Рекомендации контента: как помочь случайному посетителю стать вашим читателем

Giraff.io
Giraff.io
Jun 4, 2019 · 9 min read

Представим ситуацию: посетитель вашего сайта нашел интересный лонгрид, решил прочитать его, отвлекся на другие дела и отложил статью на потом. Спустя некоторое время он решил вернуться к чтению, но отыскать материал не смог. Хорошо, если статья уже проиндексировалась, а ваш ресурс стабильно находится в топ-3. Но и это не гарантирует того, что посетитель вернется. Если вы ему не поможете.

Сценарий номер два: пользователь благополучно прочитал статью и ушел с сайта довольным. Можно похвалить себя за отличную работу, а свой проект за прекрасный контент и расслабиться. Как бы не так! Если вы смогли заинтересовать человека только одной статьей, считайте его случайным прохожим, который вряд ли вернется на ваш ресурс осознанно. Другое дело, если вы сумеете деликатно и ненавязчиво показать читателю еще несколько полезных и релевантных материалов. Сделать это помогут рекомендательные системы.

Методы подбора рекомендаций

Условно все существующие сегодня системы рекомендации контента на сайте разделяют на четыре типа.

  1. Коллаборативная фильтрация

Самая популярная технология называется коллаборативной фильтрацией (collaborative filtering). Она обеспечивает рекомендации контента на основе оценок других пользователей. Алгоритмы подбора контента в этой схеме основаны на машинном обучении.

Сначала система определяет, что известно о посетителе. Затем находит тех пользователей, которые имеют схожие интересы, для вычисления прогноза. После этого подбирает набор рекомендаций для конкретного пользователя и ранжирует их на основании данных о CTR страниц или разделов площадки. Существуют кластеры пользователей и закономерности, с помощью которых можно увеличить вовлеченность читателя в контент.

Недостаток подхода: чтобы работать с этими фильтрами, нужно постоянно получать информацию о том, как именно взаимодействует каждый читатель с вашим сайтом. При этом важно иметь большое по численности ядро аудитории и постоянно анализировать массу показателей:

  • сколько человек перешло по ссылке,
  • каков процент доскролла,
  • время чтения каждой единицы контента
  • и иные факторы.
Основываясь на технологии коллаборативной фильтрации и накопленных данных о пользователях, система аналитики Giraff.io предоставляет владельцу сайта подробную информацию о том, какой процент посетителей взаимодействовал с контентом сайта после прочтения первого материала.

2. Технология knowledge-based

Эти рекомендательные системы основаны на знаниях о той или иной предметной области (knowledge-based). Объединение объектов происходит на основании общности категории, а не по принципу подобия. Товарный ассортимент магазина относится сюда же. Не случайно подход knowledge-based чаще используется не на контентных проектах, а на сайтах e-commerce.

Простой пример: если вы только что просматривали описание iPhone 7 в популярном интернет-магазине, то вам незамедлительно предложат защитный чехол, пленку на экран, портативное зарядное устройство и прочие аксессуары. То есть товары из других категорий, но совместимые с конкретной маркой и даже моделью.

3. Системы content-based

Системы, основанные на контенте (content-based) — более обобщенная реализация предыдущей технологии. Она подбирает объекты по принципу подобия. На технологии content-based сегодня работают не только сайты магазинов, но и такие проекты как Prismatic и отечественный Surfingbird. Точность подобных рекомендаций зачастую стремится к нулю. В попытке привлечь нового пользователя площадка как бы пытается попасть пальцем в небо, «подкидывая» контент наобум.

При несколько более сложной реализации и более тщательной проработке алгоритмов контентная фильтрация способна формировать рекомендацию на основе поведения пользователя на других площадках. В идеале технологии content-based способны анализировать информацию о том, какие сайты и блоги читатель посетил, прежде чем перешел на конкретный сайт. Однако в жизни все реализуется куда более примитивно.

Не могут похвастаться успехами работы с content-based и крупные торговые площадки. К примеру, тот же Ozon.ru. Если вы попросите систему найти вам термокружку — она послушно выдаст предсказуемый результат. Чуть ниже появится блок рекомендуемого, призванный показать, что еще покупают люди, которые, как и вы, искали себе термокружку. Судя по информации из блока, покупатели не интересуются ни рюкзаками, ни палатками, ни складными ножами, ни другими товарами для туризма и активного отдыха.

