Я захожу в McDonald’s, говорю молодой девушке за кассой:
— Здравствуйте. Мне гамбургер [29 рублей], картошку фри [31 рубль] и «кока-колу» [34 рубля].
— Пирожок [38 рублей] не желаете?
— Почему бы и нет, давайте.
Эта статья про пирожок за 38 рублей, который может стать третью прибыли мировой компании. То есть про рекомендации. Статья была опубликована на Look At Me.
38 рублей моего заказа составляют 29% денег, которые я заплатил девушке за кассой, и если бы я был недоволен жизнью, я бы изобразил этот факт вот так:
Стоимость пирожка, рекомендованного продавцом в McDonald's.
Покупаете ли вы помидоры, сотовый телефон или спички, — грамотный продавец всегда невзначай спросит, не забыли ли вы купить огурец, чехол или газовую плиту. Блестящий продавец учтет при этом ваш статус, поведение и возраст. Улыбаться покупателям не всегда достаточно, надо помогать им делать выбор.
Время диктует свое — теперь множество продавцов электронные. Это удобно, ведь можно купить вещь, не выходя из дома!
Но как порекомендовать живому человеку хоть что-нибудь, если ты — компьютер?
Я — компьютер
Я не знаю, сколько зарабатывает McDonald’s на рекомендациях пирожков и картошки фри, но данные от электронных магазинов иногда просачиваются. Вот например, есть слух про amazon.com, у которого ссылка на рекомендации на одном уровне с логотипом.
На сайте крупнейшего интернет-магазина amazon.com, ссылка на рекомендации на одном уровне с логотипом
Чтобы порекомендовать вам что-то, компьютеры сначала исследуют ваш вкус. Есть много разных параметров, по которым можно отследить, какой у вас вкус:
- какие страницы вы смотрите чаще;
- какие товары покупаете;
- какие кладете себе в вишлист;
- как вы оцениваете те или иные вещи;
- что вы рекомендуете друзьям;
- что нравится вашим друзьям.
Используя эту информацию, компьютеры подходят к рекомендациям с двух сторон и получаются человекоориентированные и продуктоориентированные рекомендации.
Человекоориентированные рекомендации
Классическим примером является сервис Last.fm. Он находит людей, которым нравятся песни, нравящиеся вам. Если этим людям нравится что-то, о чем вы еще не слышали, сервис рекомендует это вам. Это выглядит так:
Алгоритм рекомендаций музыки на Last.fm.
Будь я компьютером, посоветовал бы ABBA. Так компьютеры и делают.
Продуктоориентированные рекомендации
Ученые из Amazon.com (так круто, что в магазине работают ученые!) одними из первых решили, что компьютерам легче отталкиваться не от похожести людей, а от похожести вещей.
И они начали искать не людей со схожими вкусами, а товары, которые похожи на те, что нравятся вам. Это выглядит так:
Рекомендации, отталкивающиеся не от похожести людей, а от похожести вещей.
Компьютер посоветует BMW и Apple. Ну, вы и так поняли.
Может показаться, что эти способы почти ничем не отличаются. Но компьютеры — чувствительные штуки, и для них все очень важно.
Узнать вкус всех человеков!
И это не самое сложное. Сложнее всего понять, насколько совпадают вкусы людей или насколько похожи две вещи друг на друга. Однажды я уже рассказывал про трехмерное пространство, но когда имеешь дело со вкусами людей, в дело вступают пространства пострашнее.
Например, у вас есть магазин и там продается около тысячи вещей. Тогда вам понадобится производить операции в тысячемерном пространстве, чтобы узнать вкусы ваших покупателей. Это не очень-то просто, потому что даже четырехмерное пространство — черт знает что.
Давайте для простоты будем продавать только два товара, чтобы узнать, кто на кого похож — практичные сапоги Hunter и еще более практичные коричневые трусы American Apparel.
Шкала вкуса такова — от 100 (полный восторг) до —100 (полное отвращение). Допустим, Круглый полностью восторжен трусами, но лишь наполовину восторжен сапогами. Можно изобразить его вкус следующим образом:
Графическое изображение вкуса пользователя.
Про Яйцеголового нам известно меньше — трусы ему нравятся очков на 60. Как компьютеру посчитать, насколько ему понравятся сапоги?
Графическое изображение вкуса двух пользователей.
Эта формула — обычная пропорция, которой всех учат в школе. Ничего сложного, но сложности начинаются, как только товаров больше двух. Сразу в дело вступают косинусы углов в n-мерном пространстве и другие штуки.
Так что остановимся на двух товарах. Уверен, суть вы уловили.
Проблемы компьютерных рекомендаций
Если вы спросите у друга: «Где поужинать сегодня?», а он ответит вам: «Сходи лучше в кино на Скотта Пилигрима!», то вы не удивитесь, и даже есть вероятность, что променяете ужин на кино. Но если вам в ответ на запрос так скажет Google, вы подумаете, что сломали самый популярный поисковик на планете. Это проблема, но, вероятно, временная.
Принятие рекомендации в рассмотрение — вопрос психологии. Многие не доверяют рекомендациям от людей, куда уж там компьютерам справиться. Есть люди, которые по вредности своей терпеть не могут любые рекомендации. Статья с таким названием, как эта, им понравиться не может в принципе. Но ради них я не стал назвать ее: «Вам абсолютно точно не понравится эта статья».
А еще многие люди изменяют свои вкусы, чтобы приблизится или войти в социальную группу. Вы видели как на некоторых сидят узкие джинсы? Так что ваш вкус это не всегда ваш вкус.
Кто может использовать компьютерные рекомендации?
Если у вас есть какие-то данные о предпочтениях кого-либо, то — вы.
Вы читаете сайт Look At Me? Наверняка есть такое место, где записано, чему пользователи ставят плюсики, чему — наоборот. Что кладут в избранное. Значит, можно применить известные алгоритмы к этой информации и советовать читателям разные штуки. Вот, например, пост, вышедший полтора года назад. Я его не читал до сегодняшнего дня, но если бы мне посоветовали, я бы с удовольствием.
И так не только с Look At Me, а буквально везде, где люди могут высказать свое отношение к чему-либо.
Давать советы дело неблагодарное, но зачастую — выгодное.
Также, про мотивацию людей в современном мире действовать исходя из рекомендаций читайте интервью Александра Новикова «Человеческого в нас будет оставаться все меньше».
Сossa.ru
