Bagaimana Lamoda mengusahakan algoritma yang memahami keinginan pembeli

Tidak lama lagi, beli-belah dalam talian akan menjadi gabungan media sosial, platform pengesyoran dan penghantaran almari pakaian kapsul. Oleg Khomyuk, ketua jabatan penyelidikan dan pembangunan syarikat, memberitahu bagaimana Lamoda berfungsi dalam hal ini

Siapa dan bagaimana dalam Lamoda berfungsi pada algoritma platform

Di Lamoda, R&D bertanggungjawab untuk melaksanakan kebanyakan projek berasaskan data baharu dan mengewangkannya. Pasukan ini terdiri daripada penganalisis, pembangun, saintis data (jurutera pembelajaran mesin) dan pengurus produk. Format pasukan silang fungsi telah dipilih atas sebab tertentu.

Secara tradisinya, dalam syarikat besar, pakar ini bekerja di jabatan yang berbeza - analisis, IT, jabatan produk. Kepantasan pelaksanaan projek biasa dengan pendekatan ini biasanya agak rendah kerana kesukaran dalam perancangan bersama. Kerja itu sendiri disusun seperti berikut: pertama, satu jabatan terlibat dalam analisis, kemudian satu lagi - pembangunan. Setiap daripada mereka mempunyai tugas dan tarikh akhir sendiri untuk penyelesaian mereka.

Pasukan silang fungsi kami menggunakan pendekatan yang fleksibel, dan aktiviti pakar yang berbeza dijalankan secara selari. Terima kasih kepada ini, penunjuk Masa Ke Pasaran (masa dari permulaan kerja pada projek hingga memasuki pasaran. — Trend) adalah lebih rendah daripada purata pasaran. Satu lagi kelebihan format merentas fungsi ialah menyelami semua ahli pasukan dalam konteks perniagaan dan kerja masing-masing.

Portfolio Projek

Portfolio projek jabatan kami adalah pelbagai, walaupun atas sebab yang jelas ia berat sebelah terhadap produk digital. Kawasan di mana kami aktif:

• katalog dan carian;
• sistem pengesyor;
• pemperibadian;
• pengoptimuman proses dalaman.

Sistem katalog, carian dan pengesyor ialah alat dagangan visual, cara utama pelanggan memilih produk. Sebarang peningkatan ketara kepada kebolehgunaan fungsi ini mempunyai kesan yang ketara terhadap prestasi perniagaan. Contohnya, mengutamakan produk yang popular dan menarik kepada pelanggan dalam pengisihan katalog membawa kepada peningkatan dalam jualan, kerana sukar bagi pengguna untuk melihat keseluruhan julat, dan perhatiannya biasanya terhad kepada beberapa ratus produk yang dilihat. Pada masa yang sama, cadangan produk serupa pada kad produk boleh membantu mereka yang, atas sebab tertentu, tidak menyukai produk yang dilihat, membuat pilihan mereka.

Salah satu kes paling berjaya yang kami hadapi ialah pengenalan carian baharu. Perbezaan utamanya daripada versi sebelumnya adalah dalam algoritma linguistik untuk memahami permintaan, yang pengguna kami telah melihat secara positif. Ini mempunyai impak yang ketara ke atas angka jualan.

Semua idea diuji

Sebelum fungsi baharu tersedia kepada pengguna Lamoda, kami menjalankan ujian A/B. Ia dibina mengikut skema klasik dan menggunakan komponen tradisional.

• Peringkat pertama – kami memulakan percubaan, menunjukkan tarikhnya dan peratusan pengguna yang perlu mendayakan fungsi ini atau itu.
• Peringkat kedua — kami mengumpul pengecam pengguna yang mengambil bahagian dalam percubaan, serta data tentang kelakuan mereka di tapak dan pembelian.
• Peringkat ketiga – meringkaskan menggunakan produk yang disasarkan dan metrik perniagaan.

Dari sudut perniagaan, lebih baik algoritma kami memahami pertanyaan pengguna, termasuk pertanyaan yang membuat kesilapan, lebih baik ia akan menjejaskan ekonomi kami. Permintaan dengan kesilapan menaip tidak akan membawa kepada halaman kosong atau carian yang tidak tepat, kesilapan yang dibuat akan menjadi jelas kepada algoritma kami dan pengguna akan melihat produk yang dia cari dalam hasil carian. Akibatnya, dia boleh membuat pembelian dan tidak akan meninggalkan tapak dengan apa-apa.

