Allegro: Największy gracz e-commerce z rewolucyjnym systemem rekomendacji AI
Allegro to największa platforma e-commerce w Europie Środkowo-Wschodniej. Miesięcznie korzysta ponad 20 milionów aktywnych kupujących i 150 tysięcy sprzedawców. Skala tego rynku powoduje, że efektywne rekomendacje produktów są jednym z najważniejszych elementów zarówno z punktu widzenia doświadczenia użytkownika, jak i wyników biznesowych.
Architektura Two Tower – jeden system do wielu zadań 🏗️
Utrzymanie spójnej architektury rekomendacji w takim środowisku jest ogromnym wyzwaniem. Allegro musi jednocześnie obsługiwać dziesiątki różnych miejsc w serwisie i aplikacji mobilnej, w tym strony produktowe, koszyk czy inspiracyjne sekcje zachęcające do dalszych zakupów.
Zamiast stosować wiele wyspecjalizowanych modeli rekomendacyjnych, które są kosztowne w utrzymaniu i trudne do skalowania, Allegro postawiło na jeden elastyczny system rekomendacyjny oparty na architekturze Two Tower (TT). To rozwiązanie może obsługiwać różne typy rekomendacji przy minimalnych zmianach w modelu lub logice serwowania.
System działa w oparciu o dwie wieże:
- wieżę zapytań (query tower) – reprezentującą produkt, który użytkownik aktualnie przegląda lub jego kontekst zakupowy,
- wieżę celów (target tower) – reprezentującą wszystkie produkty w katalogu.
Obie wieże uczą się kodować dane wejściowe (tytuł, cena, kategoria, sprzedawca) w postaci wektorów w tej samej przestrzeni. Dzięki temu podobne lub powiązane produkty znajdują się blisko siebie, a trafność rekomendacji oceniana jest poprzez prosty iloczyn skalarny dwóch wektorów.
Błyskawiczne wyszukiwanie w morzu produktów ⚡
Przy setkach milionów produktów niemożliwe jest liczenie dokładnych podobieństw w czasie rzeczywistym. Dlatego Allegro wykorzystuje algorytmy Approximate Nearest Neighbour (ANN), które pozwalają błyskawicznie znaleźć najbardziej pasujące produkty w indeksie. Cały proces – od zapytania użytkownika po wyświetlenie rekomendacji – trwa zaledwie kilkadziesiąt milisekund.
Trzy sposoby inteligentnych rekomendacji na Allegro 🧠
1. Rekomendacje podobnych produktów (Similarity-TT)
To klasyczne zastosowanie Two Tower – wyszukiwanie produktów o dużym podobieństwie do aktualnie oglądanego.
- Cel biznesowy: pomoc użytkownikowi w wyborze alternatywy – np. tańszego modelu, innego koloru lub zamiennika.
- Przykład: klient przegląda różowy rowerek dziecięcy, a system podpowiada inne modele o zbliżonych parametrach, ale w różnych wariantach kolorystycznych.
- Efekt: zwiększenie szansy na finalizację zakupu, nawet jeśli pierwotny produkt nie był idealnie dopasowany.
2. Rekomendacje komplementarne (Complementary-TT)
To zastosowanie architektury TT do rekomendacji uzupełniających zestaw zakupowy.
- Cel biznesowy: zachęcenie do większego koszyka zakupowego i osiągnięcia progów darmowej dostawy.
- Przykład: ktoś dodaje do koszyka rakietę tenisową, a system proponuje piłki, torbę sportową lub buty do gry.
- Mechanizm: w wieży zapytań dodawane są informacje o powiązanych kategoriach produktów, bazujące na danych z realnych współzakupów i wiedzy eksperckiej.
- Efekt: wzrost średniej wartości transakcji (GMV) i większe zadowolenie klientów, którzy szybciej kompletują potrzebne akcesoria.
3. Rekomendacje inspiracyjne (Inspirational-TT)
Trzecie zastosowanie TT skupia się na angażowaniu użytkowników poprzez proponowanie treści mniej oczywistych, ale atrakcyjnych i różnorodnych.
