نحن نعلم ما الذي يعجبك! امتيازات أنظمة التوصية في الأعمال

عندما يتسوق الناس ، فإنهم يشترون المنتجات التي يحبونها أو التي يوصي بها الآخرون ، لأنهم يثقون في آرائهم. في العصر الرقمي اليوم ، تقدم المتاجر عبر الإنترنت مئات الآلاف من المنتجات لعملائها. لمساعدتهم في البحث في هذه المنتجات وشراء أنسبها ، تستخدم المتاجر عبر الإنترنت أنظمة التوصية.

علاوة على ذلك ، يستخدم موفرو المحتوى (مثل الموسيقى والأفلام) وخدمات الشبكات الاجتماعية أنظمة التوصية لإدارة المحتوى وإنشاء توصيات فعالة للمستخدمين.

ببساطة ، تعمل أنظمة التوصية كنموذج آلي لمساعد العملاء لا يعرض المنتج الذي طلبته فحسب ، بل يعرض أيضًا المنتجات ذات الصلة بطريقة ما أو التي قد تعجبك أيضًا. إنها من بين أكثر تقنيات التعلم الآلي شيوعًا المستخدمة في الأعمال التجارية لتخصيص المحتوى للعملاء.

ما هي فوائد أنظمة التوصية؟

الهدف الأكثر وضوحًا لنظام التوصية هو التوصية بالمنتجات ذات الصلة للمستخدم . قال ستيف جوبز: "في كثير من الأحيان ، لا يعرف الناس ما يريدون حتى تظهره لهم" [1]. بالإشارة إلى كلمات Job ، يمكننا أن نقول أن أحد الأهداف الثانوية لنظام التوصية هو إظهار منتجات للمستخدمين لم يروها في الماضي وقد يعجبهم. يمكن أن تساعد التوصيات المطابقة جيدًا في تحسين الرضا العام للمستخدم ، مما يزيد من احتمالية استخدام المستهلك لموقع الويب أو التطبيق مرة أخرى.

يعد Amazon.com أحد أشهر المستخدمين ورواد أنظمة التوصية. تستخدم أمازون التوصيات لتخصيص المتجر عبر الإنترنت لكل عميل ، مما ينتج عنه 35٪ من إيرادات أمازون [2].

مثال آخر مشهور لنظام التوصية هو الخوارزمية التي يستخدمها Netflix. وفقًا لماكينزي ، فإن 75٪ مما يشاهده المستخدمون على Netflix يأتي من توصيات الأفلام [3]. في الورقة البحثية " نظام توصية Netflix: الخوارزميات وقيمة الأعمال والابتكار " [4] التي كتبها مديرو Netflix التنفيذيون (Carlos A. Gomez-Uribe و Neil Hunt) ذكر المؤلفون أن نظام التوصية يوفر للشركة حوالي 1 مليار دولار سنويًا.

وفقًا لـ Spotify ، ساعد تطبيق خوارزمية التوصية الجديدة في زيادة عدد المستخدمين شهريًا من 75 مليون إلى 100 مليون [5].

ما نوع البيانات التي تستخدمها أنظمة التوصيات؟

البيانات هي أهم عنصر في بناء نظام توصيات. هناك ثلاثة أنواع من البيانات: البيانات الصريحة والبيانات الضمنية ووصف المنتج.

عادةً ما يكون للبيانات الصريحة شكل رقم (مثل تصنيفات 5 نجوم) يقدمه المستخدم لمنتج ما. ومن الأمثلة على البيانات الصريحة تقييمات المنتجات التي يقدمها العملاء على أمازون أو تقييمات الدورات التدريبية من قبل المستخدمين في منصة التعلم Udemy. يصعب جمع هذا النوع من البيانات لأنها تتطلب مدخلات إضافية من المستخدمين ، لذلك يستغرق الأمر وقتًا أطول للحصول على مجموعة تقييمات واسعة بما يكفي لبناء نموذج مفيد للتعلم الآلي.

