Košík s hodnotou 87 € ostal visieť v sekcii „Odporúčané pre vás“ – zákazník si produkt pozrel, zaváhal a odišiel.
Presne takto vyzerá každodenná realita e-shopov, ktoré nasadili odporúčací engine bez jasnej metriky úspechu. Nie preto, že by AI zlyhávala, ale preto, že väčšina implementácií rieši technológiu namiesto biznis problému.
Poďme si rozobrať, čo v personalizácii e-commerce reálne funguje, aké čísla môžete očakávať a kde sú skryté náklady, o ktorých vám predajcovia „AI riešení“ nepovedia.
Základný omyl: odporúčania nie sú o algoritme
Prvá vec, ktorú treba pochopiť: collaborative filtering (kolaboratívne filtrovanie) nie je žiadna novinka. Amazon ho používa od 90. rokov. To, čo sa za posledné dva roky zmenilo, nie je princíp, ale schopnosť spracovať dáta v reálnom čase a kombinovať ich s obsahovou analýzou (obrazy, texty, kategórie).
Fungujúci odporúčací systém je postavený na troch vrstvách: - Zber dát – správanie, nákupná história, čas strávený na produkte, pohyby myši - Model – či už klasický k-NN, maticová faktorizácia, alebo hlboké neurónové siete - Biznis logika – marža, skladové zásoby, sezónnosť, cross-sell stratégia
Práve tretia vrstva je miesto, kde väčšina projektov zlyháva. Algoritmus vám povie „tento zákazník si s najväčšou pravdepodobnosťou kúpi iPhone“, ale ak máte na sklade tri kusy a maržu 4 %, odporúčanie je ekonomicky nezmyselné.
Čo ukazujú reálne benchmarky
Nechajme marketingové slajdy bokom. Konkrétne čísla z produkčných nasadení, ktoré sme sledovali:
- Klasický collaborative filtering (implementácia cez Apache Spark ALS): nárast konverzného pomeru o 8 – 15 % pri produktových odporúčaniach na detailnej stránke
- Hybridný model (kolaboratívne + obsahové + demografické dáta): 15 – 25 % nárast pri emailových kampaniach s personalizovanými odporúčaniami
- Deep learning modely (two-tower architecture, napr. Google Recommenders): v prípadoch s dostatočným objemom dát (nad 1 milión interakcií mesačne) 20 – 35 % nárast, ale za cenu 10 – 20× vyšších nákladov na inferenciu
Kľúčový poznatok: návratnosť klesá s rastúcou zložitosťou modelu. Pre e-shop s 50 000 produktmi a 200 000 zákazníkmi je deep learning zbytočný prepych. Jednoduchý ALS model s piatimi biznis pravidlami spraví 80 % práce za 5 % nákladov.
Latencia je biznis rozhodnutie, nie technické
Odporúčania v reálnom čase sú drahé. Každých 100 ms latencie navyše znamená pokles konverzie približne o 1 % (údaje z Google/Akamai štúdií). Ale pozor – to platí pre samotné načítanie stránky, nie pre odporúčací blok.
Praktické riešenie: predpočítané odporúčania pre anonymných návštevníkov (generované každých 6 hodín, uložené v Redis) a dynamické odporúčania len pre prihlásených zákazníkov s bohatou históriou. Týmto spôsobom udržíte p95 latenciu pod 50 ms pre 95 % návštevníkov a náklady na GPU inference klesnú na minimum.
GDPR a EÚ regulácia: tichý zabijak projektov
Tu prichádza časť, ktorú predajcovia riešení radi preskočia. Personalizácia na základe správania je spracúvanie osobných údajov v zmysle GDPR. To znamená:
- Právny základ – väčšinou oprávnený záujem, ale musíte ho vedieť obhájiť
- Dátová minimalizácia – nemôžete zbierať všetko „pre prípad“
- Profilovanie – ak odporúčania ovplyvňujú ceny (dynamic pricing), máte povinnosť vysvetliť logiku
Praktický dôsledok pre slovenský trh: ak používate cloudové API (napr. AWS Personalize, Google Retail API), dáta opúšťajú EÚ. Potrebujete SCC (štandardné zmluvné doložky) a DPA (zmluvu o spracúvaní údajov). Ak to nemáte, celý projekt je právne nestabilný.
Open source vs. cloud: reálne porovnanie nákladov
Pre e-shop s 1 miliónom odporúčaní denne:
| Riešenie | Mesačné náklady | Latencia | Údržba |
|---|---|---|---|
| AWS Personalize | 800 – 1 500 € | 80 – 150 ms | Žiadna |
| Google Retail API | 700 – 1 200 € | 100 – 200 ms | Žiadna |
| Self-hosted (Spark ALS + Redis) | 150 – 300 € | 20 – 50 ms | 5 – 10 h/mesiac |
| Open source (TensorFlow Serving) | 200 – 400 € | 30 – 60 ms | 10 – 15 h/mesiac |
Pre malé e-shopy (do 100 000 odporúčaní denne) vychádza self-hosted riešenie 5 – 8× lacnejšie a s lepšou latenciou. Cloud dáva zmysel až pri objemoch nad 1 milión odporúčaní denne, kde začínate riešiť škálovateľnosť a dostupnosť.
Čo teda reálne odporúčame nasadiť
- Začnite s jednoduchým ALS modelom – Apache Spark MLlib zvládne aj notebook, dáta do 10 GB sú v pohode
- Pridajte biznis pravidlá – neodporúčajte produkty s nulovou maržou, preferujte skladové položky
- Merajte správne metriky – nie kliky, ale konverziu na odporúčaný produkt a priemernú hodnotu košíka
- Testujte A/B – minimálne 2 týždne, dostatočná vzorka (10 000+ návštevníkov na variant)
- Neriešte deep learning, kým nemáte aspoň 1 milión interakcií mesačne
Richardov biznis verdikt: personalizovať, alebo najprv upratať dáta?
Nasaditeľné – ale s rozumom. Pre 90 % slovenských e-shopov je optimálne riešenie open source model s jednoduchými biznis pravidlami, nie drahé cloudové API. Náklady na self-hosted riešenie sa vrátia do 3 – 6 mesiacov pri náraste konverzie o 10 % a viac. Cloudové riešenia zvážte až pri objemoch, kde prevádzková záťaž prevýši hodnotu vášho času.
Počkať na verziu 2.0 odporúčame v jedinom prípade: ak plánujete dynamic pricing alebo hyper-personalizáciu na úrovni jednotlivca. Tam ešte chýba stabilná legislatívna pôda a riziko právnych problémov prevyšuje potenciálny zisk. Zamerajte sa na segmentovú personalizáciu, ktorá je bezpečná, lacná a prináša 80 % efektu.
