Главное, чтобы костюмчик сидел: как мы применяем ML для рекомендации размеров

Исследования показывают, что до 70% покупок в fashion-сегменте возвращаются обратно, часто — из-за неправильно выбранного размера. В пересчете на деньги это огромная упущенная выгода. Lamoda применяет современные технологии для создания точной системы рекомендаций размеров. Как повысить шансы на успешные покупки и укрепить доверие клиентов к онлайн-магазинам, создавая новые возможности для бизнеса, рассказал Максим Граблевский, менеджер продукта в Lamoda.

В нише fashion-ритейла возврат или невыкуп — одна из главных угроз маржинальности бизнеса. Приобретая товар, покупатель надеется, что он ему подойдет. Однако возникают ситуации, когда размер не соответствует ожиданиям. Это создает дополнительные затраты как для клиентов, так и для ритейлеров.

Исследование Barclaycard показало, что 30% покупателей намеренно заказывают больше и затем возвращают ненужные товары. При этом 19% признались, что заказывают несколько вариантов одной позиции, чтобы выбрать после доставки. И проблема явно прогрессирует: в 2021 году российский бренд 12storeez заметил, что клиенты возвращают до 30% онлайн-покупок, по итогам 2022 года NYT рассказывал о 35% возвратах в онлайн-ритейле при 25% годом ранее.

Значительно сократить количество возвратов может онлайн-подбор размера. Для этого нужно учитывать разнообразные факторы: данные о предыдущих покупках и поведение клиентов на сайте. Lamoda уже три года развивает наиболее точную систему выбора размера для покупателей на российском рынке. Расскажу, чего и как мы добились.

60% пользователей, не выкупающих заказы в Lamoda, возвращают одежду из-за несоответствия размера. Однако,что именно люди подразумевают под фразой «не подошел размер»?

Статистический анализ показал, что многие ориентируются на привычку. Например, если человек носит футболку определенного размера, он может заказать рубашку того же размера, но она окажется велика. Это связано с понятием «плохая посадка» (bad fit), которое описывает, как одежда сочетается с параметрами тела. Даже если размер рубашки подходящий, рукава могут быть короткими, а полотнище — слишком длинным, что создает дискомфорт.

При анализе возвратов по категориям видно, что ожидания клиентов сложнее удовлетворить в сегменте женской одежды, особенно по джинсам. Например, незначительное несоответствие «гульфика» — расстояния от пояса до паха — может вызвать сильный дискомфорт. Чем больше атрибутов в одежде и обуви, тем сложнее покупателю понять, какой размер заказать.

В более простых категориях, таких как носки и футболки, покупатели менее склонны к возвратам, так как риск при выборе размеров ниже. Но с увеличением стоимости товара растут и ожидания пользователей. Они могут заказывать несколько размеров от дорогих брендов, надеясь на идеальную посадку, что не всегда оправдывается.

Каждая категория одежды имеет свои особенности, влияющие на вероятность возврата. С учетом растущих требований потребителей необходимо разработать эффективные решения для снижения объемов возвратов, потому что даже 1% невыкупленных вещей — это десятки миллионов рублей упущенной выгоды из-за дополнительных расходов на перемещение товаров в логистической цепи.

Бизнес Lamoda устроен так, что клиент может заказывать несколько размеров и возвращать ненужные. Это привело к злоупотреблениям. Пользователи начали заказывать по три, четыре, пять размерных вариантов одновременно, что увеличивало объем возвратов и создавало дополнительные затраты для компании. Так возникла необходимость создания продвинутых систем рекомендаций размеров.

Мы проводили исследование, и как наиболее частую проблему в выборе одежды пользователи выделили сильную разницу в размерных сетках брендов. Мы решили это учесть и для начала объединили размерные таблицы всех брендов в одну, что позволило бы давать более точные рекомендации на основе уже имеющихся данных о пользователе.

Каждый бренд имеет уникальную размерную сетку для верхней и нижней одежды, а также обуви. Размеры варьируются в зависимости от страны, целевой аудитории, пола и возраста, поэтому «S» в России может не соответствовать «S» в других странах из-за различий в полноте и росте.

Каждая модель одежды имеет свои параметры, включая обхваты груди и талии, которые могут учитывать до 30 характеристик. Перед продажей создаются технические спецификации и размерные таблицы для производителей и покупателей.

