Разработка AI-системы рекомендации Upsell для менеджера по продажам

Реализация AI-системы рекомендаций Upsell для продаж

AI-upsell рекомендует покупателю более дорогую или расширенную версию того, что он уже смотрит. Отличие от cross-sell: предлагаем тот же товар класса выше, а не дополнение. ML-модель определяет момент предложения, персонализирует аргументацию и выбирает правильный ценовой шаг.

Upsell-модель с контекстуальным 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
        )
        # Калибруем вероятности 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 модели"""
        features = pd.DataFrame()

        # Ценовой разрыв между текущим и upsell товаром
        features['price_delta'] = df['upsell_price'] - df['current_price']
        features['price_ratio'] = df['upsell_price'] / df['current_price'].clip(0.01)

        # Пользовательские признаки
        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']

        # Товарные признаки
        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:
        """Рекомендация upsell с пояснением"""
        candidates = self._get_upsell_candidates(current_item)
        if not candidates:
            return None

        # Скоринг кандидатов
        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:  # Показываем только с достаточной вероятностью
                best_prob = prob
                best_candidate = (candidate, prob)

        if not best_candidate:
            return None

        candidate, prob = best_candidate

        # AI генерирует персонализированное предложение
        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]:
        """Товары той же категории но более дорогие"""
        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"""Write a short, compelling upsell message (1-2 sentences, conversational tone).

Customer is viewing: {current.get('name', current_item)} (${current.get('price', 0)})
Upsell option: {upsell_item.get('name', '')} (${upsell_item.get('price', 0)})
Key difference: {upsell_item.get('upgrade_feature', 'better quality')}
Customer history: avg order ${user.get('avg_order', 0):.0f}

Be direct, mention the specific benefit, not generic praise."""
            }]
        )
        return response.content[0].text

Типичный upsell acceptance rate при правильно настроенной модели: 8-15% (без ML: 3-5%). Ключевой инсайт: оптимальный ценовой шаг для upsell — 20-40% выше текущей цены. Выше 50% — конверсия падает вдвое.