Правила применения рекомендательных технологий

На информационном ресурсе применяются рекомендательные технологии. На информационном ресурсе при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации.

Как работают рекомендации в Яндексе

Что такое рекомендации

Рекомендации — это подсказки, которые помогают быстрее и точнее находить нужное и интересное на сервисах Яндекса.

Современный интернет невозможно представить без рекомендаций. Они есть практически во всех сервисах Яндекса: Еде, Лавке, Музыке, Кинопоиске, Маркете, Такси и многих других. Именно рекомендации делают сервисы умными и удобными для пользователей.

Больше подробностей — тут.

Зачем нужны рекомендации

Рекомендации помогают:

Экономить время. Они предлагают контент, товары и услуги, которые, скорее всего, подойдут именно вам. Без необходимости искать их по всему интернету или выбирать из каталога.
Находить новое. Рекомендательные алгоритмы учитывают предпочтения — не только ваши, но и других пользователей. Они могут предложить что-то необычное: одежду локального бренда, забытый фильм с любимым актёром или группу, которую вы бы иначе никогда не услышали.
Получать выгоду. Рекомендации могут предложить качественную альтернативу или бюджетный аналог, который будет не хуже привычного бренда.

Как работают рекомендации

За все рекомендации на сервисах Яндекса отвечают алгоритмы, которые основываются на информации о действиях пользователей на наших сервисах. Рекомендации постоянно меняются и подстраиваются под поведение пользователей.

Рекомендательные алгоритмы учитывают много факторов. Например, Яндекс Музыка обращает внимание на треки и исполнителей, Кинопоиск — на просмотренные фильмы, а Яндекс Маркет — на регулярные покупки и популярные категории товаров. У одних рекомендаций есть сезонность, на другие влияют оценки «нравится» и «не нравится». Если предпочтения пользователя изменились, алгоритм это учтёт, и со временем рекомендации адаптируются под новые интересы.

Чем активнее пользователь взаимодействует с сервисами (слушает музыку, смотрит фильмы, заказывает еду или товары), тем точнее будут его персональные рекомендации. Однако алгоритмам требуется время, чтобы собрать достаточно информации и сформировать максимально релевантные рекомендации.

На чем основана работа рекомендаций

Главный источник информации для рекомендаций — это поведение пользователей на сервисах Яндекса. Например:

Лайки и дизлайки, кнопки «Нравится» («Не нравится»), оценки и так далее
Заказы, покупки, клики и другие похожие действия
Просмотры фильмов, товаров, подборок; прослушивания треков и альбомов
Время просмотра, нахождения на странице или в разделе сервиса и схожие данные
Информация, которой вы делитесь с Яндексом: например, геолокация, язык или возраст
Свойства контента или товаров: например, жанр фильма или спектральные характеристики музыки
Контекст. Например, день недели или время суток

На старте работы с сервисом у алгоритмов может быть недостаточно данных для качественных рекомендаций. Поэтому в некоторых случаях сервисы предлагают пользователю рассказать о предпочтениях и интересах, чтобы сразу рекомендовать то, что может ему понравиться.

Алгоритмы

Алгоритмы Яндекса используют различные методы машинного обучения (в том числе нейронные сети с миллионами параметров) и виды разметки — например, разметку релевантности контента запросам пользователей.

Яндекс постоянно тестирует и улучшает алгоритмы. При каждом изменении алгоритм проходит приёмку — проверку того, что изменение улучшает качество работы. Приёмка может включать в себя:

Эксперименты на большой аудитории. В таких экспериментах поведение части пользователей оценивается в течение долгого времени, чтобы убедиться, что изменение алгоритма улучшает работу сервиса.
Обратные эксперименты. После принятия новой версии алгоритма, старая продолжает работать для небольшой группы пользователей, чтобы подтвердить, что новая версия лучше.

Безопасность и конфиденциальность

Яндекс надёжно защищает данные пользователей на своих сервисах. Для этого мы используем, например, шифрование и настройки доступа, проходим независимый аудит в соответствии с AICPA SOC 2 и SOC 3 и другими стандартами безопасности.

Мы обязуемся защищать конфиденциальность пользователей, соблюдая законы о защите данных и не допуская несанкционированного доступа к информации.

Как управлять рекомендациями

Рекомендации зависят от поведения пользователей на сервисах Яндекса. При этом выбор всегда остаётся за пользователем: он может следовать рекомендациям или игнорировать их.

Также всем пользователям, у которых есть аккаунт на Яндексе, доступен раздел «Управление данными» в Яндекс ID. В нём можно просмотреть, какие данные доступны каждому сервису, изучить эти данные и распорядиться ими по своему усмотрению. Подробнее — в справке.

Яндекс Музыка

(ООО «Яндекс Музыка»)

Для чего Яндекс Музыка использует рекомендательные технологии

Яндекс Музыка использует рекомендательные технологии для того, чтобы предлагать пользователям музыкальные треки, альбомы, исполнителей или плейлисты в соответствии с их музыкальными предпочтениями.

Рекомендательный алгоритм сервиса используется для формирования «умных» плейлистов, витрин и бесконечного потока музыки «Моя волна». Он анализирует и учитывает множество факторов, таких как история прослушивания (включая отказ от дослушивания, пропуск трека), добавление в коллекцию и другие.

Яндекс Музыка может использовать фильтры для исключения нерелевантного или нежелательного контента. Для фильтрации может использоваться соответствие правилам размещения контента на сервисе, а также пользовательские настройки, например, ограничение доступа к контенту для взрослых.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Яндекс Музыки используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

поисковые запросы на сервисе,
историю прослушивания пользователя, включая длительность, повторные прослушивания, отказ от дослушивания, пропуск трека, добавление в коллекцию,
просмотры контента, в том числе витрин,
реакции с помощью действий «нравится» и «не нравится»,
выбор в функции «уточнить музыкальные предпочтения» (жанры и исполнители, которые нравятся пользователю),
настройки предпочтений: настроение треков (бодрый, весёлый), степень знакомства (новое, любимое), похожесть на другой контент («Моя волна по…»).

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов, включая жанр, название, текст, длительность, характер аудиотреков, вхождение трека в те или иные плейлисты, историю взаимодействия пользователей с треками, историю прослушивания и так далее, чтобы предложить пользователю максимально интересную для него музыку.

Алгоритм адаптируется к поведению пользователей, анализируя историю прослушивания, просмотры контента, добавление контента в коллекцию, длительность прослушивания и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные предложения.

Алгоритм обучается различными методами с использованием асессорской разметки как источника знаний.

Алгоритм принимает решение на основе отбора релевантных для пользователя единиц контента и их последующего ранжирования, где каждой единице контента (трек, альбом, плейлист и т.д.) присваивается ранг на основе различных сигналов и данных. Эти данные включают в себя запрос (в случае поиска), разнообразие и объем пользовательских предпочтений в разрезе исполнителей, треков и жанров, поведение пользователя.

Ранжирование работает таким образом, чтобы максимизировать вычисляемую метрику качества рекомендаций, которая показывает, как часто пользователь обращается к музыке и как долго её слушает, поощряя время прослушивания в течение дня и количество дней с прослушиваниями в рамках недели.

Алгоритм расчета и параметры метрики качества рекомендаций подбираются таким образом, чтобы максимально хорошо соответствовать объективной (но сложнее вычисляемой) метрике, показывающей, насколько высоко пользователь оценивает интересность предложенного ему контента.

Как пользователь может влиять на рекомендации

Ключевую роль в изменении рекомендательного алгоритма играют: пользовательские действия (реакция с помощью действий «нравится», «не нравится», пропуск трека, повторное прослушивание трека), текст запроса (в случае обращения к поисковой выдаче), история прослушивания, история просмотров витрин.

Эти данные помогают системе предложить пользователю наиболее релевантные результаты (состав витрины, плейлиста, потока музыки).

Пользователи Яндекс Музыки могут влиять на рекомендации:

через свое поведение в ходе прослушивания (включая дослушивание, добавление в коллекцию, пропуск или недослушивание трека, выбор контента на витрине, отметки «нравится» и «не нравится»);
постановкой отметок «нравится» и «не нравится»;
настройкой рекомендаций функцией «уточнить музыкальные предпочтения», с помощью которой пользователь выбирает жанры и исполнителей, которые ему нравятся.

Некоторые продукты Яндекс Музыки могут позволять пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации, например настроить настроение треков (бодрый, весёлый), регулировать степень знакомства (новое, любимое), похожесть на другой контент («Моя волна по…»).

Пользователи могут игнорировать рекомендации и использовать самостоятельно выбранный и сохраненный контент.

Адрес почты для запросов

[email protected]

Кинопоиск

(ООО «Кинопоиск»)

Для чего Кинопоиск использует рекомендательные технологии

Основная цель рекомендательных алгоритмов Кинопоиска — предоставлять пользователям сервиса максимально релевантные и точные (интересные, воодушевляющие) тайтлы (фильмы, сериалы, телеканалы) и другие видеопроизведения.

Кинопоиск может использовать фильтры для исключения нерелевантного или нежелательного контента. Ограничения могут включать в себя соответствие правилам размещения контента на Кинопоиске, а также пользовательские настройки — например, детский режим. Эти фильтры и ограничения помогают обеспечить качество и релевантность рекомендаций.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Кинопоиска используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

поисковые запросы тайтлов (единиц контента),
историю поиска тайтлов,
историю просмотров витрин и тайтлов,
оценки тайтлов,
добавление тайтлов в коллекцию.

Кроме того, используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов, включая жанр, название, сюжет, актеров, режиссеров, получение тайтлом тех или иных наград и премий, историю взаимодействия пользователей с тайтлами, историю просмотров и др., чтобы предложить пользователю наиболее интересное кино.

Алгоритм формирования витрин строится на многофакторном анализе и сочетании различных признаков. Он анализирует и учитывает множество факторов, таких как история просмотров (включая недосмотренные тайтлы), добавление в коллекцию, оставленные оценки и так далее.

Алгоритм использует различные методы машинного обучения, включая нейронные сети и матричные факторизации, основанные на множестве видов фидбека пользователей и разметки контента.

Ключевую роль играют пользовательские действия (просмотры, оценки, добавление в избранное, повторный просмотр тайтла), текст запроса (в случае обращения к поисковой выдаче), история поиска тайтлов, а также история просмотров витрин. Эти данные помогают системе предложить пользователю наиболее релевантные результаты (состав витрины, подборок и ранжирование контента в них).

Алгоритм Кинопоиска адаптируется к поведению пользователей, анализируя историю просмотров контента, оценки контента, длительность просмотра и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные предложения.

Кинопоиск использует комбинацию методов для обучения алгоритма, используя разметку асессорами, как источник знаний для алгоритмов машинного обучения.

Все эти методы работают совместно для создания гибкого и адаптивного алгоритма, который может реагировать на изменения в поведении отдельных пользователей и всей совокупности (тренды и популярное кино), постоянно улучшая качество рекомендаций.

Алгоритм принимает решение на основе отбора релевантных для пользователя единиц контента и последующего ранжирования, где каждой единице контента (фильму, сериалу, подборке и т.д.) присваивается ранг на основе различных сигналов и данных.

Эти данные могут включать в себя запрос (в случае поиска), разнообразие и объем пользовательских предпочтений в разрезе тайтлов, актеров, режиссеров и жанров, поведение пользователя.

Ранжирование собирается таким образом, чтобы максимизировать вычисляемую метрику качества рекомендаций, показывающую, как часто пользователь обращается к кино и насколько долго его смотрит, поощряя время просмотра в течение дня и количество дней с просмотром в рамках недели. Алгоритм расчета и параметры метрики качества рекомендаций подбираются таким образом, чтобы максимально хорошо соответствовать объективной (но сложнее вычисляемой) метрике, показывающей, как пользователь оценивает интересность сервиса.

Как пользователь может влиять на рекомендации

Пользователи Кинопоиска могут влиять на рекомендации:

через свое поведение в течение просмотра (включая досмотры до разных моментов в контенте, недосматривание до конца),
путём выбора контента на витрине,
через поиск интересующих тайтлов в поиске,
проставлением оценок и отметки «не интересно»,
добавлением тайтлов в избранное.

Пользователи могут игнорировать рекомендации и самостоятельно смотреть выбранный и сохраненный контент.

Адрес для направления запросов

[email protected]

Яндекс Книги

(ООО «Яндекс Плюс»)

Для чего Яндекс Книги используют рекомендательные технологии

Основная цель алгоритма Яндекс Книги — предоставление пользователям наиболее релевантных и точных (способных заинтересовать, вовлечь в чтение) книжных произведений (включая книги, аудиокниги, комиксы и другие похожие форматы).

