استخدام محركات توصية المحتوى لزيادة المبيعات وتحسين مشاركة العملاء

بالنسبة لأي محرك توصية، تكون البيانات دائمًا هي نقطة البداية. سيحتاج الذكاء الاصطناعي إلى جمع بيانات المستخدم من خلال وسائل صريحة وضمنية من أجل تغذية الخوارزمية بالمعلومات التي تحتاجها لتقديم التوصيات. يتم جمع البيانات الضمنية من سلوك المستخدم مثل التركيبة السكانية، وسجل الشراء، والوقت الذي يقضيه في قراءة مدونة، والإضافة إلى عربة التسوق والإضافة إلى القائمة. يتم جمع البيانات الصريحة من مدخلات المستخدم مثل الإعجابات وعدم الإعجاب والمراجعات والتقييمات أو التعليقات.

سيتم إنشاء ملفات تعريف المستخدمين بناءً على البيانات الديموغرافية والنفسية والسلوكية. والخطوة التالية هي تعيين سمات لكل كائن (على سبيل المثال، منتج أو محتوى) حتى يتمكن نموذج ML من مطابقة ملفات تعريف المستخدمين مع المنتجات أو المحتوى الذي يشترك في سمات مماثلة.

يعد مكان تخزين البيانات المجمعة أمرًا حيويًا ليس فقط من حيث الأمان ولكن أيضًا من حيث قابلية التوسع. هناك عدد من الخيارات المتاحة لك بناءً على نوع البيانات المخزنة. يمكن تخزين البيانات المنظمة في قاعدة بيانات SQL بينما يمكن تخزين البيانات غير المنظمة في قاعدة بيانات NoSQL. يمكنك أيضًا اختيار الاستفادة من التخزين السحابي أو مزيج من حلول التخزين. يمكننا مساعدتك في اختيار حل تخزين البيانات المناسب لتحقيق أقصى قدر من الكفاءة.

تتضمن الخطوة الثالثة إعداد النظام لتحليل البيانات. هناك ثلاثة نماذج لتحليل البيانات للاختيار من بينها:

يمكن تحليل البيانات بشكل دوري على دفعات. على سبيل المثال، ربما تريد تحليل المنتجات التي تتم إضافتها إلى سلة التسوق يوميًا.

إذا لم يكن التحليل على مدار 24 ساعة وقتًا سريعًا بدرجة كافية، فيمكنك اختيار التحليل في الوقت الفعلي تقريبًا حيث تتم معالجة البيانات كل بضع ثوانٍ أو دقائق. يعد هذا مفيدًا إذا كنت ترغب في جمع بيانات المستخدم في جلسة تصفح واحدة.

وأخيرًا، يمكّنك التحليل في الوقت الفعلي من تحليل البيانات فور ورودها وبالتالي تقديم التوصيات في الوقت الفعلي.

يعتمد نوع نموذج تحليل البيانات الذي تحدده على مدى السرعة التي تريد بها أن يقدم النظام توصيات بناءً على البيانات المعالجة.

وأخيرًا، سنختار أسلوب التصفية المناسب لتدريب نموذج التعلم الآلي على تقديم التوصيات الصحيحة. هناك ثلاثة نماذج تصفية يمكن تطبيقها:

التصفية التعاونية هي طريقة للتنبؤ باهتمامات المستخدم من خلال جمع التفضيلات من العديد من المستخدمين بناءً على تفاعلاتهم مع المحتوى أو المنتجات. يمكن تصنيف هذه التفاعلات على أنها إضافة منتجات إلى سلة التسوق الخاصة بهم، أو عدم الإعجاب بمسلسل على Netflix أو النقر على إعلان على Facebook. على سبيل المثال، إذا قام عدة مستخدمين لديهم ملفات تعريف مستخدم متشابهة بإضافة منتج معين إلى قائمة الرغبات الخاصة بهم، فسيبدأ نظام التوصية في التوصية بهذا المنتج للأشخاص ذوي الاهتمامات المماثلة. هناك نوعان رئيسيان من أنظمة التوصية بالتصفية التعاونية: القائمة على النموذج والقائمة على الذاكرة.

تستخدم الأساليب القائمة على النموذج خوارزمية ML محددة لمعرفة العلاقات بين العناصر والمستخدمين من بيانات التدريب. يتطلب هذا الأسلوب عادةً موارد حسابية أكثر من الأساليب المعتمدة على الذاكرة، لكن يمكنه إنشاء توصيات أكثر دقة.
تقوم الأساليب المعتمدة على الذاكرة بتخزين المعلومات حول سلوك المستخدم السابق بتنسيق يسهل الوصول إليه. يتم بعد ذلك استخدام هذه البيانات لحساب أوجه التشابه بين المستخدمين أو العناصر وتقديم توصيات بناءً على أوجه التشابه هذه. وعادة ما يكون هذا النهج أقل كثافة في استخدام الموارد من الأساليب القائمة على النماذج، ولكنه يمكن أن يؤدي إلى توصيات أقل دقة.

التصفية المستندة إلى المحتوى هي طريقة لتقديم التوصيات بناءً على التشابه بين سمات المحتوى وتفضيلات المستخدم. في حالة التوصيات الموسيقية، يمكن أن تؤخذ في الاعتبار سمات محددة مثل الأنواع والفنانين والعلامات التجارية والمنتجين لاقتراح الأغاني أو الألبومات التي قد تعجب المستخدم بناءً على المقاطع الصوتية التي استمع إليها مؤخرًا. لا يتطلب أسلوب التصفية هذا أي بيانات مستخدم سابقة، لأنه يقوم بإنشاء توصيات عند تلقي المعلومات الواردة.

تقدم التصفية المختلطة توصيات من خلال الجمع بين التصفية التعاونية والتصفية المستندة إلى المحتوى. يتم استخدام هذا النهج من قبل معظم الشركات اليوم لأنه يستخدم بمفرده، ولكل طريقة قصورها ولكن عندما يتم دمج هذه التحديات تزول. من خلال الجمع بين التوصيات المستندة إلى المحتوى والتصفية التعاونية، يمكن استخدام نقاط القوة في كل طريقة لتقديم توصيات دقيقة للغاية، حتى بالنسبة للمنتجات والمحتوى الجديد.