Kepiye Lamoda nggarap algoritma sing ngerti kepinginan para panuku

Ora suwe, blanja online bakal dadi campuran media sosial, platform rekomendasi, lan kiriman lemari kapsul. Oleg Khomyuk, kepala departemen riset lan pangembangan perusahaan, ngandhani carane Lamoda nggarap iki

Sapa lan carane ing Lamoda nggarap algoritma platform

Ing Lamoda, R&D tanggung jawab kanggo ngleksanakake umume proyek data-driven anyar lan monetisasi. Tim kasebut kalebu analis, pangembang, ilmuwan data (insinyur pembelajaran mesin) lan manajer produk. Format tim lintas fungsi dipilih kanthi alesan.

Biasane, ing perusahaan gedhe, spesialis kasebut kerja ing macem-macem departemen - analytics, IT, departemen produk. Kacepetan implementasi proyek umum kanthi pendekatan iki biasane kurang amarga kesulitan ing perencanaan bareng. Karya dhewe wis kabentuk kaya ing ngisor iki: pisanan, siji departemen melu analytics, banjur liyane - pembangunan. Saben wong duwe tugas lan tenggat wektu kanggo solusi.

Tim lintas fungsi kita nggunakake pendekatan sing fleksibel, lan kegiatan spesialis sing beda ditindakake kanthi paralel. Thanks kanggo iki, indikator Wektu-Kanggo-Pasar (wektu saka wiwitan proyek nganti mlebu pasar. Trends) luwih murah tinimbang rata-rata pasar. Kauntungan liyane saka format lintas-fungsi yaiku nyemplungake kabeh anggota tim ing konteks bisnis lan karya saben liyane.

Portofolio Proyek

Portofolio proyek departemen kita maneka warna, sanajan ana alesan sing jelas bias menyang produk digital. Wilayah sing kita aktif:

• katalog lan telusuran;
• sistem rekomendasi;
• personalisasi;
• optimasi proses internal.

Sistem katalog, telusuran lan rekomendasi minangka alat dagang visual, cara utama pelanggan milih produk. Sembarang peningkatan sing signifikan kanggo panggunaan fungsi iki duwe pengaruh sing signifikan marang kinerja bisnis. Contone, prioritizing produk sing populer lan atraktif kanggo pelanggan ing ngurutake katalog ndadékaké kanggo Tambah ing dodolan, amarga iku angel kanggo pangguna kanggo ndeleng kabeh sawetara, lan manungsa waé biasane winates kanggo sawetara atus produk viewed. Ing wektu sing padha, rekomendasi produk sing padha ing kertu produk bisa mbantu wong-wong sing, sakperangan alesan, ora seneng karo produk sing dideleng, nggawe pilihan.

Salah sawijining kasus sing paling sukses yaiku introduksi panelusuran anyar. Bentenane utamane saka versi sadurunge yaiku ing algoritma linguistik kanggo mangerteni panyuwunan kasebut, sing dirasakake kanthi positif dening pangguna. Iki nduwe pengaruh sing signifikan marang angka penjualan.

Kabeh gagasan dites

Sadurunge fungsi anyar kasedhiya kanggo pangguna Lamoda, kita nganakake tes A/B. Dibangun miturut skema klasik lan nggunakake komponen tradisional.

• Tahap pertama - kita miwiti eksperimen, nuduhake tanggal lan persentase pangguna sing kudu ngaktifake fungsi iki utawa kasebut.
• Tahap kaping kalih - kita ngumpulake pengenal pangguna sing melu eksperimen, uga data babagan prilaku ing situs lan tumbas.
• Tahap kaping telu - ngringkes nggunakake metrik produk lan bisnis sing ditargetake.

Saka sudut pandang bisnis, luwih apik algoritma kita ngerti pitakon pangguna, kalebu sing nggawe kesalahan, luwih apik bakal mengaruhi ekonomi kita. Panjaluk kanthi salah ketik ora bakal mimpin menyang kaca kosong utawa telusuran sing ora akurat, kesalahan sing ditindakake bakal dadi jelas kanggo algoritma kita, lan pangguna bakal ndeleng produk sing digoleki ing asil panelusuran. Akibaté, dheweke bisa tuku lan ora bakal ninggalake situs kasebut tanpa apa-apa.