Яндекс Книги могут использовать фильтры для исключения нерелевантного или нежелательного контента. В качестве таких фильтров может использоваться соответствие правилам размещения контента на Яндекс Книгах, а также пользовательские настройки, такие как детский режим.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Яндекс Книг используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

текст поисковых запросов в сервисе,
историю просмотра витрин,
историю чтения (и прослушивания),
добавление в коллекцию, в библиотеку и на полки,
оценки, отзывы и цитаты,
время чтения.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов описывающих как само произведение (например, язык, жанры, название, текст, длительность, автора, чтеца, переводчика, издателя, описание и т.д.) так и историю взаимодействия пользователей с этим произведением (оценки, добавление в библиотеку, добавление на полки, отметки о прочтении, время чтения, цитируемость и так далее), чтобы рекомендовать пользователю максимально интересное произведение.

Алгоритм Яндекс Книг адаптируется к поведению пользователей, анализируя историю чтения, просмотры контента, добавление контента в коллекцию, длительность чтения и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные предложения.

Алгоритм Яндекс Книг обучается комбинацией разных методов. Асессорская разметка используется как источник знаний для машинного обучения.

Алгоритм принимает решение на основе отбора релевантных для пользователя единиц контента и последующего ранжирования, где каждой единице контента (книге, аудиокниге, комиксу, выпуску подкаста, серии сериала) присваивается ранг на основе различных сигналов и данных. Эти данные включают в себя запрос (в случае поиска), разнообразие и объем пользовательских предпочтений в разрезе жанров, произведений и авторов, поведение пользователя.

Ранжирование выполняется таким образом, чтобы максимизировать вычисляемую метрику качества рекомендаций, показывающую, насколько часто пользователь возвращается к чтению и как долго читает. Метрика поощряет время чтения в течение дня и количество дней с чтением в течение недели.

Алгоритм расчета и параметры метрики качества рекомендаций подбираются так, чтобы максимально соответствовать объективной (но сложнее вычисляемой) метрике, показывающей, как пользователь оценивает интересность предложенного ему контента.

Как пользователь может влиять на рекомендации

Пользователи Яндекс Книг могут влиять на рекомендации своим поведением на сервисе (включая дочитывание, добавление в коллекцию, удаление из коллекции, выбор контента на витрине, отзывы и оценки произведений).

Пользователи могут игнорировать рекомендации и использовать самостоятельно выбранные и сохранённые книги и другие виды контента.

Адрес почты для запросов

[email protected]

Яндекс Афиша

(ООО «Яндекс Музыка»)

Для чего Афиша использует рекомендательные технологии

Яндекс Афиша использует механизмы рекомендаций Яндекс Музыки, чтобы рекомендовать пользователям информацию об интересных им музыкальных событиях.

Алгоритм Яндекс Музыки строится на многофакторном анализе и сочетании различных признаков. Он анализирует и учитывает множество факторов, таких как история прослушивания (включая отказ от дослушивания, пропуск трека), добавление в коллекцию и так далее.

Для формирования рекомендаций о театральных событиях в рубрике «Театр» новым пользователям предлагают пройти короткий опрос. Алгоритм Яндекс Музыки использует его результаты с учётом данных о покупке билетов на театральные события. В результате в разделе «Театр» формируется блок «Вам может понравится».

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм Яндекс Афиши использует данные сервиса Яндекс Музыка (если пользователь зарегистрирован в Яндекс Музыке), а также данные местоположении (город), которые получает через геолокацию или выбор пользователя на сервисе.

Алгоритм Яндекс Музыки анализирует следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

поисковые запросы в сервисе,
историю прослушивания пользователя, включая длительность прослушивания, повторное прослушивание, отказ от дослушивания, пропуск трека, добавление в коллекцию,
просмотры контента, в том числе витрин,
реакции с помощью действий «нравится» и «не нравится»,
выбор в функции «уточнить музыкальные предпочтения» (жанры и исполнители, которые нравятся пользователю)
настройки предпочтений: настроение треков (бодрый, весёлый), степень знакомства (новое, любимое), сходство с другим контентом («Моя волна по…»)

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

На основании этих данных пользователя Яндекс Музыки алгоритм фильтрует предстоящие музыкальные события для выбранного пользователем в Яндекс Афише города.

Для рекомендаций в разделе театральных событий используются данные об ответах пользователя на опрос, состоящий из 4 вопросов о театральных предпочтениях, и данные о покупке им билетов через сервис Яндекс Афиша.

Как сервис анализирует данные и как формирует рекомендации

Яндекс Афиша использует алгоритм Яндекс Музыки. Действия пользователя на сервисе Яндекс Афиша (кроме выбора геолокации) не влияют на рекомендации.

Алгоритм Яндекс Музыки адаптируется к поведению пользователей, анализируя историю прослушивания, просмотры контента, добавление контента в коллекцию, длительность прослушивания и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные предложения.

Алгоритм обучается различными методами с использованием асессорской разметки как источника знаний.

Рекомендации пользователю выдаются в секции «Рекомендованные концерты» на основании предпочтений в Яндекс Музыке и с учетом расписания ближайших концертов в выбранном городе.

Рекомендации в разделе «Театр» в блоке «Вам может понравиться» формируются алгоритмом на основании ответов пользователя на опрос о театральных предпочтениях и с учетом данных о покупках билетов на театральные мероприятия через сервис Яндекс Афиша.

Как пользователь может влиять на рекомендации

Пользователь может игнорировать рекомендации и самостоятельно выбирать музыкальные события на сервисе Яндекс Афиша. Также он может влиять на рекомендации, меняя город в настройках сервиса.

Другие действия пользователя в Яндекс Афише не влияют на список рекомендованных концертных событий.

Для рекомендации в разделе театральных событий используются введенные пользователем при прохождении опроса ответы и данные о купленных им на сервисе билетах на театральные мероприятия.

Адрес почты для запросов

[email protected]

Яндекс Плюс

(ООО «Яндекс Плюс»)

Для чего Плюс использует рекомендательные технологии

Алгоритмы Плюса помогают пользователям получить наиболее привлекательное предложение (офер) для подключения пробного периода подписки и дополнительных опций.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей, в частности:

текущие подписки
историю прослушивания композиций на Яндекс Музыке и просмотра видеоконтента на Кинопоиске, историю поиска,
ресурс, на котором предлагается офер,
данные о местоположении,
данные об устройстве,
клики, запросы и временные рамки просмотра,
настройки предпочтений (локация, язык, регулировки свежести, включение одного из режимов безопасного поиска)

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм строится на многофакторном анализе и сочетании различных признаков. Он анализирует не только текущие подписки, но и учитывает множество других факторов, таких как геолокация и поведение пользователя.

Алгоритм использует различные методы машинного обучения, включая нейронные сети в тысячи параметров, основанные на исторических данных о переходе пользователей из бесплатного статуса в платный и о подключении дополнительных опций.

Алгоритм принимает решение на основе ранжирования, где каждому результату присваивается оценка на основе различных сигналов. Они могут включать в себя количество дней бесплатной подписки, вероятность принятия триального офера и поведение пользователя.

Также факторы могут включать в себя историю потребления контента, историю поиска, геолокацию, тип устройства, временные рамки и другие сигналы.

Как пользователь может влиять на рекомендации

Пользователи Яндекса могут влиять на рекомендации через свое поведение в контентных сервисах и навигацию, включая клики, запросы и временные рамки просмотра.

Некоторые системы могут позволять пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации. Например, пользователи могут менять локацию, язык, регулировать свежесть или включить один из режимов безопасного поиска.

Адрес почты для запросов

[email protected]

Яндекс Такси

(ООО «Яндекс.Такси»)

Для чего Яндекс Такси использует рекомендательные технологии

Такси использует рекомендации в приложении Яндекс Go, чтобы советовать пассажиру оптимальные точки посадки и высадки, тарифы и другие параметры поездки, а также лимит овердрафта для корпоративных клиентов.

Точка посадки

Для чего используются рекомендательные технологии

При заказе такси алгоритм рекомендует пассажиру оптимальную точку посадки — такую, чтобы пассажиру было недалеко дойти, а водителю будет удобно остановиться. Например, если пользователь заказывает такси из аэропорта, сервис посоветует точку, куда водителю удобнее подъехать, а пассажиру — ближе дойти.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует информацию о предыдущих поездках пассажира и агрегированные данные о поездках других пользователей сервиса — например, из каких точек чаще всего уезжают из аэропорта. Если пассажир добавляет на сервис избранные адреса — Такси учитывает их при подборе точек начала маршрута.

Как сервис анализирует данные и как формирует рекомендации

Чтобы предложить оптимальные точки начала поездок, алгоритмы анализируют историю поездок пользователя, маршруты, время начала и окончания. Эти данные сопоставляются с текущими местоположением пользователя и временем. Алгоритмы также учитывают факторы, характеризующие качество прошлых поездок пассажира, — время ожидания такси и успешность заказа.

Как пользователь может влиять на рекомендации

Чтобы алгоритмы выбирали оптимальные точки начала поездок, достаточно заказывать такси через сервис. Чем больше данных есть о прошлых поездках пассажира, тем лучше будут рекомендации сервиса. Пользователь может также добавить в Такси избранные адреса — это поможет сервису рекомендовать правильные точки.

Если человек не хочет, чтобы данные о его поездках учитывались при подборе оптимальных точек начала маршрута, он может удалить эти данные из приложения. Также можно запретить сервису определять местоположение с помощью геолокации.

Предложенные точки посадки — всего лишь рекомендации. Пользователь может игнорировать их и самостоятельно выбрать точку посадки через поиск или на карте.

Точки старта и финиша в поисковой строке

Для чего используются рекомендательные технологии

Алгоритм предлагает оптимальную точку посадки и выхода из машины в зависимости от выбранного маршрута. Сервис устанавливает точку посадки, в которой пользователю и водителю проще встретиться, и точку высадки, в которой водителю будет удобно и безопасно припарковаться, чтобы высадить пассажира. Например, если заказать такси от железнодорожного вокзала до дома, сервис выберет точку посадки на вокзальной площади, а точку высадки — у подъезда.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Чтобы рекомендовать точки начала и конца маршрута, алгоритм анализирует информацию о предыдущих поездках пассажира и агрегированные данные о поездках других пользователей.

Например, он может учесть, из каких точек чаще уезжают на такси от вокзала. Если пассажир добавляет избранные адреса, алгоритм учитывает эту информацию. Также он может использовать данные о прошлых заказах пользователя в Еде и Лавке, а также о результатах поиска в Картах и Навигаторе.

Как сервис анализирует данные и как формирует рекомендации

Находить оптимальные точки старта и финиша сервису помогают рекомендательные алгоритмы. Они анализируют историю поездок пассажира, их маршруты, время начала и окончания. Эти данные сопоставляются с текущими местоположением и временем пользователя. Алгоритмы также учитывают факторы, характеризующие качество прошлых поездок пассажира, — время ожидания такси и успешность заказа.

Как пользователь может влиять на рекомендации

Чтобы алгоритмы выбирали оптимальные точки старта и финиша, достаточно заказывать такси через сервис. Чем больше данных есть о прошлых поездках пассажира, тем лучше будут рекомендации сервиса. Пользователь может также добавить в Такси избранные адреса — это тоже поможет сервису составлять рекомендовать правильные точки.

Если человек не хочет, чтобы данные о его поездках учитывались для рекомендации точек старта и финиша, он может удалить эти данные из приложения. Также можно запретить определять местоположение с помощью геолокации.

Предложенные точки старта и финиша — всего лишь рекомендации. Пользователь может игнорировать их и самостоятельно выбрать точки посадки и высадки через поиск или на карте.

Коммуникации в приложении

Для чего используются рекомендательные технологии

Рекомендательные алгоритмы упрощают процесс заказа такси, а также товаров, которые продаются на других сервисах Яндекса и доступны в приложении Go.

Например:

Если человек часто пользуется в Такси тарифом «Комфорт», при следующем запуске Go может автоматически выбирать этот тариф.
Если пользователь уже заказывал в Go товары из Маркета и платил банковской картой, за следующий заказ приложение само предложит рассчитаться этой же картой.
Тем, кто часто пользуется Самокатами, Go может предложить оформить страховку. Она позволяет застраховать своё здоровье и здоровье окружающих, а также смартфон на случай, если он упадёт во время поездки и повредится. Тем, кто активно пользуется Самокатами, Go может также порекомендовать абонемент — с ним поездки станут выгоднее.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы анализируют информацию о предыдущих действиях пользователя в Go. Это могут быть, например, данные о поездках и предпочитаемых тарифах в Такси, данные о том, что пользователь заказывал с помощью Go на Маркете, в Еде или и какими способами оплачивал заказы.

