سیستم های توصیه گر چگونه کار می کنند؟

خرید یک ضرورت برای هر انسانی است، و هنگامی که خرید می کنیم قطعاً کالای خریداری شده مورد نظر ما یا دوستان ماست. ما تمایل داریم محصولاتی را که سایر افراد پیشنهاد و توصیه کرده اند خریداری نماییم زیرا به اشاص اعتماد داریم. و امروزه در عصر دیجیتال، فروشگاه های آنلاین به منظور ارائه پیشنهاد به کاربران از سیستمهای توصیه گر استفاده می کنند. اگر این سیستمها به درستی تنظیم و استفاده شوند، می توانند درآمد، تعداد کلیک و سایر معیارهای مهم را به میزان قابل توجهی افزایش دهد. علاوه بر این ، این سیستمها همچنین می توانند اثرات مثبتی بر تجربه کاربر داشته باشند، که به معیارهایی مانند رضایت و حفظ مشتری تبدیل می شوند که اندازه گیری آنها سخت تر است اما اهمیت زیادی دارند. همه اینها فقط با یک موتور توصیه گر ممکن خواهد شد. موتورهای توصیه گر اساساً ابزاری برای فیلتر کردن داده ها هستند که از الگوریتم ها و داده ها برای توصیف مناسب ترین موارد به یک کاربر خاص استفاده می کنند. یا به زبان ساده ، آنها چیزی نیستند جز شکل سیستمی یک "فروشنده ماهر ". شما از او محصولی می خواهید. نه تنها او آن محصول را نشان می دهد، بلکه موارد مرتبط با آن را نیز می تواندمعرفی کرده تا خریداری کنید. آنها به خوبی در زمینه فروش متقابل و فروش بالا آموزش دیده اند. با افزایش روزافزون اطلاعات در اینترنت و با افزایش چشمگیر تعداد کاربران، شرکت ها می توانند با توجه به اولویت های خود، اطلاعات مربوطه را در اختیار کاربران قرار دهند. اجازه دهید از یک مثال برای درک بهتر مفهوم سیستم های توصیه گر استفاده نماییم. تقریبا همه ما اسم آموزن را شنیده ایم و میدانیم که 35٪ از درآمد Amazon.com توسط موتور توصیه گر آن تولید می شود. بنابراین استراتژی آنها چیست؟ آمازون از توصیه‌ها به عنوان یک ابزار بازاریابی هدفمند در هر دو قسمت بازاریابی از طریق ایمیل و ارائه پیشنهادات در اکثر صفحات وب سایت خود استفاده می کند. آمازون بر اساس آنچه کاربران مرور می کنند ، محصولات بسیاری از دسته های مختلف را توصیه می کند و آن دسته از محصولات را جلوی چشم کاربران قرار میدهد. مانند گزینه "این محصولات اغلب باهم خریداری شده اند" که در انتهای صفحه محصول قرار دارد. این توصیه یک هدف اصلی دارد: افزایش متوسط ارزش سفارش، یعنی افزایش فروش و فروش متقابل مشتریان با ارائه پیشنهادات محصول بر اساس موارد موجود در سبد خرید یا زیر محصولاتی که در حال حاضر در سایت وجود دارند.

آمازون از سابقه کاربر استفاده می کند تا بتواند آن محصولات را در نظر مشتری نگه دارد. با استفاده از رتبه بندی ها و نظرات مشتریان، محصولات با میانگین بالاتر در گزینه های پیشنهادی و پرفروش نمایش داده می شوند. آمازون تلاش میکند تا مشتری را به سمت خرید مجموعه ای از محصولات تشویق کرده و از فاکتورهای تک محصولی دوری نماید. مثلا شما یک تلفن خریداری کرده اید، سپس به شما توصیه می کند که یک کیف یا محافظ صفحه نیز خریداری کنید. در ادامه با استفاده از ایمیل برای شما توصیه های دیگری ارسال میکند و شما را درگیر سفارشات می نماید.

