Data Science
Рекомендации на корзинах зоомагазина
Не учебный датасет: 4743 настоящих заказа за два с половиной года из проекта, который лежит рядом в этом же портфолио. Сервис учится на них и подсказывает товары прямо на карточке в витрине.
Как это устроено
- FP-Growth даёт правила «берут вместе» с внятными метриками: support, confidence, lift. Но покрывает не всех — редкие товары не набирают поддержки
- Поэтому вторая модель, item-item по косинусной близости: соседи есть почти для любого товара, встречавшегося в заказах
- Выдача берёт правила, потом добирает соседями, и у каждой рекомендации указано, откуда она взялась
- Витрина от сервиса не зависит: таймаут две секунды, запасной путь по таксономии, ответ кэшируется на час
Запрашиваю сервис…
Что данные не дают
База обезличена скриптом, и он сохранил состав корзин — ровно то, что нужно market-basket анализу, — но уничтожил идентичность покупателя: телефон в ней выводится из id заказа. Поэтому RFM считается только по авторизованным пользователям, а это 12,6% заказов. Цифра покрытия стоит рядом с сегментами намеренно: без неё выборка выглядела бы полной.