Fórum Root.cz
Hlavní témata => Software => Téma založeno: oss 10. 06. 2025, 15:58:06
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
-
Tvoje zadani je na tema neco chci, mevim co, ale urcite to dostanu.
Co chces doporucovat? Jako ze ke sroubu je fajn si koupit matici? Nebo jakoze kdyz sis vcera koupil pracku, dneska si kup dalsi?
-
bez AI asi buď ručně označit, že šroubek a matička patří k sobě, případně dělat statistiku podle objednávek: lidé si často s tímto zbožím koupí i toto.
-
... případně dělat statistiku ...
Presne tohle je dost blbej napad, protoze i kdyz budes mit opravdu velkej vzorek, bude ti to treba generovat doporuceni kondomu ke sroubum. A z toho sou zakaznici velmi typicky uplne vodvazani.
Problem ty druhy varianty je typicky v tom, ze to je prace, kterou nekdo musi delat. Takze vysledek bude typicky (a vim to z vlastnich opakovanych zkusenosti), ze ti to bude k podlaze doporucovat treba kotouc do rozbrusky, protoze nekdo tu kartu zkopiroval a nechal tam co tam bylo.
Nemluve o tom, ze
... lidé si často s tímto zbožím koupí i toto.
Je typicky podvod, kterej te ma dovist k nakupu neceho, co nikdo nechce.
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
Recommendation engine je přesně to co chceš a můžeš si ho sám implementovat, není to až zas taková věda. Tedy vyladit to aby ty výsledky byly opravdu dobré JE docela věda, ale to tak už bývá.
Google je zmatený (nebo to tak alespoň vypadá), protože Recommendation Engine je tradičně součástí Machine Learning, takže AI. Ale kromě toho nemá prakticky nic společného s tím co se dnes v roce 2025 jako AI označuje, tedy LLM.
Zkus hledat "recomendation engine algorithm" a asi bych doporučil nějakou knížku nebo online kurz, ideálně pár let starý (a tudíž nezasažený LLM). Možná najdeš i nějakou použitelnou knihovnu či dokonce démona co můžeš provozovat sám - vím že něco existovalo, ale nikdy jsem sám nezkoušel tak neporadím.
-
Co chces doporucovat? Jako ze ke sroubu je fajn si koupit matici? Nebo jakoze kdyz sis vcera koupil pracku, dneska si kup dalsi?
Elektronicke suciatky pre domacich kutilov.
Recommendation engine je přesně to co chceš a můžeš si ho sám implementovat, není to až zas taková věda. Tedy vyladit to aby ty výsledky byly opravdu dobré JE docela věda, ale to tak už bývá.
Recommendation engine - to je jasne, ale to hadze rozne veci, najradsej by som nieco co dokaze odpoucat napriklad pomocou prezerania produktov.
Zkus hledat "recomendation engine algorithm" a asi bych doporučil nějakou knížku nebo online kurz, ideálně pár let starý (a tudíž nezasažený LLM). Možná najdeš i nějakou použitelnou knihovnu či dokonce démona co můžeš provozovat sám - vím že něco existovalo, ale nikdy jsem sám nezkoušel tak neporadím.
;D ;D ;D
Skusil som:
- AI Recommendation Engine - Developed by Data Scientists
- 7 machine learning algorithms for recommendation engines
- AI Recommendation Engine - Outcome oriented Engine
- Recommender Algorithm - machine learning
-
Elektronicke suciatky pre domacich kutilov.
Bezva, takze si vubec nepochopil co sem napsal ... je uplne jedno jestli prodavas obili nebo raketovy motory.
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
To co hledáš se jemnuje obecně Dataminig.
Už jsem to dlouho nepotřeboval, ale něco najdeš třeba tady https://waikato.github.io/weka-wiki/
Pokud máš historická data, tak můžeš použít něco co se jmenuje Recommendation engine. Dá se na to použít třeba Spark, pokud těch dat je hodně. https://www.udemy.com/course/taming-big-data-with-apache-spark-hands-on/ by ti v tom mohl pomoct, jak si to celé udělat sám. Určitě existují i jiná řešení. Tento kurz jsem si kdysi dávno prošel, ale spíš jen ze zájmu, věnuju se jinému oboru. Datamining jsem dělal na VŠ diplomku.
