Статья: Big Data в моде: как мы внедрили 1-to-1 персонализацию в каталоге и поиске

Ранжирование каталога — один из самых крупных и важных продуктов для Lamoda. Пользователи ищут в нем свой идеальный товар, но не готовы скроллить дальше первых 120 карточек. Поэтому важно в первые ряды вынести самую релевантную выдачу. 

Как это сделать? Внедрить ML и разработать такую персонализацию, как будто человек самостоятельно создал для себя в каталоге подборку мечты.

Всю историю развития ранжирования подробно развернули Дана Злочевская и Сережа Евстафьев из DS-команды ранжирования и поиска в Lamoda Tech. Читайте новую статью в нашем блоге на Хабре.

Нужен ли продакт в ML-команде? Мнение изнутри

Пять лет назад из обычного продакт-менеджмента я перешла в команду с дата-сайентистами. И процесс моей работы сильно изменился.

Как было раньше: я определяла потребности пользователя, затем приходила к команде разработки с готовой задачей и дизайн-макетами. А после забирала работающий продукт, чтобы отдать его в A/B-тест.

В ML все работает иначе. Команда включается уже на этапе исследования, погружается в бизнес-цели и техническую постановку задачи. Именно исследования занимают львиную долю времени дата-сайентистов, и только после них начинается разработка.

Ну, или не начинается. Или разработка начинается, но совсем не той идеи, которая была вначале.

Я Саша Пургина, руковожу развитием продуктов на основе данных в Lamoda Tech. В этой статье я расскажу на примере Lamoda, почему разработка ML-продуктов — это сложность и риск. И приведу примеры ошибок, когда хороший продакт в команде может увеличить шансы на успех, имея определенные знания и навыки.

Серебряной пули не ждите, но пара интересных мыслей должна найтись!

Читать на Хабре

Our website uses cookies, including web analytics services. By using the website, you consent to the processing of personal data using cookies. You can find out more about the processing of personal data in the Privacy policy