book-open 1 test
Курс «Рекомендательные системы на практике»: AI в ритейле/e-commerce

Рекомендации на базе сходств (affinity-based recommendations): введение | Глава 5

В этой статье вы узнаете, как использовать данные о сходствах пользователей для формирования эффективных персонализированных рекомендаций в любом масштабе.

(Перед вами перевод бесплатного курса «Product Recommendations Course» от компании Dynamic Yield. Если вы здесь впервые, то лучше начните сначала)

Автор английской версии: Гиди Виго, Старший директор по продукту, Dynamic Yield

На сегодняшний день эффективные рекомендации (как товарные, так и контентные) являются ключевым фактором роста конверсий и дохода в масштабе. Онлайн-рекомендации — это продукт сложных алгоритмических решений: система анализирует различные взаимодействия пользователя и находит возможности для его вовлечения (engagement) в реальном времени. 

При выборе правильной рекомендательной стратегии важно учесть множество факторов — и в первую очередь проговорить конечные цели.  Некоторые стратегии делают больший упор на продукт и формируют рекомендации на базе общих рейтингов (товары в тренде, популярные статьи и т.п.) или в контексте конкретных страниц (статьи, похожие текущую; товары, которые часто покупают с текущим, и т.п.). 

Однако есть и стратегии, которые задействуют всю мощь персонализации и генерируют рекомендации на основании индивидуальных предпочтений и сходств (affinities) пользователя. Для компаний с огромными продуктовыми каталогами или большими базами контента, рекомендации на базе сходств (affinity-based recommendations) — это рабочий (и очень эффективный) метод генерации прицельных предложений нужным клиентам и в нужное время.

Прокладываем мостики между взаимодействиями (interactions) и характеристиками (attributes)

Выявление сходств (affinities) пользователей начинается с качественного и количественного анализа их поведения на сайте. Каждое взаимодействие пользователя с контентом или товаром (например, когда он оценивает товар, добавляет его в корзину, ищет конкретный бренд на сайте или оставляет комментарий к статье) — это важный сигнал о его интересах, предпочтениях и намерениях (intent). 

Когда пользователи взаимодействуют с товарами или контентом на сайте, они принимают во внимание разные характеристики этого товара/контента. В онлайн-торговле к таким характеристикам можно отнести бренд, цвет, стиль, ценовой диапазон и т.п.; в контентных проектах характеристиками можно считать тип контента (текст или видео), категорию, ключевые слова и т.п. Система анализирует данные о взаимодействии пользователей с товарами/контентом в контексте всех этих характеристик, и делает важные выводы об индивидуальных предпочтениях каждого пользователя. 

Этот сплав из взаимодействий и характеристик лежит в основе каждой рекомендации на базе сходств; причем его можно еще усилить за счет использования многомерных профилей сходств (multi-dimensional affinity profiles). 

Профилирование сходств (Affinity Profiling)

На основании данных о поведении пользователей, которыми располагает компания, можно строить подробные, многомерные профили сходств (affinity profiles) под каждого пользователя. По сути каждый профиль сходств — это взвешенная оценка (weighted score), рассчитанная на базе корреляций между взаимодействиями пользователя и теми характеристиками товаров/контента, на которых он сделал акцент.

Вот для примера профиль сходств пользователя Джейн. На рисунке мы видим, какие категории продуктов и цвета она предпочитает в конкретном интернет-магазине. По характеристике “цвет” Джейн отдает предпочтение красному, а по категории самой актуальной для нее является “женщинам”. 

Проранжировав все значения характеристики (attribute values), с которыми когда либо взаимодействовала Джейн, по значимости (смотрела, добавила в корзину, купила), мы можем сузить ее покупательские намерения (purchase intent) до конкретных характеристик, которые ей ближе всего. Располагая этими данными о сходствах, система может порекомендовать Джейн те продукты, с которые ее заинтересуют.

Изменения в поведении пользователей 

Профили сходств “запрограммированы” таким образом, чтобы давать максимально эффективные рекомендации даже с учетом изменения предпочтений пользователей. Пользовательские предпочтения зависят от множества внешних факторов: тренды устаревают, контент теряет актуальность, технологии не стоят на месте. 

Эти изменения в предпочтениях пользователей нужно постоянно фиксировать. Поэтому профили сходств обновляются после каждого просмотра страницы, действия или события в реальном времени — причем более свежим взаимодействиям отдается предпочтение над старыми. Учитывая таким образом актуальность каждого взаимодействия, компания может более точно выявлять намерения пользователей и делать им предельно эффективные и дельные рекомендации.  

Профили сходств “запрограммированы” таким образом, чтобы давать максимально эффективные рекомендации даже с учетом изменения предпочтений пользователей

В заключение 

Рекомендации на базе сходств — это один из самых важных и эффективных способов распутать паутину данных о предпочтениях пользователей и использовать эти данные в интересах бизнеса. Агрегируя данные пользователей в формате профилей сходств, мы можем лучше понять предпочтения каждого из них на индивидуальном уровне. А поняв это, мы сможем генерировать еще более убедительные контентные и товарные рекомендации, чтобы максимально поднять вовлеченность (engagement). Подробнее про персонализацию на базе сходств читайте на странице сайта Dynamic Yield.  


← Назад | Продолжение (Глава 6) →


Курс «Рекомендательные системы на практике»: AI в ритейле/e-commerce