Персонализация позволяет вам, проанализировав некоторый объем информации о поведении пользователя, выяснить его предпочтения, вкусы и потребности. И, когда вы получаете эти знания, вы начинаете понимать, как сделать своего пользователя счастливым.
Многие из вас встречались с персонализацией в рекламе Google или Яндекса, когда вам показывают объявления в зависимости от контекста просматриваемой сейчас или просмотренных ранее статей. Это контекстная персонализация и она не так эффективна, как хотелось бы. Единственное ее преимущество - скорость обработки данных.
REES46 использует другой способ определения интересов - user-user метод. Суть его в том, что анализируется поведение пользователей, выбираются люди, похожие по вкусам и интересам и уже на основании этого делаются предположения о том, что может понравиться конкретному человеку.
Слишком абстрактно, поэтому пример. Обратите внимание, что мы не знаем, что за предметы интересны людям и что это за люди.
Простой пример для понимания логики:
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgwt81qqDo4Ar5ElktuMpEttXszDDbOX0jmqlmohswo7I8Wczib7zE4_ZcEIqsd_yyPOomSusiCCGNrQq4AAeDZTUe8LAmAWcQ_Mzak0XPD0udampqK_bz7FOosKw7o0RiEUppoQn0rBY8/s1600/similarity-1.gif)
Если обоим пользователям одинаково нравятся синие, красные и зеленые штуки, при этом первому человеку нравится желтая штука, понравится ли эта желтая штука второму? С учетом того, что трех случаях из трех их вкусы совпали, есть очень большая вероятность того, что и в четвертом случае их вкусы тоже совпадут.
Суть персонализации по методу user-user в том, чтобы из нескольких предложенных вариантов выбрать то, что лучше всего подойдет конкретному пользователю.
Чуть более сложный пример:
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgh1ujxT9enP7xGEU0_FF8zgQaEakZBCRNcIAWdxeg4FFGRrV990rnbNojXdenvcNX3F4qaX_OHvOMMrU6tmjYDH5LjZVTTwYlwu980TrH1strC0iW9dss2S4aHzrIu95f62oZJtMXVXTs/s1600/similarity-2.gif)
User A еще не имеет оценки к предметам 4 и 5. Какой из них он выберет с большей долей вероятности? Учитывая то, что единомышленнику не понравился предмет 4, но понравился 5, а в остальном их интересы схожи, предмет 5 понравится пользователю A с большей долей вероятности.
Прелесть этого метода в том, что приватность данных не нарушается - никто на самом деле не знает, что было интересно человеку. И предположение о том, что ему может понравиться, делается только из предложенного выбора вариантов товаров или услуг.
Эта технология используется в нашем сервисе REES46 и позволяет делать очень точные рекомендации для интернет-магазинов, что повышает эффективность продаж на 20-30% в автоматическом режиме.
Многие из вас встречались с персонализацией в рекламе Google или Яндекса, когда вам показывают объявления в зависимости от контекста просматриваемой сейчас или просмотренных ранее статей. Это контекстная персонализация и она не так эффективна, как хотелось бы. Единственное ее преимущество - скорость обработки данных.
REES46 использует другой способ определения интересов - user-user метод. Суть его в том, что анализируется поведение пользователей, выбираются люди, похожие по вкусам и интересам и уже на основании этого делаются предположения о том, что может понравиться конкретному человеку.
Слишком абстрактно, поэтому пример. Обратите внимание, что мы не знаем, что за предметы интересны людям и что это за люди.
Простой пример для понимания логики:
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgwt81qqDo4Ar5ElktuMpEttXszDDbOX0jmqlmohswo7I8Wczib7zE4_ZcEIqsd_yyPOomSusiCCGNrQq4AAeDZTUe8LAmAWcQ_Mzak0XPD0udampqK_bz7FOosKw7o0RiEUppoQn0rBY8/s1600/similarity-1.gif)
Если обоим пользователям одинаково нравятся синие, красные и зеленые штуки, при этом первому человеку нравится желтая штука, понравится ли эта желтая штука второму? С учетом того, что трех случаях из трех их вкусы совпали, есть очень большая вероятность того, что и в четвертом случае их вкусы тоже совпадут.
Суть персонализации по методу user-user в том, чтобы из нескольких предложенных вариантов выбрать то, что лучше всего подойдет конкретному пользователю.
Чуть более сложный пример:
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgh1ujxT9enP7xGEU0_FF8zgQaEakZBCRNcIAWdxeg4FFGRrV990rnbNojXdenvcNX3F4qaX_OHvOMMrU6tmjYDH5LjZVTTwYlwu980TrH1strC0iW9dss2S4aHzrIu95f62oZJtMXVXTs/s1600/similarity-2.gif)
User A еще не имеет оценки к предметам 4 и 5. Какой из них он выберет с большей долей вероятности? Учитывая то, что единомышленнику не понравился предмет 4, но понравился 5, а в остальном их интересы схожи, предмет 5 понравится пользователю A с большей долей вероятности.
Прелесть этого метода в том, что приватность данных не нарушается - никто на самом деле не знает, что было интересно человеку. И предположение о том, что ему может понравиться, делается только из предложенного выбора вариантов товаров или услуг.
Эта технология используется в нашем сервисе REES46 и позволяет делать очень точные рекомендации для интернет-магазинов, что повышает эффективность продаж на 20-30% в автоматическом режиме.
Комментариев нет :
Отправить комментарий