История стартапа Softcube: как делать продуктовый Big Data-проект в Украине и не облажаться

8234
9

Внимание покупателя интернет-магазина  —  это ограниченный ресурс, потому что за одно посещение посетитель просматривает лишь 5-10 товаров. Желая показать товар лицом, продавцы размещают на главной бестселлеры, которые удовлетворяют пожелания далеко не каждого посетителя. Чтобы раз и навсегда изменить покупки в интернет-магазинах в 2013 году в Днепропетровске появился Big Data-ориентированный продуктовый стартап Softcube.

Многомерные кубы или откуда взялось название Softcube

В 2012 году Олег Лесов и Олег Бородай, которые до этого вместе работали в сети аптек, которая входит в ТОП-20 по Украине, задумались о собственном бизнесе. Олег Лесов руководил IT-департаментом компании, наладил динамическое ценообразование и программу лояльности. Олег Бородай занимался базами данных и высоконагруженными системами.

Еще работая в рознице, основатели интересовались анализом данных и даже запустили несколько связанных с этим проектов в рознице.  Олег Бородай как раз получил предложение работать в Германии, потому они решили сделать аутсорсинговую компанию, которая бы анализировала данные для крупного бизнеса (Business Intelligence).

Сосредоточить усилия предприниматели планировали на многомерных базах данных — еще они называются кубами. Отсюда название компании Softcube. Но после нескольких месяцев творческого поиска и усилий оказалось, что для построения BI у клиента нужно сидеть у него в офисе и досконально знать бизнес-процессы, что практически невозможно делать на аутсорсе. Кроме того, Олег & Олег уже оценили возможности Big Data для бизнеса, но чувствовали нехватку математической экспертизы. Поиск  новой ниши занял шесть месяцев, и в ноябре 2013 к компании присоединился третий партнер — математик и ученый Роман Захаров, который прежде занимался биоинформатикой в Universite Catolique du Lovain (Бельгия), входящем в 100 лучших университетов мира.

6

Слева направо — Олег Бородай, Олег Лесов и Роман Захаров

С приходом нового партнера компания сосредоточилась на поиске бизнес-модели с учетом новой компетенции в команде основателей. Первые 4 месяца экспериментов не дали заметных результатов, но затем предприниматели придумали решение для персонализации интернет-магазинов. Разработанная технология показала увеличение продаж на 10%, что было больше, чем собственные рекомендации интернет-магазина. После успешного эксперимента Олег, Олег и Роман сосредоточились на товарных рекомендациях и онлайн-мерчендайзинге для e-commerce. Так в Украине, в переполненном аутсорсинговыми компаниями Днепропетровске, появилась своя продуктовая компания, которая делает персональные рекомендации уровня Amazon и Netflix.

Технология: как много простых алгоритмов работают лучше одного сложного

Если не углубляться в технические подробности, Softcube делает то же, что и Amazon  —  на основе данных о поведении и покупках пользователей подбирает каждому пользователю товары, которые могли бы его заинтересовать, и показывает эти товары на карточке товара, в каталоге, на главной, в поиске и даже доставляет предложение в email.

design

Отличие в том, что на объемах трафика, которыми оперирует Amazon, эффективно работает популярнейший из подходов, такой как  коллаборативная фильтрация (с этим товаром также покупают… /другим пользователям также понравилось…). У маленьких магазинов нет таких объемов трафика, потому для них Softcube использует оригинальные подходы, такие как анализ текста, изображений, и просмотров/покупок каждого пользователя. Все алгоритмы вместе, а также учет такой бизнес-логики пользователей, как маржа, конверсия, условия доставки, наличие товара и даже время суток, дают до 15% повышения продаж с того же трафика. Такой подход называется Ensemble Learning и состоит в том, что все фильтры коллегиально подбирают товары с большей вероятностью покупки, чем каждый из подходов по отдельности.

О каждом клиенте собирается и хранится несколько терабайтов данных, а инфраструктура Softcube позволяет считать рекомендации в реальном времени, используя стек новейших технологий, таких как Azure, Python, R, Solr, Redis, RabbitMQ.

БДСМ: Business Development, Marketin’N’Sales

Сегодня рынок рекомендаций — это ~100 000 интернет-магазинов в Европе и США, которые отчаянно нуждаются в легко внедряемом сервисе персональных рекомендаций и онлайн-мерчендайзинга. Компании, которые уже занимаются похожими задачами, либо сложные во внедрении, либо технологически используют только один из подходов Machine Learning.

