Jak Lamoda pracuje na algoritmech, které rozumí přáním kupujícího

Online nakupování bude brzy kombinací sociálních médií, doporučovacích platforem a zásilek kapslí. Oleg Khomyuk, vedoucí oddělení výzkumu a vývoje společnosti, řekl, jak na tom Lamoda pracuje

Kdo a jak v Lamoda pracuje na platformových algoritmech

V Lamoda je R&D zodpovědný za implementaci většiny nových datově řízených projektů a jejich zpeněžení. Tým se skládá z analytiků, vývojářů, datových vědců (inženýři strojového učení) a produktových manažerů. Multifunkční týmový formát byl zvolen z nějakého důvodu.

Ve velkých společnostech tradičně tito specialisté pracují v různých odděleních – analytika, IT, produktová oddělení. Rychlost realizace společných projektů s tímto přístupem je obvykle poměrně nízká kvůli obtížím při společném plánování. Samotná práce je strukturována takto: nejprve se jedno oddělení zabývá analytikou, poté další – vývoj. Každý z nich má své úkoly a termíny jejich řešení.

Náš mezifunkční tým využívá flexibilní přístupy a aktivity různých specialistů jsou prováděny paralelně. Díky tomu ukazatel Time-To-Market (doba od zahájení práce na projektu po vstup na trh. — Trendy) je nižší než průměr trhu. Další výhodou mezifunkčního formátu je ponoření všech členů týmu do obchodního kontextu a vzájemné práce.

Portfolio projektu

Portfolio projektů našeho oddělení je různorodé, i když z pochopitelných důvodů směřuje k digitálnímu produktu. Oblasti, ve kterých působíme:

  • katalog a vyhledávání;
  • doporučovací systémy;
  • personalizace;
  • optimalizace interních procesů.

Katalogové, vyhledávací a doporučovací systémy jsou nástroje vizuálního merchandisingu, hlavní způsob, jakým si zákazník vybírá produkt. Jakékoli významné vylepšení použitelnosti této funkce má významný dopad na výkonnost podniku. Například upřednostňování produktů, které jsou oblíbené a atraktivní pro zákazníky v katalogovém řazení, vede ke zvýšení prodeje, protože pro uživatele je obtížné prohlédnout si celý sortiment a jeho pozornost je obvykle omezena na několik stovek zhlédnutých produktů. Doporučení podobných produktů na produktové kartě přitom může pomoci při výběru těm, kterým se z nějakého důvodu prohlížený produkt nelíbil.

Jedním z nejúspěšnějších případů, které jsme měli, bylo zavedení nového vyhledávání. Jeho hlavní rozdíl oproti předchozí verzi je v lingvistických algoritmech pro pochopení požadavku, které naši uživatelé pozitivně vnímají. To mělo významný dopad na prodejní čísla.

48 % všech spotřebitelů opustit webové stránky společnosti kvůli jejich špatnému výkonu a provést další nákup na jiné stránce.

91% spotřebitelů je pravděpodobnější, že budou nakupovat od značek, které poskytují aktuální nabídky a doporučení.

Zdroj: Accenture

Všechny nápady jsou testovány

Než budou nové funkce dostupné uživatelům Lamoda, provedeme A/B testování. Je postaven podle klasického schématu s použitím tradičních komponentů.

  • První fáze – spustíme experiment s uvedením jeho dat a procenta uživatelů, kteří potřebují povolit tu či onu funkci.
  • Druhá fáze — shromažďujeme identifikátory uživatelů, kteří se účastní experimentu, a také údaje o jejich chování na webu a nákupech.
  • Třetí etapa – shrnutí pomocí cílených produktových a obchodních metrik.

Z obchodního hlediska, čím lépe naše algoritmy rozumí uživatelským dotazům, včetně těch, kteří dělají chyby, tím lépe to ovlivní naši ekonomiku. Požadavky s překlepy nepovedou k prázdné stránce nebo nepřesnému vyhledávání, naše algoritmy zjistí chyby, které se dopustily, a uživatel uvidí ve výsledcích vyhledávání produkty, které hledal. Díky tomu může nakoupit a neodejde z webu s ničím.

