Один из основных запросов аудитории любого видеосервиса — персонализация видеоконтента и повышение его релевантности, констатирует генеральный директор «Megogo Россия» Виктор Чеканов. Первыми этот постулат сформулировали специалисты Netflix, пытавшиеся на заре видеостриминга, в начале 2000-х, перенести опыт использования рекомендаций с сайта, на котором клиенты компании заказывали физические носители с фильмами, на VoD-платформу. Тогда разработкой и внедрением рекомендательного движка в Netflix руководил экс-глава алгоритмического отдела компании Ксавье Аматриейн (Xavier Amatriain), который вспоминает, что механизм рекомендаций, отлично работавший при заказах DVD, на сайте с онлайн-видео оказался непригодным — уж слишком по-разному вели себя покупатели дисков и потребители видео по запросу. Тем не менее, осознавая, что за рекомендательными инструментами будущее, Netflix нашел решение, на тот момент представлявшееся дорогостоящим и громоздким, но впоследствии превратившееся в отраслевой стандарт. В 2006 году видеосервис запустил конкурс рекомендательных алгоритмов, условием победы в котором было создание движка, опередившего на 10% алгоритм Cinematch, который прогнозировал на сайте Netflix клиентские оценки и рейтинги контента на их основе. Приз в $1 млн взбодрил сообщество разработчиков, что дало мощный толчок созданию рекомендательных механик и обеспечило прогресс в этой области на годы вперед. У самого Netflix к 2013 году рекомендательная система показывала результат, который и по сей день можно назвать выдающимся: 75% просмотров на платформе генерировали рекомендации соответствующей системы.
«Пример Netflix показывает, что рекомендательная система в условиях огромного каталога, не всегда состоящего из новинок, — это одно из наиболее важных конкурентных преимуществ», — объясняет значение кейса Netflix главный аналитик Российской ассоциации электронных коммуникаций Карен Казарян. Когда доступны тысячи фильмов, а зрителю нечего посмотреть — это, прежде всего, огромное упущение сервиса, не способного построить хорошую рекомендательную систему, замечает он. Особенно, по мнению Карена Казаряна, этот тезис справедлив в Рунете, где об эксклюзивном контенте особо говорить не приходится, поскольку на отечественных платформах снятые для них оригинальные фильмы и сериалы стали регулярно появляться лишь в последний год-полтора, а каталоги ведущих сервисов, насчитывающие тысячи тайтлов, по-прежнему повторяют друг друга более чем наполовину.
«Огромное контентное предложение — очевидное достоинство видеосервисов, но оно же становится ловушкой для зрителя, а как раз рекомендательные системы позволяют пользователю облегчить поиск интересного ему контента на видеосервисе. Рекомендательная система — очень важный инструмент для развития сервиса. Она работает на привлечение новых пользователей, повышение лояльности постоянных подписчиков, увеличивает ARPU, повышая время просмотра и платежи от продаж», — описывает роль рекомендаций Виктор Чеканов.
Эксперт системы рекомендаций «ЭР-Телеком Холдинга» (бренд «Дом.ru») Иван Лямин замечает, что значение рекомендательной системы для видеосервиса зависит от целей и задач, которые были изначально поставлены. «Например, в Movix (медиаплатформа «Дом.ru», включающая онлайн-кинотеатр, OTT-приставку и приложения для гаджетов, — прим. ред.) рекомендательная система помогает клиентам быстрее и точнее выбирать нужный контент из десятков тысяч единиц. Это, в свою очередь, влияет на их лояльность к компании — основу любых числовых метрик: выручки, ARPU, LTV (жизненный цикл клиента, — прим. ред.)», — говорит Иван Лямин. Он поясняет, что для оценки эффективности рекомендаций компания использует множество других показателей, например поведенческих — время смотрения, конверсии. «В некоторых случаях эффект можно измерить только с помощью A/B-тестирования. Для такого анализа, как правило, привлекаются контрольные группы клиентов», — отмечает представитель «Дом.ru».
Виктор Чеканов не раскрывает фактические показатели эффективности используемых Megogo рекомендательных инструментов, отмечая при этом, что автоматические системы рекомендаций показывают большую эффективность, нежели ручные подборки рекомендуемого контента. «Тут важно соблюдать баланс математических алгоритмов и редакторской работы», — подчеркивает Виктор Чеканов.
Стремясь максимально расширить предложение контента, изначально «чистые» онлайн-кинотеатры в последние годы дополняют каталоги видео по запросу стримингом линейных телеканалов, а операторы платного ТВ движутся, по сути, им навстречу — внедряют на собственных OTT-сервисах с онлайн-версиями линейных каналов полноценные онлайн-кинотеатры. Для массового зрителя именно такой тип видеосервиса, который агрегирует как линейное телесмотрение, удовлетворяющее, например, потребности в новостях и спортивных трансляциях, так и предложение фильмов и сериалов, наиболее удобен.
По словам Карена Казаряна, примеры такого подхода демонстрируют платформы Android TV, Roku, видеосервисы «Яндекса», которые в своих рекомендательных разделах указывают не только отдельные программы в сетке каналов, релевантные для конкретного зрителя, но и сами ТВ-каналы (в том числе еще не купленные абонентом), а также предложения о покупке либо аренде фильмового и сериального контента. Большинство операторов платного ТВ используют гибридные решения, а в приложениях, таких как «Мегафон ТВ» и «МТС ТВ», также начали появляться рекомендации, замечает Карен Казарян. Возможность рекомендательного сервиса советовать разные виды контента (линейное ТВ, VoD) на тех платформах, где такой контент доступен через единый интерфейс, подтверждает и Виктор Чеканов, уточняющий, что Megogo работает в этом направлении.
