تا به حال چند بار پیشنهادات فروشگاه های آنلاین باعث شدن خرید های بیشتری انجام بدید؟ این سوال پیش می‌آید که چگونه توصیه گر ها آنقدر هوشمند شده‌اند که به طور جادویی می‌دانند ما چه می‌خواهیم؟

تمام جادوهایی که در پشت صحنه اتفاق می‌افتد توسط هوش مصنوعی انجام می‌شود، یا به طور خاص سیستم‌ های توصیه‌ گر که از الگوریتم‌هایی برای یافتن اقلام مشابه و مشتریان مشابه بر اساس رفتارشان استفاده می‌کنند و مواردی را توصیه می‌کنند که مشتری یا توجه به نیاز خود لازم داشته باشد. اما اسم این جادوگر چیست و چگونه کار میکند؟

توصیه گرها چگونه جادوگری میکنند؟

در حقیقت مفهوم سیستم توصیه‌گر بسیار ساده است و برای توضیح آن بهتر است با یک مثال شروع کنیم. حتما تاکنون از وب سایت های فروشگاهی که تعداد آن‌ها کم هم نیست، بازدید کرده‌اید. با ورود به وب سایت، شما به دنبال محصول مورد نظر خود خواهید گشت و ممکن است برای آن از صفحات اینترنتی مختلف وب سایت دیدن کنید.

اگر وب سایت فروشگاه از فناوری سیستم‌های توصیه‌گر استفاده کند، پس از مرور چند صفحه شما با پیشنهادهای مرتبط با جست‌وجوی خود مواجه خواهید شد. شاید شما به دنبال خرید یک هدفون  سفید رنگ هستید که به کمک سیستم توصیه‌گر شما با پیشنهادهایی روبرو خواهید شد که مرتبط با همین محصول هستند و حتی ممکن است محصولاتی با رنگ مورد نظر نیز در اختیار شما قرار بگیرد.

سیستم‌های توصیه گر سرویس هایی هستند که برای توصیه به کاربر بر اساس عوامل مختلف طراحی شده‌اند. این سیستم ها نزدیک ترین محصولی را که کاربران به احتمال زیاد خریداری می کنند و به آن علاقه مند هستند را پیش بینی می کنند. شرکت‌هایی مانند نتفلیکس، آمازون از سیستم‌های توصیه‌کننده استفاده می‌کنند تا به کاربران خود کمک کنند محصول یا فیلم‌های مناسب را برایشان شناسایی کنند.

توصیه گرها یک سیستم بسیار محبوب و موثر در کسب و کار فروشگاه های هستند. با این جادو خریداران می توانند به سادگی اقلام مورد علاقه خود را پیدا کنند. علاوه بر این، اقلامی به آنها ارائه می­شود که هرگز به خرید آنها فکر نکرده اند، اما در واقع با نیازهای آنها مطابقت دارند.

مزایای سیستم های توصیه گر چیست؟

مزیت اصلی توصیه گر ها را می توان تنها در دو کلمه بیان کرد – افزایش فروش. به گفته مک کینزی، 35 درصد از خریدهای آمازون و 70 درصد از فروش سرویس نتفلیکس توسط سیستم های توصیه گر انجام می شود و بسیاری از شرکت ها توانسته اند به کمک توصیه گر ها فروش خود را افزایش دهند.

علاوه بر این، در طول همه گیری کرونا، بسیاری از خرده فروشان آنلاین شدند، کسب و کار خود را دیجیتالی کردند و فرهنگ کسب و کار خود را تغییر دادند تا با شرایط جدید و همیشه در حال تغییر سازگار شوند. بر اساس گزارش ها، در سال 2020 رشد فروش تجارت الکترونیک تنها در ایالات متحده بیش از 30 درصد بود. شاید بتوان گفت دلیل اصلی این افزایش حیرت انگیز در فروش، توصیه گرها بودند.

