Рекомендательные системы и для чего они нужны

В бизнесе, независимо от сферы деятельности, ключевое значение имеет привлечение целевой аудитории, то есть людей, которые действительно закажут товар или услугу. Нецелесообразно тратить деньги и время на демонстрацию рекламы пользователям, которые не заинтересованы в продукте. Рекомендательные системы – эффективный инструмент сортировки объявлений на основании предпочтений человека. Их активно применяют на разных этапах:

• При запуске бизнеса

• Во время ребрендинга

• Если снижаются продажи

• При завоевании новых рыночных ниш

Предпринимателям, продакт-менеджерам и разработчикам подобного софта важно понимать, какие алгоритмы используются в разработке систем, чтобы управлять переходами и продажами. Полезные сведения о механизме функционирования, типах, плюсах и минусах найдете в нашей статье. 

Что такое рекомендательные системы

Это совокупность программ и алгоритмов, которые подбирают объявления и предложения на основе предпочтений конкретного пользователя. Принципы работы ПО варьируются, то основной для фильтрации во всех случаях выступают данные о человеке. Преимущественно их удается получить из профиля либо из базы клиентов компании. 

Приложения и сайты, на которых используются рекомендательные системы, бывают разнообразными:

• Онлайн-кинотеатры 

• Социальные сети и мессенджеры

• Интернет-магазины

• Стриминговые сервисы наподобие Spotify

• Виртуальные музыкальные плееры

• Новостные и информационные порталы

Для чего нужны

Цель подобных систем заключается в предоставлении пользователям того контента, который им требуется. Это могут быть товары, услуги, музыкальные треки, новости, группы по интересам в социальных сетях. 

Подбор объявлений происходит по широкому спектру параметров – конкретный набор критериев выборки зависит от типа рекомендательной системы. При грамотном выборе алгоритма удается:

• Удержать текущих клиентов

• Найти новых покупателей

• Увеличить прибыльность бизнеса

• Обеспечить лояльное отношение со стороны ЦА

Как работают

Разбираясь, как работают рекомендательные системы, нужно учитывать, что единого подхода нет. Выделяют 2 уровня функционирования:

1. Кратковременные тенденции – отображают быструю смену интересов целевой аудитории

2. Глобальные предпочтения и оценки – сохраняются в течение длительного времени, зависят от пола, возраста, региона проживания, профессии, социального и материального положения

Разные методы получения информации, имеющие свои преимущества и недостатки. 

Такой способ позволяет узнать предпочтения и реальное отношение к товарам и услугам, но сначала придется найти способ убедить человека выделить время на заполнение онлайн-формы. Эффективнее всего срабатывает вариант с предоставлением скидки или подарка за участие в опросе.

«Скрытый» - предполагает сбор информации о поведении в приложении либо на сайте. ПО (многие используют Яндекс.Метрику) фиксирует различные действия потребителя: добавленные в корзину товары, лайки, отзывы, просмотренные разделы. Метод результативный, но не позволяет получить эмоциональную оценку и четко понять, что мотивировало совершить целевое действие. 

Ограничиваться одним методом сбора данных или уровнем не следует – разумнее использовать их в комплексе. Тогда можно рассчитывать на:

• Повышение релевантности рекомендаций

• Уменьшение времени, затрачиваемого на поиск услуг либо товаров

• Увеличение шансов на совершение пользователем покупки

• Формирование позитивного восприятия сайта и компании

При построении рекомендательной системы и её использовании следует помнить о необходимости обеспечивать конфиденциальность информации. 

Типы рекомендательных систем

Ориентируясь на особенности работы платформы, вид предлагаемой продукции и целевую аудиторию, можно выбрать один из 4 типов систем. Рассмотрим их подробнее. 

Collaborative filtering

Коллаборативная фильтрация предполагает анализ оценок не только конкретного человека, но и других пользователей, которые с ним совпадают по ряду параметров. Пример – 3 людей с одинаковым увлечением (рыбалка, охота, дайвинг) любят заказывать пиццу по вечерам, при этом двое ездят на машине одной марки. 

Система после анализа оценок предложит третьему человеку купить автомобиль этого же производителя, ориентируясь на сходство потребителей по двум другим параметрам. Теоретическая точность выборки в данном случае будет высокой, однако нет возможности давать релевантные рекомендации новым пользователям, о которых нет сведений. 

Content-based

Популярный тип, суть которого заключается в предложении услуг и товаров на основании их характеристик. Онлайн-кинотеатры часто подбирают рекомендации в зависимости от жанра, актерского состава, режиссера, года. 

Использование системы позволяет исключить этап знакомства и начать что-то предлагать почти сразу – потребителю достаточно посетить несколько разделов. Сначала механизм работает не слишком точно, но по мере получения большего количества информации о предпочтениях человека, релевантность возрастает.

Knowledge-based

Такие рекомендательные системы не учитывают оценки других потребителей, а ориентируются на предметные знания. Основой может выступать информация о ЦА, товарах или других параметрах, которые улучшают ранжирование. В зависимости от предметной области различают такие подвиды:

• Demographic-base

• Whatever-you-want-based 

• Case-based

• Critique-based

• Utility-based

По сути, нет ограничений по выбору предметной области. Вы можете формировать рекомендации по тем знаниям, которые важны для реализации вашего проекта. На разработку алгоритма потребуется время и ресурсы, но зато в результате в вашем распоряжении будет софт с максимально точным отображением объявлений и предложений для ЦА. 

Hybrid

Описанные выше типы имеют недостатки, которые удается минимизировать при использовании нескольких программ в комплексе. Какие конкретно подходы сочетать между собой, каждый владелец портала или руководитель компании должен решить самостоятельно. 

Гибридные системы могут объединять от 2-3 до 25 алгоритмов и больше, например, Netflix для показа фильмов и сериалов применяет 27 программ. 

По соотношению затрат времени на реализацию и эффективности наиболее удачными считаются следующие комбинации:

• Дополнение collaborative filtering элементами контентной методики

• Отдельное применение контентных механизмов и коллаборативной фильтрации с дальнейшим соединением их результатов

• Интеграция некоторых принципов content-based в коллаборативную методику

• Разработка комплексной тактики на базе правил content-based и collaborative filtering

Плюсы и минусы рекомендательных систем

Перед тем, как выяснять положительные особенности и недостатки разных систем, разъясним несколько важных моментов по поводу их использования:

1. Алгоритмы выдачи рекомендаций необходимы не только крупному, но и малому бизнесу

2. Сложность сбора и подготовки информации многие преувеличивают. Иногда для упрощения и систематизации процесса достаточно установить онлайн-кассу или подобный софт, который будет в автоматическом режиме формировать базу данных о клиентах, их покупках и предпочтениях

3. Современные программные решения отличаются точностью, но нужно правильно подбирать методики и оценивать пользу от их применения

4. Не стоит опасаться заоблачных финансовых затрат на реализацию. Если проект небольшой, то внедрение рекомендательной системы не потребует значительных вложений. Вернуть инвестиции получится через 3-6 месяцев