Итоги RIW «Рекомендательные системы – новый тренд Рунета: проблемы и выгоды»

Неделя Российского Интернета RIW Круглый стол «Рекомендательные системы – новый тренд Рунета: проблемы и выгоды».

Ведущая:
Елена Лебедева, PR-директор Имхонета

Спикеры:
Александр Долгин, управляющий Имхонетом, профессор ГУ-ВШЭ
Елена Кузнецова, руководитель проектов «Афиша»
Александр Пятигорский, генеральный директор gooroo.ru
Иван Волченсков, начальник Управления развития услуг АКАДО
Александр Сергеев, научный редактор «Вокруг Света»
Ведущая: В последнее время наблюдается настоящая мода на рекомендательные сервисы. В связи с этим чему только не присваивают это громкое имя. Даже простейшую «голосовалку», установленную на сайте и просто выводящую рейтинг, гордо именуют рекомендательным сервисом. Откуда такой ажиотаж? Рекомендательные сервисы улучшают навигацию, что необычайно актуально в ситуации стремительно нарастающих объемов контента. Установка рекомендательного функционала приводит к вполне осязаемым экономическим эффектам: по опыту Имхонета, число просмотров страниц увеличивается на 24 процента, продажи – на 18. Плюс рекомендательные системы создают предпосылки для ряда нетривиальных схем монетизации (например, высвечивают нереализованный спрос) и т.д. Все это вместе взятое и подогревает моду на рекомендации.
Между тем рекомендательные системы бывают абсолютно разными. Я передаю слово Александру Долгину, которого прошу начать с обзора рекомендательных сервисов, их специфики, для какого ресурса какой рекомендательный сервис оптимален.

Александр Долгин: Не думаю, что имеет смысл подробно останавливаться на том, зачем вообще нужны рекомендательные сервисы. Уровень зашумления в зале, где мы сейчас пытаемся наладить осмысленный разговор, является прекрасной иллюстрацией к моему выступлению, потому что эти помехи – ничто по сравнению с тем, насколько зашумлена информационная и продуктовая среда, в которой мы все живем.
Как верно отметила ведущая, под терминами «рекомендательный сервис» и «рекомендации» сейчас понимаются совершенно разные вещи. Рекомендация в самом общем смысле – это просто указание на то, что объекту присуща некая повышенная ценность. Это указание может быть представлено по-разному. Например, продавцы таймшеров, процветавшие 10 лет назад, в определенном смысле выступали рекомендантелями: они говорили, что есть хорошая услуга, которая позволяет вам то-то, то-то и то-то. Рейтинги, чарты, билборды тоже выполняют рекомендательную функцию, информируя о том, что в среднем приглянулось большому количеству людей. Профессиональные издания, публикующие статьи критиков и экспертов, репортажи о конкурсах и фестивалях – тоже своего рода рекомендации. Советы брендов, рекламщиков и продавцов – еще одна форма рекомендаций. Даже простые разговоры в кругу близких и знакомых, обменивающихся своим мнением, попадают под гриф рекомендации. И у всех этих разных видов рекомендаций сегодня есть площадка в интернете. И каждый сайт, где один человеку другому рассказывает что-то в режиме потоковой ленты, претендует на статус рекомендательного.
Я предлагаю вам ряд критериев, с помощью которых можно структурировать все это рекомендательное пространство.
Первый принцип – это степень автоматизации в выдаче рекомендаций. Здесь существует два полюса. С одной стороны – «ручной способ»: то есть, потребитель читает потоковую ленту текстов и выбирает оттуда то, что ему интересно. Другой полюс – абсолютно автоматизированные рекомендации, когда одним кликом можно получить некую специализированную информационную выборку. В некотором смысле к рекомендательным системам можно отнести и поисковики, которые выдают ответы на запросы, устанавливая приоритет в соответствии с репутацией источника информации. Существует и целый ряд промежуточных с точки зрения степени автоматизации технологических решений.



Универсальная рекомендательная система Имхонет www.imhonet.ru, которую я представляю, занимается автоматизированными рекомендациями, то есть быстрыми, высокоточными, не обрекающими пользователя на «раскопки» в потоковой ленте. Это не означает, что этим уровнем рекомендаций все ограничивается – помимо автоматически генерируемых прогнозов на сайте есть еще много точек входа, позволяющих уточнять рекомендацию. В качестве метафоры я приведу образ путешественника, который на другой континент добирается самолетом, из аэропорта в гостиницу – на такси, а последние метры проходит пешком. Потому что сразу отправляться на другой континент пешком долго, так же затруднительно выискивать и нужную информацию в потоке. Значит, необходимо разделить поиск на несколько этапов, задействуя различные способы (например, по знаковому произведению или через профили критиков с совпадающими вкусами) и добиваясь все более прицельной выборки.

