проекты контента

1.

ПРОЕКТ
КОНТЕНТ
ЫА

2.

Автотипизатор
Это ML модель (инструмент), который предсказывает
(АТ)
потенциальный тип для нового товара.
Например, партнёр передал
товар «Колбаса Клинский
Брауншвейгская сырокопченая».
ML-модель смотрит название
товара и оценивает похожий
товар у других партнёров
(какая есть в целом колбаса и
на каком типе лежит).
Начинается анализ и
сопоставление информации.
Товар партнёра
Как это
работает?
АТ находит товары по слову
«колбаса» и видит, что в Дереве
существует колбаса не одного
вида (варено-копченая, вареная,
сыровяленая и т.п.)
Далее ML-модель продолжает
оценивать партнерское название.
Появляется новое условие –
колбаса сырокопченая.
Дерево с типами колбасы
На основе этого ML-модель
оценивает аналогичные
товары.
Находя большое количество
совпадений, ML-модель
присваивает аналогичный
тип для товара «Колбаса
Клинский Брауншвейгская
сырокопченая».
Товары, на основании которых
ML-модель спрогнозировала

3.

Автотипизатор
На
данный момент средняя точность АТ составляет 80 %.
(АТ)
Точность – это показатель, который отражает, для какого объёма
товаров предсказанный тип от АТ оказался корректным по
результатам валидации.
Над чем работаем?
Сейчас все товары, вне
зависимости от уверенности АТ в
проставленном типе, летят на
фронт. Мы работаем над:
Сейчас АТ не смотрит
на картинки, поэтому
работаем над
компьютерным зрением
и возможностью
проставлять БТ через
АТ.
если АТ уверен в
проставленном типе, то
товар летит на фронт, а
контент постмодерирует
проставленный тип (то есть
АТ предложил для товара тип,
товар сразу оказался на
фронте, мы модерируем уже
после вывода на фронт);
если АТ не уверен в
проставленном типе, то
товара не летит на фронт, а
контент премодерирует (то
есть АТ предложил для товара
тип, но на фронт не вывел,
т.к. сначала мы должны
промодерировать, и только
Включаем АТ в аптечной
нише.

4.

Автометчер (АМ)
Это ML модель (инструмент), который помогает найти
• подходящую мастер-карточку для товара;
• дубль существующей мастер-карточки.
Как это
работает?
Поиск подходящей МК для товара
Поиск дублирующей мастер-карточки
Партнёр передал товар, ML-модель
смотрит на название товара, картинку,
характеристики товара (вес, объём,
описание и т.д.) и ищет, есть ли мастеркарточка с похожими характеристиками в
системе. Если АМ нашёл подходящую
мастер-карточку и
• уверен на 100%, что товар и МК точно
совпадают, то связывает товар с МК в
админке автоматически;
• не уверен на 100%, то предлагает
найденную МК для товара в подсказках.
ML-модель смотрит на название МК,
картинку и атрибуты (вес, объем,
описание и т.д.) и ищет мастер-карточку
с похожими атрибутами в системе. Если
АМ нашёл дублирующую мастеркарточку, то предлагает проверить дубли.
- Почему это важно?
- Чем больше одинаковых МК, тем
больше работы по поддержанию
контента в этих МК (заполнение
атрибутов, проверка корректности
связанных товаров), а этого быть не
должно.

5.

Автометчер (АМ)
Это ML модель (инструмент), который помогает найти
• подходящую мастер-карточку для товара;
• дубль существующей мастер-карточки.
Как это
работает?
Поиск подходящей МК для товара
Поиск дублирующей мастеркарточки

6.

Чистка
Справочник
– централизованное хранилище значений для фильтрующих атрибутов.
справочника
Фильтрующие атрибуты – параметры, по которым можно сортировать и
выдавать по запросу товары на фронте (приложение/веб-сайт).
Цель – упростить.
Фронт работы:
• столбец
Производитель/Держатель РУ
+ лист маппинга;
• чётче обозначить Линейку,
дополнить значения;
• а
А;
• объединить столбцы листа
«Атрибуты»;
• составить структуру.

