Hvordan Lamoda jobber med algoritmer som forstår kjøperens ønsker

Snart vil netthandel være en blanding av sosiale medier, anbefalingsplattformer og kapselgarderobeforsendelser. Oleg Khomyuk, leder for selskapets forsknings- og utviklingsavdeling, fortalte hvordan Lamoda jobber med dette

Hvem og hvordan i Lamoda fungerer på plattformalgoritmer

Hos Lamoda er R&D ansvarlig for å implementere de fleste nye datadrevne prosjekter og tjene penger på dem. Teamet består av analytikere, utviklere, datavitere (maskinlæringsingeniører) og produktsjefer. Det tverrfunksjonelle teamformatet ble valgt av en grunn.

Tradisjonelt, i store selskaper, jobber disse spesialistene i forskjellige avdelinger – analyse, IT, produktavdelinger. Gjennomføringshastigheten av vanlige prosjekter med denne tilnærmingen er vanligvis ganske lav på grunn av vanskelighetene med felles planlegging. Selve arbeidet er strukturert som følger: først er en avdeling engasjert i analyse, deretter en annen - utvikling. Hver av dem har sine egne oppgaver og tidsfrister for deres løsning.

Vårt tverrfunksjonelle team bruker fleksible tilnærminger, og aktivitetene til ulike spesialister utføres parallelt. Takket være dette, Time-To-Market-indikatoren (tiden fra starten av arbeidet med prosjektet til å komme inn på markedet. — Trender) er lavere enn markedsgjennomsnittet. En annen fordel med det tverrfunksjonelle formatet er fordypningen av alle teammedlemmer i forretningssammenheng og hverandres arbeid.

Prosjektportefølje

Prosjektporteføljen til vår avdeling er mangfoldig, selv om den av åpenbare grunner er partisk mot et digitalt produkt. Områder vi er aktive på:

• katalog og søk;
• anbefaler systemer;
• personalisering;
• optimalisering av interne prosesser.

Katalog-, søke- og anbefalingssystemer er visuelle salgsverktøy, den viktigste måten en kunde velger et produkt på. Enhver betydelig forbedring av brukervennligheten til denne funksjonaliteten har en betydelig innvirkning på virksomhetens ytelse. For eksempel fører prioritering av produkter som er populære og attraktive for kunder i katalogsortering til en økning i salget, siden det er vanskelig for brukeren å se hele utvalget, og hans oppmerksomhet er vanligvis begrenset til flere hundre viste produkter. Samtidig kan anbefalinger av lignende produkter på produktkortet hjelpe de som av en eller annen grunn ikke likte produktet som ble sett, med å ta sitt valg.

En av de mest vellykkede sakene vi hadde, var innføringen av et nytt søk. Hovedforskjellen fra den forrige versjonen er de språklige algoritmene for å forstå forespørselen, som brukerne våre har oppfattet positivt. Dette hadde en betydelig innvirkning på salgstallene.

Alle ideer er testet

Før ny funksjonalitet blir tilgjengelig for Lamoda-brukere, gjennomfører vi A/B-testing. Den er bygget i henhold til den klassiske ordningen og ved hjelp av tradisjonelle komponenter.

• Den første fasen – vi starter eksperimentet, og angir datoene og prosentandelen av brukere som trenger å aktivere denne eller den funksjonaliteten.
• Den andre fasen — vi samler inn identifikatorer for brukere som deltar i eksperimentet, samt data om deres oppførsel på nettstedet og kjøp.
• Den tredje fasen – oppsummere ved å bruke målrettede produkt- og forretningsberegninger.

Fra et forretningsmessig synspunkt, jo bedre algoritmene våre forstår brukerforespørsler, inkludert de som gjør feil, jo bedre vil det påvirke økonomien vår. Forespørsler med skrivefeil vil ikke føre til en tom side eller unøyaktig søk, feilene som gjøres vil bli tydelige for våre algoritmer, og brukeren vil se produktene han lette etter i søkeresultatene. Som et resultat kan han foreta et kjøp og vil ikke forlate nettstedet uten noe.