Как сервис анализирует данные и как формирует рекомендации

Рекомендательные алгоритмы анализируют агрегированные данные о пользователях в Go:

поездки на такси,
заказы на Маркете, в Еде, Лавке и на других сервисах Яндекса, которые есть в приложении Go,
географию этих заказов и поездок,
текущее местоположение пользователей,
способы оплаты — например, банковская карта, СБП, наличные.

Изучив эти данные, алгоритм рекомендует, например, тариф и опции поездки или параметры заказа товаров.

Как пользователь может влиять на рекомендации

Пользователь влияет на работу алгоритма своими действиями в Go. Например, меняя тарифы в Такси или город, в котором пользуется сервисом.

Опция «Подождать»

Для чего используются рекомендательные технологии

Если в момент заказа находится водитель, который завершает поездку неподалёку, алгоритм может рекомендовать пользователю подождать и уехать с этим водителем за меньшие деньги.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм использует данные о местоположении пользователя, текущих поездках и точках их завершения.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм сопоставляет точку старта пользователя (А) и точки завершения (В) поездок, которые совершаются в момент заказа. Если водитель, завершающий поездку, доедет до точки А быстрее, чем среднее время подачи машины в эту точку, алгоритм предложит пользователю опцию «Подождать».

Как пользователь может влиять на рекомендации

«Подождать» — альтернативный вариант, который позволяет сэкономить на поездке. Пассажир может воспользоваться им или отказаться, заказав такси стандартным образом.

Опция «Чуть пройти»

Для чего используются рекомендательные технологии

Алгоритм может предложить пассажиру сократить время поездки. Сервис предлагает пассажиру альтернативную точку окончания маршрута относительно той, которую выбирал сам пользователь. До рекомендованной точки меньше ехать, но от неё придётся немного пройти до изначального места назначения.

Например, если пассажир заказывает такси до кинотеатра, рядом с которым часто бывают пробки, алгоритм может порекомендовать завершить поездку в квартале от кинотеатра и дойти до него, а не стоять в пробке.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм использует информацию о выбранной пассажиром точке окончания маршрута, а также агрегированные данные о точках начала и завершения других поездок, которые происходят прямо сейчас.

Как сервис анализирует данные и как формирует рекомендации

Когда пользователь заказывает такси, алгоритм проверяет, в каких точках вблизи точки финиша чаще всего начинают и завершают поездки другие пользователи. Далее алгоритм ищет альтернативную точку, до которой можно доехать быстрее, чем до выбранной пользователем точки финиша, при условии, что от альтернативной точки до выбранной пользователем было не более 5 минут пешком. Если такая альтернативная точка находится — сервис рекомендует её в опции «Чуть пройти».

Как пользователь может влиять на рекомендации

«Чуть пройти» — альтернативный вариант, который позволяет быстрее добраться до места назначения. Пассажир может воспользоваться им или отказаться и доехать на такси до изначально выбранной точки.

Овердрафт для корпоративных клиентов

Для чего используются рекомендательные технологии

Корпоративные клиенты могут получить в Такси овердрафт — автолимит для оплаты поездок. Для каждой компании-клиента сервис оценивает возможность выдачи овердрафта и его размер. Для этого Такси использует алгоритм, который анализирует данные о компании-партнёре — например, о её финансовом здоровье и платёжной дисциплине. Чем лучше показатели компании, тем вероятнее, что Такси выдаст ей овердрафт, и тем больше может быть его сумма.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует два массива данных. Первый — информация о финансовом здоровье компании из системы проверки контрагентов «Спарк». Второй — платёжные документы и своевременность расчётов по ним за определённый период времени. Алгоритм анализирует данные за всё время действия договора компании с Яндекс Такси, за последние несколько месяцев, а также на момент оценки.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм оценивает платёжную дисциплину и финансовое состояние компании — клиента. Если компания вовремя платит по актам, а база данных «Спарк» показывает, что у неё нет задолженностей, алгоритм может рекомендовать овердрафт на более крупную сумму.

Как пользователь может влиять на рекомендации

Чтобы алгоритм с большей вероятностью рекомендовал повысить овердрафт, компания может улучшить финансовое состояние и платёжную дисциплину. Также компания может обратиться в Такси, чтобы сервис увеличил, уменьшил или отключил овердрафт.

Адрес почты для запросов

[email protected]

Яндекс Про

(ООО «Яндекс.Такси»)

Для чего Яндекс Про использует рекомендательные технологии

В Яндекс Про рекомендательные технологии помогают водителям и курьерам получать подходящие заказы, выгодные предложения и бонусы за выполнение целей.

Заказы

Для чего используются рекомендательные технологии

Рекомендательные технологии помогают водителям и курьерам получать заказы. Анализируя множество данных, они находят водителям наиболее подходящих пассажиров, а курьерам — наиболее подходящих заказчиков. Для этого алгоритм анализирует например, местоположение водителей, курьеров, пассажиров и заказчиков, марки и модели автомобилей, доступные такси, предпочитаемые пассажирами тарифы и опции поездки, в части доставки также учитываются данные об отправлении (вес/размер) и условиях доставки, которые определяет пользователь. Алгоритм анализирует всё это и находит для водителя максимально подходящих пассажиров/заказчиков.

Например, если у водителя есть в машине детское кресло, сервис будет искать пассажиров, которым оно понадобится в поездке. А если водитель предпочитает осуществлять деятельность только по тарифу «Комфорт», сервис найдёт пассажиров, которые пользуются этим тарифом.

Какие данные использует сервис и где получает

Рекомендательный алгоритм работает с данными о водителях/курьерах и пассажирах/заказчиках — это комбинация сведений о водителе и агрегированных данных. Например, сведения о водителе могут включать в себя пол и возраст водителя, модель его машины, а агрегированные — объединяют в себе информацию о поведении водителей, курьеров, заказчиков и пассажиров.

Ключевую роль играют данные о водителе — его местоположение, статус активности, выбранный режим деятельности, марка, модель и возраст автомобиля, предпочтения в тарифах и дополнительные опции поездок. Эти данные помогают сервису понять, где находится водитель, готов ли он к принять новый заказ, по каким тарифам и с какими опциями.

Также для подбора пары водитель — пассажир и курьер — заказчик используется информация других сервисов Яндекса. Например, данные Яндекс Карт — для построения оптимального маршрута поездки, и данные Яндекс Go о рейтинге водителей и курьеров.

Как сервис анализирует данные и формирует рекомендации

Чтобы планировать поездки, алгоритм находит подходящие пары водитель — пассажир и курьер заказчик. Для этого он учитывает, например, как далеко друг от друга находятся водитель и пассажир, готов ли водитель принять заказ сразу или должен сначала завершить текущую поездку, какой тариф выбрал пассажир. Затем алгоритм вычисляет для каждой потенциальной пары метрику, которая показывает, насколько конкретный водитель подходит для конкретного пассажира, и ранжирует все пары по этой метрике.

Чтобы поездки были максимально комфортными и безопасными, Яндекс Про может использовать фильтры, которые исключают неподходящие результаты. Для фильтрации может использоваться, например, соответствие законодательным требованиям, поведение по приёму заказов, выбранные пользователем опции и другие настройки.

Как пользователь может влиять на рекомендации

Яндекс Про планирует поездки на основе данных о действиях водителей, курьеров, пассажиров и заказчиков. Действия каждого из них могут влиять на процесс. Например, водитель может поменять режим деятельности или приехать в зону повышенного спроса, а пассажир — сменить тариф или параметры поездки. Также водители, курьеры, пассажиры и заказчики могут игнорировать или отклонять рекомендованные поездки, выполнять требования программ лояльности и приоритета. Всё это помогает алгоритму точнее составлять рекомендации и находить оптимальные пары водитель — пассажир и курьер — заказчик.

Предложения в разделе «Выгода с Про»

Для чего используются рекомендательные технологии

Яндекс Про составляет для водителей и курьеров персональные рекомендации по предложениям и их категориям.

Какие данные использует сервис и где получает

Алгоритм использует агрегированные данные о том, какие предложения в каких категориях просматривали и выбирали ранее водители и курьеры.

Как сервис анализирует данные и формирует рекомендации

Алгоритм разбивает водителей и курьеров на группы. Для каждой группы собирает данные о просмотрах и кликах по предложениям и их категориям. Для каждой группы алгоритм выбирает четыре самых подходящих предложения в каждой категории. Когда пользователь заходит в магазин, алгоритм определяет к какой группе он относится и рекомендует соответствующие предложения.

Как пользователь может влиять на рекомендации

Пользователь влияет на рекомендации своими действиями в магазине — просмотрами и кликами по предложениям и категориям. Он может игнорировать рекомендации и выбрать другое предложение в разделе «Все предложения» или в отдельных категориях — например, «Обед» или «Кофе».

Персональные цели для поездок

Для чего используются рекомендательные технологии

Яндекс Про предлагает водителям персональные цели: например, выполнить заданное количество поездок за конкретный период в определенном регионе. За выполнение цели водитель получает бонус: например, сниженную комиссию за будущие заказы или единовременную выплату.

Какие данные использует сервис и где получает

Алгоритм учитывает частоту и количество заказов, выполненных конкретным водителем и другими водителями в регионе с помощью Яндекс Про, а также пробег при выполнении этих заказов и другие данные.

Как сервис анализирует данные и формирует рекомендации

На основе агрегированных данных Яндекс Про собирает описательную аналитику. Применяя к этим данным условия и фильтры, алгоритм определяет набор подходящих целей.

Как пользователь может влиять на рекомендации

На рекомендации влияют действия водителя по выполнению заказов в приложении Яндекс Про. Также существуют цели с выбором: водитель сам выбирает одну из предложенных целей.

Персональные цели Заправок

Для чего используются рекомендательные технологии

В приложении Яндекс Про есть персональные цели для водителя. Когда водитель их достигает, он получает бонусы. Например, приложение рекомендует оплатить определённый объём топлива с помощью Яндекс Заправок. Если водитель это сделает, он получает скидку на покупку определенного объёма топлива. Бонус действует определенный срок. Водитель сможет применить скидку при будущей заправке и таким образом сэкономить.

Какие данные использует сервис и где получает

Алгоритм учитывает, частоту выполнения заказов с помощью Яндекс Про, пробег при выполнении заказов и среднемесячный объём топлива, который водитель оплачивает через Про с помощью Яндекс Заправок. Также учитывается согласие водителя с условиями пользования сервисом.

Как сервис анализирует данные и формирует рекомендации

Как пользователь может влиять на рекомендации

На рекомендации влияют действия водителя по выполнению заказов и заправки с помощью Яндекс Заправок в приложении Про.

Адрес почты для запросов

[email protected]

Яндекс Доставка

(ООО «Яндекс.Доставка»)

Для чего Яндекс Доставка использует рекомендательные технологии

Яндекс Доставка использует рекомендации, чтобы упрощать пользователю процесс оформления заказов.

Точки отправки и получения посылки в поисковой строке

Для чего используются рекомендательные технологии

С помощью приложения Go алгоритм рекомендует пользователю две точки: одну — откуда отправить посылку, а другую — куда ее доставить. Для этого Доставка запоминает данные пользователя о прошлых заказах в приложении и советует такие точки, которые человек уже выбирал раньше.

Сервис может также использовать данные о геолокации пользователя и рекомендовать ему как точку отправки посылки его текущее местоположение. Кроме того, пользователь может сам добавить в приложение Go избранные адреса. Сервис их учтёт, когда в следующий раз будет подбирать рекомендации.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Чтобы рекомендовать точки отправки и получения посылок, Go анализирует информацию о предыдущих заказах, а также агрегированные данные о заказах других пользователей сервиса. Он также может использовать данные о геолокации пользователя, чтобы порекомендовать текущее местоположение для отправки посылки.

Как сервис анализирует данные и как формирует рекомендации

Рекомендовать точки отправки и получения посылок помогают алгоритмы машинного обучения. Они анализируют историю заказов пользователя, время начала и окончания. Эти данные сопоставляются с текущими местоположением и временем пользователя.

