
نقش سیستم توصیهگر در بهبود تجربه کاربری
اگر قصد تحقیق درمورد رفتار مشتری در زمان خرید را داشته باشید و تعداد افرادی را که از خرید لذت نمیبرند را پیدا کنید، میتوانید تعداد افراد خیلی کمی را به این منظور پیدا کنید. اما اگر بخواهید تعداد افرادی که تنهایی خرید کردن را دوست ندارند به دست بیاورید، موفقتر خواهید بود. هرکسی که قصد خرید داشته باشد، دوست ندارد این کار را به تنهایی انجام دهد. این عادت داشتن همراه هنگام خرید، از بیرون ممکن است فقط یکی از رفتار شخصیتی انسان به عنوان یک حیوان اجتماعی باشد اما از لحاظ روانشناختی موضوع متفاوتتر است. سیستم توصیه کننده نیز مانند یک همراه در زمان خرید آنلاین در کنار شما خواهد بود.
خرید سنتی در مقابل تجربه خرید امروزی
همه ما از بچگی تنهایی خرید کردن را دوست نداشتیم و بیشتر مایل بودیم یک همراه داشته باشیم. برای مثال خرید لباس را در نظر بگیرید. ما همیشه به دنبال نظر و توصیه فرد دیگری بودهایم. این فرد در کودکی میتوانست خواهر و برادر ما باشد یا در زمان دانشگاه از دوستان خودمان میخواستیم که درمورد لباسهایی که میخریم نظر بدهند. لباس خریدن معمولا یک کار چند ساعته و یا یک روزه بود. با این وجود با گذشت زمان و ایجاد فروشگاههای اینترنتی این موضوع تغییر کرد و خرید لباس خیلی سادهتر شد. اما یک موضوع هنوز هم ثابت مانده است: ما هنوز به توصیه و نظر یک نفر نیاز داریم.
اخیرا خرید لباس زمان خیلی کمتری میبرد و فقط با چند کلیک میتوانید لباسهای خودتان را تهیه کنید. توصیهها و نظرات به شکل ایمیل و یا تبلیغات آنلاین دیده میشوند. این توصیهها به صورت اختصاصی برای شما تهیه شدهاند. آخرین کیفی که من به صورت آنلاین خریدم فقط 5 دقیقه وقتم را گرفت در صورتی که اگر به صورت سنتی خرید میکردم باید چندین ساعت برای خرید این کیف وقت میگذاشتم. اما این بار چندین توصیه خوب برای انتخاب کیف دستی به ایمیل من فرستاده شده بود و تنها کاری که من باید انجام میدادم این بود که روی یکی از آنها کلیک کنم و پس از پرداخت منتظر باشم که آن را برایم ارسال کنند. نکتهای که وجود داشت این بود که من کیف دستی قبلی خودم را هم به صورت آنلاین خریده بودم و آنها دقیقا میدانستند من چه چیزهایی دوست دارم و چه چیزهایی را دوست ندارم.
سیستم توصیه کننده چیست؟
سیستم توصیه کننده یکی از مفاهیم هوش مصنوعی است که اخیرا توجهات زیادی را به خودش جلب کرده است. این سیستم یکی از بهترین ابزارهای بازاریابی به خصوص برای کسب و کارهای آنلاین است و یکی از روشهای کلی برای افزایش سود نهایی است.
سیستمهای توصیه کننده که با نام موتور توصیهگر نیز شناخته میشوند در ابتدا در صنعت خرده فروشی، به خصوص خرده فروشیهای آنلاین محبوب شدند و وظیفه آنها ارائه توصیههای شخصی برای هر کاربر بود. یکی از متداولترین نمونههای این سیستم در وبسایت آمازون و در قسمتی تحت عنوان “Customers Who Bought This Also Bought…” دیده میشود. سیستم توصیه کننده یک فروشنده باهوش و پیچیده است که سلیقه و سبک موردنظر مشتری را میداند و به منظور افزایش امکان مطالعه پیشنهادهایی به او میدهد که بیشتر دوست دارد. با اینکه این تکنولوژی اولین بار در فروشگاههای آنلاین مورد استفاده قرار گرفت، اخیرا در بخشهای دیگر و به خصوص رسانه نیز محبوبیت آن در حال افزایش است. برای مثال میتوان به ویدئوهای توصیه شده یوتیوب اشاره کرد. صنعتهای دیگر نیز در حال استفاده از سیستم توصیه کننده هستند. برای مثال در صنعت حمل و نقل Waze از آن برای سیستمهای ناوبری هوشمند خودش استفاده میکند و IBM نیز اخیرا در سیستمهای کنترل ترافیک به استفاده از این تکنولوژی روی آورده است.
