«Слив топа Литрес»

Способность к «сёрендипности» (Serendipity). Контентная фильтрация (о которой мы поговорим позже) рекомендует вам то, что «похоже» на то, что вы уже потребляли: тот же жанр, того же автора. Коллаборативная фильтрация может найти скрытые, неочевидные связи. Она может порекомендовать вам книгу совершенно незнакомого автора в жанре, который вы обычно не читаете, потому что другие пользователи с вашими вкусами её полюбили.

Хорошая стартовая точка (Great starting point). Для базовой модели коллаборативной фильтрации нужна только матрица обратной связи. Никаких дополнительных данных о пользователях (возраст, пол, местоположение) или о товарах (жанр, описание) не требуется. Это значительно упрощает начальную разработку и внедрение системы.

Однако у коллаборативной фильтрации есть и фундаментальные ограничения, с которыми приходится бороться разработчикам.

Это главный и самый серьёзный недостаток. Коллаборативная фильтрация абсолютно бессильна перед новыми объектами, о которых ещё нет данных.

Новый пользователь (New User Cold-Start): Вы только зарегистрировались на «ЛитРес». Система не знает, что вы читали раньше. Ей не с чем сравнивать ваши вкусы. В этом случае рекомендации будут либо случайными, либо основанными на глобальной популярности.

Новый товар (New Item Cold-Start): Автор только что опубликовал свою книгу. Её никто не покупал и не оценивал. Для коллаборативной модели она не существует. Это одна из главных проблем для авторов-дебютантов: даже гениальная книга не будет рекомендована, пока не наберёт критическую массу взаимодействий.

Борьба с холодным стартом — одна из ключевых задач. Самые эффективные решения — гибридные системы, которые на старте используют контентную фильтрацию (анализ жанра, аннотации, автора) для построения начальных профилей новых книг и пользователей. Для новых товаров может использоваться эвристика: например, усреднить эмбеддинги других книг того же автора или из того же жанра.

Коллаборативные модели, особенно основанные на неявной обратной связи, имеют тенденцию рекомендовать популярные, «мейнстримные» товары. У них больше взаимодействий, они лучше «видны» алгоритму. Это создаёт порочный круг: популярные книги становятся ещё более популярными, а нишевые, качественные произведения так и остаются незамеченными, даже если они идеально подходят конкретному пользователю.

Коллаборативная фильтрация уязвима для злоумышленников. Группа пользователей может искусственно завысить рейтинг книги или создать ложные корреляции. Например, скупить сотню копий своей книги, заставить «ботов» поставить ей 5 звёзд или создать фальшивые связи с популярными бестселлерами. Хорошие системы включают механизмы обнаружения и подавления аномальной активности, но полностью исключить риск манипуляций невозможно.

Как понять, хороша ли модель? Для этого существует несколько метрик. Самые популярные — это метрики ранжирования, которые оценивают, насколько хорошо модель упорядочивает рекомендации.

NDCG (Normalized Discounted Cumulative Gain): Учитывает не только наличие релевантных книг в топе рекомендаций, но и их позицию. Высокое место для релевантной книги даёт больше «очков», чем низкое.

MAP (Mean Average Precision): Измеряет, насколько высока доля релевантных книг среди всех рекомендованных, усреднённая по разным уровням отсечения (top-5, top-10 и т.д.).

Recall@K: Доля релевантных книг, попавших в топ-K рекомендаций, от общего числа релевантных книг.

Эти метрики позволяют инженерам сравнивать разные модели и выбирать лучшую для A/B-тестирования на реальных пользователях.

Сегодня чистая коллаборативная фильтрация в отраслевых решениях встречается редко. Её эволюционным развитием стали гибридные системы, которые объединяют её с контентной фильтрацией и другими подходами.

Современные исследования двигаются в сторону Neural Collaborative Filtering (NCF), где нелинейные взаимодействия между пользователями и товарами моделируются с помощью нейронных сетей. Такие модели могут улавливать гораздо более сложные и тонкие паттерны, чем линейное скалярное произведение в ALS. Другие интересные направления — это обучение с подкреплением (RL) для оптимизации долгосрочной вовлечённости и федеративное обучение (Federated Learning) для повышения конфиденциальности данных.

Тем не менее, принцип «коллективного разума» остаётся фундаментальным. Какими бы сложными ни были нейронные сети, они по-прежнему ищут закономерности в поведении миллионов пользователей. Так что в следующий раз, когда «ЛитРес» порекомендует вам книгу, которая станет вашим новым любимым романом, знайте: это не магия и не слежка. Это просто невидимый книжный клуб из миллионов читателей, которые уже проголосовали за эту книгу своими сердцами и своими кошельками. И вы в этом клубе — полноправный участник.