Как пользователь может влиять на рекомендации

Чтобы алгоритмы выбирали оптимальные точки отправки и получения, достаточно пользоваться приложением Go. Чем больше данных о предыдущих заказах в приложении Go, тем лучше будут рекомендации сервиса. Пользователь может также добавить в приложение избранные адреса — это поможет алгоритму составлять рекомендации.

Если человек не хочет, чтобы данные о его прошлых заказах в приложении учитывались при подборе точек отправки и получения, он может удалить эту информацию из приложения. Можно также запретить приложению определять местоположение с помощью геолокации.

Точки отправки и получения посылки — всего лишь рекомендации. Пользователь может игнорировать их и самостоятельно выбрать точку отправки и получения.

Коммуникации в приложении

Для чего используются рекомендательные технологии

Рекомендательные алгоритмы упрощают пользователю процесс заказа такси, а именно:

Если человек часто пользуется определенным тарифом Доставки, то при следующем запуске приложение Go может автоматически предложить этот тариф.
Если пользователь часто использует один и тот же способ оплаты заказа, то приложение само предложит использовать такой же способ в следующий раз.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы анализируют информацию о предыдущих действиях пользователя в сервисе Яндекс Доставка — например, об отправлениях, выбранных тарифах и способах оплаты.

Как сервис анализирует данные и как формирует рекомендации

Чтобы составлять рекомендации, сервис анализирует информацию о предыдущих действиях пользователя в Go. Это множество данных — например, о заказах, предпочитаемых тарифах в Доставке, способах оплаты. На основе этих данных алгоритм рекомендует параметры доставки.

Как пользователь может влиять на рекомендации

Пользователь влияет на работу алгоритма своими действиями в приложении. Например, когда меняет тариф доставки или город, в котором пользуется сервисом.

Адрес почты для запросов

[email protected]

Яндекс Драйв

(ООО «Яндекс.Каршеринг»)

Для чего Драйв использует рекомендательные технологии

Рекомендательные алгоритмы Драйва помогают повысить безопасность вождения, распределяют машины оптимальным образом, а также рекомендуют пользователям подходящие машины и точки окончания поездки.

Профиль вождения

Для чего используются рекомендательные технологии

Профиль вождения есть у каждого пользователя Драйва. Он содержит несколько факторов: текущий уровень вождения по шкале от 1 до 100, количество поездок с неаккуратными действиями на дороге и свойства этих поездок:превышения скорости, резкие ускорения или торможениях, крутых поворотах, игре в «шашечки». Профиль нужен для того, чтобы повысить безопасность поездок и уменьшить число ДТП.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Чтобы оценить уровень вождения, алгоритм использует телематические данные: показания спидометра, акселерометра, тахометра и других приборов. Учитываются данные за последние 200 км.

Помимо телематики алгоритм анализирует информацию о предыдущих поездках пользователя.

Как сервис анализирует данные и как формирует рекомендации

Уровень вождения влияет на стоимость поездок и размер кешбэка баллами Плюса. Если водитель ездит аккуратно, он может получать этот кешбэк. Пользователю с высоким уровнем вождения также доступны автомобили более высокого класса, скидки на страховку и полис КАСКО.

Если же водитель ездит неаккуратно, Драйв может повысить для него цену поездки. Чрезмерно агрессивное вождение приводит к блокировке. Если алгоритм понимает, что есть высокий риск ДТП из-за слишком быстрой или агрессивной езды, — приложение Драйва предупреждает об этом пользователя и рекомендует ехать аккуратнее. После такого предупреждения сервис может на несколько дней ограничить водителю доступ к машинам Драйва. Если потом пользователь продолжит водить неаккуратно, сервис может заблокировать его навсегда.

Как пользователь может влиять на рекомендации

На профиль вождения пользователь влияет своей манерой езды. Чем аккуратнее он водит, тем выше его рейтинг в профиле вождения.

Оптимальное распределение машин

Для чего используются рекомендательные технологии

С помощью этой технологии Драйв может предложить пользователю как можно больше свободных машин поблизости. Технология позволяет оптимально распределять по городу автомобили Драйва и повысить доступность сервиса, которая измеряется средним временем ходьбы до ближайшей машины. Чем меньше это время, тем выше доступность.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы анализируют данные о частоте поездок в конкретном районе, уровне спроса на машины Драйва, их расположении в городе. Сервис определяет спрос через соотношение двух показателей: сколько людей сейчас пока только просматривают приложение Драйва и сколько из них уже взяли машину в аренду.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм анализирует спрос и предложение — число свободных машин — в конкретном районе. Он устанавливает цены поездки в зависимости от отношения спроса к предложению.

Например, если спрос превышает предложение в районе отправления (точка А), цены повышаются. Если спрос выше предложения в пункте назначения (точка Б), цены снижаются.

Как пользователь может влиять на рекомендации

Пользователь может повлиять на уровень спроса в районе, в котором находится. Сервис рассчитывает спрос по числу пользователей, которые открывают приложение Драйва в текущий момент. Когда человек запускает приложение сервиса в определённом районе, уровень спроса там повышается.

Точка окончания поездки

Для чего используются рекомендательные технологии

Алгоритм помогают пользователю быстрее выбрать тариф и начать поездку. Например, если человек часто ездит от дома до работы — Драйв сразу предложит маршрут до офиса.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм учитывает частоту поездок пользователя в различные точки.

Как сервис анализирует данные и как формирует рекомендации

В тарифе «Минуты с точкой Б» сервис сам предлагает район поездки, в который, вероятнее всего, направится пользователь.

Как пользователь может влиять на рекомендации

Чтобы повлиять на рекомендации точки окончания, достаточно ездить на машинах Драйва, выбирать разные тарифы и места назначения.

Предложенная Драйвом точка назначения — всего лишь рекомендация. Пользователь может игнорировать её и поехать на Драйве в любое другое место.

Коммуникации в приложении

Для чего используются рекомендательные технологии

В пуш-сообщениях Драйв рассказывает о событиях на сервисе. Например, об акциях и скидках, которые могут заинтересовать пользователя.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Сервис отправляет пуш-уведомления тем пользователям, которые могут ими заинтересоваться. Чтобы понять, кому какие сообщения отправлять, алгоритм анализирует географию поездок пользователя, стиль вождения, частотность и историю поездок. Исходя из этого формируются группы пользователей, которым отправляются пуш-сообщения.

Как сервис анализирует данные и как формирует рекомендации

Для акций и скидок сервис выбирает случайное множество пользователей либо тех, кто с наибольшей вероятностью заинтересуется этими предложениями. Например, если Драйв проводит рекламную кампанию для тех, кто ездит по одним и тем же маршрутам — к примеру, от дома до работы и обратно, — алгоритм с помощью машинного обучения определит группу таких пользователей и покажет рекламу только им.

В некоторых акциях могут быть ограничения по возрасту, водительскому стажу и, например, числу поездок. Если пользователь попадает под эти ограничения — сервис не присылает ему сообщение о такой акции.

Как пользователь может влиять на рекомендации

Для некоторых акций нужно согласие пользователя, и он может дать его в приложении Драйва. В других акциях согласие пользователя не требуется — например, когда сервис предлагает скидку на поездки. В обоих случаях пользователь сам решает, воспользоваться ли рекомендацией.

Адрес почты для запросов

[email protected]

Яндекс Заправки

(ООО «Яндекс.Заправки»)

Скидки и бонусы различным группам пользователей

Для чего Заправки используют рекомендательные технологии

Алгоритмы рекомендуют скидки и бонусы, которые позволяют сэкономить. Доступность таких предложений в Заправках зависит от местоположения пользователя, его истории заказов и способов оплаты.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Яндекс Заправки анализируют данные о геопозиции пользователя, его историю заказов и способы оплаты за них. Это позволяет Сервису предложить водителю наиболее подходящие скидки и бонусы.

Как сервис анализирует данные и как формирует рекомендации

Доступные предложения можно посмотреть в разделе «Скидки и бонусы». Эти предложения сервис показывает с учётом разных факторов — в том числе местоположения и частоты использования Заправок, а также наличия предложений от партнёрских сетей АЗС (критерии для предоставления скидки выбирает сам партнёр).

Например, если человек раньше никогда не пользовался Заправками, он увидит скидки для новичков. Также, возможна ситуация, когда в одном регионе сервис показывает скидки на АЗС определённой сети, а в другом регионе на АЗС той же сети скидок может не быть.

Как пользователь может влиять на рекомендации

Пользователь влияет на рекомендации своими действиями в Заправках. Рекомендации могут зависеть от того, где водитель находится в текущий момент, как часто он пользуется Заправками, какой способ оплаты выбирает чаще всего.

Коммуникации в приложении

Для чего Заправки используют рекомендательные технологии

Рекомендации помогают пользователю узнавать об акциях и скидках на объектах, подключенных к сервису (АЗС, мойки), а также о новых функциях приложения. Иногда новый функционал становится доступным пользователям постепенно — по регионам. В этом случае Заправки выборочно оповещают водителей — рассказывают про новую возможность только там, где она уже появилась.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Чтобы составлять рекомендации, алгоритмы анализирует данные о местоположении пользователя, его истории заказов и способах оплаты.

Как сервис анализирует данные и как формирует рекомендации

Для подбора рекомендаций Заправки используют фиксированные алгоритмы (без обучения). Алгоритмы анализируют агрегированные данные о множестве пользователей и составляют описательную аналитику по заказам и их параметрам.

Как пользователь может влиять на рекомендации

Пользователи влияют на рекомендации своими действиями. В первую очередь — сменой местоположения (чаще всего — перемещением из одного региона в другой), а также частотой заказов и выбором способа оплаты.

Адрес почты для запросов

[email protected]

Яндекс Еда, Деливери

(ООО «Яндекс.Еда», ООО «ДЕЛИВЕРИ КЛАБ»)

Для чего Яндекс Еда и Деливери используют рекомендательные технологии

Алгоритмы Яндекс Еды и Деливери рекомендуют пользователям рестораны и магазины, готовые блюда и товары, помогая выбрать нужное и экономя время.

Например, если пользователь часто заказывает в Еде пиццу, сервис порекомендует ему пиццерии. Если человек предпочитает заказывать один и тот же шампунь в Деливери, сервис, вероятно, порекомендует именно этот товар.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Для рекомендаций используется информация о действиях людей в Еде и Деливери: в частности, история заказов конкретного пользователя и агрегированная информация о заказах других пользователей.

Также Яндекс Еда и Деливери также использует данные, полученные из других сервисов Яндекса: история поиска в Геосервисах (Яндекс Карты, Яндекс Навигатор), Поиске и Яндекс Такси.

При подборе рекомендаций ключевую роль играют история заказов пользователя, его геопозиция, рейтинг доступных ему ресторанов в Еде или Деливери и время доставки из этих заведений. Всё это помогает сервисам понять намерения пользователя и предложить наиболее подходящие рестораны, магазины, готовые блюда и товары.

Яндекс Еда и Деливери используют разные меры для защиты данных пользователей, в том числе шифрование, настройки доступа и соблюдение стандартов безопасности. Сервисы также могут следить за необычными активностями и оповещать пользователей о любых подозрительных действиях.

Яндекс Еда и Деливери обязуются защищать конфиденциальность пользователей, соблюдать законы о защите данных и исключать несанкционированный доступ к персональной информации. Политика конфиденциальности и пользовательские соглашения сервисов чётко описывают, какие данные собираются и как они используются, чтобы пользователи чётко понимали свои права и обязанности.

Как сервис анализирует данные и как формирует рекомендации

Рекомендательный алгоритм Еды и Деливери анализирует историю заказов пользователей, средние чеки, рейтинг ресторанов, историю поиска и другие данные.

С помощью статистических и алгоритмических методов алгоритм строит факторы, которые используются моделью ранжирования на базе машинного обучения. Также алгоритм учитывает ситуативные факторы.

Рекомендации формируются в несколько этапов. Сначала по геопозиции пользователя алгоритм находит все доступные рестораны и магазины. Затем выбирает готовые блюда и товары из этих ресторанов и магазинов с учётом того, что человек уже заказывал в них раньше. Далее модель машинного обучения ранжирует выбранные магазины, рестораны, блюда и товары с учётом множества факторов.

В результате получается список ресторанов, магазинов, готовых блюд и товаров, которые максимально подходят для рекомендации пользователю.

Как пользователь может влиять на рекомендации

Пользователи влияют на рекомендации своими действиями в Еде и Деливери: например, поиском ресторанов магазинов или размещением заказов.