Kualitas model anyar bisa diukur kanthi metrik kualitas koreksi sing salah. Contone, sampeyan bisa nggunakake ing ngisor iki: "persentase panjalukan sing didandani kanthi bener" lan "persentase panjalukan sing ora dikoreksi kanthi bener". Nanging iki ora langsung ngomong babagan kegunaan inovasi kasebut kanggo bisnis. Ing kasus apa wae, sampeyan kudu mirsani carane metrik telusuran target ganti ing kondisi pertempuran. Kanggo nindakake iki, kita nindakake eksperimen, yaiku tes A / B. Sawise iku, kita ndeleng metrik, contone, panggabungan asil panelusuran kosong lan "tingkat klik-tayang" sawetara posisi saka ndhuwur ing grup test lan kontrol. Yen owah-owahan cukup gedhe, bakal dibayangke ing metrik global kayata rata-rata mriksa, revenue, lan konversi kanggo tuku. Iki nuduhake yen algoritma kanggo mbenerake kesalahan ketik efektif. Pangguna nggawe tuku sanajan dheweke salah ngetik ing pitakon telusuran.

Manungsa waé kanggo saben pangguna

Kita ngerti babagan saben pangguna Lamoda. Sanajan ana wong sing pisanan ngunjungi situs utawa aplikasi kita, kita bisa ndeleng platform sing digunakake. Kadhangkala geolokasi lan sumber lalu lintas kasedhiya kanggo kita. Preferensi pangguna beda-beda ing antarane platform lan wilayah. Mulane, kita langsung ngerti apa sing dikarepake klien potensial anyar.

Kita ngerti carane nggarap riwayat pangguna sing diklumpukake luwih saka setahun utawa rong taun. Saiki kita bisa ngumpulake sejarah luwih cepet - secara harfiah ing sawetara menit. Sawise menit pisanan saka sesi pisanan, sampeyan bisa nggawe sawetara kesimpulan babagan kabutuhan lan rasa wong tartamtu. Contone, yen pangguna milih sepatu putih kaping pirang-pirang nalika nggoleki sepatu olahraga, mula sing kudu ditawakake. Kita ndeleng prospek kanggo fungsi kasebut lan rencana kanggo ngetrapake.

Saiki, kanggo nambah pilihan personalisasi, kita luwih fokus marang karakteristik produk sing ana interaksi karo pengunjung. Adhedhasar data iki, kita mbentuk "gambar prilaku" tartamtu saka pangguna, sing banjur digunakake ing algoritma kita.

Kepiye cara ngganti tumindake para pembeli online

Bagean penting saka pangembangan produk apa wae yaiku pangembangan pelanggan (nguji ide utawa prototipe produk ing mangsa ngarep kanggo konsumen potensial) lan wawancara sing jero. Tim kita duwe manajer produk sing ngurusi komunikasi karo konsumen. Dheweke nindakake wawancara sing jero kanggo ngerti kabutuhan pangguna sing ora cocog lan ngowahi kawruh kasebut dadi ide produk.

Saka tren sing saiki kita deleng, ing ngisor iki bisa dibedakake:

• Panggabungan telusuran saka piranti seluler saya tambah akeh. Prevalensi platform seluler ngganti cara pangguna sesambungan karo kita. Contone, lalu lintas ing Lamoda liwat wektu liyane lan liyane mili saka katalog kanggo nelusuri. Iki diterangake cukup prasaja: kadhangkala luwih gampang nyetel pitakon teks tinimbang nggunakake navigasi ing katalog.
• Tren liyane sing kudu dipikirake yaiku kepinginan pangguna kanggo takon pitakon singkat. Mulane, perlu kanggo mbantu dheweke nggawe panjaluk sing luwih migunani lan rinci. Contone, kita bisa nindakake iki kanthi saran panelusuran.

Apa sabanjure

Saiki, ing blanja online, mung ana rong cara kanggo milih produk: tuku utawa nambah produk kasebut menyang favorit. Nanging pangguna, minangka aturan, ora duwe pilihan kanggo nuduhake yen produk kasebut ora disenengi. Ngatasi masalah iki minangka salah sawijining prioritas kanggo masa depan.

Kanthi kapisah, tim kita kerja keras babagan introduksi teknologi visi komputer, algoritma optimasi logistik lan feed rekomendasi pribadi. Kita ngupayakake mbangun masa depan e-commerce adhedhasar analisis data lan aplikasi teknologi anyar kanggo nggawe layanan sing luwih apik kanggo para pelanggan.

Langganan uga saluran Tren Telegram lan tetep gaul karo tren lan ramalan saiki babagan masa depan teknologi, ekonomi, pendidikan lan inovasi.