توصيات المنتجات المدعومة بالذكاء الاصطناعي التي تحقق تحويلات فعلية: تجاوز التصفية التعاونية

استبدل أحد متاجر الأزياء محرك التوصيات القائم على التصفية التعاونية بنموذج تعلم عميق يدمج سياق التصفح والتشابه البصري وسلوك الجلسة في الوقت الفعلي. ارتفعت معدلات النقر على توصيات المنتجات من 2.8% إلى 7.1%، وقفز معدل التحويل على المنتجات الموصى بها من 1.2% إلى 3.4%. ونمت الإيرادات المنسوبة إلى التوصيات من 11% إلى 24% من إجمالي المبيعات عبر الإنترنت.

التصفية التعاونية، وهي النهج الذي يشغّل معظم محركات توصيات التجارة الإلكترونية بمنطق "العملاء الذين اشتروا X اشتروا أيضاً Y"، كانت الخيار الافتراضي لأكثر من عقدين. تعمل بشكل مقبول مع الكتالوجات الكبيرة ذات بيانات الشراء الكثيفة (بنت أمازون نظام التوصيات المبكر الخاص بها عليها). لكن بالنسبة لمعظم تجار التجزئة في السوق المتوسط، لديها قيود كبيرة تعالجها الأساليب الأحدث.

أوجه قصور التصفية التعاونية

مشكلة البداية الباردة هي القيد الأكثر وضوحاً. تحتاج التصفية التعاونية إلى سجل شراء لتقديم التوصيات. بالنسبة للمنتجات الجديدة التي لا تملك أي عمليات شراء، لا يملك النظام ما يعمل به. وبالنسبة للعملاء الجدد الذين لا يملكون سجل شراء، لا يمكنه سوى تقديم قوائم عامة بالمنتجات الأكثر مبيعاً. في التجارة الإلكترونية، حيث تُطلق منتجات جديدة أسبوعياً ويمثل الزوار الجدد 40-60% من حركة المرور، تكون هذه الفجوة كبيرة.

تعاني التصفية التعاونية أيضاً من انحياز الشعبية. فهي تميل إلى التوصية بالمنتجات الشائعة لأن هذه المنتجات تظهر في سجلات شراء أكثر. يخلق هذا حلقة تغذية راجعة: المنتجات الشائعة تحصل على توصيات أكثر، مما يدفع المزيد من عمليات الشراء، مما يجعلها تظهر في المزيد من التوصيات. نادراً ما تظهر منتجات الذيل الطويل التي قد تكون مثالية لعميل معين لأنها تفتقر إلى بيانات شراء مشترك كافية.

تُضاعف مشكلة التناثر كلا المشكلتين. حتى في موقع يضم آلاف المنتجات ومئات الآلاف من العملاء، تكون مصفوفة الشراء متناثرة للغاية. معظم العملاء اشتروا جزءاً ضئيلاً من الكتالوج، لذا فإن التداخل بين أي عميلين يكون ضئيلاً. هذا يجعل من الصعب إيجاد أنماط شراء مشترك موثوقة لأي شيء غير المنتجات الأكثر شعبية.

أخيراً، تتجاهل التصفية التعاونية السياق. فهي لا تأخذ بعين الاعتبار ما يفعله العميل الآن في جلسته. العميل الذي يتصفح أحذية الجري لمدة 20 دقيقة يجب أن يرى توصيات مختلفة عن نفس العميل وهو يتصفح الأحذية الرسمية، حتى لو كان سجل الشراء متطابقاً. التصفية التعاونية ترى فقط سجل الشراء الثابت، وليس سلوك الجلسة الديناميكي.

النهج الحديث: نماذج التعلم العميق الهجينة

تجمع أنظمة التوصيات الحديثة المتقدمة بين أنواع متعددة من الإشارات من خلال بنية تعلم عميق. تشمل المدخلات عادةً تسلسلات التفاعل (ليس فقط عمليات الشراء بل أيضاً المشاهدات والإضافة إلى السلة واستعلامات البحث والوقت المستغرق في صفحات المنتجات)، وتضمينات المنتجات التي تلتقط سمات العناصر (الفئة والعلامة التجارية والسعر والميزات البصرية المستخرجة من صور المنتجات وميزات النص من الأوصاف)، وتضمينات المستخدم التي تلتقط سمات العملاء وأنماطهم السلوكية، والإشارات السياقية مثل الوقت من اليوم ونوع الجهاز ومصدر حركة المرور ونشاط الجلسة الحالية.

يتعلم النموذج التنبؤ باحتمالية تفاعل عميل معين مع منتج معين، بناءً على جميع هذه المدخلات. أثناء الاستدلال (عند توليد التوصيات لجلسة مباشرة)، يقيّم النموذج جميع المنتجات المرشحة ويعرض أفضل N منتج حسب احتمالية التفاعل المتوقعة.

التشابه البصري هو أحد أكثر الإضافات تأثيراً لفئات الأزياء والديكور المنزلي وأسلوب الحياة. تستخرج شبكة عصبية التفافية ميزات بصرية من صور المنتجات، وتُستخدم هذه الميزات لتحديد المنتجات المتشابهة في الأسلوب أو اللون أو الجمالية. عندما يتصفح عميل طاولة قهوة من خشب الجوز بطراز منتصف القرن الحديث، يمكن لنموذج التشابه البصري أن يوصي بقطع أثاث أخرى بنفس الطراز حتى لو لم تربطها بيانات الشراء (لأن قلة من العملاء يشترون طاولات قهوة متعددة).

