Интернет с каждым годом становится все более дружелюбным. Подборки YouTube и Spotify, а также ленты рекомендаций в интернет-магазинах почти всегда угадывают интересы пользователей. Такое стало возможным благодаря рекомендательным инструментам, один из которых – коллаборативная фильтрация.
Рассказываем об этой технологии и приводим примеры ее использования.
Любой сайт стремится увеличить количество переходов по внутренним страницам. Если же говорить об интернет-магазинах, для них важно увеличить количество покупок в одном заказе. Именно поэтому рядом с выбранной позицией часто присутствует блок «Сопутствующие товары». Вручную составлять такие подборки для каждого товара сложно, так что лучше использовать автоматизированные алгоритмы.
Коллаборативная фильтрация – это алгоритм, который помогает угадывать интересы нового пользователя на основе действий предыдущих представителей целевой аудитории.
Владельцы бизнеса увеличивают объем продаж, а покупатели не тратят время на поиск нужных позиций. Такую технологию внедряют самые крупные сервисы, интернет-магазины и социальные сети.
Коллаборативную фильтрацию впервые начали использовать еще в 90-х годах прошлого века. Со временем принцип работы алгоритма становился сложнее, поэтому его апгрейд обходился все дороже. Сегодня используют 3 типа фильтрации, которые отличаются по точности прогнозов, стоимости реализации и сложности внедрения.
Самый простой тип фильтрации, который распределяет пользователей по заданным характеристикам. Сначала он определяет схожие интересы, а затем ищет одинаковые оценки. У каждого пользователя появляется так называемый вес. Когда вес нескольких посетителей становится максимально похожим, их объединяют в «соседскую» группу и демонстрируют ей одинаковый контент.
Внедрить такой тип достаточно просто, да и стоимость его – вполне приемлемая. Проблема в том, что он предусматривает ограниченное количество параметров, которые учитываются во время фильтрации. Из-за этого точность прогнозов страдает, а некоторые пользователи получают не вполне корректные рекомендации.
Чтобы в коллаборативной фильтрации не было жестких ограничений, используют самообучаемый алгоритм и интеллектуальный анализ. Принцип работы сводится к тому, чтобы выявлять закономерности в различных параметрах и создавать модели на их основе. К главным недостаткам этого типа относятся высокая стоимость и возможность потери важной информации, зато преимуществ гораздо больше:
При «соседстве» список рекомендаций получается маленьким, поэтому использовать метод с моделями более практично.
Что такое постпродакшн
Крупные веб-ресурсы и, в частности, коммерческие проекты все чаще обращают внимание на гибридный тип фильтрации. Он обходится еще дороже и сложнее, но не имеет недостатков двух других типов. Во-первых, он позволяет получать более точные прогнозы. Во-вторых, помогает избежать потерь информации. В системе появляется больше данных, с помощью которых делают выводы.
А для того, чтобы иметь четкое представление о расходах на проведение рекламных кампаний, подключите сквозную аналитику Calltouch. Система автоматически собирает данные со всех рекламных площадок и объединяет их в единый интерфейс. Таким образом вы проанализируете каждый этап воронки продаж, скорректируете ход рекламной кампании и бюджет.
Наиболее очевидный пример – социальные сети. Взять хотя бы Facebook*, ВКонтакте или Instagram* (*продукты компании Meta, которая признана экстремистской организацией в России). Популярные посты в ленте показывают исходя из интересов пользователей, без привязки к времени их публикации. Лайки, комментарии и даже обычные просмотры влияют на то, что и когда предложит система. Сюда же относится YouTube, который автоматически анализирует предыдущие просмотры видео и сравнивает поведение пользователей из одной группы.
Spotify и Яндекс.Музыка мониторят наиболее часто прослушиваемые треки и положительные оценки, чтобы предлагать интересные большинству плейлисты.
Онлайн-кинотеатр IVI работает по такому же принципу. Система анализирует понравившиеся большинству посетителей фильмы, ранжирует интересы и выдает списки рекомендаций. Другие онлайн-кинотеатры, музыкальные сервисы и маркетплейсы тоже используют методы коллаборативной фильтрации, так что примеров очень много.
Несмотря на то, что сам термин выглядит пугающе, объяснить его достаточно просто. Конечно, у каждого сервиса свои особенности, но основной принцип работы мало чем отличается.
Система отслеживает действия пользователей и предлагает им список товаров или услуг по их интересам. Всю схему можно разделить на несколько этапов.
Схема бывает и более объемной, но здесь все зависит от конкретного проекта.
Чтобы улучшить и оптимизировать связь клиентов с вашей компанией, подключите виджеты Calltouch. Они помогут увеличить количество лидов и не пропустить ни одной заявки. Для клиентов, которые предпочитают делать заказы на сайте, можно подключить Умную заявку – удобную форму для сбора контактов. А для тех, кому неудобно звонить напрямую, – обратный звонок.
Коллаборативная фильтрация дает массу преимуществ различным сервисам, приложениям и интернет-магазинам. Существуют и другие рекомендательные алгоритмы, но они не дают такого эффекта. К сожалению, недостатки у этой технологии тоже присутствуют.
Такая проблема часто встречается у новых ресурсов, которые предполагают работу с большим объемом данных. Получается, что ассортимент товаров широкий, но так как пользователи редко ставят оценки, создавать качественные рекомендации практически невозможно. В проектах, которые работают давно, разреженность менее заметна, но она все равно присутствует.
У развивающегося ресурса со временем количество товаров и пользователей увеличивается. Чтобы выдать рекомендацию, алгоритм изучает все возможные способы перекрещивания. Если представить, что в магазине 20 000 товаров и 50 000 пользователей, их придется перемножать между собой, а это – миллиард вариантов.
Матрица выходит очень большой, да еще и пользователь ждет моментального реагирования.
С новыми товарами и пользователями работать сложнее всего. С первыми разработчики научились справляться за счет применения отдельных атрибутов, поэтому даже новинки легко встраиваются в рекомендации. Работу с пользователями сопровождает больше трудностей, так как информация о них полностью отсутствует.
Некоторые товары могут быть очень похожими по характеристикам или вообще одинаковыми, но отличаться по названию. В таком случае система распознает их как два отдельных товара. Например, кондиционер и сплит-система относятся к одной категории оборудования, но их определяют как разные.
Оценки может ставить кто угодно, поэтому ими легко манипулировать. Например, какая-нибудь компания сама поставит хорошие оценки своим товарам, а конкурентам напишет отрицательные отзывы. В этом случае пользователи получат неправдоподобную информацию.
Мелкому бизнесу напрямую бороться с гигантами рынка бесполезно, поэтому для многих предпринимателей коллаборативная фильтрация кажется единственным выходом. Предложения должны появляться от крупных и мелких компаний одновременно, но малоизвестные товары не набирают нужного количества оценок, чтобы попасть в рекомендации.
Мнение отдельных пользователей иногда сильно отличается от остальных. Это связано с разными причинами, и обычно разработчики не обращают внимания на такую проблему. С подобными пользователями в офлайне точно так же сложно работать.
Что такое трафик в интернете и как его привлечь
Яркий пример использования коллаборативной фильтрации – алгоритм Netflix, который называется Cinematch. Во время регистрации пользователю предлагают выбрать любимые фильмы или сериалы. На будущую ленту рекомендаций влияют пол и возраст пользователя, его лайки, время просмотра, добавления в избранное и многое другое.
Хочу получать интересные новости блога
18 января 2023
16 января 2023
22 января 2023
24 января 2023
Нажимая на кнопку, вы даете согласие на обработку своих персональных данных
