Персональный мерчандайзинг: ряды, обложки, порядок

TL;DR

Домашний экран стримингового сервиса – это не фиксированная витрина, а сама по себе рекомендация: он собирается заново под каждого зрителя из трёх персональных решений, наложенных друг на друга, – какие горизонтальные полосы тайтлов (ряды) показать, в каком порядке сверху вниз и как ранжировать тайтлы внутри каждого ряда слева направо. Поверх этих трёх слоёв лежит четвёртый, более тихий: единственная картинка для каждого тайтла (обложка, или thumbnail) тоже может выбираться под зрителя, так что одно и то же шоу носит разное лицо для любителя комедий и для любителя триллеров. Сильнейшие системы в 2026 строят все четыре слоя на машинном обучении, которое учится непрерывно, – Netflix выбирает обложки онлайн-методом под названием contextual bandit, а не ждёт медленного A/B-теста (Netflix Technology Blog, 2017), – но оставляют редакторов в контуре для запусков, бренд-чувствительного размещения и юридических ограничений на то, что и где может появляться. Сделайте мерчандайзинг хорошо – и вы свяжете зрителя с тем, что он реально посмотрит, внутри окна примерно в 60–90 секунд, прежде чем он бросит поиск (Gomez-Uribe & Hunt, 2015); сделайте плохо – и каталог, полный отличных тайтлов, будет выглядеть пустым.

Почему это важно

На большом каталоге домашний экран и есть продукт: гораздо больше просмотров начинается с того, что показывает система, чем с того, что зритель ищет сам, – Netflix сообщал, что рекомендации влияют примерно на 80% часов, которые смотрят его подписчики, оставляя около 20% поиску (Gomez-Uribe & Hunt, 2015). Как утверждает вводная статья блока, именно discovery определяет удержание, а мерчандайзинг – это поверхность, где discovery реально встречается с глазами зрителя. Эта статья – для основателя, продакт-менеджера или CTO стриминга, которому нужно решить, насколько персонализировать домашний экран, где провести границу между алгоритмом и редактором и какую машинерию обложек и порядка стоит строить. Вы не будете писать модели ранжирования руками, но вам предстоит задать поведение, выбрать build-vs-buy и понять, почему красивый каталог, поданный через обобщённый, одинаковый для всех домашний экран, тихо теряет зрителей каждый вечер. Мерчандайзинг стоит сразу ниже по течению от рекомендательных моделей и метаданных, которые их кормят – это место, где их выход становится экраном, на который смотрит человек.

Домашний экран – это рекомендация

Начнём с идеи, которая переосмысляет всё дальнейшее: домашний экран стримингового сервиса – не статичная витрина, которую все видят одинаково. Он генерируется под каждого зрителя при каждой загрузке – рекомендация в форме страницы. Слово для этого ремесла – мерчандайзинг: искусство так разложить то, что у вас есть, чтобы нужный товар поймал нужного покупателя в нужный момент. Физический магазин делает это выкладкой, торцами стеллажей и витриной; стриминг – рядами, порядком и обложками, только стриминговый «магазин» перестраивает себя с нуля под каждого, кто в него заходит.

Ставки задаёт жёсткий предел внимания. Собственное исследование Netflix показало, что типичный подписчик, который не находит, что посмотреть, примерно за 60–90 секунд, рискует бросить поиск и уйти – в игру, книгу или другое приложение (Gomez-Uribe & Hunt, 2015). Это короткое окно – вся суть мерчандайзинга. Вы не пытаетесь показать зрителю всё; вы пытаетесь поставить перед ним то, что он реально запустит, прежде чем окно закроется. Каталог из пятидесяти тысяч тайтлов бесполезен, если та дюжина, что зритель видит первой, ему не подходит.

Полезная аналогия: представьте домашний экран как газету, которая верстается по-разному для каждого читателя. Одни и те же новости дня существуют для всех, но редактор – здесь алгоритм – решает, что идёт «над сгибом», что получает большое фото, а что прячется на девятой полосе, исходя из того, что важно именно этому читателю. Читатель чувствует заботу; работа сделана в вёрстке, не в текстах. Стриминговый мерчандайзинг – это решение вёрстки, принимаемое миллионы раз за вечер.

