ПЕРЕВОДЫ
Индивидуальные рекомендации: ожидания и предположения пользователей
Резюме: Пользователи предпочитают персонализированный контент и готовы раскрыть часть своих персональных данных, чтобы его получить и не тратить время на поиск информации.

20 лет назад Якоб Нильсен утверждал что персонализацию переоценивают, прежде всего потому, что технологии недостаточно развиты для разработки точных прогнозов ожиданий пользователей. Сегодня (как он и предсказывал) персонализация – это растущий тренд в интернете. Индивидуальная персонализация, в отличие от ролевой, относится к практике адаптации контента и функциональности к конкретному пользователю на основе данных, собранных о предпочтениях и поведении этого пользователя.
Персонализация в пользовательских интерфейсах может быть разнообразной от горячих клавиш до цветовых схем. Особенно полезной формой является применение индивидуальных рекомендаций на сайтах и в мобильных приложениях. Рекомендуемые продукты или элементы контента особенно распространены на сайтах электронной коммерции, социальных сетях, новостных сайтах и сервисах потоковой музыки или видео, но также встречаются и на других площадках. Например, сервис, подобный YouTube, может предложить миллионы видео. Однако любому пользователю при посещении домашней страницы сайта или после просмотра видео будет показано только несколько рекомендуемых роликов и каналов, основанных на собранных об этом пользователе данных.

Индивидуальные рекомендации могут быть основаны на машинном обучении или других способностях искусственного интеллекта, пользовательских настройках или комбинации того и другого.

Чтобы получить представление об ожиданиях пользователей и ментальных моделях, связанных со многими видами индивидуальных рекомендаций, предлагаемых на сайтах, мы провели небольшое дистанционное исследование удобства использования среди 8 участников, расположенных на территории США. На каждой сессии участники выполняли задания, назначенные координатором, на 2-3 сайтах, на которых у них были учетные записи, а также отвечали на вопросы, связанные с рекомендациями, в ходе интервью.

Участники нашего исследования были очень настроены на то, что сайты обычно отслеживают паттерны просмотра ими страниц, историю покупок и другие источники данных, чтобы представить индивидуальные персонализированные предложения. В целом эти рекомендации были ценными и рассматривались как инструмент сокращения доступных на сайте вариантов выбора.

Чтобы получить такое преимущество, пользователи были готовы пожертвовать некоторой конфиденциальностью; они ожидали, что многие их действия будут отслеживаться и анализироваться.
Курирование по рекомендации
Реакция на рекомендации была преимущественно позитивной у всех участников нашего исследования. Предложенные статьи, отвечающие их интересам, помогли им избежать перегрузки при выборе и отфильтровать «мусор», чтобы найти то, что их интересует.

"[Рекомендации хороши, потому что они не] заставляют вас загружать много-много продуктов, прежде чем вы найдете то, что вам действительно нужно. Они предлагают позиции, которые могут быть действительно вам интересны, и тогда вам просто нужно выбрать среди них. Я думаю, что это довольно хорошо.”

“Я все время нахожусь на Sephora. Я использую приложение, мобильную и десктопную версии сайтов. Я чувствую, что Google смотрит на все, на что я смотрю, а затем настраивает рекламу для меня, и я думаю, что было бы действительно здорово, если бы Sephora делала также. ... Таким образом, это было некой формой персонализации для меня, это было бы действительно потрясающе. Это сэкономило бы много времени на прокрутке.”

“Я действительно ценю то, как это позволяет мне находить другие вещи, которые похожи на то, что мне нравится, и которые я бы не нашел самостоятельно. ... У меня не всегда хватает терпения выслушать целую кучу вещей, если я не уверен в том, что они принесут мне удовольствие, чтобы отфильтровать их и найти ту единственную вещь, которая мне понравится. И поэтому, если Spotify может сделать это за меня, это будет здорово. Вот почему я попробовал сервис Stitch Fix в первый раз. Мне вроде как нравится ходить по магазинам, но я не люблю: "О, мне нужна пара черных брюк, поэтому я собираюсь перебрать тонны и тонны черных брюк, чтобы найти те, которые будут сидеть на мне хорошо». Когда мне требуется ответить на несколько вопросов, я ожидаю, что потом будет как в Stitch Fix: "Это хорошие брюки, они должны тебе понравиться, и они будут хорошо на тебе смотреться». Это сокращает время на просмотр вариантов, и просто выдает вам: «вот то, что вам может понравиться, попробуйте».

