Машинное обучение как бизнес-инструмент fashion-ритейлера: кейс Wildberries

Андрей Ревяшко, ИТ-директор Wildberries

О наиболее интересных проектах, реализованных онлайн-ритейлером, перспективах использования в отрасли технологий 3D-примерки обуви и одежды, инструментах персонификации коммуникации с потребителями, перспективах систем прогнозирования спроса и автоматизации отношений с поставщиками в интервью журналу «Retail & Loyalty» рассказывает ИТ-директор Wildberries Андрей Ревяшко.

R&L: На ваш взгляд, какие наиболее интересные ИТ-решения появились на мировом рынке в сфере fashion онлайн-торговли?

А. Ревяшко: Безусловно, это технологии онлайн 3D-примерки одежды и обуви. Хотя и тут не без ложки дегтя, говоря о внедрении. Ситуация может показаться несколько парадоксальной. Мне известны несколько вендоров, которые активно привлекают инвесторов, пытаясь вывести этот продукт на новый уровень, при этом внимание в равной степени уделяется как разработке технологий замера размеров ног, так и замера обуви. Но! На моей памяти пока еще нет ни одного случая успешного внедрения такого рода решения в крупном ритейле. Скажу наперед, что знаю о нескольких внедрениях в небольших магазинах. На мой взгляд, объясняется такой расклад двумя причинами.

Первая причина – проблема массового замера обуви. С одной стороны, поток обуви велик у маркетплейсов, с другой – один и тот же производитель параметры одного и того же размера может менять от коллекции к коллекции. Слишком много времени и сил предполагается на замеры. В рамках отдельно взятого экспериментального помещения все будет работать идеально, поскольку есть возможность спокойно «замерять» поток обуви. Как только начинаешь «переводить качество в количество», понимаешь, что на практике это сложно реализуемо.

На корректный замер одной пары обуви требуется до 10 минут, что очень много! А с учетом того, что в день на фотостудию, в зависимости от сезона, может поступать до 15 тыс. пар, использование дорогостоящего аппарата по замеру обуви оказывается абсолютно нерентабельным и нецелесообразным. Есть вендоры, которые осуществляют замер по средствам более мобильного оборудования – с более доступной ценой, говоря о масштабируемости. Но со своим минусом – требуется калибровка раз в несколько замеров, что опять упирается во время и силы компании.

Второй момент – где производить замер обуви. Одни вендоры предлагают привозить обувь для замера в свои лаборатории, что накладно для продавца и его поставщиков. Ведь лаборатории вендоров в большинстве случаев находятся не в том же городе, что и поставщик. В то же время вендоры боятся раскрыть технологии и утратить уникальность своего продукта – поэтому не происходит внедрения на склады продавца.

Решения для 3D-примерки одежды присутствуют на рынке уже более пяти лет, однако проблемных мест по-прежнему хватает

Централизация замеров на базе продавца была бы нелишней, ведь количество поставщиков бывает высоким. К примеру, в нашем случае это больше 15 тыс. поставщиков.

Наконец, замер обуви – это только часть проекта. Еще одна часть – покупатель должен понимать, как конкретная модель будет сидеть на его ноге. Решения, позволяющие соотносить результаты замера обуви с параметрами ног существуют, однако одни из них стоят около 2,5 тысяч евро, другие требуют навыков и сноровки – говоря о замерах посредством смартфонов.

Первый случай означает низкую скорость при отменном результате плюс на каждый самовывоз надо установить такой аппарат, а это недешево. При втором подходе есть трудности со съемкой, ведь неопытный человек будет криво снимать, давать не те ракурсы. Безусловно, клиент научится, но на это потребуется время, а пока идет тренировка – занятие может и поднадоесть.

Если говорить о первом варианте, то, в идеале, в каждом ПВЗ следовало бы иметь минимум два таких аппарата, чтобы не возникало очередей. Наша сеть ПВЗ включает более 3000 точек, следовательно, на оснащение каждой из них потребовалось бы 5 тыс. евро, ну а общая сумма затрат получается совершенно запредельной. Это на фоне того, что количество пунктов выдачи заказа только увеличивается. При этом нет никаких гарантий, что продукт «взлетит», хотя, уверен, двигаться в этом направлении стоит.