Kualiti model baharu boleh diukur dengan metrik kualiti pembetulan salah. Sebagai contoh, anda boleh menggunakan yang berikut: "peratusan permintaan yang dibetulkan dengan betul" dan "peratusan permintaan yang tidak dibetulkan dengan betul". Tetapi ini tidak secara langsung bercakap tentang kegunaan inovasi sedemikian untuk perniagaan. Walau apa pun, anda perlu melihat bagaimana metrik carian sasaran berubah dalam keadaan pertempuran. Untuk melakukan ini, kami menjalankan eksperimen, iaitu ujian A / B. Selepas itu, kami melihat metrik, sebagai contoh, bahagian hasil carian kosong dan "kadar klik lalu" beberapa kedudukan dari bahagian atas dalam kumpulan ujian dan kawalan. Jika perubahan itu cukup besar, ia akan ditunjukkan dalam metrik global seperti semakan purata, hasil dan penukaran kepada pembelian. Ini menunjukkan bahawa algoritma untuk membetulkan kesilapan menaip adalah berkesan. Pengguna membuat pembelian walaupun dia membuat kesilapan menaip dalam pertanyaan carian.

Perhatian kepada setiap pengguna

Kami tahu sesuatu tentang setiap pengguna Lamoda. Walaupun seseorang melawat tapak atau aplikasi kami buat kali pertama, kami melihat platform yang dia gunakan. Kadangkala geolokasi dan sumber trafik tersedia untuk kami. Pilihan pengguna berbeza-beza merentas platform dan wilayah. Oleh itu, kami segera memahami perkara yang mungkin digemari oleh bakal pelanggan baharu.

Kami tahu cara bekerja dengan sejarah pengguna yang dikumpul selama satu atau dua tahun. Kini kita boleh mengumpul sejarah dengan lebih pantas – secara literal dalam beberapa minit. Selepas minit pertama sesi pertama, sudah mungkin untuk membuat beberapa kesimpulan tentang keperluan dan citarasa seseorang tertentu. Sebagai contoh, jika pengguna memilih kasut putih beberapa kali semasa mencari kasut, maka itulah yang sepatutnya ditawarkan. Kami melihat prospek untuk fungsi tersebut dan merancang untuk melaksanakannya.

Kini, untuk menambah baik pilihan pemperibadian, kami lebih memfokuskan pada ciri-ciri produk yang mana pelawat kami mempunyai beberapa jenis interaksi. Berdasarkan data ini, kami membentuk "imej tingkah laku" tertentu pengguna, yang kemudian kami gunakan dalam algoritma kami.

Bagaimana untuk berubah mengikut tingkah laku pembeli dalam talian

Bahagian penting dalam pembangunan mana-mana produk ialah pembangunan pelanggan (menguji idea atau prototaip produk masa depan ke atas bakal pengguna) dan temu bual mendalam. Pasukan kami mempunyai pengurus produk yang berurusan dengan komunikasi dengan pengguna. Mereka menjalankan temu bual mendalam untuk memahami keperluan pengguna yang tidak dipenuhi dan menukar pengetahuan itu kepada idea produk.

Daripada trend yang kita lihat sekarang, yang berikut boleh dibezakan:

• Bahagian carian daripada peranti mudah alih sentiasa berkembang. Kelaziman platform mudah alih mengubah cara pengguna berinteraksi dengan kami. Contohnya, trafik di Lamoda dari semasa ke semasa semakin banyak mengalir dari katalog ke carian. Ini dijelaskan secara ringkas: kadangkala lebih mudah untuk menetapkan pertanyaan teks daripada menggunakan navigasi dalam katalog.
• Satu lagi trend yang mesti kita pertimbangkan ialah keinginan pengguna untuk bertanya soalan ringkas. Oleh itu, adalah perlu untuk membantu mereka untuk membentuk permintaan yang lebih bermakna dan terperinci. Sebagai contoh, kita boleh melakukan ini dengan cadangan carian.

Apa yang akan datang

Hari ini, dalam membeli-belah dalam talian, hanya terdapat dua cara untuk mengundi produk: membuat pembelian atau menambah produk pada kegemaran. Tetapi pengguna, sebagai peraturan, tidak mempunyai pilihan untuk menunjukkan bahawa produk itu tidak disukai. Penyelesaian masalah ini adalah salah satu keutamaan untuk masa hadapan.

Secara berasingan, pasukan kami bekerja keras pada pengenalan teknologi penglihatan komputer, algoritma pengoptimuman logistik dan suapan cadangan yang diperibadikan. Kami berusaha untuk membina masa depan e-dagang berdasarkan analisis data dan aplikasi teknologi baharu untuk mencipta perkhidmatan yang lebih baik untuk pelanggan kami.

Langgan juga saluran Trends Telegram dan ikuti perkembangan terkini dan ramalan semasa tentang masa depan teknologi, ekonomi, pendidikan dan inovasi.