Bagaimana Lamoda mengerjakan algoritma yang memahami keinginan pembeli

Segera, belanja online akan menjadi campuran media sosial, platform rekomendasi, dan pengiriman lemari kapsul. Oleg Khomyuk, kepala departemen penelitian dan pengembangan perusahaan, menceritakan bagaimana Lamoda bekerja dalam hal ini

Siapa dan bagaimana di Lamoda bekerja pada algoritma platform

Di Lamoda, R&D bertanggung jawab untuk mengimplementasikan sebagian besar proyek berbasis data baru dan memonetisasinya. Tim tersebut terdiri dari analis, pengembang, ilmuwan data (insinyur pembelajaran mesin), dan manajer produk. Format tim lintas fungsi dipilih karena suatu alasan.

Secara tradisional, di perusahaan besar, spesialis ini bekerja di departemen yang berbeda – analitik, IT, departemen produk. Kecepatan pelaksanaan proyek umum dengan pendekatan ini biasanya cukup rendah karena kesulitan dalam perencanaan bersama. Pekerjaan itu sendiri disusun sebagai berikut: pertama, satu departemen terlibat dalam analitik, lalu yang lain - pengembangan. Masing-masing memiliki tugas dan tenggat waktu sendiri untuk solusinya.

Tim lintas fungsi kami menggunakan pendekatan yang fleksibel, dan aktivitas spesialis yang berbeda dilakukan secara paralel. Berkat ini, indikator Time-To-Market (waktu dari awal pengerjaan proyek hingga memasuki pasar. — Tren) lebih rendah dari rata-rata pasar. Keuntungan lain dari format lintas fungsi adalah perendaman semua anggota tim dalam konteks bisnis dan pekerjaan masing-masing.

Portofolio Proyek

Portofolio proyek departemen kami beragam, meskipun untuk alasan yang jelas bias terhadap produk digital. Area dimana kami aktif:

• katalog dan pencarian;
• sistem pemberi rekomendasi;
• personalisasi;
• optimalisasi proses internal.

Sistem katalog, pencarian, dan pemberi rekomendasi adalah alat merchandising visual, cara utama pelanggan memilih produk. Setiap peningkatan yang signifikan terhadap kegunaan fungsi ini memiliki dampak yang signifikan terhadap kinerja bisnis. Misalnya, memprioritaskan produk yang populer dan menarik bagi pelanggan dalam penyortiran katalog mengarah pada peningkatan penjualan, karena sulit bagi pengguna untuk melihat keseluruhan rangkaian, dan perhatiannya biasanya terbatas pada beberapa ratus produk yang dilihat. Pada saat yang sama, rekomendasi produk serupa pada kartu produk dapat membantu mereka yang, karena alasan tertentu, tidak menyukai produk yang dilihat, membuat pilihan.

Salah satu kasus paling sukses yang kami miliki adalah pengenalan pencarian baru. Perbedaan utamanya dari versi sebelumnya terletak pada algoritme linguistik untuk memahami permintaan, yang dirasakan secara positif oleh pengguna kami. Ini berdampak signifikan pada angka penjualan.

Semua ide diuji

Sebelum fungsionalitas baru tersedia bagi pengguna Lamoda, kami melakukan pengujian A/B. Itu dibangun sesuai dengan skema klasik dan menggunakan komponen tradisional.

• Tahap pertama – kami memulai percobaan, menunjukkan tanggalnya dan persentase pengguna yang perlu mengaktifkan fungsi ini atau itu.
• Tahap kedua — kami mengumpulkan pengidentifikasi pengguna yang berpartisipasi dalam percobaan, serta data tentang perilaku mereka di situs dan pembelian.
• Tahap ketiga – meringkas menggunakan metrik produk dan bisnis yang ditargetkan.

Dari sudut pandang bisnis, semakin baik algoritme kami memahami kueri pengguna, termasuk yang membuat kesalahan, semakin baik pengaruhnya terhadap perekonomian kami. Permintaan dengan kesalahan ketik tidak akan mengarah ke halaman kosong atau pencarian yang tidak akurat, kesalahan yang dibuat akan menjadi jelas bagi algoritme kami, dan pengguna akan melihat produk yang dia cari di hasil pencarian. Akibatnya, dia dapat melakukan pembelian dan tidak akan meninggalkan situs tanpa apa-apa.

