When and What Will Customers Buy Next? A Dual-Task Deep Learning Framework for Repurchase Prediction in E-Commerce
تقترح هذه الدراسة إطار عمل للتعلم العميق ثنائي المهام يعتمد على نموذج الذاكرة الطويلة قصيرة المدى (LSTM) يتنبأ في آن واحد بتوقيت إعادة شراء العميل للمنتج واختيار المنتج التالي، مما يظهر أداءً فائقاً على النماذج الحالية باستخدام بيانات التجارة الإلكترونية واسعة النطاق، ويقدم نظام وكيل ذكاء اصطناعي عملي لتحسين التسويق الآلي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
كرة البلور للتسوق
تخيل أنك تسير عبر مركز تجاري رقمي ضخم ولا متناهٍ، حيث يشتري الملايين من الناس أشياءً كل ثانية. في عالم علم البيانات، هذا هو مجال التجارة الإلكترونية، وهو مكان تحاول فيه الشركات باستمرار الإجابة على سؤالين صعبين: "هل سيعود هذا العميل؟" و"إذا عاد، فماذا سيشتري؟". لفترة طويلة، حاول العلماء وأصحاب الأعمال التنبؤ بهذا باستخدام الرياضيات التقليدية، من خلال النظر إلى العادات الماضية مثل محقق يراجع ملفاً. كانوا يعلمون أنه إذا اشترى شخص ما الكثير مؤخراً، فقد يشتري مرة أخرى قريباً. لكن كانت هناك عقبة: معظم هذه الأساليب كانت تشبه النظر إلى صورة شخص وتخمين مستقبله، متجاهلة حقيقة أن الناس يتحركون ويتغيرون ويتصرفون في تسلسل عبر الزمن.
لفهم هذه الدراسة الجديدة، تحتاج إلى معرفة نوع خاص من "أدمغة الكمبيوتر" يسمى التعلم العميق (Deep Learning)، وتحديداً نوع يسمى LSTM (الذاكرة طويلة المدى قصيرة المدى). فكر في برنامج الكمبيوتر العادي كطالب ينسى كل شيء من درس الأمس بحلول وقت حصة اليوم. أما الـ LSTM فهو مثل "طالب خارق" لديه ذاكرة مثالية لدروس الأيام القليلة الماضية، مما يسمح له برؤية الأنماط في قصة بدلاً من مجرد حقائق معزولة. تستخدم هذه الدراسة تلك الذاكرة الخارقة لمراقبة تاريخ تسوق العميل مثل فيلم، محاولةً التنبؤ بالمشهد التالي تماماً: متى سيعود بالضبط وما هي القطعة التي سيلتقطها من الرف.
العراف ذو الرأسين
قام الباحثان، جيا باو هين و ثي ثوي هانه نغوين، ببناء نموذج كمبيوتر "برأسين" لحل مشكلة يتجاهلها معظم النماذج الأخرى. عادةً، يحاول الذكاء الاصطناعي تخمين شيء واحد فقط: "هل سيشترون؟" أو "ماذا سيشترون؟". هذا النموذج الجديد مختلف لأنه يحاول الإجابة على كلا السؤالين في نفس الوقت، مثل عراف لا يخبرك فقط بما سيحدث، بل متى سيحدث أيضاً. لقد غدوا نموذجهم مجموعة بيانات ضخمة تضم أكثر من 540,000 معاملة من متجر إلكتروني حقيقي، تتضمن آلاف المنتجات المختلفة.
تعلم النموذج من خلال مراقبة كيفية تحرك العملاء عبر الزمن. نظر في آخر خمسة أشياء اشتراها العميل، وكم أنفق، والمدة التي انتظرها بين عمليات الشراء. ثم قام بتوقعين في آن واحد: أولاً، خمن عدد الأيام حتى عملية الشراء التالية. ثانياً، خمن رمز المنتج المحدد للقطعة التالية. كان الهدف هو معرفة ما إذا كان تعليم الكمبيوتر القيام بهذين العملين معاً سيجعله أذكى مما لو حاول القيام بهما بشكل منفصل.
