Podwójna natura systemów rekomendacyjnych w ścieżce zakupowej
Personalizowana rekomendacja i aktywne wyszukiwanie produktowe są traktowane przez projektantów platform e-commerce jako dwa niezależne kanały odkrywania produktów, każdy z własnym algorytmem, oddzielnym zespołem optymalizującym i osobnymi wskaźnikami efektywności. Takie podejście ignoruje fundamentalne pytanie o wzajemną zależność tych kanałów. Badanie Yuan i współpracowników¹ jest pierwszym, które ustala przyczynową, a nie tylko korelacyjną odpowiedź na to pytanie. Autorzy przeprowadzili randomizowany eksperyment polowy na 555 800 klientach dużej platformy handlowej, wyłączając dla grupy eksperymentalnej personalizację algorytmu rekomendacji poprzez zakaz użycia danych osobowych. Wyniki pokazują, że degradacja jakości rekomendacji podnosi aktywność wyszukiwania o 7,1% w zakresie przeglądanych produktów i o 6,4% w zakresie transakcji z wyszukiwarki. Granularny obraz jest jednak znacznie bardziej złożony: te same rekomendacje mogą jednocześnie wzmacniać wyszukiwanie w jednych kategoriach i hamować je w innych, a decyduje o tym stan gotowości zakupowej klienta, który badanie określa jako formowanie popytu lub jego realizację.
Siłą dowodową badania¹ jest jego identyfikacja kauzalna, która eliminuje endogeniczność typową dla obserwacyjnych analiz zachowań klientów na platformach. W standardowych danych archiwalnych korelacja między aktywnością rekomendacyjną a aktywnością wyszukiwania jest zniekształcona przez ukryte preferencje klientów: ten sam klient, który intensywnie przegląda rekomendacje, może równie intensywnie wyszukiwać produkty nie dlatego, że jedno powoduje drugie, lecz dlatego, że obydwa zachowania wynikają z jego ogólnej aktywności zakupowej. Autorzy rozwiązali ten problem przez wyłączenie danych osobowych w algorytmie rekomendacji dla połowy uczestników eksperymentu. Bez danych o demografii i historii zakupów algorytm nie może personalizować rekomendacji i promuje wyłącznie popularne produkty odpowiadające preferencjom przeciętnego klienta. Zmiana ta jest egzogeniczna względem zachowań klienta, co pozwala interpretować różnice między grupą kontrolną i eksperymentalną jako efekt kauzalny. Skala eksperymentu, 555 800 klientów z danymi na poziomie użytkownik-kategoria-zapytanie, dostarcza precyzji statystycznej i umożliwia szczegółową analizę heterogeniczności efektów.
