Сервис на основе ИИ для рекомендации фильмов, игр или книг

Главное о кейсе

Проблема: пользователи тратят много времени на выбор фильма, игры, книги или сериала. Алгоритмы крупных платформ часто дают слишком общие рекомендации, не учитывают индивидуальные списки желаний и не дают ощущение «подборки от человека с похожими вкусами».

Решение: мы создали приложение — персональный агрегатор рекомендаций на основе пользовательского вкуса и пересечения предпочтений с другими людьми. Приложение автоматически формирует перечень того, что посмотреть, почитать или попробовать, опираясь на любимые жанры, историю выбора и индивидуальные списки желаемого.

Результат:
— Снизили время выбора контента до 2–3 минут.
— Дали пользователю ощущение «персонального куратора», который подбирает рекомендации как друг с похожими интересами.
— Помогли заказчику создать продукт с высоким LTV и потенциалом для масштабирования на разные категории контента.

Как проект изменил жизнь пользователей

После запуска проекта у пользователей появились:
— Персональные рекомендации без лишней рутины.
Теперь, вместо бесконечного скролла, пользователь заходит в приложение — и сразу видит релевантные предложения на основе своих предпочтений и того, что у него уже сохранено.

— Эффект «умного друга».
Мы внедрили механику поиска людей с похожими вкусами. Если у "двойника" есть интересные находки, которых нет у пользователя — он получает точечные рекомендации, которые с большей вероятностью ему зайдут.

— Единая точка выбора контента.
Любой тип контента — книги, фильмы, сериалы, игры — доступен в одном месте, без переключения между разными платформами.

— Меньше выбора — больше действия.
Приложение уменьшило «паралич выбора» и убрало лишние файлы из жизни: пользователь чаще смотрит, читает или пробует что-то новое, вместо поиска.

Бизнес-задача и ее решение

Задача заказчика:
Создать приложение, которое удерживает пользователя за счёт персонализации и повышает вовлечённость через точные рекомендации, при этом предлагая простой интерфейс.

Как мы решили задачу:
— Упростили входной порог: базовые рекомендации доступны уже после первой настройки предпочтений.
— Разработали рекомендательную систему, которая работает не только на алгоритмах, но и на логике пересечения вкусов.
— Сделали приложение модульным, чтобы добавлять новые категории контента без полной переработки архитектуры.

Бизнес-эффект
— Рост ежедневного удержания за счёт высокой точности рекомендаций.
— Увеличение времени взаимодействия с продуктом.
— Потенциал для монетизации через партнёрские подборки, интеграции с сервисами книг, кино и игр.
— Создание ядра лояльной аудитории, которая возвращается за свежими рекомендациями.

Крафт (мастерство), реализация, технические детали

Рекомендательная система:
— Собрали собственную модель «вкусовой близости», которая анализирует набор тегов, жанров, оценок и активность пользователей.
— Реализовали механизм «taste-match score» — коэффициент схожести вкусов между пользователями. Алгоритм ранжирует рекомендации по двум основным осям: персональная релевантность и популярность в группе похожих пользователей.

Работа со списками:
— Созданы динамические списки «Хочу посмотреть / почитать / попробовать», на основе которых формируются будущие рекомендации.
— Любой добавленный элемент улучшает точность выдачи.
— Лёгкий onboarding, минимум кликов.
— Фокус на том, чтобы рекомендации отображались сразу при открытии приложения.

Архитектура:
Модульная, рассчитанная на расширение категорий. Реализованы кэши для снижения нагрузки на сервер и ускорения выдачи рекомендаций.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Инсайты:
— Пользователи хотят не столько «новое», сколько «что-то точно подходящее».
— Списки желаний — это золотая жила: они точнее любых лайков.
— Эффект социального подтверждения (рекомендации от похожего пользователя) повышает вероятность выбора почти в 2 раза.

Гипотезы, которые проверяли:

Пересечение вкусов даст более точные рекомендации, чем классический алгоритм.
— Подтвердилось: пользователи чаще выбирают рекомендации, полученные через taste-match.

Людям нужен один универсальный список под разный контент.
— Подтвердилось: единый список уменьшил фрустрацию и повысил удобство.

Чем меньше выбора на экране — тем выше вероятность действия.
— Работает: сократили выдачу до 6–8 релевантных рекомендаций.

Работали в спринтах: сначала ядро персонализации, потом соцлогика taste-match, затем контентные категории.
С заказчиком взаимодействовали через регулярные демонстрации, обсуждали сценарии поведения пользователей и утверждали механику рекомендаций.

Скриншоты