Základ je mít data z nákupních košíků a pak můžeš začít porovnávat. Chce to hodně dat, aby nákup náhodných dvojic byl nízko. ideálně, když vybereš 5 věcí nejčastěji nakupovaných dohromady, tak tyto náhodné dvojice tam vůbec nebudou.
Například kdo si kupuje pivo si často koupí i nějaké brambůrky. Pokud je dáš v obchodě vedle sebe, tak se zvýší prodej, protože na tu druhou věc nezapomene, když jsou vedle sebe.
Možná si říkáš, že na to nepotřebuješ žádnou analýzu nákupního košíku. Další případ byl, že z procesování takových dat zjistili, že důchodci si kupují CD s Hip Hop hudbou, takže je dobré je dát blíž ke zboží, které běžně nakupují. Důvod byl prý ne že by to poslouchali, ale jako dárek pro vnoučky. Takže na selský rozum bych nespoléhal a pečlivě bych analyzoval data.
-
... případně dělat statistiku ...
Presne tohle je dost blbej napad, protoze i kdyz budes mit opravdu velkej vzorek, bude ti to treba generovat doporuceni kondomu ke sroubum. A z toho sou zakaznici velmi typicky uplne vodvazani.
Problem ty druhy varianty je typicky v tom, ze to je prace, kterou nekdo musi delat. Takze vysledek bude typicky (a vim to z vlastnich opakovanych zkusenosti), ze ti to bude k podlaze doporucovat treba kotouc do rozbrusky, protoze nekdo tu kartu zkopiroval a nechal tam co tam bylo.
Nemluve o tom, ze
... lidé si často s tímto zbožím koupí i toto.
Je typicky podvod, kterej te ma dovist k nakupu neceho, co nikdo nechce.
Pleteš se úplně ve všem. Ve velkém množství dat ti vyleze, co lidi kupují a pokud si opravdu kupují často šroubky a kondomy tak je vše v pořádku. Selský rozum neplatí. Viz moje odpověď na dotaz.
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
https://en.wikipedia.org/wiki/Apriori_algorithm
-
... případně dělat statistiku ...
Presne tohle je dost blbej napad, protoze i kdyz budes mit opravdu velkej vzorek, bude ti to treba generovat doporuceni kondomu ke sroubum. A z toho sou zakaznici velmi typicky uplne vodvazani.
Problem ty druhy varianty je typicky v tom, ze to je prace, kterou nekdo musi delat. Takze vysledek bude typicky (a vim to z vlastnich opakovanych zkusenosti), ze ti to bude k podlaze doporucovat treba kotouc do rozbrusky, protoze nekdo tu kartu zkopiroval a nechal tam co tam bylo.
Nemluve o tom, ze
... lidé si často s tímto zbožím koupí i toto.
Je typicky podvod, kterej te ma dovist k nakupu neceho, co nikdo nechce.
Pleteš se úplně ve všem. Ve velkém množství dat ti vyleze, co lidi kupují a pokud si opravdu kupují často šroubky a kondomy tak je vše v pořádku. Selský rozum neplatí. Viz moje odpověď na dotaz.
Podle mě je to, co se na shopech zobrazuje jako související zboží, často velmi zavádějící. Běžně totiž nabídne nekompatibilní příslušenství, což je přesně to, co nechci.
Takže podle mě bych buď uváděl zákaznící často kupují společně s a tam dal výsledek statistické analýzy chování zákazníků (pak skutečně můžu nabídnout zahradní hadici jako příslušenství k mobilu, pokud to odpovídá zákaznickému chování) anebo bych to zboží prostě spároval na základě nějakého erudovaného výběru ve smyslu doporučeného příslušenství, kde ale budu garantovat, že položky mají reálný vztah ke kupovanému produktu (pak k mobilu nabídnu jako příslušenství např. kompatibilní pouzdra na mobil, ale ne už zahradní hadici).
