SimPersona: Learning Discrete Buyer Personas from Raw Clickstreams for Grounded E-Commerce Agents
تُعد SimPersona إطار عمل مبتكر يتعلم شخصيات مشترين منفصلة وقابلة للتفسير من بيانات تدفق النقرات الخام باستخدام نموذج VQ-VAE لتجذير وكلاء التجارة الإلكترونية القائمين على النماذج اللغوية الكبيرة في توزيعات سكانية واقعية، محققاً بذلك تفوقاً في التوافق مع معدلات التحويل والأداء الموجه نحو الأهداف مقارنة بالأساليب الحالية دون الحاجة إلى إعادة التدريب أو هندسة الأوامر يدوياً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية التسوق عبر الإنترنت. إذا قلت للروبوت فقط: "اذهب واشترِ بعض الأحذية"، فسيتصرف كالشخص "المتوسط". قد يتصفح قليلاً، وربما يضيف شيئاً واحداً إلى عربة التسوق، ثم يغادر. لكن في العالم الحقيقي، المتسوقون مختلفون تماماً. فبعضهم "متسوقون للمشاهدة فقط" يتصفحون دون شراء شيء، وبعضهم "صائدو العروض" يبحثون لساعات، وآخرون "مشترون مندفعون" يأخذون أول شيء يقع عليه نظرهم ويتممون عملية الشراء فوراً.
المشكلة في وكلاء التسوق الحاليين الذين يعملون بالذكاء الاصطناعي هي أنهم يعرفون فقط كيف يكونوا ذلك الشخص "المتوسط". لا يمكنهم تغيير شخصياتهم لتناسب نوع الإنسان المحدد الذي من المفترض أن يمثلوه.
إليك SimPersona: "رقاقة الشخصية" لروبوتات التسوق
ابتكر الباحثون في Shopify نظاماً جديداً يسمى SimPersona. فكر في الأمر كطريقة لمنح روبوت التسوق "رقاقة شخصية" محددة تخبره بالضبط كيف يتصرف، بناءً على بيانات حقيقية من ملايين المتسوقين.
إليك كيف يعمل، مقسماً إلى خطوات بسيطة:
1. العمل الاستقصائي (التعلم من الجمهور)
أولاً، يبحث النظام في سجلات النقرات الخام (clickstreams). تخيل كومة ضخمة من الإيصالات والسجلات التي تظهر ما نقره ملايين الأشخاص، ومدة تأملهم لصفحة ما، وما أضافوه إلى عربات تسوقهم، وما تركوه دون إتمام الشراء.
بدلاً من مطالبة البشر بكتابة أوصاف مثل "المشتري المندفع" أو "الباحث الدقيق"، يستخدم الكمبيوتر أداة رياضية خاصة (تسمى VQ-VAE) للعثور على الأنماط في هذه البيانات الفوضوية. الأمر يشبه عمل محقق يقوم بفرز مليون بصمة إصبع ويدرك فجأة: "مهلاً، هؤلاء الـ 50,000 شخص جميعهم ينقرون بنفس الطريقة، وهؤلاء الـ 30,000 الآخرون يفعلون شيئاً مختلفاً تماماً".
يقوم النظام بتجميع ملايين المتسوقين هؤلاء في أنواع محددة (أو "شخصيات/personas"). هو لا يخمن فحسب؛ بل يتعلم "البصمة الإحصائية" لكل نوع.
2. بطاقة الهوية (رمز الشخصية - Persona Token)
بمجرد أن يحدد النظام هذه الأنواع المختلفة من المتسوقين، فإنه يمنح كل منها بطاقة هوية، والتي يسميها الباحثون "رمز الشخصية" (persona token).
فكر في هذا الرمز كملصق صغير غير مرئي يمكنك لصقه على دماغ الروبوت.
- إذا لصقت رمز "المتسوق للمشاهدة فقط" على الروبوت، فسوف يتصفح ببطء ونادراً ما يشتري.
