Hvad køber de ellers?

Indlæs en ægte ordre og se, hvad butikken foreslår bagefter, eller åbn et af 3 500 produkter fra en ægte grossists katalog og fyld selv en kurv. Det hele kører i din browser.

Demoen kræver JavaScript. Kataloget og modellen fylder omkring 2,2 MB og hentes én gang.

Selve demoen er på engelsk, ligesom dens data.

Ægte ordrer og priser fra en britisk online-grossist i gaveartikler, december 2009 til december 2011 (UCI Online Retail II, CC BY 4.0). Hvert forslag kommer fra ordrer afgivet før oktober 2011; andelene nedenfor er målt på de ti uger efter. Grossistkunder tager ét design i flere farver, så farvevarianter dukker op sammen.

33%Andelen af 4 865 senere ægte ordrer med én vare udeladt, hvor den vare er blandt butikkens ti første forslag, ud af 3 529 produkter. Tilfældigt gæt: 0,3 %.

3%Samme test for en bestsellerliste, det de fleste butikker viser.

0,3%Det samme spørgsmål stillet til en generel AI-model af den slags, der står bag chatbots. Den ved, hvad en gavebutik sælger, men ikke hvad disse kunder køber sammen.

Sådan virker det

DataTo års ordrer, 3 500 produkter, intet om kunden ud over indholdet af kurven. Metoderne tilpasses på ordrer før oktober 2011 og testes på de ti uger efter.

MetoderBestsellere, »købt sammen« fra en lineær vare-til-vare-model (EASE) tilpasset på alle ordrer, og en embeddingmodel, der har lært, hvilke produkter der hører sammen. Alle tre kører på din enhed fra en JSON-fil på 2 MB. Embeddingmodellen scorer 16 % i samme test. Den generelle model er Qwen 2.5 7B, en åben sprogmodel; med 100 produkter at vælge imellem når den 2,7 %.

Hvad du får»Købes ofte sammen« på hver produktside, »Gør din ordre komplet« i kurven, de samme lister i e-mails — fra dine egne ordrer og opdateret hver nat på en hvilken som helst server. Ingen GPU, ingen API-regning, ingen kundedata, der forlader dine systemer.

Kode, datapipeline og hele sammenligningen: github.com/balticml/recommendation-engine. Vil du have det i din butik? Tag kontakt