IoT technology for e-commerce customer information segmentation

في عالم التسوق عبر الإنترنت الصاخب، يواجه التاجر تحديًا قديمًا قدم التجارة نفسها: كيف يعامل كل عميل كفرد متميز دون أن يفقد صوابه. في الماضي، كان صاحب المتجر يعرف زبائنه الدائمين بأسمائهم ووجوههم. أما اليوم، فقد يخدم المتجر الرقمي الملايين من الناس، الذين لا يعدو معظمهم كونهم مجرد اسم مستخدم وعنوان شحن. وللبقاء، يجب على هذه الشركات تصنيف عملائها إلى مجموعات، وفهم من يجلب الربح الأكبر ومن يحتاج إلى مزيد من الاهتمام. هذا هو فن تقسيم العملاء. تقليديًا، نظرت الشركات إلى ثلاثة أشياء بسيطة للحكم على قيمة المتسوق: متى اشترى آخر مرة، وكم مرة يشتري، وكم ينفق من المال. تشكل هذه الثلاثية من الحقائق خريطة أساسية لعادات العميل. ومع ذلك، فإن مجرد جمع هذه الأرقام معًا غالبًا ما يغفل عن الفروق الدقيقة في السلوك الحقيقي. فالعميل الذي ينفق كثيرًا ولكن يزور المتجر نادرًا قد يختلف عن عميل يزور المتجر يوميًا ولكنه ينفق القليل. ويبقى السؤال: كيف نزن هذه العوامل بشكل عادل لمعرفة القيمة الحقيقية للمتسوق؟

عمد باحث في معهد هنان للعلوم التقنية إلى الإجابة على ذلك من خلال تحسين الطريقة التي يحلل بها تجار التجزئة عبر الإنترنت بياناتهم. وبدلاً من التخمين حول أي من العوامل الثلاثة — الحداثة أو التكرار أو الإنفاق — يهم أكثر، استخدم الباحث نهجًا رياضيًا يسمى "طريقة وزن الإنتروبيا" (entropy weight method) ليترك البيانات تتحدث عن نفسها. تحسب هذه التقنية أهمية كل عامل بناءً على مدى تباين البيانات، مما يضمن أن الدرجة النهائية تعكس الأنماط الفعلية في سجلات المبيعات بدلاً من رأي مسبق التحديد. ركزت الدراسة على تاجر محدد يبيع الكعك والبسكويت على منصة "بيندوودو" (Pinduoduo)، حيث فحصت أكثر من 32,000 سجل شراء من أغسطس 2019 إلى يناير 20ប020. وبعد تنظيف البيانات لإزالة الطلبات غير الصالحة وتحديد هوية العملاء من خلال عناوين الشحن الخاصة بهم، طبق الباحث نظام التسجيل الجديد هذا لتقييم كل مشترٍ.

بمجرد تسجيل درجات العملاء، استخدم الباحث أداة تجميع لتصنيفهم. تخيل فرز كومة من الأحجار المختلطة ليس حسب اللون أو الحجم وحده، بل من خلال إيجاد التجمعات الطبيعية حيث تستقر الأحجار ذات الوزن والملمس المتشابهين معًا بشكل طبيعي. اختبر الكمبيوتر أعدادًا مختلفة من المجموعات، من اثنتين إلى ثماني مجموعات، واختار الترتيب الذي خلق فئات أكثر تميزًا ووضوحًا. وكانت النتيجة عبارة عن خريطة لأربعة أنواع متميزة من المتسوقين. المجموعة الأولى، التي شكلت حوالي 27 بالمائة من العملاء، كانت من المتسوقين ذوي القيمة المنخفضة: لم يشتروا أي شيء مؤخرًا، ويشترون على فترات متباعدة، وينفقون القليل جدًا. المجموعة الثانية، التي تمثل ما يقرب من 23 بالمائة، كانت لعملاء أنفقوا مبلغًا جيدًا واشتروا بكثرة في الماضي ولكنهم هجروا المتجر مؤخرًا؛ وهؤلاء هم المتسوقون الذين يحتاج التاجر لاستعادتهم. المجموعة الثالثة، وهي نسبة 27 بالمائة أخرى، كانت من المشترين الجدد الذين لا يزالون يستكشفون المتجر ولكنهم لم يلتزموا بعد بالإنفاق العالي أو الزيارات المتكررة. وأخيرًا، المجموعة الرابعة، التي ضمت حوالي 22.5 بالمائة من الإجمالي، كانت من العملاء ذوي القيمة العالية: فقد اشتروا مؤخرًا، واشتروا بكثرة، وأنفقوا الأموال الأكثر.

وعندما قارن الباحث هذه الطة الجديدة مع الطريقة التقليدية لتسجيل العملاء، كان الفرق واضحًا. فالنهج التقليدي، الذي غالبًا ما يعتمد على أوزان ثابتة يحددها الخبراء، مال إلى حشر المتسوقين الأكثر قيمة في جزء ضئيل من الإجمالي، حيث حدد 0.8 بالمائة فقط كأصحاب قيمة عالية. في المقابل، حددت الطريقة الجديدة، التي تركت للبيانات تحديد الأوزان، مجموعة أكبر وأكثر واقعية من العملاء ذوي القيمة العالية، وهو ما يتوافق مع الملاحظة التجارية المعروفة بأن جزءًا صغيرًا من العملاء يحقق غالبية الأرباح. وأظهر النموذج الجديد أن المجموعات كانت أكثر تميزًا عن بعضها البعض، مما يعني أن التاجر يمكنه الآن رؤية الاختلافات بين أنواع العملاء بوضوح أكبر. ويشير هذا إلى أنه من خلال ترك البيانات تقرر الوزن الذي يجب إعطاؤه للحداثة والتكرار والإنفاق، يمكن للشركات عبر الإنترنت إنشاء ملفات تعريف أكثر دقة لمتسوقيها. وتخلص الدراسة إلى أن هذا النهج يقدم طريقة أفضل لتقسيم العملاء، مما يسمح للتجار بتكييف استراتيجياتهم للحفاظ على رضا أفضل المتسوقين وتشجيع الآخرين بلطف على العودة، كل ذلك بناءً على صورة أوضح لهويتهم الحقيقية.