Kaip Lamoda dirba su algoritmais, kurie supranta pirkėjo norus

Netrukus apsipirkimas internetu taps socialinių tinklų, rekomendacijų platformų ir kapsulinių drabužių spintų siuntų deriniu. Įmonės tyrimų ir plėtros skyriaus vadovas Olegas Khomyukas papasakojo, kaip „Lamoda“ dirba šiuo klausimu

Kas ir kaip Lamoda dirba pagal platformos algoritmus

„Lamoda“ MTEP yra atsakinga už daugumos naujų duomenimis pagrįstų projektų įgyvendinimą ir pinigų gavimą iš jų. Komandą sudaro analitikai, kūrėjai, duomenų mokslininkai (mašininio mokymosi inžinieriai) ir produktų vadybininkai. Tarpfunkcinis komandos formatas pasirinktas ne veltui.

Tradiciškai didelėse įmonėse šie specialistai dirba skirtinguose skyriuose – analitikos, IT, produktų skyriuose. Bendrų projektų įgyvendinimo greitis taikant šį metodą paprastai yra gana mažas dėl bendro planavimo sunkumų. Pats darbas suskirstytas taip: iš pradžių vienas skyrius užsiima analitika, paskui kitas – plėtra. Kiekvienas iš jų turi savo užduotis ir jų sprendimo terminus.

Mūsų tarpfunkcinė komanda taiko lanksčius metodus, o skirtingų specialistų veikla vykdoma lygiagrečiai. Dėl šios priežasties rodomas laikas iki rinkos rodiklis (laikas nuo projekto darbo pradžios iki patekimo į rinką). tendencijos) yra mažesnis nei rinkos vidurkis. Kitas kryžminio funkcinio formato privalumas – visų komandos narių pasinėrimas į verslo kontekstą ir vienas kito darbą.

Projekto portfelis

Mūsų skyriaus projektų portfelis yra įvairus, nors dėl akivaizdžių priežasčių jis yra linkęs į skaitmeninį produktą. Sritys, kuriose esame aktyvūs:

• katalogas ir paieška;
• rekomendacinės sistemos;
• personalizavimas;
• vidinių procesų optimizavimas.

Katalogų, paieškos ir rekomendacijų sistemos yra vizualinės prekybos priemonės, pagrindinis būdas, kuriuo klientas renkasi prekę. Bet koks reikšmingas šios funkcijos naudojimo patobulinimas turi didelės įtakos verslo rezultatams. Pavyzdžiui, rūšiuojant katalogus pirmenybė teikiama klientams populiarioms ir patrauklioms prekėms, didėja pardavimai, nes vartotojui sunku peržiūrėti visą asortimentą, o jo dėmesys dažniausiai apsiriboja keliais šimtais peržiūrėtų prekių. Tuo pačiu, panašių prekių rekomendacijos prekės kortelėje gali padėti apsispręsti tiems, kuriems peržiūrima prekė dėl tam tikrų priežasčių nepatiko.

Vienas iš sėkmingiausių mūsų atvejų buvo naujos paieškos įvedimas. Pagrindinis jos skirtumas nuo ankstesnės versijos yra lingvistiniai algoritmai, skirti suprasti užklausą, kuriuos mūsų vartotojai suvokė teigiamai. Tai turėjo didelės įtakos pardavimų skaičiams.

Visos idėjos išbandytos

Prieš pradedant naudotis naujomis funkcijomis Lamoda naudotojams, atliekame A/B testavimą. Jis pastatytas pagal klasikinę schemą ir naudojant tradicinius komponentus.

• Pirmasis etapas – pradedame eksperimentą, nurodydami jo datas ir procentą vartotojų, kuriems reikia įjungti tą ar kitą funkciją.
• Antrasis etapas - renkame eksperimente dalyvaujančių vartotojų identifikatorius, taip pat duomenis apie jų elgesį svetainėje ir pirkinius.
• Trečiasis etapas – apibendrinti naudojant tikslines produktų ir verslo metrikas.

Verslo požiūriu, kuo geriau mūsų algoritmai supranta vartotojų užklausas, įskaitant tas, kurios daro klaidas, tuo geriau tai paveiks mūsų ekonomiką. Pateikus užklausas su rašybos klaidomis nebus tuščias puslapis ar netiksli paieška, padarytos klaidos išaiškės mūsų algoritmams, o vartotojas paieškos rezultatuose matys ieškomus produktus. Dėl to jis gali nusipirkti ir nieko nepaliks svetainės.