Четыре слоя персонального домашнего экрана

Прежде чем говорить о технологиях, разберитесь с анатомией, потому что большинство команд недостраивают, считая домашний экран одним решением, когда на деле это четыре решения, наложенных друг на друга. Каждый слой персонализируется независимо, и каждый можно сделать хорошо или плохо сам по себе.

Первый слой – выбор рядов: какие ряды вообще появятся из большого пула рядов-кандидатов. Ряд – это горизонтальная полоса тайтлов с темой: «Continue Watching» (продолжить просмотр), «Trending Now» (в тренде), «Признанные критиками комедии про офис», «Because You Watched Inception» (потому что вы смотрели). Пул кандидатов гораздо больше, чем влезает на экран, поэтому система выбирает подмножество.

Второй слой – порядок рядов: последовательность сверху вниз для выбранных рядов. Ряд, на который зритель скорее всего отреагирует, идёт ближе к верху; остальные спускаются примерно по ожидаемой полезности. Это важнее, чем звучит, по причине, к которой мы вернёмся: зрители уделяют верху страницы гораздо больше внимания, чем низу.

Третий слой – ранжирование внутри ряда: порядок тайтлов слева направо внутри каждого ряда. Сильнейший для этого зрителя выбор в этом ряду стоит слева, куда взгляд падает первым, а релевантность спадает вправо (Netflix Help Center, 2026).

Четвёртый слой лежит поверх остальных трёх – выбор обложки: единственное изображение, показанное для каждого тайтла. Поскольку у одного тайтла может быть много картинок-кандидатов, система может выбрать разное изображение для разных зрителей, так что шоу, которое появляется в вашем ряду и в моём, – это один и тот же тайтл с разным лицом.

Нажмите, чтобы увеличить

Держите эти четыре слоя в голове как отдельные решения. Частая ошибка – отлично сделать один (скажем, умный ряд «Because You Watched»), оставив остальные обобщёнными, так что страница всё равно ощущается «не своей». Сильный мерчандайзинг персонализирует все четыре.

Слои 1 и 2: выбор и порядок рядов (page generation)

Первые два слоя – какие ряды показать и в каком порядке – решаются вместе тем, что Netflix называет page generation, и история того, как это строилось, объясняет, почему это важно. До 2015 года Netflix использовал правиловый подход: шаблон задавал, какой тип ряда может стоять в каждом вертикальном слоте, – один и тот же каркас для всех, с персонализированными лишь тайтлами внутри (Alvino & Basilico, 2015). Страница была фиксированной формой с персональными пропусками. Последовавший шаг – тот, что с тех пор скопировали серьёзные платформы, – сделать сам выбор и порядок рядов персональным и выученным из данных, а не заданным шаблоном (Alvino & Basilico, 2015; Gomez-Uribe & Hunt, 2015).

Алгоритм page generation балансирует две цели, тянущие в разные стороны. Первая – релевантность: каждый ряд должен быть таким, с которым этот зритель скорее всего повзаимодействует. И именно её легко переоптимизировать – это и есть ловушка. Если ранжировать ряды только по релевантности, получится страница из десяти вариаций единственного главного интереса зрителя – десять оттенков криминальной драмы для любителя криминальной драмы, – и меньшие вкусы зрителя исчезают. Вторая цель, разнообразие, существует, чтобы это предотвратить: ряды должны охватывать диапазон интересов зрителя, а не долбить по верхнему.

Чистый способ думать о разнообразии здесь приходит из работы Netflix под названием Calibrated Recommendations (Steck, 2018). Идея проста и стоит того, чтобы её усвоить: если история зрителя примерно на 70% состоит из романтики и на 30% из экшена, то калиброванный домашний экран тоже должен быть примерно на 70% романтикой и на 30% экшеном – он должен отражать пропорции вкусов человека, а не позволять большинству вытеснить меньшинство со страницы целиком (Steck, 2018). Рекомендатель, гоняющийся только за точностью, склонен выбрасывать эти 30%, потому что добавить ещё романтики чуть выгоднее по наивной метрике; калибровка намеренно держит место для малого интереса. Работа Стека даёт и практический механизм, которым пользуется большинство команд: шаг ре-ранжирования, который берёт сырой, отсортированный по релевантности список и перетасовывает его, восстанавливая нужные пропорции (Steck, 2018).

