Кеды для Олега: как ИИ делает удобнее процесс онлайн-выбора одежды

Одна из самых серьезных проблем современного онлайн-шоппинга — слишком большой выбор товаров. В психологии даже существует специальный термин — парадокс выбора. Если товаров слишком много, то часто посетитель просто теряется и уходит ни с чем.

Для e-commerce это огромный вызов, ведь из-за этого в среднем 70% посетителей покидают сайт, не совершив заказ, даже если все нужное уже лежит в корзине.

В Lamoda проблему выбора решают с помощью машинного обучения. Меня зовут Александр Желубенков, я руковожу Data Science отделом в компании Lamoda Tech. И я расскажу, как большие данные и современные технологии помогают нашим клиентам найти подходящие товары и какую роль в этом играют алгоритмы машинного обучения.

Работа моделей машинного обучения (machine learning, ML) всегда остается под капотом: клиент не знает и не видит, какие функции в приложении они выполняют. Поэтому мы решили немного приподнять завесу тайны и рассказать, какие ML-модели помогают посетителю выбирать товар и как они на самом деле работают. Делать это мы будем на примере стандартного сценария покупки.

Знакомьтесь, это Олег. Это среднестатистический клиент, у которого есть аккаунт на сайте Lamoda. Он не слишком активный покупатель — делает заказ раз в 2-3 месяца.

При создании статьи ни один Олег не пострадал — фото сгенерировано нейросетью.

Олегу нужно купить новые кеды. Он заходит на сайт Lamoda, авторизуется, переходит в каталог и кликает на нужный раздел.

Магия машинного обучения вступает в игру уже здесь. В каталоге есть чуть больше 14 500 моделей мужских кроссовок и кед. Когда Олег листает каталог, он в первую очередь обращает внимание на фото.

В Lamoda есть отдельная фотостудия, на которой ежедневно описываются тысячи новых товаров: заполняются их атрибуты и появляются качественные фотографии. На каждый товар в среднем приходится 5-7 фото с разных ракурсов, хотя фотографий, которые создают в студии для каждого товара, гораздо больше.

Наши данные и внутренние эксперименты показывают, что эффективность ракурсов фото отличается в разных категориях и для различных аудиторий.

Например, для мужской спортивной обуви эффективны общие планы с разных ракурсов, а для женской летней — несколько общих планов и несколько крупных, которые детально показывают отдельные элементы.

Сравните сами.

Олег листает каталог и замечает, что вся лента состоит из моделей кроссовок и кед, которые ему более-менее нравятся. А тех, что он не любит — там нет совсем. И чтобы подобрать пару, ему не нужно смотреть десятки страниц или долго играться с фильтрами.

В основе персонализированного ранжирования лежат большие данные — действия наших пользователей, которые мы собираем и бережно храним в нашем Data Lake (Озере данных). Ежемесячно нашу платформу посещает больше 17 миллионов уникальных пользователей. Предпочтения каждого конкретного пользователя строятся на основании его истории взаимодействия с Lamoda — учитываются покупки, добавления в корзину и избранное, а также просмотры (какие бренды чаще смотрит, по каким ценам покупает, какие размеры выкупает и т.д.). Информации для выявления из них закономерностей и применения машинного обучения действительно много — это терабайты сырых данных.

В основе персонализированного ранжирования с применением ML лежит очевидная идея показывать в каталоге выше те товары, которые вероятно будут более релевантны конкретному пользователю. Методы машинного обучения помогают нам в промышленных масштабах выявлять изменения интересов и предпочтений нашей аудитории и прогнозировать, какие именно товары имеют больше шансов пополнить гардероб клиента.

Персонализация происходит в режиме реального времени и состоит из последовательного применения двух моделей машинного обучения, которые дают синергетический эффект:

Именно эти товары система в первую очередь предложит Олегу. Шансы, что он найдет среди них что-то релевантное для себя и сделает покупку, на порядок выше, чем если бы Олег просматривал общий каталог безо всякой персонализации.

Наконец, Олег видит кеды, которые ему особенно понравились.

Он кликает на картинку, чтобы перейти на страницу товара. Система отмечает это действие — информация об этом переходе будет использоваться для персонализации в следующих сессиях.

Олег смотрит описание и фотографии товара и решает добавить товар в корзину. Как выбрать подходящий размер? Ведь Олег знает, что угадать с размером при выборе одежды и обуви в онлайне бывает непросто.

В чем сложность: размерные сетки у разных производителей могут отличаться. В дополнение к этому у одного бренда обувь может всегда большемерить, у другого — маломерить. Попасть точно в цель с первого раза бывает непросто.

Поэтому на Lamoda мы разработали отдельную ML-модель, которая рекомендует клиенту подходящий размер. Она использует информацию о товарах и отзывах, а также данные обо всех покупках на платформе. И, например, выявляет из данных, как соотносятся размеры разных брендов, потому что они могут отличаться.

