Как работает коллаборативная фильтрация

Интернет с каждым годом становится все более дружелюбным. Подборки YouTube и Spotify, а также ленты рекомендаций в интернет-магазинах почти всегда угадывают интересы пользователей. Такое стало возможным благодаря рекомендательным инструментам, один из которых – коллаборативная фильтрация. 

Рассказываем об этой технологии и приводим примеры ее использования.

Что такое коллаборативная фильтрация

Любой сайт стремится увеличить количество переходов по внутренним страницам. Если же говорить об интернет-магазинах, для них важно увеличить количество покупок в одном заказе. Именно поэтому рядом с выбранной позицией часто присутствует блок «Сопутствующие товары». Вручную составлять такие подборки для каждого товара сложно, так что лучше использовать автоматизированные алгоритмы.

Коллаборативная фильтрация – это алгоритм, который помогает угадывать интересы нового пользователя на основе действий предыдущих представителей целевой аудитории. 

Владельцы бизнеса увеличивают объем продаж, а покупатели не тратят время на поиск нужных позиций. Такую технологию внедряют самые крупные сервисы, интернет-магазины и социальные сети.

Типы фильтраций

Коллаборативную фильтрацию впервые начали использовать еще в 90-х годах прошлого века. Со временем принцип работы алгоритма становился сложнее, поэтому его апгрейд обходился все дороже. Сегодня используют 3 типа фильтрации, которые отличаются по точности прогнозов, стоимости реализации и сложности внедрения.

Основанный на соседстве

Самый простой тип фильтрации, который распределяет пользователей по заданным характеристикам. Сначала он определяет схожие интересы, а затем ищет одинаковые оценки. У каждого пользователя появляется так называемый вес. Когда вес нескольких посетителей становится максимально похожим, их объединяют в «соседскую» группу и демонстрируют ей одинаковый контент.

Внедрить такой тип достаточно просто, да и стоимость его – вполне приемлемая. Проблема в том, что он предусматривает ограниченное количество параметров, которые учитываются во время фильтрации. Из-за этого точность прогнозов страдает, а некоторые пользователи получают не вполне корректные рекомендации.

Основанный на модели

Чтобы в коллаборативной фильтрации не было жестких ограничений, используют самообучаемый алгоритм и интеллектуальный анализ. Принцип работы сводится к тому, чтобы выявлять закономерности в различных параметрах и создавать модели на их основе. К главным недостаткам этого типа относятся высокая стоимость и возможность потери важной информации, зато преимуществ гораздо больше:

• высокая точность прогнозов;
• высокая скорость обработки большого объема данных;
• меньше ошибок при расчетах.

При «соседстве» список рекомендаций получается маленьким, поэтому использовать метод с моделями более практично.

Маркетинг

Читайте также:

Что такое SERP, и как повлиять на поисковую выдачу

Что такое SERP, и как повлиять на поисковую выдачу

Гибридный

Крупные веб-ресурсы и, в частности, коммерческие проекты все чаще обращают внимание на гибридный тип фильтрации. Он обходится еще дороже и сложнее, но не имеет недостатков двух других типов. Во-первых, он позволяет получать более точные прогнозы. Во-вторых, помогает избежать потерь информации. В системе появляется больше данных, с помощью которых делают выводы.

А для того, чтобы иметь четкое представление о расходах на проведение рекламных кампаний, подключите сквозную аналитику Calltouch. Система автоматически собирает данные со всех рекламных площадок и объединяет их в единый интерфейс. Таким образом вы проанализируете каждый этап воронки продаж, скорректируете ход рекламной кампании и бюджет.

Где используют

Наиболее очевидный пример – социальные сети. Взять хотя бы Facebook*, ВКонтакте или Instagram* (*продукты компании Meta, которая признана экстремистской организацией в России). Популярные посты в ленте показывают исходя из интересов пользователей, без привязки к времени их публикации. Лайки, комментарии и даже обычные просмотры влияют на то, что и когда предложит система. Сюда же относится YouTube, который автоматически анализирует предыдущие просмотры видео и сравнивает поведение пользователей из одной группы.

Spotify и Яндекс.Музыка мониторят наиболее часто прослушиваемые треки и положительные оценки, чтобы предлагать интересные большинству плейлисты. 

Онлайн-кинотеатр IVI работает по такому же принципу. Система анализирует понравившиеся большинству посетителей фильмы, ранжирует интересы и выдает списки рекомендаций. Другие онлайн-кинотеатры, музыкальные сервисы и маркетплейсы тоже используют методы коллаборативной фильтрации, так что примеров очень много.