Адрес почты для запросов

[email protected]

Яндекс Лавка

(ООО «Яндекс.Лавка»)

Для чего Лавка использует рекомендательные технологии

Яндекс Лавка использует рекомендации в разделах «Вам понравится» и «Может, ещё кое-что?» на главной странице, а также в карточках товаров, корзине и каталоге.

Цель рекомендательного алгоритма Лавки — упростить поиск товаров на сервисе и посоветовать те, которые с высокой вероятностью могут заинтересовать пользователя. Например, если большинству покупателей Лавки нравятся блинчики, то алгоритм может рассчитать вероятность того, что конкретный пользователь тоже заинтересуется этим товаром. Если вероятность высокая, алгоритм порекомендует этому пользователю блинчики.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательный алгоритм Лавки использует информацию о поведении на сервисе конкретного пользователя и агрегированные данные об остальных пользователях — например, историю покупок, кликов и просмотра товаров.

Для уточнения рекомендаций алгоритм может учитывать и другие данные — такие как время суток или день недели. Например, если в будни человек готовит завтрак сам, а в выходные заказывает готовый, алгоритм может предсказать это по истории заказов и в субботу порекомендует овсяную кашу или сэндвич с ветчиной.

Как правило алгоритм использует данные о поведении в Лавке за последние три месяца. Однако если человек не заходил на сервис в течение этого срока, алгоритм может взять информацию за более долгий период.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм анализирует историю заказов конкретного покупателя, его клики, просмотры товаров и сравнивает с аналогичными данными других пользователей. Для каждого пользователя он подбирает товары, которые заказывают пользователи с похожим поведением на сервисе.

Таким образом алгоритм рекомендует пользователю ранжированный список товаров, которые пользователь может купить с наибольшей вероятностью

Чтобы разнообразить рекомендации, алгоритм Лавки отфильтровывает товары, которые пользователь часто заказывает сам.

Например, если в рекомендации попадёт газировка, которую человек часто покупает, алгоритм предложит попробовать другую газировку. При этом любимые товары покупателя остаются доступны в разделе «Вы покупали».

Также алгоритм учитывает схожесть товаров. Если в топ товаров с наибольшей вероятностью покупки попадают схожие — например, разные виды газировки, то алгоритм выберет другие продукты, которые соответствуют предпочтениям пользователя (например, фруктовые соки).

Как пользователь может влиять на рекомендации

Каждый покупатель влияет на рекомендации Лавки своими действиями на сервисе — покупками, кликами, просмотрами товаров.

Рекомендации — всего лишь советы, которыми пользователи не обязаны следовать. Они могут игнорировать рекомендации и класть в корзину любые товары, доступные в Лавке.

Если пользователь не хочет, чтобы информация о его действиях на сервисе использовалась для рекомендаций, то он может удалить эту информацию в разделе «Управление данными» сервиса Яндекс ID.

Адрес почты для запросов

[email protected]

Яндекс Маркет

(ООО «Яндекс»)

Для чего Маркет использует рекомендательные технологии

Рекомендации Маркета помогают покупателям выбрать подходящие товары и сэкономить время на их поиске. Для этого сервис анализирует разные данные — например, историю покупок пользователей, — и советует товары с учётом разных обстоятельств.

Например, если покупатель хочет заказать смартфон, Маркет может порекомендовать приобрести для него чехол и защитную плёнку.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Маркета используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

историю поиска товаров,
историю покупок на Маркете,
просмотры и клики,
товары, добавленные в корзину и избранное,
размеры одежды, которую человек покупал раньше,
любимые бренды.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм выбирает рекомендованные товары по принципу ранжирования. Чем выше вероятность, что покупатель откроет карточку товара, закажет его, положит в корзину или добавит в избранное, тем выше этот товар оказывается в списке ранжирования.

Для формирования рекомендаций алгоритм Маркета анализирует множество пользовательских и товарных факторов. Среди них, например, действия покупателя на сервисе и текущий потребительский спрос на тот или иной товар.

Могут быть ограничения, связанные с законодательством или, например, с возрастной маркировкой товаров.

Рекомендательные алгоритмы анализируют обобщенные данные о предпочтениях пользователей в Яндекс Такси (в приложении Яндекс Go).

Как пользователь может влиять на рекомендации

Покупатели влияют на рекомендации своими действиями на Маркете. Чтобы рекомендации работали, достаточно пользоваться Маркетом: например, искать и просматривать товары, добавлять их в избранное, делать заказы.

Чем больше информации будет у Маркета, тем точнее его рекомендации для конкретного пользователя.

Если покупатель не хочет, чтобы сервис использовал собранные о нём данные, он может удалить их в личном кабинете. Однако, если пользователь продолжит пользоваться Маркетом после удаления данных, сервис начнёт заново накапливать данные о нем.

Адрес почты для запросов

[email protected]

Яндекс Советник

(ООО «Яндекс»)

Для чего Советник использует рекомендательные технологии

Яндекс Советник — это расширение для браузеров, которое позволяет найти лучшие предложения на Яндекс Маркете, посмотреть отзывы покупателей. Основная цель рекомендательных алгоритмов Яндекс Советника — помощь в сценариях поиска товаров и предоставление наиболее релевантных товарных предложений в качестве подсказок для пользователей. Работа Яндекс Советника устроена следующим образом:

пользователь открывает веб-страницу,
Советник анализирует ее контент и определяет, содержится ли на этой странице товар,
на основе этой информации выбирает наиболее релевантные для пользователя предложения,
вверху веб-страницы появляется блок с рекомендациями товаров, которые представлены на Яндекс Маркете.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Яндекс Советника используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

данные о текущей сессии пользователя: например, статус авторизации в сервисах Яндекса, браузер пользователя или значение куки,
контент отображаемой веб-страницы: например, название товара, его изображение и цену,
переходы на веб-страницы,
регион (по IP-адресу устройства или по выбору пользователя),
действия с товарами на веб-страницах: например, какие товары пользователь добавил в корзину,
данные о срабатываниях Яндекс Советника,
данные о взаимодействии пользователя с интерфейсом сервиса,
выбранные пользователем настройки работы сервиса.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритмы обучаются на массивах исторических данных о срабатываниях Советника и взаимодействиях пользователя с его интерфейсом, а также на данных открытой веб-страницы, переходах на страницы предложенных товаров.

В качестве цели для обучения используются сигналы асессоров, полученные в ходе офлайн-разметки. Например, целью может быть релевантность предложенных товаров контенту страницы.

На основе этих данных модели машинного обучения могут, например, обучаться оценивать, насколько релевантен данный товар или насколько вероятен переход пользователя на его карточку. Также на основе этих данных модели обучаются определять необходимость отрисовки интерфейса Советника на странице сайта.

Алгоритмы принимают решение на основе моделей машинного обучения, обеспечивая релевантность подсказок, либо максимизируя полезное действие с рекомендованным контентом, например, клик. Кроме этого, при формировании подсказок используются фильтры и ограничения нерелевантного контента. Ограничениями могут служить ссылки, удаленные по требованию регулирующих органов, а также пользовательские настройки, такие как безопасный поиск.

Как пользователь может влиять на рекомендации

Пользователь может повлиять на рекомендации Советника:

выбирая регион для поиска товаров,
включая и выключая предложения цен похожих товаров в настройках Советника,
запрещая отображение Советника на выбранных пользователем сайтах,
отключая Советник в настройках браузера.

Подробнее о том, как работает Советник: https://yandex.ru/support/market/personal-services/sovetnik.html

Адрес почты для запросов

[email protected]

Геосервисы (Яндекс Карты, Яндекс Навигатор)

(ООО «Яндекс»)

Для чего Карты и Навигатор используют рекомендательные технологии

В Яндекс Картах и Навигаторе рекомендации помогают быстрее находить релевантные организации в поиске и на карте, а также в режиме «Идеи».

Поиск на карте, подсказки организаций и адресов

Для чего используются рекомендательные технологии

Алгоритм рекомендует организации и адреса, которые с большей вероятностью соответствуют запросу пользователя.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

запрос пользователя,
фрагмент карты, который видит пользователь при поиске,
взаимодействия пользователя со списком организаций и адресов (просмотр, выбор и так далее,
на геолокации пользователя,
подписки на профили других пользователей.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм учитывает частоту поиска той или иной организации, выбор и просмотр организаций или игнорирование их в выпадающем списке, подписки на профили других пользователей, а также их отзывы, и другие виды взаимодействия пользователя с сервисом. На их основе он выбирает наиболее релевантные и интересные пользователю организации и в дальнейшем отображает их в первую очередь.

Как пользователь может влиять на рекомендации

Пользователь влияет на рекомендации своим поведением при поиске. Если пользователь часто ищет те или иные организации, они будут предлагаться ему в первую очередь.

Ранжирование объектов на карте

Для чего используются рекомендательные технологии

Алгоритм Яндекс Карт выделяет на карте интересные пользователю организации даже при мелком масштабе (без приближения)

Какие данные о пользовательских предпочтениях сервис использует и где получает

данные о взаимодействиях с карточками организаций (открытие карточки, частота, запись на услуги, звонки и так далее);
информацию о возможном посещении пользователем организации с учетом геолокации.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм рекомендует пользователям организации, которые могут быть им интересны. Такие рекомендации основываются на гипотезах о возможном посещении организаций (с учётом геолокации) и истории поиска. Рекомендованные организации выделяются на картах и видны даже при мелком масштабе (без приближения).

Алгоритм может рекомендовать таким образом организации как персонально конкретному пользователю, так и всем пользователям в определённой местности (если организацию часто ищут и посещают).

Как пользователь может влиять на рекомендации

Если пользователь не хочет получать персональные рекомендации, он может удалить историю посещения организаций в разделе «Управление данными» сервиса Яндекс ID. При этом алгоритм продолжит показывать ему рекомендации, общие для всех пользователей в данной местности.

Предоставление пользователям рекомендаций в режиме «Идеи»

Для чего используются рекомендательные технологии

Алгоритм формирует подборки организаций, наиболее популярных среди пользователей или релевантных запросам пользователя, в формате «сторис», а также выделяет популярные или релевантные места на карте в виде тепловой карты или отдельных меток.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует следующие сведения о пользователях, полученные при использовании сервиса:

историю поиска пользователем организаций в сервисе,
оставленные пользователем оценки и отзывы об организациях,
геолокацию пользователя, а также информацию о возможном посещении пользователем организаций с учетом геолокации,
фрагменты карты, которые пользователь видит при поиске,
факты взаимодействия пользователя со списком организаций и адресов (просмотр, выбор, игнорирование),
предпочтения других пользователей.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм с помощью рекомендательной технологии анализирует указанную информацию о пользователях и строит гипотезы о том, какие места (организации) наиболее интересны для конкретного пользователя. Затем, алгоритм делает такие организации наиболее заметными для пользователя в интерфейсе сервиса, например, посредством подсвечивания области карты, в которой концентрация потенциально интересных пользователю организаций наиболее высокая, или посредством ранжирования рекомендуемых мест интереса в ленте с подборкой организаций.

Как пользователь может влиять на рекомендации

Пользователь влияет на рекомендации посредством обычного использования сервиса и режима «Идеи», в частности посредством проставления реакций «нравится» и «не нравится» в отношении рекомендации, написания отзывов и проставления оценок об организациях, а также посредством выбора интересующих пользователя категорий организаций.

Адрес почты для запросов

[email protected]

Алиса

(ООО «Яндекс»)

Для чего Алиса использует рекомендательные технологии

Основная цель рекомендательных алгоритмов Алисы и умных устройств — рекомендовать пользователям наиболее подходящие им музыкальные объекты и видео.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Алисы анализируют следующие сведения о пользователях, полученные от них при использовании сервиса:

историю поведения на сервисе: прослушивание, просмотр, оценку видео и музыкальных объектов,
пользовательские настройки (например, ограничение возраста),
автоматическое определение возрастной группы (взрослый/ребенок),
поисковые запросы.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов, включая историю взаимодействия пользователя с сервисами Яндекса, а также метаинформацию о видео и музыкальных объектах.

Алгоритмы анализируют такие параметры как популярность объекта, интерес пользователя к похожим объектам, интересы других пользователей со схожими предпочтениями.

Алгоритмы используют различные методы машинного обучения, включая нейронные сети, матричные разложения и линейные модели. В качестве метрики качества работы используется общее время прослушивания музыки и просмотра видео пользователем сервиса.

Алгоритмы адаптируются к поведению пользователей, анализируя историю просмотров, прослушиваний и оценок. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные рекомендации.

В качестве обучающего сигнала используется агрегированная псевдонимизированная история пользователей сервиса.

