לקוחות מסמנים העדפות אבל מתנהגים אחרת באתר (צילום: Dreamstime)

מאת ד"ר גילי שמאע, Head of data science, וישראל שוורץ, Data scientist ב-Localize

עד כמה לקוחות באמת יודעים מה הם רוצים? אנחנו מניחים שיש בכם מידה בריאה של ביטחון לגבי מה שאתם מחפשים כשאתם ניגשים לאתר החביב עליכם, אבל תתפלאו: אחת השאלות המעניינות – הן כמשתמשי קצה והן כמפתחים של מנועי חיפוש – היא עד כמה להתחשב בהעדפות הלקוח. על פניו התשובה נראית ברורה – להתחשב במאה אחוז – אבל הרבה פעמים היא מורכבת יותר.

כל מי שאי פעם חיפשו דירה לקנייה או להשכרה יודעים כמה התהליך הזה יכול להיות מתיש. הייחודיות של רכישה או השכרה של נכס נובעת מכמה גורמים, ובראשם – זה שיש רק עותק אחד מהמוצר. שנית, בדרך כלל מדובר בתהליך ארוך (בעיקר כשמדובר ברכישה). בנוסף, כאשר רוכשים דירה מדובר בהוצאה משמעותית, ובמקרים רבים היא תהיה הגדולה ביותר בחיי הרוכשים. יחד עם זאת, למצוא דירה זה כמעט כמו למצוא בן או בת זוג – אי אפשר למצוא את כל מה שמחפשים, ולא תמיד יודעים מה מחפשים.

מה אנשים באמת מחפשים?

כשמשתמשים נכנסים לאתר שלנו במטרה לאתר דירה שעונה על ההעדפות שלהם, אנחנו חייבים להתחשב בעובדה שמדובר בתהליך חיפוש מורכב שכרוך בהוצאה כספית משמעותית עבורם. אחד האתגרים שאיתם התמודדנו נבע מהעובדה שבחיפוש מהסוג הזה מספר התוצאות הסופיות אינו מאוד גדול, ולעתים צריך להרחיב את העדפות הלקוח כדי שימצא את מבוקשו.

היינו צריכים למצוא דרכים לעשות זאת מבלי לספק תוצאות שהן לגמרי לא בכיוון ויובילו לחוסר שביעות רצון. אז איך עוזרים ללקוח להבין שאולי ישנן העדפות שהוא לא היה מודע אליהן, תוך שאנחנו נשארים כמה שיותר קרובים למה שהוא רוצה וצריך? במילים אחרות: איך אנחנו מגדילים את היצע תוצאות החיפוש בלי לפגוע בחוויית המשתמשים? ומה קורה כאשר הלקוח ציין דרישות מסוימות באתר לחיפוש, אבל מתמקד בדרישות אחרות?

הנה כמה מהאתגרים שהשאלה הזאת זימנה – והפתרונות שאנחנו מצאנו.

1. מידע חסר: לפעמים לקוחות לא מזינים העדפות, או מזינים אותן באופן חלקי. כך לדוגמה לקוח יכול לציין אזור בו הוא מעוניין לגור וטווח מחירים – ולהסתפק בכך. אבל כדי להיות מסוגלים לספק מגוון רחב יותר של דירות, המערכת צריכה להכיר את הלקוח לעומק ולבצע השלמות עבורו, או במילים אחרות – להוסיף העדפות.

מה עשינו: במקרים בהם חסרות העדפות קריטיות, כמו שכונה ומחיר, המערכת פונה ללקוח באמצעות מנוע השיחה שלנו, האנטר, ומבקשת שישלים אותן. אך כאמור, איסוף המידע על הלקוח אינו נעצר רק במה שהוא מספק בעצמו: המערכת צריכה להיות מסוגלת לנהל תקשורת עשירה עם הקונה הפוטנציאלי ולבחון לעומק איך הוא מגיב לנכסים השונים. תגובה יכולה להיות קליק על הלינק, לייק/דיסלייק, תגובת טקסט ועוד. עבור כל אחת מהתגובות יש לבצע ניתוח נוסף – כמה זמן הלקוח שהה במודעה מסוימת, כמה מהר הגיב ועוד.