-
Elektronicke suciatky pre domacich kutilov.
Jednoznacne dle nakupu ostatnich. Kupujes male konekotr -> typicky chces i female. Delaji to tak i velci kluci typu Mouseru, a je to uzitecne, vyuzivam to.
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
To co hledáš se jemnuje obecně Dataminig.
Už jsem to dlouho nepotřeboval, ale něco najdeš třeba tady https://waikato.github.io/weka-wiki/
Pokud máš historická data, tak můžeš použít něco co se jmenuje Recommendation engine. Dá se na to použít třeba Spark, pokud těch dat je hodně. https://www.udemy.com/course/taming-big-data-with-apache-spark-hands-on/ by ti v tom mohl pomoct, jak si to celé udělat sám. Určitě existují i jiná řešení. Tento kurz jsem si kdysi dávno prošel, ale spíš jen ze zájmu, věnuju se jinému oboru. Datamining jsem dělal na VŠ diplomku.
Základ je mít data z nákupních košíků a pak můžeš začít porovnávat. Chce to hodně dat, aby nákup náhodných dvojic byl nízko. ideálně, když vybereš 5 věcí nejčastěji nakupovaných dohromady, tak tyto náhodné dvojice tam vůbec nebudou.
Například kdo si kupuje pivo si často koupí i nějaké brambůrky. Pokud je dáš v obchodě vedle sebe, tak se zvýší prodej, protože na tu druhou věc nezapomene, když jsou vedle sebe.
Možná si říkáš, že na to nepotřebuješ žádnou analýzu nákupního košíku. Další případ byl, že z procesování takových dat zjistili, že důchodci si kupují CD s Hip Hop hudbou, takže je dobré je dát blíž ke zboží, které běžně nakupují. Důvod byl prý ne že by to poslouchali, ale jako dárek pro vnoučky. Takže na selský rozum bych nespoléhal a pečlivě bych analyzoval data.
Vdaka, ale chcel by som si to implementovat sam vramci sebarozvoja.
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Nechcem do toho tahat externe sluzby, proste chcem mat privacy pod kontrolou vo vlastnej databaze (Mariadb, alternativny Redis).
Google mimomentalne vyhadzuje len AI recomandation engine, ako keby nic ine ako AI nejestvovalo.
https://en.wikipedia.org/wiki/Apriori_algorithm
Vdaka, pozriem sa na to.
-
Toto jsem kdysi implementoval, používá se na to kolaborativní filtr. Není to těžké, a určitě už na to budou implementace v tvém jazyce. V podstatě to řadí produkty tak, že pokud se ti líbí něco, co se líbí i ostatním lidem, pravděpodobně se ti budou líbit i jiné věci co se líbí lidem se společnými zájmy. V měřítku, o kterém píšeš, ti to v pohodě poběží v paměti, žádné zádrhele bych neočekával.
Podle toho, z jakých podkladů vyjdeš, dostaneš dva scénáře:
Vyjdeš z nákupů: Lidé typicky nakupují komplementární zboží, tj. víno a vývrtku. Když kolaborativní filtr aplikuješ na data z nákupů, dostaneš ve výsledku "Vybrali jste si toto zboží, nehodilo by se vám k němu ještě tohle"? Tedy např. k hodinkám to doporučí ještě řemínek a baterku a čistidlo na sklíčko.
Vyjdeš z vizit - návštěv produktů při browsení e-shopem: Lidi si typicky prohlížejí několik variant téhož produktu. Kolaborativní filtr na vizitách ti bude doporučovat alternativy - "Nechtěli byste radši hodinky s vodotryskem, nebo s kukačkou?" Zase ale doporučují relevantní alternativy, protože kolaborativní filtr je natrénovaný na lidech co mají podobné zájmy jako já.
