Kuidas Lamoda töötab algoritmide kallal, mis mõistavad ostja soove

Peagi on veebiostlemine segu sotsiaalmeediast, soovitusplatvormidest ja kapselgarderoobisaadetistest. Ettevõtte uurimis- ja arendusosakonna juht Oleg Khomyuk rääkis, kuidas Lamoda sellega tegeleb

Kes ja kuidas Lamodas töötab platvormi algoritmidel

Lamodas vastutab teadus- ja arendustegevus enamiku uute andmepõhiste projektide elluviimise ja nende monetiseerimise eest. Meeskond koosneb analüütikutest, arendajatest, andmeteadlastest (masinõppeinsenerid) ja tootejuhtidest. Funktsionaalne meeskonnavorm valiti põhjusega.

Traditsiooniliselt töötavad suurtes ettevõtetes need spetsialistid erinevates osakondades – analüütika, IT, tooteosakondades. Selle lähenemisega ühisprojektide elluviimise kiirus on ühise planeerimise raskuste tõttu tavaliselt üsna väike. Töö ise on üles ehitatud järgmiselt: esiteks tegeleb üks osakond analüütikaga, siis teine ​​– arendusega. Igal neist on oma ülesanded ja nende lahendamise tähtajad.

Meie funktsiooniülene meeskond kasutab paindlikke lähenemisi ning paralleelselt toimub erinevate spetsialistide tegevus. Tänu sellele on turule jõudmise aja indikaator (aeg projektiga töötamise algusest turule sisenemiseni). Trends) on turu keskmisest madalam. Ristfunktsionaalse formaadi eeliseks on ka kõigi meeskonnaliikmete süvenemine ärikonteksti ja üksteise töösse.

Projekti portfell

Meie osakonna projektiportfell on mitmekesine, kuigi arusaadavatel põhjustel kaldub see digitoote poole. Valdkonnad, kus me tegutseme:

• kataloog ja otsing;
• soovitussüsteemid;
• isikupärastamine;
• sisemiste protsesside optimeerimine.

Kataloogi-, otsingu- ja soovitussüsteemid on visuaalsed müügitööriistad, mis on peamine viis, kuidas klient toodet valib. Selle funktsionaalsuse kasutatavuse kõik olulised täiustused mõjutavad oluliselt ettevõtte toimivust. Näiteks kataloogi sorteerimisel klientidele populaarsete ja atraktiivsete toodete eelistamine toob kaasa müügi kasvu, kuna kasutajal on raske kogu tootevalikut vaadata ning tema tähelepanu piirdub tavaliselt mitmesaja vaadatud tootega. Samas võivad samalaadsete toodete soovitused tootekaardil aidata valiku tegemisel neid, kellele vaadeldav toode mingil põhjusel ei meeldinud.

Üks edukamaid juhtumeid, mis meil oli, oli uue otsingu kasutuselevõtt. Selle peamine erinevus eelmisest versioonist on päringu mõistmise keelelistes algoritmides, mida meie kasutajad on positiivselt tajunud. See mõjutas oluliselt müüginäitajaid.

Kõik ideed on testitud

Enne kui uued funktsioonid Lamoda kasutajatele kättesaadavaks muutuvad, viime läbi A/B testimise. See on ehitatud vastavalt klassikalisele skeemile ja kasutades traditsioonilisi komponente.

• Esimene etapp – alustame katset, näidates ära selle kuupäevad ja kasutajate protsendi, kes peavad selle või teise funktsiooni lubama.
• Teine etapp — kogume katses osalevate kasutajate identifikaatoreid, samuti andmeid nende käitumise ja ostude kohta saidil.
• Kolmas etapp – tehke kokkuvõte sihitud toote- ja ärimõõdikute abil.

Ärilisest vaatenurgast, mida paremini mõistavad meie algoritmid kasutajate päringuid, sealhulgas neid, mis teevad vigu, seda paremini mõjutab see meie majandust. Kirjavigadega päringud ei too kaasa tühja lehte ega ebatäpset otsingut, tehtud vead saavad meie algoritmidele selgeks ning kasutaja näeb otsingutulemustes otsitud tooteid. Selle tulemusel saab ta ostu sooritada ega lahku saidilt ilma millegita.

