با توجه به پیشرفت تکنیکهای بازاریابی و جذب مشتری استفاده از برخی تکنولوژیها برای داشتن مزیت رقابتی در یک کسب و کار اینترنتی اللخصوص فروشگاه اینترنتی امری ضروری محسوب میشود، همانطور که در دیگر مقالات وبلاگ به آن اشاره شد، یکی از الزامات داشتن فروش بالا استفاده از سیستم ارایه ی پیشنهاد خرید میباشد.
این سیستم ها که بر اساس الگوریتمهای مختلف فعالیت میکنند سامانهی توصیهگر یا Recommender System نام دارد.
در یک خرده فروشی اینترنتی به دلیل تنوع بالای محصولات عرضه شده طبیعتا جستجوی کاربران میتواند کاری سخت و زمانبر تلقی شود، از طرفی ارایهی پیشنهادی معادل با نیاز کاربر میتواند تصمیم گیری خریدار را سهل کند و حتی باعث فروش عرضی کالا شود، در نتیجه استفاده از این ابزارها باعث سهولت در کارکرد کاربر، بهینگی تجربه کاربری همچنین افزایش رضایت خریدار میشود، البته که نباید از یاد برد استفاده غیر معقول و غیر متعارف میتواند کاملا برعکس عمل کند و باعث آزار کاربر در هنگام خرید شود، پس باید توجه داشت استفاده از این روش نباید باعث کلافگی و پیچیدگی فرایند تصمیم گیری و خرید مشتری شود.
برای شروع بهتر است کمی به عقب و تاریخچهی این تکنولوژی برگردیم.
پیشینه سامانههای توصیهگر :
تحقیق و توسعهی این سیستم به اواسط دههی 90 میلادی برمیگردد چرا که دانشمندان دریافته بودند روشی غیر از جستجو مستقیم در انباره دادههای بزرگ نیاز است.
اولین سیستمی که از این روش استفاده میکرد کامپیوتری واقع در یک کتابخانه برای پیشنهاد کتاب به نام "گراندی" بود که توانایی پیشنهاد کتاب به افراد گوناگون را دارا بود، و به نوعی گامی اولیه به سمت توصیهگرهای خودکار به شمار میرود. در ابتدا این سیستم به نوعی یک زیرشاخه از سیستم های خبره یا تصمیم یار تلقی میشد و تقریبا از همان روش برای دسته بندی علایق افراد استفاده میکرد، به صورتی که پس از پاسخگویی کاربر به سوالاتی از پیش تعیین شده، فرد پاسخگو به گروهی خاص با سلایق مشابه تعلق میگرفت و در نهایت پیشنهاد تعدادی محدود و از قبل برنامه ریزی شده کتاب را به صورت فهرست وار به کاربر ارایه میداد.
در اواخر دهه 90 میلادی سایت پیشرو Amazon.com برای بهبود کسب و کار خود در دنیای وب از این الگوریتمها استفاده کرد، این الگوریتم بر اساس تاریخچهی خرید، تاریخچه بازدید و آیتمی که کاربر در حال ملاحظه آن است کلاهایی را برای خرید پیشنهاد میداد.
پس از آن و در سال 2006 سایت Netflix الگوریتمی به نام CineMatch توسعه داد که میتوانست محتوای سینمایی را به صورت آفلاین ره گیری و به کاربر پیشنهاد دهد .
از آن سال به بعد تقریبا تمامی کسب و کارهای وب سعی در توسعه و به کارگیری بهترین سامانه پیشنهاد کالا را دارند و مداما درحال پیشرفت میباشند. لازم به ذکر است تهیه و توسعهی این الگوریتمها باعث ایجاد کمپانیهایی بزرگ شده، که اختصاصا چنین سرویسی را در اختیار کسب و کارهای اینترنتی قرار میدهند.
