Виртуальная примерка, рекомендации и баланс бизнес-метрик: митап по Data Science от Lamoda Tech

Как разработать модель виртуальной примерки и превратить ее в работающий продукт? Как научить рекомендательную систему лучше понимать моду? Как балансировать разные бизнес‑метрики?

За последнее время у нас накопилось несколько интересных кейсов о том, как ML помогает нам переосмыслять ключевые сценарии в фешен-екоме — от выбора похожих товаров до виртуальной примерки и ранжирования в каталоге с фокусом на бизнес-метрики.

Всем этим опытом коллеги поделятся на Data Science митапе 23 апреля в офисе Lamoda. Приглашаем присоединиться, регистрируйтесь по ссылке.

Data Scientist Lamoda Tech

Подборки похожих товаров в каталоге — одна из ключевых зон в фешен-индустрии. С помощью этой фичи мы улучшаем пользовательский опыт, увеличиваем конверсию, помогаем найти альтернативы нужного размера и удерживаем пользователя в приложении.

Расскажу про этапы развития рекомендаций похожих товаров в Lamoda — от базовых подходов до реранкера, продуктовых гипотез и современных алгоритмов:

Что крутилось в проде ранее

Некоторые продуктовые вызовы, тестирование гипотез

Новые алгоритмы, учитывающие как визуальное, так и текстовое сходство

Внедрение реранкера, результаты

Senior Data Scientist Lamoda Tech

Продукт виртуальной примерки позволяет пользователю безопасно и легко экспериментировать со стилем прямо в приложении. Расскажу про путь, который мы прошли в разработке этой ML-модели:

Как с нуля обучать модель для подобной задачи — от сбора данных до оценки качества

С какими сложностями мы столкнулись при обучении, и какую эволюцию прошло наше решение

Как мы внедряли нашу модель в прод и какие результаты получили

Data Scientist Lamoda Tech

Каталог и поиск — место, куда пользователь приходит за конкретным товаром и хочет с ним уйти. Как показать ему нужное и при этом