Нейросеть посмотрела на 4000 товаров конкурентов и сказала, где мы проигрываем

Кейс Take&Make: визуальный конкурентный анализ нейросетью для бренда сантехники IDDIS

Ценовой анализ — тема, в которой, казалось бы, давно автоматизировано всё до последней запятой. Сравнить цены, свести таблицы, подсветить отклонения — для этого написаны десятки сервисов, и человек там, в общем-то, лишний.

Оказалось, не всё. Есть участки, на которых без человека было не обойтись. Подчеркнём: было — до недавнего времени.

Задача, которую делали только руками

Возьмём сантехнику. Задача: найти у конкурента аналог золотого смесителя с круглым сечением излива. Для человека — дело пары секунд: посмотрел, узнал, отметил. Для машины такое долго оставалось задачей нетривиальной.

Именно этим занимались продакт-менеджеры маркетинговой команды нашего клиента — бренда сантехники IDDIS. Несколько сотрудников, каждый по своим категориям, регулярно и вручную сличали ассортимент с конкурентами, чтобы корректно выстраивать цены. Работа важная, спору нет.

Мы взялись это автоматизировать. Прежде посчитали экономический эффект — оказалось, что регулярный визуальный анализ нескольких специалистов складывается в ощутимый объём человеко-часов. Цифра убедила всех.

Очевидное решение, которое не сработало

Первым делом подход напрашивался сам собой — взять VLM (модель, которая «видит» изображение) и действовать в лоб.

Подход первый. Векторизуем картинки товаров и смотрим, насколько сходятся получившиеся векторы. Логика простая: похожие изделия — близкие векторы. Быстрый подход обернулся быстрым провалом: модель прекрасно сближала товары по фону, ракурсу и освещению, а до самих смесителей ей дела не было.

Подход второй. Усложнили. Пусть модель сперва опишет каждый смеситель словами, затем векторизуем уже описания и по ним ищем аналоги. Звучало разумно. На выходе видим полную дичь: в «похожие» попадали изделия, которые роднило разве что наличие воды поблизости.

Подход третий и далее. Перебирали модели, способы векторизации, форматы описаний. Эффект, надо отдать должное, был — результаты медленно ползли в нужную сторону. Но от системного, на который можно положиться в боевом ценообразовании, нас по-прежнему отделяла пропасть.

Векторы сходились прекрасно. Смесители — нет.

Перелом: мы перестали сравнивать векторы

Спустя три месяца экспериментов мы приняли решение, к которому стоило, возможно, прийти раньше, — сменить подход целиком. Отказались от сравнения векторов в пользу сравнения детерминированных свойств, которые определяли с помощью той же VLM.

Идея простая до неприличия, но именно она всё и сдвинула. Вместо того чтобы заставлять модель угадывать сходство «в целом», мы стали спрашивать её о конкретном и проверяемом:

• Определили категории продукции — смесители для ванны, для умывальника, для душа и так далее. Каждое изделие сначала уверенно попадает в свою категорию.

• Для каждой категории задали набор свойств, которые и формируют визуальный облик изделия: цвет, сечение излива, форма блока управления и прочие осязаемые признаки.

• Собрали админ-панель, через которую можно было на лету менять промпты распознавания категорий и свойств и тут же видеть результат. Эксперимент перестал быть лотереей и стал управляемым процессом.

И вот тут произошло то, ради чего всё затевалось: изделия конкурентов, прежде сваленные в одну неразличимую кучу, выстроились в стройные линейки. Золотое — к золотому, круглое — к круглому, душевое — к душевому.

Детали, которые всё решают

Одних свойств, впрочем, оказалось мало. Чтобы сравнение работало как у человека, а не формально, понадобились две вещи.

Веса. Не все свойства равны. Цвет для покупателя важнее, чем тонкости сечения излива, — значит, и в сравнении он должен влиять сильнее. Мы дали каждому свойству свой вес, и система начала расставлять приоритеты так, как это сделал бы опытный продакт.

Ультимативные свойства. Некоторые признаки работают как фильтр без права на компромисс. Скажем, декоративные вставки: если они есть, то все изделия без них исключаются из сравнения в принципе, как бы похожи они ни были по остальным параметрам.

Это, конечно, уже внутренняя кухня. Но без неё вся конструкция рассыпается обратно в кучу.

Что в итоге

Так мы научили нейросеть конкурентному анализу — той самой задаче, которая для человека тривиальна, а для машины долго оставалась неприступной.

Продакт-менеджеры клиента вернули себе интеллектуальный ресурс и направили его на задачи посложнее и поинтереснее — те, для которых машину пока не научили. А машина занялась смесителями.

Каждому, как говорится, своё.