لامودا چگونه روی الگوریتم هایی کار می کند که خواسته های خریدار را درک می کند

به زودی، خرید آنلاین ترکیبی از رسانه‌های اجتماعی، پلتفرم‌های توصیه و محموله‌های کمد لباس‌های کپسولی خواهد بود. اولگ خومیوک، رئیس بخش تحقیق و توسعه این شرکت، به نحوه کار لامودا در این زمینه گفت

چه کسی و چگونه در Lamoda بر روی الگوریتم های پلت فرم کار می کند

در Lamoda، R&D مسئول اجرای اکثر پروژه های جدید مبتنی بر داده و کسب درآمد از آنها است. این تیم متشکل از تحلیلگران، توسعه دهندگان، دانشمندان داده (مهندسین یادگیری ماشین) و مدیران محصول است. قالب تیم متقابل به دلیلی انتخاب شد.

به طور سنتی، در شرکت های بزرگ، این متخصصان در بخش های مختلف - تجزیه و تحلیل، فناوری اطلاعات، بخش های محصول کار می کنند. سرعت اجرای پروژه های رایج با این رویکرد به دلیل مشکلات برنامه ریزی مشترک معمولاً بسیار کم است. خود کار به شرح زیر است: اول، یک بخش درگیر تجزیه و تحلیل است، سپس دیگری - توسعه. هر یک از آنها وظایف و ضرب الاجل خاص خود را برای حل خود دارند.

تیم متقابل ما از رویکردهای انعطاف پذیر استفاده می کند و فعالیت های متخصصان مختلف به صورت موازی انجام می شود. با تشکر از این، شاخص Time-To-Market (زمان از شروع کار روی پروژه تا ورود به بازار. - روند) کمتر از میانگین بازار است. یکی دیگر از مزایای قالب متقابل، غوطه ور شدن همه اعضای تیم در زمینه کسب و کار و کار یکدیگر است.

نمونه کار پروژه

مجموعه پروژه های بخش ما متنوع است، اگرچه به دلایل واضح نسبت به یک محصول دیجیتال تعصب دارد. حوزه هایی که در آن فعالیت داریم:

• کاتالوگ و جستجو؛
• سیستم توصیهگر؛
• شخصی سازی؛
• بهینه سازی فرآیندهای داخلی

سیستم‌های کاتالوگ، جستجو و توصیه‌کننده ابزارهای تجاری بصری هستند، راه اصلی انتخاب یک محصول توسط مشتری. هر گونه افزایش قابل توجهی در قابلیت استفاده از این عملکرد تأثیر قابل توجهی بر عملکرد کسب و کار دارد. به عنوان مثال، اولویت بندی محصولات محبوب و جذاب برای مشتریان در مرتب سازی کاتالوگ منجر به افزایش فروش می شود، زیرا مشاهده کل محدوده برای کاربر دشوار است و توجه او معمولاً به چند صد محصول مشاهده شده محدود می شود. در عین حال، توصیه های مربوط به محصولات مشابه در کارت محصول می تواند به کسانی که به دلایلی از مشاهده محصول خوششان نمی آید کمک کند تا انتخاب خود را انجام دهند.

یکی از موفق ترین مواردی که داشتیم، معرفی یک جستجوی جدید بود. تفاوت اصلی آن با نسخه قبلی در الگوریتم های زبانی برای درک درخواست است که کاربران ما آن را مثبت درک کرده اند. این امر تأثیر قابل توجهی بر آمار فروش داشت.

همه ایده ها آزمایش می شوند

قبل از اینکه عملکرد جدید در دسترس کاربران Lamoda قرار گیرد، ما آزمایش A/B را انجام می دهیم. بر اساس طرح کلاسیک و با استفاده از اجزای سنتی ساخته شده است.

• مرحله اول - آزمایش را شروع می کنیم و تاریخ آن و درصد کاربرانی را که باید این یا آن عملکرد را فعال کنند، نشان می دهیم.
• مرحله دوم — ما شناسه‌های کاربرانی را که در آزمایش شرکت می‌کنند و همچنین داده‌هایی درباره رفتار آنها در سایت و خریدها جمع‌آوری می‌کنیم.
• مرحله سوم - با استفاده از معیارهای محصول و کسب و کار هدفمند خلاصه کنید.

از نقطه نظر تجاری، هرچه الگوریتم‌های ما پرسش‌های کاربر، از جمله مواردی که اشتباه می‌کنند، بهتر درک کنند، بهتر بر اقتصاد ما تأثیر خواهد گذاشت. درخواست هایی که دارای غلط املایی هستند منجر به صفحه خالی یا جستجوی نادرست نمی شود، اشتباهات انجام شده برای الگوریتم های ما مشخص می شود و کاربر محصولاتی را که به دنبال آن بوده در نتایج جستجو می بیند. در نتیجه او می تواند خرید کند و سایت را بدون هیچ چیز ترک نمی کند.