انواع مختلف سیستم های توصیه گر اساساً سه نوع مهم از موتورهای پیشنهادی وجود دارد: 1-پالایش مبتنی بر همکاری (Collaborative filtering) 2-پالایش مبتنی بر محتوا (Content-Based Filtering) 3-سیستم های پیشنهادی ترکیبی (Hybrid Recommendation Systems)

پالایش مبتنی بر همکاری (Collaborative filtering) این روش معمولاً مبتنی بر جمع آوری و تجزیه و تحلیل اطلاعات در مورد رفتارهای کاربران، فعالیت ها یا ترجیحات آنها و پیش بینی آنچه دوست دارند بر اساس شباهت با سایر کاربران می باشد. یک مزیت اصلی این رویکرد، این است که نیاز به تجزیه و تحلیل و درک محتوای خود محصول توسط سیستم نیست، بنابراین قادر است در مواردی پیچیده همچون فیلم، بدون نیاز به درک خود فیلم آن را پیشنهاد دهد. کافیست افرادی که در گذشته سلیقه ای شبیه هم دارند را پیدا کنیم با احتمال بالایی سلیقه های بعدی آنها نیز نزدیک به هم خواهد بود. به عنوان مثال ، اگر کاربر A فیلم های شماره 1 ، 2 ، 3 و B فیلم های شماره 2، 3، 4 را دوست داشته باشند ، علاقه های مشابهی با هم دارند در نتیجه میتوان به کاربر A فیلم شماره 4 را پیشنهاد داد. علاوه بر این ، انواع مختلفی از الگوریتم های پالایش مبتنی بر همکاری وجود دارد: روش مبتنی بر کاربر: در اینجا ، ما سعی می کنیم کاربرانی را که از نظر سلیقه به یکدیگر نزدیک تر هستند بیابیم و محصولات را بر اساس افراد با سلایق مشابه پیشنهاد کنیم. این الگوریتم بسیار مؤثر است اما زمان و منابع زیادی را می گیرد.در این نوع فیلترینگ نیاز به محاسبه اطلاعات تمام کاربران باهم می باشدکه به زمان نیاز دارد. بنابراین ، برای حجم داده های بزرگ ، این الگوریتم زمان بر است. روش مبتنی بر آیتم: بسیار شبیه به الگوریتم قبلی است، با این تفاوت که به جای پیدا کردن کاربران مشابه، به دنبال پیدا کردن محصولات مشابه هستیم. این الگوریتم به مراتب زمان کمتری نسبت به روش قبل نیاز دارد. آمازون از این رویکرد در موتور پیشنهادی خود برای نشان دادن محصولات مرتبط استفاده می کند. سایر الگوریتم های ساده تر: رویکردهای دیگری مانند تجزیه و تحلیل سبد خرید نیز وجود دارند که به طور کلی قدرت پیش بینی بهتری از الگوریتم های گفته شده در بالا ندارند.

پالایش مبتنی بر محتوا (Content-Based Filtering) این روش مبتنی بر مشخصات یک محصول و یا پروفایل کاربران می باشد یک مورد و مشخصات انتخاب های برگزیده کاربر است. در یک سیستم توصیه گر مبتنی بر محتوا، از کلمات کلیدی برای توصیف موارد استفاده می شود. علاوه بر این، پروفایل کاربری ساخته شده است تا نوع کالای مورد نظر کاربر را بیان کند. به عبارت دیگر ، الگوریتم ها سعی می کنند محصولاتی را که مشابه محصولاتی است که کاربر در گذشته دوست داشته است ، توصیه کنند. ایده فیلترینگ مبتنی بر محتوا این است که اگر شما محصولی را دوست دارید، یک محصول مشابه را نیز دوست دارید. مسئله اصلی در این مورد این است که آیا این سیستم قادر است سلیقه کاربر را از رفتار کاربر درباره یک محصول یاد بگیرد و آن را در مورد دیگر محصولات تکرار کند؟ هنگامی که سیستم محدود به پیشنهاد محصولات بر اساس همان نوع محصولی که کاربر استفاده کرده است می شود، ارزش پیشنهاد به مقدار قابل توجهی نسبت به زمانی که پیشنهادات از اوناع دیگر محصولات داده میشود کاهش می یابد. البته که انتخاب درست گونه پیشنهاد بر اساس نوع محصولی است که پیشنهاد می شود. به عنوان مثال ، توصیه کردن مقالات خبری مبتنی بر مرور اخبار مفید است ، اما اگر پیشنهاد موسیقی و فیلم با این روش توصیه نمی شود.

