Comment Lamoda travaille sur des algorithmes qui comprennent les désirs de l'acheteur

Bientôt, les achats en ligne seront un mélange de médias sociaux, de plateformes de recommandation et d'expéditions de garde-robe de capsules. Oleg Khomyuk, chef du département de recherche et développement de l'entreprise, a expliqué comment Lamoda travaille sur ce

Qui et comment à Lamoda travaille sur les algorithmes de plate-forme

Chez Lamoda, la R&D est responsable de la mise en œuvre de la plupart des nouveaux projets axés sur les données et de leur monétisation. L'équipe est composée d'analystes, de développeurs, de data scientists (ingénieurs en machine learning) et de chefs de produits. Le format d'équipe interfonctionnelle a été choisi pour une raison.

Traditionnellement, dans les grandes entreprises, ces spécialistes travaillent dans différents départements - analytique, informatique, départements produits. La vitesse de mise en œuvre des projets communs avec cette approche est généralement assez faible en raison des difficultés de planification conjointe. Le travail lui-même est structuré comme suit : d'abord, un département est engagé dans l'analyse, puis un autre – le développement. Chacun d'eux a ses propres tâches et délais pour sa solution.

Notre équipe interfonctionnelle utilise des approches flexibles et les activités de différents spécialistes sont menées en parallèle. Grâce à cela, l'indicateur Time-To-Market (le temps entre le début des travaux sur le projet et l'entrée sur le marché. — Trends) est inférieur à la moyenne du marché. Un autre avantage du format transversal est l'immersion de tous les membres de l'équipe dans le contexte métier et le travail de chacun.

Portefeuille de projets

Le portefeuille de projets de notre département est diversifié, bien que pour des raisons évidentes, il soit orienté vers un produit numérique. Domaines dans lesquels nous sommes actifs :

• catalogue et recherche;
• systèmes de recommandation ;
• personnalisation;
• optimisation des processus internes.

Les systèmes de catalogue, de recherche et de recommandation sont des outils de merchandising visuel, le principal moyen par lequel un client choisit un produit. Toute amélioration significative de la convivialité de cette fonctionnalité a un impact significatif sur les performances de l'entreprise. Par exemple, privilégier les produits appréciés et attractifs pour les clients dans le tri du catalogue entraîne une augmentation des ventes, car il est difficile pour l'utilisateur de visualiser l'ensemble de la gamme, et son attention se limite généralement à plusieurs centaines de produits consultés. Dans le même temps, les recommandations de produits similaires sur la fiche produit peuvent aider ceux qui, pour une raison quelconque, n'aimaient pas le produit visualisé, à faire leur choix.

L'un des cas les plus réussis que nous ayons eu a été l'introduction d'une nouvelle recherche. Sa principale différence par rapport à la version précédente réside dans les algorithmes linguistiques de compréhension de la demande, que nos utilisateurs ont perçus positivement. Cela a eu un impact significatif sur les chiffres de vente.

Toutes les idées sont testées

Avant que de nouvelles fonctionnalités ne soient disponibles pour les utilisateurs de Lamoda, nous effectuons des tests A/B. Il est construit selon le schéma classique et en utilisant des composants traditionnels.

• La première étape – nous commençons l'expérience en indiquant ses dates et le pourcentage d'utilisateurs qui doivent activer telle ou telle fonctionnalité.
• La deuxième étape — nous collectons les identifiants des utilisateurs qui participent à l'expérimentation, ainsi que des données sur leur comportement sur le site et leurs achats.
• La troisième étape – résumer à l'aide d'indicateurs de produit et d'entreprise ciblés.

D'un point de vue commercial, mieux nos algorithmes comprennent les requêtes des utilisateurs, y compris celles qui font des erreurs, mieux cela affectera notre économie. Les demandes avec des fautes de frappe ne mèneront pas à une page blanche ou à une recherche inexacte, les erreurs commises deviendront claires pour nos algorithmes et l'utilisateur verra les produits qu'il recherchait dans les résultats de la recherche. De ce fait, il pourra effectuer un achat et ne quittera pas le site sans rien.