النتائج: مزيج من السحر والواقع
عندما اختبر الباحثون نموذجهم "ذو الرأسين"، كانت النتائج مزيجاً رائعاً من الدقة المذهلة وبعض السمات المحددة جداً لسلوك التسوق البشري.
التنبؤ بالوقت:
كان النموذج جيداً بشكل مفاجئ في تخمين متى سيعود الناس. فقد توقع الوقت المتبقي حتى عملية الشراء التالية بمتوسط خطأ قدره 1.62 يوم فقط. وهذا يعني أنه إذا قال النموذج إن العميل سيعود في غضٍ 5 أيام، فغالباً ما يكون مخطئاً بأقل من يومين. والأكثر إثارة للإعجاب، أنه بالنسبة لأكثر من نصف العملاء، كان النموذج دقيقاً تماماً، بخطأ قدره 0 يوم. ومع ذلك، وجد الباحثون التواءً غريباً في البيانات: في حوالي 75% من الوقت، كان العملاء يشترون أشياء متعددة في اليوم نفسه تماماً. وبسبب هذا، واجه النموذج أحياناً صعوبة مع العملاء النادرين الذين ينتظرون وقتاً طويلاً (مثل 30 يوماً أو أكثر) للشراء مرة أخرى. وبينما كان النموذج رائعاً في حالات العودة السريعة والشائعة، فإن هذه الانتظارات الطويلة والنادرة جعلت "الدرجة الإحصائية" (R²) تبدو سالبة قليلاً، ليس لأن النموذج كان سيئاً، بل لأن البيانات كانت مليئة جداً بالمتسوقين في اليوم نفسه مما أربك الحسابات الخاصة بالمنتظرين لفترات طويلة.
التنبؤ بالمنتج:
عندما تعلق الأمر بتخمين ما سيشتريه العميل تالياً، واجه النموذج تحدياً أصعب بكثير. كان المتجر يحتوي على 3,655 منتجاً مختلفاً. إذا كنت تخمن عشوائياً فقط، فإن فرصتك في اختيار المنتج الصحيح ستكون ضئيلة جداً — حوالي 0.027% للتخمين الأول. لكن النموذج لم يخمن عشوائياً؛ فقد تمكن من إصابة المنتج الصحيح في تخمينه الأول بنسبة 2.35% من المرات. والأكثر إثارة، أنه إذا سمحت للنموذج بتقديم أفضل 5 تخمينات له، فإنه كان يصيب بنسبة 9.17%. ولوضع ذلك في المنظور، كان هذا أفضل بـ 67 مرة من مجرد رمي زهر النرد لتخمين الإجابة. لقد أثبت أن النموذج قد تعلم أنماطاً حقيقية، مثل معرفة أنه إذا اشتريت هاتفاً، فقد تشتري قريباً غطاءً له، بدلاً من مجرد التخمين الأعمى.
لماذا هذا مهم
يشير المؤلفون إلى أن هذا النهج "ذو الرأسين" أفضل من الأساليب القديمة لأنه يتعلم من القصة الكاملة لتاريخ تسوق العميل، وليس فقط من لقطة ثابتة. كما اقترحوا فكرة رائعة للمستقبل: وكيل ذكاء اصطناعي. تخيل مساعداً آلياً لا يتنبأ فقط بما تريده، بل يرسل لك تلقائياً كوبون خصم أو تذكيراً في اللحظة التي يُحتمل أن تشتري فيها، دون الحاجة إلى تدخل بشري للنقر على زر. يمكن لهذا أن يوفر للشركات المال ويساعدها في الحفاظ على رضا العملاء من خلال التواجد في الوقت المناسب تماماً عند الحاجة.
على الرغم من أن النموذج ليس مثالياً — خاصة لأولئك العملاء النادرين الذين ينتظرون شهوراً للشراء مرة أخرى — إلا أنه يظهر أنه باستخدام التعلم العميق للنظر في كل من الوقت والمنتج معاً، يمكن للشركات الحصول على صورة أوضح بكثير لعادات عملائها. إنه يحول تدفق المعاملات الفوضوي إلى قصة قابلة للقراءة، مما يساعد المتاجر على معرفة ليس فقط من سيعود، ولكن ماذا سيشتري بالضبط في المرة القادمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.