Как и личная рекомендация от друга, который хорошо вас знает, эти персонализированные предложения имели больший вес и рассматривались как более релевантные, по сравнению с основным рекламным контентом. Когда перед участниками ставилась свободная задача найти что-то, что могло бы их заинтересовать, они стремились к этим рекомендованным позициям (когда им удавалось их найти).
«Я предполагаю, что лучший выбор для меня будет немного больше соответствовать вещам, которые я предпочитаю, тогда как популярное – это просто то, что популярно для кого-то еще… То, что популярно, не обязательно понравится мне. Вот почему я обычно начинаю выбор с рекомендуемых мне позиций.»
Когда людей спрашивали, какая информация используется для формирования рекомендаций, они имели достаточно четкие идеи. Вот типы данных, названные вероятными источниками. Первыми в списке идут те источники, в которых участники были уверены более всего:

· История – либо прошлые покупки (на сайтах электронной коммерции), либо потребленный контент (например, просмотренные видео, песни)
· Введенные пользователем анкетные данные, включая демографические данные, такие как возраст, пол и местоположение, а также категории интересов или другая информация, специфичная для контекста сайта
· Ранжирование
· Сохраненные или ”лайкнутые " позиции
· Поведение при просмотре веб-страниц
· История поиска

«У меня правда нет идей как что-то из этого выбирается. Большинство из этого кажется подходящим, поэтому я думаю, что это основано на моем поведении во время покупок: ссылках, которые я нажал, вещах, которые я добавил в избранное, и которые я купил».

В то время как несколько пользователей оценили, что им не нужно было совершать покупку, чтобы извлечь выгоду из персонализированных рекомендаций, большинство из них хотели, чтобы их непосредственная деятельность, такая как прошлые покупки, сохраненные товары или введенная информация профиля, взвешивалась более тщательно, чем просто анализ просмотров. Они чувствовали, что не весь просмотренный ими контент соответствовал их интересам, и не хотели, чтобы эта активность в интернете исказила будущие рекомендации.

"Иногда я нажимаю на что-то, потому что я думаю, что это будет интересно, а затем я читаю отзывы или ... как та блестящая маска, которую я смотрел, или что-то подобное, что мне не хотелось бы видеть в рекомендованном. Но я абсолютно точно хотел бы видеть в своем рекомендуем больше тех вещей, которые я добавил в список избранных, или брендов, у которых я покупал в прошлом».

Пользователи предположили, что некоторые рекомендации основаны не только на их прямой или косвенной деятельности, но и на алгоритмах, которые выявляют похожих пользователей или позиции, похожие на те, к которым они проявили интерес.

“Может быть, у них есть какой- то алгоритм: "если вам нравится эта черно-белая клетчатая рубашка на пуговицах, то вам нравятся другие черно-белые клетчатые вещи или другие рубашки на пуговицах", что -то вроде этого.”

«Очевидно, у них есть какой-то алгоритм, который они используют, основанный на множестве различных данных. Я предполагаю, что он основан на моем личном использовании Netflix и на том, что я смотрел. А также, вероятно, на общих данных, то есть основанных на моем возрасте, поле и тому подобных вещах.”

Никто из пользователей нашего исследования не был чрезмерно встревожен вопросами конфиденциальности (отчасти возможно из-за безобидной тематики сайтов, которые мы тестировали), хотя некоторые предполагали, что “другие люди” могут быть обеспокоены. Для этих участников отслеживание их взаимодействия с сайтом было принято, как статус-кво, а также просто побочным эффектом использования интернета и жизни в современном мире. Преимущества получения контента, адаптированного под них, перевешивают беспокойство о конфиденциальности.

“Я знаю, что многие люди против [отслеживания], но это косметический продукт, поэтому мне все равно.”

“Я смирился с этим, потому что не предполагаю, что в ближайшее время перестану пользоваться интернетом. Мне просто нравится, эххх.”

“Это меня немного беспокоит, но я знаю, что именно так все происходит в этом мире, это не изменится. ... Это просто то, что вы ожидаете от мировых технологий и всего остального. Но это не беспокоит меня так, как некоторых людей.”

“Я думаю, что это довольно круто. Я имею в виду, что некоторые люди могут бояться, что компании или кто-то еще пытаются понять, каким будет их следующий шаг. Но я имею в виду, что они всегда так делали в Pew research и подобных. Я думаю, что это довольно хорошо, т.к. показывает, что компания пытается предложить наилучший возможный сервис”.
Netflix: Один пользователь не был уверен, является ли шоу, представленное в верхней части баннера, рекламной акцией для всех или индивидуальным контентом. Он рассудил, что недавно вышедший новый сезон является достаточной причиной для бизнеса, чтобы это было основанием продвигать этот контент для всех.

Воспринимаемая популярность той или иной части контента также использовалась в качестве подсказки для определения того, является ли этот контент персонализированным. Наши участники склонялись к предположению, что модные или обсуждаемые позиции были показаны всем; и напротив, нишевый или менее массовый контент, скорее всего, будет оцениваться как адаптированный для конкретного человека, поскольку он явно связан с прошлым поведением пользователя. Например, пользователь Eventbrite не был уверен, что события с едой и напитками, отображаемые на сайте, были персонализированы: хотя она часто ходила на такие мероприятия, она чувствовала, что так же поступали и все остальные.
“Опять же, может быть основываясь на моих поисках и прочем, это то, что по их мнению, я сочту наиболее интересным, или: "мы можем сказать, основываясь на вашей истории, что вы больше всего интересуетесь этим». Но я также думаю, что это обычная вещь, которую люди находят интересной.”

Точно так же пользователь Hulu не был уверен, были ли медицинские драмы, которые он видел на главной странице, популярными шоу, которые нравятся многим людям, или персонализированным контентом, основанным на прошлом поведении в его аккаунте (он упомянул, что его мать иногда смотрела такие шоу в его аккаунте, когда приходила в гости). Напротив, он считал, что показанные фантастические драмы, скорее всего, персонифицированы, потому что он считал, что эти шоу менее популярны.

