Почему «размерные двойники» Lamoda не сработали: UX-разбор выбора размера по отзывам

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.