7.

Чистка
Инфомодели – сущности с определённым набором
инфомоделей
атрибутов (обязательных и необязательных),
которые отображают различные характеристики
товара.
К типу товара привязывается инфомодель, с того
момента он приобретает атрибуты этой
инфомодели.
Редактирование типа
товара
Вид
Редактирование карточки

8.

Чистка
инфомоделей
С течением времени количество инфомоделей очень сильно увеличилось, а
поиск затруднился. В связи с этим возникла необходимость уменьшить
количество нерелевантных инфомоделей на 20%.
Итоги:
• удалено 162 инфомодели;
• пересажено 1497 типов товаров;
• вики со списком актуальных инфомоделей и их обязательных и
необязательных атрибутов;
• создана вики со списком актуальных ИМ и их обязательных и
необязательных атрибутов;
• налажен процесс регулярных проверок и чисток инфомоделей.

9.

Инфографика
Это визуальное представление информации для упрощения и удобства её
восприятия, которая помогает быстрее принять решение о покупке.
Действующие лица:
• Дом и Сехак;
• Фарма.
Сферы покрытия:
• фудовые партнеры
(нон-фуд);
• Beauty;
• Home;
• Cehac;
• Pharma;
• спортивное питание;
• линзы.
С января по сентябрь
2025 Контент создал
178 148 карточек
товара с
инфографикой!

10.

АИ агент
АИ агент для атрибутов – это модель на основе нейросети, которая, исходя из
переданных партнёром данных, будет ПРЕДзаполнять атрибуты в МК. Контент
будет модерировать предложенные данные от ИИ-агента.
Например, партнёр передал товар, под этот товар была создана новая МК, которую нужно
наполнить атрибутами. ИИ-агенту будет передан sku_id мастер-карточки и он будет
собирать данные для атрибутов из данных партнера.

11.

ИИ агент

12.

Бизнес-типы и Личный кабинет
партнёра
Ранее БТ были малоинформативны для
партнёра и для нас, так как сложно было
понять причину скрытия.
Например, БТ «Пропустить» мог
включать в себя несоответствие
информации с товаром, ошибку в
названии, отсутствие информации о весе,
вкусе, аромате и т.п.
БТ «Не доставляется» – товары
превышающие габариты, опасные товары
и т.п.
Было решено добавить новые БТ,
раскрывающие суть скрытия товара.
Сейчас мы можем понять, какое
количество недоставляемых на сервисе
товаров передают партнёры. В рамках
разбора БТ можно оцифровать и быстрее
понять, почему присвоен БТ.
Стрелкой указано место, где
будет выпадающий список с
прибитыми комментариями для
работы КМ.
Второй этап работы с бизнес-типами –
Личный кабинет партнёра. Партнёр
сможет увидеть, что позиция не прошла
модерацию. У товара будет стоять БТ,
например, «Недостаточно информации». В
задаче на разбор БТ мы используем
комментарии, которые увидит партнёр.
Например, БТ «Недостаточно информации»
(в комментарии – «недостаточно
информации об объёме»). Партнёр
провалидирует со своей стороны товар,
внесёт правки, добавив недостающую
информацию. Позиции после правок
партнёра приходят на повторную
модерацию к нам. Если информации
достаточно для того, чтобы определить и
вывести позицию на фронт, то контент
выводит.

13.

Бизнес-типы и Личный кабинет
партнёра
Модерация партнерских обращений
Цель проекта: создать процесс приемки
обращений от партнера через личный
кабинет
Задачи:
• собрать дерево тематик обращений;
• настроить крутилку (чат с
обращениями) под удобный для нас
формат работы;
• написать макросы для ответов
партнерам;
• выстроить процесс обработки
обращений.
Уже сделали:
• собрали дерево тематик обращений;
• посмотрели устройство крутилки,
обозначили важные для нас инструменты;
• собрали список тематик макросов.
Далее в планах:
• обсудить с саптехом возможности
автоматизации обработки обращений;
• согласовать дерево тематик с
саппортом.
Интерфейс личного кабинета партнёра

14.