"Я уверен, что эти категории несколько индивидуализированы. Я не думаю, что телевизионные фантастические драмы очень распространены для большинства людей, и я не слышал чтобы хоть одно из этих шоу обсуждалось сейчас людьми. Так что я уверен, что это как-то связано с тем, что я смотрел раньше.”
Пользователи в нашем исследовании были очень снисходительны к рекомендациям, которые не попали в цель. Многие новые или нерегулярные пользователи сайта отмечали, что при отсутствии достаточных данных они не ожидали, что сайт будет делать точные прогнозы относительно их интересов. Наши участники признали, что системы рекомендаций часто легко сбиваются, когда несколько человек используют один и тот же аккаунт, потому что в системе появляется множество конкурирующих источников данных.

“Я также осознаю тот факт, что если я регистрируюсь [на мероприятие] и не иду, или если я не часто использую сайт, то у них не так много данных для анализа.”

“Как только вы начнете смотреть больше фильмов, я думаю, что рекомендации будут точнее адаптированы для вас. Это такая система, которая становится тем лучше, чем чаще вы ее используете. Она учится на том, что вы делаете, а затем показывает вещи, которые могут вас больше заинтересовать.”

"Я и мой супруг, мы оба используем аккаунт Hulu, так что некоторые шоу, попадающие в «Лучший выбор для вас», вероятно, будут немного менее точными для меня. ... Многие из этих шоу я не буду торопиться включать.”

Кроме того, пользователи ожидали, что системы рекомендаций будут несовершенны и время от времени будут допускать ошибки. Компьютеры не умеют читать мысли, и вряд ли это произойдет в ближайшее время.

“Я также знаю, что это не идеальная система, и поэтому мои ожидания от нее носят умеренный характер. Даже если бы мой аккаунт Spotify был только моим, я бы не ожидал, что мне будет нравится каждая песня, которую он выбрал для меня. Иногда он не знает, почему, иногда мне нравится песня из-за личных воспоминаний, связанных с ней, и Spotify никогда этого не поймет.”

Плохие рекомендации игнорировать легко

Пользователи не обращали внимания на неинтересные рекомендации и просто продолжали просматривать интересующие их позиции. Даже когда им предложили поискать, существует ли способ скрыть или отклонить плохие рекомендации, многие заявили, что они и не подумали бы об этом. Для большинства сервисов, которые мы тестировали, дать обратную связь на плохую рекомендацию, оказалось более затратным и стоило усилий. Проще игнорировать плохое предложение и продолжить листать, чем искать, как отметить его как неуместное.

“Это не те вещи, которые действительно задевают меня или кажутся такими: "о, Эвентбрайт действительно не знает меня». ... Это как раз такие вещи, которые я пролистываю.”
Hulu: Участник нашего исследования предположил, что телевизионные фантастические драмы, представленные на сайте, были показаны на основе его индивидуальных интересов, потому что он думал, что большинство людей не заинтересованы в таких фильмах.
Точность зависит от уровня активности и ограничена технологиями
Когда точность в вопросах индивидуализации имеет значение — например, для сервиса, который отправляет вам товары, которые, как он думает, вам понравятся, — пользователи готовы были потратить усилия на работу с сайтом, чтобы помочь ему изучить их предпочтения. На Stitch Fix пользователи оценили функцию "расскажи нам о своем стиле", где они могли бы поставить предметам лайк или дислайк, чтобы сделать будущие поставки одежды точнее.

Этот вывод имеет важное значение для выбора движка для анализа и выработки рекомендаций. Допустим, вы запускаете сайт потокового видео макет страницы, которого позволяет показывать только два рекомендуемых фильма каждому пользователю. У вас есть на выбор два алгоритма рекомендаций: алгоритм А выбирает два фильма, которым (в среднем по тестируемым пользователям) после просмотра зрители ставят 80 баллов по шкале 0-100. Напротив, алгоритм B выбирает два фильма, которые в среднем набирают 90 и 50 баллов. Таким образом, в случае A средняя удовлетворенность пользователей рекомендуемыми фильмами составляет 80, тогда как в случае B средняя удовлетворенность пользователей составляет только 70. Однако алгоритм B является лучшим выбором, поскольку пользователи не будут возражать против некоторых плохих рекомендаций (здесь это фильмы, которые набирают только 50 баллов), но будут более довольны одной рекомендацией, которую они в конечном итоге действительно смотрят (90 вместо 80).

Как в большинстве других аспектов пользовательского опыта, ожидания пользователей относительно вашего сайта определяются их предыдущим опытом взаимодействия с другими сайтами. Таким образом, если или когда крупные сайты повышают точность своих рекомендаций, вполне вероятно, что пользователи станут менее терпимыми к неудачным предложениям.
Источник:
Когда персонализированный контент становится все более распространенным, как люди определяют, что тот или иной фрагмент контента адаптирован для них? Неудивительно, что участники нашего исследования опирались в основном на явные заголовки (например, рекомендуем вам, потому что вы смотрели). Помимо этих очевидных признаков, для определения того, является ли тот или иной товар персональной рекомендацией, использовались также косвенные признаки, такие как общая популярность предложенной позиции или вероятная заинтересованность бизнеса в его продвижении.
Оценка общего и персонализированного контента
Eventbrite: Пользователь считал, что неподходящие ему рекомендованные события были безобидны и легко игнорировались. Она не хотела тратить силы на то, чтобы научить сайт определять ее предпочтения.

