Czytasz teraz:
Jak działa system rekomendacji Netflixa, Amazona, Spotify, Tik Tok i YouTube?

Jak działa system rekomendacji Netflixa, Amazona, Spotify, Tik Tok i YouTube?

Avatar Arkadiusz Krysik
20 stycznia 2021
clock icon 6 min
Jak działają rekomendacje w platformach streamingowych>

Sztuczna inteligencja (ai) i uczenie maszynowe (machine learning) są hasłami, które coraz częściej przewijają się przez internetowe artykuły. Największe serwisy prowadzące działalność w przeróżnych branżach wykorzystują je, by zyskać strategiczną przewagę nad konkurencją i walczyć o utrzymanie pozycji na rynku. Rozwiązania oparte na AI są w stanie poprawić doświadczenie użytkownika z daną witryną, a dla jej właścicieli wiąże się to ze zwiększonym zaangażowaniem, lepszymi współczynnikami CTR lub wyższą sprzedażą.

W tym artykule przyglądamy się systemom rekomendacji opartych na uczeniu maszynowym największych serwisów w sieci oraz platform streamingowych i zastanawiamy się, czy rozwiązania przez nie stosowane mogą znaleźć zastosowanie w sklepach internetowych.

Netflix

Netflix jest prekursorem nowoczesnych modeli rekomendacji. Pierwotną wersję swojego systemu rekomendacji platforma zaimplementowała juz w 2000 roku. W 2006 Netflix zorganizował “Netflix Prize” - konkurs mający na celu wyłonienie najlepszego algorytmu filtrowania danych z główną nagrodą wynoszącą 1 mln USD.

Obecnie Netflix używa zaawansowanego systemu spersonalizowanych rekomendacji opierającego się na 4 złożonych algorytmach, które biorą pod uwagę zarówno opisy i docelowe przedziały wiekowe materiałów, jak i oceny i popularność wśród użytkowników. Wygenerowane rekomendacje uporządkowane są w kilku rzędach posortowanych według ich kategorii oraz preferencji użytkownika. Netflix szacuje, że uzyskuje około 80% całkowitego czasu oglądania dzięki ich systemowi rekomendacji, co jest imponującym wynikiem. Co więcej, platforma stale skupia się na udoskonalaniu doświadczeń użytkowników, które będą dążyć do poprawy wskaźnika retencji, co przełoży się na oszczędności w pozyskiwaniu nowych klientów (ok. 1 mld USD rocznie od 2016 r.).

Amazon

Szacuje się, że około 35% przychodów Amazona uzyskiwanych jest dzięki ich systemowi rekomendacji. Uchodzi on jako jeden z najpopularniejszych i najskuteczniejszych systemów rekomendacji na rynku. Jego sukces tkwi w mnogości modeli rekomendacji i sprytnym wykorzystaniu każdego z nich w różnych zakładkach sklepu. Modele takie jak “inni klienci kupowali również” wykorzystując strategie up-sellingowe świetnie sprawdzają się na stronie koszyka, a modele “podobne” lub “popularne” umieszczone na stronie produktu, mają pozytywny wpływ na zaangażowanie.

Amazon stosuje algorytmy grupowania filtrowania, które są skalowane do ogromnych zestawów danych i są w stanie generować wysokiej jakości rekomendacje w czasie rzeczywistym. Dzięki świetnej optymalizacji całego systemu Amazon osiąga bardzo wysokie zwroty z inwestycji, a klienci szanse na odkrycie interesujących ich produktów, których inaczej by nie zauważyli.

system rekomendacji Amazona
Rekomendacje produktów w Amazonie

Spotify

Wielu użytkowników Spotify jest pod wrażeniem jak dobrze playlisty “Odkryj w tym tygodniu” pasują do ich gustu muzycznego. W każdy poniedziałek platforma generuje dla milionów swoich użytkowników 30 nowych propozycji utworów. Playlisty są tworzone w pełni zautomatyzowany sposób przez system rekomendacji oparty o algorytmy sztucznej inteligencji. Większość spersonalizowanych treści na platformie Spotify obsługiwane są przez autorski system “Bandits for Recommendations as Treatments” lub po prostu “BaRT”. Składa się on z 3 głównych algorytmów spotykanych w innych systemach czyli: collaborative filtering, model przetwarzania języka naturalnego oraz model analizy ścieżek audio. Wszystkie 3 współpracują razem w celu analizy opisów, utworów oraz zachowań innych użytkowników o podobnych upodobaniach w celu dostarczenia jak najtrafniejszych rekomendacji.