من السهل جمع البيانات الضمنية . هي أي بيانات تركز على كيفية تفاعل المستخدم مع المنتجات / المحتوى المتاح. المشكلة الرئيسية في هذا النوع من البيانات هي كيفية تحويل سلوك المستخدم إلى تفضيلات المستخدم. ولكن هناك طرق فعالة للقيام بذلك. من الأمثلة على البيانات الضمنية عدد المرات التي يتم فيها تشغيل أغنية على Spotify ، أو عدد النقرات على روابط المنتج ، أو سجل الشراء على Amazon.

النوع الأخير من البيانات هو وصف المنتج . نظرًا لأن هذا النوع من البيانات غالبًا ما يكون غير منظم (على سبيل المثال له شكل من أشكال النص الحر) ، نحتاج إلى تنفيذ بعض المعالجة المسبقة الإضافية لاستخراج المعلومات ذات الصلة ووضعها في شكل منظم. من أمثلة أوصاف المنتج قائمة بفيلم على Netflix أو مؤلف أغاني على Spotify أو وصف المنتج على Amazon.

ما هي أنواع أنظمة التوصيات الموجودة؟

بمجرد أن يتم جمع البيانات ، يمكننا البدء في بناء نظام التوصيات. هناك أربعة أنواع رئيسية:

الشعبية على أساس

يعتمد أسهل نوع من نظام التوصية على شعبية العنصر. يحسب هذا النظام تقييمات المنتج باستخدام بيانات صريحة أو ضمنية. يمكنك العثور أدناه على مثالين لأنظمة التوصية القائمة على الشعبية لمزود أفلام:

• باستخدام بيانات صريحة - يقترح أفلامًا شائعة بناءً على متوسط ​​تقييمات المستخدم بخمس نجوم ،
• باستخدام البيانات الضمنية - يقترح الأفلام الشائعة على أساس عدد مرات تشغيل المستخدمين لها.

أهم مزايا أنظمة التوصية المعتمدة على الشعبية هي:

• إنه مقاوم لبدء التشغيل على البارد . يمكن للنظام اقتراح منتجات دون أي معلومات عن المستخدم.
• يمكن استخدامه في بيئات بها عدد قليل من المستخدمين.

أهم عيب هو:

• كل مستخدم لديه نفس قائمة التوصيات.
• مشكلة البدء البارد للعنصر. لا يمكن للنظام اقتراح عنصر لم يتم تحديده أو تقييمه من قبل مستخدمين آخرين من قبل.  

التصفية على أساس المحتوى

تعتمد طرق التصفية المستندة إلى المحتوى على أوصاف المنتج وتفضيلات المستخدم. يوصي هذا النوع من النظام بمنتجات مشابهة للمنتجات التي أحبها المستخدم في الماضي. يعتمد هذا النوع من نظام التوصية على ثلاث خطوات:

1. محلل وصف المنتج - في هذه الخطوة ، يتم تحليل أوصاف المنتج باستخدام تقنية استخراج الميزات لتحويل الأوصاف الأصلية إلى متجه عنصر. باستخدام متجهات العناصر ، يحسب النظام أوجه التشابه بين المنتجات.
2. محلل ملف تعريف المستخدم - في الخطوة الثانية ، يجمع النظام تفضيلات المستخدم ، وبيانات سجل المستخدم ، ويبني ملف تعريف المستخدم الذي يمثله ناقل المستخدم. الميزات الموضحة في ناقل المستخدم هي نفس الميزات الموجودة في ناقلات العناصر.
3. ترشيح المكونات - في الخطوة الأخيرة ، يختار النظام التوصيات بناءً على متجهات المستخدم والعناصر (مثل استخدام تشابه جيب التمام).

مزايا التصفية القائمة على المحتوى هي:

• لا يوجد عنصر مشكلة البداية الباردة. يمكن للنظام أن يوصي بالمنتجات قبل أن يجربها أي مستخدم.
• إنها تكيفية. يلتقط التغييرات في اهتمامات المستخدمين .
• لا تعتمد العناصر الموصى بها لمستخدم واحد على مستخدمين آخرين.
• توصي المنتجات التي لا تحظى بشعبية .

