Как повысить вовлеченность сайта с помощью рекомендаций по контенту

Каждый контент-провайдер хочет большего взаимодействия со своим онлайн-контентом. Эффективные рекомендации по содержанию — один из способов добиться этого. но универсального подхода нет.

Вот как разработать наилучшую стратегию рекомендаций для вашего сайта, контента и аудитории. Большинство готовых систем рекомендаций по содержанию не будут иметь всех описанных здесь возможностей, но знание того, что возможно, поможет вам найти лучшее решение для вашего бизнеса.

Что такое рекомендация контента?

Системы рекомендации контента предлагают посетителям дополнительный контент на основе того, что им может быть интересно. Например:

• YouTube и Netflix используют рекомендации контента, чтобы предлагать своим пользователям дополнительные видео и телепередачи на основе их истории просмотров.
• Spotify находит закономерности в музыкальных вкусах и рекомендует похожие песни.
• Моя дочь говорит, что TikTok удивительно хорошо находит для нее релевантный контент.

Цель во всех этих случаях — заинтересовать посетителя еще одним интересным контентом на вашей платформе. Но это поднимает два важных вопроса:

• Как система узнает, что рекомендовать?
• Каков контекст рекомендации?

Как работает рекомендация контента

Рекомендации по контенту основаны на анализе данных, чтобы точно предсказать, с каким контентом, вероятно, будет взаимодействовать пользователь. Как правило, он собирает данные о поведении пользователей, например о том, какие страницы они посетили, на что нажали и сколько времени провели на каждой странице. Затем он может генерировать различные виды рекомендаций, в том числе:

• Популярные статьи на сайте прямо сейчас.
• Популярные статьи в определенной категории.
• Популярные статьи конкретного автора.
• Статьи, прочитанные посетителями, прочитавшими текущую статью.
• Статьи, которые прочитали посетители с похожей историей посещений.
• Популярные статьи для людей с определенной должностью.
• Статьи читают люди, похожие на читателя.
• Статьи, прочитанные людьми в определенной географической области.

Каждый параметр может использоваться по-разному для различного контента или в отдельных областях вашего веб-сайта. Вы заметите, что некоторые из них (например, «самые популярные на сайте в данный момент») основаны на простой аналитике, а другие («таким, как вы, нравятся эти статьи») основаны на моделировании внешнего вида.

Проезжавшие мимо и завсегдатаи

Если ваш сайт нравится большинству, много посетителей читают одну статью, а потом уходят. Получение некоторых из этих «заездов» для еще одного просмотра страницы может иметь огромное значение в трафике вашего сайта. Рекомендации по хорошему контенту — один из способов решения этой проблемы.

Беда в том, что вы не так много знаете о попутках. У них нет истории на вашем сайте, поэтому сложно сделать похожее моделирование. Но есть некоторые варианты.

• Вы можете использовать сторонние файлы cookie/данные об аудитории, пока они доступны.
• Вы можете использовать данные из HTTP-заголовка, такие как геолокация или реферер.
• Вы можете положиться на общую статистику сайта от других ваших читателей.

У вас есть гораздо больше вариантов с вашими постоянными посетителями. В дополнение ко всему, что вы можете делать с проезжающими мимо, вы можете делать прогнозы на основе их уникальной истории просмотров, например:

• Показывать контент, похожий на контент, который они уже просматривали (в той же категории, от того же автора, с теми же тегами или ключевыми словами и т. д.)
• Сравните их историю посещений с теми, у кого аналогичная история посещений, и покажите самые популярные статьи среди этой большей группы.
• Если у вас есть демографические данные о ваших завсегдатаях (например, название должности), вы можете показать самые популярные статьи для людей с этой должностью.

Несколько аудиторий

Многие сайты имеют две или более различных аудиторий: бесплатные пользователи и платные пользователи или потенциальные клиенты B2B и B2C. Если это относится к вашему сайту, их разделение гарантирует, что вы будете давать наиболее релевантные рекомендации по контенту.

Вот почему. Рассмотрим сайт о лекарствах с контентом для потребителей и врачей. Вы хотите разделить эту статистику, чтобы рекомендовать врачебный контент для врачей и потребительский контент для потребителей.

Как классифицировать контент

Волшебство рекомендации контента основано на классификации контента в соответствии с вашими целями и целями читателя. Контент можно классифицировать несколькими способами, например:

• Слова в названии.
• Ключевые слова или теги.
• Плотность слов в статье.
• Категории.
• Автор.
• Длинные и короткие статьи.

То, как контент классифицируется, может повлиять на ваш вариант использования. Например, если на вашем сайте есть длинные статьи и выдержки, вы можете не рекомендовать длинные статьи людям, которые предпочитают читать выдержки.

Типы алгоритмов рекомендации контента

Существуют различные типы алгоритмов рекомендаций контента на основе ИИ, которые вы можете использовать для улучшения своего веб-сайта. Вот некоторые из наиболее распространенных.

Совместная фильтрация рекомендует контент на основе поведения и предпочтений похожих пользователей. Он анализирует историческое поведение пользователей и рекомендует контент, с которым взаимодействовали пользователи со схожими предпочтениями.

Фильтрация на основе контента рекомендует контент, похожий на контент, который ранее потреблял пользователь. Он анализирует содержимое страницы, которую пользователь просматривает в данный момент, и рекомендует аналогичный контент на основе ключевых слов, тегов и другой соответствующей информации.

Гибридная рекомендация сочетает в себе совместную фильтрацию и фильтрацию на основе содержимого для предоставления более точных и разнообразных рекомендаций. Он учитывает как пользовательские предпочтения, так и характеристики просматриваемого контента, чтобы давать более точные рекомендации.

Фильтрация на основе популярности рекомендует контент на основе его популярности. Он рекомендует наиболее популярный контент, просмотренный, опубликованный или с которым взаимодействовало множество пользователей. Сочетание фильтрации по популярности с другими типами — например, этот контент наиболее популярен среди людей с этой должностью — очень мощный инструмент.

Фильтрация на основе знаний рекомендует контент на основе профилей и предпочтений пользователей. Он опирается на пользовательские данные и отзывы для предоставления рекомендаций, соответствующих интересам пользователя, таких как предыдущие покупки, рейтинги и обзоры.

Обучение с подкреплением рекомендует контент на основе действий пользователя и отзывов. Он учится на взаимодействиях с пользователями и отзывах, чтобы со временем улучшать свои рекомендации.

Копните глубже: окупаемость рекомендательных систем для маркетинга

Выбор системы рекомендаций по контенту

Как упоминалось выше, маловероятно, что какой-либо конкретный поставщик может предоставить все эти возможности. Подумайте о том, как вы хотите развернуть рекомендации по контенту на своем сайте, учитывая вашу аудиторию, ваш контент и диапазон возможных вариантов, и решите, какие методы, скорее всего, сработают в вашей уникальной ситуации. Отнесите этот список потенциальным поставщикам и попытайтесь найти наилучшее соответствие.

Обязательно ставьте читателя на первое место

Одна из проблем при создании успешной стратегии рекомендаций по контенту заключается в том, чтобы убедиться, что вы ставите цели читателя на первое место. Слишком легко попасть в ловушку, думая о том, что вы хотите, чтобы читатель сделал для продвижения вашей бизнес-модели.

Вместо этого поставьте себя на место читателя и разработайте стратегию рекомендаций по контенту, исходя из того, что поможет читателю найти тот контент, который он хочет найти. Это будет лучшим для вашего бизнеса в долгосрочной перспективе. Удовлетворение потребностей читателей повысит вовлеченность, что является основной целью.