Автомобиль в доме — вторая по стоимости вещь после самого дома. Решение о покупке автомобиля принимается не за один день, это длительный процесс. В течение нескольких месяцев планирования типичный покупатель изучал различные типы автомобилей и совершал несколько тест-драйвов, чтобы получить представление о различных транспортных средствах. А учитывая, что это довольно дорогая покупка, она также потребует планирования бюджета, и, возможно, потребуется также подготовиться к процессу получения кредита.

В отличие от обычных платформ электронной коммерции, таких как Flipkart и Amazon, где решение о покупке принимается за считанные минуты, на нашей платформе это обычно занимает недели или месяцы. Вместо быстрого процесса нажми и купи, покупка автомобиля — это, скорее, путешествие для пользователя, который заходит на нашу платформу несколько раз. исследовать и проводить тест-драйвы. Во время этого путешествия нам важно понять поведение пользователя и в то же время улучшить его опыт на нашей платформе.

В этой статье мы обсудим один аспект пользовательского опыта на нашей платформе, а именно страницу со списком автомобилей, которая показывается пользователю. Как следует из названия, на странице со списком представлен список автомобилей из нашего инвентаря. Наша цель здесь — персонализировать и упорядочить этот список на основе вкуса пользователей и оптимизировать наши показатели роста. В следующих разделах мы обсудим различные метрики, влияние персонализации на эти метрики, методологию тестирования и, наконец, представим детали алгоритма.

Метрики и влияние

Метрики, которые мы хотим оптимизировать:

  1. Увеличение заказов на тест-драйв
  2. Справедливое предоставление нашего инвентаря пользователям
  3. Сокращение усилий пользователей по просмотру автомобилей и повышение вовлеченности

Внедрение персонализации на нашей странице со списком привело к значительному улучшению наших показателей увеличения доходов (а именно, подачи заявки и бронирования тест-драйва). В таблице ниже показано улучшение наших показателей. Показатели также определены ниже.

Просмотр VDP определяется как событие, когда пользователь открывает страницу отображения автомобиля, на которой присутствуют все детали автомобиля, щелкнув автомобиль на странице списка.

Лид на автомобиль — это событие, когда пользователь выражает намерение купить автомобиль, указывая свои контактные данные.

Тест-драйв — это событие, когда пользователь бронирует время для тест-драйва автомобиля.

Итак, путь пользователя для покупки автомобиля на нашей платформе начинается со страницы объявления. Затем он переходит к просмотру VDP, а затем к представлению руководства. Это заканчивается назначением тест-драйва.

Методология тестирования

Приведенные выше цифры были рассчитаны на основе тестирования AB, проведенного на трафике в реальном времени на нашей странице листинга. Мы распределили трафик на 2 корзины: в одной корзине показывались персонализированные результаты, а в другой корзине — неперсонализированные результаты. Улучшение в приведенной выше таблице рассчитывается путем сравнения чисел между этими двумя сегментами.

Реализация

Поскольку наш инвентарь динамичен по своей природе и у нас есть надежные метаданные для каждого автомобиля, мы используем метод рекомендаций на основе контента для персонализации.

Для реализации персонализации нам нужны сигналы, которые расскажут нам о вкусах конкретного пользователя. Сигналы, которые мы используем:

  • информация о транспортных средствах, которые пользователь просматривает на странице VDP.
  • фильтры, которые пользователь применяет на странице со списком

И то, и другое является сильным сигналом, подсказывающим нам, что ищет пользователь.

На основе вышеперечисленных сигналов мы строим математическое представление каждого пользователя в виде вектора. Мы также создаем математическое представление для каждого активного автомобиля в нашем инвентаре в том же пространственном пространстве, что и у пользователей.

Сходство между этими двумя векторами дает нам ранг автомобиля для пользователя. Мы сортируем все активные автомобили пользователя по этому рангу. В результате пользователи видят тщательно отобранный список автомобилей на свой вкус.

Показанные выше результаты страницы со списком предназначены для пользователя, который просматривал и искал автомобили Maruti в диапазоне цен от 4 до 6 лакхов и 2015–2018 годов выпуска. В результате в персонализированной настройке ему показываются машины, соответствующие вкусу, и все 3 машины похожи друг на друга. В неперсонализированной обстановке видно, что пользователю демонстрируются автомобили разного ценового диапазона, марки и года выпуска, тем самым перекладывая усилия по поиску автомобилей по вкусу на пользователя.

Заключение и будущая работа

Мы представили наш подход к персонализации инвентаря на странице со списком и влияние, которое он оказал на нашу платформу. Поскольку наш инвентарь является динамичным и быстро меняющимся по своей природе, мы использовали персонализацию на основе контента. Мы использовали метаданные автомобилей в нашем инвентаре для создания векторов для каждого автомобиля. Для пользовательского вектора использовались просмотренные автомобили и примененные пользователем фильтры. Сходство между этими векторами используется в качестве оценки персонализации. Мы обнаружили, что применение персонализации увеличило общее количество тест-драйвов на нашей платформе более чем на 18%. Кроме того, это также увеличило вовлеченность пользователей и предоставило пользователям доступ к нашему инвентарю.

Мы добились отличных результатов благодаря персонализации, и еще есть возможности для дальнейшего улучшения пользовательского опыта и упрощения пути пользователя к покупке автомобиля.

Поскольку мы используем персонализацию на основе контента, наша модель может обрабатывать холодные запуски элементов, но не холодные запуски пользователей. Для нашего следующего шага нам нужно обрабатывать пользовательские холодные запуски, добавляя дополнительные пользовательские функции в нашу модель, чтобы мы могли персонализировать пользовательский опыт, как только он / она подключится к нашей платформе. Еще одним ограничением является то, что вкус пользователя может меняться со временем, поэтому моделирование должно включать временной аспект посредством последовательного моделирования.

Авторы
Пиюш Сингх
Манджит Дахия