Prezentacja wygłoszona podczas Power of Content Marketing Conference 29 maja 2019 w Centrum Nauki Kopernik przez Małgorzatę Golińska i Agnieszką Żytko z Wirtualnej Polski

1. Co naprawdę wiemy
o użytkowniku?
Czego się domyślamy?
(I po co?)
Małgorzata Golińska
Agnieszka Żytko

2. Ile lajków potrzebuje algorytm Facebooka, żeby
znać Cię lepiej niż:
Kolega z pracy - 10
Znajomy - 70
Twoi bliscy - 150
Partner - 300
Źródło: Youyou, Kosinski, Stillwell, Computer basedPersonality Judgements Are More Accurate Than Those Made By Humans PNAS 2015

3. Podejrzani w sieci
Znajdujemy ślady i
potrafimy gromadzić
dane
wyszukiwane frazy,
spędzony czas,
wykonane kliki,
głębokość scrolla,
komentarze,
polubienia,
udostępnienia…
Nie mamy pewności co do MOTYWU tych poszukiwań

4. BIG DATA i Bigdata-ctives

5. Użytkownik wie najlepiej?
Big Data – Święty Graal
Algorytm, który monitorując wszystkie możliwe dostępne dane przewidzi,
jaką ocenę użytkownik „wystawi” treściom.

6. | interakcje z serwisem (np. historia oglądania i oceny przyznane innym
tytułom)
| innych użytkowników o podobnych gustach i preferencjach dotyczących
serwisu
| informacje o tytułach, takie jak ich gatunek, kategorie, aktorzy, rok
premiery itp.
| godziny oglądania materiału z serwisu Netflix
| urządzenia, na których oglądany jest materiał
| ilość spędzonego czasu
!System rekomendacji nie uwzględnia w swoich obliczeniach danych
demograficznych.
Źródło: Netflix
Netflix wyjaśnia, co analizuje na
potrzeby rekomendacji
(a czego nie):

7. Rys. System Rekomendacji Netflixa
W obrębie każdego rzędu można
wyróżnić trzy warstwy
personalizacji:
| wybór rzędu (np. „Oglądaj
dalej”, „Popularne teraz”,
„Nagradzane komedie” itp.)
| tytuły umieszczone w danym
rzędzie oraz
| kolejność wyświetlania tych
tytułów
| Im bardziej polecany rząd, tym
bliżej znajduje się góry ekranu.
Im bardziej polecany tytuł, tym
bliżej znajduje się lewego końca
rzędu.
Netflix (146,5 mln subskrybentów)

8. Trzy składowe systemu rekomendacji:
Kontent
produkty w systemie, które
są przedmiotem
rekomendacji
każdy ma swój zestaw
atrybutów (np. autor
artykułu czy aktor w filmie)
Użytkownicy
każdy użytkownik ma
swój zestaw atrybutów
(np. demograficznych)
Preferencje
„lubię” i „nie lubię”
użytkownika, wyrażony
np. oceną użytkownika
Źródło: Recommender System For News Articles using Supervised Learning A. K. Chaturvedi
Technologie

9. Dwa typy personalizowanych algorytmów
CONTENT-BASED FILTERINGCOLLABORATIVE FILTERING
PODOBNI
UŻYTKOWNICY
PRZECZYTANE PRZEZ OBOJE
PRZECZYTANE PRZEZ NIĄ, ZAREKOMENDOWANE JEMU
PODOBNE
ARTYKUŁY
ZAREKOMENDOWANE
UŻYTKOWNIKOWI
PRZECZYTANE PRZEZ
UŻYTKOWNIKA

10. Raz w tygodniu dostajesz
2 godziny
playlisty przygotowanej według „Twoich
preferencji”, zawierającej utwory których
nigdy wcześniej nie słyszałeś
(i prawdopodobnie Ci się spodobają)
Jak to robi Spotify Discover Weekly?
207 mln użytkowników na
świecie
(96 mln. subskrybentów)
Q1 2019
> 40 mln utworów*
Źródło: Spotify

11. Jak to robi Spotify Discover Weekly?
Trzy główne modele
rekomendacyjne połączone
w system:
| 1. Collaborative Filtering
| 2. Natural Language
Processing (NLP) – model
analizy tekstu
| 3. Model Audio – model
analizujący warstwę audio
utworu