Рефанды
Рефанд – это возврат денежных средств покупателю.
Например, если пользователь заказывает товар, но получает его с
дефектом или не в полном объёме, то он может написать в поддержку и
запросить возврат денег.
Ранее из-за отсутствия
правильной матрицы
компенсации, саппорт
возвращал денежные средства
покупателю в любых случаях:
не умели работать с Мастеркарточкой и данными в ней.
Какую работу провели:
• обучение для сотрудников
саппорта – понимание зон
ответственности
контента и партнёра;
• рассказали что такое
Мастер-Карточка и как
мы с ней работаем;
• проработали Матрицу
(логики) компенсаций –
ветки, по которой
действует сотрудник,
исходя из ситуации.
С прошлого года (октябрь
2024) количество рефандов
сократилось в 3 раза: раньше
более 300-400 рефандов в
день по всем стримам, сейчас
70-90.

15.

Рефанды
Вина
контента
Передал партнёр
Нет вины контента
Ожидание
Реальнос
ть на МК,
Цветочные партнёры не находятся
Связанная МК
Фотоотзыв
покупателя
Некорректная связь с
Мастер-Карточкой.
Партнёр передает
молоко с процентом
жирности 2,5%, а
контент ошибочно
связал с МастерКарточкой 3,2%
жирности. Покупатель
ожидал получить молоко
3,2%, а привезли 2,5%.
соответственно на фронт отображается
информация напрямую от партнёра. Контент не
регулирует свежесть цветов, принцип сборки
букета и прочие аспекты.
Ожидание
Реальность
Контент не регулирует качество продуктов,
поставку и их особенности (наличие большего
количества шпика
в колбасе или долю жировой прослойки у мяса).

16.

Яндекс Цветы
Яндекс Цветы – полномасштабный проект по привлечению партнеров в
Сервис.
Еженедельно запускается ≈ 75 партнеров (173 точки)
Планы до конца 2025 года запустить Total ≈ 2100 партнеров
(≈5000 точек)
Планы на 2026 год Total ≈ 8000-9000 партнеров (≈1500020000 точек)

17.

Аптеки и логики
Pharma – сложный стрим как по логикам, так и по ответственности (особенно
юридической).
Планы до конца года:
1.
Пересмотреть и упростить (унифицировать) логики:
типизация – изменение флоу с делением ЛС и не ЛС,
сокращение исключений в логиках (деление партнеров,
пересмотр деревьев); фильтры – сокращение справочника,
унификация идентичных столбцов, деление на логические
блоки.
2. Повышение
эффективности и
качества (личного и
команды):
проведение аудита по
часто встречающимся
ошибкам; работа со
смежными командами.

18.

Детский Мир
Поддержка запуска крупнейшего ритейлера в категории детских
товаров.
Что сделано?
Выведено на фронт более 100К
ассортимента;
Запущено более 1000 точек (и
продолжаем их запускать).
Что в планах?
o
o
o
Донасыщение ассортимента;
Допокрытие мастеркарточками;
Создание ММК в разных
категориях.

19.

А/В-тесты и
A/B-тестирование – это исследование гипотез ( «а что, если сделать вот так?»), которое
гипотезы
позволяет сравнить два варианта одного и того же объекта (в нашем случае каталога).
Пользователей случайным образом делят на две группы, одной показывают вариант А (текущий
каталог), другой группе показывают вариант В (каталог с изменениями), затем анализируют
какой вариант лучше. По результатам А/В тестирования принимается решение о внесении
изменений в каталог (раскатывается новое дерево, добавляется новая категория, меняется
порядок категорий и т.д.).
Реальные примеры экспериментов (А/В тестов):
Карусель (разновидность каталога,
когда все категории вынесены на
главную страницу магазина)
популярных брендов у зоо-партнёров.
Что тестировали?
Будет ли удобнее для пользователя
каталог с двумя каруселями, одна их
которых будет состоять из
брендированных категорий.
Результат
Эксперимент доказал, что
пользователям был удобнее старый
каталог, поэтому изменения для всех
юзеров вносить не стали.
Отрицательный результат – тоже
хороший опыт, он подсвечивает
сильные стороны текущего
каталога.
Контроль 45 %
Привычный
Тест 45 %
Карусель с популярными

20.

