DA
Forbind din AI-agent

Føj Hello Retail til din AI-assistent

For Hello Retail-kunder: Kopiér adressen, og tilføj den som connector i Claude, ChatGPT eller Codex.

MCP-adresse

https://core.helloretail.com/mcp

Endnu ikke kunde?MCP kræver et Hello Retail-login. Fortæl os, hvad du vil bygge.

Lad os snakke
Lad os snakke

Chapter: Modellering af vektorrum og cold-start-problemet · 13:34

Problemer med koldstart i anbefalinger: Sådan løser vektorrumsmodellering problemet

Sarah Miguel Cournane·June 1, 2026·5 min read

Sarah Miguel Cournane, dataforsker i Hello Retails forsknings- og udviklingsafdeling, beskriver, hvordan platformen kortlægger hvert produkt som et koordinat i et vektorrum med mere end 700 dimensioner. Denne tilgang omdefinerer cold-start-problemet: I stedet for at skulle vide, hvem en ny besøgende er, identificerer systemet, hvilke produkter vedkommende interagerer med, og udnytter disse produkters eksisterende adfærdsmæssige sammenhænge til at personalisere oplevelsen helt fra det første klik.

Problemet med koldstart, forklaret på en enkel måde

Enhver anbefalingsmotor støder før eller senere på den samme udfordring: En ny kunde dukker op, og der er intet at gå ud fra. Ingen købshistorik. Ingen browsingmønstre. Ingen profildata. Systemet er nødt til at gætte, og gætterier fører til støj snarere end relevans.

Sarah sammenligner det med at begynde at date nogen. Man ved intet om den anden person – om vedkommende er sportslig, om vedkommende har søskende. Man er nødt til at finde ud af det undervejs, med begrænsede signaler, og hver eneste uoverensstemmelse koster noget. I e-handel udmønter den omkostning sig som regel i en mistet konvertering.

Problemet med koldstart er en af de mest undersøgte udfordringer inden for udformningen af anbefalingssystemer. Traditionelle metoder baseret på kollaborativ filtrering bygger på akkumuleret brugeradfærd – jo flere interaktioner en platform registrerer, desto bedre bliver dens anbefalinger. Det fungerer godt efter seks måneder. Men det hjælper næsten slet ikke en besøgende ved dennes første besøg.

En undersøgelse fra McKinsey (2021) viste, at 71 % af forbrugerne forventer personlige interaktioner, og 76 % siger, at de bliver frustrerede, når disse forventninger ikke indfries. For nye besøgende – netop den gruppe, som »cold-start«-problemet rammer hårdest – betyder denne frustration ofte, at de hurtigt forlader siden.

Produkter som koordinater: Sådan fungerer vektorrummet

Sarahs forklaring af mekanismerne bag anbefalingerne tager udgangspunkt i en grundlæggende ny vinkel: Det er produkterne, ikke kunderne, der udgør den primære analyseenhed.

I et traditionelt produktkatalog kan en sort løbetrøje til mænd f.eks. have produkt-ID 10. Dette tal fortæller systemet intet om, hvad produktet rent faktisk er. I det vektorrum, som Sarah beskriver, repræsenteres det samme produkt som et punkt i mere end 700 dimensioner. Dets position indeholder alle de oplysninger, som adfærdsdata afslører om det: Hvilke andre produkter kunderne ser på sammen med det, hvad de køber efter at have kigget på det, hvilke kategorier der grupperer sig omkring det, og hvordan købsmønstrene adskiller sig fra visuelt lignende varer.

To produkter med overlappende egenskaber – for eksempel produkt-ID 10 og et nyoprettet produkt med ID 20, som begge er sorte løbetrøjer til mænd – ender med at indtage næsten samme placering i det pågældende rum. De befinder sig i samme klynge. Da de deler en placering, kan de dele data.

Dette er den strukturelle løsning på problemet med »koldstart« for produkter. Når en ny vare kommer ind i kataloget, starter den ikke fra bunden. Den kommer sammen med »naboer« – etablerede produkter i samme klynge – og arver straks deres adfærdsmæssige kontekst. Sarah påpeger, at systemet ikke behøver at vente på, at det nye produkt opbygger sin egen interaktionshistorik; klyngen klarer det arbejde på dets vegne.

