Возможно, вам также понравится эта статья

Я захожу в МакДоналдс, 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.

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:

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 МакДоналдс 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.

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 http://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:

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 —

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:

Про Яйцеголового нам известно меньше — трусы ему нравятся очков на 60. Как компьютеру посчитать, насколько ему понравятся сапоги?

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. 

Сейчас 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.

Рекомендация

Если вам понравился этот пост, то вероятно вам понравятся предыдущие. И следующий — в следующий понедельник.

^{* — на изображении к посту — Марлон Брандо, сыгравший главную роль в фильме «Трамвай „Желание“», 1951. Тогда еще компьютеры не предсказывали желания.}

See you!