Второй принцип, по которому можно классифицировать рекомендательные сервисы, – это чьи интересы они представляют. Здесь тоже возможны два варианта – системы, которые работают на производителя, агента, продавца, промоутера, и сервисы, которые стоят на страже интересов потребителя, помогая ему сделать непрограммируемый, ненавязанный выбор. В первом случае система помогает продавать. Исторически сложилось так, что большая часть рекомендательных сервисов возникла как подразделения продавцов, потому что это была единственная возможность для них монетизировать свои услуги и заработать деньги. Точность выдаваемых рекомендаций тут невысока, что, впрочем, соответствует целям продавца. Например, когда в знаменитой рекомендательной системе «Амазон» вы получаете информацию такого рода: «Вот книга, которую купил человек, купивший ту же книгу, что и вы», – ее цель не выдать вам точный прогноз, а сориентировать в некотором удобном продавцу направлении. Система не знает, зачем человек купил эту книгу. Для себя или кого-то другого. Главное, не знает, понравилось ли ему купленное. Создается богатейшее поле для недомолвок, выгодных для дистрибуции.
Наконец, третий принцип классификации рекомендательных систем – это то, на основе каких сигналов строится прогноз: прямых или косвенных. Например, человек говорит своему другу и единомышленнику: «Я посмотрел этот фильм и он мне понравился, сходи, посмотри». Это прямой сигнал от потребителя к потребителю. А можно сформулировать по-другому: 10 тысяч человек посмотрели некий фильм – по статистике посещений он получается «самым лучшим» – сходи тоже посмотри. Во втором случае потребителя ориентируют всего лишь на действия его предшественников, но не на результат, который они реально получили. На этом строится промотехнология в киноиндустрии, когда важно обеспечить высокие кассовые сборы первого уик-энда, потому что это автоматически запускает так называемый неинформативный информационный каскад. И зачем люди идут в кино? Просто потому, что так поступили застрельщики.
Существует много косвенных методов вычисления информации о намерениях. Проблема в том, что все они неточны. Сегодня в интернете постоянно собирается и анализируется информация о том, на что пользователь обратил внимание: что полистал, на чем и сколько задержал взгляд и т.п. На основе этой статистики делают выводы о его истинных намерениях. Однако зазор между тем, что человек намеревался приобрести, за что он в конечном итоге заплатил, и результатом, который он в итоге получил, – очень большой. Это создает поле для существенных ошибок и неэффективного выбора.



Рекомендательный сервис imhonet.ru, который я развиваю, рассчитывает прогноз исключительно на основе прямых постфактумных сигналов, исходящих от самих потребителей, которые обмениваются мнениями о том, насколько им действительно понравилось то или иное произведение. На мой взгляд, это самая релевантная, достоверная и полезная информация. Ее качество определяется тем, сколько людей участвует в системе – если их мало, то и поле для обмена опытом небольшое. Это открывает дорогу для эффективных партнерских программ между различными сайтами, специализирующимися в разных областях, потому что наладить такую систему в рамках одного небольшого сайта довольно трудно: не хватает людей и их оценок. Коллективно это сделать проще и эффективнее.
Итак, подводя итоги, можно сказать, что качество рекомендательного сервиса определяется, во-первых, степенью автоматизации выдачи рекомендаций, во-вторых, чьим интересам он служит (торговли или потребителя), и, в-третьих, на какие сигналы опирается (прямые или косвенные).
Не углубляясь особенно в сложную область собственно высчитывания рекомендаций (существует целый ряд методов), остановлюсь на двух из них. Первый основан на кластеризации пользователей. Например, мы можем предположить и статистически выявить, что покупатели определенной зубной щетки предпочитают такую-то зубную пасту. Или что люди со средним достатком отдают детей в определенные детские сады и ездят на работу на велосипеде (как это происходит в Голландии). Исходя из этого, мы группируем людей в кластеры и тем из них, кто еще не купил велосипед, советуем: купи, потому что все подобные тебе уже сделали это.
Второй метод называется коллаборативным, от англ. collaborative – «сотрудничество» (именно он лежит в основе Имхонета). В этом случае люди подбираются не на основании абстрактных предположений о том, как должно быть, а на основании четких фактов того, что человек потребил и как оценил продукт потребления.