Частота использования не повлияла на толерантность пользователей к неинтересным предложениям. В то время как люди ожидали, что индивидуальные рекомендации будут улучшаться с течением времени, потому что у системы рекомендаций появится больше данных для анализа их предпочтений, они оставались очень терпимыми к плохим предложениям.
Однако для тех сервисов, которые в основном предоставляли персонализированный контент или материальные товары, люди были готовы и даже вынуждены взаимодействовать с системой, чтобы помочь ей лучше узнать их. Это потому, что цена плохой рекомендации (например, возврат товара, который не понравился) была намного выше, чем цена обучения системы рекомендаций.
“В контексте домашней страницы [на Amazon] я забочусь меньше [о хороших рекомендациях], чем о качественных рекомендациях от сервиса вроде Spotify или Stitch Fix. Потому что в Spotify или Stitch Fix я в каком-то смысле получаю эти вещи. И то, сколько усилий я приложу, чтобы решить, понравится ли мне то, что я получаю, определяет, насколько хорошим будет то, что я получаю. А Amazon не будет автоматически отправлять мне вещи с первой страницы, это просто отправная точка для поиска того, что я хочу.”
Ожидания в отношении сбора данных и конфиденциальности
Amazon.com: Заголовки, использующие слово «Вам», четко распознаются как персонализированный контент.

Структура сервиса сильно влияют на ожидания пользователями адаптированного к ним контента. Пользователь сервиса Hello Fresh meal не верил, что предложенные варианты блюд для каждого заказа определялись конкретно для него, даже если он отмечал определенные рецепты как интересные, потому что по его мнению у компании тогда было бы слишком много работы по доставке персонализированных для каждого клиента рецептов.

Пользователь, просматривающий Netflix, задался вопросом, было ли шоу, продвигаемое в верхней части баннера на главной странице, индивидуализировано для него. После некоторого размышления он решил, что у Netflix есть понятная причина для продвижения шоу, и поэтому контент, скорее всего, будет показан всем пользователям.

"Первое, что приходит на ум, когда я иду дома к экрану, - это «Оранжевый, хит сезона». Я не уверен, что у всех это одинаково. ... Может быть, только что вышел новый сезон, и поэтому он здесь, и все это видят? Или, может быть, потому, что я смотрел это раньше, они пытаются сказать: "Эй, почему бы тебе не посмотреть это еще раз? – ...Наверное, все это видят, потому что это, скорее всего, выпуск нового сезона. Смотрите 6-й сезон сейчас, говорит он. Поэтому я уверен, что Netflix пытается продвинуть свои собственные оригинальные шоу.”
Отслеживание использования сайта для предоставления персонализированного контента для многих пользователей не считается вторжением в частную жизнь, по крайней мере для сервисов, где пользователи решили создать и использовать личные учетные записи.

С другой стороны, персонализация, такая как индивидуальные рекомендации, рассматривается как функция — признак того, что сайт пытается дать своим пользователям лучший сервис, помогая им сократить общее количество вариантов для рассмотрения. Плохие предложения легко игнорируются. А когда польза от получения хороших рекомендаций достаточно сильна, пользователи могут даже быть готовы к дальнейшему взаимодействию с сайтом, чтобы доработать будущие рекомендации.

Очевидно, что персонализацию больше не переоценивают.
Заключение
ПОДЕЛИТЬСЯ МАТЕРИАЛОМ
ХОЧЕШЬ ПОЛУЧАТЬ ЛУЧШИЕ НОВОСТИ ПО ДИЗАЙНУ РАЗ В НЕДЕЛЮ?
ПЕРЕВОДЫ
5 ключевых уроков психологии дизайна, которые помогут вам улучшить ваш UX
ПЕРЕВОДЫ
Простота или многообразие выбора?
ПЕРЕВОДЫ
7 шагов к пониманию поведения пользователя
© 2016 Your company
ПЕРЕВОДЫ
Индивидуальные рекомендации: ожидания и предположения пользователей
Резюме: Пользователи предпочитают персонализированный контент и готовы раскрыть часть своих персональных данных, чтобы его получить и не тратить время на поиск информации.

20 лет назад Якоб Нильсен утверждал что персонализацию переоценивают, прежде всего потому, что технологии недостаточно развиты для разработки точных прогнозов ожиданий пользователей. Сегодня (как он и предсказывал) персонализация – это растущий тренд в интернете. Индивидуальная персонализация, в отличие от ролевой, относится к практике адаптации контента и функциональности к конкретному пользователю на основе данных, собранных о предпочтениях и поведении этого пользователя.
Персонализация в пользовательских интерфейсах может быть разнообразной от горячих клавиш до цветовых схем. Особенно полезной формой является применение индивидуальных рекомендаций на сайтах и в мобильных приложениях. Рекомендуемые продукты или элементы контента особенно распространены на сайтах электронной коммерции, социальных сетях, новостных сайтах и сервисах потоковой музыки или видео, но также встречаются и на других площадках. Например, сервис, подобный YouTube, может предложить миллионы видео. Однако любому пользователю при посещении домашней страницы сайта или после просмотра видео будет показано только несколько рекомендуемых роликов и каналов, основанных на собранных об этом пользователе данных.

