Paano gumagana ang Lamoda sa mga algorithm na nauunawaan ang mga kagustuhan ng mamimili

Sa lalong madaling panahon, ang online na pamimili ay magiging isang halo ng social media, mga platform ng rekomendasyon, at mga pagpapadala ng capsule wardrobe. Sinabi ni Oleg Khomyuk, pinuno ng departamento ng pananaliksik at pagpapaunlad ng kumpanya, kung paano gumagana ang Lamoda dito

Sino at paano gumagana sa Lamoda ang mga algorithm ng platform

Sa Lamoda, ang R&D ay responsable para sa pagpapatupad ng karamihan sa mga bagong proyektong batay sa data at pagkakitaan ang mga ito. Ang koponan ay binubuo ng mga analyst, developer, data scientist (machine learning engineers) at product manager. Ang cross-functional na format ng koponan ay pinili para sa isang dahilan.

Ayon sa kaugalian, sa malalaking kumpanya, ang mga espesyalistang ito ay nagtatrabaho sa iba't ibang departamento - analytics, IT, mga departamento ng produkto. Ang bilis ng pagpapatupad ng mga karaniwang proyekto na may ganitong paraan ay kadalasang medyo mababa dahil sa mga kahirapan sa magkasanib na pagpaplano. Ang gawain mismo ay nakabalangkas tulad ng sumusunod: una, ang isang departamento ay nakikibahagi sa analytics, pagkatapos ay isa pa - pag-unlad. Ang bawat isa sa kanila ay may kanya-kanyang mga gawain at mga deadline para sa kanilang solusyon.

Gumagamit ang aming cross-functional team ng mga flexible approach, at ang mga aktibidad ng iba't ibang mga espesyalista ay isinasagawa nang magkatulad. Salamat dito, ang tagapagpahiwatig ng Time-To-Market (ang oras mula sa simula ng trabaho sa proyekto hanggang sa pagpasok sa merkado. — Trend) ay mas mababa kaysa sa average ng merkado. Ang isa pang bentahe ng cross-functional na format ay ang pagsasawsaw ng lahat ng miyembro ng team sa konteksto ng negosyo at sa trabaho ng bawat isa.

Portfolio ng Proyekto

Ang portfolio ng proyekto ng aming departamento ay magkakaiba, bagama't para sa mga malinaw na kadahilanan ay kinikiling ito sa isang digital na produkto. Mga lugar kung saan tayo aktibo:

• katalogo at paghahanap;
• mga sistema ng rekomendasyon;
• personalization;
• pag-optimize ng mga panloob na proseso.

Ang catalog, search at recommender system ay visual merchandising tool, ang pangunahing paraan ng pagpili ng customer ng isang produkto. Ang anumang makabuluhang pagpapahusay sa kakayahang magamit ng pagpapaandar na ito ay may malaking epekto sa pagganap ng negosyo. Halimbawa, ang pag-prioritize ng mga produkto na sikat at kaakit-akit sa mga customer sa pag-uuri ng catalog ay humahantong sa pagtaas ng mga benta, dahil mahirap para sa user na tingnan ang buong hanay, at ang kanyang atensyon ay karaniwang limitado sa ilang daang tiningnang produkto. Kasabay nito, ang mga rekomendasyon ng mga katulad na produkto sa card ng produkto ay maaaring makatulong sa mga taong, sa ilang kadahilanan, ay hindi nagustuhan ang produktong tinitingnan, na pumili.

Isa sa mga pinakamatagumpay na kaso na mayroon kami ay ang pagpapakilala ng isang bagong paghahanap. Ang pangunahing pagkakaiba nito sa nakaraang bersyon ay nasa mga linguistic algorithm para sa pag-unawa sa kahilingan, na positibong napagtanto ng aming mga user. Malaki ang epekto nito sa mga numero ng benta.

Ang lahat ng mga ideya ay nasubok

Bago maging available ang bagong functionality sa mga user ng Lamoda, nagsasagawa kami ng A/B testing. Ito ay binuo ayon sa klasikal na pamamaraan at gamit ang mga tradisyonal na bahagi.

• Ang unang yugto – sinisimulan namin ang eksperimento, na nagsasaad ng mga petsa nito at ang porsyento ng mga user na kailangang paganahin ito o ang functionality na iyon.
• Ang pangalawang yugto — nangongolekta kami ng mga identifier ng mga user na lumahok sa eksperimento, pati na rin ang data tungkol sa kanilang pag-uugali sa site at mga pagbili.
• Ang ikatlong yugto – buod gamit ang naka-target na produkto at sukatan ng negosyo.

Mula sa pananaw ng negosyo, mas mahusay na nauunawaan ng aming mga algorithm ang mga query ng user, kabilang ang mga nagkakamali, mas makakaapekto ito sa aming ekonomiya. Ang mga kahilingan na may mga typo ay hindi hahantong sa isang blangkong pahina o hindi tumpak na paghahanap, ang mga pagkakamaling nagawa ay magiging malinaw sa aming mga algorithm, at makikita ng user ang mga produktong hinahanap niya sa mga resulta ng paghahanap. Bilang isang resulta, maaari siyang bumili at hindi iiwan ang site nang wala.