Kvaliteten på den nye modellen kan måles ved hjelp av errata-korreksjonskvalitetsmålene. Du kan for eksempel bruke følgende: «prosentandel av korrekt korrigerte forespørsler» og «prosentandel av korrekt ukorrigerte forespørsler». Men dette snakker ikke direkte om nytten av en slik innovasjon for næringslivet. I alle fall må du se hvordan målsøkeberegningene endres under kampforhold. For å gjøre dette kjører vi eksperimenter, nemlig A/B-tester. Deretter ser vi på beregninger, for eksempel andelen tomme søkeresultater og «klikkfrekvensen» for enkelte posisjoner fra toppen i test- og kontrollgruppene. Hvis endringen er stor nok, vil den gjenspeiles i globale beregninger som gjennomsnittlig sjekk, inntekt og konvertering til kjøp. Dette indikerer at algoritmen for å rette skrivefeil er effektiv. Brukeren foretar et kjøp selv om han har gjort en skrivefeil i søket.

Oppmerksomhet til hver bruker

Vi vet noe om alle Lamoda-brukere. Selv om en person besøker nettstedet eller applikasjonen vår for første gang, ser vi plattformen han bruker. Noen ganger er geolokalisering og trafikkkilde tilgjengelig for oss. Brukerpreferansene varierer på tvers av plattformer og regioner. Derfor forstår vi umiddelbart hva en ny potensiell kunde kan like.

Vi vet hvordan vi skal jobbe med en brukers historikk samlet over et år eller to. Nå kan vi samle historie mye raskere – bokstavelig talt på noen få minutter. Etter de første minuttene av den første økten er det allerede mulig å trekke noen konklusjoner om behovene og smakene til en bestemt person. For eksempel, hvis en bruker valgte hvite sko flere ganger når han søkte etter joggesko, så er det den som bør tilbys. Vi ser utsiktene for slik funksjonalitet og planlegger å implementere den.

Nå, for å forbedre personaliseringsalternativene, fokuserer vi mer på egenskapene til produktene som våre besøkende hadde en form for interaksjon med. Basert på disse dataene danner vi et visst «atferdsbilde» av brukeren, som vi deretter bruker i våre algoritmer.

Hvordan endre etter atferden til nettkunder

En viktig del av utviklingen av ethvert produkt er kundeutvikling (testing av en idé eller prototype av et fremtidig produkt på potensielle forbrukere) og dybdeintervjuer. Teamet vårt har produktsjefer som driver med kommunikasjon med forbrukere. De gjennomfører dybdeintervjuer for å forstå udekkede brukerbehov og gjøre denne kunnskapen om til produktideer.

Av trendene vi ser nå, kan følgende skilles:

• Andelen søk fra mobile enheter vokser stadig. Utbredelsen av mobile plattformer endrer måten brukerne samhandler med oss ​​på. For eksempel flyter trafikk på Lamoda over tid mer og mer fra katalogen til søk. Dette er ganske enkelt forklart: Noen ganger er det lettere å sette en tekstspørring enn å bruke navigasjonen i katalogen.
• En annen trend som vi må vurdere er brukernes ønske om å stille korte spørsmål. Derfor er det nødvendig å hjelpe dem med å lage mer meningsfylte og detaljerte forespørsler. Dette kan vi for eksempel gjøre med søkeforslag.

Hva blir det neste

I dag, i netthandel, er det bare to måter å stemme på et produkt: foreta et kjøp eller legg produktet til favoritter. Men brukeren har som regel ikke muligheter for å vise at produktet ikke er likt. Å løse dette problemet er en av prioriteringene for fremtiden.

Hver for seg jobber teamet vårt hardt med introduksjonen av datasynsteknologier, logistikkoptimaliseringsalgoritmer og en personlig feed med anbefalinger. Vi streber etter å bygge fremtiden for e-handel basert på dataanalyse og anvendelse av nye teknologier for å skape en bedre service for våre kunder.

Abonner også på Trends Telegram-kanalen og hold deg oppdatert med gjeldende trender og prognoser om fremtiden for teknologi, økonomi, utdanning og innovasjon.