Розробка AI-системи рекомендації Upsell для менеджера з продажів

Реалізація AI-системи рекомендацій Upsell для продаж

AI-upsell рекомендує покупцеві більш дорогу або розширену версію того, що він уже дивиться. Відмінність від cross-sell: пропонуємо той же товар класу вище, а не додаток. ML-модель визначає момент пропозиції, персоналізує аргументацію та вибирає правильний ціновий крок.

Upsell-модель з контекстуальним бандитом

import numpy as np
import pandas as pd
from anthropic import Anthropic
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV

class UpsellRecommender:
    def __init__(self):
        self.llm = Anthropic()
        self.model = None
        self.product_catalog = {}

    def train(self, sessions_df: pd.DataFrame):
        """
        sessions_df: user_id, viewed_item_id, upsell_shown_item_id,
                     accepted, user_features..., item_features...
        """
        features = self._extract_features(sessions_df)
        X = features.drop(columns=['accepted'])
        y = features['accepted']

        base_model = GradientBoostingClassifier(
            n_estimators=200, learning_rate=0.05,
            max_depth=5, random_state=42
        )
        # Калібруємо ймовірності для правильного порога
        self.model = CalibratedClassifierCV(base_model, cv=3, method='isotonic')
        self.model.fit(X, y)

    def _extract_features(self, df: pd.DataFrame) -> pd.DataFrame:
        """Feature engineering для upsell моделі"""
        features = pd.DataFrame()

        # Ціновий розрив між поточним та upsell товаром
        features['price_delta'] = df['upsell_price'] - df['current_price']
        features['price_ratio'] = df['upsell_price'] / df['current_price'].clip(0.01)

        # Користувацькі ознаки
        features['user_avg_order'] = df['user_avg_order_value']
        features['user_premium_ratio'] = df['user_premium_purchases'] / df['user_total_purchases'].clip(1)
        features['session_depth'] = df['pages_viewed']
        features['cart_value'] = df['current_cart_value']

        # Товарні ознаки
        features['upsell_rating_delta'] = df['upsell_rating'] - df['current_rating']
        features['current_category_encoded'] = df['category'].astype('category').cat.codes

        features['accepted'] = df['accepted']
        return features

    def recommend_upsell(self, user: dict, current_item: str) -> dict:
        """Рекомендація upsell з поясненням"""
        candidates = self._get_upsell_candidates(current_item)
        if not candidates:
            return None

        # Скоринг кандидатів
        best_candidate = None
        best_prob = 0

        for candidate in candidates:
            features = self._build_prediction_features(user, current_item, candidate)
            if self.model:
                prob = self.model.predict_proba([features])[0][1]
            else:
                prob = 0.3 if candidate['price'] < user.get('avg_order', 0) * 1.5 else 0.15

            if prob > best_prob and prob > 0.2:  # Показуємо тільки з достатньою ймовірністю
                best_prob = prob
                best_candidate = (candidate, prob)

        if not best_candidate:
            return None

        candidate, prob = best_candidate

        # AI генерує персоналізовану пропозицію
        pitch = self._generate_upsell_pitch(user, current_item, candidate)

        return {
            'recommended_item': candidate['item_id'],
            'accept_probability': prob,
            'pitch': pitch,
            'price_delta': candidate['price'] - self.product_catalog.get(current_item, {}).get('price', 0)
        }

    def _get_upsell_candidates(self, item_id: str) -> list[dict]:
        """Товари тієї ж категорії але більш дорогі"""
        current = self.product_catalog.get(item_id, {})
        current_price = current.get('price', 0)
        current_category = current.get('category', '')

        return [
            item for item in self.product_catalog.values()
            if item.get('category') == current_category
            and current_price * 1.1 <= item.get('price', 0) <= current_price * 2.5
            and item.get('rating', 0) >= current.get('rating', 0) - 0.2
        ]

    def _generate_upsell_pitch(self, user: dict, current_item: str,
                                upsell_item: dict) -> str:
        current = self.product_catalog.get(current_item, {})
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=100,
            messages=[{
                "role": "user",
                "content": f"""Напиши короткий, переконливий upsell-месидж (1-2 речення, розмовний тон).

Покупець дивиться: {current.get('name', current_item)} (${current.get('price', 0)})
Upsell варіант: {upsell_item.get('name', '')} (${upsell_item.get('price', 0)})
Ключова різниця: {upsell_item.get('upgrade_feature', 'краща якість')}
Історія покупця: середній замовлення ${user.get('avg_order', 0):.0f}

Будь прямим, згадай конкретну вигоду, не загальні похвали."""
            }]
        )
        return response.content[0].text

Типовий acceptance rate upsell при правильно налаштованій моделі: 8–15% (без ML: 3–5%). Ключовий інсайт: оптимальний ціновий крок для upsell — 20–40% вище поточної ціни. Вище 50% — конверсія падає вдвічі.