Lamoda ทำงานอย่างไรกับอัลกอริทึมที่เข้าใจความต้องการของผู้ซื้อ

เร็วๆ นี้ การช้อปปิ้งออนไลน์จะเป็นส่วนผสมของโซเชียลมีเดีย แพลตฟอร์มแนะนำสินค้า และการจัดส่งตู้เสื้อผ้าแบบแคปซูล Oleg Khomyuk หัวหน้าฝ่ายวิจัยและพัฒนาของ บริษัท เล่าให้ฟังว่า Lamoda ทำงานอย่างไรกับเรื่องนี้

ใครและอย่างไรใน Lamoda ทำงานบนอัลกอริทึมของแพลตฟอร์ม

ที่ Lamoda ฝ่ายวิจัยและพัฒนามีหน้าที่รับผิดชอบในการดำเนินโครงการใหม่ส่วนใหญ่ที่ขับเคลื่อนด้วยข้อมูลและสร้างรายได้จากโครงการเหล่านั้น ทีมงานประกอบด้วยนักวิเคราะห์ นักพัฒนา นักวิทยาศาสตร์ข้อมูล (วิศวกรการเรียนรู้ของเครื่อง) และผู้จัดการผลิตภัณฑ์ รูปแบบทีมข้ามสายงานถูกเลือกด้วยเหตุผล

ตามธรรมเนียมแล้ว ในบริษัทขนาดใหญ่ ผู้เชี่ยวชาญเหล่านี้จะทำงานในแผนกต่างๆ เช่น ฝ่ายวิเคราะห์ ฝ่ายไอที ฝ่ายผลิตภัณฑ์ ความเร็วของการดำเนินโครงการทั่วไปด้วยวิธีนี้มักจะค่อนข้างต่ำเนื่องจากความยากลำบากในการวางแผนร่วมกัน ตัวงานนั้นมีโครงสร้างดังต่อไปนี้: แผนกแรกแผนกหนึ่งเกี่ยวข้องกับการวิเคราะห์ จากนั้นอีกแผนกหนึ่งคือการพัฒนา แต่ละคนมีหน้าที่และกำหนดเวลาสำหรับการแก้ปัญหาของตนเอง

ทีมงานข้ามสายงานของเราใช้วิธีการที่ยืดหยุ่น และกิจกรรมของผู้เชี่ยวชาญที่แตกต่างกันจะดำเนินการควบคู่กันไป ด้วยเหตุนี้ ตัวบ่งชี้เวลาถึงตลาด (เวลาตั้งแต่เริ่มทำงานในโครงการจนถึงเข้าสู่ตลาด — แนวโน้ม) ต่ำกว่าค่าเฉลี่ยของตลาด ข้อดีอีกประการของรูปแบบข้ามสายงานคือการที่สมาชิกในทีมทุกคนมีส่วนร่วมในบริบททางธุรกิจและงานของกันและกัน

ผลงานโครงการ

พอร์ตโฟลิโอโครงการของแผนกของเรามีความหลากหลาย แม้ว่าด้วยเหตุผลที่ชัดเจน แผนกนี้มีอคติต่อผลิตภัณฑ์ดิจิทัล พื้นที่ที่เราใช้งานอยู่:

• แคตตาล็อกและการค้นหา
• ระบบผู้แนะนำ
• ส่วนบุคคล;
• การเพิ่มประสิทธิภาพของกระบวนการภายใน

ระบบแคตตาล็อก การค้นหา และผู้แนะนำเป็นเครื่องมือแสดงสินค้า ซึ่งเป็นวิธีหลักที่ลูกค้าเลือกผลิตภัณฑ์ การปรับปรุงที่สำคัญใดๆ ต่อความสามารถในการใช้งานของฟังก์ชันนี้มีผลกระทบอย่างมากต่อประสิทธิภาพทางธุรกิจ ตัวอย่างเช่น การจัดลำดับความสำคัญของผลิตภัณฑ์ที่เป็นที่นิยมและดึงดูดใจลูกค้าในการจัดเรียงแคตตาล็อกทำให้ยอดขายเพิ่มขึ้น เนื่องจากผู้ใช้จะดูผลิตภัณฑ์ทั้งหมดได้ยาก และความสนใจของเขามักจำกัดอยู่ที่ผลิตภัณฑ์ที่ดูหลายร้อยรายการ ในขณะเดียวกัน คำแนะนำเกี่ยวกับผลิตภัณฑ์ที่คล้ายคลึงกันบนการ์ดผลิตภัณฑ์สามารถช่วยให้ผู้ที่ไม่ชอบผลิตภัณฑ์ที่กำลังดูอยู่ตัดสินใจด้วยเหตุผลบางประการ