La qualité du nouveau modèle peut être mesurée par les mesures de qualité de correction des errata. Par exemple, vous pouvez utiliser les éléments suivants : "pourcentage de requêtes correctement corrigées" et "pourcentage de requêtes correctement non corrigées". Mais cela ne parle pas directement de l'utilité d'une telle innovation pour les entreprises. Dans tous les cas, vous devez observer comment les métriques de recherche de cible changent dans les conditions de combat. Pour ce faire, nous menons des expérimentations, à savoir des tests A/B. Après cela, nous examinons les métriques, par exemple, la part des résultats de recherche vides et le "taux de clics" de certaines positions à partir du haut dans les groupes de test et de contrôle. Si le changement est suffisamment important, il se reflétera dans les mesures globales telles que le chèque moyen, les revenus et la conversion en achat. Cela indique que l'algorithme de correction des fautes de frappe est efficace. L'utilisateur effectue un achat même s'il a fait une faute de frappe dans la requête de recherche.

Attention à chaque utilisateur

Nous savons quelque chose sur chaque utilisateur Lamoda. Même si une personne visite notre site ou notre application pour la première fois, nous voyons la plateforme qu'elle utilise. Parfois, la géolocalisation et la source de trafic sont à notre disposition. Les préférences des utilisateurs varient selon les plates-formes et les régions. Par conséquent, nous comprenons immédiatement ce qu'un nouveau client potentiel pourrait aimer.

Nous savons travailler avec l'historique d'un utilisateur collecté sur un an ou deux. Désormais, nous pouvons collecter l'historique beaucoup plus rapidement, littéralement en quelques minutes. Après les premières minutes de la première séance, il est déjà possible de tirer quelques conclusions sur les besoins et les goûts d'une personne en particulier. Par exemple, si un utilisateur a sélectionné plusieurs fois des chaussures blanches lors de la recherche de baskets, c'est celle-ci qui devrait être proposée. Nous voyons les perspectives d'une telle fonctionnalité et prévoyons de la mettre en œuvre.

Maintenant, pour améliorer les options de personnalisation, nous nous concentrons davantage sur les caractéristiques des produits avec lesquels nos visiteurs ont eu une sorte d'interaction. Sur la base de ces données, nous formons une certaine "image comportementale" de l'utilisateur, que nous utilisons ensuite dans nos algorithmes.

Comment changer en suivant le comportement des acheteurs en ligne

Une partie importante du développement de tout produit est le développement de la clientèle (tester une idée ou un prototype d'un futur produit sur des consommateurs potentiels) et des entretiens approfondis. Notre équipe compte des chefs de produits qui s'occupent de la communication avec les consommateurs. Ils mènent des entretiens approfondis pour comprendre les besoins non satisfaits des utilisateurs et transformer ces connaissances en idées de produits.

Parmi les tendances que nous observons actuellement, on peut distinguer les suivantes :

• La part des recherches à partir d'appareils mobiles ne cesse de croître. La prévalence des plateformes mobiles change la façon dont les utilisateurs interagissent avec nous. Par exemple, le trafic sur Lamoda au fil du temps s'écoule de plus en plus du catalogue vers la recherche. Cela s'explique assez simplement : il est parfois plus facile de définir une requête textuelle que d'utiliser la navigation dans le catalogue.
• Une autre tendance que nous devons considérer est le désir des utilisateurs de poser des questions courtes. Par conséquent, il est nécessaire de les aider à formuler des demandes plus significatives et détaillées. Par exemple, nous pouvons le faire avec des suggestions de recherche.

Et après

Aujourd'hui, dans les achats en ligne, il n'y a que deux façons de voter pour un produit : effectuer un achat ou ajouter le produit aux favoris. Mais l'utilisateur, en règle générale, n'a pas d'options pour montrer que le produit n'est pas aimé. Résoudre ce problème est l'une des priorités pour l'avenir.

Par ailleurs, notre équipe travaille dur sur l'introduction de technologies de vision par ordinateur, d'algorithmes d'optimisation logistique et d'un flux personnalisé de recommandations. Nous nous efforçons de construire l'avenir du commerce électronique basé sur l'analyse des données et l'application de nouvelles technologies pour créer un meilleur service pour nos clients.

Abonnez-vous également à la chaîne Trends Telegram et restez au courant des tendances actuelles et des prévisions sur l'avenir de la technologie, de l'économie, de l'éducation et de l'innovation.