Вопрос из зала: Собираемая вами информация по профилю пользователя является персональными данными, защита которых гарантирована законом. Насколько на вашем сайте эти данные открыты и какие перспективы развития именно в этом направлении?

Александр Долгин: Все права по управлению личными данными находятся в руках пользователя. Он может публиковать то, что ему нравится, что он любит, с кем дружит, а может включить режим анонимности, приватности.

Ведущая: В нашем круглом столе участвует еще одна компания, внедрившая у себя коллаборативный рекомендательный сервис, – это «Афиша». Я передаю слово Елене Кузнецовой и прошу ее остановиться подробнее на специфике их сервиса.

Елена Кузнецова: Я бы хотела рассказать, как мы на практике применяем различные методы рекомендаций. «Афиша» – это сайт о развлечениях, одна из его основных целей – помочь пользователю в выборе способа проведения досуга. И рекомендации тут очень нужны. Мы предлагаем пользователю рекомендации разного уровня. Во-первых, предоставляем полную информацию о том, какие есть возможности по развлечениям в городе, где он живет: расписание кино, театров, спортивных событий, телепрограмма и так далее. Во-вторых, публикуем в сети каталоги фильмов, телепередач, книг, заведений, которые можно посетить (рестораны, клубы, театры и т.д.). Поскольку объем информации очень большой, то мы предоставляем пользователю достаточно хорошие, на наш взгляд, средства навигации и поиска.
Что касается непосредственно рекомендаций, то они у нас многослойные.

В первую очередь, наша редакция ежедневно выбирает по каждой теме самые главные события – это исключительно ручные рекомендации. Второй уровень – это рецензии уважаемых критиков, которые заслужили доверие читателей и пользователей. В-третьих, это рецензии и оценки самих пользователей: ежемесячно мы получаем порядка 300 тысяч оценок и около 3 тысяч рецензий на объекты (фильмы, рестораны, пр.). Затем существуют персонифицированные инструменты выбора – в частности, рецензии и оценки друзей пользователя. Это не просто лента рецензий, а мнения только тех людей, которым пользователь доверяет и которых хочет видеть в качестве своих рекомендателей. И, наконец, последнее – коллаборативный метод рекомендаций «Киноробот». Она основана на алгоритме Slope One и пока работает только для фильмов. Если кратко формулировать ее принцип, то система рекомендует вам фильмы, которые вы еще не оценили, но которые понравились пользователям, которым понравились те же фильмы, что и вам.

Кроме того, «Киноробот» учитывает сходство жанра рекомендуемого фильма c жанрами тех фильмов, которые вы уже оценили, а также учитывает новизну объекта и средневзвешенную оценку. То есть, плохие фильмы мы не рекомендуем в принципе, даже если где-то что-то и совпало.

Ведущая: Вопрос на уточнение: кто решает – хороший это фильм или плохой? Редакция?

Елена Кузнецова: Нет, это определяется по средневзвешенному рейтингу. Если он ниже определенного значения, то этот фильм в рекомендации не попадет.

Александр Долгин: Фильмы Феллини у вас получаются хорошими или плохими?

Елена Кузнецова: Хорошими.

Ведущая: У них высокий рейтинг?

Елена Кузнецова: Достаточный для того, чтобы попасть в рекомендации.

Вопрос из зала: При выдаче рекомендаций кому отдается предпочтение – мнениям экспертов, друзей или мнению неизвестного большинства? Потому что одно дело, когда тебе советует человек, который тебя лично знает и с которым ваши вкусы примерно совпадают, и другое – обобщенный, средневзвешенный рекомендатель.

