Системы рекомендаций: искусство, наука и бизнес

Конкурс продолжается до сих пор (и будет идти «как минимум, до 2 октября 2011 г.»). Что же это — рекламный трюк или способ удешевить исследовательские работы? Действительно ли компания нуждается в лучшей системе рекомендаций, или она ей просто не помешает? Сегодня Netflix сталкивается с конкуренцией со стороны проснувшегося великана BlockBuster, поэтому компания и на самом деле занимается поисками конкурентного преимущества. Хорошая система рекомендаций сможет удержать и привлечь пользователей сервиса. К примеру, когда клиент возвращает фильм, ему рекомендуется другой, который может ему понравиться, — это повышает вероятность повторных заказов.

Вольный просмотр и рекомендации
Хорошая система рекомендаций может принести существенную отдачу не только Netflix, но и любому интернет-бизнесу. Дело в том, что существуют два основных вида деятельности в Сети — Целенаправленный Поиск и Вольный просмотр. Когда клиент точно знает, чтό ему нужно, он ведет поиск желаемого объекта. Когда же клиент не ищет что-то конкретное, он просматривает информацию. Именно вольный просмотр дает системе рекомендаций шанс, потому что пользователь в этот момент не нацелен на что-то конкретное и открыт к предложениям.
В режиме вольного просмотра внимание (и деньги) пользователя открыты для всех, кто на них претендует. Показав пользователю что-то интересное для него, вебсайт максимально повышает вероятность совершения сделки. Поэтому, если вебсайт может повысить свои шансы с помощью хороших рекомендаций пользователям, это повысит его доходы. Конечно, эта задача не из легких, но и стимулы решения ее велики. Среди основных подходов к решению этой проблемы можно выделить следующие категории:
- Персональные рекомендации — исходя из индивидуальной истории поведения пользователя;
- Социальные рекомендации — исходя из истории поведения пользователей с подобными профилями;
- Рекомендации объекта — исходя из качеств самого рекомендуемого объекта;
- Комбинации вышеперечисленных методов.

Давайте теперь рассмотрим эти три метода на примере ветерана Amazon и новичков Pandora и del.icio.us.

Amazon – король рекомендаций
Amazon считается лидером в сфере интернет-коммерции вообще и рекомендаций в частности. За последнее десятилетие компания вложила немало финансовых и интеллектуальных ресурсов в создание системы умных рекомендаций, которые учитывают данные ваших прошлых просмотров, ваших прошлых покупок, а также покупок других клиентов, — и все это для того, чтобы добиться совершения Вами новой покупки. Давайте рассмотрим отдельные компоненты системы рекомендаций Amazon, чтобы понять, как они работают. Вот разделы, которые появляются в основном поле моей страницы в Amazon, когда я захожу в систему (Что обычно покупают клиенты после знакомства с этим товаром?):



Этот раздел (вверху) представляет собой Социальные рекомендации. Обратите внимание на то, что раздел имеет аналитический характер, статистически обосновывая, почему мне просто необходимо купить тот или иной товар. Также обратите внимание на то, что это и Персональная рекомендация, потому что она учитывает, какой товар я недавно просматривал.



Раздел, приведенный выше, показывает Рекомендации объекта с учетом новизны. Ссылка Почему это рекомендуется для Вас? перенесет меня на страничку моей истории покупок. Поэтому подобные рекомендации еще и Персональные, ведь они основаны на моей персональной истории.
На странице имеется еще четыре раздела, каждый из которых представляет собой различные комбинации описанных выше механизмов рекомендации. Эти разделы можно охарактеризовать так:

Система персональных рекомендаций Amazon
Ваша история просмотров	Ваша история покупок
Просмотренные товары	Новые товары (Рекомендация объекта)
Связанные товары	Связанные товары (Рекомендация объекта)
Покупки других пользователей (Социальная рекомендация)	Покупки других пользователей (Социальная рекомендация)

Неудивительно, что эта система — симметричная и всесторонняя. Все рекомендации основаны на индивидуальном поведении пользователя с учетом либо данных по самому товару, либо истории поведения других клиентов Amazon. Нравится ли вам покупать что-либо потому, что это связано с вашими предыдущими покупками, или потому, что это пользуется популярностью у других, — в любом случае система подталкивает вас к тому, чтобы добавить новый товар в корзину покупок.

Не только Amazon
Система Amazon феноменальна. Это — гений совместных покупок и автоматизация такого уровня, который вряд ли возможно будет повторить. На создание и усовершенствование системы у Amazon ушло десятилетие. Система основана на обширной базе данных объектов и коллективного поведения, которая также «помнит», что вы делали несколько лет или минут назад. Как же могут конкурировать с этим новые компании? Как ни странно, могут. На помощь пришла область знаний, которая имеет мало общего с покупками в Сети, — генетика. Как известно, эта наука изучает, как особенности человеческого характера и поведения зашифрованы во фрагментах ДНК, генах. К примеру, члены вашей семьи выглядят и ведут себя похожим образом, потому что они являются носителями общих генов. Генетика как наука существует уже более 150 лет и стала мощным инструментом и медицины, и истории. Но ее развитие получило достаточно неожиданный оборот 6 января 2000 г., когда Тим Вестергрен и его друзья решили приложить идеи генетики к музыке.