Naujojo modelio kokybę galima išmatuoti klaidų taisymo kokybės metrika. Pavyzdžiui, galite naudoti šiuos: „teisingai ištaisytų užklausų procentas“ ir „teisingai nepataisytų užklausų procentas“. Tačiau tai tiesiogiai nekalba apie tokios naujovės naudą verslui. Bet kokiu atveju turite stebėti, kaip kovos sąlygomis keičiasi tikslinės paieškos metrika. Norėdami tai padaryti, atliekame eksperimentus, būtent A / B testus. Po to žiūrime į metrikas, pavyzdžiui, tuščių paieškos rezultatų dalį ir kai kurių pozicijų „paspaudimų rodiklį“ iš viršaus testo ir kontrolinėse grupėse. Jei pokytis yra pakankamai didelis, jis atsispindės pasaulinėje metrikoje, pvz., vidutinėje čekio, pajamų ir konversijos į pirkinį skaičius. Tai rodo, kad klaidų taisymo algoritmas yra veiksmingas. Vartotojas perka, net jei paieškos užklausoje padarė klaidą.

Dėmesys kiekvienam vartotojui

Kai ką žinome apie kiekvieną Lamoda vartotoją. Net jei asmuo apsilanko mūsų svetainėje ar programoje pirmą kartą, matome jo naudojamą platformą. Kartais mums prieinama geografinė vieta ir srauto šaltinis. Naudotojų nuostatos skiriasi įvairiose platformose ir regionuose. Todėl iš karto suprantame, kas gali patikti naujam potencialiam klientui.

Mes žinome, kaip dirbti su naudotojo istorija, surinkta per metus ar dvejus. Dabar istoriją galime surinkti daug greičiau – tiesiogine prasme per kelias minutes. Po pirmųjų pirmo užsiėmimo minučių jau galima padaryti tam tikras išvadas apie konkretaus žmogaus poreikius ir skonį. Pavyzdžiui, jei vartotojas kelis kartus pasirinko baltus batus, ieškodamas sportbačių, tada jis turėtų būti pasiūlytas. Matome tokio funkcionalumo perspektyvas ir planuojame jį įgyvendinti.

Dabar, norėdami patobulinti personalizavimo galimybes, daugiau dėmesio skiriame produktų, su kuriais mūsų lankytojai turėjo tam tikrą sąveiką, savybėms. Remdamiesi šiais duomenimis suformuojame tam tikrą vartotojo „elgesio vaizdą“, kurį vėliau naudojame savo algoritmuose.

Kaip pakeisti internetinių pirkėjų elgesį

Svarbi bet kurio produkto kūrimo dalis yra klientų vystymas (būsimo produkto idėjos ar prototipo išbandymas ant potencialių vartotojų) ir giluminiai interviu. Mūsų komandoje dirba produktų vadybininkai, kurie užsiima bendravimu su vartotojais. Jie atlieka nuodugnius interviu, kad suprastų nepatenkintus vartotojų poreikius ir šias žinias paverstų produktų idėjomis.

Iš dabar pastebimų tendencijų galima išskirti šias tendencijas:

• Paieškų iš mobiliųjų įrenginių dalis nuolat auga. Mobiliųjų platformų paplitimas keičia vartotojų bendravimo su mumis būdą. Pavyzdžiui, „Lamoda“ srautas laikui bėgant vis daugiau patenka iš katalogo į paiešką. Tai paaiškinama gana paprastai: kartais lengviau nustatyti tekstinę užklausą nei naudoti navigaciją kataloge.
• Kita tendencija, į kurią turime atsižvelgti vartotojų noras užduoti trumpas užklausas. Todėl būtina padėti jiems suformuoti prasmingesnius ir išsamesnius prašymus. Pavyzdžiui, tai galime padaryti naudodami paieškos pasiūlymus.

Kas toliau

Šiandien perkant internetu yra tik du būdai balsuoti už prekę: pirkti arba įtraukti prekę į mėgstamiausias. Tačiau vartotojas, kaip taisyklė, neturi galimybių parodyti, kad produktas nepatinka. Šios problemos sprendimas yra vienas iš ateities prioritetų.

Atskirai mūsų komanda intensyviai dirba diegdama kompiuterinio matymo technologijas, logistikos optimizavimo algoritmus ir personalizuotą rekomendacijų srautą. Siekiame kurti elektroninės prekybos ateitį, remdamiesi duomenų analize ir naujų technologijų taikymu, siekdami sukurti geresnes paslaugas savo klientams.

Taip pat užsiprenumeruokite „Trends Telegram“ kanalą ir gaukite naujausias tendencijas bei prognozes apie technologijų, ekonomikos, švietimo ir inovacijų ateitį.