Крупные интернет-сервисы и сайты давно используют рекомендательные алгоритмы и подписочные модели. Поэтому даже если вы впервые видите эти термины и не знаете, что это такое, вы, скорее всего, сталкиваетесь и с подписками, и с рекомендациями ежедневно: в онлайн-кинотеатрах, интернет-магазинах, поисковиках. Например, стриминговый сервис Netflix ещё в 2017 году, заявлял, что 80 % шоу его пользователи находят именно благодаря рекомендательным алгоритмам. А китайский TikTok так популярен главным образом потому, что очень точно предлагает пользователям интересный и релевантный для них контент.
В то же время подписки на любимые каналы и интересных авторов никуда не делись. Некоторые пользователи предпочитают искать любой контент — от товара или услуги до фильма или песни — самостоятельно, воспринимая автоматические рекомендации как навязывание и рекламу.
Так что же на самом деле стои́т за рекомендациями в интернет-магазинах и на сайтах? Сто́ит ли доверять искусственному интеллекту, который делает выбор за нас, или лучше искать всё самим, подписываясь только на то, что интересно?
Что ещё за рекомендательные алгоритмы?..
Началом современных рекомендательных систем называют 1990-е годы, когда они в основном применялись в небольших масштабах для фильтрации информации и электронной почты. Сегодня персонализированные рекомендации повсюду. Алгоритм предлагает их на основе предыдущего взаимодействия пользователя с сервисом. Например, если человек искал какой-то продукт, его может заинтересовать аналог или аксессуар к нему. Или если он слушал определённую песню, вероятно, его заинтересует похожая музыка — того же исполнителя или того же жанра.
Рекомендательные алгоритмы помогают прогнозировать предпочтения и интересы пользователя на основе большого количества собранных данных и с помощью машинного обучения предлагают дополнительные продукты, услуги или контент.
Откуда берутся персонализированные рекомендации
Работа большинства алгоритмов состоит из следующих шагов:
- Сбор данных.
- Их хранение.
- Анализ.
- Фильтрация.
Кроме того, есть два основных подхода к созданию рекомендаций.
Совместная фильтрация
Этот метод построен на оценках других пользователей с похожим поведением. В его основе лежит предположение, что люди со схожими предпочтениями, скорее всего, одинаково отнесутся и к другим вещам, с которыми они ещё не взаимодействовали. (Вот бы использовать этот метод на сайтах знакомств! 😁 ) Этот алгоритм сначала строит модель взаимодействия пользователя с элементом — товаром, музыкой, фильмом и т. д., а затем ищет пользователей со схожими моделями поведения и в итоге рекомендует новые элементы, к которым похожие пользователи проявили интерес.
Контентная фильтрация
Этот алгоритм имеет в основе следующую модель: пользователи получают в рекомендациях товары, похожие на те, которые они уже положительно оценивали, или к которым проявили интерес. Он создаёт профиль предпочтений пользователя на основе его взаимодействия с контентом, затем ищет элементы с похожим содержанием или признаками и рекомендует их пользователю. Например, если человек отдал предпочтение молодёжным комедиям, алгоритм может порекомендовать ему фильмы этого жанра или другое кино с теми же актёрами.
Вроде понятно. А что там с подписочными моделями?
Если пользователю понравился контент, логично, что он может подписаться на новые публикации. В этом случае он не полагается на алгоритм и его советы, а сам выбирает, что хочет смотреть или читать. Например, в Дзене читатели могут сами выбирать, на какие каналы подписаться и чьи публикации отслеживать. Понравилась статья? Просто нажимаете кнопку «Подписаться» и, когда на канале появится новая публикация, получаете оповещение и читаете своего любимого автора.
То же с видеохостингами. Можно подписаться на канал и смотреть контент только от конкретных авторов, которых вы выбираете сами, не обращая внимания ни на какие рекомендации. 😉
Подписочная модель работает и в приложениях, когда вы сначала отмечаете то, что вам интересно, а потом получаете уведомления на эту тему на свой смартфон. А ещё подписаться на то, что интересно, можно и по имейл. Тогда контент, который заинтересовал, будет приходить на электронную почту.
В маркетинге есть и платные подписочные модели, когда прочитать конкретную статью, например, могут только те, кто оформил платную подписку на контент. По этой схеме работают многие крупные мировые издательства и СМИ: The New York Times, Financial Times, Bild и другие.
Рекомендательные алгоритмы VS подписочные модели
С подписками всё понятно: сам нашёл, сам выбрал, сам купил/подписался. А какие преимущества у авторекомендаций?
1. Персонализация, анализ данных и лояльность клиентов
Это один из главных плюсов. Алгоритм предлагает товары, услуги и контент, соответствующие интересам и потребностям конкретного человека. Это вызывает больше доверия к сервису, увеличивает вовлечённость, а ещё способствует лояльности: человек захочет возвращаться на сайт снова и снова.
Иногда алгоритмы работают настолько хорошо, что создаётся впечатление, будто наши смартфоны следят за нами и подслушивают каждое слово.😅 На самом деле это происходит не потому, что телефон записывает всё происходящее вокруг, а благодаря тому, что сервисы анализируют контакты, местоположение и поведение человека в интернете.
Кстати, собранные данные могут использоваться сервисами не только для того, чтобы предлагать подходящую рекламу или товары, но и для обновления самой платформы и для лучшей её адаптации под нужды пользователей.
2. Вовлечённость и конверсия
Видя подходящий контент, пользователь проводит больше времени на сайте. Это и называется вовлечённостью, которая растёт благодаря персональным рекомендациям. Может быть, для человека это не так уж и нужно и он не хотел бы проводить много времени на сайте или в интернет-магазине, но, с точки зрения онлайн-сервисов, чем выше вовлечённость, тем лучше. Ведь человек может купить что-нибудь ещё или хотя бы лишний раз посмотреть рекламу, если это основной способ заработка платформы. 😉 Так повышается конверсия. Например, в одном из исследований говорится, что персонализированные рекомендации продуктов увеличивают чек на целых 70 %!
3. Экономия времени
С другой стороны, рекомендации могут и, наоборот, сэкономить время. Например, когда они используются вместо ручного поиска, человек автоматически получает подходящий товар или контент, не тратя время на настройку фильтров и просмотр длинных списков.
Рекомендательные алгоритмы в целом созданы, чтобы улучшать взаимодействие человека с онлайн-сервисами, помогать эффективнее искать информацию и принимать решения. Это особенно полезно, если нужно выбрать товар среди огромного количества наименований. Подписки здесь вряд ли чем-то помогут. Правда, пока ИИ тоже работает неидеально, и иногда его абсолютно нерелевантные рекомендации могут удивлять. 😁
А у вас было такое, что в персональных рекомендациях оказывался совершенно неинтересный контент или туда попадали товары, которые вы никогда не заказывали и не смотрели? Или вы вообще не обращаете внимания на автоматические рекомендации, не доверяете искусственному интеллекту и его советы не влияют на ваше решение? 😈
