Источник: Сборник материалов VII Международной научно-практической конференции «Тенденции экономического развития в XXI веке». — 2025. — С. 374-377.

УДК 330.16

РЕКОНСТРУКЦИЯ МЕХАНИЗМОВ ПРИНЯТИЯ ПОТРЕБИТЕЛЬСКИХ РЕШЕНИЙ С ПОМОЩЬЮ РЕКОМЕНДАТЕЛЬНЫХ АЛГОРИТМОВ

О. Ю. Жуковская¹, Ю. Мао²
1) кандидат экономических наук, доцент, Белорусский государственный университет, г. Минск, Беларусь, zhukovskaya@bsu.by
2) соискатель, Белорусский государственный университет, г. Минск, Беларусь, belial-yuki@qq.com

В этой статье рассматривается реконструктивный эффект рекомендательных алгоритмов на механизмы принятия решений потребителями. На основе эмпирических исследований платформы Netflix анализируется, как рекомендательные системы перестраивают пути принятия решений потребителями посредством манипулирования когнитивными механизмами. Результаты исследования показывают, что рекомендательные алгоритмы влияют на решения пользователей с помощью теоретической схемы из двух систем (Система 1 и Система 2), способствуя переходу от активного поиска к пассивному принятию. Рассматривая данные глобального рынка и модели поведения пользователей, исследование подтверждает коммерческую эффективность и потенциальные проблемы алгоритмического вмешательства, предоставляя теоретические и практические рекомендации для будущего развития рекомендательных систем.

Ключевые слова: рекомендательные алгоритмы; принятие потребительских решений; теория двух систем; поведение пользователей; Netflix; когнитивные ресурсы.

Введение

В цифровую эпоху рекомендательные алгоритмы постепенно проникают в ключевые сферы принятия решений потребителями. Эта технологическая революция не только повысила эффективность распространения информации, но и коренным образом изменила распределение когнитивных ресурсов человека. Мы наблюдаем значительную трансформацию: модели принятия решений потребителями изменились с активного поиска на пассивное принятие, в то время как алгоритм принятия решений был сжат до замкнутого цикла «интуитивный запуск - немедленная обратная связь».

Влияние алгоритмов рекомендаций на механизмы принятия решений потребителями

Алгоритмы рекомендаций реконструируют пути принятия решений потребителями, манипулируя лежащими в их основе когнитивными механизмами. Основываясь на двухсистемной теории Канемана, это влияние проявляется в двух измерениях: Система 1 (интуитивная система) опирается на эвристические быстрые реакции, такие как мгновенные клики пользователей по рекомендуемому контенту, которые обычно происходят на миллисекундном уровне и зависят от психологических сокращений, таких как визуальная привязка; Система 2 (рациональная система) требует вложения когнитивных ресурсов для анализа затрат и выгод, таких как выбор плана подписки и оценка готовности к долгосрочным платежам, но подвержена информационной перегрузке [1]. Динамичное взаимодействие между этими двумя системами определяет эффективность и качество принятия решений, в то время как рекомендательная технология обеспечивает руководство поведением за счет точного вмешательства в это взаимодействие. Ярким примером служит рекомендательная система Netflix, успешно преобразующая интуитивное принятие решений в системе 1 в “автоматический механизм” благодаря разработке перцептивных стимулов (таких как динамические миниатюры с высокой насыщенностью и крупные планы с выражением лица персонажей) и культивированию поведенческой инерции (например, эффект привязки к рейтингу популярности и функция автоматического воспроизведения), что значительно повышает эффективность конвертации (см. табл. 1) [2], [3].

В таблице показано влияние алгоритмов рекомендаций на двухсистемные механизмы принятия решений и показатели их эффективности. Система 1, благодаря визуальной оптимизации и немедленной обратной связи, добилась значительных улучшений, увеличив количество переходов по ссылке на 30% и сократив время принятия решений на 40%. Система 2, благодаря прозрачности информации и инструментам оценки, достигла 93% уровня удержания и 20% повышения удовлетворенности пользователей [3]. Это демонстрирует, что рекомендательные алгоритмы достигли замечательной эффективности как в области быстрого принятия решений, так и в области глубокой когнитивной обработки.

Анализ данных и влияние на бизнес

Эффективность алгоритма рекомендаций Netflix была подтверждена результатами его работы на мировом рынке (см. табл. 2). Данные показывают, что с 2020 по 2024 год общая глобальная база пользователей увеличилась с 203,66 млн до 282,72 млн, сохраняя стабильные ежегодные темпы роста в пределах 8–12%. Региональные рынки продемонстрировали дифференцированные характеристики роста: Северная Америка, как зрелый рынок, продемонстрировала уверенный рост на 14,7%, а количество пользователей достигло 84,80 млн; регион EMEA продемонстрировал высокие показатели, увеличившись на 44,1 % и достигнув 96,13 млн пользователей; латиноамериканский рынок сохранил динамику роста на уровне 31,0 %; в то время как Азиатско-Тихоокеанский регион лидировал в мировом росте, увеличившись на 106,4 % и превысив 52,60 миллиона пользователей. Рекомендательная система продемонстрировала исключительную эффективность в управлении поведением пользователей, обеспечив 75% просмотров и 93% удержания пользователей, а функция “Рейтинг популярности” увеличила коэффициент конверсии по кликам более чем на 30%. На развивающихся рынках, таких как Индия, с помощью региональных стратегий ценообразования (20–375 снижение цен на 60 %) в сочетании с персонализированными рекомендациями Netflix значительно повысил уровень проникновения на рынок и вовлеченности пользователей [4], [5].

