Правильная рекомендательная смесь
Ориентиром для индустрии онлайн-видеосервисов в развитии рекомендательных систем традиционно называют Netflix, поскольку именно стратегия персонификации рекомендаций стала одним из ключевых факторов глобального успеха компании. Еще на «достриминговом» этапе своего развития Netflix пришел к насущной необходимости помогать клиентам в выборе «что смотреть». Каталог прокатных DVD Netflix на пике развития этого бизнеса превышал 35 тыс. наименований, и подписчики, которым диски тогда рассылались, тратили много времени на осознанный выбор при заказе, чтобы не разочаровываться всякий раз, когда диск наконец-то приходил по почте. При этом клиенты делились мнениями о просмотренном на сайте Netflix, на котором заказывались диски, а при новых заказах опирались на персонализированные видеотизеры, система показа которых основывалась на высокорелевантных рейтингах и отзывах других клиентов. Но начав в 1999 году эксперименты с онлайн-стримингом, Netflix столкнулся с тем, что методика рекомендаций, отлично зарекомендовавшая себя с физическими носителями, при просмотре через Интернет дала сбой. Экс-руководитель алгоритмического отдела Netflix Ксавье Аматриейн (Xavier Amatriain), занимавшийся тогда разработкой рекомендательных инструментов в компании, так рассказывал о том переходном этапе: «Подписчик тратил много времени на то, чтобы правильно выбрать DVD, и был заинтересован в том, чтобы в системе была нужная информация. Если фильм не нравился, подписчик не ленился оставить соответствующий отзыв. Когда компания перешла на интернет-стриминг, мнения стало собирать труднее. Если фильм не нравится, подписчик просто закрывает окно. Соответственно, предоставляемая подписчиком информация стала гораздо менее полной».
В стремлении повысить эффективность рекомендаций в цифровую эпоху в октябре 2006 года Netflix объявил теперь уже легендарный конкурс для разработчиков рекомендательных алгоритмов: победитель, которому удалось бы превзойти используемый в то время для прогноза рейтингов клиентов алгоритм Cinematch более чем на 10%, получал приз в $1 млн. После этого Netflix успешно интегрировал рекомендательный движок в VoD-платформу и за 5-6 лет добился результата, который и сейчас служит маяком для последователей лидирующего онлайн-кинотеатра: в 2013 году в 75% случаев подписчики сервиса выбирали фильмы, предложенные им системой.
Рекомендации по-русски
Рекомендательные сервисы могут быть использованы не только в OTT, но и в других специализированных средах, например в IPTV и в любых медиасервисах с обратной связью, но, как пояснял «Теле-Спутнику» Александр Атцик, директор по развитию бизнеса компании E-Contenta, предлагающей рекомендательные продукты в виде SaaS-решения в облаке, именно ОТТ-формат «сейчас является наиболее быстро растущим». Руководители российских OTT-видеосервисов, не сговариваясь, заявили «Теле-Спутнику» о приоритетности развития рекомендательных движков в стратегии своих компаний. «Рекомендательный сервис — один из ключевых инструментов работы со зрителем. Более 25% пользователей Megogo ежедневно пользуются системами рекомендаций. C таким количеством контента без рекомендательных систем обойтись сложно», — говорит генеральный директор «Megogo Россия» Виктор Чеканов.
«Рекомендательная система — очень важный инструмент для развития сервиса. Мы считаем, что будущее сервиса основано на персональном контентном предложении каждому клиенту. Без качественного рекомендательного движка такая задача невыполнима, поэтому сейчас именно совершенствование рекомендательного сервиса является фокусом приложения наших усилий», — подчеркивает директор по продукту онлайн-кинотеатра Okko Игорь Соколов.
Технический директор онлайн-кинотеатра TVzavr Александр Павлов, говоря о важности рекомендательной системы в развитии компании, отмечает, что с ее помощью можно не только советовать пользователю фильмы, похожие на те, которые он уже посмотрел, но и предугадывать его вкус, формируя таким образом для каждого персональную библиотеку контента.
В онлайн-кинотеатре ivi рассматривают big data как одно из ключевых направлений технологического развития, а в рамках больших данных, как пояснял «Теле-Спутнику» директор по технологии компании Евгений Россинский, на первое место ставят взаимодействие с пользователями посредством рекомендательного сервиса: «Пытаемся предсказать желания зрителей и предлагаем то видео, которое они посмотрят с наибольшей вероятностью и которое им при этом понравится».
Важность рекомендательного сервиса для видеоплатформы «Амедиатека» отмечал в интервью «Теле-Спутнику» и экс-глава Amedia TV Денис Горшков: «Чем лучше ты знаешь свою аудиторию, тем проще ее удерживать и развивать». В то же время он уточнял, что в Amedia TV не делают фетиша из технологий, позиционируя себя как контент-компанию, управляющую телеканалами, онлайн-сервисом и производством контента. «Технологическая разработка отдана нашему подрядчику — компании SPB TV. Но мы делаем все возможное, чтобы соответствовать требованиям рынка. Контент без сервиса не работает. И все-таки именно контент для нас первичен», — объяснял Денис Горшков.