Стартап Softcube отличается легкостью внедрения и уникальной математической моделью. На конец 2014 года у стартапа 25 клиентов, которые пользуются технологией, среди которых Stylepit (20 европейских стран), Superdeal, Toys.com.ua, Fotomag, Repka.ua. География сервиса: Северная Европа, Германия, Голландия и Украина. С клиентами из Украины работать приятно, но Softcube целится на рынок Северной Европы, на котором больше денег и 40% интернет-магазинов уже используют персонализацию.

softcube screen 2

Текущие клиенты пришли по личным рекомендациям или по знакомствам с конференций. Сервис предоставляется за помесячную фиксированную плату по 3 тарифным планам в зависимости от объема продаж. Большим магазинам предлагается так называемая CPA-модель, 5% от продаж с рекомендаций. Компания развивается на собственные средства и на деньги клиентов за индивидуальные проекты по персонализации.

В компании с учетом основателей работает 11 человек, из них: 3 математика, 4 разработчика (2 из них прежде работали в космическом проекте КБ Южного) и 2 менеджера по продажам.

Что касается неудач, ребята жалеют только о том, что не сразу начали делать рекомендации, ведь это большой рынок, на котором всем хватит места.

ctr

Softcube вошел в десятку лучших стартапов на IDCEE 2014. Двое из основателей провели этой осенью неделю в Сан-Франциско, чтобы на себе ощутить драйв и скорость стартаперской тусовки. Ребята были замечены и получили несколько предложений о менторстве и даже инвестиций на следующем раунде.

В планах компании на 2015 — развивать продукт и вкладывать в маркетинг. Продукт реализовать не только как работающую технологию, а как self-service, с помощью которого директор интернет-магазина или маркетолог могли бы настраивать работу алгоритмов на своем сайте сами. Действительно удобного и недорогого инструмента для онлайн мерчендайзинга еще нет и Softcube старается стать первым решением такого рода.

Для наиболее быстрой реализации намеченного, компания Softcube планирует поднять инвестиции раунда А в ближайшие 6 месяцев. Для этого компании необходимо получить первые несколько десятков удовлетворенных клиентов, отточить технологии и интерфейсы взаимодействия с пользователем, так что перед Softcube еще множество нетривиальных задач, которыми богат каждый, кто первым прокладывает путь.

Оставить комментарий

Комментарии | 9

  • На крайнем правом фото — Вадим «Рембо» Галыгин почему то…

  • Если это действительно так, как описано — это клондайк для инет-магазинов. Вкладывайте свои деньги, не берите чужие, развивайтесь. Доходов хватит, чтобы вырасти.

  • Ходят слухи, что Кросс и Ретейлрокет эффективней
    Как вы вообще проверяете свою эффективность?

    • Проверить несложно, достаточно сравнить эффективность обеих рекомендательных систем при прочих равных, то есть посетителей интернет-магазина случайным образом в момент посещения приписывать к одной из двух групп, каждой из которых показывать разные рекомендации. При достаточном количестве посетителей можно статистически достоверно определить, какие рекомендации эффективней с точки зрения конверсии / продаж.

  • «инфраструктура Softcube позволяет считать рекомендации в реальном времени, используя стек новейших технологий, таких как Azure, Python, R, Solr, Redis, RabbitMQ»

    По поводу R в статье, конечно, загнули, в «реальном времени» он пока не работает, разве что в конце цикла посчитать по агрегированному dataset регрессию. В Северной Европе, Германии и (особенно) Голландии будет очень сложно продвигаться, так как здесь на рынке уже работают состоявшиеся компании.

    • R не считает в реальном времени, он используется для прототипирования и пред-расчетов, выдача в реальном времени обеспечивается Solr, Redis, RabbitMQ, etc. Что касается рынков Германии и Нидерландов, они оба непростые, но везде люди готовы пробовать и тестировать новое, особенно в Нидерландах. Если мы на практике показываем лучший результат, то это самый надежный способ продвижения. О рынке Северной Европы можно сказать, что он открыт новому, там развитая электронная коммерция, и самое главное – ориентирована на результат, потому не ведется просто на раскрученный бренд.

  • А можно какие то цифры по росту дохода от внедрения такого рода рекомендаций? Можно просто в процентах )

    • Такой процент может существенно отличаться в зависимости от отрасли электронной коммерции, а также от времени проработки модели рекомендаций, сбора данных, т.д. На практике прирост составляет 5-15%.

Поиск