Операция «рекомендация»: как рекомендательные системы облегчают жизнь пользователям и бизнесу

8044

Возможно, вам понравится также… Такую надпись мы можем увидеть довольно часто – на музыкальных и сайтах с фильмами, в интернет-магазинах, на страницах популярных СМИ. Самое интересное, что, как правило, нам действительно нравится то, что предлагает алгоритм. И мы послушно кликаем на предложенные статьи (книги, товары), удивляясь, каким же чудесным образом система угадывает наши предпочтения и подсказывает нам, какой материал мы бы хотели еще прочесть. Никаких чудес! На самом деле это работа рекомендательных систем, основанных на сборе статистических данных и четких алгоритмах. Они стремительно завоевывают весь мир и стали обязательными не только для развлекательных площадок, СМИ и других контентных ресурсов. Пробуем разобраться более подробно.

Все началось с Netflix

Рекомендательные системы — это специальные программы и сервисы, которые с помощью алгоритмов попадают в ожидания пользователей и предлагают то, что должно им понравиться. Идея таких рекомендаций не нова: самые примитивные системы появились еще лет 20 назад. Рост их популярности принято отсчитывать с известного конкурса Netflix Prize в 2006 году. Это сейчас мы знаем Netflix как гиганта онлайн-видеоконтента, а в начале 2000-х компания предоставляла прокат фильмов на VHS-кассетах и DVD. Поэтому для них было важно угадывать пожелания пользователей, чтобы рекомендовать им новые фильмы, увеличивая количество клиентов.

В 2006 году они запустили соревнование Netflix Prize. В открытый доступ были выложены данные, в которых было около 100 миллионов отзывов пользователей, оценивших фильмы. Участники соревнования должны были угадать, какую оценку поставят тому или иному фильму пользователи. Задача Netflix состояла в том, чтобы улучшить алгоритм, с помощью которого они предсказывали выбор пользователей, и увеличить количество правильных предсказаний на 10%. Ставка была высока: победитель получал приз в $1 000 000. Соревнование продолжалось почти три года, и в результате порог в 10% был перейден.

Конкурс Netflix четко показал: рекомендации, основанные на оценках, – мощный инструмент для продвижения. Неудивительно, что сегодня без рекомендательных блоков не обходится ни один крупный сайт – будь то ведущее СМИ или развлекательный портал. Ведь рекомендации позволяют задерживать посетителя на сайте, увеличивать количество просмотров страниц одним читателем, и, несомненно, влияют на результативность ресурса, не говоря уже о его активном и пассивном заработке. В отличие от любого вида рекламы, даже самого завуалированного, предложения в формате дружеских советов пользователей не раздражают. Наоборот: рекомендации открывают перед ними новые грани, дают подсказки и вообще – выступают в роли друга и помощника, а не ментора. Не в обиде и владельцы сайтов, которые обеспечивают себе стабильное количество прямых заходов, лояльных читателей и покупателей.

Как работает рекомендация

Рекомендательные блоки можно найти на сайтах для прослушивания музыки и просмотра фильмов, новостных ресурсах, интернет-магазинах.

Все более активно рекомендации проникают в СМИ. По статистике, на сегодня более 45% всех новостных сайтов мира используют рекомендательные системы, а к концу этого года эта цифра должна вырасти до 55-57%. Не обошли рекомендательные системы стороной и украинские ресурсы, которые заинтересованы в вовлечении новых пользователей и в том, чтобы посетитель как можно дольше оставался на сайте, читал новости и статьи, комментировал, оценивал и т. д. Здесь своя специфика, ведь новости и статьи – это уже более «серьезный» контент, а значит, публика здесь более взыскательная. Поэтому необходимо тщательно подбирать рекомендации для таких пользователей. Например, следить, чтобы новости, которые публикуются в рекомендательном блоке, были свежими, а не прошлогодними, сами рекомендации – разнообразными, а не монотематическими, а предлагаемые статьи не были похожими друг на друга. В рекомендательных блоках на медийных сайтах много тонкостей и нюансов, в которых может разобраться только опытный специалист.

