Машинное обучение — это набор статистических методов, которые позволяют программному обеспечению выявлять закономерности в данных и делать прогнозы без явного программирования каждого случая. В управлении фидами оно применяется для таких задач, как прогнозирование недостающих атрибутов товаров, сопоставление листингов между каталогами, прогнозирование спроса и выявление ошибок в данных, — задач, которые слишком медленно или непоследовательно решаются только с помощью фиксированных ручных правил. Машинное обучение обычно не заменяет правила фида полностью, а работает вместе с ними, обрабатывая неоднозначные случаи, которые жёсткое правило либо пропустило бы, либо обработало бы неверно.
Почему машинное обучение важно для управления фидами
В каталогах с тысячами или миллионами SKU неизбежно есть пробелы: отсутствующие категории, несогласованные размерные обозначения, неполные атрибуты или названия, не соответствующие тому, что покупатели действительно ищут. Исправлять это вручную невозможно в масштабе, а статические бизнес-правила охватывают только те закономерности, для которых кто-то догадался написать правило. Модели машинного обучения, обученные на существующих данных каталога и продаж, могут вывести недостающий атрибут по похожим товарам, предсказать, к какой категории относится новый товар, или оценить изменения спроса на основе сезонности и истории цен, — закрывая пробелы в масштабе, недоступном ручной проверке. Это напрямую влияет на выручку: атрибуты, заполненные по наилучшему предположению модели, всё равно должны быть достаточно точными, чтобы соответствовать требованиям каналов и намерениям покупателей, иначе автоматизация просто заменит один вид ошибок другим.
Как машинное обучение работает в конвейерах фидов
Большинство применений машинного обучения в работе с фидами начинается с обученной модели — построенной на исторических данных о товарах, результатах продаж или собранных листингах конкурентов, — которая оценивает или прогнозирует значение для каждого товара, проходящего через конвейер. Это может быть прогнозирование отсутствующего типа товара, оценка оптимальных ценовых точек или сопоставление SKU продавца с канонической записью каталога маркетплейса — задача, тесно связанная с гибридным сопоставлением, которое часто сочетает оценку с помощью машинного обучения с логикой на основе правил для случаев, в которых модель менее уверена. Те же базовые методы лежат в основе прогнозирования спроса, где модели, обученные на исторических продажах и сезонности, предсказывают будущий спрос, и нормализации, где модели могут стандартизировать несогласованные значения размеров, цветов или единиц измерения от разных поставщиков гораздо быстрее, чем ручные таблицы сопоставления. Поскольку результат модели вероятностный, а не гарантированный, в большинстве рабочих конвейеров задаются пороги уверенности: автоматически применяются только прогнозы с оценкой выше определённого уровня, а случаи с меньшей уверенностью направляются на проверку человеку.
Пример: поля, спрогнозированные машинным обучением, 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 & Kitchen > Coffee & Tea > Drip Coffee Makers</g:product_type>
<g:google_product_category>Kitchen & Dining > 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 заполнены моделью, а не вручную, а оценка уверенности в пользовательской метке позволяет последующим правилам решить, достаточно ли надёжен прогноз, чтобы опубликовать его как есть.
Связанные понятия
Машинное обучение лежит в основе ряда других дисциплин управления фидами, а не существует отдельно от них: оно служит движком значительной части современного прогнозирования спроса, обеспечивает автоматизированную часть нормализации, когда каталогам нужны согласованные значения в масштабе, и часто сочетается с детерминированной логикой в гибридном сопоставлении для согласования листингов из разных источников. Команды, которые хотят применить эти методы к своим каталогам, найдут практическое руководство в статье Using AI for Smarter E-commerce Feed Management and Automation, где рассказывается, какое место автоматизация на основе моделей занимает рядом с традиционными правилами фида.