Алгоритм принимает решение на основе моделей машинного обучения, учитывает законодательные ограничения, пользовательские настройки (например, ограничение возраста), а также юридические и лицензионные ограничения.

Ограничениями могут служить ссылки, удаленные по требованию регулирующих органов, а также пользовательские настройки, такие как возрастные ограничения. Эти фильтры и ограничения помогают обеспечить подходящие и качественные рекомендации.

Для борьбы с предвзятостью используются специализированные тесты и методологии, чтобы гарантировать, что алгоритм не дает несправедливого преимущества или дискриминации определенных групп или контента.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации через свое поведение на сервисе, включая поиск, прослушивание и просмотр музыки и видео и выставление оценок.

Пользователи могут игнорировать рекомендации и использовать для получения конкретного видео и музыкального контента поиск.

Адрес почты для запросов

[email protected]

Поиск

(ООО «Яндекс»)

Для чего Поиск использует рекомендательные технологии

Основная цель поиска — максимально точно и в удобном виде ответить на запрос пользователя или даже предугадать его. Поиск использует методы машинного обучения, включая нейронные сети с миллиардами параметров, основанные на разметке контента тысячами асессоров (специалистов по разметке данных) для определения релевантности веб-страницы запросу пользователя.

Чем это помогает пользователям

На один и тот же вопрос может быть несколько правильных ответов — в зависимости от нужд пользователя. Анализируя запросы и переходы пользователя, Яндекс делает вывод о том, что ему сейчас важно и интересно. Так, если человек часто ищет что-то про программирование, вероятно, по запросу [питон] ему будет интересно увидеть страницу про соответствующий язык программирования Python, а не фото змеи.

Среди всех запросов к поиску Яндекса от 15 до 30%, в зависимости от региона, составляют те, в ответ на которые пользователь ожидает получить местную, региональную информацию — например, об услугах или событиях в своём городе. На такие запросы поиск Яндекса отвечает в разных регионах по-разному. Например, по запросу [услуги адвоката] жители Самары найдут профессиональные юридические услуги в Самаре, а нижегородцы — адвокатов Нижнего Новгорода.

Какие данные о пользовательских предпочтениях использует Поиск и где их получает

Рекомендательные алгоритмы Поиска используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:

текущий поисковый запрос пользователя,
историю поисковых запросов пользователя,
характер ввода поисковых запросов (клики по подсказкам),
клики по ссылкам в результатах и время возврата на страницу поиска,
информацию об устройстве пользователя,
информацию о геолокации,
cookie-файлы,
язык запросов и страниц в результатах выдачи.

Кроме того, используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Анализируя историю поиска, клики, характер ввода запросов (клики по подсказкам) время просмотра и другие метрики, алгоритмы Яндекса лучше понимают, что именно ценят пользователи, адаптируется к их поведению и предоставляет более точные результаты.

Обученный алгоритм ранжирует результаты поиска, присваивая каждому результату оценку на основе сигнала релевантности и поведения пользователя. Релевантность результата запросу предсказывается на основе оценок реальных асессоров. Поведение пользователей предсказывается на основе профицита — вычисляемой метрики, показывающей насколько хорошо каждая конкретная поисковая выдача решает задачу пользователя

Для обучения алгоритмов Яндекс использует данные о пользовательском поведении в комбинации с разметкой асессорами. Эти данные служат алгоритмам источником обучающего сигнала. Разметку выполняют как асессоры, представляющие среднестатистического пользователя интернета, так и эксперты в конкретных областях.

Все эти методы работают совместно для создания гибкого и адаптивного алгоритма, который может реагировать на изменения в поведении пользователей и интернет-трендах, постоянно улучшая качество рекомендаций.

В некоторых информационных блоках ранжирование построено на составлении выдачи из видео, которые будут наиболее полезны после просмотра текущего видео — чтобы дать пользователю глубже разобраться в какой-то теме. В этом случае основную роль играет текущее видео и история поисковых запросов пользователей.

В формировании подсказок для запроса основную роль играют частотность запроса, регион пользователя, пользовательская история, тип устройства.

Содержимое рекламных блоков определяется в первую очередь настройками рекламных кампаний, заданных рекламодателями. Для всех результатов поиска Яндекс может использовать фильтры для исключения нерелевантного или нежелательного контента. Ограничениями могут служить ссылки, удаленные по требованию регулирующих органов, а также пользовательские настройки, такие как безопасный поиск.

Как пользователь может влиять на рекомендации

Пользователи Яндекса напрямую влияют на рекомендации через свое поведение в поиске и навигацию, включая клики, запросы и время возврата на страницу поиска.

Поиск позволяет пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации, например настроить релевантную локацию, язык, товарные фильтры для поискового запроса, регулировать свежесть или включить один из режимов безопасного поиска.

Пользователи могут игнорировать или отклонять определенные рекомендации (через кнопку «Сообщить об ошибке») и использовать дополнительные параметры поиска для уточнения своих интересов, что позволит алгоритму лучше понимать их потребности и предлагать более релевантный контент.

Пользователи могут контролировать данные, которые используются для рекомендаций, через настройки конфиденциальности и предпочтений.

Сроки хранения данных зависят от их характера. Данные, которые используются для рекомендаций, можно увидеть в разделе «Управление данными» Яндекс ID. Там же можно управлять этими данными.

Чтобы пользоваться Поиском без персональных рекомендаций, можно включить режим «инкогнито» в браузере.

Адрес почты для запросов

[email protected]

Яндекс Ритм

(ООО «Яндекс»)

Для чего «Яндекс Ритм» использует рекомендательные технологии

Алгоритм используется для рекомендации пользователю контента (изображений, видео, текстовых описаний), который может в наибольшей степени соответствовать его предпочтениям и интересам из представленных в сервисе категорий.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при работе в сервисе, в том числе данные о поведении пользователя: поисковые запросы, переходы по ссылкам, клики, просмотры ленты с контентом, отдельных единиц контента , профилей авторов, добавление контента в избранное, отметки «нравится», подписки на авторов и другие действия пользователя в сервисе.

Также используются аналогичные данные о поведении других пользователей сервиса в агрегированном виде.

Как сервис анализирует данные и формирует рекомендации

Алгоритм анализирует указанные данные о поведении пользователя, на основании чего строятся гипотезы о предпочтениях отдельного пользователя, и с учетом этого отдельные авторы или единицы контента добавляются в рекомендательную ленту, которая отображается для пользователя в сервисе. Так, чем выше вероятность того, что пользователя заинтересует соответствующий контент, тем выше он оказывается в ленте пользователя. Кроме того, агрегированная информация о поведении пользователей сервиса и их предпочтениях анализируется алгоритмом с целью выявить наиболее популярный контент для отображения новым пользователям сервиса.

Как пользователь может влиять на рекомендации

Пользователь может влиять на рекомендации своим поведением в сервисе: содержанием поисковых запросов, проставлением отметки «нравится», добавлением отдельных единиц контента в избранное, подписками на конкретных авторов.

Адрес почты для запросов

[email protected]

Шедеврум

(ООО «Яндекс»)

Описание для чего используются рекомендательные технологии

Алгоритмы Шедеврума стараются делать контент в лентах (например, изображения, видео и текстовые посты) интересным и релевантным для пользователей.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует как данные о конкретном пользователе, так и агрегированные данных других пользователей. Сервис получает данные от самих пользователей.

Данные о пользователе могут включать в себя историю поведения на сервисе: просмотр, действия с постами и профилями других пользователей, пользовательские настройки. Агрегированные данные объединяют аналогичную информацию о пользовательском поведении множества пользователей.

Ключевую роль играют данные о взаимодействии пользователя с карточками постов: лайки, комментарии и подписки на авторов.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм Яндекса адаптируется к поведению пользователей, анализируя историю просмотров и взаимодействий с контентом в рекомендательной ленте. Это помогает системе понять, что именно ценит пользователь, и давать более точные рекомендации.

Для обучения алгоритма используется комбинация методов. В качестве обучающего сигнала берётся агрегированная история пользователей сервиса. Целевая функция — «лайк», поставленный объекту в ленте

Алгоритм принимает решение на основе моделей машинного обучения, учитывает пользовательские настройки (например, ограничение видимости авторов), а также юридические ограничения.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации через свое поведение: например, просмотр, лайки и комментарии публикаций в рекомендательной ленте.

Так, алгоритм будет учитывать их интересы, чтобы предлагать в дальнейшем более релевантные рекомендации.

Адрес почты для направления запросов

[email protected]

Яндекс 360: Яндекс Почта

(ООО «Яндекс»)

Для чего Почта использует рекомендательные технологии

Алгоритмы Почты рекомендуют тему письма и продолжение фразы, а также опознают нежелательные письма.

Подсказки в почте

Для чего используются рекомендательные технологии

Алгоритм предлагает пользователю варианты темы письма и варианты для продолжения фразы.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы анализируют агрегированные и обезличенные данные о частоте последовательностей слов и символов в почтовом ящике. Эти данные получаются от пользователей при использовании ими сервиса.

Как сервис анализирует данные и как формирует рекомендации

Данные автоматически анализируются алгоритмами, при этом чувствительные данные, включая пароли или информацию из писем, не анализируются.

Как пользователь может влиять на рекомендации

Пользователь может отключить рекомендации (автодополнение и подсказки темы).

Защита от спама

Для чего используются рекомендательные технологии

Алгоритмы распознают во входящих почтовых сообщениях нежелательные письма и рассылки (спам, фишинг и т.д.) и фильтруют почту на основании полученных данных (нежелательные сообщения отправляются в папку «Спам»).

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы анализируют неперсонифицированные данные, в том числе: IP-адрес отправителя, логин отправителя, частотность этих признаков в потоке писем, а также итоговые характеристики писем с этими признаками (количество прочтений, отметок «Спам» и «Не спам»).

Также учитываются сведения о действиях получателя. Например, если получатель ранее читал письма конкретного отправителя, писал отправителю или нажимал «Не спам» для писем отправителя, то письма от этого отправителя с большей вероятностью будут определены как «хорошие» и не будут отфильтровываться как нежелательные.

Эти данные получаются от пользователей при использовании ими сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм распознавания нежелательных писем строится на анализе множества признаков каждого письма. На основе полученных характеристик модель машинного обучения принимает решение о том, захочет ли получатель пометить это письмо как спам или не спам.

Как пользователь может влиять на рекомендации

Защита от спама работает автоматически, пользователь не может её отключить или вручную настраивать её параметры. При этом пользователь может влиять на работу алгоритма, отмечая письма как «Спам» или «Не спам».

Адрес почты для направления запросов

[email protected]

Яндекс 360: Яндекс Диск

(ООО «Яндекс»)

Для чего Диск использует рекомендательные технологии

Алгоритмы Диска автоматически разбирают фотографии по тематическим подборкам и альбомам.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы используют для анализа различные факторы, основанные на сведениях, полученных от пользователей при использовании сервиса, в том числе:

Географическую и иную информацию из метаданных загруженных фотографий.
Вычисляемую метрику «Индекс красоты», которая стремится отразить привлекательность фотографии.
Отметки «Избранное», которые пользователь ставит фотографиям.

Как сервис анализирует данные и как формирует рекомендации

Факторы для анализа вычисляются автоматически, с использованием технологий машинного зрения. Алгоритм автоматически анализирует факторы и выносить решение о включении фотографий в альбомы и подборки.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации через свое поведение в Диске за счет загружаемого контента, взаимодействия с избранными фото и других действий.

Адрес почты для направления запросов

[email protected]

Едадил

(ООО «Едадил Промо»)

Для чего Едадил использует рекомендательные технологии

Алгоритмы рекомендуют пользователям Едадила максимально релевантный список торговых сетей и товаров, а также дают персонализированные рекомендации подборок товаров.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при использовании сервиса, в частности:

клики по каталогам магазинов,
любимые магазины, выбранные пользователем,
историю переходов по каталогам,
клики по карточкам товаров,
добавление товаров в список покупок,
подписки на любимые товары,
поисковые запросы на сервисе,
клики по пуш-уведомлениям,
загруженные чеки,
местоположение.

Кроме того, используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм формирует для пользователя персональный набор и порядок торговых сетей, учитывая информацию о пользователе, историю переходов по карусели, также добавление торговой сети в «Любимое».

Алгоритм поиска товаров стремится персонализировать выдачу для конкретного пользователя в зависимости от его местоположения и истории взаимодействия с карточками товаров.