Елена Кузнецова: Сейчас на сайте автоматизированные рекомендации выдаются без учета оценок отдельных критиков и отдельных оценок друзей. Хотя у нас есть небольшой проект, где мы генерируем рекомендации для нескольких людей одновременно: например, что может понравиться вам и вашей подруге, куда бы вы смогли пойти вместе.
Мне хотелось бы рассказать о совмещении различных методов выдачи рекомендаций – автоматизированных и неавтоматизированных.
По приведенной таблице видно, для каких объектов какие методы работают лучше всего. Согласно нашим наблюдениям, коллаборативные рекомендации очень хорошо работают для объектов, которые со временем не меняются, – старых фильмов, книг, дисков и т.п. Рецензии и оценки для них тоже работают неплохо, но, поскольку произведений очень много, чтение рецензий превращается в трату времени. Редакционный выбор в этом случае тоже не очень работает, потому что написать рецензии на все объекты просто невозможно.
Однако, что касается новых, вновь появляющихся произведений, то нам не очень понятно, как тут можно использовать коллаборативные рекомендации, потому что оценок на произведение либо еще нет, или их слишком мало для того, чтобы алгоритм был эффективен. В случае новинок, на наш взгляд, гораздо лучше работают редакционный выбор и рецензии критиков. Необходимо учитывать, что среди нашей аудитории большой процент новаторов, а для них важно получить рекомендации именно на новые произведения.
Еще более усложняется ситуация, когда дело касается событий. Мы предполагаем, что есть некоторые подходы и методы, которые могли бы автоматизировать подобные рекомендации. Но следует учитывать, что событие существует либо в будущем времени, когда на него еще нет оценок, либо в прошедшем, когда рекомендовать его уже бесполезно. Поэтому не очень понятно, каким образом коллаборативные рекомендации могут работать в данном случае.
Александр Долгин упомянул также места, заведения, рестораны, гостиницы. Проблема в том, что со временем они могут меняться: ушел шеф-повар, изменились цены и так далее, в результате выставленные ранее оценки перестают соответствовать действительности. И отследить это совершенно невозможно, вернее, возможно, но тут большую роль играет количество оценок. Думаю, что по заведениям гораздо эффективнее работает просто лента рецензий, где можно прочитать, что конкретно человеку понравилось, что не понравилось.
Самый главный вопрос, который для нас до сих пор остается открытым: как определить качество работы рекомендательного алгоритма? Хорошие рекомендации он дает или нет? Чтобы протестировать нашу собственную рекомендательную систему, мы в том числе отсматривали собственные персональные рекомендации и каждый из нас решал: совпадают они с нашим мнением или нет. Однако, конечно, это не может использоваться в качестве подхода.

Ведущая: Прозвучали, минимум, три вопроса. Как решается ситуация с новым произведением? Как работают коллаборативные системы в таких сложных областях, где на смысл и качество рекомендаций влияет сразу несколько факторов? Как определяется качество выдаваемых рекомендаций?

Александр Долгин: Начну с последнего вопроса. Существует элегантное решение, которое используется во всем мире. У рекомендательного сервиса есть большая база оценок, (например, 100 миллионов). Некоторая часть этой базы – допустим, 20 миллионов – закрывается, и на основании оставшихся данных сервис пытается рассчитать эти неведомые ему на момент эксперимента оценки. А потом сравниваются вычисленные оценки с реальными. В частности, рекомендательный сервис по кино Netflix объявил конкурс с призовым фондом в 1 миллион долларов в поисках тех, кто сможет улучшить их рекомендательный алгоритм. Проверка там велась именно таким способом. В принципе, Елена упомянула именно этот опыт: каждый сравнивает спрогнозированные рекомендации с собственным мнением и решает, угадала система или нет. Но в единичных случаях возможны отклонения. А при большой статистике ошибок не бывает.
Что касается прогнозов по новым произведениям, то тут тоже все не так скверно: произведения гастролируют по миру; фильм, только появившийся на афишах Москвы, в Америке уже посмотрели; критики уже отписали по нему рецензии, есть импортная база оценок и рецензий – мы ею пользуемся.
События тоже имеют некоторую протяженность во времени: если Венецианская бьеннале интересная, то люди скажут об этом в первые два дня, а длится она два месяца. Для каждого усложнения и для каждой особенной задачи существуют технологические решения. Необходима только большая пользовательская база и вычислительные мощности.

Ведущая: За круглым столом присутствует представитель компании АКАДО, на сайте которой сейчас внедряется рекомендательный сервис. Иван, Вы видите проблему с несколько другой стороны – не как разработчик, а как пользователь ресурса, из которого ожидаете извлечь определенные бонусы, выгоды, дивиденды. Какие именно?

Иван Волченсков: На примере АКАДО я хотел бы рассказать о необходимости рекомендательных систем для операторов доступа. Оператор АКАДО предоставляет три базовых услуги доступа: интернет, цифровое телевидение и телефония.



