Lamoda: виртуальный гардероб и снижение возвратов (учебный проект)

Контекст

Учебный проект, который я провела от начала до конца так, будто он настоящий: я взяла Lamoda — fashion-маркетплейс, который знаю как покупательница, — и провела бизнес-гипотезу через исследование, концепцию, прототип и дизайн теста.

Метрики, по которым будет оцениваться результат, я определила заранее:

Жёсткие метрики

Количество заказов, конверсия в добавление в корзину, оборот новых категорий

Мягкие метрики

Удовлетворённость пользователей, среднее время в гардеробе

Проблема

30–40%

покупок в fashion возвращают — больше, чем в других категориях

62%

возвратов — из‑за неподходящего размера

Единого стандарта размеров нет: американский 10‑й — это британский 14‑й, и это не просто неудобство, а фактор, усугубляющий проблему. Исследование выявило три проблемы, с которыми предстояло работать:

1. Высокая доля возвратов

2. Сложность выбора размера

3. Недостаточно персональные рекомендации

Процесс

1. Постановка целей: цели и ключевые результаты для концепции

2. Конкурентный анализ: маркетплейсы и продукты для управления гардеробом

3. Глубинные интервью: восемь разговоров с пользователями платформы

4. Бэклог гипотез: о проблемах и о решениях

5. User story map: ключевые функции по этапам пользовательского пути

6. Прототип и UX‑тестирование с целевой аудиторией

7. Дерево метрик и дизайн A/B‑теста

Постановка целей

Я начала с целей и ключевых результатов для концепции, чтобы дальнейшие решения можно было аргументировать не только вкусом.

Цель

Улучшить пользовательский опыт и увеличить продажи за счёт виртуального гардероба: вовлечённость растёт, потому что люди видят купленные вещи и комбинируют их в образы, а конверсия — благодаря персональным рекомендациям.

Ключевые результаты

Больше товаров, добавленных в корзину из рекомендаций, и больше покупок из новых категорий — например, аксессуаров и обуви.

Конкурентный анализ

Я изучила маркетплейсы, конкурирующие с платформой, чтобы понять их подход к персонализации, и отдельно — продукты, созданные специально для управления гардеробом. Они используют AI для персонализации, предлагают капсульные коллекции и работают над снижением возвратов — оттуда и появилась идея виртуального гардероба.

Глубинные интервью

Я провела восемь интервью с пользователями платформы, чтобы понять их боли и ожидания. Важнее всего оказались три вывода:

1. Размер — главный барьер. Людям нужны рекомендации по размеру на основе собственных параметров и заметная, точная информация о модели и посадке.

2. Фильтров не хватает. Хочется исключать бренды из выдачи и искать с учётом личных предпочтений и стиля.

3. Подборки — да. Образы, капсулы и тематические подборки вызвали живой отклик — если они подходят к стилю, фигуре и уже купленным вещам.

Бэклог гипотез

На основе собранных данных я составила два списка: гипотезы о проблемах и гипотезы о решениях. Именно они подсказали, что в первую очередь стоит проектировать персональные параметры.

Поэтому я сфокусировалась на решениях, которые не только улучшают опыт пользователей, но и поддерживают бизнес-цели компании.

User story map

Я разложила ключевые функции по этапам пользовательского пути. В фокусе оказались два направления: ввод параметров для персонализации и последующее использование этих данных при выборе и покупке.

Прототип и UX‑тестирование

Я собрала прототип сценария и протестировала его с представителями целевой аудитории: они прошли все шаги ввода параметров и взаимодействия с персонализированными рекомендациями.

Респонденты попросили две вещи — обе вернулись в макеты и изменили приоритеты для разработки:

• Заметный индикатор прогресса при заполнении параметров.
• Более подробные подсказки на экранах ввода размеров.