หนึ่งในกรณีที่ประสบความสำเร็จมากที่สุดที่เรามีคือการเปิดตัวการค้นหาใหม่ ความแตกต่างหลักจากเวอร์ชันก่อนหน้าคืออัลกอริธึมทางภาษาศาสตร์สำหรับการทำความเข้าใจคำขอ ซึ่งผู้ใช้ของเรารับรู้ในเชิงบวก สิ่งนี้มีผลกระทบอย่างมากต่อยอดขาย

ความคิดทั้งหมดได้รับการทดสอบ

ก่อนที่ฟังก์ชันใหม่จะพร้อมใช้งานสำหรับผู้ใช้ Lamoda เราจะทำการทดสอบ A/B สร้างขึ้นตามรูปแบบคลาสสิกและใช้ส่วนประกอบแบบดั้งเดิม

• ขั้นตอนแรก – เราเริ่มการทดสอบโดยระบุวันที่และเปอร์เซ็นต์ของผู้ใช้ที่ต้องการเปิดใช้งานฟังก์ชันนี้หรือฟังก์ชันนั้น
• ขั้นตอนที่สอง — เรารวบรวมตัวระบุของผู้ใช้ที่เข้าร่วมในการทดสอบ ตลอดจนข้อมูลเกี่ยวกับพฤติกรรมของพวกเขาบนไซต์และการซื้อ
• ขั้นตอนที่สาม – สรุปโดยใช้เมตริกผลิตภัณฑ์และธุรกิจเป้าหมาย

จากมุมมองทางธุรกิจ ยิ่งอัลกอริทึมของเราเข้าใจข้อความค้นหาของผู้ใช้ได้ดียิ่งขึ้น รวมถึงข้อความค้นหาที่ผิดพลาด ก็จะยิ่งส่งผลต่อเศรษฐกิจของเรามากขึ้นเท่านั้น คำขอที่มีการพิมพ์ผิดจะไม่นำไปสู่หน้าว่างหรือการค้นหาที่ไม่ถูกต้อง ข้อผิดพลาดที่เกิดขึ้นจะชัดเจนในอัลกอริทึมของเรา และผู้ใช้จะเห็นผลิตภัณฑ์ที่เขากำลังมองหาในผลการค้นหา เป็นผลให้เขาสามารถซื้อสินค้าและจะไม่ออกจากเว็บไซต์โดยเปล่าประโยชน์

คุณภาพของโมเดลใหม่สามารถวัดได้ด้วยเมตริกคุณภาพการแก้ไขข้อผิดพลาด ตัวอย่างเช่น คุณสามารถใช้สิ่งต่อไปนี้: "เปอร์เซ็นต์ของคำขอที่แก้ไขอย่างถูกต้อง" และ "เปอร์เซ็นต์ของคำขอที่แก้ไขอย่างถูกต้อง" แต่สิ่งนี้ไม่ได้พูดถึงประโยชน์ของนวัตกรรมดังกล่าวโดยตรงสำหรับธุรกิจ ไม่ว่าในกรณีใด คุณต้องดูว่าเมตริกการค้นหาเป้าหมายเปลี่ยนแปลงอย่างไรในสภาพการรบ ในการทำเช่นนี้ เราทำการทดสอบ ได้แก่ การทดสอบ A / B หลังจากนั้น เราจะดูเมตริก เช่น ส่วนแบ่งของผลการค้นหาที่ว่างเปล่า และ "อัตราการคลิกผ่าน" ของบางตำแหน่งจากด้านบนสุดในกลุ่มทดสอบและกลุ่มควบคุม หากการเปลี่ยนแปลงมีมากพอ การเปลี่ยนแปลงนั้นจะแสดงในเมตริกส่วนกลาง เช่น เช็คเฉลี่ย รายได้ และการแปลงเป็นการซื้อ สิ่งนี้บ่งชี้ว่าอัลกอริทึมสำหรับการแก้ไขข้อผิดพลาดนั้นมีประสิทธิภาพ ผู้ใช้ทำการซื้อแม้ว่าจะพิมพ์ข้อความค้นหาผิดก็ตาม

ใส่ใจกับผู้ใช้ทุกคน

เรารู้บางอย่างเกี่ยวกับผู้ใช้ Lamoda ทุกคน แม้ว่าจะมีผู้เข้าชมเว็บไซต์หรือแอปพลิเคชันของเราเป็นครั้งแรก เราก็เห็นแพลตฟอร์มที่เขาใช้ บางครั้งตำแหน่งทางภูมิศาสตร์และแหล่งที่มาของการเข้าชมก็พร้อมให้เราใช้งาน การตั้งค่าของผู้ใช้แตกต่างกันไปตามแพลตฟอร์มและภูมิภาค ดังนั้นเราจึงเข้าใจในทันทีว่าผู้มีโอกาสเป็นลูกค้ารายใหม่อาจชอบอะไร

