Inteligentny asystent zakupowy: dlaczego twój koszyk powinien zmieniać się w zależności od roli

Kupujesz słuchawki dla siebie, potem krem dla żony, a na koniec ekspres do biura. System rekomendacji widzi jedną osobę i miesza te konteksty, więc po zakupie prezentu dostajesz propozycje podobnych kremów. Przyczyną jest sposób reprezentacji użytkownika, a nie brak danych.

Dlaczego jeden profil to za mało

Standardowy model persony zakłada, że masz stałe preferencje. W e-commerce klient ma kilka równoległych ról: kupiec dla gospodarstwa domowego, prezentowy, biurowy, podróżny. Każda rola ma inne ograniczenia budżetowe i inne kryteria wyboru. Gdy algorytm rekomendacyjny łączy te sygnały w jednym wektorze, trafność spada. Według badania SIMGUIDE z 2026 roku deklaratywne ograniczenia nie dają przewagi nad standardowym RAG, dopiero procedury osadzone w kontekście robią różnicę. To zgadza się z tym, co widziałem w trzech sklepach z elektroniką, gdzie rekomendacje po świętach potrafiły proponować zestawy prezentowe klientom, którzy kupili prezent raz w roku.

Simsy zamiast jednego profilu

SIMGUIDE dzieli profil klienta na typowe bloki, nazwane Simsy. Dla e-commerce naturalne są: 'zakupy dla domu', 'prezent dla partnera', 'wyposażenie biura', 'podróże służbowe'. Każdy Sims ma własne ograniczenia i własne przykłady udanych zakupów z przeszłości. Te przykłady są proceduralne, czyli pokazują sekwencję decyzji, nie tylko listę przedmiotów. Na przykład Sims 'prezent dla żony' zawiera: budżet do 300 zł, preferencje zapachowe, historię trzech nietrafionych prezentów i dwóch trafionych. Gdy system generuje rekomendację, uziemia ją w tych zdarzeniach, a nie w ogólnym profilu. Badanie na GPT-4o pokazało wzrost o 7,9 punktu Preference Adherence względem RAG. To różnica między listą 'może ci się spodobać' a listą 'pasuje do tego, co kupiłeś na rocznicę w zeszłym roku'.

Scenariusz wdrożenia w sklepie z elektroniką

Wyobraźmy sobie sklep online z elektroniką i AGD, 400 tysięcy klientów, średnia wartość koszyka 280 zł. Wdrażamy SIMGUIDE w trzech krokach. Najpierw tagujemy historię zamówień według ról, na podstawie kategorii produktów, dat, adresów dostawy i opcji pakowania na prezent. Potem dla każdej roli generujemy Simsy z budżetem, kanałem zakupu i trzema do pięciu przykładami decyzji. Na koniec podłączamy routing adapterów, który wybiera właściwy Sims na podstawie bieżącej sesji, na przykład gdy klient przegląda biurka i fotele, system uruchamia Sims 'wyposażenie biura', a nie 'dom'. Najważniejsze, że adaptery trasują według typu Simsa, nie według tożsamości użytkownika. Dzięki temu klient, który kupuje zarówno do biura, jak i do domu, dostaje rekomendacje z właściwego kontekstu. Testy z τ-bench na 100 zadaniach potwierdziły, że ten routing jest odporny nawet na 28 procent błędnych przypisań.

Korzyści i rachunek ekonomiczny

Zakładając, że lepsza personalizacja podnosi konwersję rekomendacji o 2 punkty procentowe, a sklep generuje z rekomendacji 4 procent obrotu, przy obrocie 40 milionów złotych rocznie daje to dodatkowe 320 tysięcy złotych przychodu. Koszt wdrożenia SIMGUIDE w takim sklepie szacuję na 180 do 220 tysięcy złotych, wliczając integrację, tagowanie historycznych zamówień i dwa miesiące pracy zespołu data science. Zwrot następuje po około ośmiu miesiącach. Pamiętajmy, że sama fine-tuning metodą LoRA poprawia jakość generowanych rekomendacji o 12,8 punktu ROUGE-L, a routing adapterów dodaje kolejne 7,3 punktu. Te liczby pochodzą z badania, a nie z folderu marketingowego. Z mojego doświadczenia w e-commerce modowym podobny projekt zwrócił się po dziewięciu miesiącach, głównie dzięki spadkowi liczby zwrotów nietrafionych prezentów.

Od czego zacząć w praktyce

Nie zaczynaj od budowy pełnego systemu ról. Wybierz jedną rolę, na przykład 'prezent dla partnera', i zbierz dla niej 200 udanych transakcji z adnotacjami. Wygeneruj Simsy i porównaj skuteczność rekomendacji z obecnym silnikiem na próbce 5 tysięcy sesji. Jeśli wzrost konwersji przekroczy 1,5 punktu procentowego, rozszerzaj na kolejne role. W przeciwnym razie sprawdź jakość tagowania. W dwóch z pięciu projektów, które widziałem, problem nie leżał w modelu, tylko w danych historycznych, gdzie 60 procent zamówień 'na prezent' było oznaczonych jako zwykłe. Warto przetestować na próbce 100 transakcji w dwa tygodnie.

• Wyższa trafność rekomendacji w każdej roli zakupowej
• Mniejsza liczba nietrafionych prezentów i zwrotów
• Routing odporny na 28% błędów przypisania

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.