مزیت دوم درک بهتر مشتریان است. این قسمتی است که درک مشتریان اهمیت خود را نشان میدهد، زیرا با بررسی مشتریان می توانیم رفتار آنها را بهتر درک کنیم و در نتیجه نیازهای آنها را بهتر بشناسیم یا به عبارتی نیازهای آنها را برآورده کنیم و در نهایت با رضایت و وفاداری مشتریان میتوانیم فروش خود را افزایش دهیم.به غیر از افزایش رضایت مشتری، ما به راحتی می توانیم کمپین های بازاریابی خودکار ایجاد کنیم و آنها را بر اساس تجزیه و تحلیل مشتری شخصی سازی کنیم.

ظهور توصیه گر ها

در طی چند دهه گذشته، با ظهور یوتیوب، آمازون، نتفلیکس و بسیاری دیگر از فروشگاه های انلاین، سیستم های توصیه گر جایگاه بیشتری در زندگی ما پیدا کرده اند. از تجارت الکترونیک تا تبلیغات آنلاین (پیشنهاد مطالب مناسب به کاربران، مطابق با ترجیحات آنها)، امروزه سیستم های توصیه گر در زندگی روزانه ما اجتناب ناپذیر هستند.

سیستم‌های توصیه در سال‌های اخیر اهمیت بیشتری پیدا کرده‌اند و در فروشگاه های آنلاین، به‌ویژه در ارتباط با داده‌های بزرگ، بسیار امیدوارکننده به نظر می‌رسند . به کمک توصیه گر ها و استفاده از الگوریتم های هوش مصنوعی می توانید بهره وری فروشگاه های آنلاین را افزایش دهید. توصیه گر ها، مطابق با ترجیحات فردی کاربران، ناشی از قدرت محاسباتی و الگوریتم های پیچیده هوش مصنوعی است. در فروشگاه های آنلاین، سیستم‌های توصیه گر از مدت ها قبل استفاده میشوند، اما در سایر صنایع نیازمند استفاده مستمر از الگوریتم‌ها و فناوری‌ها هوش مصنوعی هستند.

تاریخچه سیستم های توصیه گر

سیستم های توصیه گر (Recommender Systems) با اولین ظهورشان در اواسط دهه ۱۹۹۰ گام مهمی در استفاده از توصیه گر ها در فروشگاه انلاین برداشتند. در دهه های اخیر دو بخش صنعت و دانشگاه دستاوردهای جدیدی در زمینه سیستم های توصیه گر توسعه داده اند؛

با این وجود علاقه مندی به این بخش هنوز در سطح بالایی است، زیرا حوزه تحقیقاتی غنی بوده و نیاز مبرمی به برنامه های کاربردی فراوانی به منظور کمک به کاربران که با حجم زیادی از اطلاعات مواجه هستند به منظور شخصی سازی اطلاعات پیشنهادی وجود دارد. بهترین مثال ها در استفاده از توصیه ر ها در دهه اخیر، فروشگاه های آنلاین هستند.

اما چرا به سیستم‌های توصیه‌گر نیاز داریم؟

دلایل متعددی برای استفاده کردن از یک سیستم توصیه گر در وب سایت ها وجود دارد. کاربران همواره علاقه دارند تا محصولات مشابه در یک دسته را مشاهده کرده و آن‌ها را با هم مقایسه کنند. این کار در مورد وب سایت‌های اشتراک ویدیو و فروشگاه های آنلاین نیز صادق است.

با به کارگیری الگوریتم‌های بهینه سازی سیستم‌های توصیه‌گر به راحتی می‌توان این نیاز کاربران را پاسخ داد. استفاده از این روش برای بهبود تعامل کاربران و افزایش نرخ بازدید از مطالب نیز تاثیر زیادی دارد.

البته، دلیل مهمی وجود دارد تا ما را ترغیب به استفاده از یادگیری ماشین و قدرت پردازشی ماشین کند. داده‌های عظیم که از کانال‌های مختلف به دست می‌آیند و این داده‌ها در عین حال که زیاد هستند، ارزش بسیار زیادی برای کسب و کار اینترنتی و فروشگاه های انلاین نیز دارند.

مزایا و کاربرد های سیستم های توصیه گر

سیستم‌های توصیه‌گر کاربردهای فراوانی دارند که برخی از زمینه‌های کاربردی آن به شرح زیر است:

• تجارت الکترونیک: برای توصیه محصولات و خدمات مختلف.
• کتابخانه دیجیتال: پیدا کردن کتاب، مقاله و …
• کاربردهای پزشکی: انتخاب پزشک متناسب با شرایط (مکان، نوع بیماری، زمان و …) بیمار، انتخاب دارو و …
• مدیریت ارتباط با مشتری: برای ارائه راهکارهایی برای حل مشکلات تولیدکننده و مصرف‌کننده.

