Πώς η Lamoda εργάζεται σε αλγόριθμους που κατανοούν τις επιθυμίες του αγοραστή

Σύντομα, οι διαδικτυακές αγορές θα είναι ένας συνδυασμός μέσων κοινωνικής δικτύωσης, πλατφορμών συστάσεων και αποστολών ντουλάπας με κάψουλες. Ο Oleg Khomyuk, επικεφαλής του τμήματος έρευνας και ανάπτυξης της εταιρείας, είπε πώς λειτουργεί η Lamoda σε αυτό

Ποιος και πώς λειτουργεί στο Lamoda σε αλγόριθμους πλατφόρμας

Στη Lamoda, η Ε&Α είναι υπεύθυνη για την υλοποίηση των περισσότερων νέων έργων που βασίζονται σε δεδομένα και τη δημιουργία εσόδων από αυτά. Η ομάδα αποτελείται από αναλυτές, προγραμματιστές, επιστήμονες δεδομένων (μηχανικούς μηχανικής εκμάθησης) και διαχειριστές προϊόντων. Η διαλειτουργική μορφή ομάδας επιλέχθηκε για κάποιο λόγο.

Παραδοσιακά, σε μεγάλες εταιρείες, αυτοί οι ειδικοί εργάζονται σε διαφορετικά τμήματα – τμήματα ανάλυσης, πληροφορικής, προϊόντων. Η ταχύτητα υλοποίησης κοινών έργων με αυτή την προσέγγιση είναι συνήθως αρκετά χαμηλή λόγω των δυσκολιών στον κοινό σχεδιασμό. Η ίδια η εργασία είναι δομημένη ως εξής: πρώτα, ένα τμήμα ασχολείται με την ανάλυση και μετά ένα άλλο - ανάπτυξη. Κάθε ένα από αυτά έχει τα δικά του καθήκοντα και προθεσμίες για την επίλυσή του.

Η διαλειτουργική ομάδα μας χρησιμοποιεί ευέλικτες προσεγγίσεις και οι δραστηριότητες διαφορετικών ειδικών πραγματοποιούνται παράλληλα. Χάρη σε αυτό, ο δείκτης Time-To-Market (ο χρόνος από την έναρξη των εργασιών για το έργο έως την είσοδο στην αγορά. — Τάσεις) είναι χαμηλότερο από τον μέσο όρο της αγοράς. Ένα άλλο πλεονέκτημα της διαλειτουργικής μορφής είναι η εμβάπτιση όλων των μελών της ομάδας στο επιχειρηματικό πλαίσιο και στο έργο του άλλου.

Χαρτοφυλάκιο Έργου

Το χαρτοφυλάκιο έργων του τμήματός μας είναι ποικίλο, αν και για ευνόητους λόγους είναι προκατειλημμένο προς ένα ψηφιακό προϊόν. Τομείς στους οποίους δραστηριοποιούμαστε:

  • κατάλογος και αναζήτηση?
  • συστήματα συστάσεων·
  • εξατομίκευση?
  • βελτιστοποίηση των εσωτερικών διαδικασιών.

Τα συστήματα καταλόγου, αναζήτησης και συστάσεων είναι οπτικά εργαλεία εμπορίας, ο κύριος τρόπος με τον οποίο ένας πελάτης επιλέγει ένα προϊόν. Οποιαδήποτε σημαντική βελτίωση στη χρηστικότητα αυτής της λειτουργικότητας έχει σημαντικό αντίκτυπο στην απόδοση της επιχείρησης. Για παράδειγμα, η ιεράρχηση προϊόντων που είναι δημοφιλή και ελκυστικά για τους πελάτες στην ταξινόμηση καταλόγων οδηγεί σε αύξηση των πωλήσεων, καθώς είναι δύσκολο για τον χρήστη να δει ολόκληρη τη σειρά και η προσοχή του συνήθως περιορίζεται σε αρκετές εκατοντάδες προϊόντα που προβλήθηκαν. Ταυτόχρονα, οι συστάσεις για παρόμοια προϊόντα στην κάρτα προϊόντος μπορούν να βοηθήσουν όσους, για κάποιο λόγο, δεν τους άρεσε το προϊόν που προβλήθηκε, να κάνουν την επιλογή τους.

Μια από τις πιο επιτυχημένες περιπτώσεις που είχαμε ήταν η εισαγωγή μιας νέας αναζήτησης. Η κύρια διαφορά του από την προηγούμενη έκδοση είναι στους γλωσσικούς αλγόριθμους για την κατανόηση του αιτήματος, τους οποίους οι χρήστες μας έχουν αντιληφθεί θετικά. Αυτό είχε σημαντική επίδραση στα μεγέθη των πωλήσεων.

48% όλων των καταναλωτών εγκαταλείψτε τον ιστότοπο της εταιρείας λόγω της κακής απόδοσης και κάντε την επόμενη αγορά σε άλλο ιστότοπο.

