ما هي محركات التوصية؟

تساعد محركات التوصية المستخدمين على اكتشاف المحتوى أو المنتجات أو الخدمات التي ربما لم يجدوها بأنفسهم. تُعد هذه الأنظمة جزءًا لا يتجزأ من توليد المبيعات وتنمية المشاركة في العديد من الأعمال التجارية عبر الإنترنت، بما في ذلك مواقع التجارة الإلكترونية ومنصات بث الوسائط ومحركات البحث وشبكات التواصل الاجتماعي.

يقترح نظام التوصية الفيلم أو الفيديو التالي لمشاهدته، أو أغنية مشابهة للاستماع إليها، أو نتائج بحث ذات صلة، أو منتجاً مكملاً لطلب معين.

تلعب الاقتراحات التي تم إنشاؤها بواسطة أنظمة التوصية أيضًا دورًا حيويًا في تخصيص تجارب المستخدم. وفقًا لبحث أجرته شركة الاستشارات الإدارية McKinsey، فإن التخصيص يمكن أن يزيد الإيرادات بنسبة تتراوح بين 5% –15%. كما أن 76% من العملاء يشعرون بالإحباط عندما لا يتم التفاعل معهم بشكل شخصي.

يتزايد حجم سوق أنظمة التوصية. في عام 2024، يُقدّر حجم سوق محركات التوصية بـ 6.88 مليار دولار أمريكي، ومن المتوقع أن يتضاعف حجم السوق ثلاث مرات في غضون 5 سنوات.

لاستهداف المستخدمين بالاقتراحات المناسبة، يدمج محرك التوصيات بين علم البيانات والتعلم الآلي.

تعمل أنظمة التوصية عادةً على 5 مراحل للتنبؤ بالتوصيات الأكثر دقة:

تختلف أنظمة التوصية بناءً على طريقة التصفية التي تستخدمها. هناك بشكل عام 3 أنواع من محركات التوصية:

يقوم نظام التصفية التعاوني بتصفية الاقتراحات استنادًا إلى تشابه مستخدم معين مع الآخرين. تعتمد أنظمة التوصية التعاونية على بيانات صريحة وضمنية وتفترض أن المستخدمين الذين لديهم تفضيلات مماثلة من المحتمل أن يكونوا مهتمين بنفس العناصر ويحتمل أن يتفاعلوا معها بطرق مماثلة في المستقبل.

على سبيل المثال، تستخدم أمازون التصفية التعاونية لتوصيات منتجاتها، تمامًا كما تفعل Spotify لمحتواها الصوتي.

يمكن لأنظمة التوصية التي تعمل بالتصفية التعاونية تقديم اقتراحات فعالة ولن تحتاج عادةً إلى أوصاف تفصيلية للعناصر. ومع ذلك، فإن التصفية التعاونية عرضة أيضًا لمشكلة البداية الباردة، والتي تحدث عندما يكون لدى النظام بيانات تاريخية محدودة للاستفادة منها، خاصةً بالنسبة للمستخدمين الجدد.

هناك نوعان رئيسيان من أنظمة التصفية التعاونية: القائمة على الذاكرة والقائمة على النموذج.

تمثل الأنظمة القائمة على الذاكرة المستخدمين والعناصر كمصفوفة. إنها عبارة عن امتداد لخوارزمية الجار الأقرب (KNN) لأنها تهدف إلى العثور على "أقرب جيران" لهم، والذين يمكن أن يكونوا مستخدمين مشابهين أو عناصر مشابهة. تنقسم الأنظمة القائمة على الذاكرة إلى نوعين:

• التصفية المستندة إلى المستخدم تحسب أوجه التشابه بين مستخدم معين وجميع المستخدمين الآخرين في المصفوفة. يتم حساب دوال التشابه المستندة إلى المستخدم بين الصفوف في مصفوفة عنصر المستخدم.

• التصفية القائمة على العناصر تحسب تشابه العناصر من خلال سلوك المستخدمين (كيفية تفاعل المستخدمين مع العناصر وليس سماتها). يتم حساب الدوال المستندة إلى العناصر بين الأعمدة في مصفوفة المستخدم-العنصر.