این سیستم ها باید جستجو را برای کاربر آسان تر کنند. به جای کلیک کردن بر روی تعداد زیادی پیشنهادات و صفحات برای یافتن محصول مناسب، هدف توصیه گر ها نمایش مناسب ترین انتخاب برای کاربران است.اما محاسبه با استفاده از الگوریتم ها معایبی نیز دارد.

اغلب وقتی نوبت به انتخاب پیشنهادی می‌شود، اجزای شخصی و انسانی وجود ندارند. حتی محاسبات پیچیده نیز می تواند رفتارهای ساده انسان را اشتباه بخواند و به جای تحت تاثیر قرار دادن کاربر، امکان دارد جواب مناسبی به کاربران ندهد. به عنوان مثال، آمازون ممکن است یک چاقو را نمایش دهد، که بسیاری از مردم برای کارهای روزانه خود به آن نیاز دارند، اما این انتخاب میتواند بیشتر برای سارقان مناسب باشد.

سیستم های توصیه گر چگونه کار می کنند؟

سیستم های توصیه گر همیشه بر اساس مجموعه ای از داده ها کار میکند. بسته به ماهیت این مجموعه داده، بین انواع مختلف سیستم های توصیه گر تمایز قائل می شویم. این سیستم ها معمولاً سیستم های مبتنی بر محتوا و مشارکتی هستند . علاوه بر این دو سرویس اصلی، سرویس‌های توصیه‌ای حساس به زمینه، و همچنین سیستم های توصیه گر این توانایی را دارند که توالی زمانی یا داده‌های جمعیتی کاربران را تجزیه و تحلیل کنند.

سیستم های توصیه مبتنی بر محتوا

سیستم‌های توصیه مبتنی بر محتوا، اشیا یا محتوای مشابهی را که کاربر قبلاً جستجو کرده، مشاهده کرده، خریداری کرده یا به آن رتبه‌بندی کرده است، پیشنهاد می‌کند. ایم سرویس توصیه گر قادر به ایجاد شباهت بین اشیا است. این کار از طریق تحلیل محتوا انجام می شود. به عنوان مثال، برای سرویس های پخش موسیقی، سیستم توصیه گر یک قطعه موسیقی را تجزیه و تحلیل می کند تا آهنگ های مشابه را برای شما به نمایش دربیاورد.

سیستم های توصیه مشترک

وقتی صحبت از روش‌های مشارکتی می‌شود، پیشنهادات مبتنی بر کاربرانی با رفتار مشابه مطرح میشود . اگر آنها در گذشته علاقه زیادی به یک شی خاص نشان می دادند، توصیه گر اشیا مشابه را به آن کاربر پیشنهاد می کند. اطلاعات در مورد خود شی در این مرحله ضروری نیست. به عنوان مثال آمازون از این روش به طور گسترده در پلتفرم خود استفاده می کند.

روش های مختلف پیش بینی

سرویس­های توصیه گر از روش­های یادگیری متفاوتی استفاده می­کند. به طور کلی یا از روش مبتنی بر حافظه یا مبتنی بر مدل استفاده می شود. روش مبتنی بر حافظه با استفاده از تمام داده های ارزیابی ذخیره می شود و محاسبه شباهت بین کاربران و یا اشیاء. از سوی دیگر، خدمات توصیه مبتنی بر مدل، با اصول یادگیری ماشینی کار می کند. بر اساس داده ها، سیستم می تواند یک مدل ریاضی ایجاد کند که می تواند برای پیش بینی علاقه کاربر به یک محصول خاص مورد استفاده قرار گیرد.

نمونه هایی از سیستم های توصیه گر معروف

سیستم های توصیه را می توان در بسیاری از بخش ها و شاخه ها یافت. سه مورد از مهمترین آنها عبارتند از خدمات دهندگان بزرگ مانند Spotify یا Netflix، فروشگاه های آنلاین بزرگ مانند آمازون و سیستم های توصیه گر برای تبلیغات مبتنی بر محتوا.