Развивая пользовательские рекомендации, каждый из ОТТ-сервисов идет собственным путем, универсального рецепта внедрения рекомендательного движка не существует.
«Когда четыре или пять лет назад мы начали смотреть в сторону рекомендательной системы, сначала выбрали одного из призеров конкурса Netflix среди разработчиков таких решений — компанию Gravity. Но после года эксплуатации мы так и не достигли запланированных результатов. Были проблемы со временем ответа и ряд других, ставившие принципиальный вопрос об адекватном функционировании рекомендательного сервиса. Тогда было принято стратегическое решение о развитии собственной системы», — рассказывает историю внедрения рекомендаций в ivi Евгений Россинский. Компания разработала собственную систему, и через полгода она показала результаты по качеству рекомендаций, сопоставимые с тем, что были у подрядчика. «После этого от услуг подрядчика благополучно отказались, и с тех пор мы развиваем свою рекомендательную систему по принципу Data-Driven Development, когда у нас есть большое количество гипотез: мы проводим эксперимент и определяем, какой алгоритм лучше или хуже воспринимается пользователями, увеличивает конверсию и время пребывания человека на сервисе», — объясняет техдиректор ivi, перечисляя ключевые критерии эффективности рекомендательного движка, которыми руководствуются все OTT-сервисы.
Виктор Чеканов рассказывает, что Megogo c самого начала задумывала собственную рекомендательную систему. «Но тогда вопрос рекомендаций был не самым насущным и решали мы его не техническим, а редакторским путем. Из-за этого подборки были субъективными, на их поддержание уходило много усилий контент-отдела. Параллельно мы разрабатывали настоящую систему рекомендаций. Для первой ее версии мы решили учитывать всех пользователей, а не только зарегистрированных, поэтому выбор пал на неперсонализированную логику. Мы рассматривали варианты работы с консалтинговыми компаниям и/или онлайн-базами фильмов, но в большинстве случаев их услуги были существенно переоценены, а в ряде случаев их метаданные нам не подходили», — поясняет глава Megogo в России особенность подхода компании.
«Okko использует своеобразную гибридную модель, которая включает транзакционную рекомендацию и подписную рекомендацию», — рассказывает Игорь Соколов, добавляя, что в компании есть отдельная команда, которая занимается этим направлением. «Мы развиваем собственное решение, основываясь на известных мировых алгоритмах, которые используют такие гиганты, как Netflix, Amazon и другие, постоянно совершенствуя систему через бесконечное количество экспериментов», — говорит директор по продукту Okko, выражая мнение, что все специализированные решения от профессиональных разработчиков используют одни и те же алгоритмы и не учитывают специфику сервиса, «погружаться в которую достаточно долго».
Подобный подход исповедуют и в TVzavr. По словам Александра Павлова, компания в настоящий момент использует как собственную рекомендательную систему, так и стороннее решение для лучшего анализа пользовательской базы.
Несмотря на специфику конкретного сервиса, о которой говорил директор по продукту Okko, специализированные решения все-таки используются чаще, поскольку не все OTT-платформы могут позволить себе разработку собственного рекомендательного движка, хотя и признают перспективность такого шага. В частности, по информации E-Contenta, рекомендательный сервис этого разработчика используется в том или ином виде в OTT-сервисах TV1000Play, WifireTV (NetByNet), «Билайн VoD». При этом «ВымпелКом» (торговая марка «Билайн») в 2018 году также заявил о разработке рекомендательной системы для ТВ-абонентов. Система персонализированных предложений для ТВ-абонентов должна появиться в приложении, точный срок ее запуска в компании не называют. «Наш телевизионный продукт активно развивается в направлении рекомендаций. На сегодня в выборе программ для просмотра человек проводит 83% времени, всего лишь 17% времени он смотрит эти программы», — отмечал вице-президент по развитию цифрового и нового бизнеса «ВымпелКома» Джордж Хелд.
Есть у рекомендации начало…
Руководители OTT-сервисов говорят о развитии рекомендательных инструментов как о бесконечном процессе, соответствующую систему невозможно «внедрить и забыть». Так, Виктор Чеканов рассказывает, что Megogo на текущем этапе продолжает совершенствовать алгоритмы и внедряет персонализированные рекомендации для неанонимных пользователей. «В неперсонализированной системе рекомендаций мы используем более десяти мета-параметров и самостоятельно доводим базу данных по ним до идеального состояния. Например, если зритель смотрит фильмы только в оригинальной озвучке, мы автоматически отсеиваем все локализированные варианты в его выборке. Мы формируем адаптированные подборки — скажем, состоящие из фильмов только с сурдопереводом — для людей с особыми потребностями. В персонализированной системе идет работа на основе персональных данных неанонимных пользователей: их действия, лайки/дизлайки, просмотры, покупки, добавление в избранное и т. д.», — объясняет механизм повышения релевантности рекомендаций Виктор Чеканов.