بدلاً من ذلك، تقوم الأنظمة القائمة على النموذج بإنشاء نموذج تنبؤي للتعلم الآلي للبيانات. تعمل مصفوفة المستخدم والعنصر كمجموعة بيانات التدريب للنموذج، والتي تنتج بعد ذلك تنبؤات للقيم المفقودة، أي العناصر التي لم يعثر عليها المستخدم بعد وبالتالي سيتم التوصية بها.

يعد عامل المصفوفة أحد أكثر خوارزميات التصفية التعاونية القائمة على النموذج استخدامًا. تُحلل طريقة تقليل الأبعاد هذه مصفوفة المستخدم والعنصر الكبيرة غالبًا إلى مصفوفتين أصغر حجمًا—مصفوفة للمستخدمين وأخرى للعناصر—مع تحديد عدد قليل من الأبعاد. ثم يتم ضرب المصفوفتين معًا للتنبؤ بالقيم المفقودة (أو التوصيات) في المصفوفة الأكبر.

هناك تنفيذ أكثر تقدماً لعلم تحليل المصفوفات يستخدم الشبكات العصبية للتعلم العميق. تستخدم الأنظمة الأخرى القائمة على النماذج خوارزميات التعلم الآلي مثل مصنفات بايز والتجميع و أشجار القرار.

يقوم نظام التصفية القائم على المحتوى بتصفية التوصيات استنادًا إلى ميزات العنصر. تفترض أنظمة التوصية المستندة إلى المحتوى أنه إذا أعجب المستخدم بعنصر معين، فسوف يعجبه أيضًا عنصر آخر مشابه. تأخذ التصفية القائمة على المحتوى في الاعتبار أوصاف العناصر مثل اللون والفئة والسعر والبيانات الوصفية الأخرى المعينة بواسطة الكلمات المفتاحية والعلامات، إلى جانب البيانات الصريحة والضمنية.

تمثل أنظمة التصفية القائمة على المحتوى العناصر والمستخدمين كمتجهات في فضاء متجه. تستخدم القرب لتحديد التشابه بين العناصر. كلما اقترب متجهان من بعضهما في الفضاء، كلما كانا متشابهين أكثر. سيتم التوصية بالمتجهات المشابهة للعناصر السابقة وفقًا للميزات المتوفرة بها للمستخدم.

تقوم أدوات التوصية القائمة على المحتوى بتطبيق مصنف أو نموذج انحدار قائم على المستخدم. تعمل أوصاف وميزات العناصر التي يهتم بها المستخدم كمجموعة بيانات التدريب الخاصة بالنموذج، والتي تنتج بعد ذلك تنبؤات للعناصر الموصى بها.

يمكن تحسين أنظمة التوصية القائمة على المحتوى بشكل أكبر عن طريق استخدام علامات معالجة اللغة الطبيعية . ومع ذلك، يمكن أن تكون عملية وضع العلامات هذه شاقة بالنسبة لكميات هائلة من البيانات.

على عكس التصفية التعاونية، فإن مشكلة البداية الباردة تعتبر أقل خطورة نظرًا لأن التصفية القائمة على المحتوى تعتمد على خصائص البيانات الوصفية بدلاً من تفاعل المستخدم السابق. ومع ذلك، يمكن أن تكون التصفية القائمة على المحتوى محدودة في استكشاف عناصر جديدة، لأنها غالباً ما تقترح عناصر مشابهة لما أعجب المستخدمين سابقاً.

كما يوحي اسمها، يدمج نظام التوصية الهجين بين التصفية التعاونية والتصفية القائمة على المحتوى.

نتيجة لذلك، يمكن للنهج الهجين أن يعزز بشكل كبير أداء محرك التوصية، ولكنه يتطلب بنى متقدمة وقوة حاسوبية مكثفة.

تستخدم Netflix، على سبيل المثال، نظام توصية هجين لتوصيات الأفلام والبرامج التلفزيونية.

