Компания Lamoda создала персонального fashion-помощника, с помощью которого улучшает клиентский опыт и делает онлайн-покупки проще. Этот инструмент должен помочь в выполнении миссии компании – стать лидирующей fashion & lifestyle платформой в России и странах СНГ. О реализации проекта рассказывает Александра Пургина, руководитель отдела развития продуктов на основе данных Lamoda и номинант на премию Data Award.
- Какова история создания продукта fashion-помощник? Как к нему пришли?
Персональный помощник – это набор сервисов, улучшающий опыт клиента в покупке. Мы шли к нему не один год, сначала занимались развитием алгоритмов ранжирования каталога и поиска. Затем обратили внимание на одну из ключевых проблем при покупке в онлайне – выбор размера, и начали заниматься еще и ей. Сейчас это набор различных сервисов, которые в сумме дают пользователю хороший опыт покупки и незримо помогают человеку.
Персональный помощник включает в себя несколько сервисов: ML-ранжирование каталога, модель предсказания рекомендуемого размера для каждого пользователя, модель подбора образов к якорному товару, алгоритмы подбора похожих товаров, в том числе по визуальной схожести.
- В чем заключались проблемы, которые пытались решить?
Мы знаем, что покупка одежды, обуви, аксессуаров онлайн все еще вызывает ряд сложностей. Покупателям приходится ориентироваться в интерфейсах разных платформ, находить нужный товар среди тысяч предложений, выбирать подходящий размер у конкретного товара, так как разные размерные сетки и лекала приносят неопределенность. В результате далеко не все доходят до стадии оформления заказа, примерки и покупки вещи.
Набор сервисов персонального fashion-помощника позволяет экономить ресурс клиента, облегчая поиск нужных товаров внутри платформы. Это влияет как на создание лучшего опыта взаимодействия с Lamoda, так и на финансовые показатели компании. Чем точнее рекомендация, тем выше вероятность, что дальше она конвертируется в покупку. Также для компании это важное конкурентное преимущество перед другими маркетплейсами.
- Почему вы считаете, что «помощник» – это действительно важно и в эту работу имело смысл вкладываться? Может, покупателям Lamoda было бы более полезно что-то другое и силы можно было потратить с большей пользой?
Мы создаем продукты, полагаясь на запрос наших пользователей, цели бизнеса и ориентируемся на исследования рынка. Контекст наших покупателей таков: у человека возникают различные потребности в течение года – например, купить базовые вещи, обновить гардероб для летнего сезона, подготовиться к особому событию и т. д. Они сопровождаются запросом на эффективность и приятные эмоции. В одной ситуации у покупателя ограниченное время на покупку, ему хочется быстро сделать выбор без сложностей поиска среди большого количества альтернатив. В других ситуациях шопинг для наших покупателей – это способ расслабиться, приятно провести время и найти что-то новое для своего самовыражения. Именно эти задачи мы и решаем нашими сервисами, позволяя совершать и запланированные, и спонтанные покупки.
- Вы считаете, что для компании fashion-помощник – важное конкурентное преимущество. В чем его отличие от традиционных рекомендательных систем других компаний?
Отличие – в связке глубокого понимания запроса и ожиданий клиентов от fashion-платформы вместе с персонализацией предложения под этот запрос. Мы обеспечиваем более качественные и проработанные под нашу аудиторию решения, в отличие от стандартных рекомендательных систем. Благодаря этому аудитория Lamoda может получать уникальный опыт покупки, основанный на их действиях на сайте.
- Что «под капотом»? Какой математический аппарат используется?
Под капотом большие данные, алгоритмы машинного обучения и их эффективное применение в высоконагруженных сервисах. Мы используем доступные данные о действиях пользователей на сайте и в приложениях Lamoda: какие товары смотрели и добавляли в избранное, какие делали покупки. На основании данных ежедневно рассчитывается несколько сотен признаков, описывающих предпочтения наших пользователей: к брендам, стилям, ценовому диапазону, размерам и многим другим характеристикам.