Uue mudeli kvaliteeti saab mõõta errata paranduskvaliteedi mõõdikutega. Näiteks võite kasutada järgmist: "õigesti parandatud taotluste protsent" ja "õigesti parandamata taotluste protsent". Aga see ei räägi otseselt sellise uuenduse kasulikkusest ettevõtlusele. Igal juhul peate jälgima, kuidas sihtotsingu mõõdikud lahingutingimustes muutuvad. Selleks teeme katseid, nimelt A/B-teste. Pärast seda vaatame mõõdikuid, näiteks tühjade otsingutulemuste osakaalu ja mõne positsiooni “klikkimise määra” ülevalt test- ja kontrollgrupis. Kui muudatus on piisavalt suur, kajastub see globaalsetes mõõdikutes, nagu keskmine tšekk, tulu ja konversioon ostuks. See näitab, et kirjavigade parandamise algoritm on tõhus. Kasutaja sooritab ostu ka siis, kui ta tegi otsingupäringus kirjavea.

Tähelepanu igale kasutajale

Teame midagi iga Lamoda kasutaja kohta. Isegi kui inimene külastab meie saiti või rakendust esimest korda, näeme me platvormi, mida ta kasutab. Mõnikord on geolokatsioon ja liiklusallikad meile kättesaadavad. Kasutajate eelistused on platvormide ja piirkondade lõikes erinevad. Seetõttu saame kohe aru, mis uuele potentsiaalsele kliendile võiks meeldida.

Teame, kuidas töötada ühe või kahe aasta jooksul kogutud kasutaja ajalooga. Nüüd saame ajalugu koguda palju kiiremini – sõna otseses mõttes mõne minutiga. Pärast esimese seansi esimesi minuteid on juba võimalik teha mõningaid järeldusi konkreetse inimese vajaduste ja maitsete kohta. Näiteks kui kasutaja valis tossude otsimisel mitu korda valged kingad, siis just seda tuleks pakkuda. Näeme sellise funktsionaalsuse väljavaateid ja plaanime selle kasutusele võtta.

Isikupärastamisvõimaluste täiustamiseks keskendume nüüd rohkem nende toodete omadustele, millega meie külastajad mingil moel suhtlesid. Nende andmete põhjal moodustame kasutajast teatud “käitumispildi”, mida seejärel oma algoritmides kasutame.

Kuidas muuta e-ostlejate käitumist jälgides

Iga toote arenduse oluline osa on kliendiarendus (tulevase toote idee või prototüübi katsetamine potentsiaalsete tarbijate peal) ja süvaintervjuud. Meie meeskonnas on tootejuhid, kes tegelevad tarbijatega suhtlemisega. Nad viivad läbi põhjalikke intervjuusid, et mõista rahuldamata kasutajate vajadusi ja muuta need teadmised tooteideedeks.

Trendidest, mida praegu näeme, võib eristada järgmist:

• Mobiilseadmetest tehtud otsingute osakaal kasvab pidevalt. Mobiiliplatvormide levimus muudab seda, kuidas kasutajad meiega suhtlevad. Näiteks Lamoda liiklus liigub aja jooksul üha enam kataloogist otsingusse. Seda seletatakse üsna lihtsalt: mõnikord on lihtsam määrata tekstipäring kui kasutada kataloogis navigeerimist.
• Teine suundumus, mida peame arvestama, on kasutajate soov esitada lühikesi päringuid. Seetõttu on vaja aidata neil kujundada sisukamaid ja üksikasjalikumaid taotlusi. Näiteks saame seda teha otsingusoovituste abil.

Mis järgmiseks

Tänapäeval on veebipoodides toote poolt hääletamiseks vaid kaks võimalust: sooritada ost või lisada toode lemmikute hulka. Kuid kasutajal pole reeglina võimalusi näidata, et toode ei meeldi. Selle probleemi lahendamine on üks tuleviku prioriteete.

Eraldi töötab meie meeskond kõvasti arvutinägemise tehnoloogiate, logistika optimeerimise algoritmide ja isikupärastatud soovituste voo kasutuselevõtuga. Püüame üles ehitada e-kaubanduse tulevikku, tuginedes andmeanalüüsile ja uute tehnoloogiate rakendamisele, et luua oma klientidele parem teenus.

Liituge ka Trends Telegrami kanaliga ja olge kursis praeguste trendide ja prognoosidega tehnoloogia, majanduse, hariduse ja innovatsiooni tuleviku kohta.