التخصيص في الوقت الفعلي بناءً على الجلسة

أكبر مكسب في الأداء يأتي من دمج سلوك الجلسة في الوقت الفعلي. يعالج نموذج تسلسلي (قائم على المحولات أو شبكة عصبية تكرارية) الجلسة الحالية للعميل كتدفق من الأحداث: مشاهدات الصفحات واستعلامات البحث والتنقل بين الفئات واختيارات الفلاتر ووقت البقاء على كل منتج. يُشفَّر تسلسل الجلسة هذا إلى تضمين جلسة يلتقط نية العميل الحالية.

يتحدث تضمين الجلسة مع كل إجراء يتخذه العميل. بعد مشاهدة ثلاثة فساتين زرقاء في نطاق 50-80 دولاراً، يتعلم نموذج الجلسة أن العميل مهتم بالفساتين الزرقاء في هذا النطاق السعري، وتتغير التوصيات وفقاً لذلك. يحدث هذا خلال الجلسة الحالية، دون انتظار بيانات الشراء التي تتطلبها التصفية التعاونية.

شهد أحد متاجر التجميل الذي طبّق التوصيات القائمة على الجلسة أن ملاءمة التوصيات (المقاسة بمعدل النقر) زادت تدريجياً خلال الجلسة. بعد مشاهدة صفحة واحدة، كان أداء التوصيات مشابهاً لنظام التصفية التعاونية القديم. بعد 5 مشاهدات صفحة، كانت معدلات النقر أعلى بمقدار 2.1 مرة. بعد 10 مشاهدات صفحة، كانت أعلى بمقدار 3.4 مرة. كلما تعلم النموذج أكثر عن الجلسة الحالية، تحسنت توصياته.

معالجة مشكلة البداية الباردة

بالنسبة للمنتجات الجديدة، يستخدم النموذج الهجين ميزات قائمة على المحتوى (سمات المنتج والصور والأوصاف) لتوليد توصيات أولية دون أي بيانات شراء. يمكن التوصية بفستان جديد للعملاء الذين أبدوا اهتماماً بفساتين مشابهة من حيث الأسلوب واللون والسعر والعلامة التجارية، حتى لو لم يشتره أحد بعد. مع تراكم بيانات الشراء، يمزج النموذج الإشارات التعاونية مع إشارات المحتوى، مع تحويل الوزن تدريجياً مع نضج البيانات.

بالنسبة للزوار الجدد الذين لا يملكون سجلاً، يبدأ نموذج الجلسة في الوقت الفعلي بالعمل بعد تفاعلات قليلة فقط. حتى دون معرفة هوية العميل، يكيّف النموذج التوصيات بناءً على ما يفعله الآن. أول صفحة منتج يزورها توفر إشارة ضعيفة. الثانية والثالثة توفران إشارات أقوى بكثير. بحلول الوقت الذي يتصفح فيه خمسة أو ستة منتجات، تكون التوصيات مخصصة بشكل ملحوظ حتى لزائر مجهول تماماً.

قياس جودة التوصيات

معدل النقر على التوصيات هو المقياس الأكثر تتبعاً، لكنه قد يكون مضللاً. التوصية التي تدفع النقرات دون تحويلات تولّد حركة مرور إلى صفحات لا تحقق تحويلات، وهو إهدار لمساحة قيّمة. المقاييس المهمة هي الإيرادات لكل ظهور توصية (إجمالي الإيرادات من المنتجات الموصى بها مقسوماً على إجمالي ظهورات التوصيات المعروضة)، ومعدل التحويل على المنتجات الموصى بها مقارنة بمعدل التحويل الإجمالي للموقع، وتنوع المنتجات الموصى بها (هل تعرض نفس المنتجات الأكثر مبيعاً للجميع، أم تقوم بتخصيص حقيقي؟)، وتغطية الكتالوج (ما نسبة الكتالوج التي تظهر في التوصيات خلال فترة 30 يوماً).

اختبار A/B لخوارزميات التوصيات أمر ضروري لأن المقاييس غير المتصلة (الدقة والاستدعاء وnDCG) لا ترتبط دائماً بنتائج الأعمال. النموذج الأقل دقة قليلاً في التنبؤ بالنقرات ولكنه يعرض منتجات أكثر تنوعاً قد يولّد إيرادات إضافية أكبر لأنه يساعد العملاء على اكتشاف منتجات لم يكونوا ليجدوها بطريقة أخرى.

بالنسبة لتجار التجزئة في التجارة الإلكترونية الذين لا يزالون يعتمدون على التصفية التعاونية الأساسية أو التوصيات القائمة على القواعد، فإن فجوة الأداء مقارنة بأساليب التعلم العميق الحديثة تتسع. نضجت البنية التحتية لنشر هذه النماذج بشكل كبير في العامين الماضيين، مع منصات مثل Algolia Recommend وAmazon Personalize وDynamic Yield التي تقدم خدمات توصيات مُدارة تتولى تعقيدات تدريب النماذج وتقديمها. يُقاس الاستثمار بأشهر من الإعداد وليس سنوات، وتأثير الإيرادات قابل للقياس خلال الربع الأول من النشر.