Сегодня 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 Вити 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 для разных ценовых сегментов потребителей. Это и послужило началом новой эпохи в культуре производства – 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.

Докладчик в качестве  примера 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.

Также современные рекомендательные технологии 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 указанным 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 Витя Ламбут перешёл к Яндекс.Музыке. По его словам, изначально Яндекс.Музыка задумывалась как сервис для поиска музыкального контента.

Осенью прошлого года был представлен заметно обновлённый сервис. Теперь он позволяет открывать и находить новую музыку, незнакомую пользователю, которая может ему понравиться.

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:

Проблема в том, что из 300 постов, транслируемых по радио, всего лишь 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.