Lamoda, alıcının isteklerini anlayan algoritmalar üzerinde nasıl çalışıyor?

Yakında çevrimiçi alışveriş, sosyal medya, öneri platformları ve kapsül gardırop gönderilerinin bir karışımı olacak. Şirketin araştırma ve geliştirme departmanı başkanı Oleg Khomyuk, Lamoda'nın bu konuda nasıl çalıştığını anlattı

Lamoda'da kim ve nasıl platform algoritmaları üzerinde çalışır?

Lamoda'da Ar-Ge, çoğu yeni veriye dayalı projeyi uygulamaktan ve bunlardan para kazanmaktan sorumludur. Ekip analistlerden, geliştiricilerden, veri bilimcilerden (makine öğrenimi mühendisleri) ve ürün yöneticilerinden oluşur. İşlevler arası ekip formatı bir nedenle seçildi.

Geleneksel olarak, büyük şirketlerde bu uzmanlar farklı departmanlarda çalışır - analitik, BT, ürün departmanları. Bu yaklaşımla ortak projelerin uygulanma hızı, ortak planlamadaki zorluklar nedeniyle genellikle oldukça düşüktür. Çalışmanın kendisi şu şekilde yapılandırılmıştır: önce bir departman analitikle, ardından başka bir departmanla - geliştirme ile ilgilenir. Her birinin kendi görevleri ve çözümleri için son tarihleri ​​​​vardır.

Fonksiyonlar arası ekibimiz esnek yaklaşımlar kullanır ve farklı uzmanların faaliyetleri paralel olarak yürütülür. Bu sayede, Pazara Çıkış Süresi göstergesi (proje üzerinde çalışmanın başlangıcından pazara girişine kadar geçen süre. — Trendler) piyasa ortalamasından düşüktür. Fonksiyonlar arası formatın bir başka avantajı da, tüm ekip üyelerinin iş bağlamına ve birbirlerinin çalışmalarına dahil olmalarıdır.

Proje Portföyü

Departmanımızın proje portföyü çeşitlidir, ancak bariz sebeplerden dolayı dijital bir ürüne eğilimlidir. Faaliyet gösterdiğimiz alanlar:

• katalog ve arama;
• tavsiye sistemleri;
• kişiselleştirme;
• iç süreçlerin optimizasyonu.

Katalog, arama ve tavsiye sistemleri, müşterinin bir ürünü seçmesinin ana yolu olan görsel satış araçlarıdır. Bu işlevselliğin kullanılabilirliğine yönelik önemli bir geliştirmenin, iş performansı üzerinde önemli bir etkisi vardır. Örneğin, katalog sıralamada müşteriler için popüler ve çekici olan ürünlere öncelik verilmesi satışların artmasına neden olur çünkü kullanıcının tüm yelpazeyi görmesi zordur ve dikkati genellikle incelenen birkaç yüz ürünle sınırlıdır. Aynı zamanda ürün kartında yer alan benzer ürün tavsiyeleri, görüntülenen ürünü herhangi bir nedenle beğenmeyenlerin tercih yapmasına yardımcı olabilir.

Elimizdeki en başarılı vakalardan biri, yeni bir aramanın başlatılmasıydı. Önceki sürümden temel farkı, kullanıcılarımızın olumlu algıladığı, isteği anlamaya yönelik dilsel algoritmalardır. Bu da satış rakamlarını önemli ölçüde etkiledi.

Tüm fikirler test edildi

Lamoda kullanıcıları için yeni işlevler kullanıma sunulmadan önce, A/B testi yaparız. Klasik şemaya göre ve geleneksel bileşenler kullanılarak inşa edilmiştir.

• İlk aşama – tarihlerini ve bunu veya bu işlevi etkinleştirmesi gereken kullanıcıların yüzdesini belirterek deneyi başlatıyoruz.
• İkinci aşama — deneye katılan kullanıcıların tanımlayıcılarının yanı sıra sitedeki davranışları ve satın alma işlemleriyle ilgili verileri topluyoruz.
• Üçüncü aşama – hedeflenen ürün ve iş ölçütlerini kullanarak özetleyin.

İş açısından bakıldığında, algoritmalarımız hata yapanlar da dahil olmak üzere kullanıcı sorgularını ne kadar iyi anlarsa, ekonomimizi o kadar iyi etkiler. Yazım hatası ile yapılan istekler boş bir sayfaya veya hatalı aramaya yol açmayacak, yapılan hatalar algoritmalarımıza netlik kazandıracak ve kullanıcı aradığı ürünleri arama sonuçlarında görebilecektir. Sonuç olarak, bir satın alma işlemi yapabilir ve siteyi hiçbir şey olmadan terk etmeyecektir.

