Фудтех: персонализация рекомендаций блюд

Ситуация: Персонализированные рекомендации блюд: A/B-тест показал +8% AOV, +5% order frequency, но -2% on satisfaction (некоторые находят рекомендации «creepy»).

Сервис доставки еды с 500 000 MAU. Рекомендательная система учитывает: историю заказов, dietary preferences, time of day, weather. 30% пользователей заказывают одно и то же каждый раз.

Доступные данные

• orders: order_id, user_id, restaurant_id, items, total_amount, order_time, delivery_time
• recommendations: user_id, session_id, recommended_items, clicked, ordered, position
• user_preferences: user_id, favorite_cuisines, dietary_restrictions, avg_order_value, order_frequency
• ab_test: user_id, variant, test_start, orders_during_test, aov_during_test, satisfaction_score

Задачи

• Оценить net impact A/B-теста: revenue lift vs. satisfaction loss.
• Определить, какие пользовательские сегменты реагируют позитивно/негативно.
• Предложить «comfortable personalization»: менее агрессивная, но эффективная.
• Рассчитать long-term impact: satisfaction drop → churn → revenue loss.

Все кейсы для подготовки → ← Все кейсы