Нажмите, чтобы увеличить

Полезно знать частые архетипы рядов, потому что это строительные блоки пула кандидатов, и они смешивают разные логики:

Таблица 1. Частые архетипы рядов домашнего экрана и что именно каждый персонализирует. Заметьте: не всё на персональной странице персонализировано под ваш вкус – ряд Top 10 показывает один и тот же список по стране всем, и под зрителя двигается лишь его расположение. Смешение популярности, свежести и личной истории – это то, что делает страницу одновременно релевантной и живой.

Ряд «Top 10» стоит рассмотреть отдельно, потому что это чистый пример редакторско-алгоритмического баланса, к которому мы перейдём. Когда Netflix запустил его в феврале 2020 года, содержимое намеренно не персонализировалось – он показывает самые популярные тайтлы по всей вашей стране, с характерным бейджем, – но позиция ряда на вашей странице всё равно двигается в зависимости от того, насколько он вам релевантен (About Netflix, 2020). Один ряд, две логики: неперсональный список, размещённый персональным правилом.

Слой 3: порядок тайтлов внутри ряда и тирания позиции

Третий слой – порядок слева направо внутри ряда – выглядит мелочью, но ею не является, из-за хорошо задокументированной особенности того, как люди смотрят на списки. Внимание распределено по экрану неравномерно. Зрители пристально смотрят на верх-слева и быстро теряют интерес вправо и вниз; позиции дальше от начала получают несоизмеримо меньше глаз независимо от того, что там стоит. Это называется position bias (позиционное смещение), и оно тщательно измерено в литературе по поиску и ранжированию: в «каскадной» модели того, как люди сканируют ранжированный список, пользователь рассматривает элементы сверху, и вероятность хотя бы взглянуть на элемент резко падает с его позицией (Craswell et al., 2008).

У position bias два следствия для мерчандайзинга – одно очевидное, другое тонкое. Очевидное: порядок – это высокие ставки, потому что тайтл в первом слоте получает несоизмеримо больше внимания, чем тайтл в восьмом, так что поставить правильный тайтл первым – это бо́льшая часть ценности ряда. Тонкое – ловушка. Поскольку верхние позиции собирают больше кликов просто за то, что они сверху, наивная система, которая учится «у этого тайтла много кликов – продвинуть его ещё», примет позицию за качество и создаст петлю «богатые богатеют» – тайтл, случайно начавший слева, кликают, продвигают, кликают больше, а лучший тайтл двумя слотами правее так и не получает шанса. Зрелые системы поправляются на position bias, когда учатся на кликах, дисконтируя клик по первому слоту, потому что первый слот собрал бы клики в любом случае (Craswell et al., 2008). Если вы вынесете из этой статьи одну инженерную осторожность, пусть это будет она: никогда не обучайте модель мерчандайзинга на сырых кликах, не учитывая, где элемент был показан.

Обложки и thumbnails: один тайтл, разное лицо

Теперь четвёртый слой – тот, что больше всего удивляет: единственное изображение, показанное для тайтла, – его обложка, или thumbnail, – не обязано быть одинаковым для всех. У тайтла может быть много картинок-кандидатов, и система может выбрать ту, что вероятнее всего понравится этому зрителю.

Зачем вообще тратить на это усилия? Потому что изображение – первое и иногда единственное, что просматривающий зритель успевает обработать о тайтле. В окне 60–90 секунд зритель пробегает десятки тайтлов, и для каждого обложка убеждает ещё до того, как прочитано хоть слово синопсиса. Одно и то же шоу можно честно подать очень по-разному: романтическую линию – на передний план для любителя романтики, экшен-момент – для любителя экшена, конкретного актёра – для того, кто этого актёра уже смотрел. Тайтл тот же; подача встречает зрителя там, где он есть.

