В ЛитРес мы работали над тем, чтобы рекомендации в email-рассылках лучше соответствовали интересам читателей. Прежний алгоритм подбирал книги по тегам, но почти не учитывал поведение самого пользователя.

Вместе с командой мы изменили подход к рекомендациям. После внедрения выручка на одно письмо выросла на 1,5%, а отписки снизились на 0,5% относительно прежнего уровня.

Где была возможность роста

Если читатель однажды купил книгу про драконов, алгоритм продолжал предлагать ему похожие книги. При этом другие интересы пользователя оставались за пределами рекомендаций.

В результате подборки повторялись, пользователи негативно реагировали на рассылки и отписывались. Для бизнеса это означало риск потерять контакт с читателем и возможность предложить ему другие книги.

Что мы сделали

Перешли от книги к читателю. Алгоритм стал учитывать не только теги, но и действия пользователя: какие книги он купил, отложил или взял бесплатно.

Добавили рекомендации на основе похожих интересов. Система находила читателей с похожими списками книг и предлагала пользователю книги, которые заинтересовали других, но еще не были в его списке.

Учли реакцию на новые предложения. Если читатель положительно реагировал на рекомендации, алгоритм использовал это для дальнейшего расширения подборки.

Что получилось

• Рекомендации стали учитывать интересы и действия читателя, а не только теги книг.
• Появилась возможность предлагать книги за пределами привычной подборки.
• Выручка на одно письмо выросла на 1,5%.
• Отписки снизились на 0,5% относительно прежнего уровня.

Вывод

Рост email-канала зависит не только от частоты рассылок и скидок. Более точные рекомендации могут сделать письма полезнее для клиента и одновременно улучшить показатели канала.