В основе социальных систем рекомендаций лежат особые алгоритмы, которые анализируют предпочтения пользователей, распознают общие паттерны и пытаются предсказать, какой товар еще может быть интересен конкретному пользователю.
Современные системы рекомендаций способны составить точнейший психологический портрет человека на основании минимальных исходных данных: достаточно знать несколько его любимых фильмов и книг. Иногда достаточно одного-единственного названия (если оно не сильно распространено). После этого можно уверенно прогнозировать, какие товары этот человек захочет купить, да и вообще — к какому классу потребителей он принадлежит с точки зрения психографии.
В развитом потребительском обществе любая система рекомендаций, способная поднять уровень продаж хотя бы на 1%, принесет своему создателю целое состояние. За создание такой системы прямо сейчас можно получить приз в миллион долларов. Неудивительно, что в последнее время на волне бума Веб 2.0 в американском интернете один за другим появляются новые движки рекомендаций в самых разных областях: для музыки, книг, веб-сайтов, телешоу, других людей и т.д.
Раньше системы рекомендаций работали только в определенных группах товаров. Например, зная о покупке одних книг, они могли порекомендовать другие книги. Теперь же такие системы способны «трансформировать» предпочтения из одной товарной реальности в другую. Зная любимый фильм — подобрать одежду. По информации о марке автомобиля выбрать мебель для дома. Система способна подобрать товар по психологическому профилю человека.
Например, в системе What to Rent вы должны пройти необычный психологический тест из двадцати вопросов, в том числе рассказать о своей первой любви. После этого нужно указать, в каком настроении вы находитесь прямо сейчас. Система анализирует всю информацию и выдает на экран название фильма, который вам наиболее подходит. Если вы его уже смотрели, то появляется еще один.
Систему создали два студента-технаря и одновременно видеомана. Они с первого взгляда могут определить любимый фильм практически каждого человека на улице, и вот решили создать компьютерную систему, которая делает то же самое.
Системы рекомендаций вроде What to Rent возникают в интернете как грибы после дождя: MyStrands, StumbleUpon, Pandora.com, CleverSet, ChoiceStream (этот движок используется в iTunes и DirecTV) и многие другие.
Конечно, идея отнюдь не нова. Крупные торговые сети, представители рекламной индустрии давным-давно решают эту задачу. Несмотря на определенные успехи (появление умной интернет-рекламы), исследования в этом направлении продолжаются.
В мире, где царит потребление и реклама, у каждого человека есть потребительский паттерн. Каждый из нас отдает предпочтение тем или иным маркам, брендам, определенным товарам. Даже если человек специально игнорирует бренды — это тоже определенный паттерн, который ясно говорит о том, что именно и каким образом можно продать такому человеку. Современные системы рекомендаций ставят своей целью обнаружить такие паттерны.
Это хороший, очень перспективный бизнес. Особенно сейчас, когда у каждого человека увеличивается архив цифровых данных, по которым можно в доли секунды безошибочно выстроить его потребительский портрет. Архив цифровой музыки в MP3-плеере, коллекция цифровых фильмов, история серфинга, теги и закладки на сайтах Веб 2.0 — и готово. После анализа этой информации человек попался на крючок маркетолога. Теперь он будет получать коммерческие предложения, от которых не сможет отказаться. Дело за малым — создать универсальную систему, которая сможет автоматизировать этот процесс.
Над этой сложной задачей работают сотни различных компаний. Даже бывший киевлянин Макс Левчин (основатель Paypal) создал новый стартап Slide именно в этой области. Он говорит, кстати, что Paypal тоже оснащен чем-то вроде системы рекомендаций: они анализируют профайл каждого пользователя и вычисляют, какова вероятность мошенничества с его стороны.
Возможно, следующий гигант интернет-поиска, так называемый «умный Google», будет создан именно на основе этих компаний новой волны.
Современные системы рекомендаций способны составить точнейший психологический портрет человека на основании минимальных исходных данных: достаточно знать несколько его любимых фильмов и книг. Иногда достаточно одного-единственного названия (если оно не сильно распространено). После этого можно уверенно прогнозировать, какие товары этот человек захочет купить, да и вообще — к какому классу потребителей он принадлежит с точки зрения психографии.
В развитом потребительском обществе любая система рекомендаций, способная поднять уровень продаж хотя бы на 1%, принесет своему создателю целое состояние. За создание такой системы прямо сейчас можно получить приз в миллион долларов. Неудивительно, что в последнее время на волне бума Веб 2.0 в американском интернете один за другим появляются новые движки рекомендаций в самых разных областях: для музыки, книг, веб-сайтов, телешоу, других людей и т.д.
Раньше системы рекомендаций работали только в определенных группах товаров. Например, зная о покупке одних книг, они могли порекомендовать другие книги. Теперь же такие системы способны «трансформировать» предпочтения из одной товарной реальности в другую. Зная любимый фильм — подобрать одежду. По информации о марке автомобиля выбрать мебель для дома. Система способна подобрать товар по психологическому профилю человека.
Например, в системе What to Rent вы должны пройти необычный психологический тест из двадцати вопросов, в том числе рассказать о своей первой любви. После этого нужно указать, в каком настроении вы находитесь прямо сейчас. Система анализирует всю информацию и выдает на экран название фильма, который вам наиболее подходит. Если вы его уже смотрели, то появляется еще один.
Систему создали два студента-технаря и одновременно видеомана. Они с первого взгляда могут определить любимый фильм практически каждого человека на улице, и вот решили создать компьютерную систему, которая делает то же самое.
Системы рекомендаций вроде What to Rent возникают в интернете как грибы после дождя: MyStrands, StumbleUpon, Pandora.com, CleverSet, ChoiceStream (этот движок используется в iTunes и DirecTV) и многие другие.
Конечно, идея отнюдь не нова. Крупные торговые сети, представители рекламной индустрии давным-давно решают эту задачу. Несмотря на определенные успехи (появление умной интернет-рекламы), исследования в этом направлении продолжаются.
В мире, где царит потребление и реклама, у каждого человека есть потребительский паттерн. Каждый из нас отдает предпочтение тем или иным маркам, брендам, определенным товарам. Даже если человек специально игнорирует бренды — это тоже определенный паттерн, который ясно говорит о том, что именно и каким образом можно продать такому человеку. Современные системы рекомендаций ставят своей целью обнаружить такие паттерны.
Это хороший, очень перспективный бизнес. Особенно сейчас, когда у каждого человека увеличивается архив цифровых данных, по которым можно в доли секунды безошибочно выстроить его потребительский портрет. Архив цифровой музыки в MP3-плеере, коллекция цифровых фильмов, история серфинга, теги и закладки на сайтах Веб 2.0 — и готово. После анализа этой информации человек попался на крючок маркетолога. Теперь он будет получать коммерческие предложения, от которых не сможет отказаться. Дело за малым — создать универсальную систему, которая сможет автоматизировать этот процесс.
Над этой сложной задачей работают сотни различных компаний. Даже бывший киевлянин Макс Левчин (основатель Paypal) создал новый стартап Slide именно в этой области. Он говорит, кстати, что Paypal тоже оснащен чем-то вроде системы рекомендаций: они анализируют профайл каждого пользователя и вычисляют, какова вероятность мошенничества с его стороны.
Возможно, следующий гигант интернет-поиска, так называемый «умный Google», будет создан именно на основе этих компаний новой волны.