Контекстный баннер, который вы не замечаете (а алгоритм – да)

Вы только что закрыли карточку какой-то книги на «ЛитРес». Может быть, полистали описание, глянули пару отзывов, но в итоге решили: «Нет, не сегодня». Или дочитали до конца захватывающий детектив, поставили твёрдые пять звёзд и отложили телефон в сторону. А потом потом случилось нечто странное.

Вы открываете совсем другой сайт — новостной портал, блог, форум. И вдруг на боковой панели или между абзацами статьи возникает рекламный баннер. На нём — та самая книга, которую вы только что смотрели. Или другая, но удивительно похожая. Или книга того же автора. Вы моргаете. Вы думаете: «Откуда они знают? Меня что, преследуют?». Спойлер: да, преследуют. Но преследуют не люди и не спецслужбы. Вас преследует контекстный баннер, который вы вроде бы не замечаете — но который алгоритм видит идеально.

В этой главе мы разберём, как «ЛитРес» (и любой другой крупный сервис) использует контекстную рекламу и ретаргетинг, чтобы догонять вас по всему интернету. Мы заглянем в скрытые механизмы, которые определяют, какой баннер увидит конкретный пользователь, почему одни видят «Войну и мир», а другие — любовные романы, и как это всё влияет на продажи книг. Но главное — мы поймём, что контекстный баннер — это не просто раздражающая картинка, а сложнейший вычислительный процесс, в котором сталкиваются миллионы данных о вашем поведении. И вы, возможно, даже не подозреваете, что каждое ваше движение на сайте — это сигнал для алгоритма, который решает, что именно показать вам следующим.

Чтобы понять, как работает контекстный баннер на «ЛитРес», нужно сначала разобраться, что такое контекстная реклама вообще. В классическом определении контекстный таргетинг предполагает отображение рекламы, соответствующей содержанию страницы. То есть если вы читаете статью о космосе, вы увидите рекламу телескопов, книг по астрономии или научно-фантастических романов. Просто, логично, эффективно.

Но современная контекстная реклама ушла далеко вперёд. Она перестала быть просто «рекламой на тематической странице». Она стала персонализированной. Это значит, что рекламное объявление адаптируется под уникальные характеристики отдельного пользователя или группы схожих пользователей — на основе его поведения, интересов, истории покупок и даже контекста в реальном времени.

Исследования показывают, что персонализированные объявления могут увеличить CTR рекламы (показатель кликабельности) на 90%. Девяносто процентов — это колоссальная цифра. Именно поэтому «ЛитРес» и другие крупные игроки вкладывают огромные ресурсы в настройку контекстной рекламы, сегментацию аудитории, персонализацию креативов и привлечение на сайт наиболее готовых к покупке посетителей.

Алгоритм, который управляет этой системой, — это не просто набор правил «если — то». Это сложная предиктивная модель, которая предсказывает вероятность совершения покупки каждым из посетителей интернет-ресурса. Она учитывает срок принятия решения о покупке, характерный для конкретного бизнеса, и на основе этого предсказания решает, кому и когда показывать рекламу. В случае «ЛитРес» такие модели, по некоторым данным, помогли увеличить продажи сервиса на 33%.

Тридцать три процента дополнительных продаж — это не просто цифра. Это миллионы рублей, которые зарабатывает платформа и авторы. И за этими процентами стоит невидимая работа алгоритмов, которые анализируют каждый ваш клик, каждую секунду, проведённую на странице, каждую книгу, которую вы пролистали и не купили.

Самое интересное начинается, когда вы покидаете «ЛитРес». Именно тогда контекстный баннер включает свой главный механизм — ретаргетинг.

Ретаргетинг — это технология повторного показа рекламы пользователям, которые уже взаимодействовали с брендом. Они посетили сайт, смотрели определённые страницы, кликали на рекламу или даже начали оформлять покупку. И вот вы ушли, думаете о своём, а алгоритм уже подготовил для вас персонализированный баннер и ждёт подходящего момента.

Как именно это работает на «ЛитРес»?

Смарт-баннеры. Это один из ключевых инструментов. Когда вы смотрите книгу на сайте или в приложении «ЛитРес», алгоритм запоминает это. Позже, когда вы заходите на другие сайты (которые участвуют в рекламной сети, например, в Яндекс.Рекламной сети), вы видите смарт-баннер с той самой книгой, которую вы смотрели. По клику на баннер вы попадаете прямо на карточку товара и можете купить книгу.

