Медиапортал

о трансформации

российского бизнеса

Преобразующая сила рекомендаций

Время чтения: 12 мин.
Просмотров: 31

Преобразующая сила рекомендаций

 

Википедия определяет рекомендательные сервисы как «подкласс в системе фильтрации информации, стремящийся предсказать «рейтинг» или «предпочтение», которое пользователь отдает тому или иному продукту». И если технология и цифровая платформа являются важными инструментами для информирования, то и рекомендательные сервисы являют собой больше, чем предполагает это определение.

 

На основе собранных на рынках данных такие системы предлагают наиболее эффективные советы по поиску конкурентоспособных товаров. Переупаковывая прогнозы аналитиков, они выдают необходимые рекомендации, меняя отношения людей к поиску товаров и услуг. В этом качестве самыми эффективными помощниками в сфере интернет-торговли являются рекомендательные сервисы.

 

По словам основателей и генеральных директоров рекомендательных сервисов, они сыграли важную роль в успехе таких цифровых платформ, как Alibaba, Amazon, Netflix и Spotify. Для этих компаний такие сервисы стали не просто инструментами маркетинга или продаж, а факторами, которые обеспечили правильную презентацию товаров и способствовали их инновационности и взаимодействию с массовым потребителем. Отличные рекомендации в интернете значительно повышают лояльность и рост, увеличивая ценность клиента для бизнеса: убедительные рекомендации выгодно меняют товарные предпочтения будущих потребителей.

 

Влияние рекомендательных сервисов не ограничиваются только клиентами или их вкусами. Крупные работодатели, в первую очередь Google, внедрили и адаптировали рекомендательные сервисы в качестве внутренних платформ для повышения производительности, чтобы подтолкнуть своих работников к оптимальным решениям. Так, в конце 2016 года Ласло Бок (Laszlo Bock), старший вице-президент по работе с персоналом в Google, покинул компанию, чтобы запустить Humu, стартап в области рекомендательных сервисов для консультаций по изменению поведения персонала.

 

Несмотря на то что данные все еще остаются важным элементом, глобальные изменения в области рекомендаций отражают глубокие алгоритмические инновации, позволяя искусственному интеллекту совершенствовать технологии глубокого обучения. Успешные рекомендательные системы обучаются непосредственно во время своей работы: чем больше людей ими пользуются, тем умнее они становятся и наоборот. Если все сделано правильно, рекомендательные сервисы позволяют создавать действенные циклы по увеличению добавленной стоимости. 

 

Сетевые подсказки рекомендательных сервисов все больше влияют на осознанный выбор людьми товаров и услуг в интернете. Они также воздействуют на потенциальных клиентов, которым уделяется приоритетное внимание, на поиски экспертов, принимаемых на работу кандидатов, на выбор инвестиций, на редактируемые заметки и графики.

 

Но подсказки не должны заслонять жизненно важный принцип, который делает рекомендательный сервис более действенным: рекомендация – это предложение лучших вариантов, а не навязывание потребителям оптимальных или правильных ответов. Напротив, их смысл и цель — расширение возможностей и инициативы у потребителей. Влияние, а не контроль — вот их алгоритмическая задача. В этом случае, успешная разработка рекомендательного сервиса больше зависит от того, как эти системы стремятся повлиять на предпочтения людей при выборе товаров, чем то, сколько они об этом знают.

 

Такие сервисы трансформируют человеческий выбор. Подобно тому как паровая машина запустила революцию в промышленности, рекомендации меняют влияние на человека в эпоху алгоритмов. Рекомендательные системы процветают, и глубокая цифровая трансформация выбора станет более распространенной по мере того, как рекомендательные сервисы станут умнее. Лучшие сервисы неизменно означают лучший выбор.

 

Помощь клиентам в принятии решений способствует росту бизнеса

 

Покупки, торговля и потребление — вот наиболее очевидные сферы растущего влияния рекомендательных сервисов. «Система рекомендаций является ключом к успеху сайтов электронной коммерции, а также других поставщиков услуг индексирования, таких как Alibaba, eBay, Google, Baidu, YouTube», — отмечают в своей публикации аналитики JD.com, одного из крупнейших китайских сайтов электронной коммерции, описывающей рекомендательные сервисы будущего поколения.

 

Одна из причин заключается в том, что у большего числа людей появляется больший выбор в отношении большего количества возможностей в большем количестве областей, чем когда-либо прежде: Amazon Prime Video, например, предлагает более 20 тыс. фильмов и видео. Каждую минуту на YouTube загружается более 500 часов видео. Ежедневно, в Instagram выкладывается более 50 миллионов фотографий. Это огромное и постоянно растущее количество публикуемых медиа по своей сути сужает окно для принятия взвешенного решения. Поэтому люди, которые хотят сделать свой выбор, все чаще принимают рекомендации искусственного интеллекта. 

