Как стать автором
Обновить

Комментарии 7

Всегда интересовало что движет программистами, которые делают модули «Вы купили телевизор LG? Посмотрите еще телевизоры Samsung» WTF? Рекомендуйте сопутствующие товары купленному, а не похожие! То, что подходит для совета похожего музыкального альбома, ну совсем не подходит для большинства товаров, тем более крупных или дорогих.

Существует минимум три группы пользователей, где это имеет смысл:


  1. Представители бизнеса — они могут покупать множество похожих товаров,


  2. Те кому нужно больше одного телевизора (например, один на кухню, другой в зал, третий в спальню)


  3. Те кто может передумать или кто собирается вернуть товар обратно из-за брака,



С одной стороны, вероятность, что клиент окажется в одной из этих групп не очень велика, с другой заработать на продаже одного большого телевизоров можно больше, чем на продаже, скажем, десятка антен для телевизора, поэтому иногда показ похожего на уже купленное имеет смысл для бизнеса.

Там всё просто — если это контекстная реклама с оплатой за клики, то большинство точно никогда не нажмет и реклама обойдется бесплатно. Зато тот кто ткнёт — точно целевой клиент (допустим телевизор сдох).

Хотя скорее всего речь не идёт о «вы купили?», а «вы хотели купить?» — это способ вернуть сомневающегося покупателя.
нужно показывать пользователям свежие статьи, пока они ещё актуальны. При этом необходимо понимать содержание статьи. Уже сложнее. 

Точно-точно. Чем больше понимаешь, тем сложнее "рекомендовать".
Поэтому, "абсолютный лайфхак" для маркетолога — вообще ничего не понимать в том, что "рекомендуешь".

Вот вроде бы очень сложные алгоритмы и все такое. Но тем не менее я до сих пор очень сильно сокрушаюсь, когда, слушая что-то из разряда условно Eminem/Logic/Masta Ace мне в рекомендательные падает Justin Bieber/Face/Егор Крид. Хип-хоп же, хип-хоп)

Или, например, новостной фид в вк. О, ваш друг лайкнул запись в гей сообществе! Попробуйте-ка и вы! Хотя они, вроде как, не начинающие в этих областях.
Еще интересным подходом к генерации рекомендаций является комбинирование алгоритмов с последующим процессом голосования. Это интересная задача — когда есть несколько мнений, как их учитывать целостно и как их транслировать в финальное действие?
Все как всегда, определяете метрику «успешности рекомендации», и на основе нее любым известным методом оптимизации (от «на глазок» до градиентного спуска) подбираете параметры объединения, а методов объединения много: голосование, взвешенное голосование, стэкинг и т.д. Главное здесь решить что такое «правильная рекомендация» :)
Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.