أنظمة التوصية Recommender Systems
نظام التوصية هو خوارزمية ذكاء اصطناعي، وعادة ما يرتبط بتعلُم الآلة، ويستخدم البيانات الضخمة لتقديم اقتراح أو توصية بمنتجات إضافية للمستهلكين. يمكن أن تستند هذه إلى معايير مختلفة، بما في ذلك عمليات الشراء السابقة ومحفوظات البحث والمعلومات الديموغرافية وعوامل أخرى. يتنبأ نظام التوصية بالتقييمات التي قد يعطيها العميل لعنصر معين. سيتم بعد ذلك ترتيب هذه التوقعات وإعادتها إلى المستخدم.
تُعد أنظمة التوصية ميزة أساسية في عالمنا الرقمي، حيث غالبًا ما يكون المستخدمون غارقين في الاختيار ويحتاجون إلى المساعدة في العثور على ما يبحثون عنه. وهذا يؤدي إلى زيادة رضى العملاء وزيادة المبيعات بالطبع. يمكن اعتبار أنظمة التوصية مثل الباعة الذين يعرفون، بناءً على تاريخك وتفضيلاتك، ما تريد. يتم استخدام أنظمة التوصية من قبل العديد من الشركات ذات الأسماء الكبيرة مثل Google و Instagram و Spotify و Amazon و Reddit و Netflix وغيرها. تساعد أنظمة التوصية العملاء على اكتشاف منتجات وخدمات جديدة ضمن اهتماماتهم. في كل مرة يتسوق العميل عبر الإنترنت، يوجهه نظام التوصية نحو المنتج الذي قد يشتريه على الأرجح.
كيف تعمل أنظمة التوصية؟
فهم العلاقات: تزود معلومات العلاقات أنظمة التوصية برؤية ثاقبة وفهم للعملاء، وهناك ثلاثة أنواع رئيسية من العلاقات:
علاقة العميل بالمنتج: تحدث علاقة العميل بالمنتج عندما يكون لدى بعض العملاء تقارب أو تفضيل تجاه منتجات معينة يحتاجون إليها. على سبيل المثال، قد يكون لدى لاعب كرة القدم تفضيل للعناصر المتعلقة بكرة القدم، وبالتالي فإن موقع التجارة الإلكترونية سيبني علاقة بين منتج وعميل لاعب لعبة كرة القدم.
علاقة المنتج بالمنتج: تحدث علاقات المُنتِج بالمُنتِج عندما تكون العناصر متشابهة في طبيعتها، إما من خلال المظهر أو الوصف. تتضمن بعض الأمثلة كتبًا أو موسيقى من نفس النوع أو أطباق من نفس المطبخ أو مقالات إخبارية من حدث معين.
علاقة العميل بالعميل: تحدث العلاقات بين العميل والعميل عندما يكون لدى بعض العملاء ذوق مماثل فيما يتعلق بمنتج أو خدمة معينة. تشمل الأمثلة الأصدقاء المشتركين والخلفيات المتشابهة والعمر المشابه وما إلى ذلك. وبذلك تقدم أنظمة التوصية مالم تختاره وهو ضمن اختيار الأصدقاء المشابهين لاهتمامك.
أنظمة البيانات والتوصيات
بالإضافة إلى العلاقات، تستخدم أنظمة التوصية الأنواع التالية من البيانات:
بيانات سلوك العميل: بيانات سلوك العملاء هي معلومات مفيدة حول تفاعل العميل في المنتج. يمكن جمعها من التقييمات والنقرات وسجل الشراء.
بيانات العميل الديموغرافية: ترتبط المعلومات الديموغرافية للعميل بالمعلومات الشخصية مثل العمر، والتعليم والدخل والموقع.
بيانات سمة المنتج: بيانات سمات المنتج هي المعلومات المتعلقة بالمنتج نفسه مثل النوع في حالة الكتب، أو النوعية في حالة الأفلام، أو المطبخ في حالة الطعام.
كيف نقدم البيانات لأنظمة التوصية؟
يمكن توفير البيانات بعدة طرق منها:
التقييمات الصريحة: يتم توفير تقييمات صريحة من قبل العميل ومنها يُستنتج تفضيل العميل. تشمل الأمثلة التقييمات بالنجوم والمراجعات، والتعليقات، والإعجاب والمتابعة. ولكن نظرًا لأن العملاء لا يقومون دائمًا بتقييم المنتجات، فقد يكون من الصعب الحصول على تقييمات صريحة.
التقييمات الضمنية: يتم توفير التقييمات الضمنية عندما يتفاعل العملاء مع العنصر. تستنتج أنظمة التوصية سلوك العميل ويسهل فهمهم لأن العملاء ينقرون دون وعي. تشمل الأمثلة النقرات والمشاهدات والمشتريات.
