Организованная уже в третий раз конференция по технологиям, аналитике и работе с данными в интернет-маркетинге – Yet another Conference on Marketing – была посвящена на этот раз рекомендательным системам.
Организованная уже в третий раз конференция по технологиям, аналитике и работе с данными в интернет-маркетинге – Yet another Conference on Marketing – была посвящена на этот раз рекомендательным системам и собрала около 1,5 тыс. участников, главным образом специалистов в области цифрового маркетинга, студентов соответствующих специальностей и разработчиков маркетинговых технологий.
«Рекомендательные системы способны привести к тектоническому сдвигу в культуре потребления» – таков был главный тезис доклада Виктора Ламбурта, заместителя руководителя подразделения медиасервисов «Яндекса». Эволюция в культуре потребления, по мнению Ламбурта, прошла три стадии: средние века – индивидуальный подход, когда продавец знал покупателя в лицо; XX век – массовое производство для обезличенного потребителя (например, Ford); сегодняшний день – массовая кастомизация, производство товаров и услуг для конкретной аудитории. Как оказалось, эффективность современных рекламных технологий весьма низка и во многом случайна: рекламный плакат предназначен всем и никому из конкретных потребителей товара. Действительно, трудно дать точный ответ на общий вопрос, размещая билборд в местах возможного появления потенциальных покупателей или рекламную картинку в условном прайм-тайме, – история повторяется на другом уровне, и сегодня вновь приходит время персональных рекомендаций, но с несоизмеримо более многочисленной аудиторией, чем жители одного квартала.
Задача современных рекомендательных систем – комплекса алгоритмов, позволяющих предсказать, что окажется наиболее интересно пользователю, — буквально знать потребителей по именам и делать им персональные предложения. Так, посредством сингулярного разложения (Singular Value Decomposition, SVD) можно описать пользователя в виде вектора из N факторов, а товары всех производителей — в виде матрицы; путем их перемножения можно найти конкретного пользователя, которому следует предложить конкретный товар. В проекте «Яндекс.Маркет» за счет SVD и ряда других клиентоориентированных и контент-ориентированных технологий удалось, по словам Ламбурта, на 30% повысить продажи блока «Популярные товары».
Дальше — больше. Предпочтения покупателей далеко не статичны, и, чтобы отслеживать их изменения, каждому покупателю пришлось бы предоставить персонального менеджера, однако физически это невозможно, а с помощью машинного обучения, например на базе алгоритма MatrixNet, вполне достижимо. В конечном счете задача такого «менеджера» – в каждый момент времени и в любой точке пространства предложить потребителю необходимую ему услугу или товар, причем рекомендуя что-то новое, что потенциально может понравиться. Например, предложить послушать музыку исполнителя, работающего в том же жанре, что и любимый певец, или предоставить новые треки того же музыкального стиля. Иначе говоря, не предлагать слушать одну и ту же, однажды понравившуюся музыку, а находить новую, помогая клиенту открывать для себя иные формы. В результате применения таких подходов среднее время прослушивания музыки после перезапуска сервиса «Яндекс.Музыка» выросло за девять месяцев на 70%.
На конференции был объявлен новый проект «Яндекс.Радио», построенный на технологиях рекомендательных систем и машинного обучения и направленный на предоставление слушателям персонально именно той музыки, которую они хотели бы слушать в данный момент. Слушая музыку, потребитель наиболее восприимчив к аудиорекламе, что и было положено в основу бизнес-модели проекта«Яндекс.Радио» – «аудиореклама в распахнутую душу». Днем рождения сервиса стало 4 июня 2015 года.
Отношение к персональному менеджеру в компании «ВымпелКом» озвучил на конференции руководитель программы Big Data Сергей Марин. По его словам, знание клиента «на 360°» позволяет формировать индивидуальные тарифные планы, позволяющие абоненту за те же деньги получать больше услуг. Собственно, в этом и есть суть рекомендательных систем – точно знать, когда предлагать, а когда не предлагать ту или иную услугу или товар. Для наполнения рекомендательных систем конкретным содержимым в компании используют комплекс технологий Больших Данных (Hadoop, Spark, HDFS, GraphX и др.), причем предпочитают обрабатывать все сами, считая, что без знания особенностей бизнеса никакой аутсорсинг задачу создания «персонального менеджера» для абонента не решит.
Драматургия организации продаж, как в хорошем сериале, должна побуждать смотреть очередные серии — возвращаться к продавцу. Александр Хайтин, представляющий подразделение Yandex Data Factory, рассказал в своем выступлении об услугах компании «Яндекс», помогающих ее заказчикам «попасть в клиента». Простая, казалось бы, рекомендация банкам отойти от сегментирования клиентов (пожилым предлагать сберегательные вклады, молодым – кредиты, бизнесменам — премиум-обслуживание) позволила, по словам Хайтина, на 13% повысить прибыль — реальная жизнь сложнее. Глупо, если, например, банк будет предлагать клиенту кредит лишь на основании того, что тот накапливает средства на сберегательном счете, или если магазин станет навязывать своему покупателю еще одни кроссовки, лучше уж предложить ему шнурки или карту фитнес-клуба.