Pandora – система рекомендаций, основанная на идеях генетики
Целью проекта Music Genome Project было разложение музыки на основные генетические составляющие. В основе проекта лежала идея о том, что нам нравится музыка, которая обладает какими-то определенными характеристиками, поэтому можно создать систему музыкальных рекомендаций, использующую информацию о сходстве музыкальных произведений. Подобного рода система относится к категории Рекомендации объекта. Однако ее новаторство заключается в том, что сходство любого объекта, как и сходство музыкального произведения, оценивается с точки зрения его «генетического кода».



Годы исследований и обработки массивных объемов музыки позволили проекту накопить достаточное количество данных и запустить услугу Pandora. Pandora сразу стала пользоваться успехом благодаря точности результатов и малого количества требуемых от пользователя усилий. Последнему достаточно просто выбрать одного исполнителя или песню, чтобы создать станцию, которая сразу же начинает играть похожую музыку. Перед таким «немедленным удовлетворением» трудно устоять. Сам факт того, что Pandora понимает, чтό делает одно музыкальное произведение подобным другому, позволяет сервису заполучить пользователя, даже не зная заранее, чтό ему нравится. Pandora не нужно расспрашивать пользователей о их вкусах или истории, у системы есть свои данные, основанные на музыкальной ДНК. Конечно, иногда и она не может в точности угадать вкусы пользователя. Но серьезные ошибки случаются редко.
Естественно, возникает вопрос: приложим ли такой генетический метод к другим объектам — книгам, фильмам, вину, ресторанам, туристическим направлениям? Что составляет «генетический код» каждой категории? К примеру, можем ли мы сказать, что «генетику» вина можно описать с точки зрения характеристик его вкуса: черничный, лесной, фруктовый, сложный, смешанный, и т.п.? И могут ли «генами» книги стать фразы, описывающие ее сюжет? Итак, если гены — это атрибуты объекта, которые описывают его уникальность, то определить «генетические коды» различных вещей должно быть нетрудно. На самом деле в последнее время мы этим частенько занимаемся в Сети. Только называем это «тэгами»!

Del.icio.us – могут ли тэги стать генами?
Запуск сервиса Pandora был сопряжен со значительными затратами, связанными с аннотацией тысяч музыкальных произведений вручную. Феномен коллективной аннотации del.icio.us пошел по другому пути, позволив обычным пользователям самим присваивать объектам категории-тэги. Такой подход на основе самоорганизации дал отличные результаты, и del.icio.us быстро стал популярными среди первопроходцев сервиса. Сегодня del.icio.us уже не просто система закладок, это еще и новостной сайт, и поисковик. Но можно ли считать del.icio.us и системой рекомендаций?



Да! Базовая система рекомендаций основана на гене – тэге. Например, на экране вверху приведены популярные ссылки для тэга linux, а также тэги к связанным темам, таким как open source и ubuntu. Но гораздо более интересная система рекомендаций сопоставляет данные по нескольким тэгам одновременно. К сожалению, в сегодняшней версии системы это срабатывает не всегда и поэтому не всегда очевидно. Но нам повезло: для страницы Read/WriteWeb поиск по общим тэгам принес отличный список подобных блогов (колонка «related items» внизу):



Итак, подход del.icio.us открывает увлекательные возможности для самоорганизующейся классификации и систем рекомендаций. С достаточным количеством пользователей и дальнейшими усовершенствованиями, продуктом коллективной классификации может стать система, хорошо работающая и для книг, и для вина, и для музыки. При условии, конечно, что высокое качество тэгов позволит им стать «генами»!

Заключение
Системы рекомендаций — важная составляющая систем интернет-коммерции, способная произвести впечатление на их пользователей. У компаний, занимающихся розничной торговлей, есть хороший стимул давать рекомендации пользователям, которые «просто смотрят», чтобы стимулировать совершение ими покупки. Amazon.com, лидер в этой сфере, предлагает впечатляющую систему персональных рекомендаций. Проблема остальных компаний заключается в дефиците информации о пользователях и общей инфраструктуры. Новые подходы к разработке систем рекомендаций, в том числе Pandora, использующая методы генетики, и del.icio.us, пионер коллективной классификации, представляют особый интерес. Эти методы обладают потенциалом немедленного удовлетворения пользователей, не заставляя их рассказывать о своих вкусах или поведении в Сети. Независимо от того, как развитие пойдет дальше, Amazon, Pandora и del.icio.us являются примерами неординарных технологий рекомендаций. Мы отмечаем их успех и с нетерпением ожидаем новинок в этой сфере.

Источник: Read/WriteWeb