В ряде подходов есть ограничения – осуществить замер параметров ноги можно только при условии отсутствия на ней колготок, носков и пр. – т. е. возникают препоны этического и гигиенического характера. И если летом еще можно, так или иначе, обойти этот барьер, зимой ситуация с 3D-примеркой в ПВЗ будет выглядеть абсолютно безнадежной в приличном числе случаев.

Но что самое интересное – несмотря на малое количество внедрений технологий 3D-примерки обуви, количество поставщиков данной услуги неуклонно растет. Возможно, сказывается эффект низкого старта.

Человек может сфотографировать понравившуюся ему одежду, приложение поможет подобрать аналоги

R&L: А что с решениями для виртуальной примерки одежды?

А. Ревяшко: Такие решения присутствуют на рынке уже более пяти лет, однако проблемных мест, как и с примеркой обуви, по-прежнему хватает.

В основном разработчики таких решений предлагают использовать 3D-модель человека с параметрами клиентов, которой можно «приделать» лицо и примерять на нее 3D-модели одежды. И здесь начинаются проблемы – как и с примеркой обуви. Создать аватар по параметрам клиента – не проблема. Но как только речь заходит о второй части процесса примерки – заведении параметров одежды в систему, начинаются трудности со скоростью, прежде всего из-за объема.

Как пример – в День холостяка у нас было продано около 4 млн товаров, из которых как минимум 2 млн были с небольшим количеством остатков. Ассортимент постоянно меняется. И как успевать за этими изменениями? Нехватка времени на замеры. А ведь останавливать оборачиваемость нереально.

Идея с 3D-моделями клиентов, конечно, красива, но при столкновении с реальностью она, увы, пока ломается. Ибо очередь снятия размеров с вещей для 3D-модели будет разбираться долго.

Также на рынке можно найти и еще одно решение – огромные «шкафы» для создания индивидуальной 3D-модели человека. Казалось бы, все просто и гениально – человек заходит в такой «шкаф» и через некоторое время получает точный слепок себя, гораздо более детализированный, чем если бы он самостоятельно вводил в систему свои данные. Увы, и здесь не обошлось без многочисленных «но» – из-за громоздкости такого аппарата размещать его в ПВЗ фактически невозможно, а стоимость его намного выше тех же 2,5 тыс. евро, как в случае с замером обуви.

Наиболее удачным решением, на мой взгляд, является разработка одного японского онлайн-ритейлера. Человека облачают в костюм наподобие водолазного, оснащенный массой датчиков, с помощью которых в считаные секунды вырисовывается его 3D-модель. Стоимость такого костюма составляет около 40 долларов – достаточно дешево и удобно. Однако и это решение закрывает только часть проблемы – замер одежды по-прежнему остается под вопросом. Нельзя же быть уверенным, что любая модель 48-го размера будет сидеть на человеке одинаково хорошо. И примерочный костюм, увы, этой проблемы никак не решает. В любом случае требуются решения для создания 3D-моделей одежды. В перспективе такие технологии, конечно, появятся, но в ближайшее время мы вряд ли увидим успешные примеры внедрения решений для 3D-примерки одежды в большом ритейле. С примеркой обуви, мне кажется, ситуация выглядит более оптимистично: уверен, что внедрение одного из решений уже не за горами.

R&L: Разработчики таких решений в основном зарубежные или российские?

А. Ревяшко: По большей части – российские. Я лично уже могу назвать более трех компаний, у которых есть шанс вывести на рынок удачное решение для 3D-примерки обуви в течение двух-трех лет. Само собой, речь идет не о подходах с применением дорогостоящих аппаратов снятия размеров, о которых я говорил ранее, а о решениях на мобильных платформах, стоимость которых, по сути, можно назвать копеечной. Кроме того, наверняка разработчики и тех и других решений посматривают на успехи друг друга и черпают наиболее полезные находки.

R&L: Если все-таки в ПВЗ появятся такие аппараты, услуга будет платной для клиента?

А. Ревяшко: Скорее всего, нет – все-таки в первую очередь в этой технологии заинтересованы сами поставщики.

R&L: Насколько в целом влияют на эффективность бизнеса такие решения, как виртуальные примерочные, голосовые помощники и пр.?

