Prípadová štúdia: AI vyhľadávanie a odporúčanie produktov v e-shope

Anonymizovaná prípadová štúdia — zverejnená so súhlasom klienta.

Východisko

E-shop s elektronikou a domácimi potrebami prevádzkoval 21 400 produktov v 1 180 kategóriách — vrátane podkategórií a značkových vetiev, teda približne 18 produktov na kategóriu. Mesačne spracoval okolo 380 000 vyhľadávaní, čo pri približne 2,2 milióna návštev znamená 17 %. Vyhľadávanie sa podieľalo na 34 % objednávok, a práve preto bol každý percentuálny bod straty pri vyhľadávaní drahý.

Interné vyhľadávanie bežalo na fulltextovom indexe nad názvami a popismi produktov. Bežné dopyty zvládalo dobre — preklepy, jednotné a množné číslo aj základné synonymá. Nestačilo tam, kde zákazník opisuje, čo potrebuje, namiesto toho, aby použil názov z katalógu.

Prečo pôvodné vyhľadávanie nestačilo

Pri analýze 40 000 dopytov sa ukázali štyri typy problémov, ktoré sa nedajú vyriešiť ladením fulltextového indexu:

• Opis namiesto názvu. Zákazník hľadá „slúchadlá do uší bez kábla", katalóg má „True Wireless Stereo" (bezdrôtové do uší). Fulltextové hľadanie nájde slovo, ktoré v názve je — keď tam nie je, produkt sa vo výsledkoch neobjaví, hoci v katalógu existuje.
• Podmienka v dopyte. „notebook 16 GB RAM do 800 eur" vráti produkty, ktoré tieto slová obsahujú, ale cenu ani parametre nevyhodnotí ako filter. Zákazník dostane zoznam a triedi si ho sám.
• Poradie výsledkov. Pri širokom dopyte („notebook", „televízor") sa na prvé pozície dostali produkty s najpresnejšou zhodou názvu, nie tie, ktoré zákazník hľadá. Vhodný produkt sa ocitol na tretej či štvrtej strane.
• Nulový výsledok bez ďalšieho kroku. Keď dopyt v katalógu zhodu nemal, zobrazila sa stránka s oznamom, že sa nič nenašlo, a bez alternatívy. Zákazník pokračoval inam.

Architektúra a integrácie

Samotné vektorové vyhľadávanie nestačí — chápe význam, ale zaostáva pri konkrétnych parametroch („do 800 eur", „55 palcov"). Preto je riešenie hybridné: lexikálne hľadanie, vektorové hľadanie a obchodné pravidlá sa vyhodnocujú súčasne; výsledok sa potom zoraďuje.

Riešenie krok za krokom

1. Audit dopytov. Z 12 mesiacov histórie sme vybrali dopyty bez výsledku, dopyty s odchodom bez prekliku a dopyty s preklikom bez objednávky. Z nich vznikla testovacia sada 1 200 dopytov s očakávaným výsledkom.
2. Katalóg do poriadku. Prvý krok patril katalógu: zjednotenie názvov, doplnenie atribútov (výkon, kapacita, rozmer), synonymá a značky. Tento krok je základ — algoritmus nájde len atribút, ktorý v dátach existuje.
3. Hybridné hľadanie. Lexikálne výsledky sa spájajú s vektorovými; poradie potom prepočítava preusporiadanie. Dostupnosť a obchodné pravidlá majú posledné slovo: odporúčanie obsahuje len produkty na sklade.
4. Porozumenie dopytu. Model rozloží prirodzený dopyt na text a filtre. Pri nejasnom dopyte sa filter nezapne — širší výsledok je lepší než prázdna stránka.
5. Keď nič nenájdeme. Pri nulovom výsledku sa zobrazia alternatívy (podobná kategória, iné parametre) a ponuka rozšíriť hľadanie. Prázdna stránka tak zmizla.
6. Test dvoch variantov. Štyri týždne bežala polovica návštevníkov na starom a polovica na novom vyhľadávaní. Vyhodnocovali sa dopyty bez výsledku, prekliky a objednávky.