توصیه گر ها در خدمت بزرگان

سرویس پخش ویدئو، نتفلیکس ، برای اولین بار در ابتدای سال 2016 یک سیستم توصیه جدید را در پلتفرم خود ادغام کرد . این الگوریتم بسته به سلیقه شخصی هر کاربر نتفلیکس در فیلم ها و سریال ها، پیشنهادات را نشان می دهد.

با این حال، این الگوریتم‌ها ، داده‌های جمعیتی، مانند سن و جنسیت را در نظر نمی‌گیرند. این فقط داده های جمع آوری شده است که برای تصمیم گیری در مورد اینکه کدام پیشنهادها نمایش داده شوند استفاده می شود. وقتی کاربر حساب کاربری خود را راه اندازی می کند، از او خواسته می شود فیلم ها و سریال های مورد علاقه خود را بیان کند که این یک مثال ساده از توصیه گر های ساده است.

هر بار که این سرویس در یک کشور جدید معرفی می شد، مشکلاتی به وجود میاورد. این به این دلیل است که هیچ داده قبلی برای توصیه گر ها وجود نداشت. الگوریتم جدید با گروه های مشتریان به صورت تعاملی کار می کند. در این زمینه، گرایش های خاص کشور و منطقه خاص همچنان گنجانده شده است.

Spotify و توصیه گر ها

سرویس پخش موسیقی، Spotify ، برای مدت طولانی با یک سیستم پیشرفته توصیه گر کار می­کند. این سرویس هر هفته فهرستی از آهنگ هایی که به طور بالقوه با سلیقه کاربر مطابقت دارد جمع آوری می­کند. لیست پخش Daily Mix شما به طور خودکار توسط الگوریتم ها ایجاد می­شود.

این لیست های پخش تا حدی لیست های پخش خود تولید شده از سایر کاربران هستند که کاربر خودش آنها را ایجاد می کند و تا حدودی Spotify سعی می کند یک لیست دقیق بسته به سلیقه کاربر ایجاد کند . علاوه بر این از نرم افزاری استفاده می شود که مقالات و متون وبلاگ ها و مجلات را تجزیه و تحلیل می کند تا هنرمندان را تا حد امکان به صورت دقیق طبقه بندی کند.

توصیه گر ها در فروشگاه های آنلاین

در تجارت الکترونیک، توصیه های محصول اساسا بر اساس خرید های قبلی کاربران است : به کاربران محصولات مشابه یا مکمل نشان داده می شود. آمازون در زمینه توصیه های محصول بسیار جلوتر از سایر رقبا است. رهبر بازار مجموعه عظیمی از داده های تولید شده توسط کاربر را در دسترس دارد. در اوایل، غول تجارت الکترونیک این واقعیت را تشخیص داد که با توصیه های مناسب محصول، سبد خرید مشتری سریعتر پر می شود. در عین حال، می‌توانید تا پنج نوع مختلف توصیه محصول را در نقاط مختلف فرآیند خرید پیدا کنید:

• ‘مشتریانی که این مورد را مشاهده کردند نیز مشاهده کردند’
• ‘مشتریانی که این آیتم را خریداری کرده اند همچنین خریده اند’
• ‘معمولا با هم خریده شده اند’
• ‘مشتریان پس از مشاهده این کالا چه چیزی می خرند؟’
• “موارد اخیراً مشاهده شده و توصیه های ویژه شما”

آمازون و توصیه گر ها

آمازون نرم افزار یادگیری عمیق خود DSSTNE را به عنوان منبع باز در ابتدای سال 2010 منتشر کرد. این نرم افزار اساس توصیه ها در آمازون است. اساساً، گرایشی به سمت سیستم‌های توصیه‌های عمیق‌تر در تجارت الکترونیک وجود دارد.

علاوه بر امکان نمایش «اقلام محبوب»، شرکت‌های بیشتری به توصیه‌های بسیار شخصی‌شده تکیه می‌کنند. به عنوان یک قاعده، توصیه گر ها به روش های مختلفی به آمازون کمک میکنند: علایق خرید، اقلام محبوب، و عوامل دیگر، مانند در دسترس بودن محصول و تغییرات قیمت، به طور خودکار شامل می شوند.