А. Ревяшко: С учетом того, что, заказывая обувь в интернете, потребители включают в заказ несколько размеров одной и той же модели, т. к. угадать с первого раза свой размер у конкретного производителя мало кто может, – в этой категории очень велик процент возврата (до 50%), который ритейлеру обходится очень дорого за счет расходов на логистику, сборку и пр. Решения для 3D-примерки обуви, безусловно, значительно сократят затраты на возврат товара.

Что касается различных голосовых помощников, чат-ботов и пр., они, во-первых, оказались очень востребованы клиентами, испытывающими сложности в общении с консультантами. Во-вторых, отвлекли на себя поток клиентов, освобождая рабочее время для сотрудников call-центра и финансового отдела.

R&L: Какие ключевые ИТ-проекты были реализованы в Wildberries в последние годы?

А. Ревяшко: В первую очередь я бы отметил развитие и масштабирование технологий машинного обучения. Условно говоря, если раньше в компании вопросами Data Science занимался один человек, теперь на это направление выделен целый штат, поскольку появилось понимание того, что это важнейший аналитический инструмент, не использовать который будет непростительной ошибкой. Причем мы наконец-то научились воспринимать машинное обучение именно как рабочий инструмент, а не как модную фишку из серии «эджайл или блокчейн».

Следующий интересный проект – подбор одежды по фотографии (реализованный, конечно, с использованием машинного обучения). Суть его в следующем. Человек устанавливает наше мобильное приложение на смартфон, фотографирует понравившуюся ему одежду, которую он увидел на витрине иди даже на прохожих, и отправляет ее нам. Наша задача – найти ему подходящую альтернативу, а в идеале – увиденную им конкретную модель.

Немного отвлекусь от ИТ-проектов как таковых, чтобы обратить внимание на следующий момент. Сейчас мы наблюдаем активное стремление игроков превзойти конкурентов по всем параметрам, в т. ч. по количеству внедренных инновационных технологий. Их можно понять – на современном рынке, как сказал сатирик, пока ты будешь семь раз отмерять, кто-то один раз отрежет.

Однако при этом нельзя забывать о том, что неумеренный «прием стероидов» приводит к «физическим травмам» компании. И как бы ни хотелось догнать и перегнать растущий рынок (а проекты Сбербанка и Яндекса, Мегафона и AliExpress очень многих вдохновляют на подвиги), нужно реально оценивать ситуацию в целом. И перед каждым очередным рывком подводить промежуточные итоги и определять те элементы общей ИТ-инфраструктуры, которые требуют немедленной оптимизации. Закрепления фундамента, если угодно.

По моим наблюдениям, у большинства компаний сейчас установлены так называемые монолитные ИТ-решения, ограниченные мощностями одного сервера.

Ресурсы таких систем ограничены, и в решении этой проблемы бесконечный апгрейд абсолютно бессилен. В этом ключе одна из основных наших задач – разнесение подобного функционала, что однозначно обеспечит масштабирование процессов. Этот этап так или иначе придется пройти всем топовым онлайн-ритейлерам.

R&L: В Wildberries уже удалось решить эту проблему?

А. Ревяшко: В этом вопросе нет предела совершенству. Основной функционал, связанный, например, с работой сайта, уже разнесен, нерешенными остались только менее значимые для взаимодействия с клиентами моменты. Прямую практическую выгоду можно проиллюстрировать на примере Дня холостяка. Если в 2016 году наличие пресловутого монолита очень серьезно влияло на качество приема и исполнения заказов, то в 2018-м об этих проблемах уже никто не вспоминал.

R&L: Возвращаясь к технологиям машинного обучения: для решения каких задач они предназначены в первую очередь?

А. Ревяшко: Несколько лет назад мы сотрудничали с одним из топовых провайдеров рекомендательных систем. Принцип работы системы заключался в том, что клиенту, на основе истории клиентских покупок, предлагался перечень актуальных для него товаров.

В поисках лучшего мы начали делать свою разработку с использованием машинного обучения. У нас получилось добиться хороших результатов. Уже первые запуски нашей системы рекомендаций с использованием машинного обучения в продуктовой среде повысили конверсию в 2,5 раза по отношению к ранее используемой.