تشابه المنتج (تقييم العنصر-العنصر): تشابه المنتج هو النظام الأكثر فائدة لاقتراح المنتجات بناءً على مدى رغبة العميل في المنتج. إذا كان العميل يتصفح أو يبحث عن منتج معين، فيمكن عرض منتجات مماثلة له. غالبًا ما يتوقع العملاء العثور على المنتجات التي يريدونها بسرعة والمضي قدمًا إذا واجهوا صعوبة في العثور عليه إلى المنتج ذي الصلة. عندما ينقر العميل على أحد المنتجات، يمكننا عرض منتج آخر مشابه، أو إذا اشترى العميل المنتج، فيمكننا إرسال إعلانات أو قسائم العميل بالبريد الإلكتروني بناءً على منتج مشابه. يكون تشابه المنتج مفيدًا بشكل خاص عندما لا نعرف الكثير عن العميل حتى الآن، لكننا نعرف المنتجات التي يشاهدونها.
تشابه العميل (تصفية العميل): تشابه العميل هو التحقق من الفرق بين تشابه عملاء. إذا كان لدى عملاء تفضيلات متشابهة لمنتج ما، فيمكننا افتراض أن لديهما اهتمامات مماثلة. إنه مثل صديق يوصي بمنتج. ومع ذلك ، فإن أحد أوجه القصور في تشابه العميل هو أنه يتطلب جميع بيانات العميل لاقتراح المنتجات، ويطلق عليه مشكلة البداية الباردة لأن بدء عملية التوصية تتطلب بيانات سابقة من العملاء. على سبيل المثال ، يعاني موقع التجارة الإلكترونية الذي تم إطلاقه حديثًا من مشكلة البداية الباردة لأنه لا يحتوي على عدد كبير من العملاء. تُتجنب هذه المشكلة عن طريق مطالبة العملاء بتسجيل إعجاب عند بدء اشتراك جديد. لا يسبب تشابه المنتج هذه المشكلة لأنه يتطلب فقط معلومات المنتج وتفضيلات العميل.
أنواع أنظمة التوصية
نظام التوصية التعاوني ( Collaborative Recommender system)
إنه يتتبع سلوك جميع العملاء قبل التوصية بالعنصر الذي يفضله العملاء في الغالب، كما أنه يربط العملاء المماثلين من خلال التشابه في التفضيل والسلوك تجاه منتج مشابه عند اقتراح منتج للعميل الأساسي. وتعتبر التصفية أم التوصية التعاونية مجموعة من الخوارزميات حيث توجد طرق متعددة للعثور على مستخدمين أو عناصر متشابهة وطرق متعددة لحساب التصنيف بناءً على تقييمات العملاء المماثلين اعتمادًا على الاختيارات التي تحددها.
نظام التوصية القائم على المحتوى ( Content-based recommender system)
تستخدم التصفية المستندة إلى المحتوى ميزات العناصر للتوصية بعناصر أخرى مشابهة لما يحبه العميل بناءً على إجراءاته السابقة أو ملاحظاته الصريحة. تستند التوصيات على سمات العنصر حيث تعمل أنظمة الاقتراحات المستندة إلى المحتوى بشكل جيد عند تقديم بيانات وصفية عن المحتوى مسبقًا ويسترد نظام التوصية المستند إلى السياق الأنماط من شبكة الويب العالمية بناءً على تفاعلات العميل السابقة ويوفر توصيات إخبارية مستقبلية. تستخدم أنظمة التوصية القائمة على المحتوى معرفتها بكل منتج للتوصية بمنتجات جديدة.. يتم قياس "التشابه" مقابل سمات المنتج. لنفترض أنني أشاهد فيلمًا من نوع معين، فسيتم ترشيحي بأفلام ضمن هذا النوع المحدد. تساعد سمات الفيلم، مثل العنوان وسنة الإصدار والمخرج والممثلين، أيضًا في تحديد محتوى الفيلم المماثل (دراما – عاطفي – خيالي -.. الخ).
نظام التوصية القائم على الديموغرافي ( Demographic based recommender system)
يُنشئ نظام التوصية الديموغرافية توصيات بناءً على السمات الديموغرافية للعميل. يُصنف العملاء بناءً على سماتهم ويوصي بالأفلام من خلال استخدام بياناتهم الديموغرافية، اتبعت العديد من الصناعات هذا النوع من النهج لأنه ليس معقدًا وسهل التنفيذ.
