(Перед вами перевод бесплатного курса «Product Recommendations Course» от компании Dynamic Yield. Если вы здесь впервые, то лучше начните сначала)
Автор английской версии: Янив Навот, CMO, Dynamic Yield
Допустим, у вас есть друг со схожими вкусами, и он время от времени рекомендует вам свои любимые книги, вещи или бренды. По сути, рекомендательные системы, с машинным обучением под капотом, стремятся быть как раз такими “друзьями”. Но прежде чем система сможет подобрать товары, которые вам понравятся, ей сначала нужно понять, кто вы есть.
Над переводом работали Оля Жолудова и Ринат Шайхутдинов. При поддержке koptelnya.ru.
Коптельня — команда по быстрой разработке веб-приложений и сайтов.
Эффективность даже самого продвинутого рекомендательного движка (product recommendation engine) держится на данных. Конечно, не все рекомендательные стратегии требуют больших объемов данных о пользователях, но если мы говорим об индивидуальных рекомендациях на базе предпочтений и поведения каждого отдельно взятого человека — тут системе нужно познакомиться с пользователями поближе.
В этой статье мы разберемся, что такое совместная фильтрация (collaborative filtering) и как маркетологи используют ее на eCommerce сайтах. Это поможет понять, как рекомендательные системы в целом создают индивидуальные рекомендации.
Что такое совместная фильтрация (collaborative filtering)?
Совместная фильтрация (collaborative filtering) — это один из типов персонализированных рекомендательных стратегий. Суть этой стратегии (кстати, довольно популярной) в том, что система собирает данные о пользователях, выявляет подобия (similarities) между ними и, основываясь на этой информации, делает более точные товарные рекомендации. Какие данные собирает система? Самые разные, например:
- Какие товары смотрел пользователь
- На какие товары пользователь кликал
- Какие товары пользователь искал
- Какие товары пользователь добавил в корзину
- Какие товары пользователь покупал ранее
Система одновременно анализирует данные о пользователях в контексте их активности и поведения на сайте, а также анализирует характеристики товаров, указанные в файлах с данными (data feeds) — а потом начинает создавать рекомендации. Рекомендации эти могут располагаться в любом месте на сайте, а цель их — подтолкнуть клиента к покупке. Для достижения этой цели, система задействует данные двух типов:
- Explicit-данные: данные, которые пользователь предоставляет сам (например, информация из анкет и опросников)
- Implicit-данные: данные, которые система выводит логически на основании поведения пользователя (например, если пользователь за последние 6 месяцев посмотрел несколько пар кроссовок, и две пары купил — система запишет кроссовки в его предпочтения)
Давайте рассмотрим “метод соседа”, чтобы вы лучше поняли, как на основании доступных данных система выявляет подобия (similarities).
Метод соседа (the neighborhood approach)
Метод соседа (the neighborhood approach) — это один из множества процессов, которые происходят в рамках совместной фильтрации. Метод работает так: система учитывает как товары, с которыми взаимодействовал пользователь, так и общие сходства (affinities) пользователей, и делает рекомендации с учетом этих данных. Другими словами, система выбирает пользователей с похожим поведением, отслеживает их взаимодействия, покупки, добавления в корзину и т.п. и использует эту информацию, чтобы делать более актуальные рекомендации.
Допустим, пользователь D бродит по категории “Пальто и куртки”. Система выявила у него интересы и поведенческие паттерны, схожие с пользователями A, B и C. В рамках совместной фильтрации, система скорее всего порекомендует пользователю D джинсовую куртку, поскольку подобные пользователи (A, B и C) тоже ими интересовались.
| Пользователь A | Пользователь B | Пользователь C | Пользователь D | |
|---|---|---|---|---|
| Пальто из шерсти | ✓ | ✓ | ||
| Джинсовая куртка | ✓ | ✓ | ✓ | ??? |
| Кожаная куртка | ✓ | ✓ | ||
| Худи | ✓ | ✓ | ✓ |
Amazon часто использует совместную фильтрацию и рекомендует пользователям товары на базе их прошлых покупок. К примеру, их система может выявить все товары, которые купил или высоко оценил отдельно взятый клиент, а также другие пользователи с подобным поведением. Далее система может вычислить, какие другие товары (из любой категории) могут понравиться конкретному пользователю — уже на основании подобия между продуктами — и добавить их в рекомендации.
Предлагаем правильные товары правильным людям
Ключевое преимущество запуска рекомендательного движка в том, что людям становится проще находить новые и интересные им товары. В интернет-магазинах бывают представлены сотни, а то и тысячи товаров. Задача маркетолога — найти креативный способ предложить правильные товары правильным пользователям. За счет алгоритмов совместной фильтрации бренды могут давать эффективные рекомендации пользователям в разных масштабах — и даже потенциально предлагать им те актуальные для них товары, потребность в которых они еще не осознали.
← Назад | Продолжение (Глава 5) →