يمكن لمحرك التوصية أن يحقق قيمة لكل من الشركات والمستخدمين. فيما يلي بعض المزايا التي يمكن أن تكتسبها المؤسسات من الاستثمار في أنظمة التوصية:

توفر التوصية بالمنتج أو الخدمة المناسبة وقت المستخدمين من التمرير إلى ما لا نهاية من خلال كتالوج شامل. على سبيل المثال، يأتي 80٪ مما يشاهده المشاهدون على Netflix من اقتراحات مدعومة بخوارزميات التوصية. علاوة على ذلك، يؤدي اقتراح المحتوى ذي الصلة إلى تجارب مخصصة.

وفقًا لبحث أجرته شركة McKinsey، فإن تحسين تجربة العملاء يؤدي إلى زيادة رضا العملاء بنسبة 20% على وجه الدقة. يصبح العملاء الراضون أكثر تفاعلًا ويطورون الولاء تجاه العلامة التجارية، مما يُمَكِّن المؤسسات من بناء الثقة والاحتفاظ بالمزيد من العملاء.

يشجع تقديم توصيات مخصصة المستخدمين على عرض المزيد من العناصر والنقر عليها، مما قد يؤدي في النهاية إلى تحويل المستخدمين إلى مشترين. وجدت McKinsey زيادة تتراوح بين 10% –15% في معدلات تحويل المبيعات من تجارب العملاء الأكثر إيجابية وتخصيصاً.

تؤدي تحويلات العملاء إلى زيادة المبيعات، وتؤدي المبيعات إلى زيادة الإيرادات. تلاحظ McKinsey أن 35% مما يشتريه المتسوقون على Amazon يأتي من توصيات المنتج. وفي الوقت نفسه، تُقدِّر Netflix الوفورات التي حققتها بأكثر من مليار دولار أمريكي بسبب نظام التوصية.

أنظمة التوصيات لها حدودها وتشكل تحديات للمؤسسات. فيما يلي بعضاً من أكثرها شيوعاً:

تستلزم محركات التوصيات تحليل كميات هائلة من البيانات وتصفيتها. وهذا يتطلب بنى معقدة واستثماراً كبيراً في موارد الحوسبة.

يجب أن تكون أنظمة التوصية سريعة بما يكفي لتحديد التوصيات الصحيحة وعرضها في الوقت الفعلي. ويصبح هذا الأمر أكثر صعوبة عندما يتم تقديم اقتراحات في الوقت الفعلي لمئات أو آلاف المستخدمين في وقت واحد، ناهيك عن الملايين منهم.

يمكن أن يؤدي تحسين خوارزميات التعلم الآلي حول المقاييس الخاطئة إلى توصيات غير ذات صلة. قد يتم اقتراح العناصر التي غالبًا ما يتم تقييمها بشكل متكرر أكثر من العناصر الجديدة أو المغمورة أو تلك التي تحتوي على تقييمات أقل. ومع ذلك، قد لا تكون العناصر الأكثر شيوعًا أو الأكثر شراءً هي ما يهتم به العملاء.

قد تتعلم خوارزميات التعلم الآلي التحيزات المجتمعية الموجودة في البيانات—سواء كانت البيانات المجمعة أو البيانات الموسومة أو بيانات التدريب أو مصادر البيانات الخارجية—أو من المقيّمين البشريين الذين يضبطون النموذج. وقد يؤدي هذا إلى توصيات غير دقيقة.

قد يختار بعض المستخدمين عدم المشاركة في مبادرات جمع البيانات الخاصة بالمؤسسة لأنظمة التوصيات بسبب مخاوف تتعلق بالخصوصية. قد تحتاج الشركات أيضًا إلى مراعاة المتطلبات التنظيمية ومعايير الامتثال عند جمع البيانات وتخزينها.

فيما يلي بعض الطرق التي يمكن للمؤسسات من خلالها استخدام أنظمة التوصية. قد تظهر حالات استخدام وتطبيقات أخرى مع تطور تقنية التوصية.