Ang kalidad ng bagong modelo ay maaaring masukat sa pamamagitan ng maling sukatan ng kalidad ng pagwawasto. Halimbawa, maaari mong gamitin ang sumusunod: "porsyento ng mga kahilingang tama ang naitama" at "porsiyento ng mga kahilingang hindi natama nang tama." Ngunit hindi ito direktang nagsasalita tungkol sa pagiging kapaki-pakinabang ng naturang pagbabago para sa negosyo. Sa anumang kaso, kailangan mong panoorin kung paano nagbabago ang mga sukatan ng target na paghahanap sa mga kundisyon ng labanan. Upang gawin ito, nagpapatakbo kami ng mga eksperimento, katulad ng mga pagsubok sa A / B. Pagkatapos nito, tinitingnan namin ang mga sukatan, halimbawa, ang bahagi ng mga walang laman na resulta ng paghahanap at ang "click-through rate" ng ilang posisyon mula sa itaas sa mga pangkat ng pagsubok at kontrol. Kung sapat ang laki ng pagbabago, makikita ito sa mga pandaigdigang sukatan gaya ng average na pagsusuri, kita, at conversion sa pagbili. Ito ay nagpapahiwatig na ang algorithm para sa pagwawasto ng mga typo ay epektibo. Bumili ang user kahit na nagka-typo siya sa query sa paghahanap.

Pansin sa bawat gumagamit

May alam kami tungkol sa bawat gumagamit ng Lamoda. Kahit na bumisita ang isang tao sa aming site o application sa unang pagkakataon, nakikita namin ang platform na ginagamit niya. Minsan available sa amin ang geolocation at source ng trapiko. Iba-iba ang mga kagustuhan ng user sa mga platform at rehiyon. Samakatuwid, agad naming nauunawaan kung ano ang maaaring magustuhan ng isang bagong potensyal na kliyente.

Alam namin kung paano magtrabaho sa kasaysayan ng isang user na nakolekta sa loob ng isang taon o dalawa. Ngayon ay maaari na tayong mangolekta ng kasaysayan nang mas mabilis - literal sa loob ng ilang minuto. Pagkatapos ng mga unang minuto ng unang sesyon, posible nang gumawa ng ilang mga konklusyon tungkol sa mga pangangailangan at panlasa ng isang partikular na tao. Halimbawa, kung ang isang user ay pumili ng puting sapatos nang ilang beses kapag naghahanap ng mga sneaker, iyon ang dapat na ialok. Nakikita namin ang mga prospect para sa naturang functionality at plano naming ipatupad ito.

Ngayon, para mapahusay ang mga opsyon sa pag-personalize, mas nakatuon kami sa mga katangian ng mga produkto kung saan nagkaroon ng ilang uri ng pakikipag-ugnayan ang aming mga bisita. Batay sa data na ito, bumubuo kami ng isang partikular na "larawan sa pag-uugali" ng user, na pagkatapos ay ginagamit namin sa aming mga algorithm.

Paano baguhin ang pagsunod sa gawi ng mga online na mamimili

Ang isang mahalagang bahagi ng pagbuo ng anumang produkto ay ang pagbuo ng customer (pagsubok ng ideya o prototype ng isang produkto sa hinaharap sa mga potensyal na mamimili) at malalim na mga panayam. Ang aming koponan ay may mga tagapamahala ng produkto na nakikitungo sa komunikasyon sa mga mamimili. Nagsasagawa sila ng mga malalim na panayam para maunawaan ang mga hindi natutugunan na pangangailangan ng user at gawing ideya ng produkto ang kaalamang iyon.

Sa mga uso na nakikita natin ngayon, ang mga sumusunod ay maaaring makilala:

• Patuloy na lumalaki ang bahagi ng mga paghahanap mula sa mga mobile device. Ang pagkalat ng mga mobile platform ay nagbabago sa paraan ng pakikipag-ugnayan ng mga user sa amin. Halimbawa, ang trapiko sa Lamoda sa paglipas ng panahon ay parami nang parami ang daloy mula sa catalog patungo sa paghahanap. Ito ay ipinaliwanag nang simple: minsan mas madaling magtakda ng text query kaysa gamitin ang navigation sa catalog.
• Ang isa pang trend na dapat nating isaalang-alang ay ang pagnanais ng mga gumagamit na magtanong ng mga maikling query. Samakatuwid, ito ay kinakailangan upang matulungan silang bumuo ng mas makabuluhan at detalyadong mga kahilingan. Halimbawa, magagawa namin ito sa mga mungkahi sa paghahanap.

Anong susunod

Ngayon, sa online shopping, dalawa lang ang paraan para bumoto para sa isang produkto: bumili o idagdag ang produkto sa mga paborito. Ngunit ang gumagamit, bilang panuntunan, ay walang mga pagpipilian upang ipakita na ang produkto ay hindi nagustuhan. Ang paglutas sa problemang ito ay isa sa mga priyoridad para sa hinaharap.

Hiwalay, nagsusumikap ang aming team sa pagpapakilala ng mga teknolohiya ng computer vision, mga algorithm sa pag-optimize ng logistik at isang personalized na feed ng mga rekomendasyon. Nagsusumikap kaming bumuo ng kinabukasan ng e-commerce batay sa pagsusuri ng data at paggamit ng mga bagong teknolohiya upang lumikha ng mas mahusay na serbisyo para sa aming mga customer.

Mag-subscribe din sa channel ng Trends Telegram at manatiling napapanahon sa mga kasalukuyang uso at hula tungkol sa hinaharap ng teknolohiya, ekonomiya, edukasyon at pagbabago.