Умный дом. Опыт "Дом.ru"

В ноябре 2019 года стало известно, что на платформе "ЭР-Телеком" (бренд Дом.ru) Movix запущена система персональных рекомендаций контента, созданная британской компанией ThinkAnalytics. Система изучает личные предпочтения каждого пользователя, находит и рекомендует интересный ему контент. Что представляет собой этот продукт и что он дает оператору? 

Это коробочная система, разработанная ThinkAnalytics (ThA). На старте мы выбирали среди готовых решений, поскольку нужно было сделать быстрый рывок. Рынок предложил хорошие и интересные решения в том числе и от российских компаний, но по совокупности факторов, включающих опыт внедрения аналогичных решений и отлаженность бизнес-процессов разработчика, мы остановились на ThA. Правда, на этапе внедрения пришлось столкнуться с рядом сложностей, но о них чуть позже. Вначале я поясню, как работает система рекомендаций.  

Рекомендации строятся на основании поведения пользователя: решение анализирует, какие жанры, актеры, режиссеры ему нравятся, запоминает фильмы каких студий, с каким рейтингом, какой давности он чаще смотрит и так далее. Как это работает? Любой клик, любое действие человека производят сигнал, который клиентское устройство – приставка, мобильное приложение, сайт с плеером – отправляет в систему рекомендаций. Таких сигналов может быть множество. Далее формируются некая событийная модель поведения и портрет профиля, с которым уже работает технология машинного обучения и искусственного интеллекта, создавая персональные предложения.  

Важно понимать, что портрет – это не стационарное представление. Он подвижен, уникален в каждый момент времени и изменяется с каждым новым сигналом. Приведу пример. Если в семье появляется ребенок, который смотрит мультики перед дневным сном, система подстроится и именно в это время будет рекомендовать детский контент. Если дальше на "телевизионную сериальную вахту" заступают родители, технология станет советовать им подходящие фильмы или сериалы. Чем чаще пользователь взаимодействует с сервисом, тем точнее будут рекомендации и проще выбор.  

Облегчило запуск системы рекомендаций то, что в этот момент мы готовились глобально обновить видеоплатформу Movix и включили проект в общий пул изменений. Это позволило консолидировать наши усилия и сократить сроки внедрения до 6 месяцев.  

Какие сложности были при внедрении?  

Самым сложным для нас нас оказалось синхронизироваться со всеми службами компании, ведь внедрение системы рекомендаций затрагивает все клиентские устройства Movix, архитектуру backend и интеграцию со внутренними инструментами, включая Big Data.  

Английский язык не стал для нас барьером. Наши специалисты владеют им на хорошем уровне. Тут, скорее, стоит отметить менталитет наших партнеров и различие в практиках ведения бизнеса. Нам повезло. Партнеры удивляли нас, например, скоростью принятия решений. Хочу отдельно отметить заслугу команды, которая работала над проектом. Крутые продукты делают люди, а не классный софт или комитеты, поэтому именно команда сыграла ключевую роль в достижении успеха.  

Какое обновление приставок понадобилось?  

Система работает только на устройствах с интернет-каналом. Для запуска рекомендаций на приставках потребовалось не просто обновить прошивку, а наладить регулярную работу с качеством сигналов, поступающих с клиентских устройств, выстроить систему автотестов, гарантирующих корректную работу рекомендаций в каждом релизе прошивки.  

22 действия, которые анализирует система  

Это можно назвать разновидностью сигналов на разные случаи поведения, например покупка, просмотр карточки фильма или передачи, добавление в избранное. У каждого такого действия свой коэффициент влияния на профиль.  

Есть ли какие-то сводные данные по итогам тестирования/использования, говорящие о поведении зрителей? 

Поведение пользователей весьма предсказуемо, большую часть времени клиенты проводят в линейном ТВ, меньше в VoD и в основном кликают на элементы, которые они видят при включении на стартовом экране. В частности, именно поэтому мы сначала показываем рекомендованный контент, а потом уже сетку каналов.  

Сколько компания потратила на этот проект?  

Условия и сумму контракта мы озвучить не можем, отмечу, что при выборе поставщика мы не зря опирались на наличие у него опыта внедрения. На этом и базировалась наша финансовая модель с понижением рисков от внедрения и повышением гарантий эффекта. Практика показала, что решение было верным: система ThA скоро достигнет заявленных прогнозов и окупит проект.  

Задача любой рекомендательной системы – помочь решить проблему выбора, будь то интернет-магазин, новостной сервис или онлайн кинотеатр. Если клиент каждый раз получает интересное для него предложение, он с высокой долей вероятности будет возвращаться в сервис снова и снова. Ну а лояльность клиента – это основа любых числовых метрик.  

Сейчас система рекомендаций увеличивает телесмотрение на час в месяц и влияет на рост продаж с экрана ТВ, но это лишь середина пути, мы намерены и дальше увеличивать эту цифру. Backlog идей, гипотез, улучшений постоянно пополняется, работа идет. В процессе улучшения интерфейса не стоит забывать про аналитику. Любые решения должны опираться на данные. На сбор аналитики мы тратим немало сил, и процесс еще продолжается.  

В завершение хотелось бы предостеречь всех, кто собирается внедрять рекомендательный движок: метаданные – это 80% успеха. Без качественных метаданных качественных рекомендаций не получится.