Price: 100000
Number of applications: 0
27.10.26 (inclusive)
По договорённости
Finished product
ICT tasks
Media sphere
Neurotechnology and artificial Intelligence
Purpose and description of task (project)
Zapis.kz — онлайн-сервис записи в салоны красоты, барбершопы, СПА, клиники и другие сервисные заведения Казахстана. Через мобильное приложение пользователи ищут заведения и записываются к ним. Список «Рекомендуемые» — основной способ выдачи, он показывается по умолчанию. Мы ищем команду или специалиста, которые спроектируют и внедрят персонализированное ранжирование. Порядок заведений должен зависеть от конкретного пользователя: его истории записей и просмотров, местоположения, пола, возраста, предпочтительных категорий услуг и ценового сегмента. Решение должно встроиться в существующий backend (Java) через API и не замедлять выдачу.
Software/ IS
Сейчас рекомендуемая выдача одинакова для всех пользователей. Она строится по простому правилу: расстояние до заведения делится на три корзины (до 5 км, до 10 км, дальше), к нему добавляются «гендерный вес» заведения, который выставляется вручную, и рейтинг в категории. Продвигаемые заведения поднимаются наверх. Из-за этого: - пользователи видят нерелевантные заведения (например, женщинам показываются барбершопы, а мужчинам — студии маникюра и наращивания ресниц); - не учитывается, куда пользователь уже записывался, какие услуги и в каком ценовом диапазоне он выбирает; - не учитываются возраст, частота посещений и сезонность; - ранжирование по расстоянию слишком грубое, а маршруты пользователя (дом/работа) не учитываются; - новые и небольшие заведения почти не попадают в выдачу, так как популярные занимают верх списка; - нет инструментов для A/B-тестирования и оценки качества выдачи, и улучшения невозможно измерить.
- рост конверсии «просмотр выдачи → запись» на 15–25%; - рост доли записей из первых 10 позиций выдачи; - рост повторных записей и удержания (retention) пользователей; - меньше нерелевантных показов (заведений, не подходящих по полу или категории); - более равномерное распределение трафика между заведениями; - время ответа ранжирования p95 ≤ 100 мс на список до 1 000 заведений.
Сәдіров Бексұлтан Оразбекұлы
Note
- Анализ данных: обезличенная история записей, просмотров карточек и поисковых запросов; профиль пользователя (пол, дата рождения, город); атрибуты заведений (тип, категории и услуги, средний чек, рейтинг и отзывы, геолокация, доля клиентов по полу). - Модель ранжирования (learning-to-rank, коллаборативная фильтрация, гибридный подход — на выбор исполнителя). Признаки: история записей пользователя и похожих пользователей, расстояние и типичные зоны активности, пол, - Холодный старт: правила для новых пользователей (без истории или без пола/возраста) и для новых заведений. - Сохранение бизнес-правил поверх модели: продвигаемые (платные) размещения, исключение неактивных заведений, ограничение доли одной сети в топе выдачи. - Сервис ранжирования с REST API, который интегрируется в существующий Java-backend, с fallback на текущую сортировку при недоступности. - Пайплайн регулярного переобучения модели и пересчёта признаков. - Офлайн-метрики (NDCG@10, MAP, Recall@k) и проведение A/B-теста на части пользователей на нашей платформе экспериментов. - Дашборд с метриками качества выдачи. - Соблюдение требований Закона РК «О персональных данных и их защите»: работа только с обезличенными данными, NDA. - Результат: исходный код, обученная модель, документация, инструкция по развёртыванию и сопровождению. - Формат: удалённо, итерации по 2 недели, доступ к staging-среде и обезличенной выгрузке данных.
Whatsapp