Все подобные нам операторы доступа стремятся наполнить свои услуги дополнительным контентом и сервисами. Поскольку, как нам кажется, в ближайшее время борьба за потребителя будет идти не только на уровне привлекательных цен, но на базе количества, качества и удобства дополнительных сервисов по каждому из этих трех направлений.





Мы стали развивать дополнительные сервисы примерно 2,5 года назад. В результате мы предлагаем достаточно много услуг, где наши абоненты сталкиваются с проблемой выбора.



Например, сервис по продаже музыки: сейчас у нас 200 тысяч треков, к Новому году эта цифра достигнет 1 миллиона, и нашим пользователям будет довольно трудно ориентироваться в этом информационном пространстве. Согласно существующей статистике (например, касательно таких крупных операторов, как «Америка онлайн»), 90 процентов треков, предлагаемых на ресурсе, ни разу не скачивались. Та же проблема с играми: их существует огромное количество, стоят они недешево и цена ошибки при неправильном выборе очень высока. Человек хочет заранее понять, какую игру ему купить. То же самое происходит с софтом, книгами и т.п. В ближайшем будущем мы запускаем сервис «Видео на заказ», где нашим абонентам нужно будет выбирать, какой фильм посмотреть. Мы стараемся помочь нашим пользователям и собираемся решить эту проблему с помощью рекомендательной системы, которая облегчит потребление товаров и услуг на наших ресурсах. По нашему мнению, это приведет к повышению продаж, так как пользователи будут удовлетворены покупкой, релевантной их вкусам. Соответственно, будет повышаться лояльность клиентов, что является еще одним хорошим результатом.
Как мы собираемся реализовывать эту программу? Первоначально мы думали о разработке собственной рекомендательной системы, но осознали, что это довольно кропотливая работа. Год назад мы встретились с представителями компании Имхонет, провели свои исследования и поняли, что наилучшее решение для нас – это партнерская программа с Имхонетом по внедрению рекомендаций на сторонние ресурсы. Наше исследование показало, что сделать это будет довольно просто и повлечет за собой массу преимуществ. В первую очередь – «горячий старт». Здесь уже говорилось о том, что довольно трудно продавать новые продукты и товары, на которые нет готовых рекомендаций. Для нас Имхонет хорош именно тем, что там эти рекомендации уже существуют. Например, программа телепередач.
Мы предлагаем цифровое телевидение с более чем 150 каналами. Но что именно смотреть? У пользователей возникает проблема с выбором программы передач, за ней следует разочарование в цифровом телевидении, и люди возвращаются к Первому каналу, РТР, НТВ и смотрят рекламируемые передачи.



Поэтому мы решили разработать направление «персонального телевидения», то есть формировать персональную программу передач для конкретного абонента, исходя из доступных нам каналов. Специальное программное обеспечение будет предлагать пользователю, устроившемуся перед телевизором, какую передачу смотреть сейчас, а какую – следующей. И мы рассчитываем, что Имхонет поможет нам в этом благодаря своей рекомендательной системе, в которой уже накоплена база оценок по телепрограмме.

Ведущая: На круглом столе присутствует Александр Пятигорский – генеральный директор Гуру.ру. Это профессиональный рекомендательный сервис, который работает по иной схеме, нежели на Имхонете и на "Афише". В нем большая доля ручного труда. В чем специфика этого сервиса?

Александр Пятигорский: Как верно было сказано, рекомендательные сети – это тренд, очень популярное сейчас явление. Наш предназначен не для улучшения качества работы другого сайта, а является основным бизнесом.
Итак, профессиональные рекомендательные сети – что же это такое? Как сейчас модно говорить, это новый этап развития проектов web-2.0, где есть возможность не просто пообщаться, а монетизировать свои профессиональные знания, рекомендации, связи и опыт.
Как это работает, расскажу на нашем примере, но аналогичная схема действует и на других рекомендательных ресурсах. Наш сайт построен на системе рекомендаций вакансий других компаний. Выглядит это следующим образом. Есть рекомендательная площадка. Есть вакансия, которая на ней размещается. За эту вакансию объявляется вознаграждение, то есть тот участник проекта, по чьей рекомендации человека возьмут на работу, получает некую сумму денег. Затем эта вакансия уходит к профессионалам (мы в своей системе называем их “гуру”), к экспертам именно в той отрасли, в которой разыскивают того или иного специалиста. Дальше те, у кого есть профессиональные контакты и знакомства, те, кто может дать рекомендацию, ее предоставляют. Рекомендацию получает компания-работодатель. В системе есть возможность общения с рекомендателем, чтобы получить какую-то дополнительную информацию. Дальше компания принимает решение, какая рекомендация ей интересна, а какая нет. Некоторых соискателей приглашают на собеседование и в конечном итоге одного из них принимают на работу. А его рекомендатель получает объявленное вознаграждение. При такой схеме большая часть прибыли достается не кадровому агентству, а непосредственно профессионалу, обладающему полезными связями и знакомствами.