12. Jak to robi Spotify Discover Weekly?

13. Jak to robimy w ?
jakie możemy!
1 PV = 67 akcji
Jakie informacje zbieramy
o użytkownikach?
1 wejście użytkownika na stronę to aż 67 akcji!
< data_type = 'typ_przeglądarki'
< data_type = 'typ_contentu'
< data_type = 'data_zamieszczenia
artykułu'
< data_type = 'godzina_odwiedzin'
< data_type = 'czas_spędzony
na_stronie'
< data_type = 'tytuł_artykułu'
< data_type = 'Id_artykułu'
< data_type = 'ilosć_znaków'
< data_type = 'adres_URL'
< data_type = 'kategoria_serwisu'
< data_type = 'domena'
< data_type = 'adres_URL'
< data_type = 'częstotliwość_odsłon'
< data_type = 'tag'
< data_type = 'słowa_kluczowe/frazy'
< data_type = 'długość_geograficzna'
< data_type = 'szerokość
geograficzna'
< data_type = 'scroll_strony'
< data_type = 'typ_połaczenia'
< data_type = 'dostawca iternetu'
< data_type = 'płeć'
< data_type = 'wiek'
< data_type = 'miasto'
< data_type = 'wieś'
< data_type = 'województwo'

14. Dziennie / serwisy GWP
281 891 982 943 akcji !
Miesiąc / serwisy GWP
1 Użytkownik = śr. 15 PV
145 282 802 PV = 9 733 947 734 akcji
1 Użytkownik = śr. 62 PV
4 207 343 029 PV = ?!

15. Akcje – segmenty sprzedażowe
Ponad 5 000 segmentów
600 segmentów standardowych
Ponad 30 kategorii

16. 2 ETAP
Zagrożenie
realizacji celu
I ok 110 tys. UU
I CTR 0,3
CEL KAMPANII
Działania wizerunkowe oraz
gwarancja czasu spędzonego na
stronie czas realizacji – 3 miesiące
Co? Jak? Po co?
KAMPANIA – LAKTATORY
CASE STUDY
150tys.
UU
0,5
CTR
1 ETAP
Start kampanii
I ok 60 tys. UU
I CTR 0,3
3 ETAP
Rozpoznanie problemu
I ok. 210 tys. UU
I CTR 0,6
I Czas na stronie
ok 3:10 min.

17. Strona Główna
– klejnot w koronie
700 – 1000
300 – 400
Publikowanych treści dziennie!
Trafia na Stronę GłównąWP!

18. Mechanizm
podwójnego próbkowania
0.05
0.04
0.03
0.02
0.01
0.00
10000
8000
6000
4000
2000
0
Showscount
CTR
13-11
03:07
13-11
04:07
13-11
05:07
13-11
06:07
13-11
07:07

19. Mechanizm rekomenduje najlepszy
mix wystawek (najbardziej
angażujący) dla zbiorowości
użytkowników obecnych w tej chwili
na stronie głównej.
Co decyduje o być i nie być na SG WP, czyli wojna
CTRów

20. Tak powstają kolejne wersje strony głównej WP
Start
Koniec
Worek sekcji 1
Worek sekcji 2
Worek sekcji 3

21. Rekomendacje na SG vs. rekomendacje
w sekcjach tematycznych
Strona Główna:
Ciągłe dwustopniowe próbkowanie:
| Tytuł
| Wystawki
Sekcje tematyczne i podstrony tematyczne serwisu:
Hybryda:
Próbkowanie + Filtrowanie Content Base + Filtrowanie
kolaboratywne + NLP

22. Paradoks wiedzy
„Wiedza, która zmienia ludzkie
zachowanie, szybko traci znaczenie.
Im więcej danych mamy, tym lepiej
rozumiemy historię,
tym szybciej historia zmienia swój bieg i
tym szybciej wiedza staje się
przestarzała.”
Y.N. Harari Homo deus, 2018

23. Dziękujmy za uwagę.
Przepytajcie nas podczas
przerwy 
Małgorzata Golińska
Agnieszka Żytko