Jika melihat sebuah produk di Bukalapak, Anda mungkin memperhatikan ada deretan produk di kolom ‘Pembeli yang melihat ini, juga tertarik dengan…”. Produknya mirip, namun bisa beda merek maupun serinya.
Kelihatannya sederhana, namun dari fitur rekomendasi produk ini, Bukalapak mendapat tambahan transaksi sampai Rp.50 milyar per bulannya. Dan hal itu tercapai berkat penggunaan machine learning yang dipelopori oleh sang CTO, Ibrahim Arief.
Fitur rekomendasi produk di Bukalapak sebenarnya sudah ada sejak lama. Namun sebelum menggunakan machine learning, pendekatan Bukalapak terbilang sederhana. “Kita cari ke search engine untuk melihat produk sejenisnya itu apa” cerita pria yang akrab dipanggil Ibam tersebut. Pendekatan ini memiliki keterbatasan karena hanya menampilkan produk yang sama. “Padahal yang ingin dilihat customer adalah inspirasi berupa produk alternatif” tambah Ibam.
Ketika bergabung ke Bukalapak di tahun 2016, Ibam sudah bertekad untuk memanfaatkan machine learning. Melihat keterbatasan di fitur rekomendasi produk ini, Ibam pun melihatnya sebagai peluang. Dibantu dua data scientist dan satu engineer, Ibam mulai membangun algoritma rekomendasi produk berbasis machine learning.
Tim kecil ini hanya memiliki waktu tiga bulan untuk membuktikan keefektifan machine learning. Karena waktu yang terbatas, Ibam tidak menggunakan pendekatan clustering yang pernah dicoba Bukalapak. “Pendekatan clustering memang cocok untuk skala 40 ribu produk, namun tidak untuk 40 juta produk” tambah Ibam.
Gunakan Wisdom of Crowd
Pendekatan yang diambil Ibam lebih pragmatis, yaitu collaborative filtering. Ide dasarnya adalah, pengguna yang memiliki minat yang sama akan membentuk pola perjalanan (journey) yang mirip saat menjelajahi Bukalapak.
Contohnya, jika produk A dan B dilihat oleh 10 ribu orang, sementara yang melihat produk A dan C hanya 100 orang, berarti produk B lebih relevan untuk kelompok pengunjung yang melihat produk A.
Jadi ketika seseorang melihat produk A, ia akan diberikan rekomendasi produk B dan bukan C. “Jadi kita memanfaatkan wisdom of the crowd” tambah Ibam.
Mengikuti kultur Bukalapak, keefektifan fitur baru ini pun diuji melalui A/B Testing. “Kita jalankan fitur rekomendasi produk yang lama dan baru ini berbarengan selama seminggu, lalu kami hitung impact-nya dengan beberapa parameter” cerita Ibam. Ternyata, rekomendasi berbasis machine learning menunjukkan hasil yang positif karena berhasil meningkatkan nilai transaksi.
Strategi Implementasi
Sejak saat itu, rekomendasi produk di Bukalapak pun sepenuhnya berbasis machine learning. Pemanfaatannya pun diperluas. “Saat ini hampir selusin inisiatif terkait machine learning di Bukalapak” tambah Ibam.
Salah satu contohnya adalah halaman depan Bukalapak yang tidak lagi disusun manual oleh tim. “Ketika disusun oleh AI, impact berupa kenaikan sales itu 20X lipat jika dibanding saat disusun oleh manusia” tambah Ibam.
Ibam memiliki strategi khusus untuk mendorong pemanfaatan machine learning di berbagai unit bisnis. “Ada tim khusus AI yang tiap 1-2 bulan keliling ke tim internal Bukalapak untuk mengindetifikasi business process yang bisa diselesaikan dengan AI” ungkap Ibam.
Ada dua rule of thumbs yang biasanya menjadi pegangan Ibam. “Yang pertama, business process yang krusial tapi repetitive dan boring” cerita Ibam. Yang kedua adalah proses bisnis yang secara hipotesis bisa dilakukan jika ada ribuan orang yang mengerjakan.
Salah satu contoh nyata di Bukalapak adalah mendeteksi foto produk dari pelapak yang memiliki watermark logo tertentu. “Kalau ada seribu orang, kita bisa suruh mereka melihat satu-persatu foto tersebut. Nah jenis business process ini bisa digantikan oleh AI” tambah Ibam.
| Penulis | : | Wisnu Nugroho |
| Editor | : | Wisnu Nugroho |
KOMENTAR