Отвечая на вопрос, возможно ли применение рекомендательных сервисов операторами платного ТВ в кабельных сетях и в IPTV, Иван Лямин напоминает, что любая рекомендательная система базируется на математическом алгоритме, для обработки которого требуются значительные вычислительные мощности. «Их невозможно разместить на клиентском устройстве, а значит, необходимы серверные ресурсы и стабильный канал обмена данными. Соответственно, если клиентское устройство — старый телевизор, без вычислительных функций и подключения к интернету, то никакого интерактива, а тем более сложных алгоритмов, на таком парке устройств применить не получится», — расставляет акценты Иван Лямин. Если в качестве устройства выступает сет-топ-бокс, подключенный к интернету (с любым вариантом ТВ-сигнала — аналоговый, IPTV), или смарт ТВ, то можно запустить любые интерактивные функции, включая систему рекомендаций, констатирует представитель «Дом.ru». Он добавляет, что это же касается и мобильных и веб-приложений, возможность подгружать рекомендации ограничена только желанием оператора.
Объясняя, как гибридный рекомендательный сервис объединяет различный по своей природе контент, Иван Лямин замечает, что в случае линейного ТВ система анализирует каждую отдельную передачу из эфира. Для этого готовится метаинформация для каждой передачи на всю сетку вещания и хранения телеархива. «Именно такой способ мы применяем на платформе Movix. Но поскольку количество передач в сетке вещания огромное, справиться с такой работой нам помогает компания EPG Service. Анализируется смотрение как линейного ТВ, так и VoD, а интерфейс позволяет сделать рекомендацию любого типа контента — фильма, сериала, передачи», — рассказывает представитель «Дом.ru».
Пример продвинутого гибридного сервиса, рекомендации которого охватывают как VoD-каталог, так и линейные телеканалы, демонстрирует сервис «Яндекс.Эфир». В описании для пользователя уточняется, что подборки рекомендованных кино-, мультфильмов и сериалов формируются для абстрактного пользователя автоматически на основе популярных запросов и данных из разных источников, например «Кинопоиска». В том случае, если пользователь авторизован в экосистеме «Яндекса», рекомендательный движок также будет учитывать персональную историю запросов и просмотров при составлении подборок в лентах, обозначая их как «Фильмы для вас», «Мультфильмы для вас» и т. д. Кроме того, выбор зрителями «Яндекс.Эфира» фильмов, сериалов и мультфильмов призван облегчить рейтинг на основе оценок по балловой системе, сделанных пользователями «Кинопоиска». При этом оценки контента, данные конкретным пользователем «Эфира», не влияют на общие рейтинги «Кинопоиска», но учитываются при составлении персональных рекомендаций для него.
Отдельный случай использования рекомендательных механик — сервисы отбора телевизионного контента в спутниковом ТВ «Триколор». С лета 2018 года «Триколор» предлагает абонентам спутниковый сервис «Лучшее на ТВ» (в настоящее время — «Синематека»), который, как поясняет оператор, позволяет просматривать фильмы и ТВ-шоу, уже прошедшие в эфире. В выборку попадают «яркие события телеэфира: рейтинговые передачи, популярные ток-шоу и интересные фильмы», указано в описании сервиса. Отобранные оператором телепрограммы и фильмы, показанные в эфире, автоматически записываются на встроенные накопители спутникового ресивера или подключенные к нему внешние носители (сервис поддерживают не все модели ТВ-приставок). При этом приемник не требует подключения к интернету, запись ведется по спутниковому каналу, пока ресивер включен в режиме ожидания. Оператор уточняет, что подборка рекомендованных передач и фильмов формируется на основе программ, демонстрируемых в эфире телеканалов в составе пакетов «Единый», «Детский» и «Ночной». К примеру, абонент, подписавшийся на пакет «Детский», будет получать в сервисе «Синематека» ленту мультфильмов.
Добавим, что на своих OTT-площадках «Триколор» анализирует запросы зрителей на основе анализа больших данных. Технология Big Data, обобщающая информацию о пользовательских просмотрах, дает возможность персонифицировать OTT-контент для абонентов. Контент линейных каналов также включается в формируемые персональные рекомендательные ленты в интерфейсах онлайн-сервисов «Триколора», что, как сообщал оператор, увеличивает долю телесмотрения каналов до 50%.
«Дом.ru» на платформе Movix использует систему персональных рекомендаций разработки британской компании ThinkAnalytics. «Система изучает личные предпочтения каждого пользователя, находит и рекомендует интересный ему контент. Так, решение анализирует поведение человека: какие жанры, актеры, режиссеры ему нравятся, знает, фильмы каких студий, с каким рейтингом, какой давности чаще смотрит пользователь. Включил телевизор — и сразу получил рекомендацию, что посмотреть. Чем чаще пользователь взаимодействует с сервисом, тем точнее будут рекомендации и легче выбор», — описывает механизм рекомендаций в Movix Иван Лямин. По его словам, система обрабатывает материалы из всего каталога доступного контента — ТВ-каналов, подписок и редакторских подборок. Рекомендательный движок также анализирует пользовательские действия: историю поиска, выбор контента, время просмотра, постановку на паузу, переключение, историю покупок — всего 22 взаимодействия с интерфейсом.
Формируемый таким образом раздел «Рекомендуем» в «Дом.ru» относят к главным элементам интерфейса Movix. Рекомендации встроены в меню стартового экрана, они представляют собой ленту из фильмов, по клику на любой из которых открывается описание, трейлер и способ просмотра. Иван Лямин добавляет, что система рекомендаций — сквозная, охватывающая весь интерфейс, она управляет еще 20 витринами меню: «Недавние передачи» (передачи, вышедшие в эфире до семи дней назад), «Сериалы для вас», «Подписки», «Жанры» и другими.
