Как изменилась доступность товаров Instacart во время пандемии

Это первая часть из трех статей в блоге, в которых мы рассказываем, как мы решали проблемы с запасами с помощью продуктов, машинного обучения и инженерных инноваций.

Несколько лет назад мы представили задачу прогнозирования наличия продуктовых товаров. За последние пару лет, вызванных пандемией и проблемами с цепочками поставок, возможность получить точное представление о доступности стала ставкой на столе как для клиентов Instacart, так и для компании. В этом посте, состоящем из трех частей, мы подробно расскажем о возросшей сложности этой проблемы, инновациях в области машинного обучения, которые помогли нам ее решить, и об инженерной инфраструктуре, которая ее привела в действие.

COVID: ключевой момент

Рост COVID и зависимость клиентов от основных услуг, таких как Instacart, создали несколько ключевых проблем.

Всплеск спроса

По мере того, как все больше клиентов обращались к Instacart за продуктами, мы столкнулись с уникальной проблемой при выполнении заказов. В отличие от традиционных интернет-магазинов, Instacart — это торговая площадка, которая позволяет пользователям делать покупки у разных розничных продавцов, в то время как покупатели Instacart идут в обычные магазины, чтобы забрать эти товары. Однако это создает для Instacart логистическую проблему, связанную с определением физической доступности миллионов товаров в более чем 80 000 торговых точек, каждая из которых имеет свою собственную систему управления запасами, чтобы гарантировать, что каждый товар в заказе клиента будет выполнен.

Поскольку Instacart полагается на покупателей, которые выбирают и собирают товары для заказов клиентов в магазине, ограничения в запасах в магазине и логистике исполнения затрудняют удовлетворение ожиданий клиентов в получении каждого товара в их заказе.

Быстро меняющийся инвентарь

Пандемия также привела к сбоям в цепочках поставок и нехватке рабочей силы. Эти изменения привели к быстрому колебанию уровня запасов в магазине, из-за чего моделям машинного обучения стало сложнее точно прогнозировать доступность продуктов. Архитектура модели, которую мы использовали в то время, с трудом успевала за этими изменениями, что приводило к большему несоответствию между прогнозируемой доступностью и фактическим результатом доступности товара в магазине.

Предложение покупателя

На начальных этапах пандемии Instacart, как и многие другие компании, столкнулась с проблемами, связанными с ростом спроса, и в результате ей нужно было увеличить количество покупателей на нашей платформе. Хотя за это время мы подключили сотни тысяч новых покупателей, было важно, чтобы покупатели могли эффективно использовать свое время для выполнения большого объема поступающих заказов клиентов. Процент заказов, которые были отменены из-за отсутствия товара на складе ( OOS) особенно резко возрос во время начала COVID, что, в свою очередь, привело к разочарованию как клиентов, так и покупателей. Чтобы гарантировать, что мы эффективно используем усилия покупателей и обеспечиваем более быструю доставку для клиентов, было крайне важно поддерживать высокие показатели найденных товаров.

Другие кризисы

Хотя продуктовый рынок стабилизировался с момента появления COVID-19, аналогичные проблемы, возникающие в результате других кризисов, таких как наводнения в Нью-Йорке и нехватка детских смесей и тампонов, по-прежнему возникают в меньших масштабах. Эти ситуации, хотя и отличаются друг от друга, имеют общую картину проблем, когда баланс ставок, найденных выбором, нарушается, что подчеркивает необходимость масштабируемых решений для их эффективного решения. На приведенной ниже диаграмме показаны систематические всплески процента отмененных заказов из-за того, что товаров нет в наличии (OOS) в ключевые моменты.

Конкурирующие компромиссы

Компромисс между выбором и найденной скоростью

Instacart использует вероятностный подход, чтобы информировать своих клиентов о наличии запасов. Учитывая сложность точного определения наличия товаров в магазинах в режиме реального времени и постоянно меняющиеся уровни запасов, Instacart полагается на модели машинного обучения для оценки вероятности того, что покупатели найдут определенные товары в магазине. Важно отметить, что, несмотря на эту оценку, купленные товары не резервируются до тех пор, пока наши покупатели не заберут их в магазине, что является решающим фактором, который следует учитывать при оценке вероятности.

Следовательно, перед Instacart стоит задача сбалансировать выбор, количество товаров, отображаемых для пользователей, и процент найденных заказанных товаров.

Если подход склоняется к консервативной стороне, мы можем показать меньший выбор, что рискует скрыть товары, доступные в магазине, и потенциально подорвать уверенность покупателя в надежности Instacart. С другой стороны, если подход склоняется к либеральному подходу, мы показываем больший запас, что приводит к более низкому уровню найденных товаров и еще раз подрывает доверие клиентов. Отныне Instacart должен поддерживать этот тонкий баланс между «выбором и количеством найденных», чтобы обеспечить высокое доверие клиентов.

На приведенном выше графике представлена ​​гипотетическая кривая компромисса для проблемы выбора и найденной скорости. Нахождение оптимального порога на этой кривой компромисса обеспечивает идеальный баланс между объемом выбора и скоростью поиска, тем самым реализуя бизнес-цели и укрепляя доверие клиентов к Instacart. Когда происходят резкие изменения в выборе элементов или потребностях пользователей, модели машинного обучения реагируют вяло, поскольку для адаптации им требуется достаточное количество наблюдений. Пока это происходит, кривая компромисса меняется, делая предыдущий порог неоптимальным. Правильно настроив пороги, мы можем сбалансировать компромисс, позволяя перекалибровать модели машинного обучения. Это позволяет быстро приспосабливаться к меняющимся обстоятельствам, сохраняя при этом оптимальный баланс между объемом выборки и скоростью обнаружения.