Основываясь на исследовании поведения миллионной выборки пользователей платформы Netflix, решения о потреблении пользовательского контента демонстрируют уникальные пространственно-временные характеристики распределения. Благодаря углубленному анализу времени принятия решений, поведение пользователей демонстрирует значительное бимодальное распределение, отражающее различные стратегии в распределении когнитивных ресурсов. С точки зрения путей изучения контента, поведение пользователей демонстрирует типичный “эффект воронки”, формируя четкую траекторию конверсии от 42% переходов по главной странице до 23% завершенных просмотров. Примечательно, что исследование “эффекта бабочки” показывает, что одна успешная рекомендация вызывает в среднем 2,8 последовательных просмотров контента [6]. Уровень принятия рекомендаций значительно зависит от времени, начиная с 85% на начальном этапе, затем стабилизируется на уровне около 70% после периода адаптации, образуя уникальную модель “адаптивной динамической настройки” [4]. Эти результаты не только углубляют наше понимание механизмов принятия решений пользователями, но и обеспечивают важную эмпирическую основу для оптимизации алгоритма рекомендаций.

Однако разработка алгоритмов рекомендаций сталкивается с множеством проблем. На техническом уровне необходимо искать баланс между эффективностью и этикой: с одной стороны, достижение бизнес-целей за счет эффективной активации системы 1 (интуитивно понятная система), а с другой - обеспечение когнитивного благополучия пользователей за счет рационального управления системой 2 (рациональная система) [1]. Что касается взаимодействия с пользователями, платформы должны решать проблемы информационной перегрузки, избегать эффекта "пузырьков фильтра", защищая при этом автономию пользователей в принятии решений. Для достижения устойчивого развития Netflix создает механизм, “откалиброванный человеком”, повышающий эффективность распространения контента за счет оптимизации алгоритмов, снижения затрат на привлечение пользователей и создания ответственной структуры технологического развития [2], [7]. Эта трансформация превратила алгоритмы рекомендаций из вспомогательных функций в основные бизнес-инструменты, постоянно оптимизируя ценность для пользователей с помощью многоуровневых стратегий ценообразования и рекомендаций по высококачественному контенту, что в целом повышает эффективность работы платформы.

Техническая оптимизация и будущие траектории развития

Оптимизация алгоритмов рекомендаций требует соблюдения хрупкого равновесия между операционной эффективностью и этическими соображениями: использование эффективной активации системы 1 для коммерческих целей при одновременном обеспечении когнитивного благополучия за счет рационального управления системой 2. Это равновесие выходит за рамки чисто технических проблем и представляет собой фундаментальную гарантию автономии человека в принятии решений в цифровую эпоху. Эмпирический анализ демонстрирует глубокое влияние алгоритмов рекомендаций на модели поведения потребителей, а успех Netflix иллюстрирует трансформацию алгоритмов из вспомогательных функций в основные бизнес-сервисы. Однако повышенная зависимость от механизмов принятия решений, основанных на алгоритмах, создает потенциальные риски, в том числе когнитивную насыщенность и пробелы в фильтрах информации. Будущие траектории развития должны включать в себя более сбалансированную методологию, обеспечивающую оптимизацию взаимодействия с пользователями, которая согласует эффективность с этическими соображениями. Задача технологического прогресса заключается в интеграции “калибровки, ориентированной на человека”, в алгоритмические рамки, что способствует устойчивому росту при сохранении самостоятельности потребителей в принятии решений.

Вывод

Алгоритмы рекомендаций изменили механизмы принятия решений потребителями благодаря точному вмешательству в когнитивные процессы, что привело как к повышению эффективности, так и к появлению новых проблем. Исследования показывают, что успешные рекомендательные системы должны обеспечивать баланс между быстрой реакцией интуитивной системы и глубоким мышлением рациональной системы, принимая во внимание алгоритмическую этику и защиту автономии пользователей. Дальнейшее развитие должно быть сосредоточено на создании механизмов “калибровки, ориентированной на человека”, обеспечивающих когнитивное благополучие пользователей и повышающих ценность бизнеса. Это исследование открывает новые перспективы для понимания поведения потребителей в эпоху цифровых технологий и предлагает практические рекомендации по оптимизации системы рекомендаций.

Список литературы

1. Kahneman D. Thinking, Fast and Slow. New York : Farrar, Straus and Giroux, 2011. P. 13–24.
2. It’s all about testing: the Netflix experimentation platform [Electronic resource] // Netflix Technology Blog. URL: https://netflixtechblog.com/its-all-a-bout-testing-the-netflix-experimentation-platform-4e1ca458c15 (date of access: 08.02.2024).
3. How Netflix used Big Data and analytics to generate billions [Electronic resource] / Selerity SAS. URL: https://seleritysas.com/2019/04/05/how-netflix-used-big-data-and-analytics-to-generate-billions/ (date of access: 08.02.2024).
4. Gomez-Uribe C. A. The Netflix recommender system: algorithms, business value, and innovation // ACM Transactions on Management Information Systems. 2015. Vol. 6(4). P. 1–19.
5. Netflix Financial Reports (2020–2024) [Electronic resource] // Netflix. URL: https://ir.netflix.net/iroverview/profile/default.aspx (date of access: 08.02.2024).
6. Understanding user navigation patterns [Electronic resource] // Netflix Research. 2023. URL: https://research.netflix.com/research-area/recommendations (date of access: 08.02.2024).
7. How Netflix’s recommendations system works [Electronic resource] // Netflix Help Center. URL: https://help.netflix.com/en/node/100639 (date of access: 08.02.2024).