Kvalita a meranie

Kvalitu vyhľadávania treba merať. Tri čísla, ktoré rozhodujú o úspechu projektu:

• Podiel vyhľadávaní bez výsledku — priamo viditeľná strata.
• Vhodnosť výsledkov na testovacej sade — pri každom dopyte zo sady človek označí, či sa očakávaný produkt objavil medzi prvými piatimi výsledkami. Pri každej zmene modelu sa sada rozšíri o nové dopyty z reálnej prevádzky.
• Objednávka z vyhľadávania — jediné číslo, ktoré zaujíma obchod.

Každá zmena modelu alebo zoraďovania prechádza cez testovaciu sadu. Ak vhodnosť klesne, zmenu nenasadíme — aj keď vyzerá lepšie.

Bezpečnosť a súlad

• Osobné údaje. Dopyty ukladáme anonymizovane s uchovávaním 90 dní. Ak sa v dopyte objaví e-mail alebo telefónne číslo — napríklad pri vložení z kopírovaného textu — systém ho pred uložením odstráni. Do modelu ide dopyt bez identifikátorov.
• Trénovanie mimo dát zákazníka. Model sa používa v režime bez uchovávania dát. Vektorové zápisy vznikajú výhradne z textov katalógu — názvov, atribútov a popisov produktov — takže zákaznícke dopyty do nich nevstupujú.
• Katalóg ako jediný zdroj pravdy. Produkty aj ceny pochádzajú výhradne z katalógu. AI pracuje len s atribútmi, ktoré sú v katalógu. Ak parameter chýba, produkt sa podľa neho nedá filtrovať — chýbajúcu hodnotu treba doplniť do katalógu.
• Auditná stopa. Pri každom dopyte je uložené, ktorá verzia modelu a ktorá konfigurácia zoraďovania odpovedala — inak sa zmena výkonu nedá vysvetliť.

Prevádzka a sledovanie

• Preindexovanie pri zmene katalógu — nové produkty sú dostupné do niekoľkých minút namiesto dňa.
• Upozornenia pri náraste dopytov bez výsledku, poklese objednávok alebo zvýšení odozvy nad 400 ms.
• Report raz týždenne: najčastejšie dopyty bez výsledku, najčastejšie preklikané produkty z vyhľadávania a počet ručných úprav pravidiel zoraďovania.

Výsledky

Čo to znamená v objednávkach. Pri 380 000 vyhľadávaniach mesačne je 3,5 % približne 13 300 objednávok, 4,2 % je 15 960 — o 2 660 objednávok viac každý mesiac, teda 7 objednávok navyše na každých 1 000 vyhľadávaní. Práve preto sa projekt nehodnotí podľa toho, či vyhľadávanie „vyzerá lepšie", ale podľa objednávok.

Limity a riziká

• Málo predávané produkty. Pri položkách, ktoré sa predávajú málo a nemajú vyplnené atribúty, je kvalita nižšia — pomôže doplnenie dát v katalógu.
• Obrázkový vstup. Hľadanie podľa fotografie zostalo mimo rozsahu; je to samostatný projekt s inou ekonomikou.
• Preusporiadanie stojí čas. Pri veľmi širokých dopytoch sa odozva zvyšuje; rieši sa obmedzením počtu nájdených produktov.
• Obchodné pravidlá verzus vhodnosť. Ak pravidlo (napríklad podpora určitej značky) tlačí produkt nahor, vhodnosť klesá. Pravidlá musia byť merateľné a zdôvodnené, inak sa vyhľadávanie vráti k stavu pred projektom.
• Zodpovednosť. Za odporúčanie nesie zodpovednosť obchod; AI zoraďuje výsledky a rozhodnutie zostáva na ňom.

Zavedenie po fázach

1. Týždeň 1–2: história dopytov, testovacia sada, zoznam problémov v katalógu.
2. Týždeň 3–6: normalizácia katalógu, lexikálny index, prvé meranie vhodnosti.
3. Týždeň 7–9: vektorové zápisy, vektorový index, spájanie výsledkov a preusporiadanie.
4. Týždeň 10–12: porozumenie dopytu, nulový výsledok, test dvoch variantov a vyhodnotenie.