4 принципа успеха вашего механизма рекомендаций

Люди по своей природе являются социальными существами, и мы продвигаемся вперед совместно, предлагая новые идеи и делясь предложениями. Исследование Nielsen, проведенное в 2012 году, показало, что 92% потребителей верят рекомендациям друзей и коллег по всем формам рекламы.

Последними разработками в этой области являются двигатели, работающие на людях и программном обеспечении. Одним из примечательных примеров является Stitch Fix — платформа для персонального стиля с технологиями и искусственным интеллектом, которая принесла почти 1 миллиард долларов продаж и только что подала заявку на IPO.

Эти системы работают на программном обеспечении, которое анализирует наборы данных и прогнозирует вероятные совпадения. Как я писал ранее в этой колонке, именно недавнее снижение стоимости прогнозирования позволяет все большему количеству компаний создавать такие механизмы.

И мы знаем, что рекомендации удерживают клиентов дольше. Отчет о состоянии 25 ведущих модных брендов электронной коммерции Великобритании показал, что самые сильные сайты, предлагающие рекомендации по продуктам, имели на 140% больше просмотров страниц за посещение и на 10% выше показатели выполнения задач. Вот почему самые амбициозные бренды вкладывают значительные средства в создание и улучшение этих систем.

Лучшие в своем классе
«Рекомендующие», как их часто называют, существуют с 1990-х годов. Инновационное подразделение Xerox PARC опубликовало в 1992 году исследовательскую работу под названием «Использование совместной фильтрации для создания информационного полотна». Google был основан в 1998 году, используя алгоритм PageRank для обеспечения работы крупнейшей в мире системы рекомендаций.

В 2009 году Netflix, как известно, заплатил 1 миллион долларов внешней команде, которая смогла улучшить рекомендации всего на 10%. В начале соревнований был выпущен набор данных из более чем 100 миллионов оценок, чтобы их можно было использовать в качестве обучающих данных — важный шаг в создании и тестировании любого движка.

Совсем недавно Netflix изменил свои рейтинги со звезд на «палец вверх/вниз — якобы потому, что система звездного рейтинга вводила клиентов в заблуждение. Также может случиться так, что оценки уже были сгруппированы по принципу нравится/не нравится, потому что люди, которые дают отзывы, как правило, испытывают сильные положительные или отрицательные чувства. Это может привести к бимодальному распределению с появлением двух отдельных групп на обоих концах пятизвездочного диапазона.

Под капотом
Создание рекомендателя требует надежных данных о поведении пользователей, информации о продукте и отзывах, которые связывают эти два аспекта. Программное обеспечение необходимо для создания и управления алгоритмами, которые делают прогнозы, и необходим определенный уровень машинного обучения, чтобы помочь вашей системе развиваться и совершенствоваться.

Двумя наиболее распространенными методами являются совместная фильтрация (прогнозы, основанные на предыдущих отзывах пользователей) и контентная фильтрация (созданная путем сравнения атрибутов продукта). Хотя алгоритмы, основанные на пользователях, превосходят алгоритмы, основанные на продуктах, в большинстве сценариев, для их работы требуются прошлые пользовательские данные, что приводит к распространенной проблеме «холодного запуска».

Использование гибридного подхода, сочетающего совместную фильтрацию и фильтрацию на основе контента, в некоторых случаях может быть более эффективным. Netflix является хорошим примером этого, поскольку он сравнивает привычки просмотра и поиска похожих пользователей, а также предлагает фильмы, которые имеют общие характеристики с фильмами, которые пользователь высоко оценил.

Какой бы подход вы ни выбрали, вам понадобятся эти четыре компонента:

1. Первоклассный пользовательский интерфейс
Отличное качество обслуживания клиентов имеет решающее значение. В конце концов, какой смысл создавать механизм рекомендаций, если никто не может его использовать? Пользователи должны воспринимать предложения как личные и полезные, и они должны иметь возможность использовать функции рекомендаций, чтобы оставить свой собственный отзыв. Как и в случае с любым цифровым интерфейсом, элементы должны быть протестированы с реальными клиентами с использованием методов измерения CX, подходящих для цифровой эпохи.

2. Правила прогнозирования
Необходимо создать алгоритм для анализа имеющихся данных и прогнозирования. Многие системы используют байесовское ранжирование, хотя его следует использовать только для корректировки оценок внутри семейств сопоставимых продуктов.

Актуальность обратной связи должна быть ключевым фактором, особенно в отношении продуктов, которые обновляются и перевыпускаются. Качество отзывов также важно, и следует учитывать репутацию рецензента, качество письменного отзыва и то, были ли отзывы «понравились» или нет. И всем этим факторам необходимо присвоить индивидуальный вес, отражающий то, как вы хотите, чтобы система работала.

3. Люди и машины работают вместе
Программное обеспечение, которое запускает рекомендателей, должно изначально обучаться и регулярно улучшаться людьми. Люди, которые выполняют эти задачи, также должны обладать сильными навыками управления и сообщения открытых результатов и неожиданных результатов.

Stitch Fix просит клиентов внести свой вклад с помощью опросов о стиле, измерений, досок Pinterest и личных заметок. Алгоритмы машинного обучения обрабатывают эту неструктурированную информацию, а интерфейс передает результаты 3000 стилистам компании. Эти люди-эксперты выбирают для отправки пять товаров от разных брендов. Успех этого подхода измеряется количеством товаров, возвращенных клиентами.

4. Надежные источники данных
Данные — это ключ ко всей системе, и их необходимо хранить таким образом, чтобы они соответствовали требованиям машинного обучения. Внешние отзывы пользователей должны собираться в виде рейтингов, письменных обзоров и лайков/нелайков. Также следует собирать внутреннюю обратную связь, такую ​​как просмотренные элементы, потребляемый контент и приобретенный продукт. Чем больше у вас информации о поведении пользователей (особенно рейтингах) и предметах, тем лучше будут ваши результаты.

Сбор новых уровней данных может иметь непреднамеренные преимущества. Stitch Fix использует данные своих клиентов для разработки новых «франкенстилей» — моделей, созданных исключительно из данных, которые случайным образом модифицируются в ходе многочисленных симуляций.

Что дальше?
По мере того, как машинное обучение становится все более популярным, системы, способные делать прогнозы, будут развернуты для повышения качества обслуживания и удержания клиентов.

Механизмы рекомендаций находятся на подъеме и уже помогают самым смелым брендам выделяться на все более переполненных рынках.

Первоначально опубликовано на www.cmo.com.