V každém případě může být dobrá volba filtr přetrénovat třeba jednou denně (tedy spíš v noci) na základě čerstvých podkladů.
-
Nic nedoporučuj, akorát mě to jako zákazníka nasere.
-
Nic nedoporučuj, akorát mě to jako zákazníka nasere.
Nie kazdy je flustrovany uzivatel roota, ktoreho stve vsetko a vsade.
-
Ake klucove slova a algoritmy mam hladat, ked chcem implementovat odporucania tovaru pre maly eshop (100-1000) produktov?
Ziadne. Princip odporucania nie je reprezentovany funkciou/algoritmom(ala sinus, cosinus, pi..). Jedna sa o komplexny logicky kus kodu, ktory si navrhujes ty sam, pretoze ty si urcujes ako to ma fungovat. Samozrejme tam su spolocne principy, ale implementacia je vzdy na mieru.
Ak sa bavime v kontexte eshopu, ktory predava elektrotechnicke suciastky, tak si vieme aplikovat zakladnu funkcionalitu na zaklade frekvencie nakupov. Takze ak si niekto kupi A a k tomu aj B a C a D, tak si vieme vyhodnotit ze najpopularnejsi doplnok k A je napriklad produkt C, takze ho mozeme zahrnut to vysledok pre produkt A a vlastne mame xsell/cross-sell. Ale mozno to tak neplati naopak, teda najcastejsie nakupovany tovar k C je napriklad F. A tak dalej. Tiez si pouzivatel uz C mozno zakupil v minulosti a my by sme mali vediet, ci C je spotrebny druh tovaru alebo nie a teda by sme ho uz ne/mali odporucat, ak uz bol zakupeny.
To je v principe to najlahsie - cista statistika toho, co si ludia realne nakupuju.
Lenze my potrebujeme casto ludom ukazat aj nieco ine, co by ich mozno nenapadlo ani pozriet, ale co sa k produktu A moze hodit. Napriklad ak mame produkt kondenzator 100F, mozeme skusit odporucit kondenzator 1kF, i ked si 100F a 1kF ludia casto nekupuju na zaklade statistiky predajov, ktoru sme si urobili. Ale to neznamena, ze nemozeme skusit navrhnut tento produkt v tomto kontexte. Navrhnut zakaznikovi, aby si pozrel produkt neznamena, ze chceme vyslovene aby si ho hned aj kupil. Mozeme ho skratka len informovat a upozornit na nejaky produkt, takze o nom bude do buducna uz vediet. Pripadne to mozeme trosku rozviest a to tak, ze ak ma zakaznik 10x alebo viac 100F kondenzatorov v kosiku, vtedy mozeme navrhnut 1x1kF kondenzator a spravit upsell.
Dalej moze ist o pripad, ak mame napriklad rezistor znacky Foo, ale mozeme odporucit rezistor s totoznymi parametrami ale od lepsej znacky Bar. Cize vlastne robime zase upsell.
Dalej su tu veci ako akcie - mozno k produktu A ludia niekedy kupia aj R, ale len velmi malo. Ale co ked je R prave v zlave? Mozeme ho skusit zahrnut do odporucani a zase robime xsell.
Dalej tu mame novinky - ludia asi casto kupuju cín, mozno je v eshope novy produkt, takze ak si clovek pozera alebo ma v kosiku nejaku elektronicku suciastku, mozeme si z toho odvodit, ze bude spajkovat a teda mu mozeme skusit odporucit novy spajkovaci cín, ktory prave dorazil do eshopu. Cize stale sa jedna o upsell ale v tomto pripade chcem zamerat pozornost na novy produkt namiesto ineho, ktory si ludia kupuju bezne.
Tiez, ako uz som spomenul, treba brat do uvahy kontext - ake produkty si pouzivatel uz pozrel v minulosti, ake si zakupil, ake ma prave v kosiku, ake mal v kosiku ale ich odobral...