Важность найденной скорости для долгосрочного удержания

Основываясь на интуиции и исследованиях пользователей, мы поняли, что качество заказа, в частности, найденная скорость, имеет решающее значение для удержания клиентов. Однако нам нужно было найти способ проверить эту гипотезу и определить «хороший уровень найденных». Контрольный показатель важен для нас, чтобы найти оптимальную зону на кривой ставки, найденной выбором, для работы системы, которая максимизирует доверие клиентов, измеряемое через удержание. Мы провели несколько экспериментов и разработали аналитические модели, чтобы измерить влияние изменения скорости поиска на удержание клиентов. Благодаря этому исследованию мы обнаружили два ключевых вывода, которые составляют основу нашей работы:

  • Клиенты с идеальной долей найденных заказов в два раза чаще сохраняют и повторяют заказы по сравнению с теми, у кого низкая доля найденных заказов.
  • Этот эффект более значителен для новых клиентов, чем для существующих клиентов.

Основные выводы

Опираясь на важность найденной скорости для решения вышеуказанных задач, мы узнали несколько ключевых идей.

Установление ожиданий клиентов

На основе нашего исследования мы обнаружили, что эффективное информирование клиентов о доступности продукта имеет решающее значение для принятия обоснованных решений.

Мы достигли этого, разместив значки на продуктах, которые отображали «мало в наличии» и «мало в наличии». Мы также представили кнопку «Запрос», которая информировала покупателей о том, что товар заканчивается в магазине, и давала им возможность запросить товар. В результате этих изменений мы заметили значительное уменьшение количества корзин, содержащих товары с низкой доступностью, и увеличение количества заказов. Теперь мы внедрили эти изменения на стороне покупателей, чтобы упростить их работу и отдать приоритет товарам, пользующимся повышенным спросом.

Доступность в режиме реального времени

Мы обнаружили, что нам нужно реагировать быстрее, чтобы соответствовать волатильности ассортимента магазина.

Мы обнаружили, что информация о том, что покупатель нашел/не нашел, является отличным источником предсказательной силы.

Мы расскажем больше о том, как наши системы машинного обучения адаптировались к этому, а также о том, как наши инженерные системы заставили нас использовать доступность в режиме реального времени в последующих сообщениях этой серии.

Динамические пороги

Доступность играет решающую роль в экосистеме Instacart, влияя на заказы клиентов, доходы от рекламы, эффективность покупателей и многое другое. Однако во время кризисных ситуаций сложно переобучить модели для оптимизации этих показателей.

Чтобы преодолеть это, мы разработали сложный набор пороговых значений, которые работают в сочетании с нашей моделью доступности на основе машинного обучения, чтобы определить, какие товары доступны для покупки, а какие нет.

Таким образом, изменяя эти пороговые значения, мы можем найти компромисс между этими показателями без необходимости обучения новых моделей машинного обучения. Кроме того, мы реализовали возможность поддержки различных пороговых значений для различных сегментов, таких как магазины, местоположения и категории. Это позволяет нам выполнять дополнительные оптимизации с учетом конкретных потребностей бизнеса. Мы углубимся в инженерную систему, которая поддерживает динамическую природу этих порогов, в следующем посте о инженерных системах.

Будущая работа

Мы все еще находимся на пороге значительных успехов в решении некоторых из этих проблем. Вот несколько перспективных областей, которые, по нашему мнению, помогут нам добиться этих успехов.

Улучшения машинного обучения

Машинное обучение по-прежнему остается нашей самой многообещающей областью инвестиций в улучшение нашей способности прогнозировать запасы в магазине. Во второй части этой серии блогов будет рассказано о будущих улучшениях в этой области.

Дополнительные сигналы данных

Чтобы улучшить длинный хвост и товары с высокой волатильностью, мы инвестируем в получение большего количества данных о товарах в магазине и о том, как они продаются и пополняются.

Работа с ритейлерами

Успех Instacart как компании, помогающей ритейлерам, совпадает с успехом ритейлеров. Мы работаем с такими компаниями, как Publix, над изучением более тесной технологической интеграции, которая поможет нам с сигналами данных и другими операционными способами улучшить скорость поиска.

Постфейс

В современном быстро меняющемся мире клиенты ожидают бесперебойного и надежного обслуживания. Из-за быстро меняющихся уровней запасов в магазине достижение почти идеального уровня выполнения заказов является серьезной проблемой для таких компаний, как Instacart. Это уникальная проблема, поскольку отрасль находится в зачаточном состоянии, и сложность еще больше усугубляется большим разнообразием продуктов и розничных продавцов на нашей платформе. Решение этой проблемы потребует сочетания пользовательского опыта, программного обеспечения, машинного обучения, данных и аппаратных инноваций, поскольку мы тесно сотрудничаем с розничными торговцами и другими партнерами.

Если вы заинтересованы в решении этих передовых задач в Instacart, ознакомьтесь с нашими открытыми ролями.

Надеюсь, вам понравилась первая часть этой серии статей. Ознакомьтесь со второй частью, Как Instacart модернизировал прогнозирование доступности сотен миллионов товаров в режиме реального времени при одновременном снижении затрат.

Благодарности

Улучшение ставок Found за счет более точного прогнозирования доступности потребовало совместной работы нескольких функций и организаций в Instacart. Мы хотели бы поблагодарить следующих ключевых членов, которые сыграли важную роль в достижении прогресса во многих областях.