Вопрос из зала: Есть ли зарубежные аналоги?

Александр Пятигорский: Да, есть крупные и успешные сайты в Великобритании, Америке, работающие по точно такой же системе. Приведу пример британского сайта "Jobtonic". Буквально вчера ночью смотрел данные: там 148 тысяч рекомендателей. На данный момент на сайте открыто вакансий на общую сумму вознаграждения в 275 тысяч фунтов стерлингов. Еще один пример – это голландский сайт “Spot a job”: на сегодняшний день 104 актуальные вакансии с общим вознаграждением 201 тысяча евро. Есть еще китайские, немецкие и украинские порталы, которые работают по той же схеме.
Что же это дает? Компаниям – связи и опыт экспертов. Экспертам –возможность помогать друзьям и попутно зарабатывать деньги просто потому, что у тебя есть контакты, есть профессиональная оценка, экспертиза в какой-то отрасли. На нашем сервисе вознаграждение колеблется от 10 до 120 тысяч рублей в зависимости от вакансии, премию компания устанавливает самостоятельно. При этом есть автоматизированный подбор, где общение между рекомендателем и работодателем происходит напрямую, без каких-либо фильтров.

Ценность рекомендации для компании зависит от того, кто рекомендует, насколько котируется его экспертное мнение. Ценность зависит от качества рекомендации, от того, насколько претендент соответствует ожиданиям компании, от полноты сведений о соискателе, от оперативности рекомендации (важно для «горячих» вакансий). Учитывается и мотивация рекомендателя.
Как же эту ценность повысить? Важный принцип, который мы поняли, исходя из нашего опыта: во-первых, сеть должна быть премодерированной, то есть в нашем случае, закрытой. Зачем? Понятно, что рекомендатели являются основной ценностью, которую “покупают” компании-клиенты. При этом если снять барьер, открыть доступ в сеть всем, то это отразиться на качестве экспертов и снизит ценность их рекомендации. Никому не нужна оценка кадровых вопросов от 8-классников и людей безликих, без указания, кто они, и откуда.
Как здесь уже говорилось, нужна очень правильная система рейтингования. В нашей системе рейтингуются и компании-клиенты, и сами эксперты. Важный момент для компании: для них рейтинг – это такой соревновательный эффект. Если рейтинг компании-клиента просто прямо пропорционален тому, сколько человек назвали ее любимой или относятся к ней лояльно, то рейтинг эксперта высчитывается сложнее: он формируется из его положительных и отрицательных действий внутри системы, которые оцениваются компаниями. Мы ожидаем, что дифференцирование по рейтингу только возрастет, что важность этих показателей будет только увеличиваться, и в дальнейшем это будет одним из фильтров, которым смогут пользоваться компании. Еще одна важная вещь – это удобная автоматическая система напоминания. В нашем случае это вообще большая загвоздка, так как если проходит много времени между подачей рекомендации и ее “поглощением”, то мотивация тех, кто дает рекомендацию, резко падает. В случае рекомендации с монетизацией, когда люди получают за это какие-то вознаграждения, крайне важно, чтобы они получали качественный отклик, понимали, что их мнение действительно ценно, видели, что это кому-то нужно, а не просто они отправили какой-то спам, на который никто не обратит внимание.
Еще одна важная особенность – это система фильтров. Об этом уже шла речь. Она нужна не только для того, чтобы рекомендация была правильной, но и для того, чтобы правильно отобрать то, на что я могу дать рекомендацию, а на что не могу. Моей профессиональной экспертизы не хватит на все отрасли. Очень важно выставлять правильные фильтры по областям знаний, по регионам, по каким-то еще показателям.
Необходимо также создать некое профессиональное сообщество вокруг рекомендательных функционалов. Мы делаем определенные шаги в сторону создания из рекомендателей и экспертов некоего сообщества. В частности, мы культивируем историю закрытости: что эта сеть – только для них, только для тех, кто попал внутрь. Кстати, это особенность нашего российского рынка, потому что все основные западные аналоги открыты. Честно рассказываю: мы не первые, кто делает подобные сети в России, но мы первые, кто поняли, что это надо делать в режиме премодерации. В российских реалиях в открытых сетях компании не готовы доверять мнению абы кого. Им нужно понимать лицо человека, с которым они общаются, они должны быть уверены, что он действительно профессионал в той или иной области. Именно благодаря этому они доверяют мнению наших экспертов.
Вторая вещь. Мы делали систему инвайтов. Люди могут заказать личные визитки с разными корпоративными вещами, которые повышают эмоциональное отношение к проекту. И мы развиваем сеть партнерских программ, которые дают привилегии для экспертов. Какой пример привести? "Малина” – только для экспертов сети gooroo. Еще один простой пример того, что мы делали для эмоциональной поддержки. У нас есть возможность отправить средства на доброе дело. Далеко не все делают рекомендации ради денег, для некоторых те суммы вознаграждений, которые платят за вакансию, не являются существенными, есть возможность отдать их в благотворительность. Еще мы делаем, например, игру. Дело в том, что наш проект называется gooroo, наш лозунг: "Каждый охотник желает знать, где сидит фазан" – именно с точки зрения поиска сотрудников. Поэтому победитель получил в подарок опеку над алмазным фазаном в Московском зоопарке, оплаченную нами. Вот тоже такая поддержка.
Вернусь к рейтингам. Важный момент: к эксперту, «гуру» нельзя относиться как обывателю. Поэтому, в отличие от обычных кадровых ресурсов, мы делаем красивый профайл. У нас есть личностный подход для того, чтобы было понятно, с кем ты общаешься. Есть определенные привилегии для компаний, тоже партнерские программы.
Заканчивая, я хотел сказать, что такой функционал также применителен для того, чтобы зарабатывать на других порталах, то есть не обязательно для этого иметь отдельный бизнес. В 15 часов в секции "Маркетинг в интернете" об этом будет отдельный доклад нашего технического директора.

