很快，在線購物將成為社交媒體、推薦平台和膠囊衣櫥發貨的混合體。 公司研發部門負責人 Oleg Khomyuk 講述了 Lamoda 如何在這方面開展工作
誰以及如何在 Lamoda 中使用平台算法
在 Lamoda，R&D 負責實施大多數新的數據驅動項目並將其貨幣化。 該團隊由分析師、開發人員、數據科學家（機器學習工程師）和產品經理組成。 選擇跨職能團隊形式是有原因的。
傳統上，在大公司中，這些專家在不同的部門工作——分析、IT、產品部門。 由於聯合規劃的困難，採用這種方法實施共同項目的速度通常很慢。 工作本身的結構如下：首先，一個部門從事分析，然後另一個部門從事開發。 他們每個人都有自己的任務和解決方案的截止日期。
我們的跨職能團隊使用靈活的方法，不同專家的活動並行進行。 因此，上市時間指標（從項目工作開始到進入市場的時間。— 趨勢) 低於市場平均水平。 跨職能格式的另一個優勢是所有團隊成員都沉浸在業務環境和彼此的工作中。
項目組合
我們部門的項目組合多種多樣，儘管出於明顯的原因它偏向於數字產品。 我們活躍的領域：
- 目錄和搜索；
- 推薦系統；
- 個性化；
- 優化內部流程。
目錄、搜索和推薦系統是視覺營銷工具，是客戶選擇產品的主要方式。 此功能的可用性的任何顯著增強都會對業務績效產生重大影響。 例如，在目錄排序中優先考慮受歡迎且對客戶有吸引力的產品會導致銷售額增加，因為用戶很難查看整個範圍，並且他的注意力通常僅限於數百個查看的產品。 同時，產品卡片上的同類產品推薦可以幫助那些因某種原因不喜歡所瀏覽產品的人做出選擇。
我們最成功的案例之一是引入了新的搜索。 它與以前版本的主要區別在於用於理解請求的語言算法，我們的用戶對此有積極的看法。 這對銷售數字產生了重大影響。
48% 的消費者 由於性能不佳而離開該公司的網站，並在另一個網站上進行下一次購買。
91％的消費者 更有可能購買提供最新優惠和推薦的品牌。
資料來源：埃森哲
所有想法都經過測試
在 Lamoda 用戶可以使用新功能之前，我們會進行 A/B 測試。 它是根據經典方案建造的，使用傳統的組件。
- 第一階段 – 我們開始實驗，指出它的日期和需要啟用這個或那個功能的用戶的百分比。
- 第二階段 — 我們收集參與實驗的用戶的標識符，以及有關他們在網站上的行為和購買的數據。
- 第三階段 – 使用目標產品和業務指標進行總結。
從商業角度來看，我們的算法越能理解用戶查詢，包括那些出錯的查詢，它對我們經濟的影響就越大。 有拼寫錯誤的請求不會導致空白頁面或不准確的搜索，所犯的錯誤將對我們的算法變得清晰，用戶將在搜索結果中看到他正在尋找的產品。 結果，他可以進行購買並且不會空手而歸。
新模型的質量可以通過勘誤表校正質量指標來衡量。 例如，您可以使用以下內容：“正確更正請求的百分比”和“正確未更正請求的百分比”。 但這並沒有直接說明這種創新對商業的用處。 無論如何，您需要觀察目標搜索指標在戰鬥條件下的變化情況。 為此，我們進行實驗，即 A/B 測試。 之後，我們查看指標，例如空搜索結果的份額以及測試組和控制組中從頂部開始的某些位置的“點擊率”。 如果變化足夠大，它將反映在平均支票、收入和購買轉化率等全球指標中。 這表明糾正錯別字的算法是有效的。 即使用戶在搜索查詢中輸入錯誤，也會進行購買。
關注每一位用戶
我們了解每位 Lamoda 用戶。 即使一個人第一次訪問我們的網站或應用程序，我們也會看到他使用的平台。 有時我們可以使用地理位置和流量來源。 用戶偏好因平台和地區而異。 因此，我們立即了解新的潛在客戶可能喜歡什麼。
我們知道如何處理用戶在一兩年內收集的歷史記錄。 現在我們可以更快地收集歷史——只需幾分鐘。 在第一次會議的第一分鐘之後，已經可以得出一些關於特定人的需求和品味的結論。 例如，如果用戶在搜索運動鞋時多次選擇白鞋，那麼應該提供該款。 我們看到了此類功能的前景併計劃實施它。
現在，為了改進個性化選項，我們更加關注與訪問者進行某種交互的產品的特徵。 基於這些數據，我們形成了用戶的特定“行為圖像”，然後我們將其用於我們的算法。
76% 的俄羅斯用戶 願意與他們信任的公司分享他們的個人數據。
73％的公司 沒有針對消費者的個性化方法。
資料來源：普華永道、埃森哲
如何根據網購者的行為進行改變
任何產品開發的一個重要部分是客戶開發（在潛在消費者身上測試未來產品的想法或原型）和深入訪談。 我們的團隊有負責與消費者溝通的產品經理。 他們進行深入訪談以了解未滿足的用戶需求，並將這些知識轉化為產品創意。
在我們現在看到的趨勢中，可以區分以下幾點：
- 來自移動設備的搜索份額不斷增長。 移動平台的普及正在改變用戶與我們互動的方式。 例如，隨著時間的推移，Lamoda 上的流量越來越多地從目錄流向搜索。 對此的解釋非常簡單：有時設置文本查詢比使用目錄中的導航更容易。
- 我們必須考慮的另一個趨勢是 用戶提出簡短查詢的願望。 因此，有必要幫助他們形成更有意義、更詳細的請求。 例如，我們可以通過搜索建議來做到這一點。
下一步是什麼
如今，在網上購物中，只有兩種方式可以為產品投票：購買或將產品添加到收藏夾。 但是，用戶通常沒有選擇表明不喜歡該產品的選項。 解決這個問題是未來的優先事項之一。
另外，我們的團隊正在努力引入計算機視覺技術、物流優化算法和個性化推薦。 我們努力構建基於數據分析和新技術應用的電子商務的未來，為我們的客戶創造更好的服務。
還可以訂閱 Trends Telegram 頻道，了解有關技術、經濟、教育和創新未來的最新趨勢和預測。