Подобрать одежду под свои размеры — это наверно самая большая проблема в фешн‑сегменте. Ну кто не видел в ПВЗ тёток с мешками одежды, которые два часа сидят в примерочных и из всей кучи выбирают одну маечку, а остальные 10 кг возвращают.
На Hard Client был пост про обмеры себя при покупке одежды. Ну и в коментах Lamoda написала:
тестировали функционал под кодовым названием «размерные двойники» когда можно было сразу в отзывах указать свои параметры и мы поднимали в выдаче отзывы от авторов с похожими габаритами. Но пока не нащупали пользу от фичи
Поясню. Задумка была в том, что в отзывах юзер может оставить свои параметры и система отсортирует отзывы под них, в выдаче поднимая выше отзывы от юзеров со схожими габаритами.
В приложении это выглядело так (дизайн‑макеты):
Понимаю, что лучше «живьём» потыкать, но что на скринах вас зацепило в первую очередь?
……
Меня сразу цепанула какая‑то сложность. Без предзаполнения придётся сделать кучу кликов, обмериться и перепроверить… Несколько минут и всё только ради сортировки отзывов?!
А если нет нужных отзывов? А если они бесполезные? А если покупатель в отзыве купил другому человеку, то чьи размеры в отзыве? А если у юзера нет возможности обмериться?… → и всё, юзер заказывает мешок товаров.
Не то чтобы юзеру лень снимать мерки или сложная механика. Lamoda говорит, что даже у юзеров с известными параметрами, не поменялись метрики. Тогда похоже, система помогала только найти «более похожих» в отзывах, но не снимала основной вопрос — какой размер брать и как вещь сядет именно на меня.
И ещё, посмотрите на предлагаемый системой вариант:
Человек (Автор) примерно похож ростом, грудью и талией, но бёдра отличаются на 11 см. При этом система считает отзыв подходящим. Да, это дизайн‑макет, но возникает повод задуматься: что вообще такое «похожая комплекция»?
Для худи +/-11 в бёдрах может быть неважно. А для джинсов — критично. Получается, что внедрение этой фичи ещё больше усложняется правилами сравнения под разные типы одежды и какой из параметров вообще важен для разных вещей.
И здесь же ещё момент доверия системе. Да, все уже смирились, что приложения собирают инфу про юзеров, но меня немного смущает, что точный размер моей задницы будут сравнивать с кем‑то там.
Конечно, было бы интересно узнать:
Сколько товаров вообще имели достаточно отзывов с параметрами?
Как сильно после персонализации менялся топ отзывов?
Как рассчитывалась «похожесть»?
Отличались ли результаты для джинсов, платьев, футболок, верхней одежды?
Смотрели общий возврат или именно возврат по причине «не подошёл размер»?
Юзеры вообще замечали, что порядок отзывов изменился?
Был ли эффект у юзеров, которые активно читали отзывы и сомневались между размерами?
Ну и другие интересности, которые могут повлиять на решение «быть или не быть» фиче.
Что можно попробовать?
Ну самый простой вариант почти с той же логикой: «Этот вариант товара» («Этот размер»). Вот пример из Озон и Маркета:
Ну логично же? В карточке товара обычно сразу несколько вариантов с разными цветами, фасонами, размерами. Юзер выбирает в карточке нужное и смотрит отзывы. Зачем ещё что‑то там устанавливать?
С другой стороны, если юзер выбрал 42 размер, то фильтр «Этот вариант товара» спрячет отзывы по остальным размерам и теряется эффект сравнения.
Ладно, чтобы повысить точность фильтрации вот ещё похожая фича от Дэву (Poizon):
Обратите внимание на свободу выбора фильтров. Можно отдельно рулить любым параметром — и сразу показывает количество отзывов с похожими параметрами юзеров. Ну и конечно же система сразу говорит, что считает не точное совпадение!
С другой стороны, увидя такой большой выбор параметров, юзер может задаться вопросом: а какой из параметров вообще важен для этой вещи? +/‑ 10 см — норм или критично? И пока системы не помогают юзеру.
Что из этого следует?
Кажется, проблема «размерных двойников» не в плохой идее и даже не в сложности заполнения параметров. Фича пытается помочь юзеру найти более релевантные отзывы, тогда как глобально для юзера важнее понять, какой размер выбрать и как вещь сядет.
Пока между этими двумя точками ещё много самостоятельной работы: сравнить параметры, оценить похожесть, прочитать отзыв, интерпретировать посадку.
Пример Ламоды и Дэву показывает: «Даша похожа на вас. Она купила 44… Иван похож на вас. Он купил 45…» и так по каждому отзыву. И юзер такой: «эмм… и как сочетаются по фигуре Даша и Иван?… блин, и что мне выбрать?!».
Было бы круто получить какое‑то резюме типа «10 покупателей с параметрами, похожими на ваши, выбрали 44 размер». Ну или среди похожих показывать статистику типа: 72% — размер подошёл; 19% — оказался велик; 9% — оказался мал.
Есть и более скучное объяснение: сама идея нормальная, но эффект просто не дотянул до бизнес‑метрик. Отзывы довольно далеко от покупки и такая персонализация повлияла лишь на часть юзеров, а сам размер — только одна из причин возврата (хоть и важная). Даже заметное улучшение качества выбора размера могло раствориться на фоне общей конверсии в покупки / возвраты.
Должно последовательно сработать: параметры известны → в отзывах нашлись с похожими габаритами → их отзывы действительно полезные → юзер понял разницу → уверенно выбрал размер → купил → снизился возврат. Если хоть что‑то ломается, то на заказах и возвратах эффект вряд ли будет заметен.
Но что если вообще не собирать обмеры, а работать только с историей покупок?
Nike M → оставил
Levi's 30 → оставил
Befree 46 → вернул как большой
Zarina 44 → оставил
И при очередном выборе, система говорит: «По вашим предыдущим покупкам вам вероятнее подойдёт эта майка 44 размера». Правда в случае ошибки, во всём будет виноват магазин (а не покупатель) и доверие резко упадёт.
……
Возможно, следующий шаг — научиться превращать накопленные данные в понятный ответ: что, скорее всего, подойдёт этому юзеру и почему система так считает.
Больше разборов в телеграм‑канале ЗоЮ | Забота о юзерах
В статье использованы скриншоты из ScreenHunt — библиотеки анализа мобильных интерфейсов для продуктовых команд.
