В книжном интернет-магазине клиенту, который выбрал "Криптономикон" Стивенсона, порекомендуют купить еще "Лавину" того же автора и "Распознавание образов" Гибсона. Так происходит потому, что многие из покупателей "Криптономикона" купили эти книги. Это всего лишь один из множества методов, которые используются в аналитических системах выдачи рекомендаций интернет-магазинов.

Анализ пользовательских предпочтений и автоматическая выдача персональных рекомендаций, как стало понятно сейчас, способны значительно увеличить прибыли интернет-магазина, пишет NY Times (www.nytimes.com/2006/01/23/technology/23recommend.html). Для пользователей такие системы могут выглядеть или как очень полезная функция, или как пугающий аналог Большого Брата.

При этом системы рекомендаций сами по себе довольно сложны и не всегда работают корректно. Например, в начале этого месяца Walmart.com был вынужден закрыть единую систему рекомендаций, поскольку она выдавала явно некорректные результаты, даже оскорбляющие покупателя.

NetFlix

Есть и другие примеры. Интернет-компания по прокату DVD-дисков NetFlix получает около двух третей заказов именно от системы рекомендаций на сайте. Клиенты заказывают фильмы, о которых в ином случае могли бы и вовсе не узнать. Таким образом, от 70% до 80% проката приходится на архив из 38.000 фильмов, а не на последние блокбастеры. По словам руководства NetFlix, обычно выбравшие фильм по рекомендации люди получают большее удовлетворение от просмотра, чем те, кто выбрал фильм со страницы новых релизов.

Рейтинговая система NetFlix содержит громадную базу оценок, которые пользователи выставили различным фильмам. Каждый день база пополняется более чем на 2 млн. оценок. Для каждого посетителя сайта демонстрируются разные рейтинги фильмов, в зависимости от его персональных предпочтений и результатов оценки фильма людьми с похожими профилями.

По мнению руководства фирмы, в первую очередь, благодаря удачной реализации аналитической системы рейтингов количество пользователей сервиса NetFlix выросло с 600 тыс. человек в 2002 г. до теперешних 4 млн.

Apple iTunes

Компания Apple тоже придает очень большое значение системе рекомендаций как способу увеличить уровень продаж цифровой музыки, а также привязать пользователя к магазину.

Любопытно, что движок, который сейчас анализирует предпочтения пользователей в интернет-магазине iTunes, первоначально использовался для показа персональной баннерной рекламы. После этого его немного усовершенствовали, так что программа несколько сменила ориентацию.

Сейчас разработчики постепенно совершенствуют эту систему. Одна из последних функций - MiniStore - позволяет при выдаче рекомендаций учитывать даже содержимое плейлистов на компьютерах пользователей, а также частоту прослушивания каждой песни. Сначала вся информация собиралась автоматически, но после протестов правозащитников компания Apple позволила пользователям отключить эту функцию.

Liveplasma.com

Некоторые системы выдачи рекомендаций базируются на информации, которую генерируют сами пользователи, а другие пытаются самостоятельно делать предсказания (например, какие аксессуары предложить пользователю, купившему определенную модель мобильного телефона). Но сейчас появляются новые программы, которые используют не только анализ информации, но и визуализацию этой информации.

Один из таких инновационных движков - Liveplasma.com. Если на этом сайте ввести название фильма или музыкальной группы, то система генерирует визуальную карту с другими потенциально интересными фильмами/музыкантами и взаимосвязями между ними. При этом демонстрируется относительная популярность каждой книги/музыканта через величину объекта (шара) на карте. Шары на карте сгруппированы в кластеры, представляющие группы пользователей с четко выраженными интересами.

Такой способ отображения рекомендаций выглядит более привлекательно, чем выдача текстовых ссылок.

В данный момент существует множество разнообразных систем рекомендаций, которые принципиально отличаются друг от друга. Появляются инновационные разработки в этой области. Все это говорит о том, что автоматический анализ предпочтений пользователя и выдача рекомендаций - довольно сложная проблема, которая пока далека от оптимального решения. При этом такие системы очень важны для интернет-магазинов. У какого из них лучше алгоритм, тот получает больше прибыли.

По той же причине маленьким интернет-магазинам очень сложно догнать крупных конкурентов. Во-первых, разработка собственной системы выдачи рекомендаций довольно дорога. Во-вторых, для ее работы требуется собрать как можно больше информации. Здесь крупные интернет-магазины получают очень большое преимущество перед своими конкурентами.

Анатолий АЛИЗАР