سیستم های پیشنهادی ترکیبی (Hybrid Recommendation Systems) تحقیقات اخیر نشان می دهد که ترکیب روشهای قبلی می تواند مؤثرتر باشد. رویکردهای ترکیبی را می توان با تهیه پیش بینی های مبتنی بر محتوا و مشارکت به طور جداگانه و سپس ترکیب آنها اجرا کرد. علاوه بر این، میتوان این روش را با افزودن قابلیتهای محتوا به یک رویکرد مبتنی بر مشارکت و بالعکس؛ یا با یکپارچه کردن رویکردها به یک مدل نیز اجرایی نمود. مطالعات متعددی بر مقایسه عملکرد روش ترکیبی با هرکدام از روشهای بالا به صورت مجزا انجام شده است که نشان می دهد روش ترکیبی می توانند توصیه های دقیق تری نسبت به روشهای خالص ارائه دهند. از چنین روشهایی می توان برای غلبه بر مشکلات رایج در سیستمهای توصیه گر مانند شروع سرد و یا مشکل کمبود اطلاعات استفاده کرد. Netflix نمونه خوبی از استفاده از سیستم های پیشنهادی ترکیبی است. این وب سایت با مقایسه عادات تماشا و جستجوی کاربران مشابه (روش اول) و همچنین ارائه فیلم هایی که ویژگی هایی را با فیلم هایی که کاربر بسیار رتبه بندی کرده است دارد (روش دوم ) توصیه هایی را ارائه می دهد.

سیستم های توصیه گر چگونه کار میکنند ؟ جمع آوری داده ها: اولین قدم برای استفاده از یک سیستم توصیه گر، جمع آوری داده ها است. داده ها می توانند داده های صریح یا ضمنی باشند. داده های صریح شامل داده های درج شده توسط کاربران مانند رتبه بندی ها و نظرات در مورد محصولات هستند و داده های ضمنی می تواند تاریخچه سفارش / تاریخ برگشت، رویدادهای سبد خرید، نمایش صفحه، کلیک بر روی جستجو و ورود به سیستم باشد. این مجموعه داده ها برای تمام کاربرانی که از سایت بازدید می کنند ایجاد می شود. جمع آوری داده های رفتاری بسیار آسان است زیرا می توانید یک گزارش از فعالیتهای کاربر را در سایت خود نگه دارید و ساده است زیرا نیازی به اقدامات اضافی کاربر ندارد؛ آنها کافیست از برنامه شما استفاده نمایند. نکته منفی این رویکرد این است که تجزیه و تحلیل داده ها دشوارتر است. به عنوان مثال ، فیلتر داده های مفید از داده های غیر مفید از لاگ ها بسیار پر زحمت است. از آنجا که هر کاربر میتواند در مورد یک محصول نظر مثبت یا منفی داشته باشد، مجموعه داده های آنها میتواند مجزا از هم باشد. با گذشت زمان هنگامی که شما داده های بیشتری را به موتور توصیه گر می دهید، سیستم توصیه گر هوشمند تر گشته و پیشنهادات بهتری را ارائه می دهد به طوری که مشترکین ایمیل ها و مشتریان شما را درگیر ، کلیک و خرید می کنند. درست مانند نحوه کارکرد موتور توصیه گر آمازون با صفحه "این محصولات اغلب باهم خریداری شده اند" و "محصولات پیشنهاد شده برای شما".

