Грамотно подобранная рекомендательная система позволяет сократить время поиска нужного товара или услуги, удержать пользователя на сервисе, повысить вероятность совершения сопутствующих целевых действий, например, приобретения подписки.
Когда пользователь не тратит время на поиск нужного медиаконтента, а сразу получает рекомендации, повышается его лояльность и заинтересованность в платформе. Даже показ рекламы с учетом предложений и потребностей пользователя не будет вызывать раздражения, а может побудить к покупке.
Рекомендательные системы — это комплекс алгоритмов, программ и сервисов, задача которого предсказать на основе информации о профиле и активности пользователя, что его может заинтересовать. В процессе работы рекомендательных систем применяются явные и неявные методы сбора информации (см. таблицу «Методы сбора информации»).
Пользователь настолько привык к скрытой работе рекомендательных алгоритмов, что даже не замечает, как искусственный интеллект за него решает, что он будет смотреть, с кем общаться, какой контент лайкать и выбирать.
Основные характеристики рекомендательной системы
Любая рекомендательная система может быть описана при помощи следующих основных характеристик.
1. Предмет рекомендации
А именно, какой контент или объект рекомендуется пользователю. Это могут быть товары в интернет-магазине, статьи, новости, изображения, видеоконтент, реклама, музыка и даже круг общения.
2. Цель рекомендации
Для чего происходит рекомендация: в целях оформления подписки, покупки или просмотра контента, информирования пользователя, обучения.
3. Контекст рекомендации
Активность пользователя, например, просмотр товаров или медиаконтента, общение в чате или комментирование, прослушивание музыки или времяпрепровождение в мини-играх.
4. Источник рекомендации
На чем построена рекомендация, например, поведение аудитории со схожими параметрами аккаунта, схожие интересы пользователей, выбор экспертного сообщества (если информации о пользователе собрано мало либо ее нет совсем).
5. Степень персонализации
Неперсонализированные рекомендации — рекомендации без учета личных предпочтений пользователя, когда система сортирует по средней оценке рейтинга популярные товары или фильмы.
Неперсонализированные рекомендации применяются по сей день и даже имеют свое логическое развитие в продвинутом варианте — когда используются данные из текущей сессии анонимного пользователя. Совершив действия на сервисе, например, просмотрев несколько товаров или контент, пользователь получает рекомендации похожих товаров, контента из одной категории, либо товары сортируются по популярности на сервисе.
Персонализированные рекомендации — в этом случае алгоритмы используют всю доступную информацию об авторизованном клиенте (иногда достаточно присвоить идентификатор — для системы пользователь будет авторизован), его историю активности и предпочтения для того, чтобы за него выбирать, что ему интересно сегодня либо будет интересно завтра.
6. Прозрачность рекомендации
Доверие к рекомендации строится на том, что пользователь понимает, почему именно такой контент, рекламный баннер ему был рекомендован. Оказывается, пользователи намного лучше воспринимают рекомендации, если снабжать их какими-то объяснениями. Например, в каждом рекламном баннере на YouTube можно узнать причины показа такой рекламы.
7. Формат рекомендации
Как рекомендацию видит пользователь, например, боковое или всплывающие окно, уведомления, лента прокрутки.
8. Алгоритмы
Существует множество алгоритмов для построения рекомендательных сервисов: простые, сложные и нейронные сети. Их можно разделить на несколько категорий.
Коллаборативная фильтрация
В данном случае для рекомендации применяется история оценок как самого пользователя, так и других пользователей.
Преимущество:
- универсальный подход, часто дает лучший результат, чем рекомендация на основе контента.
Недостаток:
- проблема холодного старта, когда отсутствует знание о пользователе.
Холодный старт — это типичная ситуация, когда еще не накоплено достаточное количество данных для корректной работы рекомендательной системы (например, когда товар новый или его очень редко покупают).
Рекомендация на основе контента
В этом случае описание медиаконтента сопоставляется с интересами пользователя, полученными из его предыдущих активностей. Пользователю рекомендуются объекты, похожие на те, которые он уже употребил.
Преимущество:
- похожести оцениваются по признакам содержимого объектов.
Недостатки:
- сильная зависимость от предметной области;
- полезность рекомендаций ограничена.
Система, основанная на знаниях
Данная рекомендательная система работает на основе знаний о предметной области: пользователях, группах, товарах, которые могут помочь в ранжировании рекомендаций. Система получает знания от предыдущих активностей пользователей, связанных с продаваемым товаром, медиаконтентом.
Преимущество:
- высокая точность рекомендации.
Недостаток:
- для разработки этой системы требуется много времени и ресурсов.
Гибридная система
Комбинирование нескольких алгоритмов в рамках одной платформы позволяет если не устранить их полностью, то хотя бы минимизировать.
Преимущество:
- подход минимизирует или решает недостатки рекомендательных систем коллаборативной фильтрации и рекомендации на основе контента.
Недостатки:
- сложность разработки;
- много времени на машинное обучение моделей по алгоритмам;
- высокие требования к ресурсам.
Еще один важный момент в работе рекомендательных систем, который стоит учитывать — соблюдение конфиденциальности. Они могут спрогнозировать такие результаты и выявить такие закономерности, о которых пользователь даже не задумывался или не хотел, чтобы это стало кому-то известно.
Будущее цифрового ТВ — в персонализации
В сфере применения рекомендательных систем нет ограничений. Они используются при работе онлайн-кинотеатров, новостных лент, видеосервисов, рекламных баннеров.
Рекомендательная система поможет любой компании удержать текущих пользователей, привлечь новых. Она также увеличивает среднюю выручку на одного пользователя, повышая время просмотра и платежи от продажи контента.
Однако рекомендательные системы применяются не везде, где могли бы раскрыть свой потенциал. Технически цифровое телевидение отстает от онлайн-кинотеатров, видеосервисов, которые могут предложить пользователям рекомендованный контент. Причина заключается в технической неготовности и отсутствии достаточного количества больших данных об аудитории. Развитие цифрового ТВ должно проходить по пути понимания операторами нужд абонентов, использования персонализированных рекомендаций. Технически рекомендательные сервисы могут применяться в среде OTT, в специализированных средах, например, в IPTV-ресиверах и в любых медиасервисах с обратной связью. Будущее цифрового ТВ — в персонализации на основе анализа больших данных и машинного обучения, а для этого потребуется сделать еще много: от развития технической начинки сопутствующих устройств до сбора достаточного количества информации об аудитории, чтобы обучить рекомендательные системы.