Механика, как её описал Netflix, работает так (Netflix Technology Blog, 2017). Сначала для каждого тайтла создаётся набор картинок-кандидатов – разные моменты, разные персонажи, разные настроения – иногда десятки на тайтл. Затем для каждого зрителя в каждом контексте система выбирает, какого кандидата показать. «Контекст» здесь – это доступные в тот момент сигналы: история зрителя, устройство, иногда время суток или ряд, в котором стоит тайтл (Netflix Technology Blog, 2017). Важно, что задача гораздо меньше полной рекомендации: вместо выбора среди десятков тысяч тайтлов система выбирает среди горстки картинок для тайтла, который уже решено показать, – и именно это делает следующую идею, contextual bandit, практичной.

Нажмите, чтобы увеличить

Здесь уместны две честные осторожности, потому что именно на обложках мерчандайзинг тихо идёт не так. Первая – кликбейт: картинка, которая выигрывает клик, но перепродаёт тайтл, приучает зрителей не доверять вашим обложкам и раздувает тщеславную метрику, пока реальная вовлечённость падает. Лекарство – оптимизировать обложку под то, посмотрел ли и продолжил ли смотреть, а не кликнул ли, – та же дисциплина «watch time важнее кликов», что управляет рекомендациями. Вторая – атрибуция: по-настоящему трудно доказать, сколько дала смена конкретной картинки, потому что один и тот же зритель реагирует на картинку, ряд, позицию и тайтл одновременно, и просмотр нельзя чисто приписать одной картинке (Netflix Technology Blog, 2017). Netflix отмечал, что прирост от обложек максимален для малоизвестных тайтлов – известное шоу посмотрят при любой обложке, а скрытая жемчужина живёт или умирает из-за картинки (Netflix Technology Blog, 2017). Вот куда стоит вкладывать усилия.

Как создаются сами картинки-кандидаты – модели компьютерного зрения, что сканируют материал в поисках хорошо скомпонованных, выразительных кадров, – это работа машинного обучения, относящаяся к другому разделу; внутренности моделей живут в разделе AI for Video Engineering, а мы остаёмся на продуктовом слое. Стриминг-команде нужно решить поведение: сколько картинок-кандидатов на тайтл, по каким контекстам персонализировать и как мерить успех, не обманывая себя.

Contextual bandits: почему мерчандайзинг не ждёт A/B-теста

Задача обложек обнажает более глубокую идею, проходящую через весь мерчандайзинг: как система учится, какой выбор лучше. Очевидный метод – классический A/B-тест: показать картинку A половине аудитории, а картинку B – другой половине на пару недель, потом оставить победителя. Он работает, но он медленный и расточительный: весь тест вы заведомо показываете проигрышную картинку половине зрителей и узнаёте лишь одно сравнение за раз.

Ответ Netflix для обложек – метод под названием contextual bandit, и название идёт от «однорукого бандита», игрового автомата (Netflix Technology Blog, 2017). Представьте ряд автоматов, каждый из которых платит с разной, неизвестной частотой; вы хотите выиграть как можно больше за много дёрганий, поэтому постоянно стоите перед выбором между эксплуатацией автомата, что платил лучше всех до сих пор, и исследованием остальных на случай, если один тайно лучше. Алгоритм-bandit балансирует этот выбор автоматически. Слово «contextual» означает, что лучший выбор зависит от ситуации – правильная картинка зависит от того, кто смотрит, – поэтому алгоритм учит политику, отображающую контекст в выбор, а не выбирает одного глобального победителя (Li et al., 2010, которые ввели этот подход для персонального контента с широко используемым алгоритмом LinUCB).

