موتورهای پیشنهادکننده سیستم‌های پیشرفته فیلتر محتوا هستند که پیش‌بینی می‌کنند که کاربران احتمالاً به کدام محتوا، محصول یا خدمات علاقه یا نیاز دارند. تقریباً همه‌ی کاربران اینترنت هر روزه با حداقل یک موتور پیشنهادکننده روبه‌رو می‌شوند. زمانی که در یوتوب با «ویدئوهای مشابه» یا در فروشگاه‌های اینترنتی با «کالاهای مشابه» روبه‌رو می‌شوید، در واقع با یک موتور پیشنهادکننده روبه‌رو شده‌اید.
موتورهای پیشنهادکننده (که توصیه‌گر نیز نامیده می‌شوند) یک ویژگی دو سر بُرد برای کسب‌وکار و مشتریان آن‌ها به حساب می‌آیند. مشتریان از سطح شخصی‌سازی و کمکی که بهشان شده رضایت خواهند داشت و کسب‌وکار نیز با اینگیجمنت و فروش بیشتری مواجه خواهد شد.
اما باید دقت کرد که پیش‌بینی و توصیه دقیق، به سادگی امکان‌پذیر نیست. کسب‌وکارها باید بر روی ابزارهای جمع‌آوری و تحلیل داده سرمایه‌گذاری کنند تا قادر باشند حجم بالایی از دیتا را تحلیل کرده و الگوهای رفتاری مشتریان را شناسایی کنند. تنها در این صورت است که می‌توانند از ارزش واقعی دیتای مشتریان خود بهره ببره ببرند و سیستم‌های توصیه‌گری را به کار بگیرند که به صورت مستقیم بر افزایش درآمد آن‌ها تأثیرگذار است.
موتور پیشنهادکننده (Recommendation Engine) چیست؟
موتور پیشنهادکننده ابزاری است که با استفاده از مدل‌های پیش‌بینی کننده به کسب‌وکارها کمک می‌کند تا خواسته‌ها و نیازهای مشتریان خود را پیش‌بینی کنند. این موتورها از یادگیری ماشین (ML) و مدل‌سازی آماری برای ایجاد الگوریتم‌های پیشرفته بر اساس داده‌های رفتاری منحصربه‌فرد مشتریانِ کسب‌وکار استفاده می‌کنند. نتایجی که این موتورها ارائه می‌دهند، ترکیبی از موارد زیر است:
- رفتار گذشته و تاریخچه مشتری
- رتبه محصول بر اساس نظر مشتریان
- رفتار و تاریخچه مشتریان مشابه
توصیه‌ها زمانی به دقیق‌ترین حالت خود می‌رسند که کسب‌وکار حجم بالایی از داده‌ها را در اختیار داشته باشد. هر چه کاربران فعال تعدادشان بیشتر باشد، دیتای بیشتری برای تحلیل رفتار و ترجیحات آن‌ها در اختیار شما خواهد بود.
با این حال، هر دیتایی که جمع‌آوری می‌شود لزوماً مرتبط یا قابل اتکا نخواهد بود. توصیه‌ای که بر مبنای دیتای بد انجام شده باشد، مشخصاً دقیق و مفید نخواهد بود. اولین قدم در ساختن یک موتور پیشنهادکننده کارآمد، داشتن یک استراتژی مدیریت دیتای مناسب و ابزار تحلیل قوی است تا بتوانید دیتا را به شکل مناسب جمع‌آوری کنید و پیش از استفاده آن را تأیید نمایید. پلتفرم داده مشتریان دیپین یکی از ابزارهای مدرن و قدرتمندی است که برای جمع‌آوری داده مشتریان خود می‌توانید از آن استفاده کنید.
انواع موتورهای پیشنهادکننده و نحوه کار آن‌ها
موتورهای پیشنهادکننده مختلف از روش‌های متنوعی برای پیش‌بینی استفاده می‌کنند. توصیه‌گرها معمولاً با استفاده از یکی از سه نوع فیلتر دیتا به نتیجه می‌رسند: مبتنی بر محتوا، فیلتر مشارکتی و یا ترکیبی از این دو.
