Rekomendacijų sistemos: kaip bendras vartotojų elgesys kuria asmeniškas patirtis

Rekomendacijų sistemos tapo neatsiejama šiuolaikinių skaitmeninių paslaugų dalimi. Nuo „Netflix“ filmų pasiūlymų iki „Amazon“ produktų rekomendacijų – visur veikia algoritmai, kurie analizuoja vartotojų elgesį ir pagal jį pateikia asmeniškai pritaikytą turinį. Tokios sistemos ne tik didina pardavimus ir įsitraukimą, bet ir padeda vartotojams greičiau rasti tai, kas jiems iš tiesų įdomu.

Šiame straipsnyje aptarsime, kaip rekomendacijų sistemos remiasi bendru elgesiu, kokie pagrindiniai metodai naudojami, kokią verslo vertę jos sukuria ir kokie iššūkiai kyla diegiant bei optimizuojant tokius sprendimus. Tekstas orientuotas į verslus, rinkodaros specialistus ir technologijų entuziastus, norinčius geriau suprasti, kaip veikia šiuolaikiniai rekomendacijų algoritmai.

Kas yra rekomendacijų sistema?

Rekomendacijų sistema – tai programinis sprendimas, kuris analizuoja vartotojų duomenis ir elgseną, kad automatiškai pasiūlytų turinį, produktus ar paslaugas, turinčius didžiausią tikimybę būti aktualiais konkrečiam vartotojui. Tai gali būti:

produktų rekomendacijos el. parduotuvėje;
filmų ar serialų pasiūlymai srautinio turinio platformose;
muzikos grojaraščiai pagal klausymosi istoriją;
straipsnių ar naujienų rekomendacijos portaluose;
turinio pasiūlymai socialiniuose tinkluose.

Esminė rekomendacijų sistemų idėja – suprasti vartotojo pomėgius ir poreikius, remiantis istoriniu elgesiu, bei pasiūlyti tai, ką jis greičiausiai pasirinks kitą kartą. Tačiau šis supratimas dažnai nėra pagrįstas tik vieno vartotojo veiksmais – svarbią rolę atlieka bendras visų vartotojų elgesys.

Rekomendacijų sistemos ir bendras elgesys

Viena svarbiausių rekomendacijų sistemų krypčių – kolaboratyvinis filtravimas. Jo principas paprastas: jei daug vartotojų elgiasi panašiai, galima daryti prielaidą, kad jų pomėgiai taip pat panašūs. Taigi, vartotojui galima rekomenduoti tai, ką pasirinko kiti, į jį panašiai besielgiantys žmonės.

Praktikoje tai reiškia, kad algoritmas analizuoja didžiulius duomenų kiekius apie tai, ką vartotojai žiūri, perka, vertina, spaudžia ar prideda į sąrašus. Tuomet nustato panašumus tarp vartotojų arba tarp elementų (produktų, filmų, straipsnių) ir panaudodamas šiuos panašumus sukuria rekomendacijas.

Vartotojų panašumo principas

Įsivaizduokime paprastą pavyzdį. Jei vartotojas A ir vartotojas B abu:

žiūrėjo tuos pačius serialus,
pirko panašias knygas,
aukštai įvertino tuos pačius produktus,

tuomet tikėtina, kad vartotoją A sudomins tai, ką papildomai peržiūrėjo ar nusipirko vartotojas B, ir atvirkščiai. Taip bendras elgesys sukuria vertingą signalą apie tai, kas gali patikti kiekvienam iš jų.

Elementų panašumo principas

Kitas kampas – žiūrėti ne į vartotojus, o į pačius elementus. Jei daug vartotojų dažnai kartu perka du produktus, arba dažnai vieną po kito žiūri du filmus, galima daryti išvadą, kad šie elementai yra susiję. Tokiu atveju rekomendacija skamba taip: „Kiti vartotojai, pasirinkę šį elementą, taip pat pasirinko ir šį.“

Šis principas plačiai naudojamas el. parduotuvėse:

„Dažnai perkama kartu“ (angl. Frequently bought together);
„Panašūs produktai“ (remiantis žiūrėjimo ar pirkimo istorija);
„Klientai, kurie žiūrėjo šį produktą, žiūrėjo ir…“.