91% των καταναλωτών είναι πιο πιθανό να αγοράσουν από επωνυμίες που παρέχουν ενημερωμένες προσφορές και προτάσεις.

Πηγή: Accenture

Όλες οι ιδέες δοκιμάζονται

Πριν γίνει διαθέσιμη η νέα λειτουργικότητα στους χρήστες της Lamoda, πραγματοποιούμε δοκιμές A/B. Είναι κατασκευασμένο σύμφωνα με το κλασικό σχέδιο και χρησιμοποιώντας παραδοσιακά στοιχεία.

  • Το πρώτο στάδιο – ξεκινάμε το πείραμα, υποδεικνύοντας τις ημερομηνίες και το ποσοστό των χρηστών που πρέπει να ενεργοποιήσουν αυτήν ή εκείνη τη λειτουργία.
  • Το δεύτερο στάδιο — συλλέγουμε αναγνωριστικά των χρηστών που συμμετέχουν στο πείραμα, καθώς και δεδομένα σχετικά με τη συμπεριφορά τους στον ιστότοπο και τις αγορές.
  • Το τρίτο στάδιο – συνοψίστε χρησιμοποιώντας στοχευμένες μετρήσεις προϊόντων και επιχειρήσεων.

Από επιχειρηματική άποψη, όσο καλύτερα κατανοούν οι αλγόριθμοί μας τα ερωτήματα των χρηστών, συμπεριλαμβανομένων αυτών που κάνουν λάθη, τόσο καλύτερα θα επηρεάσει την οικονομία μας. Αιτήματα με τυπογραφικά λάθη δεν θα οδηγήσουν σε κενή σελίδα ή ανακριβή αναζήτηση, τα λάθη που έγιναν θα γίνουν ξεκάθαρα στους αλγόριθμους μας και ο χρήστης θα δει τα προϊόντα που αναζητούσε στα αποτελέσματα αναζήτησης. Ως αποτέλεσμα, μπορεί να κάνει μια αγορά και δεν θα αφήσει τον ιστότοπο χωρίς τίποτα.

Η ποιότητα του νέου μοντέλου μπορεί να μετρηθεί με τις μετρήσεις ποιότητας διόρθωσης εσφαλμένων σφαλμάτων. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε τα εξής: "ποσοστό σωστά διορθωμένων αιτημάτων" και "ποσοστό σωστά μη διορθωμένων αιτημάτων". Αλλά αυτό δεν μιλά άμεσα για τη χρησιμότητα μιας τέτοιας καινοτομίας για τις επιχειρήσεις. Σε κάθε περίπτωση, πρέπει να παρακολουθήσετε πώς αλλάζουν οι μετρήσεις αναζήτησης στόχου σε συνθήκες μάχης. Για να γίνει αυτό, εκτελούμε πειράματα, δηλαδή δοκιμές A/B. Μετά από αυτό, εξετάζουμε τις μετρήσεις, για παράδειγμα, το μερίδιο των κενών αποτελεσμάτων αναζήτησης και την «αναλογία κλικ προς αριθμό εμφανίσεων» ορισμένων θέσεων από την κορυφή στις ομάδες δοκιμής και ελέγχου. Εάν η αλλαγή είναι αρκετά μεγάλη, θα αντικατοπτρίζεται σε παγκόσμιες μετρήσεις, όπως η μέση επιταγή, τα έσοδα και η μετατροπή σε αγορά. Αυτό δείχνει ότι ο αλγόριθμος για τη διόρθωση τυπογραφικών σφαλμάτων είναι αποτελεσματικός. Ο χρήστης κάνει μια αγορά ακόμα κι αν έκανε τυπογραφικό λάθος στο ερώτημα αναζήτησης.

Προσοχή σε κάθε χρήστη

Ξέρουμε κάτι για κάθε χρήστη Lamoda. Ακόμα κι αν κάποιος επισκέπτεται τον ιστότοπο ή την εφαρμογή μας για πρώτη φορά, βλέπουμε την πλατφόρμα που χρησιμοποιεί. Μερικές φορές η γεωγραφική τοποθεσία και η πηγή επισκεψιμότητας είναι διαθέσιμα σε εμάς. Οι προτιμήσεις των χρηστών διαφέρουν σε πλατφόρμες και περιοχές. Επομένως, καταλαβαίνουμε αμέσως τι μπορεί να αρέσει σε έναν νέο πιθανό πελάτη.