فیلتر مبتنی بر محتوا (Content-based filtering)
این نوع فیلتر معمولاً در توصیه‌گرهای «اقلام مشابه» استفاده می‌شود. توصیه‌گرهای مبتنی بر محتوا، پیش‌بینی خود را بر اساس کیفیت و ویژگی‌های محصول یا خدمت ارائه شده انجام می‌دهند. در این نوع سیستم‌ها، هر کدام از محصولات یک سری ویژگی‌هایی دارند که بر همان اساس می‌توان آن‌ها را با بقیه محصولات مقایسه کرد.
مثلاً یک خرده‌فروشی آنلاین که در زمینه فروش محصولات غذایی فعالیت می‌کند، می‌تواند ویژگی‌های زیر را به محصولاتش نسبت دهد:
- نوع غذا (مثلاً میوه یا غلات)
- مزه تثبیت شده (مثلاً تلخ یا شیرین)
- ظرف نگهدارنده (مثلاً جعبه یا قوطی)
- برند
سپس توصیه‌گر اقلامی را که قبلاً توسط کاربر خریداری شده یا کالاهایی که در حال حاضر در سبد خرید اوست را با سایر موارد مشابه یا مرتبط مقایسه می‌کند. هر کدام از این ویژگی‌ها به عنوان یک تگ در نظر گرفته می‌شود. هر چه که تعداد تگ‌ها بیشتر تکرار شود، محصولات مرتبط با آن در رتبه بالاتر (مهم‌تر) قرار می‌گیرند و بالعکس. این رتبه‌بندی مشخص می‌کند که کدام محصول در ابتدای لیست توصیه‌ها قرار می‌گیرد.
سیستم‌های مبتنی بر محتوا به دیتای دیگر کاربران برای پیش‌بینی کردن نیازی ندارند. بلکه پیش‌بینی را بر اساس مشابهات موجود در رفتار خود کاربر و تاریخچه خریدهای قبلی او انجام می‌دهند.
یکی از معایب این نوع سیستم، نیاز بالای آن‌ها به نگهداری و به‌روزرسانی مرتب است. ویژگی‌ها باید مرتباً به‌روزرسانی شوند. ضمن این که خود این ویژگی‌هایی که به محصولات نسبت داده می‌شود، باید دقیق باشند.
فیتر مشارکتی (Collaborative filtering)
این فیلتر در توصیه‌گرهایی استفاده می‌شوند که به صورت «آن‌هایی که این سریال را تماشا کرده‌اند، به این سریال‌ها نیز علاقه داشته‌اند» یا «آن‌هایی که این محصول را خریده‌اند، به این محصولات نیز علاقه داشته‌اند» عمل می‌کنند. فیلتر مشارکتی بر اساس دیتای رفتاری بقیه کاربران و شباهت بین کاربر و دیگران، پیش‌بینی می‌کند که او به چه اقلامی علاقه دارد. در واقع بر خلاف توصیه‌گر مبتنی بر محتوا که تلاش می‌کند تا محصولات مورد علاقه کاربر را به محصولات دیگر ربط دهد، این سیستم سعی می‌کند تا با استفاده از تشابهات میان پروفایل کاربران، محصولات مورد نظر آن‌ها را پیش‌بینی کند.
به طور مثال، یک سرویس استریمینگ را در نظر بگیرید. زمانی که شما به این سرویس مراجعه می‌کنید و به دنبال یک فیلم هستید، دیتاهای زیر را در اختیار آن قرار داده‌اید:
- فیلم‌هایی که قبلاً دیده‌اید
- فیلم‌هایی که انتخاب کرده‌اید ولی تماشا نکرده‌اید
- فیلم‌هایی که به صفحه‌شان سر زده‌اید
- تاریخچه جست‌وجو
- نمره‌ای که به فیلم‌ها داده‌اید
بر اساس این مجموعه دیتا، سیستم توصیه‌گر یک پروفایل برای شما می‌سازد. سپس پروفایل شما را با پروفایل کاربران مشابه که رفتاری مانند شما داشته‌اند، مقایسه می‌کند. پیش‌بینی نهایی در واقع فیلم‌هایی خواهد بود که این کاربران مشابه مشاهده کرده‌اند و از آن لذت برده‌اند (به محتوای فیلم و ویژگی‌های آن توجه نمی‌شود).