از این سیستمها در کسب و کارهای مختلفی استفاده میشود، از جملهی آنان تجارت الکترونیک، بنگاههای اینترنتی، کتابخانههای دیجیتال،مدیریت ارتباط با مشتری CRM ، همچنین موارد پزشکی نوین.
انواع الگوریتمهای توصیه، مزایا و معایب :
به طور کلی 3 الگوریتم توصیهگر وجود دارد .
1: محتوا محور
2: مشارکت محور
3: دانش محور
الگوریتم "محتوا محور"، اقلام پیشنهادی را با توجه به اقلامی که کاربر به آنها علاقه نشان داده در لیست پیشنهادات قرار میدهد، پس میتوان گفت در این روش تمرکز بر روی شناسایی کالا ها و اقلام فروشگاه میباشد .باید توجه داشت که در سایتها روشهای مختلفی برای ارزشگذاری کالاها در نظر گرفته شده، یکی از آنها امتیازدهی مشتریان به کالا و یا ارایهی نظر برای هر محصول میباشد، این اطلاعات در نهایت الگوی رفتاری مناسبی در اختیار الگوریتم قرار میدهد که با تکیه بر آن بیتواند با درصد بالایی از اطمینان کالای پیشنهادی مناسبی در اختیار کاربر قرار دهد. این روش قطعا همانند سایر الگوریتمها اشکالات و چالشهایی نیز دارد و آن این است که در زمان ورود یک کالای جدید به دسته محصولات نمیتوان آن کالا را ارزشگذاری و در نهایت پیشنهاد داد تا در گذر زمان و تحلیل رفتار مشتریان با آن ، کالا در گروه درست قرار گرفته و در نهایت در لیست پیشنهادات با درصد قطعیت بالا قرارگیرد.
برای گذر از مشکلات الگوریتم یاد شده ، میتوان از مدل "مشارکت محور" که به اختصار CF نامیده میشود بهره برد، این روش برخلاف روش قبل بیش از همه به مشتری و سلایق شخصی او توجه دارد، بدین صورت که به جای استفاده از محتوا به نظرات و رتبه بندیهای انجام شدهی مشتریان اهمیت میدهد. در نتیجه لیست اقلام پیشنهادی بر اساس خواستهی مشتریان مشابه و درصد رضایت آنها تدوین و ارایه میشود. البته که این روش نیر مشکلاتی به همراه دارد و آن مواجهه با کاربر تازه واردی است که اطلاعات کامل و کافی از خصوصیات مشترکش با دیگر خریداران در دسترس نیست. برای مقابله با چنین وضعیتی علاوه بر استفاده از الگوریتم "دانش محور" میتوان در زمان ثبت نام، مواردی را از کاربر برای مشخص کردن علایق شخصی او، جویا شد. البته که قطعا نباید این روش باعث طولانی شدن زمان ثبت نام کاربر شود .
از طرفی دیگر مدل سوم که اهمیت ویژه ای دارد و تا حدودی پیچیده و جدیدتر است الگوریتم دانشمحور نام دارد. در این روش لیست پیشنهاد کالا به هر مشتری از درک نیاز مشتری و نسبت آن با ویژگی هر کالا استخراج میشود، در نتیجه هم خود شخص و علایق او و هم کالا و ویژگیهای آن مورد تحلیل قرار میگیرد و به نوعی ایرادات دو روش قبل را به طور چشمگیری کاهش میدهد. برای آگاهی بیشتر قابل ذکر است این الگوریتم به دلیل استفاده از الگوریتمهای ژنتیک، شبکههای عصبی و همچنین استفاده از منطق فازی کمی پیچشدهتر است.
در پایان باید گفت به صورت غیر رسمی مدل چهارمی تحت عنوان "ترکیبی" یا Hybrid RS وجود دارد که میتواند ترکیبی قطعی از نمونههای قبلی را شامل شود و مزایای مدلها را افزایش و باعث کاهش معایب شود، جالب است بدانید در مدل ترکیبی عموما الگوریتم "مشارکت محور" حضور دارد.