במטרה להכיר את הלקוח יותר לעומק, המערכת עושה את ההשלמות ובוחנת את התגובות שלו אליהן. על מנת לא להציק ללקוח, המערכת בנויה כך שהיא יכולה להסיק מסקנות גם על סמך ניתוח דאטה מלקוחות אחרים. בדרך זו משייכים את הלקוח לקבוצה של לקוחות אחרים שעשו חיפושים דומים. כך לדוגמה, אם רואים שהלקוח מחפש דירות בהן מותר להחזיק בעלי חיים, נוסיף קרבה לפארק בתור אחת ההעדפות.

העדפה נוספת שאיסוף הדאטה מאפשר קשורה לזיהוי סיבת הרכישה. אם המערכת מזהה שלקוחה מחפשת נכסים שמוגדרים כ-Multi family, בטווחי מחיר רחבים, והיא מתעכבת על הפרמטר של החזר השקעה – המערכת תסיק שהיא מחפשת נכס להשקעה. עבור לקוחות כאלו המערכת תדע, לדוגמה, לא להציע דירות Co-op, כי בנכסים כאלו תהליך ההשכרה מסובך ודורש את אישור כל הדיירים באותו הבניין או המתחם. בנוסף, המערכת יכולה להציע ללקוחה כזאת חבילה של דירות להשקעה.

2. אחד בפה, אחד בלייק: ישנן פעמים בהן ההעדפות של הלקוח אינן תואמות למעשים שלו. לדוגמה, לקוח מציין בהעדפות החיפוש שהוא רוצה דירה בתקציב של עד מיליון דולר, אבל מסמן לייק לדירה שהמחיר שלה הוא 1.2 מיליון דולר. האם להמשיך להציע לו רק מודעות העונות על מה שהגדיר, או לשנות חלק מההעדפות שלו?

מה עשינו: במקרה כזה, המערכת מבקשת מהלקוח באמצעות מנוע השיחה לבצע עדכון העדפות עבורו. אנחנו משתמשים בניתוח הדאטה שנאסף על הלקוח ומבצעים פרסונליזציה של הדאטה הזה בעקבות תגובתו. בהתאם לתגובה המערכת מחליטה אם וכיצד להרחיב את טווח המודעות המוצגות לו. זה כמובן תהליך שמלווה בניסוי וטעייה, ולכן חשוב מאוד ללמוד ממנו. כך, לדוגמה, במהלך ניסוי שלחנו ללקוח הודעה שכללה נכס במחיר שביקש, אבל בעל תשלומים חודשיים גבוהים יותר ממה שסימן (ובכלל – גבוהים במיוחד). בעקבות זאת המשתמש שלח לנו את התגובה הבאה: "Sending me listing with $4,600 a month maintenance fee is not what I asked for! it's obvious that you didn't understand my criteria".

לאחר בירור נוסף, התברר שהנכס שהצענו היה נכס מיוחד, מסוג Land lease, שבו מחיר הקנייה יחסית נמוך אבל התשלומים החודשיים גבוהים. בעקבות כך הכנסנו שינויים באלגוריתם, כך שנכסים מסוג זה מקבלים תיעדוף נמוך יחסית (אלא אם ביקשו אותם במיוחד).

במקרה אחר, כששלחנו לקונה מודעה במחיר גבוה ממה שהוא סימן, קיבלנו תגובה בנוסח "לא ברור לי למה אתם חושבים שאני מיליונר". משני המקרים האלו למדנו שכדאי לכתוב בפירוש בהודעה שאנחנו שולחים שההמלצה הנוכחית לא עומדת בדרישות המדויקות, אבל ייתכן שתעניין את הלקוח בכל זאת.

3. היצע מצומצם: מה עושים כשאין נכסים שמתאימים להעדפות הלקוח? מה עושים כשלקוחה כבר ראתה את כל הנכסים המתאימים לדרישות שלה?

