खरेदीदाराच्या इच्छा समजणाऱ्या अल्गोरिदमवर Lamoda कसे काम करत आहे

लवकरच, ऑनलाइन शॉपिंग सोशल मीडिया, शिफारस प्लॅटफॉर्म आणि कॅप्सूल वॉर्डरोब शिपमेंट यांचे मिश्रण असेल. कंपनीच्या संशोधन आणि विकास विभागाचे प्रमुख ओलेग खोम्युक यांनी लामोडा यावर कसे कार्य करते हे सांगितले

Lamoda मध्ये प्लॅटफॉर्म अल्गोरिदमवर कोण आणि कसे कार्य करते

Lamoda येथे, R&D हे बहुतेक नवीन डेटा-चालित प्रकल्प राबविण्यासाठी आणि त्यांचे कमाई करण्यासाठी जबाबदार आहे. टीममध्ये विश्लेषक, विकासक, डेटा सायंटिस्ट (मशीन लर्निंग इंजिनीअर) आणि उत्पादन व्यवस्थापक यांचा समावेश आहे. क्रॉस-फंक्शनल टीम फॉरमॅट एका कारणासाठी निवडला गेला.

पारंपारिकपणे, मोठ्या कंपन्यांमध्ये, हे विशेषज्ञ वेगवेगळ्या विभागांमध्ये काम करतात - विश्लेषण, आयटी, उत्पादन विभाग. संयुक्त नियोजनातील अडचणींमुळे या दृष्टिकोनासह सामान्य प्रकल्पांच्या अंमलबजावणीची गती सहसा खूपच कमी असते. कामाची रचना खालीलप्रमाणे आहे: प्रथम, एक विभाग विश्लेषणामध्ये गुंतलेला आहे, नंतर दुसरा - विकास. त्यांच्यापैकी प्रत्येकाची स्वतःची कार्ये आणि त्यांच्या निराकरणासाठी अंतिम मुदत आहे.

आमची क्रॉस-फंक्शनल टीम लवचिक पध्दतीचा वापर करते आणि वेगवेगळ्या तज्ञांच्या क्रियाकलाप समांतरपणे चालवले जातात. याबद्दल धन्यवाद, टाइम-टू-मार्केट इंडिकेटर (प्रकल्पावर काम सुरू झाल्यापासून मार्केटमध्ये येण्याचा वेळ. ट्रेन्ड) बाजाराच्या सरासरीपेक्षा कमी आहे. क्रॉस-फंक्शनल फॉरमॅटचा आणखी एक फायदा म्हणजे सर्व कार्यसंघ सदस्यांना व्यवसायाच्या संदर्भात आणि एकमेकांच्या कार्यामध्ये विसर्जित करणे.

प्रकल्प पोर्टफोलिओ

आमच्या विभागाचा प्रकल्प पोर्टफोलिओ वैविध्यपूर्ण आहे, जरी स्पष्ट कारणांमुळे ते डिजिटल उत्पादनाकडे पक्षपाती आहे. ज्या भागात आम्ही सक्रिय आहोत:

• कॅटलॉग आणि शोध;
• शिफारस प्रणाली;
• वैयक्तिकरण;
• अंतर्गत प्रक्रियांचे ऑप्टिमायझेशन.

कॅटलॉग, शोध आणि शिफारस प्रणाली ही व्हिज्युअल मर्चेंडाइझिंग साधने आहेत, ग्राहक उत्पादन निवडण्याचा मुख्य मार्ग आहे. या कार्यक्षमतेच्या उपयुक्ततेमध्ये कोणतीही लक्षणीय वाढ व्यवसायाच्या कार्यक्षमतेवर महत्त्वपूर्ण प्रभाव पाडते. उदाहरणार्थ, कॅटलॉग क्रमवारीत ग्राहकांसाठी लोकप्रिय आणि आकर्षक असलेल्या उत्पादनांना प्राधान्य दिल्याने विक्रीत वाढ होते, कारण वापरकर्त्याला संपूर्ण श्रेणी पाहणे अवघड असते आणि त्याचे लक्ष सहसा कित्येक शंभर पाहिलेल्या उत्पादनांपर्यंत मर्यादित असते. त्याच वेळी, उत्पादन कार्डावरील समान उत्पादनांच्या शिफारसी ज्यांना, काही कारणास्तव, उत्पादन पाहिले गेलेले आवडत नाही त्यांना त्यांची निवड करण्यास मदत करू शकते.

