Описание проекта
Рекомендательная система состоящая из мобильного приложения и программного модуля для анализа больших данных, на основе семантического анализа совершаемых человеком покупок в торговых точках, с целью сбора статистических данных и дальнейшего построения рекомендательного списка покупок на основе индивидуальных параметров покупателей, в том числе биометрических характеристик и среднего чека в течении определенного промежутка времени. а также осуществление диалога с пользователем на основе авторского алгоритма для оптимального подбора товара.
Цель проекта. Разработка системы формирования рекомендаций покупателям при посещении торговых точек на основе имеющихся данных о раннее совершенных покупках и описаниях товаров, за счёт применения методов интеллектуального анализа данных.
Актуальность. Проблема повышения эффективности торговых процессов является актуальной, так как в очереди, по данным агентства «Русопрос», человек в среднем теряет примерно 5.5 дней в году, при этом в торговом зале покупатель проводит еще больше времени. Существует ряд решений, для снижения временных затрат в очереди и оптимизации количества персонала за счет различных средств, ориентированных на ускорение принятия решений по выбору товара. Предлагаемое решение направлено на повышение эффективности торговых процессов за счёт снижения временных затрат людей на совершение покупок и уменьшение количества необходимого персонала посредством индивидуального подхода к каждому покупателю, путем применения интеллектуальных методов обработки текстовых данных к данным о покупках и описаниям товаров. Оно обеспечит формирование рекомендательного списка на основании предыдущих покупок пользователя и данных о товарах, с возможностью его редактирования в режиме диалога.
Назначение научно-технического продукта. Рекомендательная система предназначена для того, чтобы с использованием технологий
искусственного интеллекта в сочетании с результатами, полученными авторами (метод конвертации текста в векторно-графовую модель), повысить эффективность торгового процесса за счёт:
- уменьшения времени посещения торговой точки посетителем;
- сокращения издержек на организацию функционирования торговой точки за счёт уменьшения
количества персонала;
- повышения лояльности покупателей.
Научная новизна предлагаемых в проекте решений. Научная новизна проекта заключается в использовании набора языковых моделей (BERT, версии GPT) и предварительно обученной модели-трансформера для формирования базовых рекомендаций в сочетании с методом конвертации текста в векторно-графовую модель, позволяющим учитывать аспект семантики пользовательского запроса, что позволит повысить точность выдаваемых рекомендаций.
Потенциальные заказчики. Сегменты потребителей: Основным сегментом потребителей будет выступать B2B. По оценкам Росстата (Федеральная служба государственной статистики) только за 2022 год в период с апреля по октябрь количество больших продуктовых точек увеличилось на 28 тысяч (https://rosstat.gov.ru/storage/mediabank/retail_catering.xlsx). Продукт планируется к предложению для всех крупных торговых точек как розничной, так и оптовой торговли. Помимо привлечения покупателей за счет снижения временных затрат на нахождение в очереди, торговые точки смогут увеличить свой средний чек за счет индивидуальных рекомендаций пользователей с учетом их прошлых покупок.
Таким образом, к целевым сегментам проекта можно отнести:
1. крупные продуктовые торговые точки розничной торговли, обладающие большой посещаемостью;
2. оптовые продуктовые базы;
3. розничные торговые точки.