Pagrindiniai rekomendacijų sistemų metodai

Rekomendacijų sistemos, remiantis bendru vartotojų elgesiu, paprastai naudoja kelis pagrindinius metodus. Nors jų techninis įgyvendinimas gali būti sudėtingas, koncepcija dažnai gana intuityvi.

Kolaboratyvinis filtravimas (Collaborative Filtering)

Kolaboratyvinis filtravimas – vienas populiariausių metodų, besiremiantis prielaida, kad:

panašūs vartotojai mėgsta panašius dalykus;
panašūs produktai patinka panašiems vartotojams.

Skiriami du pagrindiniai kolaboratyvinio filtravimo tipai:

1. Vartotoju grindžiamas kolaboratyvinis filtravimas

Šiuo atveju algoritmas ieško vartotojų, kurie elgiasi panašiai kaip konkretus vartotojas. Pavyzdžiui, jei vartotojui A patinka tam tikri filmai, sistema ieško vartotojų B, C ir D, kurių filmų vertinimai yra panašūs. Tada vartotojui A rekomenduojami tie filmai, kuriuos B, C ir D įvertino gerai, bet A dar nematė.

Tai tiesioginis būdas pasitelkti bendrą elgesį – kiti vartotojai tampa „kelrodžiais“, padedančiais numatyti, kas patiks konkrečiam asmeniui.

2. Elementu grindžiamas kolaboratyvinis filtravimas

Čia pirmiausia analizuojami elementai (produktai, filmai, straipsniai) ir jų tarpusavio ryšiai vartotojų elgesio kontekste. Jei dažnai kartu vartojami du elementai, jie laikomi panašiais. Tuomet, kai vartotojas domisi vienu iš jų, sistema rekomenduoja kitą.

Toks metodas dažnai yra stabilesnis ir geriau skaluojamas didelėse sistemose, nes elementų skaičius ir jų tarpusavio ryšiai laikui bėgant kinta lėčiau nei vartotojų.

Turiniu grindžiamos rekomendacijos (Content-based)

Nors šis metodas labiau remiasi pačių elementų savybėmis (pvz., kategorija, žanras, prekės ženklas, kaina), bendras vartotojų elgesys taip pat gali padėti geriau suprasti, kokios savybės yra svarbiausios.

Pavyzdžiui, jei daug vartotojų dažnai renkasi panašaus stiliaus straipsnius ar to paties žanro filmus, sistema gali išmokti, jog tam tikros savybės (žanras, tema, stilius) yra esminės ir jas panaudoti rekomendacijoms kurti.

Hibridinės rekomendacijų sistemos

Realiame pasaulyje dažnai naudojami hibridiniai sprendimai, derinantys kelis metodus vienu metu. Pavyzdžiui, sistema gali:

naudoti kolaboratyvinį filtravimą, kad suprastų, ką mėgsta panašūs vartotojai;
naudoti turiniu grįstas rekomendacijas, kad pasiūlytų naujus, dar neatrastus, bet panašius produktus;
įtraukti verslo taisykles (akcijas, prioritetines kategorijas, sezoninius pasiūlymus).

Tokiu būdu gaunamos tikslesnės, patikimesnės ir labiau verslo tikslus atitinkančios rekomendacijos.

Kaip renkami duomenys apie elgesį?

Kad rekomendacijų sistema galėtų remtis bendru elgesiu, pirmiausia reikia turėti pakankamai kokybiškų duomenų. Šiuos duomenis dažniausiai sudaro:

Peržiūros – kokius produktus ar turinį vartotojas atsidaro;
Paspaudimai – ant kurių rekomendacijų vartotojas spaudžia;
Pirkimai – kurie produktai galų gale nupirkti;
Įvertinimai – žvaigždutės, komentarai, atsiliepimai;
Išsaugojimai – norų sąrašai, mėgstamiausi, „vėliau peržiūrėti“;
Sąveikos laikas – kiek laiko vartotojas praleidžia žiūrėdamas tam tikrą turinį.

Šiuos veiksmus sistema fiksuoja ir anonimizuotu pavidalu panaudoja modeliuodama bendrą vartotojų elgesį. Kuo daugiau duomenų surenkama, tuo tikslesnės ižvalgos ir rekomendacijos.

Verslo nauda iš rekomendacijų sistemų

Rekomendacijų sistemos, remiantis bendru elgesiu, sukuria reikšmingą verslo vertę. Pagrindinės naudos yra šios:

Padidintas konversijų rodiklis

Asmeniškai pritaikyti pasiūlymai padidina tikimybę, kad vartotojas:

į krepšelį pridės papildomų prekių;
pasirinks brangesnį ar geriau jam tinkantį variantą;
greičiau priims sprendimą pirkti.