Кроме того, используя машинное обучение для рекомендаций, мы обнаружили очень интересную вещь: когда покупатель ищет на сайте зеленое платье, это отнюдь не значит, что он хочет купить именно зеленое, очень велик шанс, что он ищет красное. Как это ни странно звучит, но в ряде случаев машина лучше понимает желание клиента, чем сам клиент. Но было бы странно для клиентов видеть красные платья в поисковых результатах системы по поисковому запросу «зеленое платье».

Учитывая это довольно необычное обстоятельство, мы стали выводить результаты поиска на странице в двух частях одновременно: в классическом – по полному текстовому индексу (с чисто зелеными платьями) – и с применением технологий машинного обучения (где показываются еще, к примеру, и красные). Во втором случае попадание не всегда бывает стопроцентным, однако система довольно успешно работает.

Другой пример – портплед. Большинство людей, забивая в поисковую строку это слово, хотят найти чехол для костюма. Но определенный процент клиентов – и их тоже немало! – подразумевают под портпледом небольшой чемоданчик на колесах. Технологии машинного обучения понимают это и свои результаты выдают в дополнение к классическому поиску – во второй части.

Бывают комические случаи – система с машинным обучением может работать на опережение: если молодые люди ищут в разделе спортивных товаров бинты для бокса или кимоно, система может предложить им тональные кремы – видимо, кто-то переусердствовал в тренировках и какое-то время маскировал свои ссадины.

Машинное обучение используется в первую очередь для формирования товарных рекомендаций и интеллектуального поиска. А также – в разделе «возможно, вам понравится».

Есть и еще одно направление на основе трех вышеперечисленных – формирование таргетированных рассылок. Условно говоря, клиент может попросить прислать ему уведомление о появлении в продаже конкретного размера конкретной вещи. Однако поставщик сообщает, что такого не будет как минимум полгода. В этом случае система может отправить клиенту предложение приобрести похожие по фасону и аналогичные по качеству товары.

Прочие направления использования технологий машинного обучения связаны с бэкофисной и пр. деятельностью. Например, нам потребовалось решение для одного из процессов складского комплекса, связанное с подсчетом вещей на движущейся ленте. Мы перебирали варианты от разных вендоров. Некоторые решения подразумевали, что товары при подсчете будут находиться на определенном расстоянии друг от друга, также для корректной работы требовалось соблюдение еще ряда условий. Однако было непонятно, как добиться этого на практике, не нарушая скоростные показатели процесса. В ряде случаев счетчики стоили больших денег, иные были рассчитаны на определенную высоту подсчитываемых объектов, какие-то не учитывали человеческий фактор – вещи на ленте касались друг друга, и счетчик несколько вещей учитывал как одну.

Как решение – научили систему с видеокамерой распознавать и подсчитывать отдельные предметы независимо от их расположения и наложения друг на друга. Делали ее с использованием машинного обучения.

R&L: На каком уровне сейчас находится персонификация отношений с покупателями?

А. Ревяшко: В этой области основное направление – это персонализация цен. О персонификации отношений с клиентами говорится очень много, особенно на конференциях, но на практике это удалось реализовать единицам. Как правило, персонификация сводится к скидке постоянного покупателя, которая становится видна клиенту только после формирования корзины, что не всегда удобно.

Что под персонализацией цен подразумевают в Wildberries и что мы уже можем предложить нашим клиентам? У наших клиентов большим спросом пользуются различные купоны со скидками на конкретные товары, бренды либо на покупки в определенные дни. В итоге в распоряжении клиента может оказаться, к примеру, более пяти купонов, и разобраться с их использованием ему будет очень сложно. Ведь часть купонов распространяется на одни товары, а часть – на другие. Чем больше у человека купонов на скидку, тем сложнее ему понимать выгоду. Наша система может самостоятельно подобрать для клиента наиболее выгодный для него купон по каждой товарной позиции. По такому же принципу работает система заказов товара через каталог. Открывая страницу каталога, на которой, условно говоря, размещено 100 наименований товаров, пользователь будет видеть стоимость с учетом оптимального купона для каждого товара. Таким образом, мы уже можем с уверенностью утверждать, что в этом плане Wildberries удалось достичь довольно высокого уровня персонификации.

