Использование такой технологии для цифровой трансформации может повысить удовлетворённость клиентов в цифровом ландшафте, что особенно актуально сейчас, когда всё больше потребителей переходят в онлайн-среду для покупок продуктов питания. В настоящее время розничные торговцы пытаются оптимизировать процесс покупок для потребителей, предлагая персонализированные услуги. Рекомендация вариантов еды, т. е. предоставление потребителям рекомендаций о том, какие продукты покупать, является одной из таких услуг. Но сейчас люди обычно получают рекомендации на основе своих предпочтений, которые отражают то, что им нравилось в прошлом, вместо того, что полезно для здоровья, способствует похудению или просто экологически чисто.
Необходимость разработки рекомендательных систем, выходящих за рамки предпочтений потребителей на основе анализа более ранних покупок, важна в контексте здорового и устойчивого пищевого поведения, учитывая рост уровня ожирения. Вся проблема в том, что эти системы, как правило, разрабатываются с точки зрения розничного продавца для стимулирования потребления продаж. Хотя в настоящее время доступна информация о характеристиках, которые определяют, является ли продукт более полезным, например, с низким уровнем сахара или выращен в условиях органического земледелия. Различные факторы способствуют возникновению узких мест в данном аспекте, таких как культурный и социальный контекст, удобство, затраты и сама пищевая среда (точнее набор продукции, предлагаемой онлайн ритейлерами). Следовательно, у потребителей часто отсутствуют знания и мотивация для выбора здоровой, диетической или экологической пищи.
Тем не менее, рекомендательные системы «от продавца», в первую очередь фокусируются на вкусе и личных предпочтениях клиента, не обязательно принимая во внимание пищевую ценность и пользу для конкретного человека. Им это порой совсем невыгодно. Это часто усиливает нездоровые привычки в еде, поскольку системы в первую очередь усиливают существующие предпочтения, не поощряя более сбалансированный выбор. Сосредоточившись на прошлом поведении, эти системы, как правило, предлагают ограниченный набор рекомендаций, ограничивая потребителей узким выбором знакомых продуктов и упуская возможности для просвещения людей о важности сбалансированного питания. Образование и разнообразие предложений могут со временем повысить приверженность потребителей к изменениям в рационе.
Во многих случаях, интеллектуальные приложения влияют на то, какую информацию потребители видят в торговой среде, и, следовательно, на принятие решений путём выбора и ранжирования вариантов. Преимущества в независимых предложениях (не от одного какого-либо продавца) для потребителей многочисленны, например, получение узкого набора соображений, специально разработанного для конкретного человека, с различными вариантами альтернативного выбора, или изучение новых / дополнительных продуктов. Три наиболее распространённых типа методов фильтрации — это фильтрация на основе контента, совместная и гибридная. В отличие от рекомендаций на основе контента, подходы совместной фильтрации не зависят от данных об элементах, но собирают огромное количество пользовательских данных для поиска альтернатив. Совместная фильтрация — это подход, который опирается на взаимодействие пользователя с элементами для выявления закономерностей в поведении, таких как история покупок, и, следовательно, рекомендует продукты, которые популярны среди похожих пользователей. Методы гибридной фильтрации объединяют преимущества методов контентной и совместной, посредством обработки различных источников данных. Другими словами, гибридная система «пытается использовать преимущества первой, чтобы исправить недостатки второй.
Традиционные рекомендательные системы фиксируют статические предпочтения (изолированные), тогда как предоставление советов по еде в контексте покупок продуктов питания требует фиксации предпочтений и последовательности в динамике. Согласитесь, не вполне разумно предлагать человеку, который начал соблюдать диету, ту же жирную нездоровую пищу, которую он потреблял два месяца назад, до того, как принял решение похудеть. Например, приложение может предлагать варианты, которые, вероятно, понравятся пользователю, и в то же время выделять более здоровые варианты. Хорошим решением бы было разработать системы с возможностью для достижения определённых целей – пусть даже пользователю понадобятся некоторые дополнительные действия – например, ежедневно вводить свой вес в определённые поля формы, либо подсчитывать количество калорий. При этом, фактор независимости приложения станет не просто инструментом для сопоставления предпочтений, но и может служить убедительными технологиями, которые влияют на выбор продуктов питания и поведение, предоставляя при этом свободу выбора.
Благодаря интеграции машинного обучения в совокупности с установкой дополнительных серверов в современных центрах обработки данных, умное программное обеспечение не только персонализирует вмешательства для лучшего соответствия индивидуальным предпочтениям, но и сможет предложить мощный инструмент для поддержки потребителей в принятии выбора более здорового образа жизни. Если ещё добавлять сразу к «набору в корзине» несколько рецептов приготовления блюд именно из этого набора, то это может стать полезным функционалом с эффективными маркетинговыми функциями. Искусственный интеллект позволяет системам определять поведенческие модели, важные для точных прогнозов относительно того, какие продукты потребители хотели бы купить. В этом отношении машинное обучение может пролить свет на особенности рекомендаций, которые наиболее эффективны для стимулирования поведенческих изменений.
При разработке подобных систем следует также учитывать различные другие, более общие проблемы. Наиболее важными являются объем и разреженность данных. Супермаркеты часто имеют огромную базу данных продуктов, из которых некоторые продукты никогда или почти не покупаются потребителями, что затрудняет поиск пользователей, которые купили те же товары и уже находятся на пути к сбалансированному здоровому питанию. Многие подходы не могут справиться с такими большими и разреженными наборами данных. К тому же, надо принимать во внимание, что разные продавцы по-разному заполняют карточки товаров, и не во всех присутствует представления признаков, точного состава ингредиентов, окончание срока хранения и т.п. Тем не менее, некоторые методы глубокого обучения могут хорошо учитывать семантическую информацию, которая приводит к улучшению модели с большим количеством входных данных, интерпретируя потом этот общий поток в одну последовательную модель здорового (полезного именно для этого человека) питания.
Со временем различные модели машинного обучения смогут предлагать ещё более сложные подходы для захвата многогранной природы принятия решений по покупкам продуктов питания, а также создания персонализированных рекомендаций, которые способствуют здоровью и устойчивости в дополнение к предпочтениям.
Существуют ещё ограничительные факторы покупки (например, аллергия или временные ограничения и запреты от докторов), которые необходимо строго учитывать системе. Есть ещё спектр продуктов, которые имеют различные сезонные характеристики (то есть, они вроде предлагаются к продаже, но их полезность в данное время года весьма сомнительна). Эти факторы можно лучше охватить с помощью нейросетей, которые учитывают контекст и способны изучать сложные закономерности, моделировать неопределённости, оценивая вероятности, а не делая прогнозы. Поэтому, хотя современные рекомендательные системы имеют общие принципы, многогранная природа и специфические характеристики области покупок продуктов питания могут потребовать для независимого приложения более зависимого от контекста алгоритма для предоставления релевантных рекомендаций.
Соответствие между предпочтениями потребителей и соображениями здорового образа жизни является выгодным, поскольку оно показывает, что информацию о здоровом выборе можно продвигать без значительного снижения прибыльности. Потенциально выделение этой информации не отпугнёт потребителей от совершения этих покупок, тем более, что задаваемый тренд на здоровую (экологичную) пищу всегда делает такую продукцию гораздо дороже в продаже. Это понимание ценно для розничных торговцев и менеджеров магазинов, которые часто ощущают несоответствие между решениями, которые стимулируют продажи, и теми, которые улучшают здоровье. Наоборот, дополнительная маркировка может повысить осведомлённость потребителей об аспектах здоровья и устойчивого развития пищевых продуктов, потенциально влияя на выбор.