מה עשינו: שאפנו למצב שבו המערכת תדע להשתמש בדאטה הרב שנאסף על הלקוחות, ועל הנכסים והאזורים השונים, כדי לסייע בהרחבת ההעדפות. בשלב הראשון אנחנו מיישמים רלקסציה רכה – עושים שינוי במשתנה אחד. השינוי הזה מבוסס על אלגוריתם של למידת מכונה שלומד על אילו משתנים הלקוח יהיה מוכן יותר לוותר או להתגמש. הניתוח הזה מתבסס על למידה של כלל הלקוחות ובחינה של אילו משתנים חשובים יותר ופחות. כך, לדוגמה, למדנו שהעדפה של מספר חדרי האמבטיה בנכס פחות קריטית ללקוחות בהשוואה למשתנה של המחיר. במקרה כזה, עבור לקוח שמחפש נכס עם 3 חדרי אמבטיה במחיר של עד מיליון דולר, נוכל להציע נכס דומה בטווח המחירים המבוקש, אבל עם 2 חדרי אמבטיה.

בנוסף, אנחנו עושים Clustering לשכונות ומייצרים גרף היררכיה ביניהן (מי השכונות הנחשבות מבוקשות/יוקרתיות יותר ומי פחות). כך לדוגמה, אם הלקוח מחפש נכסים בשכונה מסוימת, ושכונה זו דומה לשכונות נוספות – נציע לו נכסים גם בשכונות הדומות. כמו כן, נעדיף להציע נכסים שעונים להעדפות המשתמש בשכונות דומות אך יוקרתיות יותר.

אחרי שהרחבנו את ההעדפות באמצעות רלקסציה רכה, הכלי הבא הוא רלקסציה של שילוב בין משתנים (רלקסציה קשה). במצב בו לא מצליחים למצוא נכסים למשתמש לאורך זמן, המערכת נדרשת למצוא את הנכס הדומה ביותר להעדפות המשתמש בכל מחיר. במקרה כזה מתחשבים בהעדפות המשתמש לדירוג מודעות, אבל הן אינן משמשות לסינון מודעות. כך לדוגמה המערכת יכולה להציע למשתמש נכסים במחירים קרובים ככל האפשר לתקציב בשכונות דומות לפרופיל החיפוש שלו.

ההתאמות האלה נעשות בהתבסס על ניתוח עסקאות שנסגרו, כולל רשימת העדפות הלקוחות ומה היה בפועל בדירה שקנו או שכרו. כך לדוגמה גילינו שלקוחות שמחפשים נכסים שמתירים להחזיק בעלי חיים, לא יהיו מוכנים לוותר על זה. אבל כשזה מגיע למחיר, רוב הלקוחות מוכנים להתגמש ולעלות בעד 10%.

כדאי לזכור שכששולחים המלצה למשתמש, המטרה הסופית היא לשלוח לו נכס שהוא ירכוש, אבל יש גם מטרות משנה – כמו לשמור איתו על קשר. אחד המשתמשים, לדוגמה, קיבל מאיתנו המלצה באמצעות רלקסציה קשה לאחר שבמשך 5 ימים לא היה בקשר איתנו. בעקבות אותה הודעה הוא חזר אלינו – ואמר שהוא מעוניין לבקר דווקא בנכס אחר, ששלחנו אליו בעבר.

מטרת משנה נוספת היא לקבל פידבק כלשהו מהמשתמש כדי להתאים את החיפוש. גם תגובות כגון too expensive/too small מאפשרות לנו להבין טוב יותר מהן דרישות המשתמש. כך לדוגמה, כשאחד המשתמשים הגיב על המלצה ששלחנו לו שהמחיר גבוה מדי – ניצלנו את ההזדמנות כדי לפתוח בדו שיח איתו ולמקד את החיפוש בדירות באיזור ברוקלין במחיר של עד 300 אלף דולר עם תשלומים חודשיים של עד 900 דולר. בעקבות המיקוד, לאחר כמה שבועות הצלחנו להתאים לו כמה דירות שאותן רצה לראות.

שימוש בכלים אלו מסייע ללקוחות להבין שהמחשבה המקורית איתה החלו את התהליך יכולה להשתנות. על ידי העשרת ההצעות הצלחנו לשפר את חוויית המשתמשים: הם נחשפים לאופציות חדשות בשוק ויכולים למצוא ביתר קלות את מבוקשם.