आम्हाला मिळालेल्या सर्वात यशस्वी प्रकरणांपैकी एक म्हणजे नवीन शोधाचा परिचय. मागील आवृत्तीतील त्याचा मुख्य फरक विनंती समजून घेण्यासाठी भाषिक अल्गोरिदममध्ये आहे, ज्याला आमच्या वापरकर्त्यांनी सकारात्मकरित्या समजले आहे. याचा विक्रीच्या आकड्यांवर लक्षणीय परिणाम झाला.

सर्व कल्पना तपासल्या जातात

Lamoda वापरकर्त्यांसाठी नवीन कार्यक्षमता उपलब्ध होण्यापूर्वी, आम्ही A/B चाचणी घेतो. हे शास्त्रीय योजनेनुसार आणि पारंपारिक घटक वापरून तयार केले आहे.

• पहिला टप्पा - आम्ही प्रयोग सुरू करतो, त्याच्या तारखा आणि ही किंवा ती कार्यक्षमता सक्षम करण्याची आवश्यकता असलेल्या वापरकर्त्यांची टक्केवारी दर्शवितो.
• दुसरा टप्पा — आम्ही प्रयोगात सहभागी होणाऱ्या वापरकर्त्यांचे अभिज्ञापक तसेच साइटवरील त्यांच्या वर्तनाबद्दल आणि खरेदीचा डेटा गोळा करतो.
• तिसरा टप्पा - लक्ष्यित उत्पादन आणि व्यवसाय मेट्रिक्स वापरून सारांश द्या.

व्यवसायाच्या दृष्टीकोनातून, आमचे अल्गोरिदम वापरकर्त्याच्या प्रश्नांना जितक्या चांगल्या प्रकारे समजून घेतील, ज्यात चुका होतात, तितकाच आमच्या अर्थव्यवस्थेवर परिणाम होईल. टायपोसह विनंत्या रिक्त पृष्ठ किंवा चुकीच्या शोधाकडे नेणार नाहीत, केलेल्या चुका आमच्या अल्गोरिदमसाठी स्पष्ट होतील आणि वापरकर्त्याला शोध परिणामांमध्ये तो शोधत असलेली उत्पादने पाहतील. परिणामी, तो खरेदी करू शकतो आणि काहीही न करता साइट सोडणार नाही.

नवीन मॉडेलची गुणवत्ता इरेटा सुधारणा गुणवत्ता मेट्रिक्सद्वारे मोजली जाऊ शकते. उदाहरणार्थ, तुम्ही खालील वापरू शकता: "योग्यरित्या दुरुस्त केलेल्या विनंत्यांची टक्केवारी" आणि "योग्यरित्या न दुरुस्त केलेल्या विनंत्यांची टक्केवारी". परंतु हे व्यवसायासाठी अशा नवकल्पनाच्या उपयुक्ततेबद्दल थेट बोलत नाही. कोणत्याही परिस्थितीत, लढाईच्या परिस्थितीत लक्ष्य शोध मेट्रिक्स कसे बदलतात ते पाहणे आवश्यक आहे. हे करण्यासाठी, आम्ही प्रयोग चालवतो, म्हणजे A/B चाचण्या. त्यानंतर, आम्ही मेट्रिक्स पाहतो, उदाहरणार्थ, रिकाम्या शोध परिणामांचा वाटा आणि चाचणी आणि नियंत्रण गटांमधील शीर्षस्थानी काही स्थानांचा “क्लिक-थ्रू दर”. बदल पुरेसा मोठा असल्यास, तो सरासरी तपासणी, महसूल आणि खरेदीचे रूपांतरण यासारख्या जागतिक मेट्रिक्समध्ये दिसून येईल. हे सूचित करते की टायपोस सुधारण्यासाठी अल्गोरिदम प्रभावी आहे. वापरकर्त्याने शोध क्वेरीमध्ये टायपिंग केली असली तरीही तो खरेदी करतो.

प्रत्येक वापरकर्त्याकडे लक्ष द्या

आम्हाला प्रत्येक Lamoda वापरकर्त्याबद्दल काहीतरी माहित आहे. जरी एखादी व्यक्ती आमच्या साइटला किंवा अनुप्रयोगास प्रथमच भेट देत असली तरी, तो वापरत असलेला प्लॅटफॉर्म आम्हाला दिसतो. कधीकधी भौगोलिक स्थान आणि रहदारी स्त्रोत आमच्यासाठी उपलब्ध असतात. प्लॅटफॉर्म आणि प्रदेशांमध्ये वापरकर्त्याची प्राधान्ये वेगवेगळी असतात. म्हणून, नवीन संभाव्य क्लायंटला काय आवडेल ते आम्हाला लगेच समजते.

