Как Lamoda работает над алгоритмами, понимающими желания покупателя

Вскоре онлайн-покупки будут представлять собой сочетание социальных сетей, рекомендательных платформ и поставок капсульного гардероба. Олег Хомюк, руководитель отдела исследований и разработок компании, рассказал, как Lamoda над этим работает

Кто и как в Lamoda работает над алгоритмами платформы

В Lamoda отдел исследований и разработок отвечает за реализацию большинства новых проектов, основанных на данных, и их монетизацию. Команда состоит из аналитиков, разработчиков, специалистов по обработке данных (инженеров по машинному обучению) и менеджеров по продуктам. Формат кросс-функциональной команды был выбран неслучайно.

Традиционно в крупных компаниях эти специалисты работают в разных отделах – аналитике, ИТ, продуктовых отделах. Скорость реализации общих проектов при таком подходе обычно довольно низкая из-за сложностей совместного планирования. Сама работа строится следующим образом: сначала один отдел занимается аналитикой, затем другой – разработкой. У каждого из них свои задачи и сроки их решения.

Наша кросс-функциональная команда использует гибкие подходы, а деятельность разных специалистов осуществляется параллельно. Благодаря этому появился индикатор Time-To-Market (время от начала работы над проектом до выхода на рынок. — Тенденции) ниже, чем в среднем по рынку. Еще одним преимуществом кросс-функционального формата является погружение всех членов команды в бизнес-контекст и работу друг друга.

Портфолио проектов

Портфель проектов нашего отдела разнообразен, хотя по понятным причинам он с уклоном в сторону цифрового продукта. Направления, в которых мы работаем:

• каталог и поиск;
• рекомендательные системы;
• персонализация;
• оптимизация внутренних процессов.

Каталог, поисковые и рекомендательные системы — инструменты визуального мерчандайзинга, основной способ выбора товара покупателем. Любое существенное улучшение удобства использования этой функциональности оказывает существенное влияние на эффективность бизнеса. Например, приоритезация популярных и привлекательных для покупателей товаров при сортировке каталога приводит к увеличению продаж, поскольку пользователю сложно просмотреть весь ассортимент, и его внимание обычно ограничивается несколькими сотнями просмотренных товаров. В то же время рекомендации аналогичных товаров в карточке товара могут помочь сделать свой выбор тем, кому по каким-то причинам не понравился просматриваемый товар.

Одним из самых успешных кейсов, который у нас был, было внедрение нового поиска. Его главное отличие от предыдущей версии – в лингвистических алгоритмах понимания запроса, что положительно воспринято нашими пользователями. Это оказало существенное влияние на показатели продаж.

Все идеи проходят проверку

Прежде чем новый функционал станет доступен пользователям Lamoda, мы проводим A/B-тестирование. Он построен по классической схеме и с использованием традиционных комплектующих.

• Первый этап — запускаем эксперимент, указывая его даты и процент пользователей, которым необходимо включить тот или иной функционал.
• Второй этап — мы собираем идентификаторы пользователей, участвующих в эксперименте, а также данные об их поведении на сайте и покупках.
• Третий этап – подвести итоги, используя целевые показатели продукта и бизнеса.

С точки зрения бизнеса, чем лучше наши алгоритмы понимают запросы пользователей, в том числе допускающие ошибки, тем лучше это повлияет на нашу экономику. Запросы с опечатками не приведут к пустой странице или неточному поиску, допущенные ошибки станут понятны нашим алгоритмам, и пользователь увидит в результатах поиска товары, которые искал. В результате он сможет совершить покупку и не уйдет с сайта ни с чем.

Качество новой модели можно измерить с помощью показателей качества исправления ошибок. Например, вы можете использовать следующее: «процент правильно исправленных запросов» и «процент правильно исправленных запросов». Но это не говорит напрямую о полезности такого нововведения для бизнеса. В любом случае нужно смотреть, как меняются показатели поиска цели в боевых условиях. Для этого мы проводим эксперименты, а именно A/B тесты. После этого смотрим на метрики, например, долю пустых результатов поиска и «кликабельность» некоторых позиций сверху в тестовой и контрольной группах. Если изменение достаточно велико, оно отразится на глобальных показателях, таких как средний чек, доход и конверсия в покупку. Это свидетельствует о том, что алгоритм исправления опечаток эффективен. Пользователь совершает покупку, даже если допустил опечатку в поисковом запросе.

Внимание каждому пользователю

Мы знаем кое-что о каждом пользователе Lamoda. Даже если человек впервые посещает наш сайт или приложение, мы видим платформу, которую он использует. Иногда нам доступна геолокация и источник трафика. Предпочтения пользователей различаются в зависимости от платформы и региона. Поэтому мы сразу понимаем, что может понравиться новому потенциальному клиенту.

Мы знаем, как работать с историей пользователя, собранной за год-два. Теперь мы можем собирать историю гораздо быстрее – буквально за несколько минут. Уже после первых минут первого сеанса уже можно сделать некоторые выводы о потребностях и вкусах конкретного человека. Например, если при поиске кроссовок пользователь несколько раз выбрал белые туфли, то ему следует предложить именно их. Мы видим перспективы такого функционала и планируем его реализовать.

Теперь, чтобы улучшить возможности персонализации, мы больше уделяем внимание характеристикам продуктов, с которыми наши посетители каким-либо образом взаимодействовали. На основе этих данных мы формируем некий «поведенческий образ» пользователя, который затем используем в наших алгоритмах.

Как изменить поведение онлайн-покупателей

Важной частью разработки любого продукта является развитие клиентов (проверка идеи или прототипа будущего продукта на потенциальных потребителях) и глубинные интервью. В нашей команде есть продакт-менеджеры, которые занимаются коммуникацией с потребителями. Они проводят глубинные интервью, чтобы понять неудовлетворенные потребности пользователей и превратить эти знания в идеи продуктов.

Из тенденций, которые мы наблюдаем сейчас, можно выделить следующие:

• Доля поисков с мобильных устройств постоянно растет. Распространенность мобильных платформ меняет способ взаимодействия пользователей с нами. Например, трафик на Lamoda со временем все больше перетекает из каталога в поиск. Объясняется это довольно просто: иногда проще задать текстовый запрос, чем пользоваться навигацией по каталогу.
• Еще одна тенденция, которую мы должны учитывать, — это желание пользователей задавать короткие запросы. Поэтому необходимо помочь им сформировать более осмысленные и подробные запросы. Например, мы можем сделать это с помощью поисковых предложений.

Что дальше

Сегодня в интернет-магазинах есть только два способа проголосовать за товар: совершить покупку или добавить товар в избранное. Но у пользователя, как правило, нет возможностей показать, что товар не понравился. Решение этой проблемы является одним из приоритетов на будущее.

Отдельно наша команда активно работает над внедрением технологий компьютерного зрения, алгоритмов оптимизации логистики и персонализированной подачи рекомендаций. Мы стремимся построить будущее электронной коммерции на основе анализа данных и применения новых технологий для создания лучшего обслуживания для наших клиентов.

Подписывайтесь также на Telegram-канал «Тренды» и будьте в курсе актуальных трендов и прогнозов о будущем технологий, экономики, образования и инноваций.