Едадил может фильтровать контент, ограничивая его с учётом соответствия законодательству, а также чтобы исключить нерелевантный или нежелательный контент.

Как пользователь может влиять на рекомендации

Пользователи Едадила могут влиять на рекомендации через свое поведение на сервисе и навигацию. Например, пользователь может указывать в поисковом запросе разное количество характеристик товара, который ищет. Также на рекомендации влияют клики, добавление товаров в список покупок, загрузка чеков.

В приложении Едадил пользователи могут подписаться на любимые товары. Подписка на получение информации о товаре также может влиять на рекомендации: алгоритм может включить такой товар в персональную подборку для пользователя.

Адрес почты для запросов

[email protected]

Яндекс Погода

(ООО «Яндекс» и ООО «Яндекс.Пробки»)

Для чего Погода использует рекомендательные технологии

Рекомендательный алгоритм Яндекс Погоды предлагает пользователю более точный прогноз, используя данные о его местоположении.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы Погоды анализируют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса: геолокацию устройства, IP-адрес и населённый пункт (если пользователь указал его в настройках сервиса), а также сигналы пользователя об осадках (ответы на вопрос «Идет ли дождь?» и «Идёт ли снег?»).

Как сервис анализирует данные и как формирует рекомендации

Сервис показывает прогноз погоды для местности, где находится пользователь, определяя местность по данным о местоположении пользователя.

Прогноз един для всех пользователей в одной и той же местности на один и тот же момент времени. Он не зависит от того, оставлял ли тот или иной пользователь сигнал о том, что у него идёт дождь или снег.

Как пользователь может влиять на рекомендации

Пользователи могут оставлять сигналы о дожде или снеге для уточнения прогноза на будущее. В остальном же прогноз един для всех пользователей в одной и той же местности на один и тот же момент времени. Он не меняется в моменте от того, оставлял ли тот или иной пользователь сигнал о том, что у него идёт дождь или снег.

Адрес почты для запросов

[email protected]

Яндекс Директ

(ООО «Яндекс»)

Для чего Директ использует рекомендательные технологии

Рекомендательные технологии используются для показа рекламных объявлений, наиболее релевантных интересам пользователя.

Также они подсказывают рекламодателям, как нужно изменить кампании, чтобы они приносили больше кликов и конверсий или охватов. Алгоритмы Директа могут анализировать данные кампаний и давать персональные рекомендации по их улучшению.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Директа используют следующие сведения о предпочтениях пользователей, полученные от них:

данные поисковых запросов пользователя,
тематики сайтов, на которые заходит пользователь,
время пребывания на странице,
данные о пользователе, которые он указывает при использовании сервисов Яндекса,
геолокацию,
информацию об устройстве пользователя,
просмотренные рекламные объявления.

Для рекомендаций рекламодателям кроме этого учитывается история взаимодействия с подсказками: алгоритм может учитывать, каким рекомендациям рекламодатель следовал, а какие игнорировал.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов и настроек, перечень которых во многом зависит от формата и места показа объявления, а также настроек, заданных рекламодателем при размещении объявления (времени, географии показа, заданных ключевых фраз и т.д.).

Важную роль также играют текст поискового запроса пользователя, геолокация, устройство пользователя, история поиска и просмотра, социальные сигналы и другие контекстные факторы.

Яндекс Директ может использовать фильтры для исключения нерелевантного или нежелательного контента. Ограничения могут включать в себя соответствие законодательству, правила размещения контента на сервисе Яндекс Директ, пользовательские настройки, а также тематику объявления. Эти фильтры и ограничения помогают обеспечить качество и релевантность рекомендаций.

Как пользователь может влиять на рекомендации

Алгоритм Яндекса адаптируется к поведению пользователей, анализируя поисковый интерес, клики по рекламным объявлениям, время пребывания на странице и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные результаты.

Яндекс Директ даёт пользователям инструменты управления рекламой. Например, с помощью «Пульта управления рекламой», пользователь может дать сигнал, что реклама для него не актуальна или пожаловаться на рекламный контент. Также пользователь может управлять настройками показа рекламы, например, чтобы не учитывать геопозицию при показе рекламы. При этом пользователь не сможет видеть персонализированные предложения от кафе или, например, химчистки, которая расположена рядом с обычным маршрутом.

Рекламодателям при настройке рекламных кампаний доступен инструмент автоматического применения рекомендаций в Мастере кампаний для текстово-графических объявлений.

Адрес почты для запросов

[email protected]

Яндекс Взгляд

(ООО «Яндекс»)

Для чего Взгляд использует рекомендательные технологии

Алгоритмы Взгляда стремятся рекомендовать опросы, которые могут заинтересовать пользователя и соответствовать его интересам.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей, в частности:

историю поиска,
клики и временные рамки просмотров,
сведения указанные в личном кабинете сервиса (пол пользователя, его возраст и т. д.)
местоположение (регион),
историю просмотров рекламных объявлений,
данные об устройстве.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм анализирует факторы и настройки, заданные при создании опроса. Также он может учитывать пол пользователя, его возраст, регион показа и иные факторы, указывающие на особенности поведения пользователей.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации через свое поведение в Поиске: клики, запросы, временные рамки просмотра и другие действия. Также пользователи могут корректировать данные, указанные в Яндекс ID.

Пользователи могут игнорировать или отклонять определенные рекомендации, использовать дополнительные параметры поиска для уточнения своих запросов, а также сообщать о нерелевантности показанного объявления. Это позволяет алгоритму лучше понимать их потребности и предлагать более релевантные опросы.

Адрес почты для направления запросов

[email protected]

Вебмастер

(ООО «Яндекс»)

Для чего Вебмастер использует рекомендательные технологии

Сервис подсказывает владельцам сайтов запросы, которые могут быть интересны для оптимизации сайта. Алгоритмы Вебмастера стремятся рекомендовать разнообразные запросы: как те, по которым у сайта уже могут быть хорошие позиции в поиске, так и те, где сайт показывается на низких позициях, либо вообще не имеет показов.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм использует статистические (неперсонифицированные), агрегированные данные о показах сайтов в поиске Яндекса, а также данные о схожести сайтов. Схожесть определяется вероятностно, на основе неперсонифицированной статистики посещений сайтов пользователями.

Свежесть данных важна для формирования рекомендаций наравне с накопленными данными.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм определения схожих сайтов учитывает агрегированную, неперсонифицированную частоту посещения сайтов пользователями.

Анализируемый сайт и похожие на него сайты могут иметь показы в поиске по запросам пользователей. Алгоритм отбрасывает редкие и специфичные запросы из этой совокупности, ранжируя запросы тем выше, чем больше потенциал спроса и ниже конкурентность. При этом могут отфильтровываться потенциально неприемлемые запросы.

Как пользователь может влиять на рекомендации

Владелец сайта не может влиять на работу рекомендательного алгоритма. Алгоритм нечувствителен к действиям владельца сайта, он зависит только от поведения пользователей поиска.

Адрес почты для запросов

[email protected]

ADFOX

(ООО «Яндекс»)

Для чего ADFOX использует рекомендательные технологии

Алгоритмы показывают пользователю максимально релевантные и полезные рекламные объявления в ответ на запрос или действие пользователя на сайтах или в мобильных приложениях партнеров AdFox.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритмы AdFox могут учитывать:

местоположение пользователя,
данные о типах его устройств, операционных систем, браузеров,
данные о поведении пользователя (посещении страниц сайта, продолжительности визита, совершаемых кликах, сигналы о закрытии рекламы как нерелевантной и т.д.),
тематику (контекст) веб-страницы, на которой показывается рекламное объявление,
данные, переданные рекламной площадкой.

Сервис получает данные от пользователей и партнеров.

Партнеры AdFox также могут сегментировать пользователей на основании данных, которые они получают самостоятельно.

AdFox использует для анализа агрегированные, обезличенные и иные данные и не использует поведенческий таргетинг для показа рекламы, которая касается тем личного характера (например, некоторые аспекты медицины, знакомства для взрослых).

Как сервис анализирует данные и как формирует рекомендации

Алгоритмы AdFox основываются на многофакторном анализе и сочетании различных признаков, включая:

тематику (контекст) веб-страницы, на которой показывается рекламное объявление,
тематику рекламного объявления, ключевые запросы, форматы размещения и иные признаки объявления, выбранные рекламодателем,
данные, переданные рекламной площадкой.

Алгоритмы AdFox могут адаптироваться к поведению пользователей, анализируя его поведение в Интернете, совершаемые клики, время пребывания на страницах ресурсов, географию присутствия, типы устройств и другие метрики. Это помогает системе понять, какие рекламные предложения могут быть релевантны для пользователя. Так информация о пользователях в агрегированном виде может приходить от владельцев рекламных площадок (сайтов и мобильных приложений) в составе запроса о размещении объявления.

Как пользователь может влиять на рекомендации

Ключевую роль в изменении рекомендательного алгоритма играют пользовательские действия.

Например, пользователь может закрывать рекламу как нерелевантную его предпочтениям, если такая реклама размещалась через Рекламную сеть Яндекса.

Кроме этого, пользователи вправе отказаться от использования маркетинговых файлов cookie при посещении сайтов партнёров Рекламной сети Яндекса, периодически удалять такие файлы, очищать историю браузера или использовать предлагаемые некоторыми браузерами режимы «инкогнито».

Адрес почты для запросов

[email protected]

Яндекс Бизнес

(ООО «Яндекс»)

Для чего Яндекс Бизнес использует рекомендательные технологии

Алгоритмы стремятся рекомендовать наиболее релевантные и интересные объявления в ответ на запрос или действие пользователя.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей, в частности:

текст запроса,
данные о местоположении,
данные об устройстве,
историю поиска и просмотра,
адрес компании и график работы,
социальные сигналы,
клики, время пребывания на странице.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм сравнивает информацию в рекламном объявлении с поисковым запросом пользователя и другими сведениями о пользователе. Если они соответствуют, пользователь видит объявление в Поиске или на тематической площадке. Также учитывается адрес компании и график работы, поэтому рекламное объявление будет чаще показываться в часы работы, а увидят его клиенты, которые находятся недалеко от той или иной организации.

Владелец организации может изменить географию и время показа в личном кабинете.

Как пользователь может влиять на рекомендации

Пользователи Яндекса могут влиять на рекомендации через свое поведение в Поиске. Алгоритм адаптируется к поведению пользователей, анализируя историю поиска, клики, время пребывания на странице и другие метрики. Это помогает системе понять, что именно ценит пользователь, и предоставлять более точные результаты.

Адрес почты для направления запросов

[email protected]

Яндекс Игры

(ООО «Яндекс»)

Для чего Игры используют рекомендательные технологии

Рекомендательные алгоритмы сервиса советуют пользователю максимально релевантные для него игры.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательные алгоритмы Игр используют сведения от пользователей об их предпочтениях, которые система получает при использовании сервиса:

сведения о просмотрах игр,
историю игрового процесса,
оценки, которые пользователь выставляет играм,
информацию об устройстве пользователя,
информацию о языке интерфейса,
информацию о местоположении пользователя,
информация о кликах пользователя,
время на страницах сервиса,
ограничения платформы, с которой пользователь заходит на сервис.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм анализирует множество факторов, включая данные о поведении и предпочтениях пользователя и информацию об играх, размещенных на сервисе (категория игры, популярность и т. д).

Алгоритм анализа адаптируется к изменениям в поведении пользователей, что помогает системе понять, что именно ценит пользователь, и предоставлять более точные рекомендации.

В результате сервис рекомендует пользователю игры, которые соответствуют его предпочтениям, что позволяет экономить время на поиск подходящей игры.

Как пользователь может влиять на рекомендации

Пользователи Яндекс Игр могут влиять на рекомендации через свое поведение на сервисе: время, затраченное на игры, оценки и так далее.

Адрес почты для запросов

[email protected]

Авто.ру

(ООО «Сервисы размещения объявлений»)

Для чего Авто.ру использует рекомендательные технологии

Основная цель рекомендательного алгоритма Авто.ру — помочь пользователям сервиса в покупке, продаже и подборе автомобиля. Для этого сервис применяет несколько рекомендательных принципов. “Холодный старт” в рекомендациях, когда сервис предлагает пользователю рассмотреть самые популярные автомобили, которыми интересуются другие покупатели автомобилей или машины, размещенные на сервисе по выгодной и справедливой цене. И рекомендации, основанные на релевантном пользовательском запросе, этот тип рекомендаций сервиса основывается на данных полученных от пользователя при использовании сервиса.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей, в том числе:

обезличенную информацию об истории поиска автомобилей,
историю и время просмотра объявлений,
объявления, добавленные в избранное,
информацию о местоположении и времени суток,
историю взаимодействия с сайтом или приложением,
совершенные контакты с продавцом (нажатие кнопки «Позвонить» или «Чат»).

