{"id":13657,"url":"\/distributions\/13657\/click?bit=1&hash=566d340c54b853eeeda9db62318bf71978b30f8d7cf7d9099caa6c0c5d13ed5b","title":"\u041a\u0430\u043a \u0434\u0438\u0432\u0435\u0440\u0441\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0440\u0442\u0444\u0435\u043b\u044c? \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u00ab\u0437\u0435\u043b\u0451\u043d\u044b\u043c\u0438\u00bb \u043e\u0431\u043b\u0438\u0433\u0430\u0446\u0438\u044f\u043c\u0438","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"d34c044f-5676-50b8-b978-ab47dfaf9fed","isPaidAndBannersEnabled":false}
Machine learning
Celado AI

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.

Понравится видеоплеер человеку E?

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.

0
Комментарии
Читать все 0 комментариев
null