Система рекомендаций на основе ML-алгоритмов сводит эти параметры к единому стандарту и помогает пользователям выбрать аналогичный размер в других брендах, даже если обозначения различаются. Это повышает вероятность нахождения подходящего размера, снижает риск возвратов и увеличивает удовлетворенность клиентов. Сегодня, если пользователь закажет предложенный размер, с вероятностью 62% он ему подойдет.

Изначально наши рекомендации по размеру основывались на простых данных, таких как прошлые заказы: если пользователь выбирал размер L вместо M, это считалось его правильным размером, не учитывая особенности размерной сетки бренда или кроя модели.

Наша платформа выделяется среди российских маркетплейсов объемом данных о покупательских предпочтениях в сфере моды. Но что делать с новыми пользователями, которые еще ничего не заказывали, значит, мы о них ничего не знаем?

Чтобы улучшить систему, необходимо было собирать данные «на входе». Мы попытались собирать информацию с помощью опросов, но это не всегда эффективно, так как люди могут не знать, как правильно измерить свои параметры, или просто не учитывать изменения своего тела.

Затем мы провели тест с референсными товарами, чтобы узнать про опыт покупателя в прошлом. Он включал следующие этапы:

1. Пользователь выбирал марку, коллекцию и размер вещи, которая ему подходила ранее.

2. Система учитывала, что размер тела может изменяться, и пользователи могли выбрать актуальный размер на текущий момент.

3. Модель обрабатывала информацию о выбранном размере из разных брендов и предлагала аналогичные размеры, на основе данных единой размерной сетки.

4. Пользователям предоставлялись рекомендации по одежде из разных брендов, которые могли бы им подойти, учитывая их предыдущий опыт.

Несмотря на усилия, тест не показал значительных улучшений в пользовательских метриках. Многие просто пропускали шаг с выбором референсного товара, что затрудняло сбор информации, необходимой для математической обработки.

Наконец, мы разработали сложную Data Science модель, которая, во-первых, анализировала поведение пользователей, а во-вторых, изучала так называемых «размерных двойников». Теперь наша система идентифицирует пользователей с похожими физическими параметрами и предлагает размеры, которые подошли людям с аналогичными профилями. Сегодня для каждого пользователя система подбирает в среднем по 10 размерных двойников.

Применение комплексного подхода, который учитывает данные как от брендов, так и от самих пользователей, позволило достигнуть значительного успеха. За три года мы снизили общий возврат товаров на 1%. В таких категориях, как «женская обувь» — на 1,7%, «боди» — 1,9%, «мужские очки» — на 2%, а «детские аксессуары» — на 4,7%.

Этот процесс не является разовым. Постоянная работа с данными, получение обратной связи от пользователей, понятие большемерности/маломерности и адаптация моделей под динамику рынка позволят улучшить систему рекомендаций. Каждая новая итерация приближает нас к успешному выбору размера для каждого конкретного покупателя.

Современные технологии значительно влияют на системы подбора правильного размера одежды в e-com. Основные тенденции связаны с применением машинного обучения и машинного зрения, что позволяет формировать более точные и индивидуальные рекомендации.

Lamoda уже сегодня использует алгоритмы машинного обучения, которые учитывают параметры пользователей, их предпочтения и характеристики товаров. Система рекомендаций, основанная на размерных таблицах брендов, помогает точнее подобрать подходящий размер. Анализ данных о возвратах и предыдущих покупках позволяет предсказать, какой размер подойдет конкретному клиенту. Например, если пользователь ранее купил рубашку размера M и оставил положительный отзыв, система предложит такой же размер для других категорий и сопоставит параметры с размерными сетками других брендов.

Машинное зрение помогает автоматически анализировать, как одежда выглядит на моделях. Сегодня через фотостудию Lamoda проходит до 60 тысяч уникальных товаров в месяц. Нейросети автоматически определяют параметры, такие как длина рукава и обхват груди. Эти данные показывают, как модель будет сидеть на разных типах телосложения. Система может уведомить пользователя, является ли модель оверсайз или прямого кроя, что помогает выбрать правильный размер. Например, если куртка маломерит, пользователю советуют взять размер побольше.

Благодаря глубокому изучению своих пользователей мы уже знаем, какие параметры волнуют их — например, необходимость учитывать рост, особенности фигуры, стиль вещи. Развивая машинное зрение и алгоритмы анализа данных с «размерными двойниками», мы улучшаем точность рекомендаций. Исследования показывают, что точные рекомендации снижают количество возвратов. Использование современных технологий открывает большие возможности для улучшения покупательского опыта и повышения доверия к онлайн-ритейлерам.