سیستم های توصیه گر در تجارت الکترونیک

در تجارت الکترونیک، سیستم های توصیه گر موضوع بسیار مهمی هستند. زیرا فروشگاه‌های آنلاین این امکان را دارند که با توصیه‌های مناسب مشتریان خود را افزایش داده و فروش بیشتری داشته باشند. بسیاری از سیستم های فروشگاهی دارای ویژگی های استاندارد یکپارچه برای توصیه گر های محصولات خود هستند . این امکان تجزیه و تحلیل و محاسبه کامل را فراهم می کند. اما بهترین راه استفاده از یک راه حل نرم افزاری هوش مصنوعی است .

ارائه دهندگان مختلف راه حل های SaaS (نرم افزار به عنوان سرویس) را به شرکت ها ارائه می دهند. اکثر ارائه دهندگان راه حل های نرم افزاری را که به صورت جداگانه طراحی شده و قادر به خودآموزی هستند، به عنوان خدمات توصیه بر اساس فناوری شخصی سازی خودشان (روش مبتنی بر مدل) عمل میکنند . مزیت بزرگ راه حل های SaaS این است که زمان و تلاش لازم برای پیاده سازی را به میزان قابل توجهی کاهش می دهند.

صاحبان فروشگاه ها مجبور نیستند روی سخت افزار یا نرم افزار سرمایه گذاری کنند. راه حل های عمدتا مبتنی بر ابر نیز دارای طیف وسیعی از عملکردها هستند. راه حل های نرم افزاری در سه مرحله مهم انجام می شوند: ردیابی پایگاه داده، همسان سازی ویژگی ها، و پردازش یا تجزیه و تحلیل داده ها در پایان عملیات.

ردیابی پایگاه های داده

برای اینکه بتوانید داده ها را تجزیه و تحلیل کنید، ابتدا باید آن ها را جمع آوری کنید. داده ها را می توان از طریق روش های مختلفی گرد آوری کرد. جمع آوری داده ها شامل داده‌های مرتبط در مورد مکان، سبد خرید، تاریخ و زمان، رفتار و معمولاً سفر مشتری کاملاً قابل بررسی است . این برنامه تمام این اطلاعات را جمع آوری کرده و در یک پایگاه داده نگهداری می کند.

فیلتر کردن ویژگی های داده ها

وقتی صحبت از ویژگی های داده ها می شود، هدف فیلتر کردن ویژگی ها از پایگاه داده است. این ویژگی ها می توانند ماهیت متفاوتی داشته باشند، مانند زمان بازدید و مدت زمان آن، فواصل بین اقدامات و بسیاری موارد دیگر. با این حال، ویژگی های کمی با پیش بینی های بعدی مرتبط هستند. چالشی که سیستم با آن مواجه است، شناسایی دقیق این ویژگی های مهم است.

برای این منظور، سیستم نیاز به یافتن ویژگی هایی دارد که تأثیر بسزایی در رفتار خرید و در نهایت تصمیم خرید دارند. ترکیب فردی ویژگی ها بسته به فروشگاه متفاوت است، بنابراین یک تجزیه و تحلیل هوشمند لازم است.

پردازش و تحلیل داده ها

بر اساس ویژگی های تعریف شده برای فروشگاه آنلاین یعنی ویژگی های دیتا ها، توصیه گرها میتوانند پیش بینی هایی را برای توصیه های محصول محاسبه کند.. این سیستم مدل ها را ذخیره می کند، سپس به عنوان مبنایی برای محاسبه توصیه ها عمل می کند. هر بازدیدکننده ای از فروشگاه نکات و توصیه های به روزی را دریافت می کند که متناسب با آنها است.

ارتباط سیستم‌های توصیه‌گر با هوش مصنوعی

هوش مصنوعی بخش اصلی ماجرا برای پیاده سازی الگوریتم‌های سیستم‌های توصیه‌گر است. امروزه با نگاهی به محیط اطراف بسیاری از کاربردهای هوش مصنوعی را می‌بینیم و این فناوری روز به روز در حال پیشرفت است؛ در واقع، هوش مصنوعی یا Artificial Intelligence یک حوزه وسیع علمی است که یادگیری ماشین زیر شاخه‌ای از آن به شمار می‌رود.