Система рекомендаций на сайте отображает еще 5 страниц, на которых будут, увы, термокружки и ничего больше. Интересно такое предложение будет разве что коллекционеру термокружек.

Исправить ситуацию поможет применение современных сервисов рекомендаций. Giraff.io собирает реферер, геоположение читателей, глубину скролла, время чтения, количество просмотренных страниц, доходность, виральность и количество переходов с шерингов. И даже позволяет отследить, насколько популярны среди пользователей материалы тех или иных авторов.

В целом подходящая для работы статистика выглядит так:

4. Гибридные технологии

Рекомендательные системы на основе гибридных технологий (hybrid) очень трудны в разработке. Зато одни из самых умных и точных. Здесь используются самые сложные алгоритмы, которые постоянно совершенствуются. В основе подхода лежит идея «взять лучшее от каждого». Нетрудно догадаться, что стоить такое решение будет дорого, а использовать его под силу лишь крупным корпорациям типа Amazon и Netflix.

Нетфликс подбирает рекомендации сразу по всем признакам — аналогичные просмотренным, популярные сейчас, похожие по жанрам.

Распространенные ошибки при рекомендации контента

Даже самая прекрасная идея может быть загублена неудачной реализацией. Этот неоспоримый факт применим и к рекомендательному контенту на сайтах. Перечислим главные ошибки онлайн-издателей.

1. Больше тегов и ключевых слов!

Наверное, один из самых крупных мифов (спасибо представителям СМИ) — это то, что рекомендации по тегам и поиск ключевым словам на сайте обеспечивают самую релевантную информацию. К сожалению, это не всегда так. Да, поиск осуществляется по ключевым словам, но зачастую он не учитывает контекст статьи или новости.

Ну а что касается простановки тегов редакторами, то логика здесь нередко оставляет желать лучшего. В случае, когда мы имеем дело с крупным новостным порталом, где заметки в одну и ту же рубрику могут готовить совершенно разные сотрудники, а частотность выхода материалов зашкаливает, — проблем не избежать.

2. Логика поиска и рекомендаций понятна лишь разработчику

На ресурсе oborot.ru — своя не до конца понятная схема поиска по ключевым словам. Так, по запросу [m-commerce] сначала предлагается информация о трендах 2015 года, и лишь затем — о трендах 2017. Далее в результатах поиска по сайту мы видим исключительно информацию, касающуюся ecommerce.

Было бы логично предположить, что если зайти в одну из предложенных статей, блок «Читайте также» внутри нее покажет хотя бы несколько ссылок из списка выше. Однако это не так, в рекомендациях мы видим ссылки на статьи абсолютно других тематик:

  • Бриллианты могут стать друзьями почтальонов.
  • AliExpress продает одежду через стримы.
  • ФТС ищет контрафакт в посылках из Китая.

Все это едва ли имеет отношение к содержимому статьи про мобильную коммерцию.

Чем прозрачнее логика поиска, тем больше шансов, что пользователь найдет на вашем сайте то, зачем пришел.

3. В «Рекомендованном» — только статьи из раздела, где сейчас находится пользователь

Прежде чем задавать такой алгоритм наполнения блока, советуем вам вспомнить, какая схема поведения для вас как для потребителя контента более типична. Допустим, вы только что прочитали новость о грандиозной распродаже обуви в вашем городе. Хотели бы вы следом увидеть еще 5 материалов об этой же распродаже? Вряд ли.

Гораздо эффективнее выстроить логическую контент-цепочку: тема о распродаже цепляет обзор о новой коллекции обуви популярного бренда; а там и в раздел, где рассказывают о сумочках, можно заглянуть; ну а потом и посмотреть видео с модного показа в Милане… Цепочка может продолжаться довольно долго, главное, чтобы логика ее формирования соответствовала интересам и поведению пользователя.

Многочисленные исследования подтверждают, что подавляющее большинство людей потребляет контент по схеме номер два. Если вы к ним не относитесь — поздравляем, вы исключительный и крайне целеустремленный человек, который готов до бесконечности долго углубляться в одну и ту же тему!

4. Блок «Популярное» показывает новости, которые уже прочитали все

Многие сайты (новостные ленты, социальные сети) очень любят рекомендовать читателям «Популярное». Если вдуматься, популярным материал становится, когда его посмотрело наибольшее количество людей. А это значит, что когда вы рекомендуете популярную новость пользователю — он мог уже видеть ее. Каждый раз, когда вы захотите сделать у себя на сайте такой блок, вспоминайте, что популярные новости = новости, которые видели почти все.