همانطور که مشخص است، این نوع سیستم برای انجام پیش‌بینی به ویژگی‌های محصول نیازی ندارد. بنابراین داشتن چنین سیستمی در مقایسه با سیستم مبتنی بر محتوا، زمان کمتری از شما می‌گیرد. با این حال معایبی هم دارد. ممکن است یک فیلمی که شما احتمالاً به آن علاقه‌مند هستید، توسط هیچ کاربر دیگری مشاهده نشود. بنابراین این فیلم هیچ وقت به شما توصیه نمی‌شود.
فیلتر هیبریدی (Hybrid filtering)
در این شیوه تلاش شده تا با ترکیب دو متد قبلی، معایب هر کدام برطرف شود. به این ترتیب می‌توان گفت که بهترین نوع سیستم‌های توصیه‌گر محسوب می‌شود.
فیلترهای مبتنی بر محتوا برای پیشنهاد دادن بر مبنای علایق فعلی کاربر بسیار مناسب هستند. اما این نوع سیستم نمی‌تواند علایقی که کاربر آن‌ها را بروز نداده را پیش‌بینی کند. مثلاً ممکن است کاربر به گروهی از محصولات علاقه داشته باشد اما هیچگاه به صفحات آن‌ها سر نزده باشد یا از آن‌ها خرید نکرده باشد.
در سیستم‌های هیبریدی این مشکل با اضافه کردن فیلتر مشارکتی حل می‌شود. فیلتر مشارکتی با مقایسه کاربران مشابه، محصولات و اقلامی را که کاربران مشابه به آن علاقه نشان داده‌اند را به کاربر پیشنهاد می‌کند.
در مقابل، فیلتر مبتنی بر محتوا شکاف موجود در فیلتر مشارکتی را برطرف می‌کند. اگر هیچ دیتایی از کاربران مشابه وجود نداشته باشد، سیستم بر اساس ویژگی‌های اقلامی که کاربر آن‌ها را خریده یا به آن‌ها علاقه نشان داده، محصولاتی را توصیه می‌کند.
موتورهای پیشنهادکننده چگونه مورد استفاده قرار می‌گیرند؟
کاری که موتورهای پیشنهادکننده برای کاربران انجام می‌دهند، فراتر از بهبود تجربه آن‌هاست. تخمین زده می‌شود که در سال ۲۰۲۱، ۳۹ درصد از کل کسب‌وکارها از تحلیل‌های پیش‌بینی کننده استفاده کرده‌اند که افزایشی ۱۱ درصدی را نسبت به سال ۲۰۱۸ نشان می‌دهد. هر روزه کسب‌وکارهای بیشتری به سمت استفاده از سیستم‌های توصیه‌گر حرکت می‌کنند تا بتوانند تجربه کاربران خود را شخصی‌سازی کنند. نظرسنجی‌ها نیز نشان می‌دهد که ۸۰ درصد از کاربران تمایل دارند تا از کسب‌وکارهایی خرید کنند که تجربه‌ای شخصی‌سازی شده برای آن‌ها فراهم می‌کنند.
سیستم توصیه‌گری که به شکل اصولی طراحی شده باشد، به کسب‌وکارها کمک می‌کند تا مشتریانشان را با محصولاتی که احتمالاً به آن‌ها علاقه‌مند هستند، آشنا کنند. ضمن این که احتمال فروش مکمل (cross selling) نیز افزایش می‌یابد و در نهایت موجب افزایش درآمد کسب‌وکار می‌شود.