Александр Долгин: Это очень интересная экспликация рекомендательного сервиса, я желаю ей всяческих успехов. У меня есть вопрос. Нобелевский лауреат Кеннет Эрроу как-то высказал простую мысль: если людей принуждать раскрывать информацию, они всегда отредактируют ее так, чтобы она не могла быть использована им во вред. Возможно, Ваша система столкнется с проблемами клубного блага. Например, если у меня есть любимая визажистка и я начну ее нахваливать на всех углах, то завтра к ней будет очередь и цена вырастет в разы. Значит, мое информационное действие вступает в противоречие с моими личными интересами. Это типичная проблема клубного блага – опасность переполнения клуба.
И второе мое беспокойство – беспокойство человека, который является ярым поклонником рекомендательных систем. Как только речь идет о взаимных рекомендациях в сплоченном профессиональном сообществе (например, нужно оценить постановку знакомого режиссера), ты сразу сталкиваешься с тем, что не можешь поставить ему плохую оценку. А как будет у вас?

Александр Пятигорский: Да, Александр Борисович поднял самые глобальные проблемы. Отвечаю. Действительно, в этом есть определенные проблемы, которые решаются следующим образом. Во-первых, система рейтингования. Если эксперт завышает оценки кандидату, то когда работодатель начнет общаться с ним или возьмет его на работу, это выяснится, и рекомендатель поплатится за это своим рейтингом, подорвет доверие к своим дальнейшим рекомендациям. Это вещь номер один.
Второй, тоже немаловажный вопрос. Действительно, если визажистка нужна самому, ее рекомендовать не будут. Но если эта визажистка – мой близкий друг, у нее сейчас нет работы, а она ей нужна, то, конечно, я, может быть, в ущерб каких-то своих интересов порекомендую ее куда-то еще. В данном случае процесс рекомендации действительно очень личностный – каждый человек принимает решение. У нас есть ряд экспертов, которые с нами общались и говорили: "Как же так, я не могу своего друга рекомендовать за вознаграждение. Это некорректно". В тот момент и появились возможности передачи средств на благотворительность и так далее. Конечно, каждый делал выводы для себя сам. Но при этом при помощи рекомендации можно достигнуть тех результатов, которых другими средствами достигнуть просто физически невозможно. Поэтому они столь эффективны и столь продуктивны.

