Jak Lamoda pracuje nad algorytmami, które rozumieją pragnienia kupującego

Wkrótce zakupy online będą mieszanką mediów społecznościowych, platform rekomendacyjnych i wysyłek z szafy kapsułowej. Oleg Khomyuk, szef działu badań i rozwoju firmy, opowiedział, jak Lamoda nad tym pracuje

Kto i jak w Lamodzie pracuje nad algorytmami platformy

W Lamodzie dział R&D jest odpowiedzialny za wdrażanie większości nowych projektów opartych na danych i monetyzację ich. Zespół składa się z analityków, programistów, analityków danych (inżynierów uczenia maszynowego) oraz menedżerów produktu. Wielofunkcyjny format zespołu został wybrany nie bez powodu.

Tradycyjnie w dużych firmach specjaliści ci pracują w różnych działach – analitycznym, IT, produktowym. Szybkość realizacji wspólnych projektów przy takim podejściu jest zwykle dość niska ze względu na trudności we wspólnym planowaniu. Sama praca jest zorganizowana w następujący sposób: najpierw jeden dział zajmuje się analityką, potem drugi – rozwojem. Każdy z nich ma swoje własne zadania i terminy ich rozwiązania.

Nasz interdyscyplinarny zespół stosuje elastyczne podejście, a działania różnych specjalistów prowadzone są równolegle. Dzięki temu wskaźnik Time-To-Market (czas od rozpoczęcia prac nad projektem do wejścia na rynek. — Trendy) jest niższa od średniej rynkowej. Kolejną zaletą formatu wielofunkcyjnego jest zanurzenie wszystkich członków zespołu w kontekście biznesowym i wzajemnej pracy.

Portfolio projektów

Portfolio projektów naszego działu jest zróżnicowane, choć z oczywistych względów jest ukierunkowane na produkt cyfrowy. Obszary, w których jesteśmy aktywni:

• katalog i wyszukiwanie;
• systemy rekomendacyjne;
• personalizacja;
• optymalizacja procesów wewnętrznych.

Systemy katalogów, wyszukiwarek i rekomendacji są narzędziami visual merchandisingu, głównym sposobem wyboru produktu przez klienta. Każde znaczące ulepszenie użyteczności tej funkcji ma znaczący wpływ na wydajność biznesową. Na przykład nadanie priorytetu w sortowaniu katalogów produktom, które są popularne i atrakcyjne dla klientów, prowadzi do wzrostu sprzedaży, ponieważ użytkownikowi trudno jest przejrzeć cały asortyment, a jego uwaga ogranicza się zazwyczaj do kilkuset przeglądanych produktów. Jednocześnie rekomendacje podobnych produktów na karcie produktu mogą pomóc w dokonaniu wyboru tym, którym z jakiegoś powodu oglądany produkt nie przypadł do gustu.

Jednym z naszych najbardziej udanych przypadków było wprowadzenie nowego wyszukiwania. Główną różnicą w stosunku do poprzedniej wersji są algorytmy lingwistyczne do zrozumienia zapytania, które nasi użytkownicy pozytywnie odebrali. Miało to istotny wpływ na wyniki sprzedaży.

Wszystkie pomysły są testowane

Zanim nowa funkcjonalność stanie się dostępna dla użytkowników Lamody, przeprowadzamy testy A/B. Jest zbudowany według klasycznego schematu iz wykorzystaniem tradycyjnych komponentów.

• Pierwszy etap – zaczynamy eksperyment, wskazując jego terminy i odsetek użytkowników, którzy muszą włączyć tę lub inną funkcjonalność.
• Drugi etap — zbieramy identyfikatory użytkowników, którzy biorą udział w eksperymencie, a także dane o ich zachowaniu na stronie i zakupach.
• Trzeci etap – podsumuj za pomocą docelowych wskaźników produktowych i biznesowych.

Z biznesowego punktu widzenia, im lepiej nasze algorytmy rozumieją zapytania użytkowników, w tym te, które popełniają błędy, tym lepiej wpłynie to na naszą gospodarkę. Zapytania z literówkami nie doprowadzą do pustej strony lub niedokładnego wyszukiwania, popełnione błędy staną się jasne dla naszych algorytmów, a użytkownik zobaczy produkty, których szukał w wynikach wyszukiwania. Dzięki temu może dokonać zakupu i nie opuści serwisu z niczym.