Hvordan man får indsigt i nye kunder

Den samme logik gælder også for nye kunder, og det er her, Sarahs tankegang knytter modellering på produktniveau sammen med den bredere udfordring inden for personalisering.

Når en førstegangsbesøgende kommer ind på en butik og klikker på tre produkter, findes disse tre produkter allerede et eller andet sted i vektorrummet. De har relationer – til hinanden, til tilstødende klynger og til købssekvenser, der er opbygget på tværs af tusindvis af butikker. Systemet behøver ikke at vide, hvem den besøgende er. Det skal vide, hvad disse produkter ved, og disse produkter ved faktisk en hel del.

Sarah påpeger, at blot nogle få interaktioner er nok til at fastlægge en position i præferencelandskabet og frembringe relevante anbefalinger, fordi produkterne indeholder den adfærdsmæssige kontekst, som systemet har brug for. Kunden behøver ikke at identificere sig; vedkommende skal blot handle.

En undersøgelse fra Epsilon (2017) sætter den kommercielle værdi af denne funktion i skarpt relief: 80 % af forbrugerne er mere tilbøjelige til at foretage et køb, når mærker tilbyder personaliserede oplevelser. At få personaliseringen til at fungere for nye besøgende – den gruppe, der er sværest at betjene godt – er netop der, hvor forskellen mellem generiske og relevante tilbud kommer tydeligst til udtryk i konverteringsdataene.

De økonomiske aspekter bag katalogproblemet

Sarah fremhæver desuden to data fra Hello Retails forhandlernetværk, der sætter et nyt perspektiv på, hvor presserende dette er for den daglige drift.

På tværs af de butikker, som Hello Retail samarbejder med, tegner ca. 30 % af produkterne sig for 70 % af omsætningen. Denne koncentration gør sig gældende på tværs af meget forskellige brancher – Sarah påpeger, at kundekredsen spænder over alt fra butikker, der sælger både, til butikker, der sælger tøj – hvilket tyder på, at det afspejler noget strukturelt i samspillet mellem sortimenter og købsadfærd snarere end noget kategorispecifikt.

Det andet tal er endnu mere foruroligende: Omkring 50 % af de produkter, der i dag er aktive i en butiks sortiment, vil ikke længere være aktive om seks måneder. Lagerbeholdningen udskiftes. Sæsonvarer forsvinder. Nye varenumre erstatter udgåede varer. De adfærdsdata, der er indsamlet om et udgående produkt, risikerer at ligge ubenyttet hen, medmindre systemet kan identificere dets efterfølger og overføre den viden, det har indsamlet.

Klyngedannelse i vektorrummet gør denne overførsel mulig. Når et nyt produkt tilføjes til kataloget tæt på et produkt, der fjernes, er klyngerelationen tydelig, og viden overføres automatisk. Sarahs pointe er, at produktudskiftning i denne skala gør vektorrumsmetoden til en praktisk nødvendighed, ikke en teknisk luksus.

BCG’s undersøgelse af personalisering i detailhandlen fremhæver, at de butikker, der udnytter adfærdsdata bedst, er dem, der betragter dataene som et varigt aktiv frem for et signal på sessionsniveau. Det er vektorrummet, der muliggør denne varighed: Produktrelationerne består, selvom enkelte SKU’er kommer ind og ud af sortimentet.

Mere end blot databeskyttelse: Hvorfor produktfokus er et designvalg

Sarah afslutter med et argument, der måske umiddelbart virker modstridende. Årsagen til, at anbefalingslogikken ikke kræver, at man ved, hvem en kunde er, har kun lidt at gøre med databeskyttelse, selvom fordelen i forhold til privatlivets fred er reel.

Det er et arkitektonisk valg. Produkter er mere stabile end brugere. Et produkts vektorposition, der er opbygget på baggrund af tusindvis af interaktioner på tværs af en mangfoldig forhandlerbase, er et mere nuanceret og holdbart signal end en brugerprofil, der nulstilles hver gang en helt ny kunde starter sin første session. Overholdelse af privatlivsreglerne er en velkommen følgevirkning. Den primære årsag er, at produkter udgør det mere pålidelige grundlag for anbefalinger, der virker fra første klik.

Se hele afsnittet af »Conversations« med Sarah Miguel Cournane: Product Agents.