نظام التوصية القائم على المنفعة ( Utility based recommender system)
تقدم أنظمة التوصية القائمة على المنفعة توصيات بناءً على حساب فائدة كل عنصر للعميل. تم تطوير بعض طرق استنباط المنفعة على أساس نظرية المنفعة متعددة السمات multi-attribute utility theory (MAUT) لتمثيل التفضيل الكامل لصانع القرار.
نظام التوصية القائم على المعرفة ( Knowledge based recommender system)
أنظمة التوصية القائمة على المعرفة (الموصون القائمون على المعرفة) هي أنواع محددة من أنظمة التوصية التي تستند إلى معرفة واضحة حول تشكيلة العناصر وتفضيلات العميل ومعايير التوصية (أي العنصر الذي يجب التوصية به في أي سياق).
نظام التوصية الهجين ( Hybrid recommender system)
أنظمة التوصية الهجينة هي أدوات برمجية تُستخدم لإنشاء وتقديم اقتراحات للعناصر والكيانات الأخرى للعملاء من خلال استغلال الاستراتيجيات المختلفة. تجمع أنظمة التوصية الهجينة بين إستراتيجيتين أو أكثر للتوصية بطرق مختلفة للاستفادة من مزاياها التكميلية. ويعتبر نظام التوصية المختلط نوع خاص من نظام التوصية يمكن اعتباره مزيجًا من طريقة التصفية القائمة على المحتوى وطريقة التصفية التعاونية.
تحديات تبني أنظمة التوصية
استثمارات كبيرة مطلوبة: تعد محركات التوصية استثمارًا كبيرًا ، ليس فقط من الناحية المالية، ولكن من حيث الوقت أيضًا. بناء محرك توصية فعال داخليًا يستغرق وقتا طويلا وخبرة عميقة؛ إلى جانب علماء البيانات المطلوبين وغيرهم من الموظفين المتخصصين المتنوعين، ستحتاج إلى احتساب تكاليف مرحلة الاكتشاف والتحليل (بما في ذلك دراسة الجدوى للتأكد من أن هذا هو المسار الصحيح لعملك) ، ومرحلة تنفيذ النموذج الأولي، والحد الأدنى القابل للتطبيق المنتج، متبوعًا بالإصدار النهائي والنشر. حتى عندما يكون محرك التوصية نشطًا ، فإن الرحلة لم تنته بعد: سيحتاج المحرك إلى مراقبة مستمرة وصقل لضمان تشغيله على النحو الأمثل قدر الإمكان ، مما يؤدي إلى استمرار التكاليف.
الكثير من الخيارات: بدلاً من الاستثمار الكبير، يمكن استخدام حل جاهز من شركة خارجية، ولكن مع وجود العديد من الخيارات المتاحة في السوق، كيف تعرف ما هو الحل المناسب لعملك؟ يمكن أن يستغرق تقييم الحلول المختلفة وقتًا طويلاً للغاية، حيث تحتاج إلى تقييم دراسات الحالة الخاصة بهم، والتكنولوجيا، وكيف سيتم دمج الحل في إعداد شركتك الحالي، وما إلى ذلك.
عملية الإعداد المعقدة: يمكن أن يكون إدخال محرك توصيات إلى عملك أمرًا معقدًا. في بعض الأحيان، قد لا يستحق الأمر الجهد المبذول، خاصةً إذا كان لا يتناسب مع قطاع عملك .ومع ذلك، يمكن أن يكون هذا أيضًا بسبب عدد من الأسباب الأخرى، مثل عدم فهم نماذج التوصيات، وتصميم UX السيئ لموقع الويب الخاص بك، وعدم كفاية المعرفة بمجال عملك. سيسمح لك توظيف وتعيين الموظفين المناسبين الذين لا يفهمون التكنولوجيا فحسب ، بل يعرفون أيضًا أساليب العمل المعقدة لعملك ، بإطلاق العنان للإمكانات الكاملة لمحركات التوصية.
نقص القدرة على تحليل البيانات: مثل جميع التقنيات القائمة على الذكاء الاصطناعي، تعتمد محركات التوصية على البيانات - إذا لم يكن لديك بيانات عالية الجودة، أو لا يمكنك تحليلها وتفسيرها بشكل صحيح، فلن تتمكن من تحقيق أقصى استفادة من محرك التوصية. لضمان أفضل جودة للبيانات، يجب أن تسأل نفسك أربعة أسئلة: ما مدى حداثتها؟ ما مقدار تدفقها ؟ ما مدى تنوعها؟ ما مدى السرعة التي يمكنك بها تغذية بيانات جديدة إلى نموذج التعلم العميق الخاص بك؟ يمكن لمحركات التوصية القائمة على التعلم العميق أن تتطلب تعقيدًا حسابيًا عاليًا. إذا كانت البيانات التي يتم إدخالها إلى النموذج أقل دقة أو قيمة، فستكون النتيجة أقل فائدة. لذلك ، قبل الاستثمار في محركات التوصية، تأكد من أن عملك على مستوى متطلبات تحليل البيانات المعقدة المطلوبة.
