Рекомендованный контент на сайте: ради него пользователи готовы пожертвовать своими данными Статьи редакции
Перевод исследования UX-специалиста Nielsen Norman Group Авроры Харли.
Двадцать лет назад Якоб Нильсен утверждал: понятие «персонализация» переоценивают, технология ещё недостаточно развита, чтобы хорошо прогнозировать желания пользователей. Сегодня всё изменилось, и теперь персонализация — развивающаяся тенденция в интернете.
Персонализированные пользовательские интерфейсы могут включать в себя разные элементы: от комбинаций клавиш до цветовых схем. Одна из особенно полезных форм такой персонализации — рекомендации.
Рекомендуемый контент можно встретить в соцсетях, стриминговых сервисах, на коммерческих и новостных сайтах и в других местах. Например, YouTube, на котором есть миллионы видео, показывает пользователю лишь несколько рекомендуемых роликов и каналов.
Исследование
Мы решили узнать больше об ожиданиях пользователей и их ментальных моделях касательно индивидуальных рекомендаций. Для этого провели дистанционное юзабилити-тестирование, в котором приняли участие восемь человек из разных точек США.
В ходе каждой сессии они выполняли разные задачи на двух-трёх сайтах, где у них были учётные записи, и отвечали на вопросы в ходе интервью. Участники знали, что сайты обычно отслеживают просмотренные пользователем страницы, истории покупок и другие данные, чтобы формировать персонализированные предложения.
В целом эти предложения получили высокую оценку. Участники посчитали их полезными, потому что они помогали сузить круг поиска. Чтобы воспользоваться рекомендациями, пользователи были готовы пожертвовать конфиденциальностью данных; они знали, что многие их действия будут отслеживаться и анализироваться.
Подбор контента с помощью рекомендаций
Реакция на рекомендации была положительной у подавляющего числа участников исследования. Предложенные варианты, подобранные в соответствии с интересами пользователей, помогли им избежать перегрузки выбора и «отсеять лишнее», чтобы найти нужное быстрее.
Как и к дружескому совету, к персонализированным предложениям у пользователей было больше доверия. Они считались более релевантными, чем общий продвигаемый контент.
Когда перед участниками ставилась открытая задача — найти то, что их заинтересует, они больше хотели воспользоваться рекомендованным контентом (когда могли его найти).
Сбор данных и конфиденциальность
На вопрос о том, какая информация используется для составления рекомендаций, люди дали чёткие ответы.
Вот типы данных, упомянутые ими в качестве вероятных источников. Первыми в списке стоят варианты, в которых участники были уверены больше всего:
- История — либо прошлые покупки (на сайтах электронной коммерции), либо потребляемый контент (например, видео, песни, воспроизводимые на сервисах).
- Введённые пользователем данные: пол, местоположение, интересы и другая информация, специфичная для контекста сайта.
- Отзывы.
- Сохранённые или «избранные» элементы.
- Просмотренные страницы.
- История поиска.
Оказалось, большинство пользователей хотели бы, чтобы их прошлые покупки, сохранённые элементы и информация в профиле имели больший вес при формировании рекомендаций, чем просмотр страниц.
По их мнению, не все материалы, на которые они когда-либо нажимали, соответствуют запросам. Поэтому они не хотят, чтобы просмотры этих страниц исказили будущие рекомендации.
Пользователи предположили, что некоторые рекомендации основаны не только на их прямой или косвенной деятельности. Они предположили, что есть алгоритмы, которые определяют похожих пользователей или похожие товары.
Ни один из пользователей в исследовании не был сильно обеспокоен вопросом конфиденциальности данных (возможно, частично из-за безобидного характера сайтов, которые мы тестировали). Некоторые из них предполагали, что «других людей» может встревожить этот момент.
Для этих участников отслеживание использования сайта было принято как просто побочный продукт использования интернета в современном мире. Преимущества получения адаптированного контента перевешивали беспокойство за конфиденциальность данных.
Оценка общего и персонализированного контента
Как люди распознают персонализированный контент? Наши участники исследования опирались в основном на очевидные заголовки (например, «когда закончите просмотр, рекомендуем вам посмотреть это видео»). Помимо очевидных показателей они использовали также косвенные признаки: оценивали общую популярность предлагаемого контента и вероятный бизнес-интерес в его продвижении.
Структура сервиса играет большую роль в том, ожидают ли пользователи, что контент будет адаптирован под них.
Пользователь Hello Fresh meal не поверил, что варианты еды были подобраны специально для него. Он отметил несколько рецептов как интересные, но решил, что ничего не изменит. Компания не стала бы готовить блюда по индивидуальному рецепту.