Takze ako bolo spomenute na zaciatku, jedna sa o cisto vlastnu logiku, ktoru si treba napisat na mieru.
V principe sa taketo veci vyvijaju dlhodobo a konstantne ladia. Takze by som zacal s niecim jednouchym a casom pridaval komplexnejsiu logiku.
-
Tak hlavně je potřeba vsugerovat lidem, aby si kupovali zboží na kterém mám největší marži. O nic jiného vůbec nejde. Já nepotřebuju aby si zákazník k desce koupil deset šroubků (který bude potřebovat) na kterejch nemám nic (absolutně), já potřebuju aby si k tomu koupil baterky na kterejch mám třeba marži 400%*nákupka, plus který se kazej.
-
a muzou si obchody samy zpracovavat vlastni data, napr. najmou x lidi a ti sedi u kompu a prirazuji ke kondenzatoru jeste i nepajive pole. ale asi je levnejsi zpracovavat statistiku nakupu.
-
Tak hlavně je potřeba vsugerovat lidem, aby si kupovali zboží na kterém mám největší marži. O nic jiného vůbec nejde. Já nepotřebuju aby si zákazník k desce koupil deset šroubků (který bude potřebovat) na kterejch nemám nic (absolutně), já potřebuju aby si k tomu koupil baterky na kterejch mám třeba marži 400%*nákupka, plus který se kazej.
V tom máš absolutně pravdu. To jsou přesně ty odlišné představy ajťáků a markeťáků o tom jak by "doporučení" mělo fungovat . ;D
-
Za mě... užitečný je algoritmus, který přiřazuje věcně související položky.
A vnímám to jako součást správy produktových karet v e-shopu.
Kam řadím i údržbu selekčních filtrů.
"Algoritmus pro související položky" je další v řadě z této oblasti.
Správa produktových karet se dá buď flákat: že máte popis nulový, nebo minimální, nebo oprásknutý nastojato z datashitu výrobce, nebo si pomocí AI vygenerujete trochu nastavované kaše / omajdy okolo.
Nebo do svého popisu produktu vmasírujete kus svého praktického know-how. Znalost produktu z vlastní zkušenosti. Stačí v kostce bodově důležité vlastnosti - a už se odlišíte. Zamyslíte se nad podstatnými filtrovatelnými atributy...
Pokud odkazy na související produkty nepřidáváte ručně do popisu produktů, dal by se na to použít nějaký engine, který by jel nad nějakými metadaty. Třeba minimální vztahovou mapou.
Například e-shop TME má související produkty často dost užitečné. Sháním konektor, pracně najdu to správné tělo, a TME mi k němu doporučí kompatibilní piny (i více druhů).
Nebo zabrousím v počítačovém e-shopu na motherboard, a e-shop mi k němu nabídne kompatibilní procesory a RAMky (což není úplně triviální úloha, na prostou kompatibilitu patice / technologie / taktu se nedá vždy spolehnout). A třeba taky chladiče.
Nebo například údržbuju několik starších MTB s trojtácem, cca od 3x7 do 2x11. Bohužel e-shopy s komponenty zápasí i se základním explicitním filtrem :-( Velice by se mi líbilo, když už si vyberu třeba trojtác, aby mi e-shop k němu začal poňoukat kompatibilní přesmyk, řetěz, přehazku a kazetu. Byl by docela masakr, extrahovat do počítačové vztahové mapy pravidelně aktualizovaný dokument "Shimano compatibility information" :-) Bohužel je reálně problém spíš ten, že Shimano starší varianty roztečí řetězu, starší varianty trojtáců apod. postupně z nabídky kostí, aby bylo naschvál složité, sehnat náhradní díl na starší kolo, abyste nesehnal náhradní díl za původní dražší sadu (a musel sáhnout po levnější byť snad kompatibilní náhradě) atd. Takže vzato do důsledku, pokud by ta doporučení skutečně technicky seděla, vycházela by z toho často téměř prázdná množina... Což není problém počítačově-algoritmický, ale marketingový v cílové doméně.