مشكلة "البداية الباردة": الاعتماد على بيانات العميل له سلبيات، أحدها مسألة "البداية الباردة". يحدث هذا عند دخول مستخدم جديد إلى النظام أو إضافة عناصر جديدة إلى الكتالوج، وبالتالي، سيكون من الصعب على الخوارزمية التنبؤ بذوق أو تفضيلات العميل الجديد، أو تصنيف العناصر الجديدة، مما يؤدي إلى انخفاض التوصيات الدقيقة. ومع ذلك، فإن نموذج التعلم العميق قادر على تحسين العلاقات بين العميل والمنتج من خلال تحليل سياق المنتج وتفاصيل العميل مثل أوصاف المنتج والصور وسلوكيات المستخدم. يمكنه بعد ذلك تقديم توصيات ذات مغزى لكل منتج فردي أو عميل في إطار سيناريوهات مختلفة. ينتج عن هذا مجموعة فريدة من التوصيات التي تأخذ في الاعتبار كل هذه المتغيرات. نظرًا لأن نماذج التعلم العميق هذه لا تعتمد بشكل كبير على بيانات سلوك العميل ، فهي تمثل الحل لمشكلة البداية الباردة.
عدم القدرة على التقاط التغييرات في سلوك المستخدم: لا يقف المستهلكون مكتوفي الأيدي - فهم يتصرفون ويتطورون باستمرار كأفراد وعملاء. البقاء على رأس هذه التغييرات معركة مستمرة. سيكون محرك التوصيات القوي قادرًا على تحديد التغييرات (أو علامات التغييرات الوشيكة) في تفضيلات العملاء وسلوكهم، وتدريب أنفسهم تلقائيًا باستمرار في الوقت الفعلي من أجل تقديم التوصيات ذات الصلة.
مخاوف الخصوصية: كلما زادت معرفة الخوارزمية بالعميل، زادت دقة توصياتها. ومع ذلك ، يتردد العديد من العملاء في تسليم المعلومات الشخصية، لا سيما بالنظر إلى العديد من الحالات البارزة لتسرب بيانات العملاء في السنوات الأخيرة. ومع ذلك، بدون بيانات العميل هذه، لا يمكن لمحرك التوصية أن يعمل بشكل فعال. لذلك ؛بناء الثقة بين العمل والعميل تلعب دورا كبيرا في اكتساب الثقة وعدم تخوف العميل من تسليم كثير من البيانات والتقييمات.
الخلاصة
أصبحت أنظمة التوصية شائعة جدًا الآن لدرجة أن الكثير منا يستخدمها دون معرفة ذلك ؛ نظرًا لأنه لا يمكننا البحث في جميع المنتجات أو المحتوى الموجود على موقع الويب ، يلعب نظام التوصية دورًا مهمًا في مساعدتنا في الحصول على تجربة مستخدم أفضل، بينما يعرض علينا أيضًا مزيد من المخزون الذي قد لا نكتشفه بطريقة أخرى.
يعتبر نظام التوصية فئة فرعية من نظام تصفية المعلومات الذي يسعى إلى التنبؤ بـ "التصنيف" أو "التفضيل" الذي قد يمنحه العميل لعنصر ما. الهدف من نظام التوصية هو إنشاء توصيات ذات مغزى لمجموعة من العملاء للعناصر أو المنتجات التي قد تهمهم. من المكونات المهمة لأي من هذه الأنظمة وظيفة المُقترح، والتي تأخذ معلومات حول العميل وتتنبأ بالتقييم الذي قد يعينه العميل لمنتج ما. إن توقع تقييمات العملاء، حتى قبل أن يقدمها العميل بالفعل، يجعل أنظمة التوصية أداة قوية. تعد الاقتراحات الخاصة بالكتب على Amazon، أو الأفلام على Netflix، أمثلة واقعية لتشغيل أنظمة التوصية ذات القوة الصناعية. وتتضمن بعض الأمثلة على أنظمة الاقتراحات مقاطع الفيديو الموصي بها على YouTube، والموسيقى على Spotify، وموجز الأخبار على Facebook، وإعلانات Google.
المصادر
An In-Depth Guide to How Recommender Systems Work
7 Critical Challenges of Recommendation Engines
دكتورة أروى يحيى الأرياني
أستاذ مشارك - تكنولوجيا المعلومات
باحث ومستشار أكاديمي
أضغط هنا "Dr. Arwa Aleryani-Blog " لتسجيل متابعة، حتى يصلك الجديد من المدونة الأكاديمية.