Конверсионные стратегии. «ЛитРес» использует так называемые конверсионные стратегии в Яндекс.Директе. Стратегия обучается на собранной статистике и показывает объявления пользователям, которые с наибольшей вероятностью совершат нужное действие на сайте. Это не просто «показать всем, кто заходил». Это сложный отбор: алгоритм анализирует, какие пользователи с большей вероятностью купят книгу, и концентрирует бюджет именно на них. Результаты впечатляют: за пять месяцев количество покупок контента выросло на 43%, а стоимость конверсии снизилась почти в три раза (на 65%). При этом общий бюджет оказался на 49% меньше, чем при ручном управлении кампаниями. А CTR вырос в 3,4 раза.

Видеореклама и медийная реклама. Не ограничиваясь текстово-графическими объявлениями, «ЛитРес» использует видеорекламу и медийную рекламу в сетях. Это могут быть короткие ролики-тизеры новых книг, фрагменты аудиокниг или яркие анимационные баннеры, которые привлекают внимание на сайтах и в мобильных приложениях.

Сегментация аудитории. Это основа всего. «ЛитРес» сегментирует аудиторию на разные группы — новые пользователи, лояльные читатели, те, кто покупал только определённые жанры, те, кто давно не заходил, и так далее. Для каждой группы — разная реклама. Лояльным читателям могут показывать новинки от их любимых авторов, новым пользователям — самые популярные книги в их предполагаемом жанре, «спящим» — напоминания с персональными скидками.

Всё это вместе создаёт невидимую сеть, которая буквально опутывает пользователя. Вы можете не замечать эти баннеры (ваш мозг обучен игнорировать рекламу), но алгоритм видит, сработал ли баннер — перешли вы по ссылке или нет. И на основе этого он постоянно корректирует свои будущие решения.

Теперь давайте заглянем под капот. Как именно контекстный баннер «ЛитРес» решает, что показывать конкретному пользователю в конкретный момент времени? Это многоступенчатый процесс, в котором участвуют несколько моделей.

Шаг 1. Сбор данных о пользователе на «ЛитРес».

Всё начинается на самом сайте или в приложении «ЛитРес». Алгоритм собирает о вас информацию по трём основным направлениям:

Явные сигналы: жанры, которые вы выбрали при регистрации, книги, которые вы оценили, рецензии, которые вы написали.

Неявные сигналы: книги, которые вы просматривали, время, проведённое на карточке товара, факт добавления в избранное, история поисковых запросов.

Транзакционные сигналы: что вы покупали, по какой цене, как часто, возвращались ли к покупкам.

Все эти данные объединяются в ваш уникальный профиль.

Шаг 2. Формирование аудиторных сегментов.

На основе профиля алгоритм относит вас к одному или нескольким сегментам. Например: «Поклонники фэнтези», «Читатели детективов, которые покупают 1-2 книги в месяц», «Пользователи, которые смотрели книгу X, но не купили», «Лояльные клиенты, не заходившие более 30 дней». Эти сегменты могут быть очень узкими — вплоть до «Пользователи, которые просматривали книгу Y 20 января между 20:00 и 22:00 и добавили её в избранное, но не купили».

Шаг 3. Выбор креатива.

Для каждого сегмента готовятся разные креативы (объявления). Креатив — это не просто картинка. Это комбинация изображения (обложка книги или серии), заголовка, текста, призыва к действию (CTA) и визуального оформления. Алгоритм выбирает, какой креатив с наибольшей вероятностью вызовет клик именно у вас, на основе вашей истории. Если вы раньше покупали книги с яркими обложками, вы увидите яркий баннер. Если вы чаще откликались на текстовые объявления — вы увидите текстовое.

Шаг 4. Выбор площадки и времени.

Алгоритм решает, на каких сайтах и в какое время показывать вам рекламу. Если вы часто читаете новости утром — баннеры будут появляться на новостных порталах в утренние часы. Если вы активны в мобильных приложениях вечером — баннеры будут показываться там.

Шаг 5. Оптимизация ставок в реальном времени.

Всё это происходит в рамках RTB (Real Time Bidding) — аукциона в реальном времени, который длится доли секунды. Каждый раз, когда вы открываете страницу с рекламным местом, рекламные системы (включая «ЛитРес») участвуют в аукционе за право показать вам свой баннер. Алгоритм «ЛитРес» оценивает, насколько вы ценны как потенциальный покупатель, и назначает ставку. Если ставка выигрывает — вы видите баннер.

Шаг 6. Измерение эффективности и обратная связь.

