איך Lamoda עובדת על אלגוריתמים שמבינים את רצונות הקונה

בקרוב, קניות מקוונות יהיו שילוב של מדיה חברתית, פלטפורמות המלצות ומשלוחי ארון קפסולות. אולג חומיוק, ראש מחלקת המחקר והפיתוח של החברה, סיפר כיצד למודה עובדת על כך

מי ואיך בלמודה עובד על אלגוריתמי פלטפורמה

ב-Lamoda, R&D אחראי על יישום רוב הפרויקטים החדשים מונעי נתונים ויצירת רווחים מהם. הצוות מורכב מאנליסטים, מפתחים, מדעני נתונים (מהנדסי למידת מכונה) ומנהלי מוצר. הפורמט הצוותי התפקודי נבחר מסיבה כלשהי.

באופן מסורתי, בחברות גדולות, מומחים אלה עובדים במחלקות שונות - אנליטיקה, IT, מחלקות מוצר. מהירות הביצוע של פרויקטים נפוצים בגישה זו היא בדרך כלל נמוכה למדי בשל הקשיים בתכנון משותף. העבודה עצמה בנויה באופן הבא: ראשית, מחלקה אחת עוסקת באנליטיקה, אחר כך אחרת - פיתוח. לכל אחד מהם יש משימות משלו ומועדים לפיתרון.

הצוות הרוחבי שלנו משתמש בגישות גמישות, והפעילויות של מומחים שונים מתבצעות במקביל. הודות לכך, מחוון Time-To-Market (הזמן מתחילת העבודה על הפרויקט ועד הכניסה לשוק. — מגמות) נמוך מהממוצע בשוק. יתרון נוסף של הפורמט הבין-פונקציונלי הוא השקיעה של כל חברי הצוות בהקשר העסקי ובעבודה זה של זה.

תיק פרויקטים

תיק הפרויקטים של המחלקה שלנו מגוון, אם כי מסיבות ברורות הוא מוטה למוצר דיגיטלי. תחומים בהם אנו פעילים:

• קטלוג וחיפוש;
• מערכות ממליצים;
• התאמה אישית;
• אופטימיזציה של תהליכים פנימיים.

מערכות קטלוג, חיפוש והמלצות הן כלי שיווק ויזואליים, הדרך העיקרית שבה לקוח בוחר מוצר. לכל שיפור משמעותי בשימושיות של פונקציונליות זו יש השפעה משמעותית על הביצועים העסקיים. כך למשל, תעדוף מוצרים פופולאריים ואטרקטיביים ללקוחות במיון הקטלוגים מביאה לעלייה במכירות, שכן למשתמש קשה לצפות בכל המגוון, ותשומת הלב שלו מוגבלת לרוב לכמה מאות מוצרים שנצפו. יחד עם זאת, המלצות על מוצרים דומים בכרטיס המוצר יכולות לסייע למי שמסיבה כלשהי לא אהב את המוצר הנצפה, לעשות את בחירתו.

אחד המקרים המוצלחים ביותר שהיו לנו היה הצגת חיפוש חדש. ההבדל העיקרי שלו מהגרסה הקודמת הוא באלגוריתמים הלשוניים להבנת הבקשה, שהמשתמשים שלנו תפסו בצורה חיובית. לכך הייתה השפעה משמעותית על נתוני המכירות.

כל הרעיונות נבדקים

לפני שפונקציונליות חדשה תהיה זמינה למשתמשי Lamoda, אנו עורכים בדיקות A/B. הוא בנוי על פי הסכימה הקלאסית ושימוש ברכיבים מסורתיים.

• השלב הראשון – אנו מתחילים את הניסוי, מציינים את התאריכים שלו ואת אחוז המשתמשים שצריכים להפעיל פונקציונליות זו או אחרת.
• השלב השני - אנו אוספים מזהים של משתמשים המשתתפים בניסוי, כמו גם נתונים על התנהגותם באתר ורכישות.
• השלב השלישי – לסכם באמצעות מדדים ממוקדים של מוצרים ועסקים.

מנקודת מבט עסקית, ככל שהאלגוריתמים שלנו מבינים טוב יותר שאילתות משתמשים, כולל אלו שעושות טעויות, כך זה ישפיע טוב יותר על הכלכלה שלנו. בקשות עם שגיאות הקלדה לא יובילו לדף ריק או לחיפוש לא מדויק, הטעויות שנעשו יתבררו לאלגוריתמים שלנו, והמשתמש יראה את המוצרים שחיפש בתוצאות החיפוש. כתוצאה מכך הוא יכול לבצע רכישה ולא יעזוב את האתר בלי כלום.

