Сегодня, 4 июня 2015 года, в Москве проходит третья ежегодная конференция YaC/m 2015. В этом году мероприятие посвящено влиянию рекомендательных систем на онлайн-сервисы.
Традиционно конференцию открыл так называемый «секретный доклад». В начале этой части мероприятия прозвучало выступление руководителя рекомендательных систем Яндекса Виктора Ламбута. Он рассказал о роли рекомендаций в современном интернет-маркетинге.
Основной задачей маркетолога является привлечение как можно большего количества людей на входе в воронку продаж. То есть, нужно максимально увеличить площадь входа воронки, что даст возможность получить бо́льший результат на выходе.
Как отметил докладчик, в интернет-маркетинге воронка продаж выглядит не классическим образом, а как сложная система. Поэтому маркетинг должен дружить с технологиями и не должен заканчиваться на входе.
Отдельная область технологий – рекомендательные технологии.
Рекомендательные технологии – это не просто модный тренд, а тектонический сдвиг в культуре потребления. Первые рекомендации появились ещё 200 лет назад. Их использовали обычные торговцы, привлекая покупателей.
В целом, выделяют несколько тектонических сдвигов или этапов в эволюции культуры потребления:
1. Товарное производство.
2. Массовое производство. Началом этого этапа считается 1908 год – год выпуска первого автомобиля марки «Форд». Компания основной упор сделала на конвейер и унификацию (запчастей, моделей и даже цвета автомобилей).
3. Массовая кастомизация. Спустя несколько лет лидерство у «Форд» отвоевала компания «Дженерал Моторс», которая сделала ставку на разные модели автомобилей для разных ценовых сегментов. Это и послужило началом новой эпохи в культуре производства – массовой кастомизации. В настоящее время кастомизации подверглись все отрасли экономики.
4. Персональные рекомендации. Яркой характеристикой этой новой эпохи в культуре потребления являются новостные ленты в социальных сетях. На рынке появились миллионы различных товаров, и пользователю всё труднее сделать свой выбор. На помощь ему приходят рекомендательные системы и технологии.
Помимо множества товаров, параллельно в интернете накопилось большое количество персональных данных. Есть и неявные данные, которые можно получить, когда люди что-то покупают и расплачиваются банковскими картами в интернете. Все эти данные и используют рекомендательные системы в своих решениях.
В 2000 году Netflix запустил систему оценок фильмов. Новые фильмы предлагались зрителям на основе оценок. Именно поэтому компания входит в тройку лидеров по количеству потребителей.
В качестве примера использования современных рекомендательных технологий докладчик привёл фитнес-клуб, в котором специальная система строит персональные программы тренировок. Специальная карта сообщает к какому тренажеру подойти, как настроить, когда прийти еще раз. Люди тренируются меньше, а эффект получают больший.
Рекомендательные технологии также использует и портал для изучения иностранного языка LinguaLeo. Кроме традиционного теста на знание языка, который предлагается пользователям после регистрации, разработчики сайта включили в него вопросы по интересам.
Это сделало LinguaLeo персонализированным помощником в изучении языка, предлагающим индивидуальную программу обучения. Все задания курса предлагаются пользователям с учётом указанных ими интересов, благодаря чему они охотнее взаимодействуют с сайтом. В результате применения этой технологии показатель удержания пользователей LinguaLeo вырос на 22%.
Яндекс также использует рекомендательные технологии в своих сервисах.
Рекомендации в Яндекс.Маркете превращают его в персональный супермаркет. Они предлагаются пользователям в стандартном блоке «Популярные товары» на главной странице.
В качестве примера Витя Ламбут привёл следующую бизнес-задачу: в Маркете около 2 тыс. категорий. Из них надо выбрать 8, которые больше всего понравятся конкретному человеку. Для этого используют стандартное – «люди также покупают» на основе данных о похожих пользователях – SVD-алгоритм.
Яндекс.Маркет также предлагает персональные рекомендации, основанные на данных о самом пользователе, и сontent-based рекомендации – если человек покупает продукцию одного бренда, то имеет смысл посоветовать ему другие товары этого же бренда или другой бренд такой же ценовой категории. Если товар покупают подростки 15 лет – не надо его рекомендовать более взрослым девушкам, и т.п.
Использование всех трёх подходов позволило повысить продажи в сервисе на 30%.
Все эти алгоритмы требуют информации о предпочтениях пользователей. Эти данные собираются в Яндекс.Маркете и поиске Яндекса, позволяющем классифицировать запросы. Массу информации об интересах пользователей содержит сервис Яндекс.Крипта.
Всего используется несколько сотен рекомендательных алгоритмов. Весь этот процесс регулируется алгоритмом Матрикснет.
Далее Виктор Ламбут перешёл к Яндекс.Музыке. По его словам, изначально Яндекс.Музыка задумывалась как сервис для поиска музыкального контента. А осенью прошлого года был представлен заметно обновлённый сервис. Теперь он позволяет открывать и находить новую музыку, которая может понравиться пользователю.
На главной странице Яндекс.Музыки находится персонализированный музыкальный фид, посты в который отбираются на основе доступной информации о пользователе.
В результате этого нововведения, за 9 месяцев после запуска время прослушивания пользователями музыки на сайте выросло на 70%. Внедрение рекомендательных алгоритмов в музыкальный поисковый сервис позволило обслуживать новый класс пользовательских задач – открывать новую музыку.
Продолжил «секретный доклад» руководитель музыкальных сервисов Яндекса Константин Воронцов.
Докладчик рассказал о двух типах потребления аудиовизуального контента:
- Lean forward – когда пользователь активно вовлечён в поиск контента. Такое поведение характерно для меломанов, хорошо разбирающихся в музыке и знающих, что они ищут. Примером такого рода сервисов является Яндекс.Музыка.
- Lean Back – когда выбор вместо пользователя делает кто-то другой, предлагая ему уже готовый вариант. Традиционно в этом направлении работают телевидение и эфирное радио.
Проблема в том, что из 300 постов, транслируемых по радио, всего 15% нравятся слушателям. Принцип подбора музыки на радио не изменился до сих пор.
Люди слушают музыку по-разному, кто-то по исполнителям, кто-то по трекам, кто-то новое, кто-то признанную классику. Поэтому радио должно учитывать интересы пользователей, чтобы привлечь и удержать свою аудиторию.
На этой ноте Константин Воронцов презентовал Яндекс.Радио – сервис, созданный на основе рекомендательных технологий. Теперь пользователи смогут выбрать подходящую именно им музыку по жанру, контексту или настроению. Алгоритмы сервиса будут изучать интересы пользователя, его вкусы и затем предлагать рекомендации, исходя из этой информации.