Так, ML-модель может предсказать, какой размер конкретной обуви подойдет Олегу — и он увидит свою рекомендацию на странице товара.

Если нужного размера все же не оказалось в наличии, то расстраиваться не стоит — алгоритмы машинного обучения уже подобрали похожие модели кед в рекомендательном блоке «Похожие», который находится чуть ниже на карточке товара.

Важную роль здесь играют атрибуты и фотографии товаров. У каждого артикула есть десятки атрибутов, по которым он классифицируется внутри системы. Для товара, который смотрит Олег, описание выглядит следующим образом: обувь, низкие кеды, бренд Calvin Klein, светлый цвет, лето и другие базовые атрибуты, которые заполняются вручную контент-менеджерами. А с помощью моделей Computer Vision мы умеем учитывать также и визуальную составляющую — вычислять, насколько два товара похожи по форме и стилю на основании фото.

Именно с помощью атрибутов и фото алгоритмы подбирают похожие модели. Справляются они отлично — все товары из блока рекомендаций действительно похожи на первые кеды, но отличаются цветом или деталями.

Итак, кеды в нужном размере лежат в корзине, но Олегу стало интересно, а какая одежда и аксессуары хорошо будут с ними сочетаться. У большинства товаров на фотографиях есть кнопка «С чем носить». Она рекомендует несколько вариантов удачных луков — и они тоже выбраны на основании данных и алгоритмов. Правда, с небольшой помощью настоящих стилистов: их формулы мы использовали для уточнения того, какие наборы вещей могут хорошо сочетаться друг с другом в одном образе.

Сейчас мы активно работаем над тем, чтобы сделать рекомендательный блок с образами еще лучше — и конечно, тут не обойтись без помощи машинного обучения.

Олегу неплохо зашел один из образов и он решил заказать его на примерку. Даже при том, что он открывал сайт, чтобы купить только обувь, есть неплохие шансы, что он приобретет для себя что-нибудь еще. Никакого давления с нашей стороны — только возможности.

Ну что, наш Олег полностью одет — от фирменных кед до бейсболки. Завтра все товары будут в пункте выдачи заказов, и он выберет то, что понравится ему больше всего. А Lamoda продолжит совершенствовать алгоритмы, чтобы однажды даже примерку можно было сделать в приложении — на виртуальной модели с параметрами пользователя.

Практически на каждом этапе продуктовой воронки Lamoda использует алгоритмы машинного обучения: они повышают шансы, что Олег сможет выбрать понравившиеся кроссовки или кеды и успешно сделать заказ. Чем точнее и быстрее алгоритмы определяют, что нужно клиенту, тем выше вероятность покупки.

Сейчас в Lamoda работает более 30 моделей машинного обучения, которые можно разделить на два крупных направления:

Внедрение каждого алгоритма машинного обучения — это большая работа. В Lamoda Tech развитием ML-продуктов занимается команда инженеров машинного обучения, аналитиков, разработчиков, тестировщиков и продуктовых менеджеров суммарно из 70 специалистов.

От идеи до внедрения алгоритма в приложение для всех клиентов может пройти немало времени. Нужно выбрать подходящую постановку задачи и метод ее решения, собрать необходимые для обучения данные, разработать пайплайны, а также подготовить всю необходимую для внедрения ML-модели инфраструктуру и провести как минимум одну итерацию АБ-тестирования.

Работа над одним алгоритмом от идеи до релиза занимает как минимум 4-6 недель. В случае, если необходимо изменить архитектуру проекта, интегрироваться с несколькими системами или разработать новый продукт с нуля, на это может уйти от нескольких месяцев до полугода. Еще около 4-6 недель обычно уходит на АБ-тест — перед раскаткой алгоритма на всех клиентов важно оценить эффективность разработанного решения и убедиться, что новая модель действительно приносит пользу бизнесу.

Машинное обучение — это отличный инструмент, но не волшебная таблетка. Чтобы постоянно улучшать покупательский опыт и предоставлять клиенту классный персонализированный сервис, нужны месяцы слаженной работы сотен специалистов. Вопрос не только в Data Science: необходимо понимать потребности покупателей, предлагать отличный ассортимент, эффективно управлять процессами доставки и делать качественный и удобный продукт. Тогда машинное обучение будет хорошо встраиваться в бизнес-процессы и приносить на больших объемах существенную пользу для компании.

Благодаря машинному обучению мы стараемся находить индивидуальный подход и попадать в сердце Олегу и каждому из остальных 17 миллионов пользователей. А чтобы мы оптимизировали алгоритмы не только под Олега но и под Вас — заходите и испытайте персонализированный опыт сами! :)