jest używany do wyszukiwania, mogą być dwiema różnymi rzeczami. Mówiąc o preprocessingu opisu, mamy na myśli stworzenie wersji dostosowanej specjalnie na potrzeby wyszukiwarki. W tym studium przypadku, na przykładzie wdrożenia w Stylion.pl, opiszemy kilka kluczowych technik preprocessingu danych.
Normalizacja i Czyszczenie Danych
Jednym z podstawowych kroków w preprocessingu jest normalizacja danych, czyli ujednolicanie i usuwanie „szumu” z opisów produktów. Dzięki AI ten proces może być w dużej mierze zautomatyzowany. AI może identyfikować i usuwać z opisu marketingowy język lub informacje niezwiązane bezpośrednio z cechami produktu, takie jak dane o dostępności, kosztach dostawy, promocjach czy przewidywanym czasie wysyłki. Zostawienie tylko kluczowych atrybutów produktu pozwala wyszukiwarce na efektywniejsze i szybsze dopasowanie, co znacząco poprawia trafność wyników.
Preprocessing Dostosowany do Potrzeb Sklepu
Każdy sklep internetowy ma swoją unikalną strukturę opisów produktów. Jednym z problemów, który może negatywnie wpływać na trafność wyników, jest brak zrozumienia negacji przez wyszukiwarki. Na przykład, fraza „Polaryzacja: NIE” w opisach okularów bez tej cechy powoduje, że wyszukiwarka mylnie sugeruje te produkty, gdy klient szuka „okularów z polaryzacją”. To obniża zaufanie klienta do wyszukiwarki. Po zastosowaniu preprocessingu opartego na AI, frazy zawierające negacje zostały usunięte z indeksu wyszukiwania, co natychmiastowo poprawiło trafność wyników.
Na załączonym screenie widać, że przed wprowadzeniem zmian natywna wyszukiwarka na frazę „zerówki polaryzacja” zwracała wszystkie zerówki, ponieważ słowo „polaryzacja” pojawiało się w opisach każdego produktu. Po wdrożeniu preprocessingu liczba wyników została ograniczona, a użytkownik otrzymuje poprawnie tylko te zerówki, które faktycznie posiadają funkcję polaryzacji.
Generowanie Synonimów i Wzbogacanie Danych
Dzięki AI produkt można znaleźć niezależnie od tego, jak klient sformułuje swoje zapytanie. Sztuczna inteligencja jest w stanie przewidzieć wszystkie popularne sformułowania dla każdej porcji informacji, generując synonimy i powiązane frazy. Na przykład, dla informacji o produkcie: „Zapewnia pełną ochronę przed niepożądanymi skutkami ekspozycji na promieniowanie słoneczne”, AI może wygenerować kilka potencjalnych zapytań klienta, takich jak „okulary ochronne”, „okulary z filtrem UV” czy „okulary przeciwsłoneczne”. Tego typu preprocessing znacznie zwiększa szanse na znalezienie odpowiedniego produktu, niezależnie od użytego słownictwa.
Generowanie Sugestii Wyszukiwania
Funkcja autocomplete jest kluczowa dla ulepszenia user experience, ponieważ pozwala klientowi szybciej odnaleźć poszukiwane frazy. Autosugestie najlepiej generuje się na podstawie poprzednich zapytań klienta, jednak w przypadku gdy nie mamy wystarczająco dużej ilości danych historycznych, to AI może także uzupełniać te braki, rozwiązując problem „zimnego startu”.
Kolejną korzyścią z generowania sugestii przez AI i "spięcie" ich z produktami jest poprawienie jakości wyników, gdy klient z nich korzysta. Na załączonym screenie widać, że przed wprowadzeniem poprawek wyszukiwarka dla frazy „okulary czerwone soczewki” zwracała produkty z czerwonymi oprawkami, ale z szarymi szkłami – ponieważ słowo „soczewki” występowało w opisie każdego produktu. Po wdrożeniu mechanizmu opartego na sugestiach fraza zaczyna działać w trybie „jeden do jednego” – klient w pierwszej kolejności otrzymuje okulary faktycznie z czerwonymi soczewkami. Dopiero gdy nie uda się znaleźć dokładnego dopasowania, wyszukiwane są produkty niezależnie od kolejności słów w zapytaniu.
Wzbogacanie Danych ze Zdjęć
Właściciele sklepów często pomijają w opisach rzeczy, które wydają im się oczywiste, ponieważ są widoczne na zdjęciach, np. „cienka oprawka” dla okularów. Z tego powodu nie pomyślą, że warto je umieścić w opisie. AI może analizować zdjęcia i dodawać takie cechy do „ukrytych” opisów. Natomiast tę technikę szerzej opiszemy w kolejnym naszym case study, na przykładzie sklepów, w których ma ona szczególnie istotne zastosowanie – np. w branży modowej lub meblarskiej.
Podsumowanie
AI w preprocessingu opisów to tylko jedno z zastosowań AI w celu poprawy „standardowych” wyszukiwarek. Można go użyć w innych, ciekawych zastosowaniach, takich jak analiza fraz wpisywanych przez klientów pod kątem tego, jak dobrze mamy pokryte dane frazy i automatycznym uzupełnianiu braków. To kolejny ciekawy obszar do zbadania, o którym napiszemy wkrótce w kolejnym artykule.