Эксперт:

Что такое рекомендательные системы

Рекомендательные системы — вид алгоритмов и программ, которые анализируют данные о пользователях и предсказывают их интересы. Цель таких систем — помочь клиентам быстро найти то, что им нужно, среди огромного массива товаров или контента.

Представьте, что вы заходите в огромный торговый центр, где тысячи товаров. Было бы здорово, если кто-то встретил вас у входа и сразу показал именно те вещи, которые вам понравятся? Именно это и делают рекомендательные системы в онлайн-пространстве.

Как работают рекомендательные системы

Рекомендательные системы работают так: они собирают данные о пользователях, анализируют товары и с помощью алгоритмов машинного обучения выдают персонализированные предложения. Алгоритмы изучают поведение и предпочтения каждого клиента, а затем предлагают именно тот товар или услугу, которые ему с наибольшей вероятностью понравятся. Проще говоря, это умный помощник, который с каждым разом лучше понимает вкусы клиента и дает точные рекомендации.

Есть несколько подходов к формированию рекомендаций:

• Контентная фильтрация — рекомендации на основе характеристик товаров.
• Коллаборативная фильтрация — рекомендации на основе поведения похожих пользователей.
• Фильтрация на основе знаний — рекомендации с учетом конкретных параметров и потребностей.
• Гибридные системы — комбинация нескольких подходов. В гибридной системе все перемешано: предыдущие виды рекомендаций могут работать вместе и подключаться в разных последовательностях.

Где применяют рекомендательные системы в бизнесе

Рекомендательные системы нужны везде, где компаниям важно предложить именно то, что нужно клиенту. Рекомендации активно используют в сфере онлайн-торговли — интернет-магазины предлагают клиентам подходящие товары в различных разделах или всплывающих окнах. Персональные рекомендации часто встречаются в электронных рассылках. Рекомендательные системы активно используются и в социальных сетях, например во «ВКонтакте».

• Онлайн-магазины
  
  Крупные площадки активно используют рекомендательные системы для увеличения продаж. Например, когда пользователь просматривает товар, система выводит предложения «С этим товаром покупают» или «Вам может понравиться». Это увеличивает средний чек и помогает покупателям найти нужные товары быстрее.
• Стриминговые сервисы
  
  Платформы для просмотра фильмов и прослушивания музыки, такие как «Мегамаркет», Okko и «Звук Бизнес», используют рекомендательные системы для подбора контента. Они анализируют ваши предпочтения на основе ранее просмотренных фильмов и прослушанных песен и предлагают новые, которые могут вам понравиться.

Рекомендации пользователю от онлайн-кинотеатра Okko

Рекомендации пользователю от маркетплейса «Мегамаркет»

• Общепит и доставка еды
  
  Сервисы доставки еды используют рекомендательные системы для предложения блюд, основываясь на ваших предыдущих заказах и предпочтениях. Например, если вы часто заказываете вегетарианские блюда, система будет в первую очередь показывать рестораны с хорошим выбором вегетарианской кухни.
• Интернет-банкинг
  
  Банки используют рекомендательные системы для предложения финансовых продуктов. Например, если часто совершаете покупки за границей, система может предложить вам карту с выгодными условиями конвертации валюты.
• Онлайн-образование
  
  Образовательные платформы используют рекомендательные системы для подбора курсов. Если вы прошли курс по основам программирования, система может предложить продвинутый курс в этой области или в смежных темах.

По мере развития технологии ей находят применение во все новых сферах, например для поиска и подбора персонала.

Преимущества рекомендательных систем

Внедрение рекомендательных систем открывает для бизнеса целый ряд преимуществ: они персонализируют взаимодействие с клиентами, помогают лучше понимать аудиторию, оптимизировать ассортимент и маркетинг, делая таким образом бизнес более эффективным и клиентоориентированным.

1. Увеличение среднего чека и конверсии. Предлагая релевантные товары, бизнес стимулирует дополнительные покупки.
2. Повышение лояльности клиентов. Персонализированный подход создает ощущение, что бизнес действительно понимает потребности клиента.
3. Улучшение пользовательского опыта. Клиенты тратят меньше времени на поиск нужных товаров или услуг.
4. Увеличение времени, проведенного на сайте. Интересные рекомендации удерживают внимание пользователей.

Как оценить эффективность рекомендательной системы

Для оценки эффективности рекомендательных систем используются следующие ключевые метрики: коэффициент кликабельности рекомендаций (CTR), процент конверсии из рекомендаций, увеличение среднего чека и рост повторных покупок.