เรารู้วิธีการทำงานกับประวัติของผู้ใช้ที่รวบรวมมาเป็นเวลาหนึ่งปีหรือสองปี ตอนนี้เราสามารถรวบรวมประวัติได้เร็วขึ้นมาก – ภายในไม่กี่นาที หลังจากนาทีแรกของเซสชั่นแรก มันเป็นไปได้ที่จะได้ข้อสรุปบางอย่างเกี่ยวกับความต้องการและรสนิยมของบุคคลใดบุคคลหนึ่ง ตัวอย่างเช่น หากผู้ใช้เลือกรองเท้าสีขาวหลายครั้งเมื่อค้นหารองเท้าผ้าใบ แสดงว่าเป็นรองเท้าที่ควรเสนอ เราเห็นโอกาสสำหรับฟังก์ชันดังกล่าวและวางแผนที่จะนำไปใช้

ขณะนี้ เพื่อปรับปรุงตัวเลือกการปรับให้เหมาะกับแต่ละบุคคล เรากำลังมุ่งเน้นเพิ่มเติมเกี่ยวกับคุณลักษณะของผลิตภัณฑ์ที่ผู้เยี่ยมชมของเรามีปฏิสัมพันธ์บางอย่าง จากข้อมูลนี้ เราสร้าง "ภาพพฤติกรรม" บางอย่างของผู้ใช้ ซึ่งเราจะนำไปใช้ในอัลกอริทึมของเรา

เปลี่ยนไปอย่างไรตามพฤติกรรมนักช้อปออนไลน์

ส่วนสำคัญของการพัฒนาผลิตภัณฑ์คือการพัฒนาลูกค้า (การทดสอบแนวคิดหรือต้นแบบของผลิตภัณฑ์ในอนาคตกับผู้บริโภคที่มีศักยภาพ) และการสัมภาษณ์เชิงลึก ทีมของเรามีผู้จัดการผลิตภัณฑ์ที่ดูแลเรื่องการสื่อสารกับผู้บริโภค พวกเขาทำการสัมภาษณ์เชิงลึกเพื่อทำความเข้าใจกับความต้องการของผู้ใช้ที่ยังไม่ได้รับการตอบสนอง และเปลี่ยนความรู้นั้นเป็นแนวคิดเกี่ยวกับผลิตภัณฑ์

จากแนวโน้มที่เราเห็นในขณะนี้สามารถแยกแยะได้ดังต่อไปนี้:

• ส่วนแบ่งการค้นหาจากอุปกรณ์พกพามีการเติบโตอย่างต่อเนื่อง ความแพร่หลายของแพลตฟอร์มมือถือกำลังเปลี่ยนวิธีที่ผู้ใช้โต้ตอบกับเรา ตัวอย่างเช่น ปริมาณการใช้งานบน Lamoda ไหลจากแคตตาล็อกไปสู่การค้นหามากขึ้นเรื่อยๆ สิ่งนี้อธิบายได้ค่อนข้างง่าย: บางครั้งการตั้งค่าข้อความค้นหาทำได้ง่ายกว่าการใช้การนำทางในแคตตาล็อก
• แนวโน้มที่เราต้องพิจารณาก็คือ ความต้องการของผู้ใช้ที่จะถามคำถามสั้น ๆ ดังนั้นจึงจำเป็นต้องช่วยพวกเขาในการร้องขอที่มีความหมายและมีรายละเอียดมากขึ้น ตัวอย่างเช่น เราสามารถทำได้โดยใช้คำแนะนำการค้นหา

อะไรต่อไป

ทุกวันนี้ในการช้อปปิ้งออนไลน์ มีเพียงสองวิธีในการโหวตสินค้า: ทำการซื้อหรือเพิ่มสินค้าในรายการโปรด แต่ตามกฎแล้วผู้ใช้ไม่มีตัวเลือกให้แสดงว่าไม่ชอบผลิตภัณฑ์นั้น การแก้ปัญหานี้เป็นหนึ่งในลำดับความสำคัญสำหรับอนาคต

นอกจากนี้ ทีมของเรากำลังทำงานอย่างหนักเพื่อเปิดตัวเทคโนโลยีคอมพิวเตอร์วิทัศน์ อัลกอริธึมการปรับลอจิสติกส์ให้เหมาะสม และฟีดคำแนะนำส่วนบุคคล เรามุ่งมั่นที่จะสร้างอนาคตของอีคอมเมิร์ซโดยอาศัยการวิเคราะห์ข้อมูลและการประยุกต์ใช้เทคโนโลยีใหม่ๆ เพื่อสร้างบริการที่ดีขึ้นสำหรับลูกค้าของเรา

สมัครสมาชิกช่อง Trends Telegram และติดตามเทรนด์ปัจจุบันและการคาดการณ์เกี่ยวกับอนาคตของเทคโนโลยี เศรษฐกิจ การศึกษา และนวัตกรรม