В ivi в стремлении к большей точности работы рекомендательного сервиса используют два основных подхода — наблюдают за поведением зрителя и стимулируют его оставлять оценки просмотренному контенту. «В идеальном мире просить что-то от пользователя — не очень хороший подход. Но если он только пришел, ты ничего о нем не знаешь — возникает “холодный старт”. В этом случае у нас есть механизмы, позволяющие “разогреть” представления о пользователе. Не вижу ничего предосудительного в том, чтобы спросить, что ему нравится. Другое дело, что полагаться на эти оценки нужно очень аккуратно. У нас есть забавное исследование о том, как люди оценивают фильмы. В нем есть большая доля правды о том, что на самом деле люди в своих оценках зачастую не вполне честны: не могут себе признаться, что любят сериал “Сваты”, а не какой-то умный арт-хаус. Себе мы хотим казаться одними, а фильмы смотрим совсем другие. Исследования в этом направлении мы ведем уже больше двух лет, а конца и края пока не видно», — рассказывает Евгений Россинский.
У Okko, по словам Игоря Соколова, в развитии рекомендательной механики «есть пара направлений и множество подходов и элементов внутри системы». Первое направление работы с рекомендациями — транзакционное. «Там, где есть paywall, нужно не просто рекомендовать контент, а попасть в цену. Это сильно отличается от обычной подписки, когда пользователь заплатил один раз и получил доступ к библиотеке, — в транзакции платить нужно за каждую единицу контента. Второе направление — рекомендации из большого массива контента при отсутствии paywall», — объясняет директор по продукту Okko, подчеркивая, что сложность внутренней работы с рекомендациями должна «на выходе» приводить к простому результату: каждый вечер, когда пользователь приходит домой, он должен регулярно находить внутри подписки «что-то, что может его развлечь».
В TVzavr рассказывают о собственной методике развития рекомендаций на основе анализа соцсетей пользователей. Александр Павлов сообщил «Теле-Спутнику», что этот механизм уже «работает достаточно хорошо», однако отказался раскрывать его подробности, объяснив это тем, что сейчас идет накопление пользовательских данных, тестируются методы обучения, обработки и проверяются на соответствие образцовой модели. Действующий же в TVzavr рекомендательный сервис работает на основе традиционного наблюдения и анализа истории просмотра. Опросы пользователей онлайн-кинотеатр на данный момент не использует, однако не исключает, что введет эту функцию в будущем. На вопрос о магистральном направлении развития рекомендательных сервисов Александр Павлов отвечает, что, по его мнению, это будет коллаборативная фильтрация (анализ чужого опыта) и постепенный переход к построению прогнозной модели пользователя на основе data mining & mashine learning собственных и привлеченных данных.
В Megogo уточняют, что в основе любого неперсонифицированного рекомендательного сервиса «лежит математика, алгоритм, который позволяет создавать специальные матрицы». Система, используемая Megogo, основана на метаданных видеообъекта, таких как тип, жанр, страна-производитель, участники съемочной группы и т. д. «Это было наиболее оптимальное решение для создания матрицы. Развивать и совершенствовать работу этой систему мы планируем и дальше», — подчеркивает Виктор Чеканов, добавляя, что не стоит сбрасывать со счетов и классические неавтоматизированные рекомендации — так называемые редакционные. На платформе Megogo с редакционными и автоматизированными рекомендациями пользователь контактирует в разных частях интерфейса, так что они качественно дополняют друг друга, поэтому для зрителей процесс получения и использования рекомендаций происходит незаметным, естественным путем, делится Виктор Чеканов.
«Редакционные ручные рекомендации в Okko были и будут использоваться, мы ценим труд редакторов», — уверенно заявляет Игорь Соколов, а Александр Павлов и вовсе признает, что для работы TVzavr редакционные рекомендации «являются основными до момента запуска в коммерческую эксплуатацию рекомендательного сервиса на базе прогнозной модели».
Тем не менее будущее рекомендательных сред — за персонализацией на основе анализа big data и машинного обучения. Пример здесь опять-таки показывает Netflix. Онлайн-кинотеатр научился не только прогнозировать реакцию зрителей на имеющийся контент, но и создавать новые сериалы, ориентируясь на предпочтения зрителей. Известно, что сюжет триумфального «Карточного домика» был разработан на основе анализа больших данных о предпочтениях пользователей онлайн-кинотеатра. Netflix выяснил, что большинству его абонентов нравились актер Кевин Спейси и режиссер Дэвид Финчер, причем в основном тем, кому нравились роли Спейси, была близка и фильмография Финчера. Анализ предпочтений огромных масс зрителей позволил выработать структуру сериала, в результате получившего среднюю оценку 9 из 10 баллов от сотен тысяч рецензентов на IMDB.
__________________________________________________