Почему сайты не подсказывают клиенту то, что ему реально нужно | Большие Идеи

・ Управление инновациями
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Почему сайты не подсказывают клиенту то, что ему
реально нужно

Клиенты вспоминают о персонализации главным образом затем, чтобы посмеяться или пожаловаться.

Автор: Кайзер Фунг

Почему сайты не подсказывают клиенту то, что ему реально нужно

читайте также

Бизнес-риски: отнять, прибавить или разделить?

Гиротра Каран,  Нетесин Сергей

Прививка от дорожного бешенства

Гусинская Ирина

Миф о синергии сделок M&A

«Никому нельзя доверять»

Анна Натитник

Казалось бы, наступил золотой век онлайн-персонализации, готовы алгоритмы для предсказаний. Специалисты по обработке информации, опираясь на неимоверный рост больших данных, могут извлекать схемы из массива личных историй — интернет-серфинга и покупок, предугадывать наши предпочтения и подгонять предложение под индивидуальные вкусы.

Разумеется, такие алгоритмы выстраиваются: целые команды из кандидатов и докторов наук в лучших университетах работают на результат. В 2006 году Netflix обратилась к самым интересным с предложением: миллион долларов тому, кто сумеет усовершенствовать имеющийся в распоряжении компании алгоритм так, чтобы точно предугадывать рейтинги фильмов. Для этого вместо одного надежного алгоритма понадобилось сто (!) непонятных с самыми экзотическими названиями: тут и «ограниченная машина Больцмана», и «разложение сингулярных величин». Большие данные играют мускулами.

Но вот беда: персонализация так и не продвинулась. Клиенты вспоминают о персонализации главным образом затем, чтобы посмеяться или пожаловаться. Как раз на этой неделе моя сотрудница посетовала: «Facebook прислал мне имена всех моих бывших, предлагает подружиться с ними!» И это не единственный пример. Другой мой коллега подхватывает: «Стоило купить на Amazon телевизор, и меня завалили предложениями разных брендов. Они в самом деле думают, что мне нужно два телевизора?» Не желая отстать, я поделился собственным недоумением: под видео на YouTube (я слушал классическую музыку) по всему экрану расползлись мультяшные тараканы, предлагая услуги дезинсекторов. Наконец я сообразил, в чем дело: перед просмотром ролика я прочел в новостях сюжет о нашествии насекомых на известную кондитерскую фабрику.

А вот еще что: Netflix отказалась использовать замечательные алгоритмы, за которые была выплачена премия в миллион долларов, потому что стало ясно: эти десять процентов плюс к точности «не окупают технических усилий, которые понадобятся для внедрения всей этой математической белиберды».

Можете смеяться над алгоритмами сколько угодно, однако выстраивать предсказания не так уж просто, и специалисты по большим данным — молодцы, конечно. Вот только почему из алгоритмов не удается выжать самые простые и очевидные рекомендации?

Например: Amazon хранит историю всех моих покупок: скажем, я приобрел десять пар обуви. И все же сайт не способен проанализировать эти данные и рекомендовать мне обувь американского размера 7,5. Как получается, что эта информация до сих пор не вписана в алгоритм? Или вот: несколько раз в месяц я захожу на сайт банка и плачу по счетам: две кредитные карточки, коммунальные платежи и мобильный — всегда в таком порядке, но за пять лет банковские компьютеры не разгадали эту простейшую схему. Опять же туристические сайты, проверив мои билеты, могли бы без труда установить, что я летаю эконом-классом, выбираю маршрут с минимальным числом пересадок и в часы пик предпочитаю аэропорт JFK, чтобы не добираться по пробкам в Нью-Йорк.

Огромное количество данных, а итог все еще не впечатляет. Что ж такое? Мне кажется, дело в том, как понимают задачу персонализации сами компании. Для них это инструмент расширения продаж, они хотят вытолкнуть клиента из зоны комфорта, побудить его купить что-то новое, вообще потреблять все больше и больше. Для этого данных из журнала действий конкретного человека недостаточно. Специалисты по данным стараются вывести закономерности для группы чем-то схожих клиентов. При таком подходе к персонализации создаются алгоритмы, основанные на переменных.

Но мои примеры — с обувью, банком, билетами на самолет — относятся к категории постоянных величин. Постоянными могут быть физические параметры (размер ноги), повторяющиеся события (оплата счетов) или привычки (приверженность бренду или месту). Если использовать такие параметры, шансы угадать потребности юзера во много раз возрастают по сравнению с попытками додумать его поведение на основе переменных величин.

Персонализация на основе постоянных величин не столько инструмент расширения продаж, сколько великолепная клиентская служба, ненавязчивая техника, укрепляющая лояльность потребителей.

Как бы я порадовался, если бы Amazon отстала от меня с восьмью дополнительными товарами, которые «могут меня заинтересовать» (а могут и не заинтересовать вообще-то) и вместо этих подсказок просто исключила бы из результатов поиска обувь не моего размера. И было бы приятно, если бы сайт банка заранее подготовил заполненный бланк платежа, а мне оставалось только щелкнуть мышкой.

Недавно интернет-бакалейщик FreshDirect сделал серьезный шаг к подлинной персонализации: если вы ищете продукты, которые покупали раньше, сайт выдает вам список «фаворитов». Например, когда я набираю в поисковой строке «вода», первым делом появляется Poland Spring, а если я выбираю Poland Spring, то сайт уже знает стандартный заказ — шесть галлонных бутылок. Вот это я называю персонализацией!

Так почему же другие компании этого не делают?

Думаю, вот почему: слишком просто. От специалистов почти ничего не требуется, компьютер учитывает прежние действия пользователя и подгоняет под них предложение. Это не алгоритм, этому даже нет надобности учить на компьютерных курсах. А без алгоритмов, владения компьютерным языком, автоматизации, параллельной обработки данных какая уж наука! (См., к примеру, статью Васанта Дхара «Data Science and Prediction» в Communications of the ACM, декабрь 2013.)

Короче говоря, такого рода легкие решения непривлекательны в глазах специалистов по данным. А может быть, специалисты боятся лишиться уважения, если персонализация будет осуществляться без помощи семи докторов наук, трудящихся три года подряд над сотнями алгоритмов.

Специалисты по данным — главная сила экономики будущего, и сложные алгоритмы — это важнейшая часть их работы. Но с точки зрения рынка им не помешало бы иногда вспоминать о более простых вещах и о сиюминутной выгоде. В Netflix уже это осознали: как раз пару дней назад компания объявила, что намерена существенно сократить количество выдаваемых рекомендаций. А несколько ранее Алексис Мадригал в The Atlantic отметил, что Netflix вместо предсказаний, какой рейтинг вы могли бы присвоить фильму, перешла к более разумным рекомендациям: какой жанр вы бы могли предпочесть. В своем блоге я уже хвалил этот разумный стратегический выбор, поскольку он и представляет собой простой, ориентированный на клиента подход, какой должны были бы предлагать все нормальные компании. Что бы ни говорили специалисты по данным, такого рода рекомендации более точны, более соответствуют здравому смыслу и более полезны для потребителей.

Маркетологи годами ждали появления идеальной «машины для предсказаний». И вот что я им посоветую: хватит ждать. Забудьте о жестком подходе, о расширении продаж, покорите клиентов сервисом мирового класса. В сфере персонализации новым словом станет простота.

Читайте по теме:

* деятельность на территории РФ запрещена