كيف تختار محركات توصيات المنتجات بالذكاء الاصطناعي فعلياً ما تعرضه

التوصيات القائمة على المحتوى: مقارنة ماهية المنتج

يوصي نظام قائم على المحتوى بالمنتجات من خلال مقارنة سماتها الفعلية — الفئة، المواد، نطاق السعر، العلامات الوصفية — بما أظهر متسوق معين اهتماماً به بالفعل. إذا شاهد شخص ما زوجاً من أحذية المشي المقاومة للماء، يبحث نظام قائم على المحتوى عن منتجات أخرى تشترك في سمات ذات صلة: أحذية أخرى مقاومة للماء، معدات مشي أخرى، عناصر في نطاق سعر مماثل.

يعتمد هذا النهج عادة على معلومات متسوق واحد فقط بدلاً من الاستفادة مما فعله مجتمع العملاء الأوسع، مما يجعله أكثر قابلية للتنبؤ لكن أيضاً أكثر محدودية — يميل إلى التوصية بأشياء مشابهة لما شاهده شخص بالفعل، مما قد يعني تنوعاً أقل للمتسوق المتصفح.

الترشيح التعاوني: مقارنة ما فعله الناس

يعمل الترشيح التعاوني بشكل مختلف. تصف وثائق Google للنهج استخدامه لأوجه التشابه بين المستخدمين والعناصر في وقت واحد، متعلماً من أنماط في سلوك المجتمع بدلاً من سمات أي منتج فردي. عملياً: إذا كان العملاء الذين اشتروا نفس أحذية المشي التي اشتراها متسوقك الحالي قد اشتروا أيضاً بشكل متكرر خريطة مسار معينة أو جوارب مشي، يوصي النظام بتلك العناصر — ليس لأنها تشترك في سمات واضحة مع الأحذية، بل لأن أشخاصاً بأنماط شراء مماثلة اشتروا كلا الشيئين.

يمكن أن ينتج هذا نوع التوصية غير المتوقعة بشكل سار التي نادراً ما ينتجها نظام قائم على المحتوى، بما أنه غير محدود بالعناصر التي تشترك في سمات سطحية. المقايضة هي أنه يحتاج إلى بيانات سلوكية حقيقية ليعمل من الأساس. يعكس مزودو السحابة الرئيسيون هذا الانقسام نفسه في كيفية بنائهم لأدوات التوصية: تصف وثائق Amazon نفسها لخدمة Personalize الخاصة بها دعم كل من الخوارزميات التعاونية والقائمة على المحتوى جنباً إلى جنب، بدلاً من معاملة إحداهما كبديل عالمي للأخرى.

مشكلة البداية الباردة التي يجب على المتاجر الصغيرة التخطيط حولها

نقطة الضعف الأساسية للترشيح التعاوني هي ما يُعرف بمشكلة البداية الباردة: لا يمكنه التوصية بشكل ذي معنى بمنتج ليس له سجل شراء أو تفاعل بعد، وليس لديه الكثير للعمل عليه بالنسبة لزائر جديد تماماً لا سلوك مسجل له. بالنسبة لمتجر صغير أو أحدث بكتالوج محدود وحركة مرور متواضعة، هذه ليست حالة حدية افتراضية — إنها الوضع الطبيعي لحصة ذات معنى من المنتجات والزوار.

هذا بالضبط حيث يميل نهج قائم على المحتوى، أو نظام مختلط يعود إلى سمات المنتج عندما تكون البيانات السلوكية ضئيلة، إلى الأداء بشكل أكثر موثوقية للكتالوجات الأصغر. قد يكون لدى محرك توصيات ترشيح تعاوني بحت مضبوط لتاجر تجزئة عالي الحركة بيانات قليلة جداً للعمل عليها في متجر أصغر — نفس قيد البداية الباردة الذي تصفه المقارنات الأكاديمية للنهجين بأنها واحدة من أكثر نقاط ضعف الترشيح التعاوني توثيقاً باستمرار.

ما يجب وزنه فعلياً عند تقييم تطبيق توصيات

اسأل عن النهج الذي يستخدمه التطبيق فعلياً، إذ لا يُبرز البائعون هذا التفصيل دائماً، وتعتمد الملاءمة الصحيحة حقاً على حجم الكتالوج وحركة المرور. يمكن لمتجر أكبر بحجم معاملات ذي معنى لكل منتج أن يستفيد من قدرة الترشيح التعاوني على إظهار روابط غير واضحة. غالباً ما يُخدم متجر أصغر أو أحدث بشكل أفضل بنهج قائم على المحتوى أو مختلط لا يعتمد على بيانات سلوكية لا يمتلكها المتجر بعد.

من المفيد أيضاً تذكر ما لا يستطيع هذا النظام فعله: فهو يعمل فقط مع الزوار الموجودين بالفعل على موقعك. ليس له أي تأثير على ما إذا كان مساعد ذكاء اصطناعي يوصي بمتجرك لشخص لم يجدك بعد — تلك مشكلة منفصلة تتطلب حلولاً منفصلة، مُغطاة في دليلنا حول التخصيص بالذكاء الاصطناعي مقابل الظهور في الذكاء الاصطناعي.

FAQ