Индивидуальные рекомендации могут быть основаны на машинном обучении или других способностях искусственного интеллекта, пользовательских настройках или комбинации того и другого.

Чтобы получить представление об ожиданиях пользователей и ментальных моделях, связанных со многими видами индивидуальных рекомендаций, предлагаемых на сайтах, мы провели небольшое дистанционное исследование удобства использования среди 8 участников, расположенных на территории США. На каждой сессии участники выполняли задания, назначенные координатором, на 2-3 сайтах, на которых у них были учетные записи, а также отвечали на вопросы, связанные с рекомендациями, в ходе интервью.

Участники нашего исследования были очень настроены на то, что сайты обычно отслеживают паттерны просмотра ими страниц, историю покупок и другие источники данных, чтобы представить индивидуальные персонализированные предложения. В целом эти рекомендации были ценными и рассматривались как инструмент сокращения доступных на сайте вариантов выбора.

Чтобы получить такое преимущество, пользователи были готовы пожертвовать некоторой конфиденциальностью; они ожидали, что многие их действия будут отслеживаться и анализироваться.
Курирование по рекомендации
Реакция на рекомендации была преимущественно позитивной у всех участников нашего исследования. Предложенные статьи, отвечающие их интересам, помогли им избежать перегрузки при выборе и отфильтровать «мусор», чтобы найти то, что их интересует.

"[Рекомендации хороши, потому что они не] заставляют вас загружать много-много продуктов, прежде чем вы найдете то, что вам действительно нужно. Они предлагают позиции, которые могут быть действительно вам интересны, и тогда вам просто нужно выбрать среди них. Я думаю, что это довольно хорошо.”

“Я все время нахожусь на Sephora. Я использую приложение, мобильную и десктопную версии сайтов. Я чувствую, что Google смотрит на все, на что я смотрю, а затем настраивает рекламу для меня, и я думаю, что было бы действительно здорово, если бы Sephora делала также. ... Таким образом, это было некой формой персонализации для меня, это было бы действительно потрясающе. Это сэкономило бы много времени на прокрутке.”

“Я действительно ценю то, как это позволяет мне находить другие вещи, которые похожи на то, что мне нравится, и которые я бы не нашел самостоятельно. ... У меня не всегда хватает терпения выслушать целую кучу вещей, если я не уверен в том, что они принесут мне удовольствие, чтобы отфильтровать их и найти ту единственную вещь, которая мне понравится. И поэтому, если Spotify может сделать это за меня, это будет здорово. Вот почему я попробовал сервис Stitch Fix в первый раз. Мне вроде как нравится ходить по магазинам, но я не люблю: "О, мне нужна пара черных брюк, поэтому я собираюсь перебрать тонны и тонны черных брюк, чтобы найти те, которые будут сидеть на мне хорошо». Когда мне требуется ответить на несколько вопросов, я ожидаю, что потом будет как в Stitch Fix: "Это хорошие брюки, они должны тебе понравиться, и они будут хорошо на тебе смотреться». Это сокращает время на просмотр вариантов, и просто выдает вам: «вот то, что вам может понравиться, попробуйте».

Как и личная рекомендация от друга, который хорошо вас знает, эти персонализированные предложения имели больший вес и рассматривались как более релевантные, по сравнению с основным рекламным контентом. Когда перед участниками ставилась свободная задача найти что-то, что могло бы их заинтересовать, они стремились к этим рекомендованным позициям (когда им удавалось их найти).
«Я предполагаю, что лучший выбор для меня будет немного больше соответствовать вещам, которые я предпочитаю, тогда как популярное – это просто то, что популярно для кого-то еще… То, что популярно, не обязательно понравится мне. Вот почему я обычно начинаю выбор с рекомендуемых мне позиций.»
Когда людей спрашивали, какая информация используется для формирования рекомендаций, они имели достаточно четкие идеи. Вот типы данных, названные вероятными источниками. Первыми в списке идут те источники, в которых участники были уверены более всего:

· История – либо прошлые покупки (на сайтах электронной коммерции), либо потребленный контент (например, просмотренные видео, песни)
· Введенные пользователем анкетные данные, включая демографические данные, такие как возраст, пол и местоположение, а также категории интересов или другая информация, специфичная для контекста сайта
· Ранжирование
· Сохраненные или ”лайкнутые " позиции
· Поведение при просмотре веб-страниц
· История поиска

«У меня правда нет идей как что-то из этого выбирается. Большинство из этого кажется подходящим, поэтому я думаю, что это основано на моем поведении во время покупок: ссылках, которые я нажал, вещах, которые я добавил в избранное, и которые я купил».