Дерево метрик и дизайн A/B‑теста

Я построила дерево метрик от главной цели — увеличить выкуп, снизить возвраты и повысить CSAT, — а затем спроектировала A/B‑тест вокруг одной гипотезы.

Группы теста

Контрольная (A)

Без функции «Мои параметры»

Тестовая (B)

Пользуются «Моими параметрами» для выбора и рекомендаций

MVP‑группа

Базовая версия — можно ввести только размеры

Целевая аудитория

Пол и возраст

Женщины 18–45 лет — этот сегмент чаще покупает одежду и чаще сталкивается с трудностями при выборе размера и фасона

Активность

Регулярные покупатели — заказывают не реже раза в 1–3 месяца

Новые пользователи

На них видно первый опыт использования функции

Метрики

Главная жёсткая метрика внутри теста — доля пользователей, которые полностью заполнили параметры. Вокруг неё — мягкие метрики: процент выкупа, доля возвратов, конверсия в покупку после просмотра карточки, клики и покупки из рекомендаций, CSAT, NPS, время в разделе «Мои параметры» и доверие к платформе — по доле положительных отзывов о персонализации и жалоб на несоответствие размеров.

Критерии успеха

Для пользователей, которые заполнили параметры:

• Возвратов меньше на 10–15%

• Процент выкупа выше на 5–10%

• CSAT не ниже текущего, с ростом минимум на 5%

Риски и как их снизить

Контрметрики — время на платформе, разнообразие товаров и количество просмотров: всё это может упасть, если выдача станет слишком узкой. Для каждого риска я заранее заложила решение:

1. Слишком мало товаров в выдаче. Показывать вещи, которые совпадают хотя бы с 70% параметров, с пометкой «Не соответствует всем параметрам, но может подойти».

2. Удовлетворённость падает. Дать временно отключить фильтрацию и напоминать, что параметры можно изменить в любой момент.

3. Время на платформе падает. Раздел «Вдохновение» с подборками по параметрам — не только точные совпадения, но и альтернативы.

Решение

Честный вывод из исследования: это должен быть не онлайн-гардероб — по крайней мере, не в первую очередь. Гардероб был амбицией; строить сначала стоило персональные параметры, которые питают рекомендации.

Концепция — персонализированный виртуальный гардероб с капсульными коллекциями и генерацией образов, из трёх частей:

1. Виртуальный гардероб. Всё, что уже куплено, рекомендации того, что его дополнит, и уведомления, когда подходящая вещь выходит на распродажу.

2. Образы. Автоматические подборки на основе истории покупок, покупка всего образа в один клик и сборка образов самостоятельно.

3. Автопополнение. Настройки сезонного обновления и персональные подсказки, когда гардероб пора обновить.

Интервью подсказали и три направления, которые стоит изучить, а не сразу реализовывать:

• Стилисты. Платформа как инструмент для сборки гардероба клиентам — это открыло бы профессиональную аудиторию.
• Парные образы. Для родителя и ребёнка или для пары.
• «Дополнить образ». Рекомендации к уже выбранному: людям так проще собирать цельные образы, особенно если они не уверены в сочетаниях. Это может повысить вовлечённость и кросс-продажи, но требует продуманной реализации.

Результат

Концепция разработана и протестирована, ключевые метрики и зоны роста определены, гипотезы оформлены для последующей проверки. Ничего из этого не было запущено — это учебный проект, а A/B‑тест — это дизайн теста, а не его результат.

К чему пришла работа:

• Персонализация повышает вовлечённость и может снизить количество возвратов.

• Инструмент «Мои параметры» — то, чего пользователи действительно хотят.

• Есть куда развиваться: подборки от стилистов, семейные гардеробы, дополнение образа.

Следующие шаги

1. Доработать концепцию с помощью дополнительных исследований.

2. Проверить гипотезу через MVP или A/B‑тест.

3. Запустить функцию на ограниченную аудиторию и собрать данные.

4. Проанализировать новые метрики и их влияние на продукт.