Наша система может самостоятельно подобрать для клиента наиболее выгодный для него купон по каждой товарной позиции

R&L: Какие ИТ-инструменты для эффективного взаимодействия с онлайн-клиентами используются в Wildberries?

А. Ревяшко: В первую очередь хочу отметить нашу CRM-систему. Некоторое время назад мы начали активный поиск устраивающего нас решения. Выбрали, поработали. В итоге отказались от услуг крупного поставщика таких услуг в пользу собственной разработки. Недостаток решений крупных вендоров заключается в том, что они на потоке предлагают самым разным компаниям, разной направленности большое количество функционала, половина которого может просто не использоваться за ненадобностью.

Само по себе это не было бы проблемой, если бы не пара существенных «но». Во-первых, долгое время исполнения значимых процессов за счет универсальности, во-вторых, непомерно большие временные затраты сотрудников на изучение инструкций, в т. ч. ненужной им информации.

По сути, универсальность ведет к издержкам, и чтобы воспользоваться ее преимуществами, приходится чем-то жертвовать. В нашем случае в жертву пришлось бы приносить скорость внесения изменений в различные бизнес-процессы. Мы в Wildberries являемся адептами принципов agile и стараемся максимально оперативно реагировать на все запросы подразделений. Поставщики же коробочных решений готовы вносить изменения только в следующую версию своего продукта, которая может выйти через месяц или даже через полгода.

Таким образом, можно выделить два основных недостатка коробочных CRM, которые были полностью устранены в нашем решении, – это скорость работы приложения и доработки функционала.

R&L: Каким образом осуществляется прогнозирование спроса? Какие барьеры вы видите в развитии этого направления? Какие данные требуются ритейлеру для прогнозирования?

А. Ревяшко: У нас нет недостатка в таких данных, как время отклика, количество заказов из каждого региона России или СНГ, количество товаров на складах в различных городах. А вот спрогнозировать со стопроцентной вероятностью спрос на тот или иной товар практически невозможно. Компания постоянно растет и меняется, как меняется наша аудитория и ее интересы. И отталкиваться от прошлогодних показателей будет в корне неправильно. Даже самое осторожное расширение ассортимента, открытие новой категории может разрушить все тщательно выстроенные прогнозы. И на этом фоне отчеты некоторых компаний относительно блистательной работы систем прогнозирования спроса вызывают только улыбку. На самом деле предназначение систем прогнозирования заключается в другом. Например, они позволяют нам определить для себя, какие нам необходимы мощности, чтобы достичь определенного количества выполненных заказов. Помогают понять, как будет работать система в случае многократного роста трафика на сайте, на какие элементы нужно будет обратить внимание, как увеличение трафика скажется на количестве заказов. Каким образом будет вестись работа с поставщиками в условиях роста заказов и пр. Условно говоря, речь в целом идет не о долгосрочном планировании, а о плане реагирования на текущие задачи.

R&L: Каким образом в компании решается вопрос автоматизации отношений с поставщиками? Каковы наиболее уязвимые места в этом процессе?

А. Ревяшко: Портал для поставщиков мы разработали несколько лет назад, обеспечив тем самым им возможность работать с нами без бумажной волокиты, за счет полного перевода взаимодействия с ними в электронный формат – начиная от договоров о сотрудничестве и заканчивая оформлением поставок, отгрузок и пр. при помощи цифровой подписи.

Что касается уязвимостей в процессе, возможен такой момент. Предположим, ритейлер договорился с поставщиком о поставке сотни блузок. Какие есть варианты их приема? Можно пересчитывать и проверять их вручную (поскольку не факт, что весь товар доставлен в надлежащем виде). Как вариант – с компаниями-поставщиками можно заключить договор на особых условиях, согласно которому поставщик априори дает ритейлеру скидку на весь товар на случай обнаружения брака.

Также мы задействуем ИТ-системы для обеспечения проезда машинам поставщиков на территорию нашего склада без бумажной волокиты.

Подытоживая, отмечу, что на сегодняшний день у нас есть уже реально действующая автоматизация отношений с поставщиками, которая предполагает обеспечение их электронным документооборотом, инструментами для максимально удобной поставки товаров и средствами для разбора конфликтов.