В то время как несколько пользователей оценили, что им не нужно было совершать покупку, чтобы извлечь выгоду из персонализированных рекомендаций, большинство из них хотели, чтобы их непосредственная деятельность, такая как прошлые покупки, сохраненные товары или введенная информация профиля, взвешивалась более тщательно, чем просто анализ просмотров. Они чувствовали, что не весь просмотренный ими контент соответствовал их интересам, и не хотели, чтобы эта активность в интернете исказила будущие рекомендации.

"Иногда я нажимаю на что-то, потому что я думаю, что это будет интересно, а затем я читаю отзывы или ... как та блестящая маска, которую я смотрел, или что-то подобное, что мне не хотелось бы видеть в рекомендованном. Но я абсолютно точно хотел бы видеть в своем рекомендуем больше тех вещей, которые я добавил в список избранных, или брендов, у которых я покупал в прошлом».

Пользователи предположили, что некоторые рекомендации основаны не только на их прямой или косвенной деятельности, но и на алгоритмах, которые выявляют похожих пользователей или позиции, похожие на те, к которым они проявили интерес.

“Может быть, у них есть какой- то алгоритм: "если вам нравится эта черно-белая клетчатая рубашка на пуговицах, то вам нравятся другие черно-белые клетчатые вещи или другие рубашки на пуговицах", что -то вроде этого.”

«Очевидно, у них есть какой-то алгоритм, который они используют, основанный на множестве различных данных. Я предполагаю, что он основан на моем личном использовании Netflix и на том, что я смотрел. А также, вероятно, на общих данных, то есть основанных на моем возрасте, поле и тому подобных вещах.”

Никто из пользователей нашего исследования не был чрезмерно встревожен вопросами конфиденциальности (отчасти возможно из-за безобидной тематики сайтов, которые мы тестировали), хотя некоторые предполагали, что “другие люди” могут быть обеспокоены. Для этих участников отслеживание их взаимодействия с сайтом было принято, как статус-кво, а также просто побочным эффектом использования интернета и жизни в современном мире. Преимущества получения контента, адаптированного под них, перевешивают беспокойство о конфиденциальности.

“Я знаю, что многие люди против [отслеживания], но это косметический продукт, поэтому мне все равно.”

“Я смирился с этим, потому что не предполагаю, что в ближайшее время перестану пользоваться интернетом. Мне просто нравится, эххх.”

“Это меня немного беспокоит, но я знаю, что именно так все происходит в этом мире, это не изменится. ... Это просто то, что вы ожидаете от мировых технологий и всего остального. Но это не беспокоит меня так, как некоторых людей.”

“Я думаю, что это довольно круто. Я имею в виду, что некоторые люди могут бояться, что компании или кто-то еще пытаются понять, каким будет их следующий шаг. Но я имею в виду, что они всегда так делали в Pew research и подобных. Я думаю, что это довольно хорошо, т.к. показывает, что компания пытается предложить наилучший возможный сервис”.
Netflix: Один пользователь не был уверен, является ли шоу, представленное в верхней части баннера, рекламной акцией для всех или индивидуальным контентом. Он рассудил, что недавно вышедший новый сезон является достаточной причиной для бизнеса, чтобы это было основанием продвигать этот контент для всех.

Воспринимаемая популярность той или иной части контента также использовалась в качестве подсказки для определения того, является ли этот контент персонализированным. Наши участники склонялись к предположению, что модные или обсуждаемые позиции были показаны всем; и напротив, нишевый или менее массовый контент, скорее всего, будет оцениваться как адаптированный для конкретного человека, поскольку он явно связан с прошлым поведением пользователя. Например, пользователь Eventbrite не был уверен, что события с едой и напитками, отображаемые на сайте, были персонализированы: хотя она часто ходила на такие мероприятия, она чувствовала, что так же поступали и все остальные.
“Опять же, может быть основываясь на моих поисках и прочем, это то, что по их мнению, я сочту наиболее интересным, или: "мы можем сказать, основываясь на вашей истории, что вы больше всего интересуетесь этим». Но я также думаю, что это обычная вещь, которую люди находят интересной.”

Точно так же пользователь Hulu не был уверен, были ли медицинские драмы, которые он видел на главной странице, популярными шоу, которые нравятся многим людям, или персонализированным контентом, основанным на прошлом поведении в его аккаунте (он упомянул, что его мать иногда смотрела такие шоу в его аккаунте, когда приходила в гости). Напротив, он считал, что показанные фантастические драмы, скорее всего, персонифицированы, потому что он считал, что эти шоу менее популярны.

"Я уверен, что эти категории несколько индивидуализированы. Я не думаю, что телевизионные фантастические драмы очень распространены для большинства людей, и я не слышал чтобы хоть одно из этих шоу обсуждалось сейчас людьми. Так что я уверен, что это как-то связано с тем, что я смотрел раньше.”
Пользователи в нашем исследовании были очень снисходительны к рекомендациям, которые не попали в цель. Многие новые или нерегулярные пользователи сайта отмечали, что при отсутствии достаточных данных они не ожидали, что сайт будет делать точные прогнозы относительно их интересов. Наши участники признали, что системы рекомендаций часто легко сбиваются, когда несколько человек используют один и тот же аккаунт, потому что в системе появляется множество конкурирующих источников данных.