А/В-тесты и
Реальные примеры экспериментов (А/В гипотезы
тестов):
Департаментное дерево food
Департаментные деревья (каталог, где под
заголовками = названиями департамента
собраны категории с общим смыслом) в
разных нишах (фуд, здоровье и т.д.).
Что тестировали?
Будет ли удобнее для пользователя каталог
с более узкими категориями,
сгруппированными по смыслу (например,
департамент Молочный прилавок – внутри
категории, относящиеся к молочке и т.д.).
Результат
Эксперимент доказал, что пользователям в
некоторых магазинах удобнее искать
товары в новом варианте каталога,
поэтому теперь для этих брендов раскатан
каталог в виде департаментов.
Контроль 45 %
Привычный
каталог
Тест 45 %
Каталог с
группировкой
категорий

21.

А/В-тесты и
Реальные примеры экспериментов (А/В гипотезы
тестов):
Департаментное дерево non-food
Департаментные деревья (каталог, где под
заголовками = названиями департамента
собраны категории с общим смыслом) в
разных нишах (фуд, здоровье и т.д.).
Что тестировали?
Будет ли удобнее для пользователя каталог
с более узкими категориями,
сгруппированными по смыслу (например,
департамент Молочный прилавок – внутри
категории, относящиеся к молочке и т.д.).
Результат
Эксперимент доказал, что пользователям в
некоторых магазинах удобнее искать
товары в новом варианте каталога,
поэтому теперь для этих брендов раскатан
каталог в виде департаментов.
Контроль 45 %
Привычный
каталог Домовой
Тест 45 %
Каталог с
группировкой
категорий

22.

А/В-тесты и
Реальные
примеры экспериментов (А/В гипотезы
тестов):
Кастомные бейджи
Цель проекта: повысить влияние кастомных
бейджей на ключевые метрики.
Задачи:
• перенести в бейджи свойства товаров из
инфографики;
• научиться покрывать ассортимент
бейджами по своей инициативе
(автономия от коммерции);
• создать дополнительные каналы для
продажи коммуникации рекламным
партнерам.
Уже сделали:
• провели эксперимент с целью увидеть
влияние бейджа на конверсию товара в
заказ и gmv;
• определили фокусные бейджи из списка
инфографики;
• поставили задачи в продукт на
расширение функционала боттомщита и
количества символов бейджа;
• собрали отчет для контроля
публикуемых бейджей.
Далее в планах:
• запустить с рекламой продажу
бейджиков по сценарию (напр. для
Кастомный бейдж – это инструмент
коммуникации с пользователем, подсвечивающий
ключевые свойства товара. Может иметь
боттомщит – окно с дополнительной
информацией о значении бейджа.

23.

А/В-тесты и
Реальные
примеры экспериментов (А/В гипотезы
тестов):
Локальные подборки
Цель проекта: расширить влияние каталога
на пользовательские заказы
Задачи:
• изучить особенности регионов;
• создать контент-план локальных
подборок;
• провести тестирование.
Уже сделали:
• провели качественное исследование о
пищевых привычках жителей г.
Краснодара;
• запустили 2 формата кастомных
подборок: местные бренды и продукты
для приготовления местных блюд в 18
городах России.
Далее в планах:
• провести исследование на тему
халяльной продукции в регионах;
• провести эксперимент с другими
инструментами попадания в локальную
категорию, например, информер в
карточке товара.