Рекомендательные системы

Рекомендательные системы — это алгоритм, который предсказывает, какой контент или товар с большей вероятностью заинтересует пользователя.

Рекомендательные системы используют машинное обучение. Алгоритм изучает информацию о товарах, контенте, пользователях, поведении. Анализирует и сортирует данные, а затем строит прогнозы, что с большей вероятностью понравится конкретному человеку.

Пользователь видит рекомендации в ленте новостей, перед оплатой корзины или на главной странице приложения. Сервисы помечают рекомендованный контент или размещают его в специальном разделе сайта

Системы рекомендаций используют самые разные сервисы:

интернет-магазины предлагают клиентам товары, которые максимально соответствуют их потребностям;
стриминговые сервисы советуют новую музыку, фильмы и книги;
социальные сети с помощью алгоритмов подбирают для пользователя интересный контент и возможных друзей;
агрегаторы доставки советуют рестораны;
образовательные платформы рекомендуют курсы и упражнения.

Существуют платформы для создания и просмотра контента, которые полностью построены на алгоритмах рекомендаций. Например, «Дзен», «Пульс», Google Discover. Площадки анализируют интересы пользователя и предлагают ему разнообразные материалы от статей до видеороликов. Компании размещают здесь полезный контент и получают дополнительный трафик на сайт, новые заказы и аудиторию.

Для чего нужны рекомендательные системы

Ключевая задача рекомендательных систем — повысить эффективность дистрибуции контента. То есть донести до пользователя самую полезную, интересную и актуальную для него информацию, в том числе о бренде и продуктах.

Крупные компании, такие как маркетплейсы, банки, стриминговые сервисы, социальные сети разрабатывают собственные алгоритмы рекомендаций.

Мелкий и средний бизнес использует рекомендации внутри этих сервисов. Например, когда продвигает контент в социальных сетях или запускает рекламу.

Рекомендательные системы дают бизнесу следующие преимущества:

Увеличивают продаж. Они предлагают пользователям подходящие товары и услуги, в результате чего клиенты покупают чаще.
Улучшают пользовательский опыт. Делают взаимодействие с сайтом более приятным и интересным.
Увеличивают вовлеченность. Пользователи больше времени проводят на платформе и взаимодействуют с контентом.
Оптимизируют маркетинг. Алгоритмы демонстрируют товары и рекламу нужной аудитории, чем усиливают конверсию и экономят бюджет.

Рекомендательные системы полезны и самим пользователям:

экономят время на поиски подходящего товара или контента;
упрощают выбор среди множества вариантов;
открывают доступ к новинкам, советуют ранее не известные фильмы, продукты, блогеров.

Системы подсказок и рекомендаций имеют и негативную сторону. Пользователи со временем привыкают к работе алгоритмов и теряют способность самостоятельно делать выбор, искать интересный контент или нужную информацию.

Рекомендательные системы создают вокруг человека информационный пузырь. Он состоит из похожих вещей и привычного контента. В таком окружении пользователю сложно найти что-то непривычное, отличное от его прошлого опыта или услышать альтернативное мнение.

Виды рекомендательных систем

Интересы студентки исторического факультета и финансового директора крупной компании похожи и отличаются одновременно. Они оба любят фильмы про супергероев и коллекционируют фигурки, но покупают одежду разных брендов. Поэтому перед бизнесом стоит вопрос — как понять, что именно посоветовать пользователю.

Рассказываем, какие типы рекомендательных систем существуют и как они работают.

Рекомендации на основе содержания

Программа анализирует содержание профиля пользователя и карточки объектов. Под объектами понимают главный контент площадки. В интернет-магазине — это товар, в стриминговых сервисах — это музыка, фильмы, сериалы. В социальных сетях главными объектами являются посты пользователей.

Алгоритм видит публикации и товары, которые посмотрел пользователь, и предлагает похожее. Такой подход используют преимущественно стриминговые сервисы и социальные сети. Они предлагают музыку, посты, видеоролики, которые по содержанию похожи на те, что понравились конкретному пользователю в прошлом.

Также алгоритм советует контент на основе данных из профиля: возраста, города, указанных интересов, социального статуса. Например, жителю Санкт-Петербурга социальная сеть может порекомендовать паблик с новостями культурной столицы, а школьнику старших классов — подборку программ для поступающих в вузы.

YouTube советует видео на основе истории просмотров. После просмотра ролика сервис порекомендует видео того же автора, ролик другого автора на ту же тему и новый блог похожей тематики

Система рекомендаций на основе содержания работает по следующему принципу.

Собирает данные о пользователе. Анализируют профиль и определяет, какие товары или контент смотрел, какие отзывы, реакции, оценки поставил.
Собирает данные об объектах. Это могут быть любые доступные данные: характеристики, описание, ключевые слова, жанр, длительность, автор. Часть этой информации предоставляют продавцы, когда заполняют карточку товара, блогеры, когда публикуют контент, или аналитики сервиса, которые анализируют и описывают объекты.
Обрабатывает данные. Каждой единице контента, например, товару или фильму, алгоритм присваивает числовой код. В нем зашифрованы данные, которые описывают товар или фильм. Так программа может сравнивать любой вид информации.
Анализирует предпочтения пользователя. Алгоритм смотрит, какие товары просматривает и покупает человек, с какими актерами любит смотреть фильмы, какие публикации чаще всего лайкает.
Сравнивает разный контент и подбирает рекомендации. Алгоритм ищет объекты, которые похожи на те, что выбрал пользователь. Программа сравнивает уже не сами объекты, а набор чисел, которые их характеризует. После чего система составляет список рекомендаций.