تعریف سیستم توصیه کننده
F.O. Isinkaye در یک مقاله تحت عنوان “سیستمهای توصیهگر: اصول، متدها و تکامل” یک سیستم توصیه کننده را اینگونه شرح میدهد:
سیستمهای توصیه کننده سیستمهای فیلترکننده اطلاعاتی هستند که مشکلات سربار اطلاعات را از طریق فیلتر کردن بخشی از اطلاعات ضروری از کل اطلاعات موجود براساس علایق، ترجیحات و یا رفتار کاربر برطرف میکنند. یک سیستم توصیه کننده میتواند براساس پروندهی کاربر پیشبینی کند که آیا او یک کالای خاص را دوست خواهد داشت یا خیر!
نمونههای سیستم توصیه کننده
در ادامه برخی از نمونههای یک سیستم توصیه کننده را مشاهده میکنید:
- فیسبوک: افرادی که ممکن است بشناسید
- نتفلیکس: فیلمهایی که ممکن است دوست داشته باشید
- لینکدین: شغلهایی که ممکن است به آنها علاقمند باشید
- Waze: بهترین مسیر
نحوه کار سیستم توصیه کننده
سیستم توصیه کننده براساس الگوریتمهایی فعالیت میکند که از دادههای گذشته یاد میگیرند. این دادهها میتواند درمورد محصولاتی باشد که کاربر دوست داشته است و یا درمورد محصولاتی باشد که کاربر در گذشته آنها را خریداری کرده است. همچنین این دادهها میتوانند براساس اقلام موردعلاقه یا خریداری شده توسط کاربران مشابه هم باشد. یک سیستم توصیه کننده براساس معیارهایی که برای آن در نظر گرفته شده است به یکی از اشکال زیر عمل خواهد کرد.
فیلتر مشارکتی
فیلتر مشارکتی یکی از تکنیکهایی است که در سیستمهای توصیه کننده مورد استفاده قرار میگیرد. در این تکنیک، سیستم آیتمهایی که یک کاربر ممکن است دوست داشته باشد را براساس واکنش کاربران مشابه فیلتر میکند. این کار با جستجوی گروه زیادی از کاربران آغاز میشود و سپس با پیدا کردن یک مجموعه کاربر که علایق آنها شباهت بیشتری به کاربر موردنظر دارد ادامه مییابد. در انتها سیستم تمام این کاربران را با یکدیگر تلفیق میکند و یک لیست ردهبندیشده از آنها آماده میکند. روشهای زیادی برای انتخاب کاربران مشابه و تلفیق آنها وجود دارد که بسته به هر سیستم ممکن است متفاوت باشند.
فیلتر محتوایی
این نوع فیلتر براساس کالاهای موردعلاقه کاربر و کلمات کلیدی که برای توصیف هر کالا مورداستفاده قرار گرفته است انجام میشود. همچنین این فیلتر علایق کاربر را هم در نظر میگیرد.
فیلتر ترکیبی
محبوبیت این نوع فیلتر در حال افزایش است و ترکیبی از دو روشی است که در بالا به آنها اشاره شد.
جمعبندی
سیستم توصیه کننده همراه هر کاربر در زمان خرید است. این سیستمها انتخابهایی کاملا شخصیسازی شده براساس نیاز کاربر به او ارائه میدهند.
اخیرا این سیستم بیشتر در خردهفروشیهای آنلاین و صنعت رسانه از آن استفاده میشود اما در حال ورود به صنعت حمل و نقل نیز میباشد. همچنین این سیستم در حال ورود به سرویسهای مالی و مراقبت از سلامت نیز میباشد.
بدون شک سیستمهای توصیهکننده محبوبیت بیشتری کسب میکنند و تبدیل به یکی از عناصر ضروری در عصر جدید خواهند شد. بهتر است کسب و کارها استفاده از این سیستمها را یاد بگیرند تا بتواند تجربه کاربری خیلی بهتری را برای مشتریان خودشان به ارمغان بیاورند.
در صورتی که هرگونه سوالی در این مورد برای شما پیش آمده است، آن را با ما در میان بگذارید، کارشناسان نت رات در اسرع وقت با شما تماس میگیرند.