 

На Spotify, крупнейшей в мире независимой платформе потоковой передачи музыки с более чем 200 миллионами пользователей, размещено более 50 миллионов песен. Шведский сервис смог достичь такого масштаба, успешно создав сервис рекомендаций и методов взаимодействия с пользователем. 

 

Discover Weekly — лучшая рекомендательная система компании и наглядный пример того, как переосмысление и сочетание алгоритмов по рекомендации коренным образом меняют путь людей к новым товарам. Каждый понедельник клиенты Spotify получают индивидуальный микстейп из 30 песен, которые они, вероятно, никогда раньше не слышали, но, вполне вероятно, полюбят. Незаметно запущенный в 2015 году, когда у Spotify было еще около 75 миллионов пользователей, Discover Weekly была создана и запущена без официальной поддержки.

 

Сходство — секретный ингредиент Spotify. Алгоритмы сервиса обращаются к различным функциям, атрибутам и элементам в погоне для оперативной доставкой приятного сюрприза для пользователя. Алгоритм состоит из совместной фильтрации, обработки языковых пакетов, глубокого обучения нейронной сети и, что наиболее очевидно, того, насколько пользователь любит или слушает песни в разделе «еженедельный плейлист Discover Weekly». Он изучает поведение пользователей и выявляет общие черты между песнями и исполнителями, просматривая журналы их активности, списки воспроизведения пользователей, музыкальные новости и обзоры со всего Интернета, а также необработанные аудиофайлы, используя спектрограммы для фиксирования таких качеств, как темп, тональность и громкость. Затем сервис отсеивает музыку, которую пользователи слышали раньше и рассылает составленные им на заказ плейлисты.

 

При тестировании Discover Weekly в начале 2015 года, специальная команда незаметно разместила его прототип в учетных записях Spotify у всех сотрудников компании. «Все сошли с ума в хорошем смысле, — вспоминал инженер Эдвард Ньюетт, соавтор Discover Weekly, — говоря что-то типа: «это как если бы мой двойник собрал все мои музыкальные предпочтения».

 

Затем приложение Discover Weekly распространили среди 1% пользователей. Это снова привело к всплеску интереса к нему. После этого в середине 2015 года было выпущено приложение для остальных пользователей Spotify по всему миру. Оно быстро стало хитом: за первые 10 недель потребители просмотрели один миллиард рекомендованных треков.

 

Такие компании, как Spotify, делают ставку на то, что помощь клиентам в их выборе (то есть в интеллектуальном развитии) будет способствовать их большей лояльности и прибыльности компании. Данные свидетельствуют о том, что это выигрышный способ. В одном из опросов поставщиков 2019 года утверждалось, что персонализированные рекомендации по продукции составляют почти 31% доходов в мировой сфере электронной коммерции. Исследование Salesforce показало, что Интернет-покупатели в 4,5 раза чаще добавляют товары в корзину и совершают покупки после просмотра с рекомендацией продукта.

 

Netflix отмечает, что 75% того, что люди смотрят в их сервисе, происходит из-за индивидуальных рекомендаций по существующим видам продукции. Независимые исследования убедительно показали, что рекомендательные сервисы прямо или косвенно составляют примерно треть от всех доходов Amazon. Влияние рекомендаций на Alibaba было еще более впечатляющим. Крупнейшая китайская платформа электронной коммерции сообщила, что с первого квартала 2015 года по первый квартал 2016 года (всего за один год) ее рекомендации, усовершенствованные с помощью машинного обучения, более чем в три раза увеличили свое влияние на валовую рыночную стоимость компании (GMV), которые в 2016 году превысили полтриллиона долларов.

 

Очевидно, что здесь кроются неизбежные конфликты интересов: с учетом чьих интересов рассчитываются рекомендации: компании или клиента? Управление этими конкурирующими интересами свидетельствует не столько о технической изобретательности, сколько о корпоративных ценностях. Расширение возможностей пользователей отличается от алгоритмического использования их предпочтений.

 

Рекомендательные сервисы пользуются наибольшей мощью, влиянием и ценностью, когда им доверяют. Пользователи, которые уверены, что рекомендательные сервисы уважают их интересы, будут пользоваться большей популярностью, будучи открытыми для всего нового и неожиданного.

 

Уязвимость таких сервисов создает реальные риски для манипуляции и эксплуатации. Как заметил Дэн Танкеланг (Dan Tunkelang), руководивший исследованием рекомендательного сервиса в LinkedIn: «в тот момент, когда рекомендации получают возможность влиять на решения, они становятся мишенью для спамеров, мошенников и других людей с не самыми благородными мотивами».