Коллаборативная система рекомендаций

Алгоритм изучает не характеристики объектов, а данные о взаимодействиях: клики, лайки, отзывы, покупки, оценки. Программа ищет пользователей с похожим опытом и интересами. На основании данных она делает прогнозы — какой товар или контент понравится другим похожим пользователям.

Пользователи 1,2 и 3 имеют одинаковые предпочтения. Поэтому если что-то понравится первым двум, то алгоритм посоветует это третьему. И наоборот, контент которые первые два пользователя оценили отрицательно, не попадет в рекомендации третьего

Коллаборативная система работает следующим образом.

Собирает данные о взаимодействиях. Система учитывает разные типы взаимодействия пользователей с контентом — какое видео досмотрели, какую оценку поставили публикации, какие товары купили, на какую статью кликнули.
Создает таблицы взаимодействий. На основе данных программа формирует матрицу, где в строках записаны пользователи, а в столбцах — объекты. В ячейках находятся оценки или другие показатели взаимодействия.
Сравнивает объекты и готовит рекомендации. Алгоритм подбирает пользователей с похожими предпочтениями и рекомендует товары или контент, которые им понравились.

Гибридные рекомендательные системы

Сочетают подход на основе контента и коллаборативный. Такой алгоритм учитывает сразу несколько факторов: что клиент смотрел ранее, что искали или покупали пользователи с похожими интересами и паттерном поведения.

Рекомендации на основе нескольких факторов

Гибридные рекомендательные системы позволяют предугадать желания пользователя с наибольшей вероятностью. Такой подход используют многие торговые площадки

Собственные алгоритмы рекомендаций разрабатывают только крупные компании, так как это долгий и дорогой процесс. Небольшие интернет-магазины тоже рекомендуют товары пользователям, но делают это в «ручном режиме».

Например, если пользователь зашел на карточку бежевого пальто, ему предложат приобрести коричневый ремень или другие аксессуары. Такие рекомендации не персональные, но тоже помогают увеличить средний чек.

Как оценить эффективность рекомендательных систем

Существует несколько способов оценить эффективность системы рекомендаций.

Анализ KPI

Существуют метрики, которые помогают оценить качество работы алгоритмов. Набор KPI компания определяет самостоятельно в зависимости от целей, которые необходимо достичь. Часто используют следующие метрики.

CTR — отражает процент пользователей, которые кликнули на карточку товара или публикации. Если алгоритм работает хорошо, то CTR статьи в ленте рекомендаций будет выше, чем на главной странице.

Conversion Rate — показывает процент аудитории, которая совершила покупку рекомендованного товара или выполнила другое целевой действие.

Средний чек — рост среднего чека говорит о том, что пользователям рекомендуют подходящие и интересные товары.

Retention Rate — показатель удержания клиентов. Если он растет, значит система работает эффективно. Метрика особенно важна для стриминговых платформ.

A/B тестирование

Разделите пользователей на две группы. Одной покажите рекомендации, второй — нет. Сравните KPI у двух разных групп. Этот подход используют, когда нужно проверить новый алгоритм рекомендаций. Сначала его проверяют на небольшой группе пользователей.

Опрос пользователей

Чтобы понять, нравится ли пользователю предложенный контент, можно спросить его об этом. Интервью и опросы позволяют собрать отзывы, узнать мнение аудитории о качестве и полезности рекомендаций.

Опрос — это один из наиболее простых и быстрых способов получить обратную связь от пользователей. Его легко организовать и проанализировать результаты

Недостатки рекомендательных систем

При работе с рекомендательными системами есть четыре ключевые сложности.

Необходимость идентифицировать пользователя. Чтобы клиент получил релевантные рекомендации, он должен быть авторизован на сайте или в приложении. Не все пользователи хотят проходить регистрацию, особенно если планируют совершить разовую покупку.

Клиент без истории заказов. Чтобы подобрать контент, алгоритм анализирует действия пользователя в прошлом. У нового клиента нет большой истории просмотров, поэтому рекомендации будут неточными.

Чтобы избежать проблемы «холодного старта» сервисы предлагаю пользователям пройти небольшой опрос или рассказать о предпочтениях. «Яндекс Музыка» предлагает выбрать любимых исполнителей, чтобы повысить точность рекомендаций

Товар без истории покупок. Новый товар в системе — аналогичная проблема для алгоритмов. Нет истории заказов, отзывов и оценок. Поэтому алгоритм редко рекомендует товар, пока не накопится достаточно информации.

Такие продукты продвигают отдельно, например, размещая в разделе «Новинки» или через систему внутренней рекламы. Либо предлагают разным группам пользователей, чтобы собрать данные для анализа.

Непопулярные товары. В результате работы алгоритмов часть товаров могут уйти в конец рейтинга. Например, продукты которые редко покупают или получили плохие оценки. Алгоритм их не рекомендует. При этом товар есть в наличии, занимает место на складе и, возможно, утрачивает срок годности. Обычно такие позиции отслеживают, распродают по скидке и убирают из ассортимента.