Выигрыш перед A/B-тестом в том, что bandit учится непрерывно и по контексту, а не медленными глобальными батчами. Он в основном показывает картинку, которую сейчас считает лучшей для каждого типа зрителя (эксплуатация), но время от времени пробует непроверенную, чтобы продолжать учиться (исследование), и тут же возвращает каждый исход в модель (Netflix Technology Blog, 2017; Li et al., 2010). Он и подаёт лучший известный выбор сегодня, и улучшает его завтра, тратя на проигрышные варианты гораздо меньше аудитории. Та же машинерия обобщается за пределы обложек на любой выбор мерчандайзинга с умеренным набором вариантов и измеримым исходом. Доказать, что более крупное изменение – новый алгоритм рядов, новая раскладка страницы – реально помогает, всё равно требует аккуратного онлайн-эксперимента, и это своя дисциплина, разобранная в статье об A/B-тестах и экспериментах для стриминга.

Баланс редакторского и алгоритмического

Заманчиво заключить, что мерчандайзинг надо полностью автоматизировать. Не надо, и причина в том, что алгоритм оптимизирует то, что может измерить, тогда как у стриминг-бизнеса есть цели и ограничения, которые он модели передать не может. Правильный дизайн – партнёрство: редакторы задают границы, а алгоритм наполняет и упорядочивает внутри них.

Подумайте, чем разумно владеть только человеку. Новый релиз, за который компания дорого заплатила, нуждается в гарантированной заметности в день один, когда у алгоритма ещё нет данных о том, как он работает, – это cold start, который модель в одиночку не решит. Бренд- и PR-чувствительность – не ставить жёсткий триллер рядом с детским тайтлом, снять тайтл, чья звезда в новостях, – это суждение, не метрика. Лицензирование и окна ограничивают, что вообще может появиться: тайтл, доступный только в части стран или только до конца месяца, нужно мерчандайзить вокруг его прав, и это тема блока про лицензирование. И редакторская точка зрения – кураторские «Выбор редакции», тематическая подборка к культурному моменту – у части брендов часть идентичности. Hulu и Max от HBO сильнее опирались на ручную курацию как намеренное отличие от более алгоритмического подхода Netflix (Arts Management & Technology Lab, 2021).

Рабочая практическая модель – позволить редакторам задавать пул кандидатов и правила – какие тайтлы допустимы, какие ряды обязательны, что продвигать и что никогда не ставить рядом, – а алгоритму выбирать и упорядочивать внутри этих правил. Редактор ставит забор; алгоритм свободно пасётся внутри него. Так сохраняется масштаб и персонализация автоматизации при сохранении бизнес-контроля, юридического соответствия и голоса бренда, которые автоматизация дать не может.

Таблица 2. Кому владеть каким решением мерчандайзинга. Алгоритм выигрывает в масштабе и попадании под зрителя; редакторы – в cold-start-запусках, бренд- и юр-суждениях и курации. Сильные платформы не выбирают одно – редакторы задают правила и пул кандидатов, а алгоритм персонализирует внутри них.

Рабочий пример: цена обобщённого домашнего экрана

Сделаем ставки конкретными через арифметику, потому что «персонализируйте домашний экран» легко откладывать, пока не увидишь цену пропуска. Возьмём сервис с 2 млн активных зрителей, каждый открывает приложение в среднем 30 раз в месяц, итого 60 млн сессий просмотра в месяц.

Опорная точка – окно внимания. Заметная доля сессий заканчивается тем, что зритель так ничего и не запускает – он просматривает, ничто не цепляет внутри окна 60–90 секунд, и он уходит. Допустим, обобщённый, слабо смерчандайзенный домашний экран даёт долю отказов при просмотре (доля сессий, заканчивающихся без плея) в 25%. Это 60 000 000 × 0,25 = 15 000 000 брошенных сессий в месяц – пятнадцать миллионов раз кто-то открыл ваше приложение, посмотрел и ушёл ни с чем.

Теперь допустим, что лучший мерчандайзинг – персональные ряды, калиброванное разнообразие, чтобы малые вкусы не хоронились, обложка под зрителя на малоизвестных тайтлах, правильный тайтл в первом слоте – срезает эту долю отказов на четверть, с 25% до 18,75%. Это 60 000 000 × (0,25 − 0,1875) = 3 750 000 снижения: почти четыре миллиона сессий в месяц, которые теперь кончаются плеем, а не пожатием плеч. Арифметика намеренно грубая, но суть в форме – отказ умножается на весь ваш объём сессий, так что пара процентов с него – это огромное число спасённых сессий, а спасённые сессии – опережающий индикатор удержания, которое решает, уйдут ли подписчики в churn. Мерчандайзинг – не украшение экрана; это рычаг удержания с измеримой рукой на бизнесе.