एक किंवा दोन वर्षांमध्ये संकलित केलेल्या वापरकर्त्याच्या इतिहासासह कसे कार्य करावे हे आम्हाला माहित आहे. आता आपण इतिहास खूप जलद गोळा करू शकतो – अक्षरशः काही मिनिटांत. पहिल्या सत्राच्या पहिल्या मिनिटांनंतर, एखाद्या विशिष्ट व्यक्तीच्या गरजा आणि अभिरुचींबद्दल काही निष्कर्ष काढणे आधीच शक्य आहे. उदाहरणार्थ, स्नीकर्स शोधताना वापरकर्त्याने अनेक वेळा पांढरे शूज निवडले, तर तेच देऊ केले जावे. आम्ही अशा कार्यक्षमतेची शक्यता पाहतो आणि ते लागू करण्याची योजना करतो.

आता, वैयक्तिकरण पर्याय सुधारण्यासाठी, आम्ही उत्पादनांच्या वैशिष्ट्यांवर अधिक लक्ष केंद्रित करत आहोत ज्यांच्याशी आमच्या अभ्यागतांचा काही प्रकारचा संवाद होता. या डेटाच्या आधारे, आम्ही वापरकर्त्याची एक विशिष्ट "वर्तणूक प्रतिमा" तयार करतो, जी आम्ही आमच्या अल्गोरिदममध्ये वापरतो.

ऑनलाइन खरेदीदारांच्या वर्तनानंतर कसे बदलायचे

कोणत्याही उत्पादनाच्या विकासाचा महत्त्वाचा भाग म्हणजे ग्राहक विकास (संभाव्य ग्राहकांवर भविष्यातील उत्पादनाची कल्पना किंवा प्रोटोटाइप तपासणे) आणि सखोल मुलाखती. आमच्या टीममध्ये उत्पादन व्यवस्थापक आहेत जे ग्राहकांशी संवाद साधतात. अपूर्ण वापरकर्त्याच्या गरजा समजून घेण्यासाठी आणि त्या ज्ञानाचे उत्पादन कल्पनांमध्ये रूपांतर करण्यासाठी ते सखोल मुलाखती घेतात.

आता आपण पाहत असलेल्या ट्रेंडपैकी खालील गोष्टी ओळखल्या जाऊ शकतात:

• मोबाइल उपकरणांवरील शोधांचा वाटा सतत वाढत आहे. मोबाइल प्लॅटफॉर्मचा प्रसार वापरकर्ते आमच्याशी संवाद साधण्याची पद्धत बदलत आहेत. उदाहरणार्थ, कालांतराने लामोडावरील रहदारी कॅटलॉगमधून शोधण्यासाठी अधिकाधिक प्रवाहित होते. हे अगदी सोप्या पद्धतीने स्पष्ट केले आहे: कॅटलॉगमध्ये नेव्हिगेशन वापरण्यापेक्षा मजकूर क्वेरी सेट करणे कधीकधी सोपे असते.
• आणखी एक ट्रेंड ज्याचा आपण विचार केला पाहिजे वापरकर्त्यांची लहान प्रश्न विचारण्याची इच्छा. म्हणून, त्यांना अधिक अर्थपूर्ण आणि तपशीलवार विनंत्या तयार करण्यात मदत करणे आवश्यक आहे. उदाहरणार्थ, आम्ही हे शोध सूचनांसह करू शकतो.

पुढे काय

आज, ऑनलाइन खरेदीमध्ये, उत्पादनासाठी मत देण्याचे दोनच मार्ग आहेत: खरेदी करा किंवा उत्पादन आवडीमध्ये जोडा. परंतु वापरकर्त्याला, एक नियम म्हणून, उत्पादन आवडले नाही हे दर्शविण्यासाठी पर्याय नाहीत. ही समस्या सोडवणे हे भविष्यातील प्राधान्यांपैकी एक आहे.

स्वतंत्रपणे, आमचा कार्यसंघ संगणक दृष्टी तंत्रज्ञान, लॉजिस्टिक ऑप्टिमायझेशन अल्गोरिदम आणि शिफारसींचे वैयक्तिकृत फीड सादर करण्यासाठी कठोर परिश्रम करत आहे. आमच्या ग्राहकांसाठी अधिक चांगली सेवा निर्माण करण्यासाठी आम्ही डेटा विश्लेषण आणि नवीन तंत्रज्ञानाच्या वापरावर आधारित ई-कॉमर्सचे भविष्य तयार करण्याचा प्रयत्न करतो.

Trends Telegram चॅनेलची देखील सदस्यता घ्या आणि तंत्रज्ञान, अर्थशास्त्र, शिक्षण आणि नवोपक्रमाच्या भविष्याबद्दल वर्तमान ट्रेंड आणि अंदाजांसह अद्ययावत रहा.