Як Lamoda працює над алгоритмами, які розуміють бажання покупця

Незабаром онлайн-шопінг буде поєднанням соціальних мереж, платформ рекомендацій і поставок капсульного гардеробу. Як над цим працює Lamoda, розповів керівник відділу досліджень і розробок компанії Олег Хомюк

Хто і як в Lamoda працює над алгоритмами платформи

У Lamoda R&D відповідає за реалізацію більшості нових проектів на основі даних та їх монетизацію. Команда складається з аналітиків, розробників, спеціалістів із обробки даних (інженерів машинного навчання) та менеджерів із продуктів. Формат міжфункціональної команди був обраний неспроста.

Традиційно у великих компаніях ці фахівці працюють у різних відділах – аналітиці, ІТ, продуктовому відділі. Швидкість реалізації спільних проектів при такому підході зазвичай досить низька через труднощі спільного планування. Сама робота побудована так: спочатку один відділ займається аналітикою, потім інший – розробкою. У кожного з них свої завдання та терміни їх вирішення.

Наша багатофункціональна команда використовує гнучкі підходи, а діяльність різних спеціалістів здійснюється паралельно. Завдяки цьому показник Time-To-Market (час від початку роботи над проектом до виходу на ринок. — Тенденції) нижчий за середній ринковий показник. Ще однією перевагою крос-функціонального формату є занурення всіх членів команди в бізнес-контекст і роботу один одного.

Портфоліо проекту

Портфоліо проектів нашого відділу різноманітне, хоча зі зрозумілих причин воно орієнтоване на цифровий продукт. Сфери, в яких ми працюємо:

• каталог і пошук;
• рекомендаційні системи;
• персоналізація;
• оптимізація внутрішніх процесів.

Системи каталогів, пошуку та рекомендацій є інструментами візуального мерчендайзингу, основним способом вибору клієнтом товару. Будь-яке значне покращення зручності використання цієї функції має значний вплив на продуктивність бізнесу. Наприклад, пріоритетність популярних і привабливих для покупців товарів при сортуванні каталогу призводить до збільшення продажів, оскільки користувачеві складно оглянути весь асортимент, і його увага зазвичай обмежується кількома сотнями переглянутих товарів. Водночас рекомендації схожих товарів на картці товару можуть допомогти зробити вибір тим, кому з якихось причин не сподобався товар, що переглядається.

Одним із найуспішніших кейсів, який у нас був, було запровадження нового пошуку. Його основна відмінність від попередньої версії полягає в лінгвістичних алгоритмах розуміння запиту, які наші користувачі сприйняли позитивно. Це значно вплинуло на показники продажів.

Всі ідеї перевірені

Перш ніж нові функції стануть доступними для користувачів Lamoda, ми проводимо A/B-тестування. Він побудований за класичною схемою з використанням традиційних компонентів.

• Перший етап – запускаємо експеримент, вказуючи його дати та відсоток користувачів, яким потрібно включити той чи інший функціонал.
• Другий етап — ми збираємо ідентифікатори користувачів, які беруть участь в експерименті, а також дані про їх поведінку на сайті та покупки.
• Третій етап – підсумувати за допомогою показників цільового продукту та бізнесу.

З точки зору бізнесу, чим краще наші алгоритми розумітимуть запити користувачів, у тому числі ті, які містять помилки, тим краще це вплине на нашу економіку. Запити з друкарськими помилками не призведуть до порожньої сторінки або неточного пошуку, допущені помилки стануть зрозумілі нашим алгоритмам, а користувач побачить у результатах пошуку товари, які шукав. В результаті він може зробити покупку і ні з чим не піде з сайту.

Якість нової моделі можна виміряти за показниками якості корекції помилок. Наприклад, можна використовувати наступне: «відсоток правильно виправлених запитів» і «відсоток правильно невиправлених запитів». Але це прямо не говорить про корисність такого нововведення для бізнесу. У будь-якому випадку потрібно стежити за тим, як змінюються показники пошуку цілі в бойових умовах. Для цього ми проводимо експерименти, а саме A/B тести. Після цього ми дивимося на метрики, наприклад, частку порожніх результатів пошуку та «рейтинг кліків» деяких позицій згори в тестовій і контрольній групах. Якщо зміна досить велика, вона відобразиться на глобальних показниках, таких як середній чек, дохід і конверсія до покупки. Це свідчить про ефективність алгоритму виправлення помилок. Користувач робить покупку, навіть якщо допустив помилку в пошуковому запиті.

Увага до кожного користувача

Ми знаємо щось про кожного користувача Lamoda. Навіть якщо людина відвідує наш сайт або додаток вперше, ми бачимо платформу, якою він користується. Іноді нам доступна геолокація та джерело трафіку. Налаштування користувачів відрізняються залежно від платформи та регіону. Тому ми відразу розуміємо, що може сподобатися новому потенційному клієнту.

Ми знаємо, як працювати з історією користувача, зібраною за рік-два. Тепер ми можемо збирати історію набагато швидше – буквально за кілька хвилин. Після перших хвилин першого сеансу вже можна зробити певні висновки про потреби та смаки конкретної людини. Наприклад, якщо користувач кілька разів вибрав білі туфлі під час пошуку кросівок, то це те, що має бути запропоновано. Ми бачимо перспективи такого функціоналу і плануємо його впроваджувати.

Тепер, щоб покращити параметри персоналізації, ми більше зосереджуємося на характеристиках продуктів, з якими наші відвідувачі мали певний вид взаємодії. На основі цих даних ми формуємо певний «поведінковий образ» користувача, який потім використовуємо в наших алгоритмах.

Як змінити стеження за поведінкою онлайн-покупців

Важливою частиною розробки будь-якого продукту є розвиток клієнта (тестування ідеї чи прототипу майбутнього продукту на потенційних споживачах) та глибинні інтерв’ю. У нашій команді працюють продакт-менеджери, які займаються комунікацією зі споживачами. Вони проводять детальні інтерв’ю, щоб зрозуміти незадоволені потреби користувачів і перетворити ці знання на ідеї продукту.

З тенденцій, які ми спостерігаємо зараз, можна виділити наступні:

• Частка пошуку з мобільних пристроїв постійно зростає. Поширеність мобільних платформ змінює спосіб взаємодії користувачів з нами. Наприклад, трафік на Lamoda з часом все більше перетікає з каталогу в пошук. Пояснюється це досить просто: іноді простіше поставити текстовий запит, ніж користуватися навігацією в каталозі.
• Ще одна тенденція, яку ми повинні враховувати бажання користувачів задавати короткі запити. Тому необхідно допомогти їм сформувати більш змістовні та детальні запити. Наприклад, ми можемо зробити це за допомогою пошукових пропозицій.

Що далі

Сьогодні в інтернет-магазинах є лише два способи проголосувати за товар: зробити покупку або додати товар у вибране. Але у користувача, як правило, немає варіантів показати, що товар не подобається. Вирішення цієї проблеми є одним із пріоритетів на майбутнє.

Окремо наша команда активно працює над впровадженням технологій комп’ютерного зору, алгоритмів оптимізації логістики та персоналізованої стрічки рекомендацій. Ми прагнемо побудувати майбутнє електронної комерції на основі аналізу даних і застосування нових технологій, щоб створити кращий сервіс для наших клієнтів.

Підпишіться також на Telegram-канал Trends і будьте в курсі актуальних трендів і прогнозів щодо майбутнього технологій, економіки, освіти та інновацій.