Tokiu būdu rekomendacijų sistema tiesiogiai prisideda prie pajamų augimo ir vidutinio krepšelio dydžio didinimo.

Geresnė vartotojo patirtis

Vartotojai siekia sutaupyti laiką ir pastangas. Rekomendacijos leidžia:

greičiau atrasti aktualius produktus ar turinį;
gauti personalizuotą patirtį be papildomų pastangų;
jausti, kad platforma „supranta“ jų poreikius.

Ilgainiui tai kuria lojalumą ir motyvuoja vartotoją sugrįžti.

Kryžminiai pardavimai ir papildomi pasiūlymai

Remiantis bendru vartotojų elgesiu, galima identifikuoti produktų derinius, kurie gerai veikia kartu. Pavyzdžiui:

klaviatūra + pelė + kilimėlis;
fotoaparatas + objektyvas + dėklas;
telefonas + ausinės + apsauginis stiklas.

Tokie pasiūlymai yra natūralūs, nes atitinka realų klientų elgesį ir poreikius, o ne tik teorinius rinkodaros scenarijus.

Gilesnis supratimas apie auditoriją

Analizuojant bendrą elgesį, galima geriau suprasti:

kokios kategorijos ar prekių grupės yra populiariausios kartu;
kokie sezoniniai elgesio modeliai atsiranda;
kokie vartotojų segmentai reaguoja į tam tikrus pasiūlymus.

Ši informacija naudinga ne tik rekomendacijų sistemai, bet ir platesnei verslo strategijai, asortimento formavimui ir rinkodaros kampanijoms.

Dažniausi iššūkiai ir problemos

Nors rekomendacijų sistemos suteikia daug naudos, jų kūrimas ir palaikymas susijęs su tam tikrais iššūkiais. Ypač, kai jos remiasi dideliais bendro elgesio duomenų kiekiais.

Šalto starto problema

Šalto starto problema atsiranda tada, kai:

atsiranda naujas vartotojas, kuris dar neturi istorijos;
atsiranda naujas produktas ar turinio vienetas, kurio dar niekas nenaudojo.

Kai nėra istorinių duomenų, rekomendacijų sistema negali remtis bendru elgesiu. Tokiais atvejais dažnai naudojama:

populiariausių elementų rodymas;
pagrindas į turinio savybes (kaina, kategorija, žanras);
profilio informacija (jei vartotojas suteikė amžių, lytį, interesus).

Duomenų kokybė ir triukšmas

Ne visi vartotojų veiksmai yra vienodai reikšmingi. Pavyzdžiui, atsitiktinis paspaudimas ant produkto nebūtinai reiškia realų susidomėjimą. Todėl svarbu:

filtruoti netyčinius ar botų sukeltus veiksmus;
atskirti tikrą susidomėjimą nuo trumpų, atsitiktinių apsilankymų;
kombinuoti kelis rodiklius (peržiūra, laikas, pirkimas, įvertinimas).

Kuo geriau sistema supranta elgesio kontekstą, tuo tikslesnės jos rekomendacijos.

Personalizacijos ir privatumo balansas

Rekomendacijų sistemos, remdamosi bendru elgesiu, privalo laikytis duomenų apsaugos ir privatumo reikalavimų. Vartotojams vis svarbiau:

žinoti, kokie duomenys renkami;
suprasti, kaip jie naudojami;
turėti galimybę valdyti savo duomenų naudojimą.

Verslams svarbu užtikrinti atitiktį teisės aktams (pvz., BDAR), taikyti anonimizavimą ir naudoti elgsenos duomenis taip, kad būtų gerbiamas vartotojų pasitikėjimas.

Filtravimo burbulai ir turinio įvairovė

Labai stipri personalizacija gali sukurti vadinamuosius „filtravimo burbulus“, kai vartotojas nuolat mato tik siaurą turinio ar produktų spektrą. Nors tai gali padidinti trumpalaikį įsitraukimą, ilgainiui vartotojas gali pavargti nuo pasikartojančių rekomendacijų.

Todėl pažangios sistemos siekia balanso tarp:

aktualumo – rodyti tai, kas labiausiai tikėtina, jog patiks;
įvairovės – pristatyti naujus pasiūlymus ir skatinti atradimus.