Kualitas model baru dapat diukur dengan metrik kualitas koreksi kesalahan. Misalnya, Anda dapat menggunakan yang berikut: "persentase permintaan yang dikoreksi dengan benar" dan "persentase permintaan yang tidak dikoreksi dengan benar". Tetapi ini tidak secara langsung berbicara tentang kegunaan inovasi semacam itu untuk bisnis. Bagaimanapun, Anda perlu memperhatikan bagaimana metrik pencarian target berubah dalam kondisi pertempuran. Untuk melakukan ini, kami menjalankan eksperimen, yaitu tes A / B. Setelah itu, kami melihat metrik, misalnya, pangsa hasil penelusuran kosong dan "rasio klik-tayang" dari beberapa posisi dari atas dalam grup pengujian dan kontrol. Jika perubahannya cukup besar, itu akan tercermin dalam metrik global seperti cek rata-rata, pendapatan, dan konversi ke pembelian. Ini menunjukkan bahwa algoritma untuk mengoreksi kesalahan ketik efektif. Pengguna melakukan pembelian meskipun dia salah ketik dalam kueri penelusuran.

Perhatian untuk setiap pengguna

Kami mengetahui sesuatu tentang setiap pengguna Lamoda. Bahkan jika seseorang mengunjungi situs atau aplikasi kami untuk pertama kalinya, kami melihat platform yang dia gunakan. Terkadang geolokasi dan sumber lalu lintas tersedia untuk kami. Preferensi pengguna bervariasi di seluruh platform dan wilayah. Oleh karena itu, kami segera memahami apa yang mungkin disukai oleh calon klien baru.

Kami tahu cara bekerja dengan riwayat pengguna yang dikumpulkan selama satu atau dua tahun. Sekarang kami dapat mengumpulkan riwayat lebih cepat – secara harfiah dalam beberapa menit. Setelah menit pertama sesi pertama, beberapa kesimpulan sudah dapat ditarik tentang kebutuhan dan selera orang tertentu. Misalnya, jika pengguna beberapa kali memilih sepatu putih saat menelusuri sepatu kets, sepatu itulah yang harus ditawarkan. Kami melihat prospek untuk fungsi tersebut dan berencana untuk mengimplementasikannya.

Sekarang, untuk meningkatkan opsi personalisasi, kami lebih berfokus pada karakteristik produk yang berinteraksi dengan pengunjung kami. Berdasarkan data ini, kami membentuk "gambar perilaku" tertentu dari pengguna, yang kemudian kami gunakan dalam algoritme kami.

Bagaimana mengubah mengikuti perilaku pembeli online

Bagian penting dari pengembangan produk apa pun adalah pengembangan pelanggan (menguji ide atau prototipe produk masa depan pada konsumen potensial) dan wawancara mendalam. Tim kami memiliki manajer produk yang menangani komunikasi dengan konsumen. Mereka melakukan wawancara mendalam untuk memahami kebutuhan pengguna yang belum terpenuhi dan mengubah pengetahuan tersebut menjadi ide produk.

Dari tren yang kita lihat sekarang, berikut ini yang bisa dibedakan:

• Pangsa penelusuran dari perangkat seluler terus bertambah. Prevalensi platform seluler mengubah cara pengguna berinteraksi dengan kami. Misalnya, lalu lintas di Lamoda dari waktu ke waktu semakin banyak mengalir dari katalog ke pencarian. Ini dijelaskan dengan cukup sederhana: terkadang lebih mudah menyetel kueri teks daripada menggunakan navigasi di katalog.
• Tren lain yang harus kita perhatikan adalah keinginan pengguna untuk mengajukan pertanyaan singkat. Oleh karena itu, perlu membantu mereka untuk membentuk permintaan yang lebih bermakna dan terperinci. Misalnya, kita dapat melakukannya dengan saran pencarian.

Apa berikutnya

Saat ini, dalam belanja online, hanya ada dua cara untuk memilih suatu produk: melakukan pembelian atau menambahkan produk ke favorit. Tetapi pengguna, pada umumnya, tidak memiliki opsi untuk menunjukkan bahwa produk tersebut tidak disukai. Pemecahan masalah ini adalah salah satu prioritas untuk masa depan.

Secara terpisah, tim kami bekerja keras untuk memperkenalkan teknologi visi komputer, algoritme pengoptimalan logistik, dan umpan rekomendasi yang dipersonalisasi. Kami berusaha untuk membangun masa depan e-commerce berdasarkan analisis data dan penerapan teknologi baru untuk menciptakan layanan yang lebih baik bagi pelanggan kami.

Berlangganan juga ke saluran Telegram Tren dan dapatkan informasi terbaru tentang tren dan prakiraan terkini tentang masa depan teknologi, ekonomi, pendidikan, dan inovasi.