Modelling Customer Trajectories with Reinforcement Learning for Practical Retail Insights
تقترح هذه الورقة إطار عمل للتعلم التعزيزي يعتمد على أقصى إنتروبيا لنمذجة مسارات العملاء في المساحات التجارية، مظهرةً تفوقها على الاستدلالات التقليدية مثل مسألة البائع المتجول (TSP) والشبكات العصبية الاصطناعية (PNN) من خلال تقديم رؤى أكثر دقة وتأسيسًا سلوكيًا لتحسين تخطيط المتاجر وتعظيم الأرباح دون الحاجة إلى جمع بيانات واقعية مكلفة.
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 تملك متجر بقالة صغيراً. هدفك بسيط: وهو جني أكبر قدر ممكن من المال. أنت تعلم أن الناس غالباً ما يشترون أشياء لم يخططوا لشرائها — مثل لوح شوكولاتة أو علبة صودا — فقط لأنهم رأوها أثناء سيرهم في الممر. هذا ما يسمى بـ "الشراء الاندفاعي".
لجعل الناس يشترون هذه الأصناف، عليك أن تعرف بالضبط أين يسير الزبائن. إذا وضعت لوح الشوكولاتة في طريقهم مباشرة، فسوف يلتقطونه. أما إذا أخفيته في زاوية لا يزورونها أبداً، فلن يشتروه.
المشكلة: "لعبة التخمين" مقابل "الجاسوس المكلف"
لمعرفة مسار الزبائن، لديك خياران سيئان:
- الجاسوس (البيانات الحقيقية): توظف أشخاصاً يتبعون الزبائن بكاميرات وخرائط. هذا يعطيك معلومات مثالية، لكنه مكلف للغاية وتطفلي. معظم المتاجر الصغيرة لا تستطيع تحمل تكلفته.
- التخمين (القواعد الاستدلالية): تستخدم قواعد رياضية بسيطة لتخمين المسار.
- قاعدة "المسار الأقصر" (TSP): تفترض أن الزبائن عبارة عن روبوتات تسلك دائماً أقصر طريق مطلق للوصول إلى أغراضها.
- قاعدة "الجار الأقرب" (PNN): تفترض أن الزبائن عشوائيون نوعاً ما ولكنهم يختارون في الغالب أقرب صنف إليهم.
وجدت الورقة البحثية أن هذه قواعد "التخمين" تكون خاطئة بنسبة 28% من الوقت. البشر الحقيقيون فوضويون؛ فهم يتجولون، ويتخذون طرقاً بديلة، ولا يسلكون دائماً المسار الأقصر. ولأن التخمينات كانت بعيدة عن الصواب، ينتهي الأمر بأصحاب المتاجر بوضع المنتجات في أماكن خاطئة، مما يفوت عليهم فرص البيع.
الحل: "طالب ألعاب الفيديو"
ابتكر المؤلفون طريقة جديدة للتنبؤ بمسارات الزبائن باستخدام التعلم المعزز (RL). فكر في الأمر كتدريب شخصية في لعبة فيديو (الوكيل) ليتصرف مثل متسوق بشري حقيقي.
بدلاً من مجرد إخبار الشخصية بـ "اتخاذ المسار الأقصر"، علموها درساً أكثر إنسانية:
- احصل على الأصناف: تحصل على نقاط عند شراء ما تحتاجه.
- كن غير متوقع قليلاً: تحصل أيضاً على نقاط لاستكشاف مسارات مختلفة، وليس فقط المسار الممل نفسه في كل مرة.
يُسمى هذا "تعلم الحد الأقصى للإنتروبيا" (Maximum Entropy). هذا يجبر الكمبيوتر على إدراك أن البشر ليسوا روبوتات؛ فنحن نملك "عقلانية محدودة". نحن نرتكب الأخطاء، نتشتت، ونسلك مسارات مختلفة حتى عندما نشتري نفس الأشياء.
ماذا فعلوا؟
أخذوا بيانات حقيقية من متجر بقالة (حيث تتبعوا أكثر من 3000 متسوق حقيقي) واستخدموا تلك البيانات لتدريب "طالب ألعاب الفيديو" الخاص بهم. ثم طلبوا من الطالب محاكاة 10,000 رحلة تسوق.
النتائج: الطالب هو الفائز
عندما قارنوا مسارات "طالب ألعاب الفيديو" بمسارات البشر الحقيقيين:
- قاعدة "المسار الأقصر" فشلت فشلاً ذريعاً. لقد أغفلت أقساماً كاملة من المتجر لأنها كانت تبحث فقط عن الطريق الأسرع.
- قاعدة "الجار الأقرب" كانت أفضل، لكنها لا تزال تغفل سلوك "التجول" الذي يقوم به البشر الحقيقيون.
- طالب التعلم المعزز (RL) كان الأقرب للواقع. فقد اكتشف أن الناس يسلكون أحياناً الجزء السفلي من المتجر حتى لو كان الجزء العلوي أقصر، وذلك ببساطة لأن هذه هي الطريقة التي يحبون التسوق بها.
لماذا يهم هذا محفظتك؟
اختبرت هذه الورقة البحثية ذلك من خلال محاولة نقل منتج معين (مثل المشروبات الغازية) إلى رف جديد لزيادة الربح.
- إذا استخدمت تخمينات "المستر الأقصر" أو "الجار الأقرب"، فقد أخبروك بنقل المنتج إلى رف كان في الواقع فارغاً ونادراً ما يُزار. سيكون ذلك هدراً للمساحة.
- أما طالب التعلم المعزز (RL)، فقد حدد بشكل صحيح الأرفف المزدحمة وعالية الحركة التي يمر بها البشر الحقيقيون بالفعل.
وعندما نقلوا المنتج إلى المكان الذي اقترحه طالب التعلم المعزز، حقق المتجر تقريباً نفس مقدار الربح الإضافي كما لو كانوا قد استخدموا بيانات "الجاسوس" المكلفة. لقد فشلت قواعد التخمين البسيطة في إيجاد المكان الصحيح.
الخلاصة
تظهر هذه الورقة البحثية أنك لست بحاجة لإنفاق ثروة في تتبع كل زبون بالكاميرات لتحسين متجرك. بدلاً من ذلك، يمكنك استخدام نموذج كمبيوتر ذكي يتعلم كيف "يفكر" مثل المتسوق البشري. إنه يسد الفجوة بين "البساطة المفرطة التي لا تصدق" (قواعد التخمين) وبين "التكلفة العالية التي لا يمكن تطبيقها" (البيانات الحقيقية)، مما يمنح أصحاب المتاجر طريقة رخيصة ودقيقة لترتيب أرففهم لتحقيق أقصى قدر من الربح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.