Data Science в Lamoda: особенности применения ML в Fashion E-commerce

Александр Желубенков, Head of Data Science в Lamoda Tech

Transcript

1. Data Science в Lamoda: Особенности применения ML в Fashion E-commerce Александр Желубенков Head of Data Science
2. 2 17 млн MAU 600.000+ товаров Lamoda – одна из крупнейших e-commerce компаний в России в сфере Fashion & Lifestyle 4.000+ брендов
3. 3 ML-инфраструктура PySpark Airflow Hadoop Kafka Python CatBoost PyTorch Elasticsearch Golang 3.5 Пбайт размер DWH + Data Lake Hadoop 600+ млн событий ежедневно с 4-х платформ Hadoop 20TB RAM, 3000+ Vcores
4. 4 Lamoda Tech – своя разработка различных IT-систем 700+ человек 100+ сервисов
5. 5 Направления, в которых применяем ML Ранжирование каталога и поиск Рекомендательные системы Клиентский опыт Маркетинг
6. 6 Направления, в которых применяем ML Динамическое ценообразование Операции (Доставка и склад) Рекламная платформа Клиентский опыт Эффективность бизнеса Ранжирование каталога и поиск Рекомендательные системы Маркетинг
7. 7 Направления, в которых применяем ML Data-платформа и MLOps AB-платформа Клиентский опыт Эффективность бизнеса Платформенные внутренние продукты Динамическое ценообразование Операции (Доставка и склад) Ранжирование каталога и поиск Рекомендательные системы Рекламная платформа Маркетинг
8. 8 Направления, в которых применяем ML Data-платформа и MLOps AB-платформа 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
9. 9 Что важно учитывать в Fashion E-commerce? Когда начал делать покупки на Lamoda
10. 10 5 особенностей Fashion E-commerce #5. Сезонность Закупка и ценообразование #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
11. 11 Особенность #1. Визуальная составляющая • Описание и отображение товара в продукте • Специализированные инструменты поиска
12. 12 Важно красивое фото и детальное описание Фотографии + Текстовые атрибуты Фотостудия
13. 13 Фотографии: • эксперименты с кропом, ретушью и порядком фотографий (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
14. 14 Полезны специализированные инструменты поиска Поиск по фото
15. 15 Полезны специализированные инструменты поиска Поиск по фото Визуально похожие С чем носить
16. 16 • находить баланс визуальной похожести и уместности ценового сегмента, материала (конечной целью является покупка) Что важно для применения ML Полезны специализированные инструменты поиска Поиск по фото Визуально похожие С чем носить
17. 17 Будущее уже близко – виртуальная примерка • https://tryondiffusion.github.io/ • https://github.com/minar09/awesome-virtual-try- on + Куртка из каталога Lamoda
18. 18 Особенность #2. Физическая составляющая • Соответствие визуального образа и реального мира вещей и людей
19. 19 Выбор размера это сложно Не понимаю, как выбрать размер: • не буду заказывать • закажу не тот размер • закажу несколько размеров
20. 20 Выбор размера это сложно Не понимаю, как выбрать размер: • 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
21. 21 Сближаем онлайн и оффлайн опыт пользователя • рекомендация размера 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
22. 22 Особенность #3. Поиск и ранжирование в Fashion • Fashion-термины в поиске • Частое применение фильтров
23. 23 Текстовый поиск в Fashion 70% потока состоит из простых запросов: • “бренды” - (adidas, mango) • “категория + гендер” (джинсы женские) ... В оставшихся 30% есть много сложных и интересных кейсов: • “треники со шнурком на поясе”
24. 24 Разбираемся в Fashion терминах 1. пуловер 2. свитер 3. кардиган 4. джемпер 5. толстовка 6. свитшот 7. … 8. или просто кофта?
25. 25 Поисковые запросы отличаются от описаний товаров Name: джемпер 1. пуловер 2. свитер 3. кардиган 4. джемпер 5. толстовка 6. свитшот 7. … 8. кофта - отсутствует в названиях товаров
26. 26 Текстовый поиск в Fashion Поиск по словам (TF-IDF) для простых запросов: • синонимия и транслиты: “кофта найк” Векторный поиск (Embedding-based) для сложных запросов С точки зрения применения ML
27. 27 Фильтрация и ранжирование Отбор кандидатов: • нужно уметь применять 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
28. 28 Особенность #4. Продуктовая воронка и примерка Показ товара Клик Добавление в корзину Заказ Покупка Возврат Примерка
29. 29 Как выбирать таргеты для обучения? Показ товара Клик Количество данных Отложенность таргета Учет размеров много: 10+ млн / день быстрый нет
30. 30 Как выбирать таргеты для обучения? Показ товара Клик Добавление в корзину Количество данных Отложенность таргета Учет размеров много: 10+ млн / день быстрый нет достаточно: 1+ млн / день быстрый да
31. 31 Как выбирать таргеты для обучения? Показ товара Клик Добавление 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
32. 32 Как выбирать таргеты для обучения? Показ товара Клик Добавление 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
33. 33 Как выбирать таргеты для обучения? Показ товара Клик Добавление 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
34. 34 Особенность #5. Сезонность в Fashion • 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.
35. 35 Особенность #5. Сезонность в Fashion • 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
36. 36 Особенность #5. Сезонность в Fashion С точки зрения применения 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)
37. 37 5 особенностей Fashion E-commerce #5. Сезонность Закупка и ценообразование #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
38. 38 Q&A Александр Желубенков Head of Data Science, Lamoda Tech tg: @Topspin26 + = Fashion E-commerce ML