ניתן למדוד את איכות הדגם החדש על ידי מדדי איכות תיקון השגיאות. לדוגמה, אתה יכול להשתמש בדברים הבאים: "אחוז הבקשות שתוקנו כהלכה" ו"אחוז הבקשות הלא מתוקנות כהלכה". אבל זה לא מדבר ישירות על התועלת של חדשנות כזו לעסקים. בכל מקרה, עליך לראות כיצד מדדי חיפוש היעד משתנים בתנאי לחימה. לשם כך, אנו מפעילים ניסויים, כלומר מבחני A/B. לאחר מכן, אנו מסתכלים על מדדים, למשל, חלקן של תוצאות חיפוש ריקות ו"שיעור הקליקים" של כמה מיקומים מלמעלה בקבוצות הבדיקה והביקורת. אם השינוי גדול מספיק, הוא יבוא לידי ביטוי במדדים גלובליים כמו צ'ק ממוצע, הכנסה והמרה לרכישה. זה מצביע על כך שהאלגוריתם לתיקון שגיאות הקלדה יעיל. המשתמש מבצע רכישה גם אם ביצע שגיאת הקלדה בשאילתת החיפוש.

תשומת לב לכל משתמש

אנחנו יודעים משהו על כל משתמש ב-Lamoda. גם אם אדם מבקר באתר או באפליקציה שלנו בפעם הראשונה, אנו רואים את הפלטפורמה שבה הוא משתמש. לפעמים מיקום גיאוגרפי ומקור תנועה זמינים לנו. העדפות המשתמש משתנות בין הפלטפורמות והאזורים. לכן, אנו מבינים מיד מה לקוח פוטנציאלי חדש עשוי לאהוב.

אנחנו יודעים איך לעבוד עם היסטוריית משתמש שנאספה במשך שנה או שנתיים. עכשיו אנחנו יכולים לאסוף היסטוריה הרבה יותר מהר - ממש תוך כמה דקות. לאחר הדקות הראשונות של הפגישה הראשונה, כבר אפשר להסיק כמה מסקנות לגבי הצרכים והטעמים של אדם מסוים. לדוגמה, אם משתמש בחר מספר פעמים נעליים לבנות בעת חיפוש נעלי ספורט, אז זו האחת שצריך להציע. אנו רואים את הסיכויים לפונקציונליות כזו ומתכננים ליישם אותה.

כעת, כדי לשפר את אפשרויות ההתאמה האישית, אנו מתמקדים יותר במאפיינים של מוצרים שאיתם למבקרים שלנו הייתה אינטראקציה כלשהי. בהתבסס על נתונים אלה, אנו יוצרים "תמונה התנהגותית" מסוימת של המשתמש, שבה אנו משתמשים באלגוריתמים שלנו.

כיצד לשנות בעקבות ההתנהגות של קונים מקוונים

חלק חשוב בפיתוח של כל מוצר הוא פיתוח לקוחות (בדיקת רעיון או אב טיפוס של מוצר עתידי על צרכנים פוטנציאליים) וראיונות עומק. לצוות שלנו יש מנהלי מוצר העוסקים בתקשורת עם צרכנים. הם עורכים ראיונות עומק כדי להבין את צרכי המשתמשים שלא נענו ולהפוך את הידע הזה לרעיונות למוצרים.

מבין המגמות שאנו רואים כעת, ניתן להבחין בין המגמות הבאות:

• נתח החיפושים ממכשירים ניידים גדל כל הזמן. השכיחות של פלטפורמות ניידות משנה את האופן שבו משתמשים מתקשרים איתנו. לדוגמה, התנועה בלמודה לאורך זמן זורמת יותר ויותר מהקטלוג לחיפוש. זה מוסבר בפשטות: לפעמים קל יותר להגדיר שאילתת טקסט מאשר להשתמש בניווט בקטלוג.
• מגמה נוספת שעלינו לשקול היא הרצון של המשתמשים לשאול שאילתות קצרות. לכן, יש צורך לעזור להם לגבש בקשות משמעותיות ומפורטות יותר. לדוגמה, אנו יכולים לעשות זאת באמצעות הצעות חיפוש.

מה הלאה

כיום, בקניות באינטרנט, יש רק שתי דרכים להצביע למוצר: לבצע רכישה או להוסיף את המוצר למועדפים. אבל למשתמש, ככלל, אין אפשרויות להראות שהמוצר אינו אוהב. פתרון בעיה זו הוא אחד מסדר העדיפויות לעתיד.

בנפרד, הצוות שלנו עובד קשה על הכנסת טכנולוגיות ראייה ממוחשבת, אלגוריתמי אופטימיזציה לוגיסטית ועדכון מותאם אישית של המלצות. אנו שואפים לבנות את עתיד המסחר האלקטרוני על בסיס ניתוח נתונים ויישום טכנולוגיות חדשות כדי ליצור שירות טוב יותר ללקוחותינו.

הירשם גם לערוץ Trends Telegram והישאר מעודכן במגמות ותחזיות עדכניות לגבי עתיד הטכנולוגיה, הכלכלה, החינוך והחדשנות.