Yeni modelin kalitesi, hata düzeltme kalite metrikleri ile ölçülebilir. Örneğin, şunları kullanabilirsiniz: "doğru şekilde düzeltilmiş isteklerin yüzdesi" ve "doğru şekilde düzeltilmemiş isteklerin yüzdesi". Ancak bu, böyle bir yeniliğin iş için yararlılığından doğrudan bahsetmez. Her durumda, savaş koşullarında hedef arama metriklerinin nasıl değiştiğini izlemeniz gerekir. Bunu yapmak için deneyler, yani A / B testleri yapıyoruz. Ardından boş arama sonuçlarının payı ve test ve kontrol gruplarında üstten bazı konumların "tıklanma oranı" gibi metriklere bakıyoruz. Değişiklik yeterince büyükse, ortalama çek, gelir ve satın almaya dönüşüm gibi küresel metriklere yansıtılacaktır. Bu, yazım hatalarını düzeltme algoritmasının etkili olduğunu gösterir. Kullanıcı, arama sorgusunda yazım hatası yapsa bile satın alma işlemi gerçekleştirir.

Her kullanıcının dikkatine

Her Lamoda kullanıcısı hakkında bir şeyler biliyoruz. Bir kişi sitemizi veya uygulamamızı ilk kez ziyaret etse bile kullandığı platformu görüyoruz. Bazen coğrafi konum ve trafik kaynağı bizim için kullanılabilir. Kullanıcı tercihleri ​​platformlara ve bölgelere göre değişir. Bu nedenle, yeni bir potansiyel müşterinin neyi sevebileceğini hemen anlıyoruz.

Bir veya iki yıl boyunca toplanan kullanıcı geçmişiyle nasıl çalışacağımızı biliyoruz. Artık geçmişi çok daha hızlı bir şekilde toplayabiliyoruz - kelimenin tam anlamıyla birkaç dakika içinde. İlk seansın ilk dakikalarından sonra, belirli bir kişinin ihtiyaçları ve zevkleri hakkında bazı sonuçlar çıkarmak zaten mümkün. Örneğin, bir kullanıcı spor ayakkabı ararken birkaç kez beyaz ayakkabı seçtiyse, bu durumda teklif edilmesi gereken beyaz ayakkabıdır. Bu tür bir işlevsellik için umutları görüyoruz ve uygulamayı planlıyoruz.

Artık kişiselleştirme seçeneklerini geliştirmek için ziyaretçilerimizin bir şekilde etkileşimde bulunduğu ürünlerin özelliklerine daha fazla odaklanıyoruz. Bu verilere dayanarak, kullanıcının daha sonra algoritmalarımızda kullandığımız belirli bir "davranışsal imajını" oluşturuyoruz.

Çevrimiçi alışveriş yapanların davranışları nasıl değiştirilir?

Herhangi bir ürünün geliştirilmesinin önemli bir parçası, müşteri geliştirme (gelecekteki bir ürünün bir fikrini veya prototipini potansiyel tüketiciler üzerinde test etme) ve derinlemesine görüşmelerdir. Ekibimizde tüketicilerle iletişim ile ilgilenen ürün yöneticileri bulunmaktadır. Karşılanmayan kullanıcı ihtiyaçlarını anlamak ve bu bilgiyi ürün fikirlerine dönüştürmek için derinlemesine görüşmeler yaparlar.

Şu anda gördüğümüz trendlerden aşağıdakiler ayırt edilebilir:

• Mobil cihazlardan yapılan aramaların payı sürekli artıyor. Mobil platformların yaygınlığı, kullanıcıların bizimle etkileşim kurma şeklini değiştiriyor. Örneğin, Lamoda'daki trafik zamanla katalogdan aramaya giderek daha fazla akar. Bu oldukça basit bir şekilde açıklanmaktadır: bazen bir metin sorgusu ayarlamak, katalogda gezinmeyi kullanmaktan daha kolaydır.
• Dikkate almamız gereken bir başka eğilim de kullanıcıların kısa sorgular sorma isteği. Bu nedenle daha anlamlı ve ayrıntılı talepler oluşturmalarına yardımcı olmak gerekir. Örneğin bunu arama önerileri ile yapabiliriz.

Sıradaki ne

Günümüzde online alışverişte bir ürüne oy vermenin sadece iki yolu var: Satın almak veya ürünü favorilere eklemek. Ancak kullanıcının kural olarak ürünü beğenmediğini gösterme seçeneği yoktur. Bu sorunu çözmek geleceğin önceliklerinden biridir.

Ayrıca ekibimiz, bilgisayarla görme teknolojilerinin, lojistik optimizasyon algoritmalarının ve kişiselleştirilmiş bir öneri akışının sunulması üzerinde yoğun bir şekilde çalışıyor. Müşterilerimiz için daha iyi bir hizmet yaratmak için veri analizine ve yeni teknolojilerin uygulanmasına dayalı olarak e-ticaretin geleceğini inşa etmeye çalışıyoruz.

Trends Telegram kanalına da abone olun ve teknoloji, ekonomi, eğitim ve inovasyonun geleceği hakkında güncel trendler ve tahminlerden haberdar olun.