Мы понимаем, что это своеобразный must have, но многие сайты постепенно отказываются от него.

В самом крайнем случае блок «Популярное» можно переименовать. Советуем присмотреться к варианту «Горячие новости» и настроить фильтр рекомендаций по времени — можно показывать все самые свежие и самые обсуждаемые заметки, убирая их ротации устаревшие. Функционал Giraff.io позволяет с легкостью отключать ненужный контент, настроив соответствующую функцию:

Как повысить видимость контента

Напоследок дадим еще несколько простых советов тем, кто всерьез задумал повысить видимость контента на сайте.

1. В конце статьи ссылайтесь на материалы схожих тематик

Предлагайте связанный контент в конце статей. Да, мы хорошо помним все, что писали до этого, но рекомендации для того и созданы. Просто использовать функционал нужно по делу и осознанно.

И тут важно учесть, насколько грамотно составлен блок «Рекомендуемого». Любая тема при рассмотрении оказывается «комплексной» и связанной с другими. Если на вашем сайте читатель постоянно выбирает статьи о том, как запустить собственный стартап, то вы вполне можете предложить ему материал о том, как искать инвестора. Это увеличит количество и глубину просмотров, удержит пользователей на сайте.

2. Не ставьте рекламный блок между текстом и ссылками на «рекомендованные» статьи

Нижний блок, следующий сразу за текстом статьи, обычно хорошо виден, и если вы решите разместить там рекламу вместо перекрестных ссылок и заработать на этом — почему бы и нет. Но помните два простых правила.

Во-первых, поисковые системы с подозрением относятся к рекламе в подвале страницы сайта.

Во-вторых, увидев рекламу, пользователь либо перейдет по ней на сайт бренда, либо попросту закроет страницу, решив, что чтение закончилось. Заглянуть в блок рекомендаций никто и не подумает.

Не менее нелепо смотрится рекомендательный блок, разрывающий текст посередине. Увидев его, читатель не всегда способен перестроиться и понять, что произошло.

3. Ставьте информативную часть заголовка в начало анкора

Когда вы будете формировать ссылки на релевантные материалы, помните, что самую информативную часть заголовка лучше разместить в начале анкора. Ведь большинство людей не дочитывает предложение до конца. Еще один вариант — делать заголовки статей краткими и емкими, а затем транслировать их в блоке:

Если аналитика вашего сайта демонстрирует высокий показатель отказов, возможно, настало время оценить, насколько хорошо заметны рекомендации и насколько качественно подобран в этих блоках контент. Конечно, это не единственный фактор и, откровенно говоря, качество и достоверность написанного потенциально влияют на посещаемость гораздо сильнее видимости. Однако оценка того, насколько хорошо вы подаете тематически связанные материалы читателю, важна для увеличения глубины просмотра и среднего времени посещаемости.

К слову, рекомендательные сервисы позволяют дополнительно заработать и на существующем рекламном инвентаре за счет роста вовлеченности пользователей. То есть обеспечивают дополнительные показы рекламы. Это еще один немаловажный плюс от применения технологии.

Статистику подтверждают и в Google: «Мы заметили, что если разместить блоки «Рекомендуемый контент» рядом с обычными рекламными блоками, то CTR и доход на тысячу показов последних повышаются. Клики по рекомендациям контента могут принести больше просмотров страниц, часть из которых может принести больше дохода».

Подведем итоги

То, насколько интересно читать публикации на сайте и удобно находить релевантный контент, во многом обуславливает популярность ресурса среди посетителей, улучшает поведенческие характеристики и снижает показатель отказов.

Важно постоянно исследовать:

  • какой контент потребляет ваша аудитория;
  • каким образом пользователи взаимодействуют с содержимым страниц;
  • какие рекомендации работают на внутренние переходы лучше.

Учесть придется всё — от содержания рекомендательных блоков до их юзабилити. Проблема того, что пользователь покидает сайт раньше времени, часто заключается не в качестве контента, а в его видимости и удобстве нахождения нужных публикаций. Даже зная о наличии информации на конкретном ресурсе, найти ее можно далеко не всегда. Продуманная навигация по сайту поможет посетителю не потеряться, а грамотно настроенная рекомендательная система предоставит безграничные возможности по исследованию интересующих тематик.

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade