Propensity One audience
прогноз демографии покупателей по описанию товара
2 min readupdated
Компактная исследовательская модель от автора areai51, которая по названию или описанию товара оценивает, какие демографические группы склонны покупать его чаще среднего. В основе лежит энкодер BAAI/bge-small-en-v1.5 на 33M параметров, дообученный на 1,85 млн реальных покупок на Amazon.com за 2018–2022 годы из открытого датасета Open e-commerce 1.0. На выходе модель выдаёт не вероятность покупки, а коэффициент lift (во сколько раз чаще среднего покупателя товар берёт конкретный сегмент). Пригодится маркетологам, продуктовым аналитикам и e-commerce-командам для первичной сегментации англоязычных каталогов без запуска дорогих опросов.
Ключевые особенности
- Считает lift по шести демографическим признакам: возраст, пол, доход домохозяйства, образование, размер семьи и регион США.
- Очень лёгкая: всего 33M параметров на базе
bge-small-en-v1.5, быстро работает даже на CPU и распространяется под лицензией MIT. - В отличие от простых таблиц по категориям Amazon, различает аудиторию даже внутри одной товарной категории (точность парного выбора 0.555 против 0.500 у случайного угадывания).
- При обучении намеренно исключены чувствительные персональные поля из исходного опроса (раса, здоровье, ориентация и др.), оставлены только базовые соцдем-атрибуты.
Что можно сделать
- Автоматически тегировать карточки товаров в интернет-магазине или маркетплейсе, выделяя наиболее заинтересованные сегменты по полу и возрасту через метод
top_segments(). - Сравнивать, как разные формулировки названия одного и того же товара смещают целевой профиль аудитории с помощью
profile_lift(). - Встроить модель как быстрый скоринг-фильтр в аналитические пайплайны для оценки больших витрин без использования тяжелых LLM.
Пример
from huggingface_hub import snapshot_download
import sys
path = snapshot_download("areai51/propensity-one-audience")
sys.path.insert(0, path)
from propensity_one_audience import PropensityOneAudience
model = PropensityOneAudience(path)
print(model.lift("RGB mechanical gaming keyboard")["age"])
print(model.top_segments("Anti-aging retinol night cream for mature skin"))Подробнее
Тест на 510 покупателях и 15 552 новых товарных семействах: точность выбора купленного товара из пары — 0.616 (на одиночных аккаунтах — 0.638, случайный уровень — 0.500).Сильнее всего модель предсказывает пол (AUC 0.641) и возраст (AUC 0.577); признак региона сигнала практически не несёт (AUC 0.515).
Ограничения: обучена только на данных панели покупателей Amazon в США (2018–2022) и требует предметного названия товара — абстрактные рекламные слоганы без сути продукта дают lift около 1.










Comments