W jaki sposób Allegro używa AI do rekomendacji produktów

Allegro to największa platforma e-commerce w Europie Środkowo-Wschodniej. Miesięcznie korzysta ponad 20 milionów aktywnych kupujących i 150 tysięcy sprzedawców. Skala tego rynku powoduje, że efektywne rekomendacje produktów są jednym z najważniejszych elementów zarówno z punktu widzenia doświadczenia użytkownika, jak i wyników biznesowych.

Na jakie rozwiązanie postawiło Allegro?

Utrzymanie spójnej architektury rekomendacji w takim środowisku jest jednak ogromnym wyzwaniem. Allegro musi jednocześnie obsługiwać dziesiątki różnych miejsc w serwisie i aplikacji mobilnej. Są to m.in. strony produktowe, koszyk czy inspiracyjne sekcje zachęcające do dalszych zakupów. Dodatkowym utrudnieniem jest dynamiczny katalog. Produkty są bowiem nieustannie dodawane, zmieniane i wycofywane. Potęguje to problemy: tzw. cold start (brak danych o nowych produktach) oraz długiego ogona (wiele niszowych ofert o małej liczbie interakcji).

Tradycyjne podejścia – takie jak stosowanie wielu wyspecjalizowanych modeli rekomendacyjnych – są kosztowne w utrzymaniu i trudne do skalowania. Z kolei duże modele fundamentowe wymagają skomplikowanej infrastruktury i wysokich nakładów obliczeniowych. Allegro przyjęło inne rozwiązanie: jeden elastyczny system rekomendacyjny oparty na architekturze Two Tower (TT), który może obsługiwać różne typy rekomendacji. To wszystko przy minimalnych zmianach w modelu lub logice serwowania.

Na czym polega Two Tower?

Architektura Two Tower (TT) rozwiązuje ten problem poprzez wspólne „jądro” modelu, które można łatwo dostosować do różnych zadań. W dużym uproszczeniu, system działa w oparciu o dwie wieże:

• wieżę zapytań (query tower) – reprezentującą produkt, który użytkownik aktualnie przegląda lub jego kontekst zakupowy,
• wieżę celów (target tower) – reprezentującą wszystkie produkty w katalogu.

Obie wieże uczą się kodować dane wejściowe (takie jak tytuł, cena, kategoria, sprzedawca) w postaci wektorów w tej samej przestrzeni. Dzięki temu podobne lub powiązane produkty znajdują się blisko siebie. Natomiast trafność rekomendacji można ocenić poprzez prostą operację – iloczyn skalarny dwóch wektorów.

Wyszukiwanie w skali Allegro

Przy setkach milionów produktów niemożliwe jest liczenie dokładnych podobieństw w czasie rzeczywistym. Dlatego Allegro wykorzystuje algorytmy Approximate Nearest Neighbour (ANN), które pozwalają błyskawicznie znaleźć najbardziej pasujące produkty w indeksie. Cały proces – od zapytania użytkownika po wyświetlenie rekomendacji – trwa zaledwie kilkadziesiąt milisekund, co ma krytyczne znaczenie dla płynności zakupów.

Dlaczego to rozwiązanie jest efektywne?

• Skalowalność – jeden model obsługuje różne typy rekomendacji (podobne, komplementarne, inspiracyjne).
• Elastyczność – wystarczy zmodyfikować niewielką część architektury lub logiki serwowania, by dostosować system do nowych potrzeb.
• Odporność na cold start – produkty są reprezentowane przez swoje cechy (np. opis czy kategoria), co pozwala generować sensowne rekomendacje nawet dla nowo dodanych ofert.
• Efektywność obliczeniowa – architektura jest lekka, możliwa do trenowania nawet na pojedynczej karcie GPU, a indeksy aktualizowane są codziennie.

W praktyce oznacza to, że Allegro może utrzymywać spójny system rekomendacyjny przy minimalnym koszcie technologicznym, jednocześnie dostarczając trafne i zróżnicowane podpowiedzi użytkownikom.

Trzy sposoby rekomendacji na Allegro

Uniwersalna architektura Two Tower pozwala Allegro obsługiwać różne potrzeby zakupowe użytkowników w ramach jednego systemu. W praktyce przekłada się to na trzy typy rekomendacji: podobne, komplementarne i inspiracyjne.

Rekomendacje podobnych produktów (Similarity-TT)

Pierwszym i najbardziej klasycznym zastosowaniem Two Tower jest wyszukiwanie produktów o dużym podobieństwie do aktualnie oglądanego.

• Cel biznesowy: pomóc użytkownikowi w wyborze alternatywy – np. tańszego modelu, innego koloru lub zamiennika.
• Przykład: klient przegląda różowy rowerek dziecięcy, a system podpowiada inne modele o zbliżonych parametrach, ale w różnych wariantach kolorystycznych.
• Efekt: zwiększenie szansy na finalizację zakupu, nawet jeśli pierwotny produkt nie był idealnie dopasowany.

