很快，在线购物将成为社交媒体、推荐平台和胶囊衣橱发货的混合体。 公司研发部门负责人 Oleg Khomyuk 讲述了 Lamoda 如何在这方面开展工作
谁以及如何在 Lamoda 中使用平台算法
在 Lamoda，R&D 负责实施大多数新的数据驱动项目并将其货币化。 该团队由分析师、开发人员、数据科学家（机器学习工程师）和产品经理组成。 选择跨职能团队形式是有原因的。
传统上，在大公司中，这些专家在不同的部门工作——分析、IT、产品部门。 由于联合规划的困难，采用这种方法实施共同项目的速度通常很慢。 工作本身的结构如下：首先，一个部门从事分析，然后另一个部门从事开发。 他们每个人都有自己的任务和解决方案的截止日期。
我们的跨职能团队使用灵活的方法，不同专家的活动并行进行。 因此，上市时间指标（从项目工作开始到进入市场的时间。— 趋势) 低于市场平均水平。 跨职能格式的另一个优势是所有团队成员都沉浸在业务环境和彼此的工作中。
项目组合
我们部门的项目组合多种多样，尽管出于明显的原因它偏向于数字产品。 我们活跃的领域：
- 目录和搜索；
- 推荐系统；
- 个性化；
- 优化内部流程。
目录、搜索和推荐系统是视觉营销工具，是客户选择产品的主要方式。 此功能的可用性的任何显着增强都会对业务绩效产生重大影响。 例如，在目录排序中优先考虑受欢迎且对客户有吸引力的产品会导致销售额增加，因为用户很难查看整个范围，并且他的注意力通常仅限于数百个查看的产品。 同时，产品卡片上的同类产品推荐可以帮助那些因某种原因不喜欢正在浏览的产品的人做出选择。
我们最成功的案例之一是引入了新的搜索。 它与以前版本的主要区别在于用于理解请求的语言算法，我们的用户对此有积极的看法。 这对销售数字产生了重大影响。
48% 的消费者 由于性能不佳而离开该公司的网站，并在另一个网站上进行下一次购买。
91％的消费者 更有可能购买提供最新优惠和推荐的品牌。
资料来源：埃森哲
所有想法都经过测试
在 Lamoda 用户可以使用新功能之前，我们会进行 A/B 测试。 它是根据经典方案建造的，使用传统的组件。
- 第一阶段 – 我们开始实验，指出它的日期和需要启用这个或那个功能的用户的百分比。
- 第二阶段 — 我们收集参与实验的用户的标识符，以及有关他们在网站上的行为和购买的数据。
- 第三阶段 – 使用目标产品和业务指标进行总结。
从商业角度来看，我们的算法越能理解用户查询，包括那些出错的查询，它对我们经济的影响就越大。 有拼写错误的请求不会导致空白页面或不准确的搜索，所犯的错误将对我们的算法变得清晰，用户将在搜索结果中看到他正在寻找的产品。 结果，他可以进行购买并且不会空手而归。
新模型的质量可以通过勘误表校正质量指标来衡量。 例如，您可以使用以下内容：“正确更正请求的百分比”和“正确未更正请求的百分比”。 但这并没有直接说明这种创新对商业的用处。 无论如何，您需要观察目标搜索指标在战斗条件下的变化情况。 为此，我们进行实验，即 A/B 测试。 之后，我们查看指标，例如空搜索结果的份额以及测试组和控制组中从顶部开始的某些位置的“点击率”。 如果变化足够大，它将反映在平均支票、收入和购买转化率等全球指标中。 这表明纠正错别字的算法是有效的。 即使用户在搜索查询中输入错误，也会进行购买。
关注每一位用户
我们了解每位 Lamoda 用户。 即使一个人第一次访问我们的网站或应用程序，我们也会看到他使用的平台。 有时我们可以使用地理位置和流量来源。 用户偏好因平台和地区而异。 因此，我们立即了解新的潜在客户可能喜欢什么。
我们知道如何处理用户在一两年内收集的历史记录。 现在我们可以更快地收集历史——只需几分钟。 在第一次会议的第一分钟之后，已经可以得出一些关于特定人的需求和品味的结论。 例如，如果用户在搜索运动鞋时多次选择白鞋，那么应该提供该款。 我们看到了此类功能的前景并计划实施它。
现在，为了改进个性化选项，我们更加关注与访问者进行某种交互的产品的特征。 基于这些数据，我们形成了用户的特定“行为图像”，然后我们将其用于我们的算法。
76% 的俄罗斯用户 愿意与他们信任的公司分享他们的个人数据。
73％的公司 没有针对消费者的个性化方法。
资料来源：普华永道、埃森哲
如何根据网购者的行为进行改变
任何产品开发的一个重要部分是客户开发（在潜在消费者身上测试未来产品的想法或原型）和深入访谈。 我们的团队有负责与消费者沟通的产品经理。 他们进行深入访谈以了解未满足的用户需求，并将这些知识转化为产品创意。
在我们现在看到的趋势中，可以区分以下几点：
- 来自移动设备的搜索份额不断增长。 移动平台的普及正在改变用户与我们互动的方式。 例如，随着时间的推移，Lamoda 上的流量越来越多地从目录流向搜索。 对此的解释非常简单：有时设置文本查询比使用目录中的导航更容易。
- 我们必须考虑的另一个趋势是 用户提出简短查询的愿望。 因此，有必要帮助他们形成更有意义、更详细的请求。 例如，我们可以通过搜索建议来做到这一点。
下一步是什么
如今，在网上购物中，只有两种方式可以为产品投票：购买或将产品添加到收藏夹。 但是，用户通常没有选择表明不喜欢该产品的选项。 解决这个问题是未来的优先事项之一。
另外，我们的团队正在努力引入计算机视觉技术、物流优化算法和个性化推荐。 我们努力构建基于数据分析和新技术应用的电子商务的未来，为我们的客户创造更好的服务。
还可以订阅 Trends Telegram 频道，了解有关技术、经济、教育和创新未来的最新趋势和预测。