Пользователь Netflix задался вопросом: индивидуально ли подбирается сериал, который всплывает в баннере на главной странице. Подумав, он решил, что у Netflix есть бизнес-интерес в продвижении этого шоу, и поэтому его показывают всем пользователям.
Участники также оценивали популярность контента, чтобы понять, персонализирован он или нет.
Чаще всего они считали, что популярные или наиболее обсуждаемые элементы показывают всем. Менее популярный контент оценивался как индивидуализированный, поскольку в этом случае он явно связан с прошлым опытом пользователя.
Например, пользовательница Eventbrite не была уверена, что события, отображаемые на сайте, персонализированы. Хотя участница часто ходила на подобные мероприятия, она понимала, что много людей посещают их.
Пользователь Hulu не знал, почему на домашней странице ему показывают медицинские драмы. Он предположил, что это могут быть просто популярные шоу. В то же время это мог быть персонализированный контент: его мать иногда смотрела такие фильмы через его аккаунт.
Зато, увидев фантастические драмы, участник решил, что они были подобраны специально для него. Он сделал такой вывод, потому что считал, что эти шоу менее популярны.
Точность рекомендаций
Пользователи в исследовании были снисходительны к неудачным рекомендациям. Многие новые пользователи и нечастые гости сайта отмечали, что не ждут от него точных прогнозов, так как у него недостаточно информации.
Наши участники признали, что рекомендательные системы часто ошибаются, если несколько человек пользуются одним аккаунтом одновременно. Тогда в системе образуется много конкурирующих источников данных, которые необходимо учитывать.
Для пользователей было ожидаемо, что рекомендательные системы несовершенны и они будут ошибаться.
Пользователи игнорируют плохие рекомендации
Пользователи не обращали внимания на неинтересные им предложения и просто продолжали искать нужное. Когда им предложили выяснить, есть ли способ скрыть или отклонить ненужные рекомендации, многие сказали, что даже не думали об этом.
Давать обратную связь по неудачным рекомендациям обернулось бы слишком высокой стоимостью взаимодействия для большинства сервисов, которые мы тестировали. Следовательно, оно того не стоит — проще проигнорировать неподходящее предложение и продолжить скроллить страницу, чем искать, как отрегулировать рекомендации.
Частота появления не сказалась на отношении пользователей к неинтересным рекомендациям. Хотя люди и ждали, что рекомендации постепенно станут лучше, они по-прежнему терпимо относились к неуместным предложениям.
На сайтах интернет-магазинов люди были готовы и даже вынуждены взаимодействовать с системой, чтобы помочь сервису узнать их лучше. Они понимали, что проще обучить рекомендательную систему, чем потом возвращать назад неподошедший товар.
На некоторых сайтах персонализированный контент помогал пользователям при выборе товаров. В этом случае люди были готовы потратить время на взаимодействие с сайтом, чтобы донести до него информацию о своих предпочтениях.
Этот вывод имеет большое значение для выбора алгоритма рекомендательной системы.
Предположим, у вас есть стриминговый видеосервис, на странице которого каждому пользователю можно показать только два рекомендуемых фильма. У вас есть выбор между двумя алгоритмами: алгоритм А выбирает два фильма, которые (средняя оценка) зрители оценили на 80 баллов из 100. Алгоритм Б выбирает два фильма, которые в среднем набирают 90 и 50 баллов.
Таким образом, в случае А средняя удовлетворённость пользователей рекомендуемыми фильмами составляет 80 баллов, в то время как в случае Б она составляет только 70 баллов. Однако алгоритм Б лучше, если ваши пользователи нормально относятся к плохим рекомендациям. Они получат два фильма, один из которых гарантированно им понравится, а на второй просто не обратят внимая.
Как и большинство других аспектов пользовательского опыта, ожидания пользователей относительно вашего сайта зависят от их опыта взаимодействия с другими сайтами. Таким образом, если известные сайты улучшат точность своих рекомендаций, то пользователи будут ждать хороших рекомендаций и от вашего.
Пользователи знают, что сайт отслеживает их действия, и не считают это вторжением в частную жизнь. Они понимают, что с помощью этого сайт пытается понять их, чтобы выдать хорошие рекомендации.
В целом люди позитивно воспринимают персонализацию в виде рекомендаций. Они считают, что таким образом сервис пытается лучше обслуживать своих пользователей, помогая им сузить круг поиска.
Если предложение не подходит, люди его просто игнорируют. Они готовы приложить силы для настройки рекомендаций только на сайтах, где от этого зависит итоговый результат.
Комментарий недоступен
Пока основной целью этого действа будет не помочь, а впарить - для рекомендаторов всех мастей будет всегда наготове отдельный котел в аду.