Кроме того, используются агрегированные данные, полученные в результате взаимодействия других пользователей с сервисом.

Как сервис анализирует данные и как формирует рекомендации

Рекомендательный алгоритм Авто.ру основывается прежде всего на базе объявлений о продаже автомобилей размещенных пользователями на портале. Стратегия работы заключается в анализе большого количества факторов, включая данные объявлений и историю поиска, наиболее популярные марки и модели среди пользователей платформы.

Алгоритм принимает решение на основе ранжирования, где каждому результату присваивается оценка на основе прогноза контакта пользователя по данному объявлению. Ранжирование собирается таким образом, чтобы максимизировать вероятность и число контактов, совершаемых пользователем за определенный промежуток времени.

Факторы алгоритма могут включать в себя историю поисков, взаимодействий с объявлениями на сервисе, геолокацию (регион/город) и другие параметры. Контекст показа рекомендаций (например, время суток) играет большую роль и может влиять на состав рекомендаций.

Авто.ру использует различные способы фильтрации контента, такие как: скрытие из рекомендаций удаленных с сервиса объявлений или уже просмотренных объявлений.

Как пользователь может влиять на рекомендации

Пользователь может влиять на данные, которые используются для рекомендаций, через настройки конфиденциальности на своём устройстве. Также на рекомендации влияет поведение на сервисе: просмотры объявлений, добавление в избранное, поисковые запросы и другие действия.

Некоторые части системы дают возможность пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации. Например, добавление объявления в избранное дает системе сигнал показывать больше таких автомобилей в рекомендациях.

Адрес почты для запросов

[email protected]

Яндекс Недвижимость

(ООО «Сервисы размещения объявлений»)

Для чего Недвижимость использует рекомендательные технологии

Рекомендательные алгоритмы Яндекс Недвижимости стремятся предоставить пользователю максимально релевантный перечень жилых комплексов и иных объектов недвижимости, соответствующих его интересам и персональному запросу.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при использовании сервиса, в том числе:

обезличенную информацию об истории поиска и ранее примененных фильтров,
переходы на карточку объекта,
глубину и время просмотра объявлений,
настройки предпочтений, в том числе объявления, добавленные в избранное,
местоположение,
тип устройства пользователя,
совершенные контакты с продавцом (нажатие кнопки «Позвонить» или «Чат»).

Как сервис анализирует данные и как формирует рекомендации

Рекомендательный алгоритм сопоставляет множество данных. С одной стороны, это информация из объявлений о продаже недвижимости: расположение жилого комплекса, срок сдачи в эксплуатацию, этажность, наличие лифтов, тип материалов, из которых построен дом, стоимость, класс жилого комплекса (эконом, комфорт, бизнес и др.), а также расположение и транспортная доступность, окружающая инфраструктура, застройщик, архитектурный стиль и предлагаемые планировки.

С другой стороны: анализ данных о взаимодействии пользователей сервиса с объявлениями: так алгоритм определяет наиболее предпочитаемые и популярные объекты недвижимости. С третьей стороны: персональный запрос пользователя и история его предыдущего поиска и ранее примененных фильтров.

Такой подход позволяет создавать рекомендации таким образом, чтобы в первую очередь показывать те объявления, которые максимально соответствуют интересу пользователя.

Как пользователь может влиять на рекомендации

На рекомендации непосредственно влияет поведение пользователя на сервисе: например, содержание поисковых запросов, переходы на объявления, временные рамки активности (скорость и глубина просмотра объявлений).

Некоторые части системы могут позволять пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации. Например, если пользователь добавил объявление в избранное, алгоритмы могут показывать больше похожих объявлений в рекомендациях.

Адрес почты для запросов

[email protected]

Яндекс Путешествия

(ООО «Яндекс.Вертикали»)

Для чего Путешествия используют рекомендательные технологии

Алгоритмы Яндекс Путешествий стремятся по запросу пользователя рекомендовать ему подходящие отели и направления для перелётов и поездок на поездах и автобусах.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при использовании сервиса, в частности местоположение пользователя (регион или город). Также алгоритм использует статистику поисков на сервисах Яндекс Расписания и Яндекс Путешествия и пункты прибытия и отправления, которые выбирают пользователи конкретного региона.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм стремится рекомендовать пользователю подходящие отели и направления для перелётов, поездок на поездах и автобусах. Чтобы точнее рекомендовать направления для путешествий и отдыха, учитывается местоположение пользователя с точностью до города (если это возможно).

Алгоритм не использует для ранжирования никаких методов обучения, а лишь сортирует варианты в подсказках согласно их популярности, которая определяется на основе агрегированной статистики.

Как пользователь может влиять на рекомендации

Популярность направлений для поездок и мест для проживания, рассчитывается исходя из совокупности действий всех пользователей на сервисе Яндекс Путешествия. Действия конкретного пользователя не влияют на рекомендации.

Тем не менее, пользователь может влиять на рекомендации, меняя своё местоположение в аккаунте на сервисе.

Адрес почты для запросов

[email protected]

Яндекс Услуги

(ООО «Сервисы размещения объявлений»)

Описание для чего используются рекомендательные технологии

Рекомендательные алгоритмы Услуг стремятся предоставить пользователю максимально релевантный список исполнителей.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при использовании сервиса, в том числе:

историю поисков,
историю просмотра профилей исполнителей,
клики и переходы,
местоположение,
тип устройства,
временные рамки активности,
настройки предпочтений.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Стратегия заключается в анализе большого количества факторов, включая данные профилей исполнителей услуг, историю поиска пользователей и др., чтобы максимально быстро найти подходящего исполнителя.

Алгоритм формирует рекомендации на основе ранжирования, где каждому результату присваивается оценка на основе прогноза контакта пользователя по данному профилю исполнителя.

Факторы могут включать в себя историю поисков, взаимодействий с профилем исполнителя на сервисе, геолокацию, тип устройства. Контекст показа рекомендаций играет большую роль и может влиять на состав рекомендаций.

Яндекс Услуги используют различные методы фильтрации контента, например, скрытие из рекомендаций удаленных с сервиса профилей исполнителей или просмотренных ранее пользователем профилей.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации через свое поведение на сервисе, включая клики, поисковые запросы и временные рамки активности.

Некоторые части системы могут позволять пользователям настраивать предпочтения, чтобы получать более точные и персонализированные рекомендации.

Адрес почты для запросов

[email protected]

Яндекс Учебник

(ООО «Яндекс»)

Для чего Учебник использует рекомендательные технологии

Алгоритмы Учебника рекомендуют ученику темы, которые ему стоит подтянуть, а учителю — темы, которые стоит подтянуть ученикам.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм анализирует данные, полученные от пользователей при использовании сервиса, в частности:

данные об активности (попытки решения задач),
степень освоенности навыков в графе навыков,
задачи, решенные учеником,
задачи, выданные учителем.

Также используются аналогичные агрегированные данные по другим пользователям сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм учитывает, какие задания ученик решил правильно, а какие неправильно. Сопоставляя эти данные с графом навыков, он определяет, к каким навыкам относятся нерешённые задания, а затем подбирает для ученика набор новых заданий, относящихся к этим навыкам.

Как пользователь может влиять на рекомендации

На рекомендации Учебника влияют действия ученика и учителя. Например, когда ученик принимается за задачу, успешно решает её (или не решает), это влияет на рекомендации сервиса.

Адрес почты для запросов

[email protected]

Яндекс Практикум

(АНО ДПО «Образовательные технологии Яндекса»)

Для чего Практикум использует рекомендательные технологии

В курсе «Английский» и сервисе «Грейд» алгоритмы рекомендуют студентам темы, которые стоит подтянуть.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Алгоритм учитывает балл студента по результатам тестирования в целом и для каждого задания в отдельности, отказы от решения заданий, а также данные о темах, к которым относятся конкретные задания. Сервис получает данные от пользователей при использовании ими сервиса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм анализирует, какие задачи получились хуже (баллы по ним ниже), после чего предлагает повторить отдельные темы.

Как пользователь может влиять на рекомендации

Рекомендации сервиса зависят от решения заданий. Правильно или неправильно решая те или иные задания, а также отказываясь от их решения, студент может влиять на рекомендации.

Адрес почты для направления запросов

[email protected]

Яндекс Пэй

(АО «Яндекс Банк»)

Для чего Пэй использует рекомендательные технологии

Алгоритм рекомендует пользователям партнёров, товары и услуги которых можно оплатить с помощью сервиса Яндекс Пэй.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательный алгоритм использует данные, полученные от пользователей, в том числе:

Данные о поведении пользователя в ленте приложения Яндекс Пэй (клики, просмотры ленты и так далее);
информацию о покупательской активности и историю запросов и кликов в поиске Яндекса.

Как сервис анализирует данные и как формирует рекомендации

Алгоритм стремится подобрать каждому пользователю список партнёров, которые будут наиболее интересны этому пользователю. анализирует историю взаимодействия с лентой сервиса, поисковых запросов и кликов в поиске Яндекса. На основании этих данных он ранжирует партнёров, присваивая каждому результату (партнёру) оценку на основе прогноза покупки у этого партнера.

Как пользователь может влиять на рекомендации

Пользователь может влиять на рекомендации, выбирая предложения партнёров в рекомендательной ленте и взаимодействуя с поиском Яндекса.

Адрес почты для запросов

[email protected]

Recommendix

(ООО «Яндекс»)

Для чего Recommendix использует рекомендательные технологии

Recommendix — виджет, доступный пользователю при просмотре и подборе товаров на сайте, владелец которого встроил соответствующий виджет. Recommendix использует рекомендательные технологии, чтобы предоставлять релевантные и точные подборки товаров, которые отвечают на запросы пользователя.

Какие данные о пользовательских предпочтениях сервис использует и где получает

Рекомендательный алгоритм использует данные, полученные от пользователей, в том числе:

самостоятельные клики пользователей на варианты ответов в сервисе Recommendix;
просмотренные веб-страницы сайта, на котором размещен сервис Recommendix за пользовательскую сессию.

Как пользователь может влиять на рекомендации

Пользователи могут влиять на рекомендации путем ответов на вопросы, размещаемые в сервисе

Адрес почты для запросов

[email protected]

Правила применения рекомендательных технологий

Как работают рекомендации в Яндексе

Что такое рекомендации

Зачем нужны рекомендации

Как работают рекомендации

На чем основана работа рекомендаций

Алгоритмы

Безопасность и конфиденциальность

Как управлять рекомендациями

Яндекс Музыка

Для чего Яндекс Музыка использует рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес почты для запросов

Кинопоиск

Для чего Кинопоиск использует рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес для направления запросов

Яндекс Книги

Для чего Яндекс Книги используют рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес почты для запросов

Яндекс Афиша

Для чего Афиша использует рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес почты для запросов

Яндекс Плюс

Для чего Плюс использует рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес почты для запросов

Яндекс Такси

Для чего Яндекс Такси использует рекомендательные технологии

Точка посадки

Точки старта и финиша в поисковой строке

Коммуникации в приложении

Опция «Подождать»

Опция «Чуть пройти»

Овердрафт для корпоративных клиентов

Адрес почты для запросов

Яндекс Про

Для чего Яндекс Про использует рекомендательные технологии

Заказы

Предложения в разделе «Выгода с Про»

Персональные цели для поездок

Персональные цели Заправок

Адрес почты для запросов

Яндекс Доставка

Для чего Яндекс Доставка использует рекомендательные технологии

Точки отправки и получения посылки в поисковой строке

Коммуникации в приложении

Адрес почты для запросов

Яндекс Драйв

Для чего Драйв использует рекомендательные технологии

Профиль вождения

Оптимальное распределение машин

Точка окончания поездки

Рекомендации автомобиля

Коммуникации в приложении

Адрес почты для запросов

Яндекс Заправки

Скидки и бонусы различным группам пользователей

Коммуникации в приложении

Адрес почты для запросов

Яндекс Еда, Деливери

Для чего Яндекс Еда и Деливери используют рекомендательные технологии

Какие данные о пользовательских предпочтениях сервис использует и где получает

Как сервис анализирует данные и как формирует рекомендации

Как пользователь может влиять на рекомендации

Адрес почты для запросов

Яндекс Лавка

Для чего Лавка использует рекомендательные технологии