“Я также осознаю тот факт, что если я регистрируюсь [на мероприятие] и не иду, или если я не часто использую сайт, то у них не так много данных для анализа.”

“Как только вы начнете смотреть больше фильмов, я думаю, что рекомендации будут точнее адаптированы для вас. Это такая система, которая становится тем лучше, чем чаще вы ее используете. Она учится на том, что вы делаете, а затем показывает вещи, которые могут вас больше заинтересовать.”

"Я и мой супруг, мы оба используем аккаунт Hulu, так что некоторые шоу, попадающие в «Лучший выбор для вас», вероятно, будут немного менее точными для меня. ... Многие из этих шоу я не буду торопиться включать.”

Кроме того, пользователи ожидали, что системы рекомендаций будут несовершенны и время от времени будут допускать ошибки. Компьютеры не умеют читать мысли, и вряд ли это произойдет в ближайшее время.

“Я также знаю, что это не идеальная система, и поэтому мои ожидания от нее носят умеренный характер. Даже если бы мой аккаунт Spotify был только моим, я бы не ожидал, что мне будет нравится каждая песня, которую он выбрал для меня. Иногда он не знает, почему, иногда мне нравится песня из-за личных воспоминаний, связанных с ней, и Spotify никогда этого не поймет.”

Плохие рекомендации игнорировать легко

Пользователи не обращали внимания на неинтересные рекомендации и просто продолжали просматривать интересующие их позиции. Даже когда им предложили поискать, существует ли способ скрыть или отклонить плохие рекомендации, многие заявили, что они и не подумали бы об этом. Для большинства сервисов, которые мы тестировали, дать обратную связь на плохую рекомендацию, оказалось более затратным и стоило усилий. Проще игнорировать плохое предложение и продолжить листать, чем искать, как отметить его как неуместное.

“Это не те вещи, которые действительно задевают меня или кажутся такими: "о, Эвентбрайт действительно не знает меня». ... Это как раз такие вещи, которые я пролистываю.”
Hulu: Участник нашего исследования предположил, что телевизионные фантастические драмы, представленные на сайте, были показаны на основе его индивидуальных интересов, потому что он думал, что большинство людей не заинтересованы в таких фильмах.
Точность зависит от уровня активности и ограничена технологиями
Когда точность в вопросах индивидуализации имеет значение — например, для сервиса, который отправляет вам товары, которые, как он думает, вам понравятся, — пользователи готовы были потратить усилия на работу с сайтом, чтобы помочь ему изучить их предпочтения. На Stitch Fix пользователи оценили функцию "расскажи нам о своем стиле", где они могли бы поставить предметам лайк или дислайк, чтобы сделать будущие поставки одежды точнее.

Этот вывод имеет важное значение для выбора движка для анализа и выработки рекомендаций. Допустим, вы запускаете сайт потокового видео макет страницы, которого позволяет показывать только два рекомендуемых фильма каждому пользователю. У вас есть на выбор два алгоритма рекомендаций: алгоритм А выбирает два фильма, которым (в среднем по тестируемым пользователям) после просмотра зрители ставят 80 баллов по шкале 0-100. Напротив, алгоритм B выбирает два фильма, которые в среднем набирают 90 и 50 баллов. Таким образом, в случае A средняя удовлетворенность пользователей рекомендуемыми фильмами составляет 80, тогда как в случае B средняя удовлетворенность пользователей составляет только 70. Однако алгоритм B является лучшим выбором, поскольку пользователи не будут возражать против некоторых плохих рекомендаций (здесь это фильмы, которые набирают только 50 баллов), но будут более довольны одной рекомендацией, которую они в конечном итоге действительно смотрят (90 вместо 80).

Как в большинстве других аспектов пользовательского опыта, ожидания пользователей относительно вашего сайта определяются их предыдущим опытом взаимодействия с другими сайтами. Таким образом, если или когда крупные сайты повышают точность своих рекомендаций, вполне вероятно, что пользователи станут менее терпимыми к неудачным предложениям.
Источник:
Когда персонализированный контент становится все более распространенным, как люди определяют, что тот или иной фрагмент контента адаптирован для них? Неудивительно, что участники нашего исследования опирались в основном на явные заголовки (например, рекомендуем вам, потому что вы смотрели). Помимо этих очевидных признаков, для определения того, является ли тот или иной товар персональной рекомендацией, использовались также косвенные признаки, такие как общая популярность предложенной позиции или вероятная заинтересованность бизнеса в его продвижении.
Оценка общего и персонализированного контента
Eventbrite: Пользователь считал, что неподходящие ему рекомендованные события были безобидны и легко игнорировались. Она не хотела тратить силы на то, чтобы научить сайт определять ее предпочтения.