Как они узнают?

Современные рекомендательные технологии основываются на нескольких базовых методиках. Первая – так называемая коллаборативная фильтрация. В этом случае рекомендации выдаются, основываясь на поведенческих характеристиках человека или группы. Например, есть сайт, на котором люди читают новости. Технология, которая основывается на коллаборативной методике, возьмет за основу сообщество, в котором собраны участники со схожими тематическими предпочтениями. На основе их предпочтений будет составлен список групп «по интересам». Материалы из этих групп система и выдаст пользователю группы, который подходит под данную категорию читателей.

В этой методике есть один недостаток: вход в нее всегда происходит с «холодного старта». И непонятно, что рекомендовать новым пользователям, или тем, кто пока еще не прочитал много статей? Открытым остается и вопрос, как рекомендовать материалы, которых еще почти никто не видел.

Вторая методика называется контентная фильтрация. Как можно понять из названия, за основу берется содержание, которое интересует определенного пользователя. В качестве основы для рекомендаций берется история его просмотров. Допустим, возьмем молодую маму, которая ищет информацию о новых подгузниках. Она читает статью в тематическом онлайн-журнале. Метод фильтрации содержания позволит предложить ей релевантные материалы с этого же ресурса, где она сможет прочесть дополнительную информацию.

Чаще всего используется смешанный или гибридный подход, – коллаборативная и контентная фильтрация. Это повышает эффективность технологии и увеличивает шансы дать человеку правильную и полезную, а, главное, более точную рекомендацию.

Довериться профессионалу

Для того, чтобы система работала эффективно и приносила результат, важно, чтобы ее устанавливали и обслуживали профессионалы. Нельзя просто настроить алгоритмы один раз и забыть о них. Их нужно совершенствовать, «апдейтить», а тут уж нужна целая команда, которая будет этим заниматься постоянно.

Именно на таких вещах специализируется компания Trade Up. Фирменная разработка компании – инновационный программный инструмент Phoenix, который позволяет составлять рекомендации для клиентов с максимальной точностью. Эффективность Phoеnix в том, что он проводит интеллектуальный анализ поведения пользователя. То есть не просто отслеживает, на какие страницы он заходит, но и анализирует информацию, обрабатывает данные, определяет поведенческие стереотипы и предсказывает предпочтения. А значит, читатель получит релевантную информацию в рекомендательном блоке.

Основной секрет этой технологии – в персонализированном подходе: система выстроена таким образом, чтобы учитывать вкусы и предпочтения каждого пользователя и предлагать ему максимально подходящий контент. При этом используются различные типы статистики просмотров материалов на сайте, распознавание мельчайших деталей в поведении пользователя, и в результате – выдача максимально точных рекомендаций. Дополнительный плюс в том, что система настолько «умная», что постоянно усовершенствуется и обновляется, самообучается, а ее алгоритмы регулярно улучшаются, что позволяет все более точно попадать в ожидания клиентов. Кроме того, Phoеnix позволяет владельцам и редакторам сайтов публиковать через него материалы, которые они хотели бы предложить своим читателям.

Phoenix настолько тонко подстраивается под каждого пользователя, что предлагает ему самую интересную тематику. Иногда такую, на которую человек сам не обратил бы внимания, но грамотная система вычислила, что это может быть ему интересно. И попала «в яблочко!».

Рекомендательные технологии – новое слово в рекламе. Их несомненный плюс для пользователя в том, что они ничего не навязывают, а помогают ему сориентироваться в огромном массиве информации. Ну а преимущества для бизнесменов и владельцев сайтов очевидны. Чем больше рекомендаций и чем они точнее, тем дольше пользователь задерживается на странице, тем глубже исследует сайт. Дальше запускается закономерная цепочка: больше просмотров, выше лояльность клиента, повышение конверсий и продаж.

Попробовать Phoеnix

Оставить комментарий

Комментарии | 0

Поиск