Разработка полного цикла рекомендательной системы для сети дизайна и продаж букетов.
25 категорий товаров, атрибуты заказчика (гендер, история покупок, ценовые предпочтения) и атрибуты товара (категория, стоимость, цветовая палитра). Ключевая задача — в сети хотели понять логику заказчиков, и анализ маркетинговых параметров дал нам это понимание. Далее была сформирована система, скомбинированная из двух методов — анализа истории предыдущих покупок, которая дала знание, что у покупателей, которые покупают не к празднику или на торжество, чаще всего главный фактор — это цветовая гамма букета. В итоге был разработан собственный цветовой словарь букетов в двух категориях — Пастель и Страсть, а также напоминание клиенту о памятных датах. Для заказчика в рекомендациях делался приоритет на сезонные цветы, которые наиболее дешевы по себестоимости.
Методы — автоматическое извлечение визуальных признаков букетов из фотографий: KMeans-кластеризация доминирующих цветов по центральным 70% изображения (отсечение обёртки и фона). На основе палитры строится матрица визуального сходства букетов — подтверждено, что повторные покупатели действительно выбирают букеты в схожей цветовой гамме (сходство 0.85–0.99). Три модели рекомендаций: по визуальному сходству палитры, по истории покупок с учётом ценовой категории (коллаборативная фильтрация, LightFM WARP), рекомендации аксессуаров для корзины. Проработана проблема холодного старта: категория «Акция», которая обрушивает рекомендации (в ней любые цветы), исключена из стандартной логики.
Продакшн: FastAPI-эндпоинт для выдачи рекомендаций на лету, SQLite, автоматический приём данных с сервера заказчика по API, привязка к Яндекс.Метрике для отслеживания конверсии.
