Автор:
Никита Запорожец
Аккаунт-менеджер компании any
Никита сопровождает enterprise-партнеров any и работает с задачами клиентской аналитики, сервиса, проектного управления и развития e-commerce-проектов.
О партнёре
Zolla — один из крупнейших российских онлайн-магазинов мужской, женской и детской одежды. Каталог бренда насчитывает десятки тысяч товаров, поэтому точность поиска напрямую влияет на удобство выбора и конверсию интернет-магазина.
Когда название цвета не совпадает с тем, что видит покупатель
При выборе одежды цвет — один из главных критериев поиска: пользователи вводят запросы вроде «бежевое платье» или «бордовый свитер» и ожидают увидеть именно такие товары.
На практике в некоторых каталогах интернет-магазинов цвет передается не так подробно. В карточке товара может быть указано внутреннее название производителя или код коллекции. Иногда основной цвет вообще определяется неточно: изделие визуально выглядит бежевым, а в каталоге числится белым. Из-за этого поиск не всегда понимает реальные ожидания покупателей. Товар есть в ассортименте, но пользователь просто не может его найти.
Во время анализа поисковых запросов специалисты Any обнаружили эту точку роста в каталоге Zolla: значительная часть запросов связана именно с цветом одежды, но текстовых данных недостаточно для корректного поиска.
На практике в некоторых каталогах интернет-магазинов цвет передается не так подробно. В карточке товара может быть указано внутреннее название производителя или код коллекции. Иногда основной цвет вообще определяется неточно: изделие визуально выглядит бежевым, а в каталоге числится белым. Из-за этого поиск не всегда понимает реальные ожидания покупателей. Товар есть в ассортименте, но пользователь просто не может его найти.
Во время анализа поисковых запросов специалисты Any обнаружили эту точку роста в каталоге Zolla: значительная часть запросов связана именно с цветом одежды, но текстовых данных недостаточно для корректного поиска.
Чтобы устранить этот класс проблем, команда Any разработала инструмент для автоматического выделения атрибутов одежды по фотографиям товара. Однако просто использовать готовую модель оказалось недостаточно. В фэшн-сфере существует множество специализированных терминов, поэтому инженеры дополнили модель отраслевой лексикой из открытых датасетов.
Благодаря этому ИИ научился использовать именно те названия цветов и характеристик, которыми оперирует индустрия одежды. После обработки фотографий модель автоматически определяет основной цвет изделия и записывает его в дополнительный поисковый атрибут.
Модель распознает цвета и с модельных, и с товарных фото и умеет определять цвет нужного товара из нескольких
Важно, что вся обработка выполняется локально. Каталог партнера не передается во внешние сервисы и не используется для обучения публичных моделей — это особенно важно для крупных ритейлеров, которые предъявляют высокие требования к безопасности данных.
Результат
Количество неточных цветовых запросов сократилось более чем в два раза. При этом конверсия именно по этим ранее проблемным запросам выросла на 35%.
Автоматическое определения цветов в поиске позволило:
Автоматически обогатить каталог без ручной разметки тысяч товаров
Повысить точность обработки цветовых запросов
Сократить количество случаев, когда нужный товар существует, но не находится
Подготовить каталог к дальнейшему развитию поиска по визуальным характеристикам
При этом технология не ограничивается только цветами. Тот же инструмент позволяет автоматически выделять десятки других характеристик одежды: тип застежки, длину изделия, наличие карманов и многое другое. По сути ИИ превращает фотографии товаров в дополнительный источник данных для поиска.
Важно отметить: речь идет не об общей конверсии интернет-магазина, а только о сегменте запросов, которые раньше обрабатывались некорректно и после внедрения стали точными.
Важно отметить: речь идет не об общей конверсии интернет-магазина, а только о сегменте запросов, которые раньше обрабатывались некорректно и после внедрения стали точными.
Почему это лучше ручного заполнения атрибутов
Традиционный способ улучшить поиск — попросить интернет-магазин передавать больше информации в товарном фиде. Но на практике это означает большие доработки на стороне клиента, а использование искусственного интеллекта позволяет решить эту задачу автоматически. Если нужная информация уже присутствует на фотографии, модель самостоятельно извлекает ее и превращает в полноценный поисковый атрибут.
Пример распознавания цветов на нескольких товарах — даже если не все хорошо видны на фотографии
Итоги
Кейс Zolla показывает, что даже один дополнительный визуальный атрибут способен заметно повысить качество поиска без изменений товарного фида и ручной разметки каталога. Для фэшн-ритейла, где выбор часто начинается именно с цвета, такой подход помогает быстрее привести покупателя к нужному товару и сократить число неудачных поисковых сессий.
В дальнейшем тот же подход можно использовать и для других визуальных характеристик одежды — декоративных элементов, материалов и особенностей дизайна — превращая фотографии в полноценный источник данных для ИИ-поиска.
В дальнейшем тот же подход можно использовать и для других визуальных характеристик одежды — декоративных элементов, материалов и особенностей дизайна — превращая фотографии в полноценный источник данных для ИИ-поиска.
Автор:
Никита Запорожец
Аккаунт-менеджер компании any
Никита Запорожец — специалист по сопровождению клиентов в any. Он сопровождает enterprise-партнеров и работает с крупными e-commerce- и retail-проектами.
В его зоне ответственности — клиентская аналитика, проектное взаимодействие, лингвистические задачи и data science-кейсы. Такой набор задач помогает Никите смотреть на e-commerce-проекты шире: через сервис, бизнес-процессы и практический результат для команды.
До any Никита работал в банковской сфере и международных компаниях, развивался от клиентской поддержки к продажам и проектному менеджменту. По образованию он специалист по международному менеджменту.
В работе Никита ценит системность, дисциплину и партнерский подход. Ему важно не просто закрывать отдельные задачи, а выстраивать понятный процесс, в котором команда видит цель и следующий шаг.
В его зоне ответственности — клиентская аналитика, проектное взаимодействие, лингвистические задачи и data science-кейсы. Такой набор задач помогает Никите смотреть на e-commerce-проекты шире: через сервис, бизнес-процессы и практический результат для команды.
До any Никита работал в банковской сфере и международных компаниях, развивался от клиентской поддержки к продажам и проектному менеджменту. По образованию он специалист по международному менеджменту.
В работе Никита ценит системность, дисциплину и партнерский подход. Ему важно не просто закрывать отдельные задачи, а выстраивать понятный процесс, в котором команда видит цель и следующий шаг.
Расскажем как повысить выручку в вашем интернет-магазине
