Благодаря внедрению совершенно новых параметров Подписки и Избранное для настройки ленты Instagram многое изменилось в способе доставки контента и его адаптации для привлечения внимания. Персонализированные каналы доступны не только в Instagram или Facebook, но и на каждой платформе, которая использует тот или иной алгоритм рекомендаций для прогнозирования намерений пользователей и, возможно, увеличения их доходов. Есть Netflix и Amazon, которые дают рекомендации о том, что покупать и смотреть, а Tinder играет купидона при каждом вашем прикосновении, чтобы помочь вам найти кого-то, кого вы хотели бы провести прямо сейчас. Вопрос в том, как эти алгоритмы могут определить, что вам нравится, а что нет? Что делает некоторые каналы настолько привлекательными, что их невозможно не прокручивать или листать?
Как работают алгоритмы рекомендаций?
В этих списках рекомендаций каждый элемент ранжируется на основе некоторой бизнес-логики или математического уравнения. Цель списка социальных сетей — максимизировать вовлеченность, тем самым отдавая приоритет элементам, которые с наибольшей вероятностью вызовут реакцию, а не наименее вероятным. Любое взаимодействие с элементом в списке возвращается в механизм рекомендаций. В результате механизм рекомендаций узнает, чем предмет с определенными характеристиками или свойствами будет интересен данному конкретному пользователю. Поэтому следующий визит пользователя в список будет более персонализированным, чем его предыдущие. Для интернет-магазина крайне важно оптимизировать как можно больше товаров, чтобы максимизировать их покупательский потенциал. Первоначально намерение пользователя неизвестно, но со временем, когда пользователь взаимодействует с большим количеством элементов во время просмотра, рекомендации становятся более индивидуальными, чтобы помочь сузить свой выбор. Модели машинного обучения часто могут быть предвзятыми или неправильно обученными в результате таких бессознательных входных данных. По этой причине некоторые платформы даже предоставляют пользователям возможность исправить эти неправильные клики и создать ленту, лучше адаптированную к их вкусам, или предоставить сознательные входные данные для лучшего обучения машины. Компании нанимают специалистов по обработке и анализу данных или инженеров по машинному обучению для оптимизации этих алгоритмов, чтобы максимизировать свой доход за счет увеличения зависимости пользователей или количества времени, затрачиваемого на взаимодействие с этими списками.
Какую пользу это приносит компаниям?
Пристрастие людей к социальным сетям и интернет-магазинам не только делает их бизнес или продукт популярным, но и приносит доход их организации. Для торговых веб-сайтов модель доходов более прозрачна, так как доход генерируется напрямую, когда списки настраиваются и пользователь покупает больше товаров, чем изначально планировал. Но эта конверсия дохода в соцсетях не очень заметна. В то время как пользователь тратит время на прокрутку своих каналов в социальных сетях и взаимодействие с контентом, другие компании могут использовать эту возможность для выхода на персонализированную аудиторию, поскольку они знают, каковы их интересы. Социальные сети предлагают предприятиям платформу для продвижения своих продуктов и услуг и, в свою очередь, монетизируют доходы от рекламы для поддержания своих бесплатных веб-сайтов. Чем больше времени пользователь проводит в социальных сетях, тем больше рекламы будет направлено ему или ей в надежде увеличить количество переходов по рекламным объявлениям. Важно отметить, что даже небольшое изменение в организации или отображении этих предметов может потенциально привести к огромным потерям доходов. Таким образом, эти компании вкладывают значительные средства в свои ресурсы данных и персонал, чтобы максимизировать свою прибыль от таких каналов.
Как это влияет на то, что мы думаем или чувствуем?
Часто ведутся противоречивые дебаты по таким темам, как то, влияют ли ленты социальных сетей на то, что мы думаем и чувствуем, а не наоборот. Как люди, мы склонны менять свою точку зрения и по-разному реагировать на определенные вопросы, когда видим, что происходит в социальных сетях. Среди растущих тем, на которые компании социальных сетей пытаются найти ответы, входят фальшивые новости, порнография, насилие и другие этические/уголовные правонарушения. Другие темы, такие как политика и пропаганда, привлекли к социальным сетям еще более пристальное внимание со стороны государственных органов. Кроме того, эти механизмы рекомендаций также могут привносить социальные предубеждения, поскольку машины имитируют человеческое поведение, но им не хватает рационального сердца, чтобы отличить правильное от неправильного. Было много случаев, когда фид был адаптирован специально для пользователей-мужчин, поскольку их трафик составлял большинство на платформе. Это означало, что немужское население осталось позади и несправедливо обслужено.
Объем данных, собираемых этими механизмами рекомендаций, увеличивается каждую минуту по мере того, как все больше пользователей открывают учетные записи в социальных сетях и на торговых сайтах. Прибыль от этих движков растет по мере того, как их алгоритмы становятся умнее и настраиваемее, что заставляет компании вкладывать значительные средства в настройку своих каналов, чтобы они вызывали привыкание у пользователей. Чтобы способствовать развитию свободного, открытого и демократического общества, граждане мира должны осознавать последствия потребления такого контента и усердно работать над устранением проблем, которые могут его подорвать.
Если вам понравилась моя статья и вы ищете другие подобные публикации о науке о данных с точки зрения непрофессионала, подпишитесь на меня на Medium. Если у вас есть вопросы, вы можете связаться со мной в LinkedIn. Спасибо, что дочитали до конца и следите за новостями!
Запланируйте сеанс DDIChat в разделе Цифровой и контент-маркетинг:
Подайте заявку на участие в программе DDIChat Expert здесь.
Работайте с DDI: https://datadriveninvestor.com/collaborate
Подпишитесь на DDIntel здесь.
