Walmart: Как Agile изменил подход
к подбору товаров

В современном мире ритейла, где всё меняется с огромной скоростью, умение предвидеть потребности клиентов и оставаться конкурентоспособным становится решающим фактором успеха.

Walmart, мировой лидер в сфере розничной торговли, уже долгое время остается в центре развития новых решений, неизменно улучшая клиентский опыт и совершенствуя свои бизнес-процессы. Одним из направлений, где компания достигла значительных успехов, является система подбора товаров — важнейший процесс в сфере электронной коммерции. Это включает в себя точную идентификацию и подбор схожих или одинаковых товаров из разных источников данных, таких как поставщики, инвентарь магазинов и другие онлайн-площадки, что позволяет предлагать клиентам максимально подходящий товар под их потребности.



Определение проблемы

Подбор товаров — сложная задача. Существуют тысячи товаров в разных категориях, каждая из которых имеет свои уникальные идентификаторы, описания и спецификации. Выполнять эту задачу вручную было бы практически невозможно, заняло бы огромное количество времени и неизбежно сопровождалось бы ошибками. Именно здесь на помощь приходит машинное обучение.
Принципы Agile в машинном обучении

Walmart применяет гибкий подход к внедрению решений на основе машинного обучения для системы подбора товаров. Agile-подходы с их акцентом на гибкость, сотрудничество и ориентацию на клиента идеально подходит для таких быстро меняющихся отраслей, как ритейл.

Итеративная разработка

Команды машинного обучения Walmart работают короткими итерациями. Они постоянно улучшают свои алгоритмы на основе обратной связи и новых данных. Это позволяет оперативно реагировать на изменения рыночных условий и внедрение новых технологий. Например, одна из итераций может касаться отдельного продуктового сегмента, такого как F&B или одежда.
Кросс-функциональные команды

Инженеры, эксперты в различных областях и менеджеры по продуктам работают совместно. Такой межкомандный подход обеспечивает, что модели машинного обучения не только технически обоснованы, но и отвечают бизнес-целям компании и потребностям клиентов.
Интеграция обратной связи клиентов

Обратная связь от клиентов бесценна для улучшения алгоритмов подбора товаров. Walmart активно собирает и учитывает мнения как внешних клиентов, так и внутренних заинтересованных сторон. Этот цикл обратной связи помогает сделать модели более точными и релевантными.

Непрерывное внедрение

Модели машинного обучения не являются статичными. Walmart использует пайплайны CI/CD (непрерывная интеграция и поставка) для быстрой реализации обновлений. Это позволяет оперативно реагировать на изменения рыночных условий и сохранять конкурентное преимущество.

Как это улучшает опыт пользователей?

Применение Agile подхода к машинному обучению в подборе товаров дало Walmart следующие преимущества:
  • Повышенная релевантность поиска
Теперь клиенты могут быстрее и точнее находить нужные им товары.

  • Снижение процента брошенных корзин
Точная идентификация товаров уменьшает случаи, когда клиенты по ошибке добавляют в корзину не те товары.
Заключение

Внедрение Agile подходов Walmart к машинному обучению в подборе товаров — это доказательство приверженности компании инновациям и ориентации на клиента. Используя возможности искусственного интеллекта и принципы Agile, Walmart продолжает устанавливать стандарты для всей ритейл-индустрии.

По мере того как рынок розничной торговли продолжает развиваться, можно с уверенностью сказать, что приверженность Walmart к инновациям и гибким методологиям позволит компании оставаться лидером отрасли еще долгое время.


Как машинное обучение улучшает подбор товаров?

Walmart использует различные методы машинного обучения для решения сложных задач подбора товаров. Среди них особо выделяются два:

  • Обработка естественного языка (NLP)
Алгоритмы NLP анализируют описания товаров для извлечения релевантной информации. Это помогает идентифицировать схожие товары, даже если они описаны по-разному. Например, товары "Lotus Biscoff 125 г" и "Lotus Biscoff" могут оказаться одинаковыми в разных магазинах. NLP помогает выявить такие случаи и улучшить точность подбора.

  • Распознавание изображений
Модели машинного обучения, обученные на обширных наборах данных изображений, могут идентифицировать похожие товары на основе их визуальных характеристик. Это особенно полезно для товаров, где важную роль играет внешний вид, например обувь или аксессуары.

  • Рост продаж и удовлетворенности клиентов
Когда клиенты быстро находят то, что ищут, это приводит к увеличению конверсии и повышению уровня удовлетворенности.

  • Оптимизация цепочки поставок
Точная идентификация товаров снижает количество ошибок в управлении запасами, что приводит к лучшей доступности товаров и уменьшению излишков на складе.
Источники: shecancode.io