Γνωρίζουμε πώς να δουλεύουμε με το ιστορικό ενός χρήστη που συλλέγεται σε διάστημα ενός ή δύο ετών. Τώρα μπορούμε να συλλέξουμε ιστορία πολύ πιο γρήγορα – κυριολεκτικά σε λίγα λεπτά. Μετά τα πρώτα λεπτά της πρώτης συνεδρίας, είναι ήδη δυνατό να εξαχθούν κάποια συμπεράσματα για τις ανάγκες και τα γούστα ενός συγκεκριμένου ατόμου. Για παράδειγμα, εάν ένας χρήστης επέλεξε λευκά παπούτσια αρκετές φορές όταν έψαχνε για αθλητικά παπούτσια, τότε αυτό είναι αυτό που πρέπει να προσφερθεί. Βλέπουμε τις προοπτικές για μια τέτοια λειτουργικότητα και σχεδιάζουμε να την εφαρμόσουμε.

Τώρα, για να βελτιώσουμε τις επιλογές εξατομίκευσης, εστιάζουμε περισσότερο στα χαρακτηριστικά των προϊόντων με τα οποία οι επισκέπτες μας είχαν κάποιου είδους αλληλεπίδραση. Με βάση αυτά τα δεδομένα, σχηματίζουμε μια συγκεκριμένη «εικόνα συμπεριφοράς» του χρήστη, την οποία στη συνέχεια χρησιμοποιούμε στους αλγόριθμους μας.

Το 76% των Ρώσων χρηστών πρόθυμοι να μοιραστούν τα προσωπικά τους δεδομένα με εταιρείες που εμπιστεύονται.

73% εταιρειών δεν έχουν εξατομικευμένη προσέγγιση στον καταναλωτή.

Πηγές: PWC, Accenture

Πώς να αλλάξετε ακολουθώντας τη συμπεριφορά των online αγοραστών

Ένα σημαντικό μέρος της ανάπτυξης οποιουδήποτε προϊόντος είναι η ανάπτυξη πελατών (δοκιμάζοντας μια ιδέα ή πρωτότυπο ενός μελλοντικού προϊόντος σε δυνητικούς καταναλωτές) και οι εις βάθος συνεντεύξεις. Η ομάδα μας διαθέτει διαχειριστές προϊόντων που ασχολούνται με την επικοινωνία με τους καταναλωτές. Διεξάγουν συνεντεύξεις σε βάθος για να κατανοήσουν τις ανεκπλήρωτες ανάγκες των χρηστών και να μετατρέψουν αυτή τη γνώση σε ιδέες προϊόντων.

Από τις τάσεις που βλέπουμε τώρα, διακρίνονται οι εξής:

  • Το μερίδιο των αναζητήσεων από κινητές συσκευές αυξάνεται συνεχώς. Η επικράτηση των κινητών πλατφορμών αλλάζει τον τρόπο με τον οποίο οι χρήστες αλληλεπιδρούν μαζί μας. Για παράδειγμα, η επισκεψιμότητα στο Lamoda με την πάροδο του χρόνου ρέει όλο και περισσότερο από τον κατάλογο στην αναζήτηση. Αυτό εξηγείται πολύ απλά: μερικές φορές είναι πιο εύκολο να ορίσετε ένα ερώτημα κειμένου παρά να χρησιμοποιήσετε την πλοήγηση στον κατάλογο.
  • Μια άλλη τάση που πρέπει να εξετάσουμε είναι την επιθυμία των χρηστών να κάνουν σύντομα ερωτήματα. Ως εκ τούτου, είναι απαραίτητο να τους βοηθήσουμε να σχηματίσουν πιο ουσιαστικά και λεπτομερή αιτήματα. Για παράδειγμα, μπορούμε να το κάνουμε αυτό με προτάσεις αναζήτησης.

Τι έπεται

Σήμερα, στις ηλεκτρονικές αγορές, υπάρχουν μόνο δύο τρόποι για να ψηφίσετε ένα προϊόν: να κάνετε μια αγορά ή να προσθέσετε το προϊόν στα αγαπημένα. Αλλά ο χρήστης, κατά κανόνα, δεν έχει επιλογές για να δείξει ότι το προϊόν δεν αρέσει. Η επίλυση αυτού του προβλήματος είναι μία από τις προτεραιότητες για το μέλλον.

Ξεχωριστά, η ομάδα μας εργάζεται σκληρά για την εισαγωγή τεχνολογιών υπολογιστικής όρασης, αλγορίθμων βελτιστοποίησης logistics και εξατομικευμένης ροής προτάσεων. Προσπαθούμε να οικοδομήσουμε το μέλλον του ηλεκτρονικού εμπορίου με βάση την ανάλυση δεδομένων και την εφαρμογή νέων τεχνολογιών για να δημιουργήσουμε καλύτερες υπηρεσίες για τους πελάτες μας.


Εγγραφείτε επίσης στο κανάλι Trends Telegram και μείνετε ενημερωμένοι με τις τρέχουσες τάσεις και προβλέψεις για το μέλλον της τεχνολογίας, της οικονομίας, της εκπαίδευσης και της καινοτομίας.

Αφήστε μια απάντηση