Самый важный шаг — обратная связь. Перешли вы по баннеру или нет? Если перешли — купили ли книгу? Или просто посмотрели и ушли? Эти данные возвращаются в модель, и она корректирует свои будущие решения. Если баннер сработал (пользователь купил книгу), алгоритм запоминает: для таких пользователей, как вы, в таких контекстах такие креативы работают. В следующий раз он покажет их с большей вероятностью.

Этот цикл — сбор данных, сегментация, выбор креатива, показ, измерение, корректировка — происходит непрерывно, в реальном времени, для миллионов пользователей одновременно. И именно благодаря этому циклу контекстный баннер, который вы не замечаете, продолжает влиять на ваш выбор.

У контекстной рекламы есть и обратная сторона — этическая и психологическая. Грань между «релевантной рекламой» и «пугающей слежкой» очень тонка. Исследования показывают, что 80% потребителей предпочитают персонализированный контент, а 73% готовы делиться данными за более релевантную рекламу. Но 27% — это огромная доля людей, которых персонализация пугает или раздражает.

Почему контекстная реклама иногда вызывает отторжение?

Эффект «прослушки». Самый частый сценарий: вы обсуждаете книгу с другом в мессенджере, а через минуту видите её в контекстном баннере. Это не потому, что вас прослушивают. Это потому, что вы или ваш друг искали эту книгу в поисковике, заходили на сайт, читали отзывы. Алгоритм связал эти сигналы. Но эффект создаётся жутковатый.

Перенасыщение. Когда вы видите один и тот же баннер 20 раз за день, это начинает раздражать. Особенно если книга вам не нужна. Алгоритм должен находить баланс между напоминанием и назойливостью.

Слишком точное попадание. Когда баннер предлагает книгу, которая идеально описывает вашу текущую жизненную ситуацию или проблемы, это может вызвать чувство неловкости. Особенно если речь идёт о книгах по психологии, саморазвитию или личным отношениям.

Для «ЛитРес» как для платформы важно соблюдать баланс. С одной стороны, контекстная реклама — мощнейший инструмент увеличения продаж. С другой — пользователи не должны чувствовать себя преследуемыми. Поэтому крупные сервисы обычно предоставляют возможность отказаться от персонализированной рекламы (хотя эта опция часто спрятана глубоко в настройках).

Контекстный баннер на «ЛитРес» — это не случайная картинка, а результат сложной предиктивной модели, которая предсказывает вероятность вашей покупки и подбирает для вас наиболее релевантное объявление.

Ключевой механизм — ретаргетинг: технология, которая показывает вам рекламу книг, которые вы уже смотрели на «ЛитРес», на других сайтах и в приложениях.

Персонализированная реклама может увеличить CTR на 90%, а грамотная конверсионная стратегия — снизить стоимость привлечения клиента на 65% и увеличить количество покупок на 43%.

Алгоритм работает в шесть этапов: сбор данных, сегментация, выбор креатива, выбор площадки и времени, RTB-аукцион, измерение эффективности и обратная связь.

Контекстная реклама — это палка о двух концах. Она помогает находить нужные книги, но может вызывать чувство «прослушки» и раздражения при перенасыщении.

Для автора понимание контекстной рекламы — это понимание того, как ваша книга находит своего читателя. Контекстный баннер — это мост между вашим творчеством и человеком, который ещё не знает, что ему нужна именно ваша книга.

В следующей главе мы разберём ещё один скрытый, но критически важный механизм — так называемый «чёрный список поведенческих триггеров». Это те действия пользователя, которые алгоритм интерпретирует как негативные сигналы, и которые могут навсегда похоронить книгу в глубине каталога. Вы узнаете, почему иногда книгу с высокими продажами и хорошими отзывами вдруг перестают рекомендовать. Спойлер: это не баг, и не заговор издателей. Это логика алгоритма, которую можно просчитать и использовать.

А пока — запомните главное: каждый раз, когда вы видите контекстный баннер с книгой, которую вы смотрели, знайте — алгоритм не пытается вас напугать. Он пытается вам помочь. Или продать вам книгу. Или и то, и другое одновременно. В конце концов, разве это не прекрасно, когда реклама наконец становится полезной?

Чёрный список поведенческих триггеров: чего боится рекомендательная система

Представьте себе картину. Вы заходите в книжный магазин, полный ожидания нового романа вашего любимого автора. Вы идёте к полке, берёте книгу, читаете аннотацию, пролистываете первые страницы... и вдруг ваше лицо искажается гримасой разочарования. Вы с силой захлопываете книгу, ставите её обрачно на полку и, фыркнув, уходите, мысленно вычёркивая этого автора из списка любимых. Вы не сказали ни слова. Вы просто ушли.