Praktiniai patarimai diegiant rekomendacijų sistemą

Verslams, norintiems pasinaudoti bendru elgesiu grįstomis rekomendacijomis, verta atkreipti dėmesį į kelis praktinius aspektus.

1. Aiškiai apibrėžkite tikslus

Prieš diegiant sistemą, svarbu apsibrėžti, ko siekiama:

didesnio konversijų rodiklio;
didžiausio vidutinio krepšelio;
geresnio turinio įsitraukimo;
vartotojų lojalumo didinimo.

Tikslai padės pasirinkti tinkamiausius algoritmus ir vertinimo metrikas.

2. Užtikrinkite pakankamą duomenų kiekį

Kolaboratyvinis filtravimas efektyviausiai veikia ten, kur yra daug vartotojų ir daug sąveikų. Jei duomenų dar mažai, verta pradėti nuo paprastesnių metodų:

populiarumo paremtos rekomendacijos;
rankiniu būdu sudaryti produktų rinkiniai;
turinio savybėmis grįsti pasiūlymai.

Augant duomenų kiekiui, galima palaipsniui pereiti prie sudėtingesnių, bendru elgesiu paremtų sprendimų.

3. Testuokite ir nuolat tobulinkite

Rekomendacijų sistema nėra vienkartinis projektas – tai nuolatinis procesas. Svarbu:

vykdyti A/B testus skirtingoms rekomendacijų logikoms;
stebėti įtaką pagrindiniams rodikliams (konversijos, krepšelis, laikas svetainėje);
rinkti vartotojų atsiliepimus ir kokybinius įžvalgus.

Taip galima atrasti, kurie sprendimai realiai veikia, o kurie suteikia naudą tik teoriniu lygmeniu.

4. Nepamirškite dizaino ir pateikimo

Net ir tobula rekomendacijų logika bus mažai naudinga, jei pasiūlymai bus blogai pateikti. Svarbu:

aiškiai pažymėti, kad tai rekomenduojamas turinys;
logiškai išdėstyti rekomendacijų blokus puslapyje;
užtikrinti, kad rekomendacijos netrukdytų pagrindinei vartotojo kelionei.

Gerai suprojektuotas rekomendacijų blokas turi papildyti vartotojo patirtį, o ne ją komplikuoti.

Ateities kryptys ir dirbtinis intelektas

Šiuolaikinės rekomendacijų sistemos vis dažniau remiasi pažangesniais dirbtinio intelekto metodais, tokiais kaip gilusis mokymasis ir neuroniniai tinklai. Tačiau net ir sudėtingiausi modeliai iš esmės vis tiek analizuoja bendrą vartotojų elgesį.

Ateityje galima tikėtis dar didesnio:

realaus laiko rekomendacijų, prisitaikančių prie momentinių veiksmų;
multikanalės personalizacijos – kai rekomendacijos derinamos tarp svetainių, programėlių ir fizinių parduotuvių;
aiškumo ir skaidrumo – vartotojams bus aiškiau paaiškinama, kodėl jie mato konkrečius pasiūlymus.

Dirbtinis intelektas leis dar tiksliau modeliuoti elgesį, atsižvelgiant į daugybę signalų ir kontekstų, tačiau pagrindinė idėja liks ta pati: iš daugelio vartotojų bendrų veiksmų nuspėti tai, kas svarbiausia kiekvienam atskirai.

Išvados

Rekomendacijų sistemos, remiančios savo veikimą bendru vartotojų elgesiu, šiandien yra viena svarbiausių personalizacijos priemonių skaitmeninėje aplinkoje. Jos leidžia verslams didinti pajamas, gerinti vartotojų patirtį ir efektyviau valdyti asortimentą.

Nors tokių sistemų kūrimas susijęs su techniniais ir organizaciniais iššūkiais – nuo duomenų kokybės iki privatumo užtikrinimo – tinkamai įgyvendinta rekomendacijų strategija tampa ilgalaikiu konkurenciniu pranašumu. Analizuodamos bendrą elgesį, šios sistemos sugeba suteikti kiekvienam vartotojui individualią ir praktišką pridėtinę vertę.

Investicija į rekomendacijų sistemas – tai investicija į gilesnį savo auditorijos pažinimą ir tvaresnį verslo augimą.