مساوئ هذا الحل هي:

• معلومات المنتج ضرورية.
• مشكلة البداية الباردة للمستخدم. لا يمكن للنظام تقديم توصيات في حالة عدم وجود معلومات كافية لإنشاء ملف تعريف مستخدم.

تصفية التعاونية

في التصفية التعاونية ، يحلل النظام المعلومات حول التفضيلات والسلوك والأنشطة لجميع المستخدمين للتنبؤ بما قد يعجبك. ببساطة ، يوصي النظام بالعناصر التي يحبها المستخدمون الآخرون ذوو الأذواق والسلوك المماثل. الافتراض الرئيسي لهذه الطريقة هو أن الأشخاص الذين أحبوا المنتجات المماثلة في الماضي سوف يحبون أيضًا المنتجات المماثلة في المستقبل.

أهم مزايا التصفية التعاونية هي:

• لا يشترط أن يكون محتوى المنتج مفهوماً أو موصوفاً بأي شكل من الأشكال لا من قبل منشئ النظام ولا النظام نفسه . هذا يعني أن النظام يمكن أن يوصي بالمنتجات دون أي تحليل للمنتج نفسه.
• إنها تكيفية. يلتقط النظام التغييرات في اهتمامات المستخدمين .

أهم العيوب هي:

• مشكلة البداية الباردة للمستخدم. لا يمكن للنظام أن يوصي بمنتجات للمستخدمين الجدد الذين لم يكن لديهم أي تفاعل حتى الآن.
• مشكلة البدء البارد للعنصر . لا يمكن للنظام أيضًا أن يوصي بعنصر لم يحدده المستخدمون من قبل.

هجين

تجمع أنظمة التوصيات المختلطة بين الأساليب القائمة على المحتوى والأساليب التعاونية . يمكن أن يكون هذا الحل أكثر فعالية من الناحية العملية من أي من الطريقتين بشكل منفصل.

يتم استخدام نظام Hybrid على Netflix ، حيث تكون توصيات الأفلام نتيجة لمقارنة عادات المشاهدة للمستخدمين المماثلين (التصفية التعاونية) والعثور على الأفلام التي لها خصائص مشابهة مثل الأفلام التي أحبها المستخدم في الماضي (التصفية القائمة على المحتوى) .

ملخص

اليوم ، تستخدم المزيد والمزيد من الشركات عبر الإنترنت أنظمة التوصيات لزيادة تفاعل المستخدم مع الخدمات التي تقدمها. أنظمة التوصيات هي حلول فعالة للتعلم الآلي يمكن أن تساعد في زيادة رضا العملاء والاحتفاظ بالمستخدمين ، وتؤدي إلى زيادة كبيرة في إيرادات عملك.

هل أنت مهتم بأنظمة التوصيات؟

هل أنت مهتم بتنفيذ حل قائم على الذكاء الاصطناعي - مثل أنظمة التوصيات - في استراتيجية عملك؟ إذا كان الأمر كذلك ، فأنت في المكان الصحيح. اتصل بفريقنا لمناقشة فكرتك والحصول على عرض أسعار خلال 48 ساعة.

مصادر

[1] Edson، J.، 2012. Design Like Apple: سبعة مبادئ لإنشاء منتجات وخدمات وتجارب رائعة بجنون. جون وايلي وأولاده. ص 47

[2] Jones، SS and Groom، FM eds.، 2019. الذكاء الاصطناعي وتعلم الآلة للأعمال لغير المهندسين . مطبعة CRC ، ص 86

[3] أليكس كاسترونيس ، 2019. الذكاء الاصطناعي للناس والأعمال. إطار لتجارب بشرية أفضل ونجاح في الأعمال . (الكتاب الاليكتروني)

[4] جوميز-أوريبي ، كاليفورنيا وهانت ، إن. ، 2015. نظام توصية Netflix: الخوارزميات وقيمة الأعمال والابتكار . معاملات ACM على نظم المعلومات الإدارية (TMIS) ، 6 (4) ، الصفحات من 1 إلى 19.

[5] ليونارد ، د ، 2016. سبوتيفي تتقن فن قائمة التشغيل في بلومبرج بيزنس ويك