Машинное обучение — это набор статистических методов, позволяющих программному обеспечению выявлять закономерности в данных и делать прогнозы без необходимости явного программирования для каждого случая. В управлении фидами оно применяется для таких задач, как прогнозирование отсутствующих атрибутов товаров, сопоставление объявлений в разных каталогах, прогнозирование спроса и выявление ошибок в данных — задач, слишком медленных или непоследовательных для выполнения только с помощью фиксированных ручных правил. Вместо того чтобы полностью заменять правила фидов, машинное обучение обычно работает параллельно с ними, обрабатывая неоднозначные случаи, которые жесткое правило либо пропустило бы, либо дало бы сбой.

Почему машинное обучение важно для управления кормами

Каталоги с тысячами или миллионами артикулов неизбежно содержат пробелы: отсутствующие категории, несогласованные правила размеров, неполные атрибуты или названия, не соответствующие реальным запросам покупателей. Исправление этих ошибок вручную не масштабируемо, а статические бизнес-правила охватывают лишь шаблоны, для которых кто-то решил написать правило. Модели машинного обучения, обученные на существующих данных каталогов и продаж, могут определить отсутствующий атрибут по похожим товарам, предсказать, к какой категории относится новый товар, или оценить изменения спроса на основе сезонности и истории цен — устраняя пробелы в масштабах, недоступных при ручной проверке. Это напрямую влияет на выручку: атрибуты, заполненные на основе наилучшего предположения модели, должны быть достаточно точными, чтобы соответствовать требованиям канала продаж и намерениям покупателей, иначе автоматизация просто заменит один тип ошибки другим.

Как работает машинное обучение в конвейерах обработки данных

Большинство приложений машинного обучения, связанных с фидами данных, начинаются с обученной модели — построенной на основе исторических данных о товарах, результатов продаж или собранных данных о конкурентах — которая оценивает или прогнозирует значение для каждого товара, проходящего через конвейер обработки. Это может означать прогнозирование отсутствующего типа товара, оценку оптимальных ценовых точек или сопоставление артикула продавца с канонической записью в каталоге торговой площадки, задача, тесно связанная с гибридным сопоставлением , которое часто сочетает оценку машинного обучения с логикой, основанной на правилах, для случаев, в которых модель менее уверена. Те же базовые методы лежат в основе прогнозирования спроса , где модели, обученные на исторических данных о продажах и сезонности, прогнозируют будущий спрос, и нормализации , где модели могут стандартизировать непоследовательные значения размера, цвета или единицы измерения у разных поставщиков гораздо быстрее, чем таблицы ручного сопоставления. Поскольку выходные данные модели носят вероятностный, а не достоверный характер, большинство производственных конвейеров устанавливают пороговые значения достоверности — автоматически применяя только прогнозы выше определенного значения и направляя случаи с более низкой достоверностью на проверку человеком.

Пример: Поля, предсказанные с помощью машинного обучения в товарном фиде.

<item>
  <g:id>SKU-40217</g:id>
  <title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
  <link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
  <g:price>34.00 USD</g:price>
  <g:product_type>Home &amp; Kitchen &gt; Coffee &amp; Tea &gt; Drip Coffee Makers</g:product_type>
  <g:google_product_category>Kitchen &amp; Dining &gt; Kitchen Appliances</g:google_product_category>
  <custom_label_0>ml_category_confidence:0.91</custom_label_0>
  <custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>

Здесь, product_type и google_product_category Эти данные были заполнены моделью, а не введены вручную, а оценка достоверности в пользовательской метке позволяет последующим правилам определить, достаточно ли это предсказание надежно для публикации в неизменном виде.

Связанные концепции

Машинное обучение лежит в основе нескольких других дисциплин управления фидами, а не существует отдельно от них: оно является движущей силой большей части современного прогнозирования спроса, оно обеспечивает автоматизированную нормализацию, когда каталогам необходимы согласованные значения в больших масштабах, и часто сочетается с детерминированной логикой в ​​гибридном сопоставлении для согласования объявлений из разных источников. Команды, желающие применить эти методы к своим собственным каталогам, могут найти практическое руководство в книге «Использование ИИ для более интеллектуального управления фидами и автоматизации электронной коммерции» , где рассматривается, как автоматизация на основе моделей сочетается с традиционными правилами фидов.