Как и в мире свиданий, выбор может быть огромным, и хотя в море может быть много рыбы, все, что вы ищете, - это ваша лучшая пара. Это история соответствия рейтинга, основанного на машинном обучении, который позволяет индивидуальную индивидуальную настройку (1: 1), чтобы улучшить качество обслуживания клиентов на Booking.com и облегчить путешественникам поиск подходящего варианта. правильно для них. Этот рассказ был написан менеджером по продукту Match Score (Хадас Харуш) и специалистом по анализу данных (Бенджамин Браун).
Наша ДНК
Как и большинство любовных историй, история Match Score началась с исследования пользователей, которое выявило следующие интересные идеи (также известные как болевые точки):
- Наши клиенты часто перегружены информацией
- Наши клиенты изо всех сил пытаются сравнить разные свойства
Следовательно, для решения этих проблем миссия Match Score была определена как «повышение уверенности клиентов в выборе продукта, соответствующего их конкретным потребностям».
Подобно тому, как приложения для знакомств рекомендуют совпадения на основе общих интересов, хобби, возраста и других предпочтений, новая функция Match Score сопоставляет клиентов Booking.com с объектами, которые они рассматривают, показывая им персонализированный процент, который показывает, насколько вероятно, что клиенту понравится жилье. которые они сейчас просматривают. Хотя в большинстве случаев персонализация часто включает создание персонажа и разработку или оптимизацию продукта для него, эта функция основана на персонализации 1: 1. Это означает, что каждый покупатель потенциально получит разную оценку для одного и того же объекта размещения, исходя из своих прошлых бронирований, отзывов и предпочтений.
Функция Match Score была впервые запущена для небольшого процента трафика на десктопной версии Booking.com и iOS в августе 2019 года, и к ней можно получить доступ через «Мои списки» в верхнем меню навигации.
Как происходит волшебство?
Немного химии, щепотка сладости, но в основном оценка создается онлайн на основе предыдущих бронирований клиента, отзывов и текущих параметров поиска. Хотя мы обучаем нашу модель точности и устанавливаем высокую планку качества, оценка соответствия в настоящее время доступна только зарегистрированным клиентам, совершившим как минимум два бронирования за последние пять лет.
«Мы не растем, когда все легко, мы растем, когда сталкиваемся с трудностями».
Здесь мы поделимся некоторыми уроками, которые накопили при создании новой функции Match Score:
1. Завоевать доверие
Как и в любых отношениях, доверие является ключевым элементом и играет ключевую роль в этой функции. Во время нашей исследовательской экспедиции мы поняли, что нам нужно завоевать доверие наших клиентов, чтобы эта функция действительно быть успешным. По пути мы встречали клиентов, которые думали, что более высокие оценки были спонсированы (что, очевидно, не так). Другие люди утверждали, что мы на самом деле не знаем их и их текущую поездку, чтобы сделать за них прогнозы. Мы постоянно подталкиваем себя к тому, чтобы добиться большего в этом направлении, и будем продолжать, пока не добьемся успеха.
2. Оставьте место
Дополнительное беспокойство, которое выразили некоторые клиенты, касалось персонализации, посягающей на их чувство автономии. Вот почему мы чувствовали, что для нас важно направлять наших клиентов, а не принимать решения за них. Отдельный пользователь может использовать или игнорировать оценку соответствия. Мы не используем никаких сообщений убеждения, а также не фильтруем и не сортируем показанные варианты. Скорее, мы решили дать клиентам время и пространство, которые им необходимы, чтобы вступить в эти отношения на их собственных условиях.
3. Создайте здоровый диалог
Ясное, честное общение - еще один ключевой элемент любых хороших отношений. Наше исследование показало, что наши клиенты хотят иметь право голоса в своей оценке. Это означает, что если пара хочет забронировать свой медовый месяц, возможно, хостел, в котором они останавливались ранее, не подходит для сравнения и не должен влиять на оценку соответствия для этого конкретного поиска. Следовательно, мы постепенно позволим клиентам влиять на критерии, которые влияют на их оценку, чтобы наилучшим образом удовлетворить их потребности в данный момент.
4. Будьте прозрачны и открыты
У каждого есть своя история, и когда делаются предположения, они обычно основываются на обобщениях. Мы хотели быть откровенными и прозрачными в отношении того, из чего мы сделаны, и для этого мы потратили много времени на объяснение нашим клиентам показателя соответствия (см. Изображение экрана объяснения ниже). Но мы знаем, что есть вещи, которые можно улучшить, и для этого нам нужно быть открытыми для обратной связи. Поэтому мы активно приглашаем клиентов оставлять свои отзывы и комментарии при использовании этой функции.
Краткий технический обзор
Концепция Match Score не сильно отличается от других рекомендательных систем. Отличие заключается в том, что вместо сортировки элементов на основе негласных расчетов мы фактически представляем оценку покупателю.
Оценка соответствия является интерактивной, что означает, что каждый раз, когда параметры поиска меняются (например, количество гостей или продолжительность поездки), он проходит онлайн-пересчет. Это делается с помощью машин факторизации, которые учитывают как исторические данные, так и контекст поездки клиента.
Машины факторизации переносят элементы и пользователей в пространство скрытых векторов. Он также может векторизовать любую побочную функцию, которую мы выберем, например, параметры поиска, упомянутые ранее. Самая полезная часть этого преобразования состоит в том, что, хотя размеры проблемы значительно уменьшаются, большая часть информации по-прежнему сохраняется и выражается в векторах.
Прелесть методов, основанных на факторизации, заключается в том, что нам не нужно явно указывать эти функции, чтобы модель могла их использовать. Используя только взаимодействие между пользователями, варианты размещения и контекст поездки, модель сама понимает, что хостел лучше подходит для индивидуального путешественника, чем для семьи, или что отель в аэропорту хорошо подходит для однодневной деловой поездки. .
Хотя использование машин факторизации - интересный подход, большое предостережение - это сложность учета отзывов клиентов. Все основано на взаимодействии пользователей и элементов, и весь набор данных должен быть переобучен одновременно, что может потребовать больших вычислительных ресурсов. В этом аспекте нам могут помочь другие типы моделей, включая глубокое обучение и древовидные подходы.
Что дальше?
В течение следующих нескольких месяцев мы продолжим разработку нашего алгоритма, который со временем будет совершенствоваться с этой оценкой, основанной на истории каждого клиента и обратной связи, которую мы получим.
Мы также будем инвестировать в то, чтобы клиенты могли влиять на свои оценки и пересчитывать их на основе этих отзывов. Следите за обновлениями, чтобы увидеть, как разворачивается эта история любви ...