Ведущая: Здесь присутствуют наиболее эффективные, живые рекомендательные сервисы в разных нишах – "Афиша", Имхонет, Гуру – со своей спецификой. Но все они являются производителями рекомендаций. Как известно, любой специалист подобен флюсу, его полнота неполноценна. Здесь присутствует человек, стоящий совершенно в другой позиции – Александр Сергеев, журналист, научный редактор журнала "Вокруг света", автор, на мой взгляд, одной из самых фундаментальных и серьезных обзорных статей по рекомендательным сервисам.

Александр Сергеев: Я буду говорить не как создатель рекомендательных сервисов, а как пользователь, и попытаюсь объяснить, что для меня является рекомендательной системой и чего я от подобных систем жду.
На мой взгляд, рекомендательными в полном смысле слова могут называться только те системы, которые соответствуют трем требованиям, трем критериям. Многие рекомендательные системы, с которыми мы сталкиваемся на практике, этим критериям не соответствуют. Термин используется слишком широко и может вводить в заблуждение. Мне кажется, что было бы полезно все-таки разделять рекомендательный сервис в узком смысле и системы, которые дают всевозможные подсказки и наводки – иногда полезные, но очень приблизительные.
Первое – это независимость, то есть отсутствие конфликта интересов между теми, кто рекомендует и кому рекомендуют. Второе – это коллаборативность, потому что система, построенная не на коллаборативных идеях, а, например, на экспертных данных, – это уже совсем другая вещь. Экспертные рекомендации существовали всегда, люди ими давно пользуются – например, юридическими консультациями. И, наконец, третий критерий – это персонализация, то есть рекомендация должна быть индивидуально подогнана под конкретного потребителя.

Остановлюсь на этих пунктах чуть подробнее. Возьмем рекламу: это тоже своего рода рекомендация – что-то купить, куда-то пойти и т.д. Но это не рекомендательный сервис по одной простой причине: конечная цель рекламы конфликтует с интересами клиента. Она стремится ему что-то продать, а рекомендательный сервис всегда целиком на стороне потребителя. Поэтому, например, разные системы, существующие как дополнительная услуга к книжным интернет-магазинам, на мой пользовательский взгляд не являются рекомендательными сервисами. Это, скорее, определенный вид контекстной рекламы и система продажи сопутствующих товаров…

Не следует путать рекомендательный сервис с консультациями. Консультации хороши, когда они даются специалистами в узкой области и, по причине высокой квалификации эксперта, стоят дорого. А выбор телевизионной программы или книжки – это малые решения, для которых консультационный подход не годится, потому что он слишком дорогой. Если же он дешевый, то, как следствие, некачественный. Именно поэтому для меня рекомендательным сервисом является только та система, которая построена на анализе мнений моих коллег-пользователей, причем большого их количества. С этой точки зрения такая замечательная система, как «Яндекс. Гуру», не является рекомендательной: это экспертная система, которая оценивает и систематизирует мнения нескольких десятков экспертов, каждый из которых описывает свою область и советует, на что стоит обратить внимание.

И, наконец, третий аспект – персонализация. Очевидно, что всякие рейтинги и статистики – это не рекомендации, поскольку они для всех одинаковые. Если приводить негативный пример, то у меня серьезная проблема с замечательным сервисом «Яндекс. Новости» и ему подобными. Что они делают? Из сотен новостей, которые появляются ежедневно, подобные системы выделяют 5 и говорят, что они самые важные – для всей страны, для всего мира. Но это же абсурд – я исхожу из своих приоритетов и они могут быть абсолютно другими. Мне лично непонятно, почему до сих пор нет рекомендательного сервиса по новостям. Каждый день, как журналист, я трачу на новости 2-3 часа, а как частный пользователь – полчаса. И никто не помогает мне оптимизировать эти полчаса, чтобы в рамках моих личных интересов я прочел пять новостей, которые больше всего важны мне лично.

Теперь мне хотелось бы коснуться внедрения рекомендательных сервисов. Когда рекомендательный сервис создается как самостоятельный организм – вроде Имхонета, – тут все понятно. Но когда этот функционал существует на прикладном сайте какой-то другой направленности, встает вопрос: зачем он туда вставлен? Либо он используется из тактических соображений, как инструмент продаж, либо из стратегических, с целью добиться лояльности клиента.

И если между этими векторами не сделан четкий выбор, то я, как пользователь, нахожусь в недоумении и доверия к сис

Опубликовано: 31 октября 2008 г.

Ключевые слова: нет

Извините, комментариев пока нет