Що ми знаємо про рекомендації?
Сьогодні важко уявити будь-який сайт, сервіс чи блог без «можливо, вам ще буде цікаво», «читати далі» або «може вам сподобатися»…
Це результат рекомендаційних технологій, які продовжують завойовувати світ. З часом їхні алгоритми настільки вдосконалилися, що здається, ніби хтось читає наші думки.
Що таке система рекомендацій? Це комплекс алгоритмів, програм і сервісів, завдання яких передбачити, що саме може зацікавити конкретного користувача. Пропозиції підбираються на основі вивчення поведінки користувачів.
Простий приклад: згадайте нашумілу платформу TikTok. Люди годинами не можуть відірвати очей від екранів телефонів. Зрештою, їм подобається запропонований контент, і кожне відео викликає ще більше звикання.
Спробуємо розібратися, в чому секрет цих технологій і коли вони стали популярними.
Як все почалося?
До 2006 року рекомендаційні технології вважалися нішевими і не були популярними серед розробників і веб-сайтів. Але ситуацію змінила розробка, яка стала відомою за результатами конкурсу Netflix Prize і працювала з 2006 по 2009 рік. Метою проекту було вдосконалення технології Cinematch від Netflix, яка пропонувала користувачам нові фільми, а також збільшити точність влучень мінімум на 10%.
Команда Bellkor Pragmatix Chaos отримала нагороду в 1 мільйон доларів за рішення, яке поєднує 107 різних алгоритмів. Їхня програма підвищила точність Cinematch на 10,06%.
Зараз Netflix є гігантом медіа-сервісів, а на початку 2000-х років компанія забезпечувала прокат фільмів на VHS і DVD. Їм було важливо вгадати вподобання користувачів. Таким чином, після конкурсу інтерес до рекомендацій зріс.
Як працюють системи рекомендацій
Фільтрація на основі вмісту (content-based filtering)
Основою цього методу є історія перегляду, через яку пропонується контент. Наприклад, господиня, яка зайшла в кулінарний блог і подивилася кілька рецептів, на цьому ж сайті порадять схожі матеріали, де вона зможе дізнатися більше корисної інформації.
Колаборативна фільтрація (сollaborative filtering)
У цьому випадку рекомендації видаються з урахуванням особливостей поведінки людини або групи. Яскравим прикладом такого методу може бути платформа Spotify. Вона враховує не тільки загальні інтереси та переваги клієнта, а й часовий контекст. Наприклад, любитель важкого року слухає його вранці або по дорозі на роботу, а ввечері вкладає дітей спати під ніжні музичні композиції зовсім іншого жанру.
Фільтрація на основі знань (knowledge-based filtering)
Цей метод є найбільш точним, тому що він представляє об’єкти не тільки на основі їх характеристик, а й з урахуванням правил і обмежень. Наприклад, немає сенсу пропонувати купити товар, якого немає в розпродажі.
Гібридна фільтрація (hybrid filtering)
Вона поєднує різні підходи. Використовуючи їх, можна позбутися більшості недоліків інших методів і надати користувачеві максимально точні поради.
Наскільки корисні такі системи?
Користувачам подобається, коли вся необхідна інформація у них перед очима і не потрібно докладати зайвих зусиль для пошуку. Кожному подобається, коли враховуються його інтереси і виправдовуються всі очікування. Блоки рекомендацій сприймаються користувачами як поради і не асоціюються з настирливою рекламою. Персоналізований підхід допомагає позиціонувати читача на ресурсі, а також спонукати його до дії.
«Порада — це більше, ніж послуга».
А. Дюма-батько
Що стосується підприємців, то такі технології відкривають перед ними нові можливості. Вони дозволяють сайту пропонувати свої статті користувачам. Чим кращі рекомендації, тим більше шансів, що користувач зацікавиться і залишиться на сайті. Відповідно підвищується ефективність сайту та дохід.
Якщо ви є власником веб-ресурсу і не знаєте з чого почати, радимо вам звернутися до платформи Phoenix Native. Її ефективність полягає в тому, що вона може адаптуватися під будь-якого користувача і пропонувати йому актуальний контент. Система проводить глибокий аналіз поведінки користувачів, обробляє дані та формує пропозиції з максимальною точністю.