- إذا لصقت رمز "المشتري الخارق" على الروبوت، فسيتحرك بسرعة، ويضيف أشياء إلى العربة، ويتم عملية الشراء بسرعة.
الأفضل من ذلك أن هذه الرموز صغيرة جداً. فهي لا تشغل مساحة تذكر في ذاكرة الروبوت، لكنها تحمل كمية هائلة من المعلومات السلوكية.
3. التدريب (تعليم الروبوت كيف يتصرف)
امتلاك بطاقة الهوية وحده لا يكفي؛ يحتاج الروبوت إلى تعلم كيفية التصرف مثل ذلك الشخص. استخدم الباحثون عملية تدريب مكونة من خطوتين:
- الخطوة 1: تعلم "الجو العام" (The Vibe). أولاً، يقومون بتجميد دماغ الروبوت ويعلمونه فقط ماذا يعني كل رمز. يعرضون عليه أمثلة لكيفية تصرف الأشخاص الحقيقيين الذين يمتلكون هذا الرمز، حتى يتعلم الروبوت "الشخصية" دون أن يرتبك بسبب تعليمات التسوق الفعلية.
- الخطوة 2: تعلم "الحركات". بعد ذلك، يقومون بفتح دماغ الروبوت ويعلمونه كيفية التنقل في الموقع الإلكتروني باستخدام تلك الشخصية. الآن، عندما يرى الروبوت زر "شراء"، سيعرف ما إذا كان يجب النقر عليه فوراً (إذا كان يحمل رمز "الاندفاع") أو الاستمرار في البحث (إذا كان يحمل رمز "الباحث").
4. النتيجة: حشد من المتسوقين الفريدين
عندما يصبح النظام جاهزاً، يمكنهم محاكاة متجر كامل مليء بالمتسوقين. بدلاً من امتلاك 1,000 روبوت يتصرفون جميعاً بنفس الطريقة، يمكنهم تخصيص رموز مختلفة لكل روبوت.
- يمكنهم إنشاء حشد يشبه تماماً قاعدة العملاء الحقيقية لمتجر معين.
- إذا كان لدى المتجر الحقيقي 80% من المتسوقين للمشاهدة فقط و20% من المشترين، فستكون المحاكاة طبيعياً بنفس هذا المزيج.
- لا يحتاج الروبوتات إلى إعادة التدريب لكل متجر جديد؛ فالرموز تعمل في أي مكان.
لماذا هذا مهم (وفقاً للورقة البحثية)
اختبر الباحثون هذا النظام على 8.37 مليون مشترٍ حقيقي عبر 42 متجراً مختلفاً عبر الإنترنت. وإليكم ما وجدوه:
- إنه دقيق: حاكت الروبوتات معدلات الشراء البشرية الحقيقية بدقة بلغت 78%. لم تكن مجرد تخمينات؛ بل طابقت معدلات التحويل الحقيقية (كيف يشتري الناس فعلياً) بشكل شبه مثالي.
- إنه أذكى من النماذج الأكبر: على الرغم من أن نظامهم أصغر بكثير من نماذج الذكاء الاصطناعي الضخمة الأخرى، إلا أنه تفوق في اتباع تعليمات التسوق.
- إنه مستقر: بدون رموز الشخصية هذه، غالباً ما كانت الروبوتات تتعطل أو ترتبك. ومع وجود الرموز، كانت تتنقل في المواقع الإلكترونية بسلاسة أكبر، تماماً كما يفعل البشر.
باخت_صار:
SimPersona هو وسيلة لتحويل البيانات الفوضوية من ملايين المتسوقين إلى مجموعة من "رقائق الشخصية". من خلال توصيل هذه الرقائق بروبوت التسوق، يمكنك جعله يتصرف تماماً مثل نوع معين من المشترين البشر، مما يسمح للشركات باختبار مواقعها الإلكترونية واستراتيجيات التسويق الخاصة بها مع حشد واقعي من المتسوقين الرقميين، بدلاً من مجرد روبوت واحد ممل ومتوسط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.