 

Технически манипулировать рекомендательными сервисами относительно несложно. Смещать рекомендации в пользу одного бренда, фильма, ресторана, человека или песни по сравнению с другим достаточно просто. Проще говоря — это всего лишь строчка в машинном коде. Чтобы обмануть пользователей ради собственной выгоды, требуется немного изобретательности. Но стоит ли жульничать с прагматической точки зрения?

 

Джефф Безос из Amazon категорически отвергает коммерческое обоснование искажения рекомендаций, которые заслуживают доверия. Он отметил и процитировал поставщика, недовольного готовностью Amazon публиковать критические обзоры, сказав следующее: «один из наших пользователей написал мне: «вы ничего не понимаете в своем бизнесе. Вы зарабатываете деньги, когда продаете вещи. Почему одновременно вы допускаете отрицательные отзывы клиентов?» Когда я прочитал это письмо, то подумал, что мы не зарабатываем деньги, продавая вещи. Мы зарабатываем деньги, помогая клиентам принимать решения о покупке».

 

Рекомендации, которым следуют люди, также многое говорят о том, кем они являются. По умолчанию для большей персонализации требуется больше персональных данных и информации. Наборы данных, кажущиеся разрозненными, могут алгоритмически смешиваться, давая достаточно точные сведения. Никого не должно удивлять то, что исследователи и новаторы во всем мире заявляют о своем желании создать рекомендательные системы, которые будут лучше вас знать, что вам действительно необходимо.

 

Такое стремление к инновациям все более повышает значение безопасности и конфиденциальности. Как и в случае со здравоохранением, информированное согласие становится более важным, поскольку рекомендации становятся более действенными, всеобъемлющими и предсказуемыми.

 

Лучший выбор сотрудников повышает результативность

 

Рекомендательные сервисы способствуют повышению персональной и корпоративной производительности. Например, маркетологи и агенты по сбыту используют рекомендательные сервисы для планирования кампаний и поиска потенциальных клиентов. Руководители предприятий, таких как IBM и Salesforce, используют и предлагают эти рекомендации для продаж, что является отличным примером для растущего значения аналитических данных.

 

SalesPredict, израильский стартап, основанный в 2012 году и приобретенный eBay четыре года спустя, разработал систему аналитики, ориентированную на рекомендации отделам продаж для перспективных клиентов. Компания быстро обнаружила, что, несмотря на нежелание большинства агентов по продажам прислушиваться к чужому мнению, предоставленные данные заставили их поверить в эффективность этого сервиса.

 

«Использование слова «рекомендации» звучит немного неудобно для ряда бизнесменов, и мы точно не хотим таких отношений с Amazon, — заявил соучредитель и генеральный директор SalesPredict Ярон Закай-Ор (Yaron Zakai-Or), — но мы решили пойти именно в этом направлении».

 

Но как лучше всего представить такую аналитику для повышения производительности сотрудников на их рабочем месте? Электронные таблицы, информационные панели и средства динамической визуализации пока не исчерпали себя. И какая риторическая формулировка будет более убедительна в этом случае: «вы должны это сделать» или «руководители хотели бы, чтобы вы обдумали следующие шаги»? В то время как многие инструменты аналитики на рабочем месте явно предлагают оптимальные ответы, другие используют возможности рекомендательных сервисов: надо не диктовать, а лучше рекомендовать.

 

Запущенный в 2011 году сервис по формированию индивидуального стиля для женщин, Stitch Fix достиг доходов в миллиард долларов за счет объединения и масштабирования научных данных с индустрией моды. В 2016 году компания продала одежды на $730 млн, в 2017 году на $977 млн и более чем на $1,25 млрд в 2018 году. В Stitch Fix планируют, что их бренд будет выпускать и мужскую одежду.

 

Объединив аналитику, советы и подсказки в предлагаемый выбор, который влияет как на клиентов, так и на их конкурентов, компания принимает решения на основе собранных данных. «Наука о данных подчиняется непосредственно мне, и Stitch Fix не существовал бы без нее», — заявила основатель и генеральный директор компании Катрина Лейк (Katrina Lake).

 

Опираясь на свою учетную информацию, составленную из 1000 брендов и собственных лейблов, определенный алгоритм в Stitch Fix генерирует индивидуальное предложение для каждого клиента. Этой работой в компании занимаются более чем 3500 внештатных стилистов: без них здесь не обойтись. «Возьмите что-нибудь вроде платья с леопардовым принтом, — рассказывает директор по алгоритмам Эрик Колсон (Eriс Colson). — Машины педантичны: они могут отличить леопардовый принт от гепардового, и у них нет социального осмысления того, что женщине, которая любит леопардовый принт, скорее всего, понравится и гепардовый».