ذخیره داده ها: هرچه داده های بیشتری در اختیار الگوریتم های توصیه گر قرار دهید، توصیه ها بهتر خواهند بود. این بدان معنی است که هر پروژه توصیه گر می تواند به سرعت به یک پروژه داده بزرگ تبدیل شود. نوع داده ای که برای ایجاد توصیه ها استفاده می کنید می تواند به شما در تصمیم گیری در مورد نوع پایگاه داده ای که باید استفاده کنید کمک کند. می توانید از یک پایگاه داده NoSQL ، یا یک پایگاه داده استاندارد SQL یا حتی نوعی از فضای ذخیره سازی اشیا استفاده کنید. در زمان ذخیره امتیاز دهی کاربران و یا نظرات آنها، یک بانک اطلاعاتی مقیاس پذیر و مدیریت شده می تواند تعداد کارهای مورد نیاز را به حداقل رساند و به تمرکز روی پیشنهاد ها کمک کند.

تجزیه و تحلیل داده ها: چگونه میتوانیم مواردی را پیدا کنیم که دارای داده های مربوط به تعامل کاربران مشابه هستند؟ برای انجام این کار ، داده ها را بر اساس روشهای مختلف تحلیل، فیلتر می کنیم. اگر می خواهید کاربر به محض مشاهده محصول، توصیه های فوری را دریافت نماید، به تجزیه و تحلیل سبک تری نیاز خواهید داشت.

فیلتر کردن داده ها: مرحله بعدی برای بدست آوردن داده های مورد نیاز جهت ارائه توصیه های خوب به کاربران، فیلتر کردن داده ها خواهد بود. باید الگوریتمی را انتخاب کنیم که با توجه به داده موجود، بهتر از سایر الگوریتمهای توضیح داده شده در بالا باشند. به عنوان مثال: الگوریتم مبتنی بر محتوا : یکی از روشهای محبوب توصیه محصولی است که دارای ویژگی های مشابه با آنچه کاربر دوست دارد می باشد. خوشه بندی : فارغ از عملکرد کاربران، محصولاتی را که با هم میتوان در یک گروه قرار داد را پیشنهاد می کند. مشارکتی : پیشنهاد محصولاتی ، که کاربران دیگر با سلیقه های مشابه دوست دارند ، میتواند پیشنهاد مورد قبولی باشد. خروجی این روش مبتنی بر این فرضیه است که دو کاربری که قبلا یک محصول را انتخاب کرده اند میتوانند در آینده نیز سلایق مشابه داشته باشند. می توانید داده های مربوط به محصولات را به صورت مجموعه ای از ماتریس ها نمایش دهید که محصولات و کاربران به عنوان ابعاد این ماتریس در نظر گرفته می شوند. فرض کنید که دو ماتریس زیر مشابه هستند، اما پس از جایگزین کردن رتبه های موجود با عدد یک و رتبه های از دست رفته با عدد صفر، ماتریس جدیدی ایجاد میشود که در آن عدد یک تعامل کاربران با یک محصول را نشان می دهد.

