Кто и как в Lamoda работает над алгоритмами площадки
В компании Lamoda за внедрение большинства новых проектов на основе данных и их последующую монетизацию отвечает отдел исследований и разработки. В команде — аналитики, разработчики, дата-сайентисты (инженеры по машинному обучению) и продакт-менеджеры. Формат кросс-функциональной команды выбрали не просто так.
Традиционно в крупных компаниях эти специалисты работают в разных подразделениях — отделах аналитики, ИТ, департаменте продукта. Скорость реализации общих проектов при таком подходе обычно довольно низкая из-за сложностей в совместном планировании. Сама работа строится следующим образом: сначала один отдел занимается аналитикой, затем другой — разработкой. У каждого из них свои задачи и сроки для их решения.
В нашей кросс-функциональной команде используются гибкие подходы, и деятельность разных специалистов ведется параллельно. Благодаря этому показатель Time-To-Market (время от начала работы над проектом до выхода на рынок. — РБК Тренды) у нас ниже, чем в среднем по рынку. Еще одним преимуществом кросс-функционального формата можно назвать погруженность всех членов команды в бизнес-контекст и работу друг друга.
Портфель проектов
Портфель проектов нашего отдела разнообразный, хотя по понятным причинам он смещен в сторону digital-продукта. Направления, в которых мы ведем активную работу:
- каталог и поиск;
- рекомендательные системы;
- персонализация;
- оптимизация внутренних процессов.
Каталог, поиск и рекомендательные системы — это инструменты визуального мерчандайзинга, основной способ выбора товара клиентом. Любое значительное повышение удобства этой функциональности заметно влияет на бизнес-показатели. К примеру, приоритизация популярных и привлекательных для клиентов товаров в сортировке каталога приводит к росту продаж, так как пользователю сложно просмотреть весь ассортимент, и его внимание ограничено, как правило, несколькими сотнями просмотренных товаров. В то же время рекомендации похожих продуктов на карточке товара могут помочь сделать свой выбор тем, кому просматриваемый товар почему-то не подошел.
Один из самых успешных кейсов, который у нас был — внедрение нового поиска. Основное его отличие от предыдущей версии состоит в лингвистических алгоритмах понимания запроса, которые наши пользователи положительно восприняли. Это существенно отразилось на показателях продаж.
48% всех потребителей покидают веб-сайт компании по причине его плохого функционирования и делают следующие покупки на другом сайте.
91% потребителей с большей вероятностью будут делать покупки у брендов, которые предоставляют актуальные предложения и рекомендации.
Источник: Accenture
Все идеи проходят тестирование
Прежде чем пользователям Lamoda станет доступна новая функциональность, мы проводим A/B-тестирование. Оно строится по классической схеме и с использованием традиционных компонентов.
- Первый этап — запускаем эксперимент, обозначая его даты и процент пользователей, которым необходимо включить ту или иную функциональность.
- Второй этап — собираем идентификаторы пользователей, которые участвуют в эксперименте, а также данные об их поведении на сайте и покупках.
- Третий этап — подводим итоги, используя целевые продуктовые и бизнес-метрики.
С точки зрения бизнеса, чем лучше наши алгоритмы будут понимать пользовательские запросы, в том числе и те, в которых допускаются ошибки, тем лучше это скажется на нашей экономике. Запросы с опечатками не будут вести на пустую страницу или к неточному поиску, допущенные ошибки станут понятны нашим алгоритмам, а пользователь увидит в поисковой выдаче те товары, которые искал. В итоге он может совершить покупку и не уйдет с сайта ни с чем.
Качество новой модели можно измерить благодаря метрикам качества исправления опечаток. Например, можно использовать такие: «доля верно исправленных запросов» и «доля верно неисправленных запросов». Но это не говорит напрямую о полезности такого нововведения для бизнеса. В любом случае нужно смотреть, как меняются целевые метрики поиска в боевых условиях. Для этого мы запускаем эксперименты, а именно А/B-тесты. После мы смотрим на метрики, например, на долю пустых выдач и «кликабельность» некоторых позиций из топа в тестовой и контрольных группах. Если изменение достаточно крупное, оно отразится и на глобальных метриках, таких как средний чек, выручка и конверсия в покупку. Это свидетельствует о том, что алгоритм исправления опечаток эффективен. Пользователь совершает покупку, даже если допустил в поисковом запросе опечатку.
С вниманием к каждому пользователю
О каждом пользователе Lamoda мы что-то знаем. Даже если человек впервые заходит к нам на сайт или в приложение, мы видим платформу, которую он использует. Иногда нам доступна геолокация и источник трафика. Предпочтения пользователей разных платформ и в разных регионах отличаются. Поэтому мы сразу понимаем, что может понравиться новому потенциальному клиенту.
Мы знаем, как работать с историей пользователя, собранной за год-два. Сейчас мы умеем собирать историю гораздо быстрее — буквально за несколько минут. После первых минут первой сессии уже можно сделать какие-то выводы о потребностях и вкусах конкретного человека. Например, если при поиске кроссовок пользователь несколько раз выбрал обувь белого цвета, то именно его и нужно предлагать. Мы видим перспективы подобного функционала и планируем его внедрение.
Сейчас для улучшения параметров персонализации мы в большей степени фокусируемся на характеристиках товаров, с которыми у наших посетителей были какие-то взаимодействия. На основании этих данных мы формируем некий «поведенческий образ» пользователя, который затем используем в своих алгоритмах.
76% российских пользователей готовы делиться своими персональными данными с компаниями, которым они доверяют.
73% компаний не имеют персонализированного подхода к потребителю.
Как меняться вслед за поведением онлайн-покупателей
Важная часть развития любого продукта — customer development (тестирование идеи или прототипа будущего продукта на потенциальных потребителях) и глубинные интервью. В нашей команде есть продакт-менеджеры, которые занимаются общением с потребителями. Они проводят глубинные интервью, чтобы понять неудовлетворенные потребности пользователей и обернуть эти знания в продуктовые идеи.
Из трендов, которые мы наблюдаем сейчас, можно выделить следующие:
- Доля поиска с мобильных устройств постоянно растет. Распространенность мобильных платформ приводит к изменению способов взаимодействия пользователей и с нами. К примеру, трафик на Lamoda со временем все больше перетекает из каталога в поиск. Это объясняется довольно просто: задать текстовый запрос иногда легче, чем пользоваться навигацией в каталоге.
- Другая тенденция, которую мы должны учитывать — желание пользователей задавать короткие запросы. Поэтому необходимо помочь им, чтобы они формировали более содержательные и подробные запросы. Например, мы можем сделать это с помощью поисковых подсказок.
Что дальше
Сегодня в онлайн-шопинге есть возможность проголосовать за товар только двумя способами: совершить покупку или добавить товар в избранное. Но вариантов показать, что товар не нравится, у пользователя, как правило, нет. Решение этой задачи — один из приоритетов на будущее.
Отдельно наша команда много работает над внедрением технологий компьютерного зрения, алгоритмами оптимизации логистики и персональной лентой рекомендаций. Мы стремимся построить будущее электронной коммерции, основанное на анализируемых данных и применении новых технологий для создания лучшего сервиса для наших клиентов.
Подписывайтесь также на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.