По части алгоритмов машинного обучения мы применяем как подходы из классического машинного обучения (градиентный бустинг на деревьях), так и нейросетевые подходы для эффективной работы и использования сигнала из фотографий товаров. Используемый стек технологий: Big Data (Hadoop, PySpark, Hive), Python, Golang, Catboost, PyTorch, Airflow, Docker.
- Сколько ресурсов потрачено на проект?
В этом году над сервисами fashion-помощника работало 25 человек – это несколько команд, состоящих из дата-сайентистов, бэкенд- и мобильных разработчиков, QA-инженеров, продуктовых и проектных менеджеров, аналитиков и тимлидов.
- Что в ходе проекта было самым сложным?
Техническая сторона вопроса занимает много времени: подготовка технического стека, чтобы перейти в ранжировании каталога сначала на машинное обучение, а потом и на персонализированное ранжирование, подготовка инфраструктуры для дальнейших экспериментов.
Наиболее сложным был переход от ежедневного пакетного получения прогноза ML-модели для всех товаров и крупных сегментов пользователей к новой архитектуре с применением ML-модели в режиме реального времени в высоконагруженных сервисах, без которой эффективная и качественная персонализация под каждого клиента была бы невозможна.
- Что получилось особенно удачно? Чем вы гордитесь?
Особенно гордимся персональным ранжированием каталога и подборкой образов к товару. С помощью искусственного интеллекта мы научились предсказывать, какие товары будут интересны конкретному пользователю, и теперь показываем их вверху выдачи. Для такой персонализации анализируется и используется информация о том, какими брендами, цветами, в каком ценовом диапазоне и в каком размере клиент интересовался, что он покупал или искал.
В мобильных приложениях на странице товара запущен A/B-тест подборки образов «С чем носить». Учитывая то, с чем наши пользователи покупали якорный товар, ML-алгоритм предлагает несколько образов к каждому товару, то есть «учится стилю» напрямую у наших пользователей. А чтобы к летним балеткам не предлагались пуховики, стилисты Lamoda составили формулы образов, которые также используются в алгоритме. Получилось очень красиво — и с точки зрения дизайна, и по содержимому образов. Ожидаем, что наши рекомендации вдохновят людей собирать, заказывать модные образы и больше покупать на Lamoda.
- Какими численными результатами можете похвастаться?
В каждом A/B-тесте мы отслеживаем изменения конверсий по всей воронке продаж: стали ли люди больше добавлять товары в избранное, в корзину, стало ли людям проще совершать заказ, выросло ли число заказанных и купленных товаров. В рамках сервисов fashion-помощника все эти показатели также выросли. Например, если говорить о нашем последнем успешном запуске, то новый алгоритм ранжирования каталога увеличил метрики воронки: добавление в избранное выросло на 3%, добавление в корзину — на 3%, заказы — на 2%.
- В каком направлении будет развиваться fashion-помощник?
Миссия Lamoda – стать лидирующей fashion & lifestyle платформой в России и странах СНГ. Персональный fashion-помощник – один из инструментов, который способствует достижению этой задачи.
Наша разработка упрощает процесс онлайн-покупок и делает моду доступной для миллионов пользователей. Lamoda – это площадка не только для поиска нужного товара, но и для вдохновения. Сервисы fashion-помощника позволяют пользователям находить товары даже по самым необычным запросам (например, «сумка-банан»), определять подходящий размер и даже подбирать дополняющие товары к образу.
Мир постоянно меняется, появляются новые технологии и новые задачи для компаний. Вместе с этим меняется клиент и его потребности и ожидания от онлайн-сервисов. Мы хотим быть рядом, когда человек проходит через все эти изменения, и помогать адаптироваться в меняющемся мире, делать его жизнь чуточку проще.