- Cel biznesowy: zatrzymanie klienta na platformie i zachęcenie do dalszego przeglądania oferty, nawet bez sprecyzowanej potrzeby zakupowej.
- Przykład: użytkownik ogląda rower dziecięcy, a system podpowiada kolorowe dzwonki, koszyki, bidony czy dekoracyjne wiatraczki na kierownicę.
- Mechanizm: produkty są grupowane w klastry (np. za pomocą k-means), a następnie system wybiera różnorodne propozycje z różnych grup, aby uniknąć monotonii.
- Efekt: zwiększenie zaangażowania (CTR, CVR), niższy wskaźnik porzuceń strony i większa lojalność wobec platformy.
Dlaczego to rozwiązanie błyszczy? ✨
- Skalowalność – jeden model obsługuje różne typy rekomendacji (podobne, komplementarne, inspiracyjne).
- Elastyczność – wystarczy zmodyfikować niewielką część architektury lub logiki serwowania, by dostosować system do nowych potrzeb.
- Odporność na cold start – produkty są reprezentowane przez swoje cechy (np. opis czy kategoria), co pozwala generować sensowne rekomendacje nawet dla nowo dodanych ofert.
- Efektywność obliczeniowa – architektura jest lekka, możliwa do trenowania nawet na pojedynczej karcie GPU, a indeksy aktualizowane są codziennie.
Przyszłość rekomendacji na Allegro 🔮
Choć obecne wyniki wdrożenia architektury Two Tower są bardzo obiecujące, zespół Allegro patrzy już w przyszłość:
Personalizacja na wyższym poziomie
Kolejnym krokiem będzie pełniejsza personalizacja w czasie rzeczywistym z uwzględnieniem historii zakupowej, sezonowości i zachowań w obrębie jednej wizyty, co pozwoli na jeszcze trafniejsze dopasowanie rekomendacji do aktualnych intencji użytkownika.
Nowe formaty reklamowe
Rekomendacje oparte na AI mogą stać się fundamentem nowych formatów reklamowych, które będą lepiej dopasowane do kontekstu i bardziej efektywne niż tradycyjne banery.
Integracja z wielkoskalowymi modelami AI
W przyszłości architektura Two Tower może zostać wzbogacona o elementy dużych modeli fundamentowych do lepszego rozumienia języka naturalnego w opisach produktów czy bardziej zaawansowanej klasyfikacji obrazów.
AI jako strategiczny kierunek rozwoju
Niedawne objęcie stanowiska CEO przez Marcina Kuśmierza wyznacza nowy kierunek strategiczny dla Allegro. W swoich pierwszych wypowiedziach podkreślił, że jednym z kluczowych filarów rozwoju będzie systematyczne inwestowanie w sztuczną inteligencję jako fundament personalizacji i budowania lojalności użytkowników.
Rozwój systemów rekomendacyjnych doskonale wpisuje się w tę wizję – łączy cele technologiczne (skalowalność, elastyczność, niskie koszty utrzymania modeli) z wymiernymi efektami biznesowymi (wyższe przychody, większe zaangażowanie klientów).
Wyzwania do rozwiązania
Nadal istnieją obszary wymagające dalszej pracy – np. jakość danych produktowych (niewystarczające opisy, błędne kategorie) czy balans między trafnością a różnorodnością podpowiedzi. Sukces będzie zależeć od tego, jak dobrze uda się łączyć algorytmy z danymi wejściowymi.
Moim zdaniem, podejście Allegro do rekomendacji produktów z wykorzystaniem architektury Two Tower pokazuje, jak dobrze przemyślana architektura AI może rozwiązywać złożone problemy biznesowe bez konieczności budowania skomplikowanych, kosztownych systemów. To eleganckie połączenie prostoty i skuteczności, które pozwala gigantowi e-commerce utrzymać przewagę konkurencyjną przy rozsądnych kosztach technologicznych. 🚀
