Телевизор больше не ждет, пока пользователь вручную дойдет до нужного приложения. Главный экран Smart TV сразу предлагает варианты, с которых, вероятнее всего, начнется просмотр: следующий эпизод сериала, онлайн-кинотеатр, который человек открывает чаще остальных, спортивную трансляцию перед матчем или подборку фильмов под вечерний сценарий.
В колонке Кирилл Воробьев, основатель сейлз-хауса Launcher, объясняет, как рекомендательный слой Smart TV считывает историю просмотра, глубину досмотра и частоту запусков, а затем влияет на длительность сессии, возврат аудитории и удержание пользователя.
Что такое рекомендательный слой и как он работает
Рекомендательный слой в Smart TV отвечает за порядок рекомендаций на стартовой панели. Пользователь видит несколько рядов с фильмами, сериалами, приложениями, телеканалами, подборками и рекламными форматами, при этом система заранее решает, какие карточки окажутся выше и какие останутся глубже в интерфейсе.
Основа этого решения заключается в действиях человека внутри системы. Android TV, например, в механике Watch Next учитывает позицию последнего просмотра, длительность контента и время последнего взаимодействия. Устройство считает, что просмотр фильма начался, только после просмотра более 3% или 2 минут, а эпизод сериала — после просмотра более 2 минут.
После фиксации таких порогов начинается работа с данными внутри модели. Платформа приводит пользовательские действия к единому формату, группирует их в сессии и назначает временной вес. Свежие взаимодействия влияют сильнее, в то время как старые постепенно теряют значение.
Затем система сопоставляет поведение с характеристиками материалов, включая жанр, продолжительность, сервис-источник, язык, возрастной рейтинг, формат и доступность на конкретном устройстве. Для Smart TV это особенно важно из-за семейного сценария использования.
Один телевизор могут смотреть разные люди, поэтому алгоритм оценивает сочетание признаков, включая время суток, последовательность действий, выбранный сервис, скорость перехода к просмотру и глубину взаимодействия с кинопроизведениями.
На следующем шаге система собирает варианты для показа и ранжирует их по вероятности полезного действия. В выдачу могут попасть продолжение сериала, новый эпизод, похожий фильм, популярный региональный контент, привычное приложение, промо онлайн-кинотеатра или рекламный формат. Такой принцип хорошо заметен в Xiaomi PatchWall, где система агрегирует видеоматериалы из стриминговых сервисов, классического ТВ и локальных источников, а затем использует искусственный интеллект и машинное обучение для рекомендаций на основе истории просмотра и предпочтений пользователя.
Финальный этап — настройка выдачи перед показом. Система убирает повторы, ограничивает частоту одних и тех же карточек, разводит похожие предложения по разным строкам и учитывает возрастные рейтинги. Если в верхней части устройства уже есть продолжение сериала, алгоритм может не дублировать рядом карточки того же фильма или сериала.
При этом подборка, которую пользователь несколько раз проигнорировал, может опуститься ниже, поскольку система считывает отсутствие реакции как признак низкой релевантности. Так главный экран сохраняет разнообразие, быстрее подводит человека к просмотру и не превращается в набор рекомендаций, абсолютно не соответствующий интересам пользователя.
Почему рекомендации становятся основным механизмом навигации
Рекомендации становятся навигацией, когда стартовое окно начинает связывать разные источники в единый пользовательский маршрут. Для зрителя крайне важен быстрый переход к просмотру, поэтому платформа берет на себя первичный отбор и выводит вперед сценарии, которые ближе всего к текущему намерению. Так на одном экране сходятся сервисы, подписки, телеканалы, сохраненные фильмы и начатые просмотры, выбор которых формируется еще до ручного перехода по приложениям и каталогам.
Лучше всего эта логика видна в сценарии возврата. Пользователь может помнить, что хотел досмотреть сериал, открыть сохраненный фильм или вернуться к программе, которую начал накануне, при этом путь к нужному действию часто распадается на несколько шагов. Нужно вспомнить сервис, найти раздел, открыть карточку, проверить доступность и продолжить с нужного места. Поэтому платформы выносят такие сценарии ближе к старту.
У Hisense эта логика раскрывается через VIDAA OS. Устройство собирает приложения, телеканалы и видеосервисы в одном интерфейсе, чтобы человек начинал выбор с удобных направлений. Он может вернуться к привычному сервису, перейти к стриму, найти фильм через общий поиск или открыть подборку, собранную под его интересы.