Как работает

Несмотря на то, что сам термин выглядит пугающе, объяснить его достаточно просто. Конечно, у каждого сервиса свои особенности, но основной принцип работы мало чем отличается.

Система отслеживает действия пользователей и предлагает им список товаров или услуг по их интересам. Всю схему можно разделить на несколько этапов.

1. Определение цели визита. Система узнает, какой раздел на сайте нужен пользователю. Например, стиральные машины в магазине электроники.
2. Поиск пользователей со схожими интересами. Алгоритм ищет тех, кто тоже просматривал этот раздел или уже совершил покупку.
3. Изучение интересов группы. Система выбирает сопутствующие товары. Например, для стиральной машины потребуется кран для врезки в трубу или шланг, если он в комплекте не идет.
4. Составление списка рекомендаций. Пользователю предлагают изучить товары, которые с большой вероятностью его заинтересуют.

Схема бывает и более объемной, но здесь все зависит от конкретного проекта.

Чтобы улучшить и оптимизировать связь клиентов с вашей компанией, подключите виджеты Calltouch. Они помогут увеличить количество лидов и не пропустить ни одной заявки. Для клиентов, которые предпочитают делать заказы на сайте, можно подключить Умную заявку – удобную форму для сбора контактов. А для тех, кому неудобно звонить напрямую, – обратный звонок.

Проблемы метода

Коллаборативная фильтрация дает массу преимуществ различным сервисам, приложениям и интернет-магазинам. Существуют и другие рекомендательные алгоритмы, но они не дают такого эффекта. К сожалению, недостатки у этой технологии тоже присутствуют.

Разреженность данных

Такая проблема часто встречается у новых ресурсов, которые предполагают работу с большим объемом данных. Получается, что ассортимент товаров широкий, но так как пользователи редко ставят оценки, создавать качественные рекомендации практически невозможно. В проектах, которые работают давно, разреженность менее заметна, но она все равно присутствует.

Масштабируемость

У развивающегося ресурса со временем количество товаров и пользователей увеличивается. Чтобы выдать рекомендацию, алгоритм изучает все возможные способы перекрещивания. Если представить, что в магазине 20 000 товаров и 50 000 пользователей, их придется перемножать между собой, а это – миллиард вариантов. 

Матрица выходит очень большой, да еще и пользователь ждет моментального реагирования.

Проблема холодного старта

С новыми товарами и пользователями работать сложнее всего. С первыми разработчики научились справляться за счет применения отдельных атрибутов, поэтому даже новинки легко встраиваются в рекомендации. Работу с пользователями сопровождает больше трудностей, так как информация о них полностью отсутствует. 

Синонимия

Некоторые товары могут быть очень похожими по характеристикам или вообще одинаковыми, но отличаться по названию. В таком случае система распознает их как два отдельных товара. Например, кондиционер и сплит-система относятся к одной категории оборудования, но их определяют как разные.

Мошенничество

Оценки может ставить кто угодно, поэтому ими легко манипулировать. Например, какая-нибудь компания сама поставит хорошие оценки своим товарам, а конкурентам напишет отрицательные отзывы. В этом случае пользователи получат неправдоподобную информацию.

Разнообразие

Мелкому бизнесу напрямую бороться с гигантами рынка бесполезно, поэтому для многих предпринимателей коллаборативная фильтрация кажется единственным выходом. Предложения должны появляться от крупных и мелких компаний одновременно, но малоизвестные товары не набирают нужного количества оценок, чтобы попасть в рекомендации.

Белые вороны

Мнение отдельных пользователей иногда сильно отличается от остальных. Это связано с разными причинами, и обычно разработчики не обращают внимания на такую проблему. С подобными пользователями в офлайне точно так же сложно работать.

Маркетинг

Читайте также:

Что такое виральность контента и как ее использовать

Что такое виральность контента и как ее использовать

Пример использования

Яркий пример использования коллаборативной фильтрации – алгоритм Netflix, который называется Cinematch. Во время регистрации пользователю предлагают выбрать любимые фильмы или сериалы. На будущую ленту рекомендаций влияют пол и возраст пользователя, его лайки, время просмотра, добавления в избранное и многое другое. 

Коротко о главном

• Коллаборативная фильтрация относится к рекомендательным системам – изучает мнения одних пользователей, чтобы предложить другим наиболее подходящие товары и услуги.
• Существует 3 типа фильтрации, которые выбирают в зависимости от конкретного проекта.
• У этой технологии есть целый ряд достоинств, но ее нельзя назвать идеальной и универсальной.