Частая ошибка: оптимизировать домашний экран под клики

Самая дорогая ошибка мерчандайзинга – и самая естественная: оптимизировать каждый слой под клик. Клики легко мерить, и они ощущаются успехом, поэтому команды настраивают ряды, порядок и особенно обложки на максимизацию кликов – и тихо ломают продукт. Кликбейт-обложка выигрывает тап и теряет доверие, когда тайтл не соответствует обещанию. Порядок, настроенный под клики, продвигает сенсационное над тем, что зритель реально досмотрит. Лекарство – оптимизировать под watch time и удержание, а не клики – начал ли зритель и продолжил ли смотреть, – та же дисциплина, что управляет рекомендациями, потому что клик, ведущий к отскоку за тридцать секунд, – это провал, наряженный победой.

Повторяются ещё три ловушки. Первая – один домашний экран для всех: построить ряды и порядок один раз, глобально, так что страница одинакова для любителя хоррора и любителя документалок; это провал – не строить четыре слоя под зрителя вовсе. Вторая – дать алгоритму вытеснить малые вкусы: ранжировать по сырой релевантности, пока страница не станет десятью клонами верхнего жанра зрителя, – ровно тот провал, который калибровка и существует предотвращать (Steck, 2018). Третья – учиться на сырых кликах без поправки на позицию: продвигать то, что стояло в первом слоте, потому что оно собрало клики, которые первый слот собирает всегда, – петля «богатые богатеют» (Craswell et al., 2008). У каждой ошибки общий корень: принять измеримый прокси за цель вместо просмотра, которого зритель реально хотел.

Где здесь Фора Софт

Персонализированный мерчандайзинг – это сначала задача масштаба, а уже потом дизайна: домашний экран, пересобираемый под каждого зрителя, на телефоне, в вебе и на ТВ с пультом, за доли секунды до отрисовки страницы, помноженные на каждую сессию каждый вечер. За 250+ реализованных проектов для 400+ клиентов с 2005 года в видеостриминге, OTT/Internet TV, e-learning и видеонаблюдении мы повторяемо строим полный стек мерчандайзинга – page generation, выбирающий и упорядочивающий ряды с релевантностью и калиброванным разнообразием, ранжирование внутри ряда с поправкой на position bias, выбор обложки под зрителя с циклом explore/exploit, что учится непрерывно, и слой редакторского контроля, позволяющий вашей команде гарантировать запуски, соблюдать окна лицензий и держать бренд-чувствительные тайтлы порознь. Наш подход – scalability-first и вендор-нейтральный: мы стартуем от размера каталога, объёма сессий и набора устройств, решаем, где хватит хостинг-сервиса персонализации, а где кастомный пайплайн домашней страницы окупит свою цену, и встраиваем мерчандайзинг в те же системы рекомендаций, метаданных и аналитики, чтобы витрина, каталог и данные вели себя как один продукт на каждом экране.

Ключевые выводы

• Домашний экран – это рекомендация: пересобирается под зрителя, чтобы успеть в окно 60–90 секунд.
• Персонализируйте четыре слоя – какие ряды, порядок рядов, порядок в ряду и обложку на тайтл.
• Page generation балансирует релевантность с калиброванным разнообразием, чтобы малые вкусы не хоронились.
• Position bias делает порядок высокими ставками; не учитесь на сырых кликах без поправки на него.
• Обложка может различаться под зрителя; contextual bandit находит лучшую картинку без медленного A/B-теста.
• Держите редакторов в контуре для запусков, окон лицензий и бренд-чувствительного размещения.

Что почитать дальше

• Рекомендательные системы для видео
• A/B-тесты и эксперименты для стриминга
• Дата-пайплайн персонализации