 

Стилист выбирает ежемесячно пять элементов для отправки, описывая, как лучше всего стилизовать и/или дополнить выбранные элементы. Стилисты, располагая необходимыми данными, вносят существенный вклад в процесс отбора. Stitch Fix взимает плату за стилиста в размере $20 долларов за каждую рекомендацию.

 

Разделение рекомендательного труда в Stitch Fix, по словам г-на Колсона, использует идеи в области поведенческой экономики и архитектуры выбора от нобелевского лауреата Даниэля Канемана (Daniel Kahneman), которые он сформулировал в книге «Мышление: быстро и медленно». «Машины берут на себя вычисления, — считает он, — а люди используют интуицию».

 

«Мы не противопоставляем людей и данные друг другу. Нам нужно, чтобы они работали вместе. Мы не обучаем машины вести себя как люди, и мы, конечно, не обучаем людей вести себя как машины. Всем нам нужно признать, что мы склонны ошибаться – стилист, аналитик данных и я сам. Иногда ошибается даже алгоритм. Важно то, что мы продолжаем при этом обучаться», — говорит Эрик Колсон. 

 

При наилучшем варианте развития событий успешные рекомендательные сервисы откроют множество эффективных возможностей для повышения производительности:

 

  • Руководитель поймет, что его сообщения лишены ясности и убедительности и поделится своими посланиями и сообщениями с программным обеспечением IBM Watson Tone Analyzer. Данная программа предложит изменения, придающие его высказыванию силу и сфокусированность.

 

  • Международный руководитель проекта будет стремится поощрить более тесное сотрудничество, взаимодействие и корпоративный дух внутри своей команды. Ее рекомендательный сервис выполнит анализ социальных сетей, расставит приоритеты и проверит эффективность общения.

 

  • Технически компетентный, но не обладающий необходимой мотивацией проектировщик пользовательского интерфейса будет выглядеть смелее в творческом плане. Его визуальные рекомендации предложат необходимые прототипы изображений и макетов, основанные на аспектах творческого и/или смелого дизайна UX. 

 

В каждом отдельном случае не существует универсального ответа. Вместо этого сотрудники получат ясный и убедительный выбор, который будет сформирован машинным интеллектом.

 

С технологической точки зрения близок тот день, когда инструменты ключевых показателей эффективности (KPI) смогут определять, в настроении ли сотрудники принимать советы, отвечать на рекомендации или перекинуться парой слов с начальником. Эти более детализированные данные и аналитика могут стать важными элементами для повышения личной производительности. В этом случае рекомендательные сервисы смогут дать еще более точные подсказки и рекомендации в нужный момент.

 

Продолжающийся процесс продвижения инноваций в сфере машинного обучения, искусственного интеллекта, дополненной реальности и нейронных технологий делают рекомендации более всеобъемлющим и важными инструментами в работе. Будущее этой сферы обещает стать не только более персональным, но и более информированным и преобразующим по тем способам, которые научатся безотказно демонстрировать интуицию в долгосрочной перспективе.

 

Эти возможности несут как огромные возможности, так существенные угрозы. Перефразируя Уинстона Черчилля, мы еще далеко не подошли к началу конца инноваций в рекомендательных сервисах. Однако, можно справедливо заметить, что мы находимся в конце начала.

 

Об авторе:

Майкл Шраге (Michael Schrage) — научный сотрудник Инициативы по цифровой экономике MIT Sloan School of Management. Он является автором «Двигателей рекомендаций» (MIT Press, 2020), из которых адаптирована эта статья. 

25.01.2021
Шесть принципов простоты
Как модель «шестиугольника действий» помогает лидерам правильно расставить приоритеты в своей работе
То взлет, то посадка
Из-за задержек с вакцинацией в Европе и ужесточения ограничений на международные поездки авиационная отрасль терпит убытки
Три совета для бизнес-лидеров
Как изменится бизнес после пандемии и что руководителям компаний ожидать в долгосрочной перспективе?
В чем сила доверия
Как восстановить авторитет бизнеса и государственных структур на фоне общего разочарования их действиями в пандемию
Как пандемия трансформировала рынок труда в США
Компания Deloitte выяснила, как удаленная работа из дома изменила повседневные привычки американцев и чем это обернулось для экономики Соединенных Штатов
Страховщики не торопятся в офисы
Согласно недавнему опросу руководителей страховых компаний по всему миру, большинство респондентов планируют вернуться к офлайн-работе не раньше 2022 года
logo
logo
logo
logo
logo
logo
logo
logo
logo