Персонализация опыта участников (и разработка новых способов сделать это) лежит в основе всех наших брендов BFA. Мы постоянно спрашиваем себя, как мы можем предложить наилучший персонализированный опыт, и в августе 2020 года это был наш ответ: Ультра персонализация.

Ультра персонализация — это функция, которая дает участникам IPSY Glam Bag Plus больший контроль над своими сумками, позволяя им каждый месяц создавать свою идеальную сумку, выбирая три из пяти полноразмерных предметов. Как это работает, так это то, что мы выбираем первые два элемента сумки, используя наш собственный алгоритм распределения, IPSY Match. Затем мы персонализируем ассортимент еще большего количества продуктов для участников на выбор.

Теперь, через год после запуска Ultra Personalization, старший менеджер по продуктам Барбара Евангелиста расскажет нам о техническом обзоре этой масштабной косметической операции. Читайте дальше, чтобы узнать больше о том, как мы сочетаем машинное обучение с человеческим опытом для создания беспрецедентной персонализации.

Данные

Такая функция, как Ultra Personalization, требует огромного количества данных, и все начинается с профиля красоты участника: уникальный профиль создается в тот момент, когда участник проходит тест на красоту и присоединяется к IPSY. Каждый профиль красоты использует сотни точек данных о предпочтениях участника, и, поскольку участники также могут обновлять свои профили так часто, как им хочется, мы можем наблюдать за изменениями, которые они вносят в свои предпочтения с течением времени. Мы также используем данные, собранные из отзывов о продуктах и ​​сумках, которые предоставляют ценные отзывы о продуктах, которые участники подобрали, добавили в свою сумку или выбрали сами.

Информация о самих продуктах также играет роль. Благодаря опыту наших талантливых специалистов по мерчандайзингу у нас есть информация о продукте или метаданные, начиная от простых (категория, бренд или оттенок) и заканчивая сложными (ингредиенты, упаковка или формат), которые можно напрямую сопоставить с предпочтениями участников. через профиль красоты. Эти метаданные помогают нам понять модели поведения участников, собранные из различных точек соприкосновения, от взаимодействия с сайтом до оценок и покупок. Возьмем, к примеру, красную помаду: в качестве простого подхода мы могли бы наблюдать, как участник оценил этот продукт. Или мы могли бы пойти дальше, рассчитав близость участников в более широком смысле, от категории «губная помада» до конкретной марки губной помады, до определенного оттенка продуктов для губ в целом.

Метаданные продуктов также помогают нам идентифицировать продукты, которые могут не подходить для участников. Некоторые продукты, такие как тональные основы, консилеры или продукты для бровей, имеют специфическую направленность в отношении тона кожи или цвета волос. Кроме того, существуют такие продукты, как аэрозольные лаки для волос или лосьоны CBD, которые имеют ограничения по доставке и возрастные ограничения соответственно. Метаданные продукта позволяют нам полностью отфильтровать эти продукты, чтобы они отображались только для соответствующих участников во время использования Ultra Personalization.

Процесс персонализации

Что касается опыта Ultra Personalization, мы хотим предоставить участникам множество вариантов на выбор. Обычно в месяц у нас есть более 50 продуктов в ассортименте Glam Bag Plus, поэтому для каждого из трех выбранных продуктов в сумке участника мы создаем взаимоисключающий набор продуктов из общего количества доступных продуктов. Каждый набор был сбалансирован по категориям и брендам для максимального разнообразия, а затем дополнительно персонализирован для каждого участника.

Существенной частью того, чтобы сделать Ultra Personalization как можно более восхитительной, является возможность количественно определить для участника его близость к каждому продукту. Преобразовав данные, описанные выше, на уровень участник-продукт для всех исторических пар участников и продуктов, мы можем обучить модель предсказывать, выберет ли участник продукт или нет. Затем мы можем использовать эту модель для получения оценки для каждой будущей пары «участник-продукт» с учетом нового ассортимента продуктов, поэтому мы называем эту модель «моделью оценки».

Поскольку мы можем обучать модели, оптимизированные для различных моделей поведения, скоринговая модель — идеальная возможность для A/B-тестирования. Например, мы можем обучить модель оттоку, чтобы узнать, отменит ли участник свою подписку после получения продукта. Мы также можем обучаться оценке продуктов, определяя, как участник будет оценивать продукт по шкале от одного до пяти.

Для каждого члена мы создаем «коллекцию» продуктов, другими словами, три набора продуктов, упорядоченных по выходным данным скоринговой модели. В конечном итоге мы передаем эту коллекцию на сайт для отображения во время ультра-персонализации. Во время эксперимента мы покажем от четырех до шести продуктов в каждом выбранном товарном месте (всего от 12 до 18 продуктов), чтобы обеспечить оптимизированный и удобный мобильный опыт.

Хотя эти оценки могут быть в состоянии предсказать, выберет ли участник продукт с высокой уверенностью (на основе ключевых показателей эффективности модели, таких как AUC, RMSE или NDCG, в зависимости от того, какой тип модели мы используем), мы не можем полагаться исключительно на эти оценки при создании коллекций продуктов наших участников. Почему? Потому что мы рискуем собрать коллекцию из ассортимента, который на самом деле не так интересен, как предполагает оценка.

Вот пример: допустим, у нас есть участник, который указывает, что хочет получать жидкие помады как можно чаще, и в одном наборе выбранных продуктов есть три разных оттенка одного и того же продукта. Наша оценочная модель может ранжировать все три оттенка как лучшие продукты в этом наборе, что при демонстрации на месте поместит их в наиболее ценную недвижимость в интерфейсе Ultra Personalization. Три продукта из четырех представленных с минимальным разнообразием, кроме оттенка, не являются персонализированным опытом открытия красоты, к которому мы стремимся. На самом деле, казалось бы, мы заставляем участницу выбирать жидкую помаду, единственно верный выбор — оттенок.

Чтобы смягчить это, мы работаем с нашими командами по товарам и планированию, чтобы разработать набор критериев (на основе опросов NPS, обзоров продуктов и сумок и комментариев), чтобы определить, какие продукты мы показываем участникам. Например, мы обнаружили, что участники предпочитают видеть продукты, которые являются новыми для IPSY или разнообразны с точки зрения бренда или категории, поэтому мы встроили эти правила в алгоритм, предназначенный для создания разнообразных коллекций, состоящих из продуктов, которые, как мы знаем, понравятся участнику. а также новинки, способные удивить и порадовать.

Вывод

В BFA мы стремимся постоянно улучшать опыт участников. Применение машинного обучения к Ultra Personalization, безусловно, помогло нам выполнить наше обещание о восхитительной персонализированной красоте для всех, но также дало нам прекрасную возможность учиться у наших участников. Сейчас мы открываем модели поведения, которые в противном случае были бы скрыты от нас. Благодаря тому, что все больше Ipsters, чем когда-либо прежде, по-новому взаимодействуют с нашим сайтом и нашими продуктами, мы открыли возможности для применения машинного обучения, что, естественно, включает в себя эксперименты с нашим алгоритмом IPSY Match. Продолжайте читать наш блог Code+Contour, чтобы узнать больше о том, как мы продолжаем интегрировать машинное обучение в опыт участников BFA.