Клиентский опыт Эффективность бизнеса Платформенные внутренние продукты Динамическое ценообразование Операции (Доставка и склад) Ранжирование каталога и поиск Рекомендательные системы Рекламная платформа Маркетинг
Клиентский опыт Эффективность бизнеса Платформенные внутренние продукты Динамическое ценообразование Операции (Доставка и склад) Ранжирование каталога и поиск Рекомендательные системы Рекламная платформа Маркетинг • Монетизируем каждое из направлений • Суммарно более 30 ML-моделей в проде • Уменьшаем TTM • Повышаем надежность принятия решений
#3. Поиск и ранжирование Fashion-термины и фильтры #4. Продуктовая воронка Таргеты для обучения #1. Визуальная составляющая Фото и атрибуты #2. Физическая составляющая Размеры и примерка
(обучаясь на поведении пользователей) Атрибуты: • автоматизация и обогащение описания новыми атрибутами: - тип: сумка-седло, размер: маленькая Где можно применять ML Важно красивое фото и детальное описание
материала (конечной целью является покупка) Что важно для применения ML Полезны специализированные инструменты поиска Поиск по фото Визуально похожие С чем носить
• не буду заказывать • закажу не тот размер • закажу несколько размеров Отказ на этапе примерки: • не “село” на мою фигуру • не те свойства материала: плотность ткани, качество • вещь потеряла товарный вид после предыдущей примерки
для пользователя • выделение полезных характеристик из отзывов: “Платье большемерит на размер. Трикотаж тонкий, мягкий и приятный к телу” • модель определения брака после серии примерок Где полезно применять ML Ожидание vs реальность
запросов: • “бренды” - (adidas, mango) • “категория + гендер” (джинсы женские) ... В оставшихся 30% есть много сложных и интересных кейсов: • “треники со шнурком на поясе”
фильтрацию Ранжирование: • популярность товара важнее релевантности поисковому запросу С точки зрения применения ML Все товары 100 - 1.000 товаров 60 товаров Уровень 2. Тяжелое ранжирование Уровень 1. Отбор кандидатов: Фильтрация + легкое ранжирование
в корзину Заказ Количество данных Отложенность таргета Учет размеров много: 10+ млн / день быстрый нет достаточно: 1+ млн / день быстрый да мало: 100к+ / день отложенный (время на выбор вещей) да
в корзину Заказ Покупка Возврат Примерка Количество данных Отложенность таргета Учет размеров много: 10+ млн / день быстрый нет достаточно: 1+ млн / день быстрый да мало: 100к+ / день отложенный (время на выбор вещей) да мало: 100к+ / день сильно отложенный (время на доставку) да
в корзину Заказ Покупка Возврат Примерка • Сложность в оптимизации end-to-end (показывая товар, думаем о возвратах и операционных издержках) • Неоднозначность в выборе таргетов (хорошим вариантом для старта может быть добавление в корзину) С точки зрения применения ML
и Fall/Winter • Специфика Lamoda – для 50% ассортимента продавцом является сама Lamoda • Ранняя закупка ассортимента – как правило за 6+ месяцев до старта продаж.
и Fall/Winter • Специфика Lamoda – для 50% ассортимента продавцом является сама Lamoda • Ранняя закупка ассортимента – как правило за 6+ месяцев до старта продаж. • Цель на сезон – распродать бОльшую часть стока с максимальной эффективностью – нужно оптимальное управление скидками
ML • Два сезона: Spring/Summer и Fall/Winter • Специфика Lamoda – для 50% ассортимента продавцом является сама Lamoda • Ранняя закупка ассортимента – как правило за 6+ месяцев до старта продаж. • Цель на сезон – распродать бОльшую часть стока с максимальной эффективностью – нужно оптимальное управление скидками Закупка: • строить долгосрочные прогнозы по объему спроса Ценообразование: • оценивать эластичность спроса в разные моменты сезона • строить долгосрочный прогноз продаж до конца сезона • расставляя скидки, оптимизировать комбинацию метрик (выручка, прибыль, реализация стока)
#3. Поиск и ранжирование Fashion-термины и фильтры #4. Продуктовая воронка Таргеты для обучения #1. Визуальная составляющая Фото и атрибуты #2. Физическая составляющая Размеры и примерка