مزایای استفاده از یک سیستم توصیه گر نیازی به بیان این مطلب نیست که مشتری تمایل دارد در فروشگاهی خرید نماید که در انتخاب محصول کمک دریافت میکند، همچنین احتمال بازشگت مشتری به آن فروشگاه افزایش میابد. برای آگاهی از ارزش تجاری سیستمهای توصیه گر همین نکته کافیست که بدانیم Netflix چند ماه پیش ، تخمین زد که موتور پیشنهادی آن سالانه 1 میلیارد دلار ارزش دارد. دو مزیت اصلی در استفاده از موتور توصیه گر وجود دارد: درآمد، رضایت مشتری، شخصی سازی، کشف، تهیه گزارش درآمد - با سالها تحقیق و آزمایش های اولیه انجام شده توسط آمازون، امروزه نه تنها منحنی یادگیری برای مشتریان آنلاین وجود ندارد. بسیاری از الگوریتم های مختلف همچنین مورد کاوش ، اجرا و اثبات قرار دادن نرخ تبدیل بالا در مقابل توصیه های محصول غیر شخصی قرار گرفته است. رضایت مشتری - بسیاری اوقات مشتریان تمایل دارند آخرین مرورهای خود را به عنوان توصیه‌ی محصول خود نگاه کنند. بیشتر به این دلیل که فکر می کنند فرصت های بهتری برای انتخاب بهتر محصولات خوب پیدا می کنند. وقتی سایت را ترک می کنند و بعداً برمی گردند؛ اگر داده مرور آنها از جلسه قبلی در دسترس باشد کمک می کند. این نوع رضایت مشتری منجر به حفظ مشتری می شود. شخصی سازی - ما اغلب پیشنهادات مورد پسند خود را از طرف دوستان و خانواده می گیریم زیرا به عقیده آنها اعتماد داریم. آنها بهتر از هرکس دیگری می دانند که ما چه چیزی را بیشتر دوست می داریم. این تنها دلیلی برای توصیه های خوب آنهاست و همان چیزی است که سیستمهای توصیه گر سعی در مدل سازی آن دارند. شما می توانید از داده های جمع آوری شده به صورت غیر مستقیم برای بهبود خدمات کلی وب سایت خود و اطمینان از مناسب بودن آنها براساس سلیقه کاربر استفاده کنید. در عوض ، کاربر برای خرید محصولات یا خدمات شما با رضایت بیشتری اقدام می نمایند. کشف - برای مثال ، ویژگی “Genius Recommendation” در iTunes ، و “Frequently Bought Together” در Amazon.com توصیه های شگفت انگیزی را ارائه می دهند که بسیار شبیه سلیقه کاربان است. به طور کلی افراد دوست دارند مواردی را به آنها پیشنهاد دهید که به علایق آنها نزدیک تر است، و هنگامی که از سایتی استفاده می کنند که بتواند به انتخاب آنها کمک کند و پیشنهاد های ارائه شده مرتبط داشته باشد، مشتاق خواهد که مجدداً به آن سایت مراجعه نماید. تهیه گزارش - بخشی جدایی ناپذیر از یک سیستم شخصی سازی تهیه گزارش است. ارائه گزارشات دقیق و به روز از مشتریان اجازه می دهد تا در مورد سایت خود و یا ارئه کمپین های مناسب تصمیمات محکمی اتخاذ کنید.

نتیجه: مطمئناً ، فروش آنلاین رضایت بخش است، اما اگر بتوانید آن را کمی توسعه دهید، چه می کنید؟ یک کسب و کار تجارت الکترونیکی می تواند از انواع مختلف فیلترهای ذکر شده در بالا برای ساختن یک موتور توصیه گر مؤثر استفاده کند. اولین قدم برای داشتن توصیه های عالی برای محصولات، تنها کافیست شجاعت اقدام به دریافت سیستم توصیه گر مناسب با کسب و کار خود را داشته باشید. تنها راه ارتباط واقعی با مشتریان برقراری ارتباط با هرکدام به عنوان یک فرد خاص است. یک روش پیشرفته تر و غیر سنتی برای قدرت بخشیدن به روند توصیه شما وجود دارد. این تکنیک ها یعنی یادگیری عمیق ، یادگیری اجتماعی و فاکتور سازی تانسور مبتنی بر یادگیری ماشین و شبکه های عصبی است. چنین روش هایی می توانند کیفیت توصیه کنندگان شما را به سطح بالا تری برساند. به جرات می توان گفت موتورهای توصیه گر محصول با استفاده از یادگیری ماشین بهبود می یابند. و فرایند بسیار بهتری را برای رضایت و حفظ مشتری ایجاد کنید.


منتشر شده در تاریخ June 29, 2020, 11:59 a.m.