На Facebook:




Система контекстов, или что хотят Ваши клиенты на самом деле?

Неужели вся система российского образования лежит в руинах, а мы сами – словно дикари в джунглях с трепетом рассматриваем давно истлевший остов некогда шикарного самолета, зарастающего толстыми лианами и густым мхом? Встречаясь с такими людьми, как Александр Федосеев из Воронежа, быстро понимаешь, что это пока не так. Ему сейчас всего 26 лет. Может он редкое исключение? – Вероятно, нет. Крупные IT компании и сегодня бороздят просторы Воронежа, что в пятистах километрах к югу от столицы, и находят там ценные кадры.

Саша закончил кафедру «Финансы и кредит» Воронежского Государственного Университета. В студенческие годы он лишился отца, а его мама до сих пор работает учителем в высшей школе. Еще в университете его увлекла романтика фондового рынка: акции, облигации, деривативы, колебания рынка и, конечно, образ независимого человека, называемого трейдером. Изучив основы биржевого дела, Александр вышел в свободное плавание. Надо было как-то жить дальше. Ему удалось преумножить исходную сумму в несколько раз и вовремя выйти из опасной игры. Его модель перестала работать и стала приносить убытки. «Рынок быстро адаптируется. Об этом никогда не следует забывать. Здесь надо быть очень осторожным, если не хочешь остаться без штанов».

RSB: В каком направлении стала развиваться твоя карьера после «биржевого этапа»?

Мне всегда хотелось быть самостоятельным человеком и заниматься своим бизнесом. Математика и теория вероятностей очень пригодились в моей работе, как и заработанные на бирже деньги, которые позволили мне «купить» немного времени для развития собственного дела. Сегодня российский рынок только начинает осваивать технологии рекомендательных систем, а в развитых странах этим стали заниматься еще в начале 90-х. Крупнейшая компания в этой отрасли находится в США и уже имеет капитализацию около 1 млрд. долларов.

RSB: Что такое рекомендательная система, и как возникла идея?

Новые идеи рождаются в процессе работы. Сначала мы с партнерами хотели заниматься анализом данных (data mining). Однако очень скоро стало ясно, что анализ сам по себе продать сложно – клиенты не будут выстраиваться в очередь к незнакомой и малоизвестной на рынке компании. Нам нужен был полноценный продукт для продажи. Чтобы не стоять на месте, мы решили поучаствовать в конкурсе KDD Cup 2011, цель которого заключалась в разработке системы прогнозирования пользовательских оценок для песен, размещенных на Yahoo Music. В процессе погружения в тему мы поняли, что это, по сути, – вариант рекомендательной системы. В итоге мы нашли, что искали: четкое понимание нашего нового продукта, технологий его разработки и внедрения, а также понятные для клиента результаты его использования.

Рекомендательная система – это аналитический продукт. Вы можете прогнозировать поведение ваших клиентов, понимая, какие товары могут быть им интересны в будущем, на базе информации об их предыдущих покупках. Это инструмент кросс-продаж. По сути, рекомендательные системы – это алгоритмы прогнозирования поведения потребителей на рынке. Например, если некий Василий Петров заходит в интернет-магазин и покупает (или даже просто ищет) книгу о Шерлоке Холмсе, очевидно, ему смело можно предложить книги о расследованиях «Миссис Марпл» или произведения Агаты Кристи. А может быть Василию Петрову всего 15 лет? Тогда почему бы не посоветовать ему «Набор юного следопыта» от ваших торговых партнеров? Это упрощенное, но довольно точное описание того, что мы делаем. Мы не занимаемся магией. Мы просто используем все доступные данные о покупателях и анализируем их при помощи математических методов анализа.

RSB: Как же помогает знание математики?

Есть множество технологий анализа. Например, метод коллаборативной фильтрации, т.е. выделения клиентов с похожими вкусами и общими покупательскими предпочтениями. На базе кластерного анализа мы ищем похожих покупателей и формируем из них условные группы. В многомерном пространстве покупок (товаров и услуг) с помощью Евклидовых мер удаленности мы выделяем наиболее близких друг к другу клиентов и анализируем полученные результаты. Например, если мы видим, что в одной и той же группе один клиент покупал определенный товар, а другой покупатель – пока нет, мы можем предполагать, что данный товар может быть интересен и тому второму клиенту, который данный товар еще не купил.

RSB: В каком виде вы передаете свой продукт заказчикам? Дорого ли стоит разработка подобной системы?

Мы продаем алгоритмы анализа товарной номенклатуры. Алгоритм можно передать заказчику как в виде кода на языке программирования, так и виде простейшей логики «Если.., то..». Кроме того, мы оказываем услуги по внедрению наших алгоритмов в рабочий процесс заказчика, а также поддержку по этапам развития бизнеса. В среднем разработка подобной системы занимает около 3-х месяцев, а наша цена составляет около 100 т.р. за один проектный месяц работы.

RSB: Для кого вы работаете?

Наши услуги нужны там, где есть конкуренция. Наиболее яркий пример – интернет магазины розничной торговли, где лояльность покупателей во многом зависит не только от цены и сроков доставки, но и от удобства поиска нужного товара. Вовремя сделанное предложение НУЖНОГО товара напрямую влияет на объем потраченных в вашем магазине денег. Примеры, успешно работающих рекомендательных систем можно найти у таких крупных онлайн-ритейлеров, как Amazon.com, Ozon.ru или Yahoo Music. С развитием конкуренции каждый предприниматель все больше начинает понимать, что внимательное отношение к своему клиенту и учет его личных потребностей и вкусов все больше и больше влияет на долю рынка компании.



Яндекс цитирования