Jakość nowego modelu można zmierzyć za pomocą wskaźników jakości korekty erraty. Na przykład możesz użyć: „procent poprawnie poprawionych wniosków” i „procent poprawnie poprawionych wniosków”. Ale to nie mówi wprost o przydatności takiej innowacji dla biznesu. W każdym razie musisz obserwować, jak zmieniają się wskaźniki wyszukiwania celu w warunkach bojowych. W tym celu przeprowadzamy eksperymenty, czyli testy A/B. Następnie przyglądamy się metrykom, np. udziałowi pustych wyników wyszukiwania i „współczynnikowi klikalności” niektórych pozycji z góry w grupie testowej i kontrolnej. Jeśli zmiana jest wystarczająco duża, zostanie odzwierciedlona w globalnych wskaźnikach, takich jak średni czek, przychody i konwersja do zakupu. Oznacza to, że algorytm poprawiania literówek jest skuteczny. Użytkownik dokonuje zakupu, nawet jeśli popełnił błąd w zapytaniu.

Uwaga dla każdego użytkownika

Wiemy coś o każdym użytkowniku Lamody. Nawet jeśli dana osoba odwiedza naszą stronę lub aplikację po raz pierwszy, widzimy platformę, z której korzysta. Czasami geolokalizacja i źródło ruchu są dla nas dostępne. Preferencje użytkowników różnią się w zależności od platformy i regionu. Dlatego od razu rozumiemy, co może spodobać się nowemu potencjalnemu klientowi.

Wiemy, jak pracować z historią użytkownika zebraną przez rok lub dwa. Teraz historię możemy zbierać znacznie szybciej – dosłownie w kilka minut. Już po pierwszych minutach pierwszej sesji można wyciągnąć pewne wnioski na temat potrzeb i upodobań konkretnej osoby. Na przykład, jeśli użytkownik kilka razy wybrał białe buty, szukając trampek, to właśnie one powinny zostać zaoferowane. Widzimy perspektywy takiej funkcjonalności i planujemy ją wdrożyć.

Teraz, aby poprawić opcje personalizacji, skupiamy się bardziej na cechach produktów, z którymi nasi goście mieli jakąś interakcję. Na podstawie tych danych tworzymy pewien „obraz behawioralny” użytkownika, który następnie wykorzystujemy w naszych algorytmach.

Jak zmienić podążając za zachowaniem kupujących online

Ważnym elementem rozwoju każdego produktu jest rozwój klienta (testowanie pomysłu lub prototypu przyszłego produktu na potencjalnych konsumentach) oraz wywiady pogłębione. W naszym zespole pracują managerowie produktu, którzy zajmują się komunikacją z konsumentami. Przeprowadzają pogłębione wywiady, aby zrozumieć niezaspokojone potrzeby użytkowników i przekształcić tę wiedzę w pomysły na produkty.

Spośród trendów, które obserwujemy obecnie, można wyróżnić:

• Udział wyszukiwań z urządzeń mobilnych stale rośnie. Rozpowszechnienie platform mobilnych zmienia sposób interakcji użytkowników z nami. Na przykład ruch na Lamoda z czasem coraz bardziej przepływa z katalogu do wyszukiwania. Jest to wyjaśnione w prosty sposób: czasami łatwiej jest ustawić zapytanie tekstowe niż korzystać z nawigacji w katalogu.
• Kolejnym trendem, który musimy wziąć pod uwagę, jest chęć użytkowników do zadawania krótkich zapytań. Dlatego konieczne jest pomaganie im w formułowaniu bardziej znaczących i szczegółowych próśb. Na przykład możemy to zrobić za pomocą sugestii wyszukiwania.

Co dalej

Dziś w zakupach online są tylko dwa sposoby oddania głosu na produkt: dokonać zakupu lub dodać produkt do ulubionych. Ale użytkownik z reguły nie ma opcji, aby pokazać, że produkt nie jest lubiany. Rozwiązanie tego problemu jest jednym z priorytetów na przyszłość.

Osobno nasz zespół intensywnie pracuje nad wprowadzeniem technologii komputerowego widzenia, algorytmów optymalizacji logistyki oraz spersonalizowanego źródła rekomendacji. Staramy się budować przyszłość e-commerce w oparciu o analizę danych i zastosowanie nowych technologii w celu stworzenia lepszej obsługi naszych klientów.

Subskrybuj również kanał Trends Telegram i bądź na bieżąco z aktualnymi trendami i prognozami dotyczącymi przyszłości technologii, ekonomii, edukacji i innowacji.