Таким образом меняется конкуренция внутри Smart TV. Одного факта установки приложения уже недостаточно для заметности на устройстве. Куда большее значение в такой ситуации получает попадание в начальный пользовательский маршрут. Карточка на главном экране оказывается в моменте принятия решения и получает больше шансов на запуск, чем предложение, спрятанное внутри разделов. Поэтому для платформы качество рекомендаций становится вопросом архитектуры выбора.
При этом важно понимать, что хорошая навигация не должна перегружать телевизор всеми возможными вариантами, но при этом оставлять несколько направлений, которые выглядят уместно в текущей сессии.
Дополнительная сложность связана с домохозяйством. Телевизор часто обслуживает несколько разных сценариев: взрослый вечерний просмотр, детский контент, фоновые новости, спортивные трансляции, семейные фильмы. Когда эти сценарии смешиваются, стартовый экран быстро теряет точность. Поэтому платформы развивают пользовательские профили и персональные зоны внутри общего устройства.
Как качество рекомендаций влияет на метрики платформы
Для платформы рекомендация оценивается по тому, что происходит после появления элемента на экране. Каждый шаг пользователя показывает, насколько точно система поняла намерение зрителя. Сам по себе переход еще не говорит об успехе. Гораздо важнее, остался ли человек смотреть видео, сколько времени провел в сессии и возникло ли у него желание снова начать выбор со стартовой поверхности.
Первая метрика, на которую влияет качество рекомендаций, это глубина потребления. Она показывает, сколько контента пользователь смотрит за одну сессию или за выбранный период. Здесь важна способность системы поддерживать интерес после первого запуска. Например, зритель посмотрел документальный фильм о путешествиях.
Следующим уместным предложением может стать выпуск тревел-шоу, фильм о той же стране или передача с близкой тематикой. При точном совпадении человек делает следующий запуск без нового поиска. В аналитике это выражается в росте времени просмотра, числа запущенных материалов и доли сессий, где пользователь переходит от одного просмотра к другому.
Длительность сессии зависит от качества изначального выбора. Когда предложение оказывается неточным, человек тратит время на перемещение по интерфейсу, открывает несколько карточек, быстро закрывает видео и теряет интерес к дальнейшему выбору. Платформа видит это через время до первого запуска, долю стартов после показа рекомендации и ранние выходы в первые минуты просмотра. Самые ценные рекомендации проходят проверку стартом и удержанием внимания. Они показывают, что система верно оценила контекст, а экран помог перейти к просмотру без лишнего поиска.
Частота возврата формируется через накопленный опыт. Пользователь возвращается к интерфейсу, который несколько раз подряд оказался полезным. Поэтому платформы смотрят на повторные визиты на следующий день, через неделю и через месяц. Рекомендательный слой влияет на эти показатели через предсказуемый результат.
Система должна подхватывать новые интересы, замечать сезонность, учитывать смену подписок, появление новых сервисов и устаревание прежних предпочтений. Для проверки используются сравнительные тесты и защитные метрики. Платформа оценивает рост запусков и времени просмотра, следит за ранними отказами, повторами, уходом в ручной поиск и отключением персонализации.
Также стоит учитывать, что удержание складывается из серии удачных контактов со стартовым окном. Разовая точная рекомендация может улучшить одну сессию, стабильная точность формирует привычку. Случайные же предложения, частые повторы и смешение разных сценариев внутри домохозяйства снижают доверие к интерфейсу.
Пользователь начинает обходить главный экран и сразу открывает знакомое приложение или поиск. Поэтому качество рекомендательного слоя влияет на всю цепочку метрик платформы: запуск, глубину просмотра, длительность сессии, частоту возврата и долгосрочное удержание.
Рекомендации на Smart TV работают как переводчик между привычками зрителя и тем, что появляется на дисплее. Для пользователя вся система выглядит почти незаметно. Телевизор быстрее предлагает фильм, передачу, приложение или продолжение, которое подходит к текущему моменту. Но при этом за этой простотой скрывается сложная работа с данными, доступностью материалов и качеством выдачи. И чем точнее платформа считывает контекст, тем меньше лишних действий в дальнейшем совершает зритель.