Kvalitu nového modelu lze měřit metrikami kvality korekce chyb. Můžete například použít následující: „procento správně opravených požadavků“ a „procento správně neopravených požadavků“. To ale přímo nevypovídá o užitečnosti takové inovace pro podnikání. V každém případě je třeba sledovat, jak se mění metriky hledání cíle v bojových podmínkách. K tomu provádíme experimenty, jmenovitě A/B testy. Poté se podíváme na metriky, například podíl prázdných výsledků vyhledávání a „proklikovost“ některých pozic shora v testovací a kontrolní skupině. Pokud je změna dostatečně velká, projeví se v globálních metrikách, jako je průměrná kontrola, tržby a konverze na nákup. To znamená, že algoritmus pro opravu překlepů je účinný. Uživatel provede nákup, i když udělal ve vyhledávacím dotazu překlep.

Pozornost pro každého uživatele

O každém uživateli Lamody něco víme. I když člověk navštíví naše stránky nebo aplikaci poprvé, vidíme platformu, kterou používá. Někdy máme k dispozici geolokaci a zdroj návštěvnosti. Uživatelské preference se liší podle platforem a regionů. Proto okamžitě chápeme, co by se novému potenciálnímu klientovi mohlo líbit.

Víme, jak pracovat s historií uživatele shromážděnou za rok nebo dva. Nyní můžeme sbírat historii mnohem rychleji – doslova za pár minut. Po prvních minutách prvního sezení je již možné vyvodit nějaké závěry o potřebách a vkusu konkrétního člověka. Pokud si uživatel například při hledání tenisek několikrát vybral bílé boty, pak by měly být nabízeny právě ty. Vidíme vyhlídky na takovou funkcionalitu a plánujeme ji implementovat.

Nyní, abychom zlepšili možnosti personalizace, se více zaměřujeme na vlastnosti produktů, se kterými naši návštěvníci měli nějakou interakci. Na základě těchto dat si vytváříme určitý „obraz chování“ uživatele, který pak používáme v našich algoritmech.

76 % ruských uživatelů ochotni sdílet své osobní údaje se společnostmi, kterým důvěřují.

73% společností nemají osobní přístup ke spotřebiteli.

Zdroje: PWC, Accenture

Jak změnit chování online nakupujících

Důležitou součástí vývoje každého produktu je zákaznický vývoj (testování nápadu nebo prototypu budoucího produktu na potenciálních spotřebitelích) a hloubkové rozhovory. Náš tým má produktové manažery, kteří se zabývají komunikací se spotřebiteli. Vedou hloubkové rozhovory, aby pochopili nenaplněné potřeby uživatelů a přeměnili tyto znalosti na nápady na produkty.

Z trendů, které nyní vidíme, lze rozlišit následující:

  • Podíl vyhledávání z mobilních zařízení neustále roste. Rozšíření mobilních platforem mění způsob, jakým s námi uživatelé komunikují. Například provoz na Lamodě postupem času stále více proudí z katalogu do vyhledávání. To je vysvětleno velmi jednoduše: někdy je jednodušší nastavit textový dotaz než používat navigaci v katalogu.
  • Dalším trendem, který musíme vzít v úvahu, je touha uživatelů klást krátké dotazy. Proto je nutné jim pomoci formulovat smysluplnější a podrobnější požadavky. Můžeme to udělat například pomocí návrhů vyhledávání.

Co bude dál

Dnes v online nakupování existují pouze dva způsoby, jak hlasovat pro produkt: nákup nebo přidání produktu do oblíbených. Uživatel však zpravidla nemá možnost ukázat, že se mu produkt nelíbí. Řešení tohoto problému je jednou z priorit do budoucna.

Samostatně náš tým tvrdě pracuje na zavádění technologií počítačového vidění, algoritmů optimalizace logistiky a personalizovaného zdroje doporučení. Snažíme se budovat budoucnost e-commerce založenou na analýze dat a aplikaci nových technologií k vytvoření lepších služeb pro naše zákazníky.


Přihlaste se také k odběru kanálu Trends Telegram a zůstaňte informováni o aktuálních trendech a prognózách budoucnosti technologií, ekonomiky, vzdělávání a inovací.

Napsat komentář