Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Ван Хачатрян — 
Особенности, стек и процессы команды Поиск, рекомендации, реклама

Ван Хачатрян — 
Особенности, стек и процессы команды Поиск, рекомендации, реклама

Ozon Tech

May 26, 2023
Tweet

More Decks by Ozon Tech

Other Decks in Technology

Transcript

  1. Структура Поиск • Поиск и индексация • Каталог и пользовательский

    опыт • Ранжирование и аналитика в поиске Реклама • Товарная реклама • Медийная реклама • Рекламный движок и инфраструктура Рекомендации • Товарные рекомендации • Персонализация • Рантайм рекомендаций
  2. Специальности в команде Backend — 100+ инженеров Go, Java, C#

    и Python в поиске, рекомандациях и рекламе Frontend — 10 фронтенд инженеров личного кабинета продавца для управление продвижением и рекламой QA — 20+ инженеров по автоматизации тестирования в департаменте ML и аналитика — 30+ специалистов по машинному обучению и продуктовой аналитике для ранжирования товаров, рекомендаций и персонализации в наших продуктах Management — менеджеры по разработке, продукту и проектам Assessment — ассесоры качества поисковых продуктов Documentation — технические писатели для внутренней документации сервисов и продуктов
  3. Основные продукты Поиск и подсказки — помогаем найти наиболее релевантные

    товары по пользовательскому запросу Каталог — поиск товаров в желаемой категории на Ozon Рекомендации — виджеты с рекомендованными для пользователя товарами в карточке товара и других частях пользовательского пути в Ozon Товарная реклама — помогаем продавцам продвигать свои товары в поиске, каталоге и рекомендациях на Ozon Медийная реклама — помогаем внутренним и внешним рекламодателям размещать рекламные баннеры на сайте Ozon
  4. Задача и архитектура Задача поиска товара по запросу решается в

    2 этапа: • L1 (базовое) ранжирование — сортируем все SKU, удовлетворяющие условиям поискового запроса. Учитывается текстовая релевантность между атрибутами товара и поисковым запросом, а также продаваемость товара в прошлом. • L2 (LTR) ранжирование — сортируем отобранные SKU с помощью Machine Learning. Цель — расставить товары в выдаче так, чтобы показать пользователю наиболее релевантные к покупке товары. Ранжирование зависит от того, какие свойства товаров оказались наиболее важными для покупателей в прошлом.
  5. Задача и архитектура Задача поиска товара по запросу решается в

    2 этапа: • L1 (базовое) ранжирование — сортируем все SKU, удовлетворяющие условиям поискового запроса. Учитывается текстовая релевантность между атрибутами товара и поисковым запросом, а также продаваемость товара в прошлом. • L2 (LTR) ранжирование — сортируем отобранные SKU с помощью Machine Learning. Цель — расставить товары в выдаче так, чтобы показать пользователю наиболее релевантные к покупке товары. Ранжирование зависит от того, какие свойства товаров оказались наиболее важными для покупателей в прошлом.
  6. Метрики и показатели Технические • до 50k RPS в пиках

    на BX сервисы • до 200ms в 0.9q на ответ • размер индекса ~150mln SKU Продуктовые • более 50% продаж на Ozon возникают из поиска и каталога • средняя конверсия в клик на товар из поиска ~3%
  7. Задача и архитектура Например, в поиске при запросе пользователя мы

    собираем выдачу из органических и рекламируемых товаров. Поиск релевантных рекламных товаров осуществляется на каждый запрос в поиске и каталоге ozon.ru. . Задача решается в три этапа: • Базовый — поиск кандидатов из спонсорских товаров релевантных на запрос • Рекламный аукцион — провести аукцион для ранжирования рекламных кандидатов на основе рекламных ставок продавцов • Слияние в выдаче — определить позиции рекламных кандидатов в выдаче
  8. Задача и архитектура Например, в поиске при запросе пользователя мы

    собираем выдачу из органических и рекламируемых товаров. Поиск релевантных рекламных товаров осуществляется на каждый запрос в поиске и каталоге ozon.ru. . Задача решается в три этапа: • Базовый — поиск кандидатов из спонсорских товаров релевантных на запрос • Рекламный аукцион — провести аукцион для ранжирования рекламных кандидатов на основе рекламных ставок продавцов • Слияние в выдаче — определить позиции рекламных кандидатов в выдаче
  9. Метрики и показатели Технические • до 30k RPS в пиках

    на BX сервисы • до 100ms в 0.9q на ответ Продуктовые • более 100к продавцов на Ozon пользуются услугами продвижения • средняя конверсия в клик на спонсорский товар из поиска ~3%
  10. Задача и архитектура Задача рекомендаций на Ozon заключается в том,

    чтобы отобразить наиболее вероятные к покупке товары для пользователя релевантные к текущему контексту (товар, страница на сайте, пользователь). Она решается в два этапа: • Базовый — определение кандидатов для рекомендаций на основе текущего контекста • Ранжирование — сортировка товаров в рекомендательной полке на основе рекомендательной релевантности в рамках контекста
  11. Задача и архитектура Задача рекомендаций на Ozon заключается в том,

    чтобы отобразить наиболее вероятные к покупке товары для пользователя релевантные к текущему контексту (товар, страница на сайте, пользователь). Она решается в два этапа: • Базовый — определение кандидатов для рекомендаций на основе текущего контекста • Ранжирование — сортировка товаров в рекомендательной полке на основе рекомендательной релевантности в рамках контекста
  12. Метрики и показатели Технические • до 60k RPS в пиках

    на рекомендательные сервисы • до 200ms в 0.9q на ответ Продуктовые • более 10% продаж на Ozon возникают из рекомендаций • средняя конверсия в клик на рекомендованные плитки в карточке товара ~ 10%
  13. Основные цели наших команд Поиск • Стабильность • Скорость •

    Buyer Experience • Релевантность выдачи • Консистентность выдачи • Персонализация Реклама • Стабильность • Скорость • Seller Experience • Buyer Experience • Эффективность рекламы • Персонализация Рекомендации • Стабильность • Скорость • Buyer Experience • Релевантность рекомендаций • Консистентность рекомендаций • Персонализация