Tehnologija preporuka bez istorije korisnika

Izazov neprijavljenih posetilaca i privatnosti

Veliki udeo posetilaca na platformama za rezervacije i putovanja stiže putem plaćenih kampanja ili organskih pretraga bez prethodnog prijavljivanja na nalog. Ovi korisnici nemaju sačuvane podatke o ranijim aktivnostima, što pred mašinsko učenje postavlja složen problem nedostatka početnih informacija. Modeli preporuka koji se oslanjaju na identifikatore postaju neefikasni u ovakvim situacijama jer nedostaju ključni signali za kreiranje relevantnih ponuda.

Pored tehničkih prepreka, strogi propisi o privatnosti dodatno ograničavaju praćenje korisnika i upotrebu trajnih identifikatora kolačića. Regulative poput Opšte uredbe o zaštiti podataka zahtevaju izričit pristanak za prikupljanje informacija u marketinške svrhe. Zbog toga inženjeri moraju da razvijaju arhitekture koje funkcionišu autonomno, bez oslanjanja na digitalni otisak pojedinca.

Kao rezultat ovih ograničenja, novi posetioci su ranije dobijali generički sadržaj koji nije odgovarao njihovim trenutnim potrebama. Statične preporuke su smanjivale angažovanje publike i propuštale prilike za konverziju tokom prvog kontakta sa platformom. Rešenje ovog problema zahtevalo je potpuno nov pristup modeliranju podataka koji zaobilazi potrebu za istorijom pojedinačnog korisnika.

Geografska korelacija kao rešenje

Osnovna ideja iza novog pristupa oslanja se na činjenicu da ljudi koji pretražuju ponude iz istog grada ili kvarta često imaju slična interesovanja. Korisnici iz određenog regiona dele kulturni kontekst, preferiraju uporedive cjenovne rangove i biraju slične destinacije za putovanja. Ova geografska korelacija ostaje stabilna bez obzira na to koliko sistem zna o specifičnom pojedincu koji trenutno pregleda stranicu.

Na osnovu IP adrese posetioca, sistem može grubo da odredi njegovu lokaciju i da ga svrsta u prilagođenu grupu obližnjih korisnika. Agregiranjem kolektivnih signala te grupe kreiraju se bogati parametri spremni za trenutnu upotrebu u modelima predviđanja. Time se eliminiše potreba za praćenjem pojedinačne sesije ili istorije pretrage.

Ovaj mehanizam funkcioniše kao ključ agregacije koji zamenjuje tradicionalni identifikator korisnika. Bilo koji model koji se oslanja na podatke pojedinca može da koristi grupni ključ kako bi pružio relevantne preporuke novim posetiocima. Na taj način anonimni korisnici dobijaju personalizovano iskustvo od prvog trenutka posete.

Arhitektura adaptivnog grupisanja lokacija

Kreiranje efikasnih grupa zahteva rešavanje problema velike razlike u gustini naseljenosti širom sveta. Gusto naseljeni gradski centri generišu ogroman broj dnevnih poseta, dok ruralna područja beleže znatno manji promet. Fiksna geografska mreža ne može jednako dobro da funkcioniše u oba okruženja jer bi bila suviše gruba za gradove, a suviše sitna za sela.

Kako bi se prevazišla ova prepreka, razvijen je algoritam adaptivnog grupisanja u dve faze koji prilagođava veličinu regije prema gustini saobraćaja. U urbanim zonama sistem deli prostor na sitnije segmente, dok u ređe naseljenim mestima spaja koordinate sve dok svaka grupa ne dostigne željeni broj korisnika. Ova struktura omogućava visoku preciznost tamo gde je saobraćaj veliki, a stabilnost tamo gde je promet nizak.

Stabilnost ključeva je ključna za performanse u produkcionom okruženju jer se izbegava stalno ponovno računanje rasporeda. Dnevna osvežavanja uspešno obrađuju nove IP adrese i pomeranja koordinata bez narucivanja osnovne arhitekture. Sistem je dizajniran tako da pretraga lokacijskih parametara predstavlja sporednu zavisnost, što znači da u slučaju zastoja osnovni procesi nastavljaju nesmetano da rade.

