Существует две основных рекомендательных модели – на основе данных о конкретном покупателе и на основе обобщенных данных по всем покупателям.
Рекомендации на основе данных о пользователе
Такие рекомендации строятся на поиске совпадений между данными из профайла пользователя и характеристиками конкретных продуктов.
Для успешной реализации подобной системы необходимы широкие профили пользователей, содержащие несколько ключевых параметров для их сегментации. Часть данных в этих профилях заполняет сам пользователь, остальные данные заполняются автоматически, на основе анализа покупок и просмотров карточек товаров.
Например, для магазина одежды заполняемыми пользователем данными могут быть размер одежды и возраст покупателя. Автоматически заполняемыми – предпочитаемые бренды, цвета, ценовой диапазон, стиль.
После экспертного определения набора тематических параметров нужно установить значение соответствующего параметра для каждого товара.
Минусом такой системы является ее ограниченность. Поскольку она основана на заранее заложенных вами факторах, всегда найдутся такие тематики и параметры, которые вы не учли.
Обобщенная модель рекомендаций
Эта модель строится на основе информации обо всех пользователях, например купленных ими товарах, выставленных ими оценках, или просмотренных страницах.
Для успешной работы такой рекомендательной системы нужен большой объем данных (оценок или покупок), на основании которых будут делаться статистические расчеты и прогнозы. Если данных недостаточно или они дискретные (то есть оценки проставлены не для каждого товара), то рекомендательная система будет ошибаться.
Построенная по этому принципу система может рекомендовать как существующие товары существующим клиентам, так и существующие товары новым, или новые товары существующим.
Отсутствие оценок для пользователя или товара компенсируется, в таких случаях, привязкой товара к тематическому сегменту существующих товаров или пользователей и вычислением средней оценки внутри сегмента.
Еще одним важным компонентом системы рекомендаций должна быть оценка эффективности рекомендации. Взаимодействовал ли пользователь с рекомендованным товаром (просматривал, добавлял в корзину, покупал)? На основе этих данных должно определяться положение конкретного товара в списке рекомендаций для конкретного пользователя.
Пример использования поведенческого таргетинга
Онлайн видео-прокат решил внедрить систему персональных рекомендаций, основанную на истории просмотров фильмов и выставленных пользователями оценок.
Основой для системы стали 20 миллионов оценок по шкале от 1 до 5, которые 480 тысяч клиентов выставили для 18 тысяч фильмов.
Для всех этих оценок были вычислены взаимосвязи между пользователями, фильмами и их оценками, а все фильмы разбиты на сегменты и выведена средняя оценка по сегменту.
Среднее в сегменте является прогнозом оценки для конкретного фильма. Если оценка, данная пользователями, равна или выше среднего по тематическому сегменту – фильм попадает в блок тематических рекомендаций.
Какие тематические сегменты находятся в сфере интересов конкретного пользователя система вычисляет по его предыдущим заказам, а также просмотрам страниц фильмов.
Итоговые рекомендации, выводимые для каждого клиента, сортируются по убыванию прогноза.
Кейс для статьи предоставлен сайтом lifemarketing.ru
Добавить комментарий