Проблемы и ограничения рекомендательных систем

Несмотря на все преимущества, у рекомендательных систем есть и свои ограничения:

1. Проблема «холодного старта» для новых пользователей или товаров, о которых еще нет достаточно данных. На старте системе попросту нечего оценивать, потому что данных о новом пользователе нет.
2. Риск создания «информационных пузырей», когда пользователь видит только то, что соответствует его текущим интересам. Потребитель может долгое время интересоваться одной тематикой, а потом переключиться на что-то другое. Система же продолжит предлагать ему товары, соответствующие его прошлым интересам.
3. Этические вопросы использования персональных данных. Не все пользователи хотели бы раскрывать свои интересы, кроме того, такие данные защищены законом.

Будущее рекомендательных систем

По мере развития искусственного интеллекта рекомендательные системы будут еще лучше понимать клиентов, предоставлять персонализированный опыт и еще более точные рекомендации. С другой стороны, ожидается, что государство будет регулировать использование этих технологий, накладывая на них ограничения (обсуждается даже внедрение «кнопки отказа» от применения рекомендательных систем). Вот основные векторы развития рекомендательных систем.

1. Широкое использование контекстной информации

Контекстная информация — это данные о текущем нахождении пользователя, времени суток, его устройстве и даже настроении. Внедрение контекстной информации позволит рекомендательным системам более точно адаптировать рекомендации под конкретные условия пользователя.

• Персонализация: если пользователь находится в кафе, система может рекомендовать ему блюда или напитки, основываясь на его предыдущих предпочтениях.
• Адаптация ко времени: рекомендательные системы могут учитывать время суток. Например, предлагать более легкие блюда на завтрак и сытные — на ужин.
• События и праздники: система может сделать специальное предложение или подарок, учитывая поисковые запросы пользователя о идеях для подарков или мероприятий.
• Местоположение: если пользователь приехал в новый город, система может предложить местные рестораны, достопримечательности или мероприятия, основываясь на его предыдущих интересах и текущем местоположении.

2. Учет краткосрочных интересов пользователей

Краткосрочные интересы относятся к временным предпочтениям и потребностям пользователя, которые меняются в зависимости от текущей ситуации, настроения или событий.

• Анализ поведения: системы смогут анализировать недавние действия пользователя, такие как просмотр определенных продуктов, чтобы выявить его текущие интересы. Например, если пользователь недавно искал информацию о путешествиях, система может рекомендовать туристические пакеты или отели.
• Временные тренды: рекомендательные системы могут отслеживать популярные тренды и события, которые влияют на интересы пользователя. Например, в период распродаж система может предложить скидки на популярные товары, которые соответствуют его интересам.
• Реакция на события: если пользователь активно ищет информацию о каком-то событии (например, концерт или спортивный матч), система может предложить билеты, мерч или гостиницы поблизости.

3. Внедрение мультимодальных рекомендаций

Мультимодальные рекомендации объединяют различные форматы данных — текст, изображения, видео и аудио, чтобы предоставить более полное и многогранное представление о рекомендуемых товарах или услугах.

• Комбинированный анализ: системы анализируют разные типы данных одновременно, например текстовые отзывы, изображения товаров и видеоролики, для создания более точных рекомендаций.
• Улучшение взаимодействия: пользователи получают рекомендации в различных форматах — текстовые описания товаров, изображения, видеопрезентации и отзывы других пользователей, что улучшает общее восприятие.
• Интерактивные рекомендации: мультимодальные системы предлагают интерактивные элементы — виртуальные примерки одежды или туры по недвижимости. Это делает пользовательский опыт более увлекательным и информативным.

4. Разработка системы ограничений для рекомендательных систем

Системы ограничений помогут управлять рекомендациями, чтобы они соответствовали определенным критериям, правилам или предпочтениям пользователя.

• Этические и правовые аспекты: системы могут учитывать этические нормы и правовые ограничения, например, избегать рекомендаций, которые могут быть неподходящими или оскорбительными для определенных групп пользователей (религиозные или политические темы).
• Личные предпочтения: пользователи смогут устанавливать собственные ограничения, такие как исключение определенных категорий товаров (например, безалкогольные напитки или вегетарианские блюда), для своих рекомендаций.
• Контроль над информацией: системы могут предоставлять пользователям возможность контролировать, как и какие данные используются для персонализации рекомендаций, что повысит уровень доверия и удовлетворенности пользователей.
• Устойчивость и безопасность: ограничения могут быть направлены на предотвращение злоупотреблений, таких как рекомендации товаров с низким качеством или небезопасных продуктов.