Kategorije parametara i kolektivno pozajmljivanje

Kada se korisnici svrstaju u odgovarajuće grupe, sistemi svakodnevno izračunavaju tri glavne kategorije parametara na osnovu kolektivnog ponašanja. Prva kategorija obuhvata kratkoročni angažman, što uključuje popularne destinacije, tipove smeštaja i srednje cene iz nedavnih pretraga. Druga kategorija se fokusira na dugoročne obrasce rezervacija i signale o sastavu putnika.

Treća kategorija obuhvata metapodatke o samoj grupi, kao što su ukupna veličina i geografska gustina lokalne zajednice. Kada potpuno nov posetilac pristupi platformi, sistem mu dodeljuje vektor parametara izveden iz ponašanja približno hiljadu obližnjih korisnika. Na ovaj način novi posetilac efikasno pozajmljuje signale iz kolektiva i dobija relevantne preporuke bez sopstvene istorije.

Ova metoda omogućava modelima da prepoznaju trendove u realnom vremenu i da se prilagode promenama u lokalnim preferencijama putnika. Agregirani podaci odražavaju kolektivne navike grupe, a ne radnje bilo kog pojedinca, čime se obezbeđuje visoka korisnost bez zadiranja u privatnost.

Rezultati primene u praksi i eksperimenti

Primena lokacijskih parametara na različitim delovima platforme donela je merljiva poboljšanja u A/B testovima sprovedenim u produkcionom okruženju. Stranice namenjene marketinškoj akviziciji, gde je stopa novih posetilaca tradicionalno najviša, ranije su prikazivale statične i neselektovane predloge smeštaja. Uvođenjem grupnih signala sistemi su dobili pristup navikama obližnjih korisnika, što je omogućilo kreiranje smislenih preporuka za hladni start.

Funkcija automatskog predlaganja destinacija na početnoj stranici ranije se oslanjala na fiksnu globalnu listu popularnih gradova za sve korisnike bez istorije. Sa novim pristupom, posetilac koji pregleda ponudu iz određenog azijskog centra sada vidi destinacije koje su geografski logičnije i relevantnije za njegovo okruženje. Eksperimenti su pokazali najveće pomake upravo kod neaktivnih korisnika i onih koji ranije nisu pravili rezervacije.

Promene u distribuciji prikazanih destinacija jasno potvrđuju ispravnost ovog pristupa kroz ravnomerniju zastupljenost regija koje su ranije retko dospevale na ekrane posetilaca u određenim zonama. Slični mehanizmi se sada uvode i u personalizovane email kampanje kako bi se proširilo korisničko iskustvo. Time se pokazuje da rešavanje problema početnog stanja ne zahteva trajnu identifikaciju pojedinca.

Zaključak o budućnosti personalizacije

Razvoj tehnologija koje se oslanjaju na grupne lokacijske signale pokazuje da preciznost i zaštita podataka mogu uspešno da idu ruku pod ruku. Tradicionalni modeli koji su zavisili isključ ustveni od istorije pojedinca ustupaju mesto fleksibilnim sistemima otpornim na stroge regulatorne zahteve. Kroz pametno grupisanje i agregaciju kolektivnih navika, digitalne platforme mogu da pruže izuzetno korisno iskustvo svakom novom posetiocu.

Praktična primena ovih rešenja potvrđuje da inovacije u mašinskom učenju ne moraju da narušavaju privatnost da bi bile efikasne. Arhitektura koja koristi regionalne ključeve umesto ličnih identifikatora postavlja nove standarde u industriji. Poslovni sistemi koji usvoje slične pristupe biće spremniji za budućnost u kojoj su tradicionalni kolačići i praćenje pojedinaca sve manje dostupni.

Razumevanje ovih tehnoloških promena ključno je za sve koji grade karijeru ili vode poslovanje u sferi digitalnih usluga. Usklađivanje sa savremenim zahtevima privatnosti uz istovremeno unapređenje korisničkog iskustva predstavlja temelj uspeha na konkurentnom tržištu. Inovacije poput adaptivnog grupisanja dokazuju da tehnička kreativnost može da reši najsloženije probleme savremenog biznisa.

Izvor: Airbnb Engineering · Fotografija: Pexels / Freepik (ilustracija)