Rekomendacje komplementarne (Complementary-TT)

Drugim zastosowaniem architektury TT są rekomendacje uzupełniające zestaw zakupowy.

• Cel biznesowy: zachęcić do większego koszyka zakupowego i osiągnięcia progów darmowej dostawy.
• Przykład: ktoś dodaje do koszyka rakietę tenisową, a system proponuje piłki, torbę sportową lub buty do gry.
• Mechanizm: w wieży zapytań dodawane są informacje o powiązanych kategoriach produktów, bazujące na danych z realnych współzakupów i wiedzy eksperckiej.
• Efekt: wzrost średniej wartości transakcji (GMV) i większe zadowolenie klientów, którzy szybciej kompletują potrzebne akcesoria.

Rekomendacje inspiracyjne (Inspirational-TT)

Trzecie zastosowanie TT skupia się na angażowaniu użytkowników poprzez proponowanie treści mniej oczywistych, ale atrakcyjnych i różnorodnych.

• Cel biznesowy: zatrzymać klienta na platformie i zachęcić do dalszego przeglądania oferty, nawet jeśli nie ma jeszcze jasno sprecyzowanej potrzeby zakupowej.
• Przykład: użytkownik ogląda rower dziecięcy, a system podpowiada kolorowe dzwonki, koszyki, bidony czy dekoracyjne wiatraczki na kierownicę.
• Mechanizm: produkty są grupowane w klastry (np. za pomocą k-means), a następnie system wybiera różnorodne propozycje z różnych grup, aby uniknąć monotonii.
• Efekt: zwiększenie zaangażowania (CTR, CVR), niższy wskaźnik porzuceń strony i większa lojalność wobec platformy.

Perspektywy rozwoju

Choć obecne wyniki wdrożenia architektury Two Tower na Allegro są bardzo obiecujące, kierunki dalszego rozwoju technologii rekomendacyjnych wskazują na kolejne możliwości poprawy doświadczenia klienta i efektywności biznesowej.

Integracja kontekstu użytkownika

Obecne modele w dużej mierze opierają się na danych produktowych i prostym kontekście przeglądania. Kolejnym krokiem będzie pełniejsza personalizacja w czasie rzeczywistym. Mowa tu o systemach, które biorą pod uwagę historię zakupową, sezonowość, a nawet zachowania w obrębie jednej wizyty. To pozwoli na jeszcze trafniejsze dopasowanie rekomendacji do aktualnych intencji użytkownika.

Rozszerzenie na treści sponsorowane i reklamę

Rekomendacje oparte na AI mogą stać się fundamentem nowych formatów reklamowych, które będą lepiej dopasowane do kontekstu i bardziej efektywne niż tradycyjne banery. Dzięki temu Allegro może równolegle zwiększać przychody z reklam i poprawiać doświadczenia klientów, którzy otrzymują wartościowe podpowiedzi zamiast przypadkowych ofert.

Wykorzystanie modeli wielkoskalowych

W przyszłości architektura Two Tower może zostać wzbogacona o elementy dużych modeli fundamentowych (foundation models), np. do rozumienia języka naturalnego w opisach produktów czy do bardziej zaawansowanej klasyfikacji obrazów. Dzięki temu system będzie mógł precyzyjniej rozpoznawać niuanse oferty i jeszcze lepiej dopasowywać rekomendacje.

Wyzwania i ograniczenia

Nadal istnieją obszary wymagające dalszej pracy – np. jakość danych produktowych (niewystarczające opisy, błędne kategorie) czy balans między trafnością a różnorodnością podpowiedzi. Sukces w dużej mierze zależy od tego, jak dobrze uda się łączyć algorytmy z danymi wejściowymi.

Jaką rolę odegra AI w strategii rozwoju Allegro

Niedawne objęcie stanowiska CEO przez Marcina Kuśmierza wyznacza zapewne nowy kierunek strategiczny dla Allegro. Marcin Kuśmierz od lat związany jest z branżą technologiczną i e-commerce. W swoich pierwszych wypowiedziach podkreślił, że jednym z kluczowych filarów rozwoju Allegro będzie systematyczne inwestowanie w sztuczną inteligencję, rozumianą nie tylko jako narzędzie automatyzacji procesów, lecz przede wszystkim jako fundament personalizacji i budowania lojalności użytkowników. Rozwój systemów rekomendacyjnych wpisuje się w tę wizję w sposób szczególny. Łączy bowiem cele technologiczne (skalowalność, elastyczność, niskie koszty utrzymania modeli) z wymiernymi efektami biznesowymi (wyższe przychody, większe zaangażowanie klientów).