В интернет-магазинах, видео- и музыкальных сервисах, социальных сетях широко применяются программные инструменты, которые анализируют предпочтения пользователей и пытаются предсказать, что их может заинтересовать. В этом материале разбираемся, что такое рекомендательные системы и как они работают.
Что представляют собой рекомендательные системы
Технически рекомендательная система – это комплекс алгоритмов, программ или сервисов, который предназначен для предоставления рекомендаций интересных потребителям продуктов, товаров либо услуг.
Системы рекомендаций проводят анализ предпочтений посетителей сайта и стараются предсказать, что может понравиться им в будущем. Их алгоритмы часто строятся на основе машинного обучения: искусственный интеллект учится на выборе пользователей и предлагает им все новые возможности взаимодействия.
Пример рекомендаций на маркетплейсе
Целью использования рекомендательных систем является привлечение и удержание как можно более многочисленной аудитории и, следовательно, увеличение объемов продаж. Чтобы сформировать рекомендацию, система анализирует разнообразные данные – от личной информации о потребителе из его профиля в социальной сети, совершенных и несовершенных покупках до сделанных им запросов в поисковиках. В результате на экран выводятся именно те предложения, которые могут быть интересны пользователю.
Рекомендации применяются в различных сферах: в интернет-магазинах предлагается выбрать товары в разделах: «с этим товаром покупают» или «вам может понравиться». При помощи рекомендательных алгоритмов медиа имеют возможность показать интересные пользователю материалы, а соцсети предлагают добавить в друзья определенных людей.
Рекомендованный пост и возможные друзья в соцсети
Видео- и музыкальные стриминги также используют рекомендательные системы для сбора персонализированных плейлистов или рекомендаций фильмов для конкретного пользователя. Например, если вы посмотрели фильм в онлайн-кинотеатре, алгоритм будет подбирать новое кино для вас, опираясь на жанр, актеров, год выпуска, режиссера, а также на предпочтения других пользователей, которые тоже смотрели этот фильм.
Вариант рекомендаций в онлайн-кинотеатре
Как работает система рекомендаций
Рассмотрим алгоритм рекомендательной системы:
- Сначала происходит сбор данных о пользователях, включая информацию о предыдущих покупках, оценках, просмотрах, а также посещенных страницах и социальных контактах. Затем на основе собранных данных создаются профили пользователей, в которых отражаются их предпочтения и интересы.
- Затем рекомендательная система по специально разработанному алгоритму оценивает сходство между потребителями и объектами. При этом анализируется сходство профилей пользователей и сходства между элементами. К примеру, если пользователь A и пользователь Б имеют схожие предпочтения, то элемент, который нравится пользователю A, скорее всего, придется по вкусу и пользователю Б.
- На следующем шаге рекомендательные системы применяют фильтрацию к огромному объему контента и определяют, какие элементы являются наиболее релевантными для определенного пользователя. Могут быть задействованы фильтры по жанру, времени, местоположению или иным параметрам.
- Также алгоритмы учитывают реакцию пользователя на предлагаемые элементы, чтобы работать над улучшением рекомендаций, обновлением модели на основе этой информации. Например, если зритель онлайн-кинотеатра положительно оценил предложенный фильм, алгоритм учтет это при формировании рекомендаций в будущем.
Типы рекомендательных систем
Среди систем выдачи рекомендаций можно выделить четыре основных вида, которые отличаются наборами алгоритмов и имеют свои особенности принятия решений.
Фильтрация на основании контента
Модель, основанная на контенте, представляет собой самый простой и очевидный метод определения предпочтений и интересов пользователя. Суть контентно‑ориентированного подхода заключается в сопоставлении пользователей с теми товарами, услугами или контентом, которые им понравились или были приобретены ранее. Такие системы хорошо проявляют себя, к примеру, для рекомендаций фильмов. Если человек посмотрел боевик, сервис предложит ему еще несколько фильмов аналогичного жанра.
Рекомендации на видеохостинге
Однако этот метод не подходит при покупке бытовой техники, мебели, автомобиля и т.д. Если покупатель приобрел авто, нет никакого смысла предлагать ему еще десяток машин.
Коллаборативная фильтрация
Принцип работы метода коллаборативной фильтрации – генерирование рекомендаций на основе данных о других потребителях с похожими интересами.
Рекомендательная система, использующая такой подход, предлагает продукты как на основании оценок самого пользователя, так и основываясь на явных и неявных предпочтениях других покупателей. Например, если человек купил стиральную машину, алгоритм предложит товары, которые заинтересовали других покупателей стиралок, а не машину другого бренда.
Фильтрация, основанная на знаниях
Более сложным способом выдачи рекомендаций является фильтрация на основе знаний. Этот метод подразумевает сбор сведений о предпочтениях потенциального покупателя при помощи максимальной детализации его запросов. Такой вид рекомендательных систем используется, например, при продаже домов: чтобы система выбрала из каталога подходящий для покупателя вариант, необходимо собрать данные о желаемом количестве этажей, площади дома, материале стен и множестве другие параметров.
Гибридные рекомендательные системы
Комбинированные системы рекомендаций предусматривают использование различных комбинаций перечисленных выше методов фильтрации. Например, в интернет-магазинах одежды в рекомендациях потенциальному покупателю показывают и вещи, похожие на те, что он уже смотрел, и те, которые заказали пользователи с похожими предпочтениями. Таким образом, система применяет механизмы отбора на основе контента и коллаборативную фильтрацию одновременно.
Рекомендации в интернет-магазине
Универсального метода выдачи рекомендаций не существует, при этом гибридный подход позволяет получить наиболее точные рекомендации на основе имеющихся данных при затрате минимального количества времени.
Заключение
В завершение статьи поговорим о плюсах и минусах рекомендательных систем.
Для бизнеса системы рекомендаций приносят очевидную выгоду тем, что показывают пользователям именно то, что им интересно, что приводит к росту продаж товаров и услуг и увеличению прибыли. В онлайн-магазинах рекомендации работают на поднятие среднего чека и допродажи, а в медиа и онлайн-кинотеатрах – на вовлечение, поскольку посетителю не нужно искать, что бы еще посмотреть или прочитать, при этом он задерживается на сайте дольше.
Польза для посетителей заключается в более комфортных условиях использования сайта, помощи с выбором товара или контента. При наличии качественных рекомендаций пользователю не приходится тратить много времени, чтобы найти то, что он ищет.
Системы рекомендаций полезны для любого бизнеса с большим выбором товаров, а также с историей взаимодействия пользователей с этими продуктами. Если в магазин приходит новый клиент, у которого пока нет истории заказов, алгоритм не будет знать, что ему показывать. Такая проблема решается накоплением истории, например, если в магазин поступила новая коллекция, с товарами из которой еще никто не взаимодействовал, можно создать виджет с этими продуктами, чтобы пользователи начали взаимодействовать с ними, при этом система рекомендаций получит историю и сможет выделить самые популярные товары.
Комментарии