كيف يتم استخدام الخوارزميات في التسويق؟

[hmonower998]

يتيح لنا تحليل سلوك العملاء ملاحظة أنماط معينة. وبالنظر إلى أن لدينا كميات هائلة من البيانات المتعلقة بمصادر حركة المرور، والوقت، والسلوك، والصفحات التي تمت زيارتها، وغيرها الكثير، فإننا قادرون على تحديد تلك الأنماط المرغوبة بالنسبة لنا وتلك التي لا نريدها.

تعتبر الخوارزميات المستخدمة في أدوات MarTech جيدة جدًا في اكتشاف هذه الأنماط، وبناءً على المعرفة المكتسبة، تؤثر على سيناريوهات سلوكية معينة بحيث يتم تنفيذ تلك السيناريوهات الإيجابية بالنسبة لنا.

وبدعم من هذه المعرفة، يمكن للخوارزمية تخصيص اتصالات موقعنا على الويب بناءً على الدوافع المحتملة لكل زائر. يتيح لنا اكتشاف النوايا تقديم المعلومات والمنتجات بشكل أفضل.

تشبه هذه الخوارزميات إلى حد ما، ولكنها أكثر تعقيدًا، الخوارزميات التنبؤية المستخدمة لإنشاء توصيات على مواقع مثل Amazon وNetflix. ويقدر المحللون أن 35% مما يشتريه الأشخاص على أمازون و75% مما يشاهدونه على نتفليكس يعتمد على هذه الخوارزميات.

تعمل هذه الخوارزميات أيضًا من خلال تحليل السلوك السابق (على سبيل المثال، ما اشتريته أو شاهدته) وسلوك الآخرين (على سبيل المثال، ما اشتراه أو شاهده الأشخاص الذين اشتروا أو شاهدوا نفس الشيء). مفتاح نجاح هذه الخوارزميات هو نطاق البيانات المتاحة. من خلال تحليل السلوك السابق للمستهلكين المماثلين، تكون هذه الخوارزميات قادرة على تقديم توصيات من المرجح أن يتم تقديمها.

تصفية المجموعة
تعد التصفية التعاونية (CF) وتعديلاتها إحدى خوارزميات التوصية الأكثر استخدامًا. حتى المبرمجين المبتدئين يمكنهم استخدامه لإنشاء رقم هاتف إيطالي نظام توصيات الأفلام أو المنتجات أو الإعلانات الخاصة بهم .

تستخدم الخوارزمية تعلم قواعد الارتباط .

عندما نريد أن نوصي أحد المستخدمين بشيء ما، فإن الشيء الأكثر منطقية هو العثور على أشخاص لديهم اهتمامات مماثلة، وتحليل سلوكهم والتوصية بالمنتجات التي يفضلها المستخدمون المماثلون. ومن ناحية أخرى، يمكننا إلقاء نظرة على العناصر المشابهة لتلك التي اشتراها المستخدم مسبقًا والتوصية بعناصر مماثلة.

وهذان هما النهجان الأساسيان. CF، أي تصفية المجموعة على أساس المستخدم وتصفية المجموعة على أساس العنصر في منتجات هذه الحالة. في كلتا الحالتين، تتكون خوارزمية التوصية من خطوتين:

اكتشف عدد المستخدمين/العناصر الموجودة في قاعدة البيانات المشابهة لمستخدم/عنصر معين.
قم بتقييم المستخدمين/العناصر الأخرى للتنبؤ بحجم القيمة التي ستعطيها لمستخدم هذا المنتج، مع الأخذ في الاعتبار الوزن الإجمالي للمستخدمين/العناصر الأكثر تشابهًا مع هذا المنتج.
لسوء الحظ، هذا النوع من الخوارزميات له عيب. نحن نتحدث عن ما يسمى فقاعات المعلومات. ومن خلال الاعتماد فقط على التوصيات، فإننا سنحبس أنفسنا في فقاعات المعلومات هذه. لن نجرب أبدًا أي شيء جديد، أو أي شيء لا يتناسب مع الأنماط المخصصة لنا. شخصيا، بالنسبة لي هذا عيب كبير.

ماذا يعني "الأكثر تشابهًا" في هذه الخوارزمية؟
لدينا فقط متجه التفضيلات لكل مستخدم (صف المصفوفة R) ومتجه تقييمات المستخدمين لكل منتج (أعمدة المصفوفة R).

مستخدم باتمان حرب النجوم تيتانيك
أوليك 3 3 -
تشارلز - 2 4
علا - 5 -
الخطوات التالية:
أولاً، لنترك فقط العناصر التي نعرف قيمها في كلا المتجهين.

على سبيل المثال، إذا أردنا مقارنة أوليك وكارول، يمكننا أن نذكر أن أوليك لم يشاهد تيتانيك وكارول لم يشاهد باتمان حتى الآن، لذا يمكننا فقط قياس تشابههما في حرب النجوم.

الأساليب الأكثر شيوعًا لقياس التشابه هي تشابه جيب التمام أو الارتباطات بين متجهات المستخدم/العنصر. الخطوة الأخيرة هي أخذ وسط حسابي مرجح حسب درجة التشابه، وهذا سيسمح لنا بملء الخلايا الفارغة في الجدول.

تحلل المصفوفة
نهج آخر مثير للاهتمام يستخدم تحلل المصفوفة. هذه خوارزمية توصية أنيقة للغاية. لأنه عادة، عندما يتعلق الأمر بتحليل المصفوفة، فإننا لا نفكر كثيرًا في العناصر التي ستبقى في أعمدة وصفوف المصفوفة الناتجة. باستخدام محرك التوصية هذا، يمكننا أن نرى بوضوح أن u هو متجه الاهتمام للمستخدم i، وv هو متجه المعلمات للفيديو j.

التجميع
خوارزميات التوصية السابقة بسيطة إلى حد ما ومناسبة للأنظمة الصغيرة. حتى هذه اللحظة، اعتبرنا مشكلة التوصية بمثابة مهمة تعلم آلي خاضعة للإشراف. لقد حان الوقت لاستخدام أساليب غير خاضعة للرقابة.

تخيل أننا نقوم ببناء نظام توصيات كبير حيث يجب أن تستغرق عملية التصفية التعاونية وتحلل المصفوفة وقتًا أطول للتشغيل. الفكرة الأولى ستكون التجميع.

في بداية عملية تعلم النظام، هناك نقص في التقييمات من المستخدمين السابقين. الحل الأفضل هو إنشاء مجموعات.
لكن التجمع ضعيف بعض الشيء. لأننا نقوم بالفعل بتحديد مجموعات المستخدمين ونقترح نفس العناصر على كل مستخدم في تلك المجموعة. عندما يكون لدينا ما يكفي من البيانات، فمن الأفضل استخدام التجميع كخطوة أولى. ومن ثم، بناءً على هذه المجموعات، نقترح حلولاً فردية للعملاء الأفراد.

سيتم تعيين تفضيلات نموذجية لكل مجموعة ، بناءً على تفضيلات العملاء داخل المجموعة. سيتلقى العملاء في كل مجموعة توصيات محسوبة على مستوى المجموعة.