کیفیت مدل جدید را می توان با معیارهای کیفیت تصحیح اشتباه اندازه گیری کرد. به عنوان مثال، می توانید از موارد زیر استفاده کنید: "درصد درخواست های به درستی تصحیح شده" و "درصد درخواست های به درستی اصلاح نشده". اما این به طور مستقیم در مورد مفید بودن چنین نوآوری برای تجارت صحبت نمی کند. در هر صورت، باید مراقب باشید که چگونه معیارهای جستجوی هدف در شرایط جنگی تغییر می کند. برای انجام این کار، آزمایش هایی را اجرا می کنیم، یعنی تست های A/B. پس از آن، ما به معیارها نگاه می کنیم، به عنوان مثال، سهم نتایج جستجوی خالی و "نرخ کلیک" برخی از موقعیت ها از بالا در گروه های آزمون و کنترل. اگر تغییر به اندازه کافی بزرگ باشد، در معیارهای جهانی مانند میانگین چک، درآمد و تبدیل به خرید منعکس خواهد شد. این نشان می دهد که الگوریتم برای تصحیح اشتباهات تایپی موثر است. کاربر خرید می کند حتی اگر اشتباه تایپی در عبارت جستجو داشته باشد.

توجه به هر کاربر

ما در مورد هر کاربر Lamoda چیزی می دانیم. حتی اگر شخصی برای اولین بار از سایت یا اپلیکیشن ما بازدید کند، ما پلتفرمی را می بینیم که از آن استفاده می کند. گاهی اوقات موقعیت جغرافیایی و منبع ترافیک در دسترس ما است. ترجیحات کاربر در پلتفرم ها و مناطق متفاوت است. بنابراین، ما بلافاصله درک می کنیم که یک مشتری بالقوه جدید ممکن است چه چیزی را دوست داشته باشد.

ما می دانیم که چگونه با سابقه کاربر جمع آوری شده در طول یک یا دو سال کار کنیم. اکنون می‌توانیم تاریخ را بسیار سریع‌تر جمع‌آوری کنیم - به معنای واقعی کلمه در چند دقیقه. پس از اولین دقایق جلسه اول، از قبل می توان در مورد نیازها و سلیقه های یک فرد خاص نتیجه گیری کرد. به عنوان مثال، اگر کاربر چندین بار هنگام جستجوی کفش های کتانی کفش سفید را انتخاب کرد، این همان چیزی است که باید ارائه شود. ما چشم انداز چنین عملکردی را می بینیم و برای اجرای آن برنامه ریزی می کنیم.

اکنون، برای بهبود گزینه‌های شخصی‌سازی، بیشتر بر ویژگی‌های محصولاتی تمرکز می‌کنیم که بازدیدکنندگان ما با آن‌ها نوعی تعامل داشتند. بر اساس این داده ها، ما یک "تصویر رفتاری" مشخصی از کاربر تشکیل می دهیم که سپس در الگوریتم های خود استفاده می کنیم.

نحوه تغییر رفتار خریداران آنلاین

بخش مهمی از توسعه هر محصول، توسعه مشتری (تست یک ایده یا نمونه اولیه از یک محصول آینده بر روی مصرف کنندگان بالقوه) و مصاحبه های عمیق است. تیم ما دارای مدیران محصول است که با ارتباط با مصرف کنندگان سروکار دارند. آنها مصاحبه های عمیقی را برای درک نیازهای برآورده نشده کاربران و تبدیل آن دانش به ایده های محصول انجام می دهند.

از روندهایی که اکنون شاهد آن هستیم، می توان موارد زیر را متمایز کرد:

• سهم جستجو از دستگاه های تلفن همراه به طور مداوم در حال افزایش است. رواج پلتفرم های تلفن همراه در حال تغییر نحوه تعامل کاربران با ما است. به عنوان مثال، ترافیک در Lamoda با گذشت زمان بیشتر و بیشتر از کاتالوگ به جستجو منتقل می شود. این به سادگی توضیح داده شده است: گاهی اوقات تنظیم یک درخواست متنی آسان تر از استفاده از پیمایش در کاتالوگ است.
• روند دیگری که باید در نظر بگیریم این است تمایل کاربران به پرسیدن سوالات کوتاه بنابراین باید به آنها کمک کرد تا درخواست های معنادارتر و دقیق تری را شکل دهند. به عنوان مثال، ما می توانیم این کار را با پیشنهادات جستجو انجام دهیم.

گام بعدی چیست

امروزه در خرید آنلاین تنها دو راه برای رای دادن به یک محصول وجود دارد: خرید یا افزودن محصول به علاقه مندی ها. اما کاربر، به عنوان یک قاعده، گزینه هایی برای نشان دادن اینکه محصول مورد پسند نیست، ندارد. حل این مشکل یکی از اولویت های آینده است.

به طور جداگانه، تیم ما سخت در حال کار بر روی معرفی فناوری‌های بینایی رایانه، الگوریتم‌های بهینه‌سازی لجستیک و خوراک شخصی‌شده از توصیه‌ها است. ما در تلاش هستیم تا آینده تجارت الکترونیک را بر اساس تجزیه و تحلیل داده ها و استفاده از فناوری های جدید بسازیم تا خدمات بهتری برای مشتریان خود ایجاد کنیم.

همچنین در کانال تلگرام Trends مشترک شوید و از روندهای فعلی و پیش بینی ها در مورد آینده فناوری، اقتصاد، آموزش و نوآوری مطلع شوید.