در یادگیری ماشین می‌توان مدل‌هایی را به کار گرفت که قدرت یادگیری دارند و در این فرآیند می‌توان از داده‌های ورودی بهترین استفاده را برای یادگیری مدل‌ها برد. با موفقیت در فرآیند یادگیری، ما مدل‌های آموزش دیده را در اختیار خواهیم داشت که از آن می‌توان برای دریافت خروجی‌های مورد نظر استفاده کرد.

استفاده از یک مدل یادگیری ماشین برای ایجاد سیستم توصیه‌گر از بهترین کاربردهای هوش مصنوعی است. در این مدل نیز شرکت ها و فروشگاه های آنلاین می‌توانند ورودی‌هایی را اعمال کنند و فرآیند یادگیری هوش مصنوعی را با سرعت بیشتری طی کنند.

در این سیستم، ورودی ما می‌تواند نوع جست‌وجوی کاربر، اسم محصول، وزن محصول، رنگ و هر معیار دیگری باشد؛ پس از یادگیری مدل سیستم توصیه‌گر براساس معیارهای تعیین شده، خروجی‌های در آینده که همان پیشنهادها هستند، نزدیکترین ویژگی‌ها را به علایق کاربر خواهند داشت.

آیا یادگیری ماشین نقشی در رشد سیستم های توصیه‌گر دارد؟

یادگیری ماشین شاخه‌ای از علوم هوش مصنوعی است که نقش اساسی برای پردازش داده‌های حجیم و جمع آوری شده دارد. زمانی که از داده‌ها صحبت می‌کنیم، صاحبان کسب و کارهای بزرگ مانند فروشگاه‌های اینترنتی مخاطب اصلی هستند؛ داده‌های متعددی در فرآیند تجربه کاربری وجود دارند که به راحتی می‌توان از آن برای بهبود کسب و کار استفاده کرد.

اما مشکل اصلی ما همین تعدد داده‌ها و حجم بسیار زیاد آن است. در این بین، به کار بردن یادگیری ماشین و طراحی مدل‌های آن که قابل یادگیری هستند و می‌توانند بهترین خروجی را ارائه دهند؛ یادگیری ماشین مبتنی بر طراحی الگوریتم‌های قدرتمند، اعمال ورودی‌ها و در نتیجه تصمیم گیری و ارائه خروجی‌های موثر است.

این فرآیند سرعت بالایی دارد و در صورت طراحی دقیق مدل‌ها براساس نیاز ما، مطمئنا خروجی‌های بسیار نزدیک به ایده‌آل در اختیار ما خواهد بود؛ بهتر است به نمونه‌های عملی کاربرد یادگیری ماشین و هوش مصنوعی در دنیای پیرامون بیشتر دقت کنیم:

• خودروهای خودران گوگل
• تایپ و تصحیح خودکار متون
• الگوریتم نتایج جست‌وجوی گوگل
• پیشنهاد کالاها در وب‌سایت آمازون

فروشگاه های انلاین و شخصی سازی داده ها

شخصی سازی در بازاریابی آنلاین اهمیت فزاینده ای پیدا می کند. این نه تنها به دلیل این واقعیت است که شرکت‌ها در رقابت با یکدیگر هستند و باید دائماً در تلاش باشند تا از دیگران متمایز شوند، بلکه به دلیل تغییر درک کاربران است. کاربران امروزی می توانند تبلیغات را سریعتر شناسایی کرده و از آنها چشم پوشی کنند.

با این حال، اگر فروشگاه های آنلاین به کمک اطلاعات سفارشی شده و مرتبط و با مخاطب قرار دادن مستقیم کاربران، توجه را به خود جلب کنید، شانس خرید بسیار بالاتر خواهد رفت. همین امر در مورد سیستم های توصیه نیز صدق می کند، که حساس تر و دقیق تر عمل میکنند. یافتن استراتژی مناسب و استفاده از توصیه گر ها می تواند تاثیر مثبتی بر فروش و موفقیت یک شرکت در تجارت الکترونیک داشته باشد.