Частота использования не повлияла на толерантность пользователей к неинтересным предложениям. В то время как люди ожидали, что индивидуальные рекомендации будут улучшаться с течением времени, потому что у системы рекомендаций появится больше данных для анализа их предпочтений, они оставались очень терпимыми к плохим предложениям.
Однако для тех сервисов, которые в основном предоставляли персонализированный контент или материальные товары, люди были готовы и даже вынуждены взаимодействовать с системой, чтобы помочь ей лучше узнать их. Это потому, что цена плохой рекомендации (например, возврат товара, который не понравился) была намного выше, чем цена обучения системы рекомендаций.
“В контексте домашней страницы [на Amazon] я забочусь меньше [о хороших рекомендациях], чем о качественных рекомендациях от сервиса вроде Spotify или Stitch Fix. Потому что в Spotify или Stitch Fix я в каком-то смысле получаю эти вещи. И то, сколько усилий я приложу, чтобы решить, понравится ли мне то, что я получаю, определяет, насколько хорошим будет то, что я получаю. А Amazon не будет автоматически отправлять мне вещи с первой страницы, это просто отправная точка для поиска того, что я хочу.”
Ожидания в отношении сбора данных и конфиденциальности
Amazon.com: Заголовки, использующие слово «Вам», четко распознаются как персонализированный контент.

Структура сервиса сильно влияют на ожидания пользователями адаптированного к ним контента. Пользователь сервиса Hello Fresh meal не верил, что предложенные варианты блюд для каждого заказа определялись конкретно для него, даже если он отмечал определенные рецепты как интересные, потому что по его мнению у компании тогда было бы слишком много работы по доставке персонализированных для каждого клиента рецептов.

Пользователь, просматривающий Netflix, задался вопросом, было ли шоу, продвигаемое в верхней части баннера на главной странице, индивидуализировано для него. После некоторого размышления он решил, что у Netflix есть понятная причина для продвижения шоу, и поэтому контент, скорее всего, будет показан всем пользователям.

"Первое, что приходит на ум, когда я иду дома к экрану, - это «Оранжевый, хит сезона». Я не уверен, что у всех это одинаково. ... Может быть, только что вышел новый сезон, и поэтому он здесь, и все это видят? Или, может быть, потому, что я смотрел это раньше, они пытаются сказать: "Эй, почему бы тебе не посмотреть это еще раз? – ...Наверное, все это видят, потому что это, скорее всего, выпуск нового сезона. Смотрите 6-й сезон сейчас, говорит он. Поэтому я уверен, что Netflix пытается продвинуть свои собственные оригинальные шоу.”
Пользователи в нашем исследовании были очень снисходительны к рекомендациям, которые не попали в цель. Многие новые или нерегулярные пользователи сайта отмечали, что при отсутствии достаточных данных они не ожидали, что сайт будет делать точные прогнозы относительно их интересов. Наши участники признали, что системы рекомендаций часто легко сбиваются, когда несколько человек используют один и тот же аккаунт, потому что в системе появляется множество конкурирующих источников данных.

“Я также осознаю тот факт, что если я регистрируюсь [на мероприятие] и не иду, или если я не часто использую сайт, то у них не так много данных для анализа.”

“Как только вы начнете смотреть больше фильмов, я думаю, что рекомендации будут точнее адаптированы для вас. Это такая система, которая становится тем лучше, чем чаще вы ее используете. Она учится на том, что вы делаете, а затем показывает вещи, которые могут вас больше заинтересовать.”

"Я и мой супруг, мы оба используем аккаунт Hulu, так что некоторые шоу, попадающие в «Лучший выбор для вас», вероятно, будут немного менее точными для меня. ... Многие из этих шоу я не буду торопиться включать.”

Кроме того, пользователи ожидали, что системы рекомендаций будут несовершенны и время от времени будут допускать ошибки. Компьютеры не умеют читать мысли, и вряд ли это произойдет в ближайшее время.

“Я также знаю, что это не идеальная система, и поэтому мои ожидания от нее носят умеренный характер. Даже если бы мой аккаунт Spotify был только моим, я бы не ожидал, что мне будет нравится каждая песня, которую он выбрал для меня. Иногда он не знает, почему, иногда мне нравится песня из-за личных воспоминаний, связанных с ней, и Spotify никогда этого не поймет.”

Плохие рекомендации игнорировать легко

Пользователи не обращали внимания на неинтересные рекомендации и просто продолжали просматривать интересующие их позиции. Даже когда им предложили поискать, существует ли способ скрыть или отклонить плохие рекомендации, многие заявили, что они и не подумали бы об этом. Для большинства сервисов, которые мы тестировали, дать обратную связь на плохую рекомендацию, оказалось более затратным и стоило усилий. Проще игнорировать плохое предложение и продолжить листать, чем искать, как отметить его как неуместное.

“Это не те вещи, которые действительно задевают меня или кажутся такими: "о, Эвентбрайт действительно не знает меня». ... Это как раз такие вещи, которые я пролистываю.”
Точность зависит от уровня активности и ограничена технологиями
ПОДЕЛИТЬСЯ МАТЕРИАЛОМ
ХОЧЕШЬ ПОЛУЧАТЬ ЛУЧШИЕ НОВОСТИ ЗА НЕДЕЛЮ?
ПЕРЕВОДЫ
5 ключевых уроков психологии дизайна, которые помогут вам улучшить ваш UX
ПЕРЕВОДЫ
Простота или многообразие выбора?
ПЕРЕВОДЫ
7 шагов к пониманию поведения пользователя