Рекомендательные системы: как это работает
Чем отличаются опытные специалисты от новичков? Почему опытный менеджер по продажам быстрее находит подход к клиенту, а инженер проверяет именно те узлы, которые могли бы сломаться при запуске производственной линии? Дело в опыте. Опыт - установившиеся паттерны в нашем мозгу, созданные на основе многочисленных похожих ситуаций в прошлом. Мы даже не всегда осознаём, что нас сподвигло на такое решение: интуиция, “чуйка”, профессионализм. На самом деле это устоявшиеся связи между нейронами.
Я без труда смогу посоветовать своему другу, какой новый сериал ему посмотреть, и который наверняка ему понравится. Я знаю его интересы, его мнение о других фильмах, книги, которые ему нравятся, поэтому я, скорее всего, угадаю, что его заинтересует, а что нет.
Ту же задачу решает Netflix. У него нет много информации про меня (какие книги я читаю, информацию о всех фильмах, что я смотрел), но есть немного информации про миллионы других людей. В результате алгоритм находит похожих по своим предпочтениям на меня и советует мне фильмы, которые я ещё не видел, а другим, похожим на меня пользователям, они понравились. Аналогично Amazon предлагает мне товары, которые другие люди, покупали вместе с теми, что купил я или похожи на меня по тем товарам, которые я покупаю.
Метод рекомендации, основанный на знаниях, какие товары нравятся другим, похожим на меня пользователям, называется коллаборативной фильтрацией.
Когда пользователей десятки тысяч, а товаров сотни, то выявить верные оценки непросто, в таблице будет много противоречивых и отсутствующих данных.
Тут на помощь аналитикам и приходит машинное обучение, которое решает те задачи, которые не может решить простой алгоритм.
Другой тип рекомендательной системы основан на типе товаров, которые приобрёл пользователь. Например, если речь о фильмах, то система будет сравнивать жанр, длительность, актёров и режиссёра, другие параметры, характерные для фильмов, которые мне нравятся. И на основе этих признаков будут подбираться другие работы, которые я ещё не видел.
Для других классов товаров будут другие параметры. Какие именно, и что именно влияет на предпочтения, должны будут установить специалисты по данным. Для этого есть специальные инструменты и методы.
Разновидностью второго типа предиктивных систем являются системы, построенные на сравнение пользователя не по его товарным предпочтения, а по социально-демографическим признакам и другим параметрам непосредственно покупателя. Мне будут предлагать товары, которые покупали другие мужчины 30-35 лет, живущие в Москве и, например, занимающиеся спортом.
По нашему опыту наиболее эффективно работают гибридные рекомендательные системы, объединяющие как историю покупок (или предпочтений конкретных пользователей) с их социально-демографическими признаками.
Частным случаем рекомендательных систем являются системы для прогноза оттока и персонализации маркетинга, о которых мы говорили в другой статье.
Также есть некоторые особенности для b2b рекомендательных систем. Их мы частично касались в статье об аналитической системе для отдела продаж, но более подробно рассмотрим в отдельном материале.