Biorąc pod uwagę, że od początku działania użytkownicy Spotify przesłuchali ponad 2,3 miliarda godzin muzyki z playlist “Discover weekly” można stwierdzić, że są one wyjątkowo skuteczne w rekomendowaniu nowej muzyki. Więcej o sekrecie sukcesu silnika rekomendacji Spotify pisaliśmy wcześniej na naszym blogu.

system rekomendacji Spotify

Tik Tok

Tik Tok to stosunkowo nowa platforma społecznościowa, która pozwala użytkownikom na dodawanie kreatywnych 60-sekundowych filmików. Dwie rzeczy wyróżniają tę platformę spośród innych - znacznie wyższy współczynnik zaangażowania oraz jeden z najlepszych systemów rekomendacji na rynku. Użytkownik nie musi szukać ani wiedzieć z góry, co chce obejrzeć. Spersonalizowany kanał dostarczy mu treści, które najprawdopodobniej go zainteresują jednym kliknięciem. Algorytm analizuje w czasie rzeczywistym dane zarówno o samych filmach, jak i preferencjach oraz czasie oglądania innych użytkowników. 

Użytkownicy Tik Toka zwykle spędzają 52 minuty dziennie w aplikacji. Dla porównania użytkownicy Snaptchata, Instagrama i Facebooka spędzają odpowiednio 26 minut, 29 minut i 37 minut. Wyraźnie pokazuje to, jak dużą przewagę oferują rozwiązania oparte na sztucznej inteligencji.

YouTube

Od maja 2019 r. co minutę do YouTube trafiało ponad 500 godzin filmów. Dostęp do milionów materiałów różnego rodzaju od zabawnych, kilkusekundowych filmików z kotami po specjalistyczne tutoriale wymaga skutecznego systemu pomagającego ludziom wybrać to, czego szukają. Rekomendacje YouTube są obsługiwane przez Google Brain, który został niedawno otwarty jako TensorFlow. Umożliwiło to Google znacznie łatwiejsze szkolenie, testowanie i wdrażanie rozwiązań opartych o sztuczna inteligencję w różnych rodzaju środowiskach. 

Silnik rekomendacji YouTube składa się z dwóch głównych sieci neuronowych. Pierwsza z nich odpowiedzialna jest za generowanie kandydatów. Analizuje ona miliony materiałów i zawęża ich zbiór do zaledwie kilkuset filmów w zależności od historii oglądania użytkownika, zapytania użytkownika i innych cech demograficznych. Za kolejny krok odpowiedzialna jest druga sieć neuronowa - system rankingowy. Uwzględnia on dane z systemu generatora kandydatów i inne dostępne dane, takie jak język użytkownika, język wideo i osobiste preferencje użytkownika. Następnie klasyfikuje on zbiór materiałów w kolejności względem prawdopodobieństwa, że dany film zainteresuje określonego użytkownika. Propozycje te prezentowane są użytkownikom w czasie rzeczywistym i bez wątpienia są bardzo skuteczne.

system rekomendacji youtube

Znaczenie dla branży e-commerce

To jak istotne dla największych serwisów w sieci stały się rozwiązania oparte o machine learning oraz sztuczną inteligencję ewidentnie pokazuje, że są one obecnie jednymi z najważniejszych trendów w działalności w internecie. Systemy rekomendujące treści są w stanie przykuć uwagę użytkowników na dłużej, a strony posiadają zaimplementowane, kompleksowe silniki rekomendacji mają znaczną przewagę nad konkurencją. Dla stale rozwijającej się branży e-commerce rozwiązania zwiększające personalizację strony oparte o machine learning są bardzo dobrym sposobem na rozwój oraz maksymalizację zysków.

Największe platformy internetowe coraz intensywniej wykorzystują sztuczną inteligencję do usprawniania doświadczeń użytkowników. Rozwiązania te są zaskakująco skuteczne i także mogą pomóc branży e-commerce.

arrow-up icon