برچسب: یادگیری

در دنیای امروز فناوری، اخبار و مقاله‌های پیرامون یادگیری ماشین، بیش از همیشه ما را احاطه کرده‌اند. تقریبا هر صنعتی از این فناوری صحبت می‌کند. اکثر متخصصان و کارشناسان نیز تلاش می‌کنند تا از مزایای یادگیری ماشین، برای بهبود وضعیت خود در بازارها استفاده کنند.

پیش از پیاده‌سازی هر نوعی از فناوری مذکور، ابتدا باید از خود بپرسیم که یادگیری ماشین چیست؟ طبق تعریف Hewlett Packard:

یادگیری ماشین به فرایندی اشاره می‌کند که کامپیوترها، شناسایی الگویی را فرا می‌گیرند. به‌علاوه، کسب توانایی توسط آن‌ها برای یادگیری مستمر و ارائه‌ی پیش‌بینی براساس داده نیز در این تعریف قرار می‌گیرد. ماشین‌ها در ادامه‌ی یادگیری، تعدیل و اصلاح پیش‌بینی‌ها و بیانات خود را نیز بدون نیاز به برنامه‌نویسی اختصاصی برای آن موضوع انجام می‌دهند.

به‌بیان ساد‌ه‌تر، یادگیری یعنی ماشین‌ها تحلیل و اقدام براساس حجم‌های بالای اطلاعات را انجام داده و همچنین، به یادگیری و بهبود عملکرد خود در طول زمان ادامه دهند.

به‌عنوان نمونه‌ای از کاربردهای عملی یادگیری ماشین، می‌توان فناوری تشخیص چهره را مثال زد. همه‌ی ما می‌دانیم که این فناوری، روز‌به‌روز پیشرفته‌تر می‌شود. امروز، کاربران گوشی‌های آیفون، قفل گجت‌های خود را با شناسایی چهره باز می‌کنند. به‌علاوه، مقامات قانونی نیز از فناوری تشخیص چهره برای شناسایی رفتارهای خلافکارانه و دستگیری مجرمان بهره می‌برند. در مقالی دیگر، گوگل فوتوز و سرویس‌های مشابه، به کاربران امکان می‌دهند که تصاویر را براساس افراد حاضر در آن‌ها دسته‌بندی کنند. الگوریتم‌های گفته‌شده در گذشته دقت بالایی نداشتند، اما به‌مرور، حرفه‌ای‌تر و دقیق‌تر شدند و تبحر خود را مرهون یادگیری ماشینی هستند.

یادگیری و هوشی که در بالا شرح دادیم، با هوش انسانی تفاوت دارد. می‌توان آن را یادگیری برنامه‌نویسی‌شده هم نامید که قطعا کاربردهایش فراتر از تشخیص چهره است و در تمامی صنایع نفوذ می‌یابد. به‌عنوان مثال، می‌توانبازاریابی را بیان کرد. بازاریاب‌های امروزی، همه‌ی تلاش خود را به‌کار می‌گیرند تا پیام و تصویری مناسب هر مخاطب به او ارائه کنند. قطعا انسان‌ها نمی‌توانند در مقیاس‌های بزرگ با تک‌تک مخاطبان ارتباط برقرار کنند، اما ماشین‌ها این توانایی را دارند. شاید تصور پیاده‌سازی آن روش‌ها روشن نباشد، اما در ادامه‌ی این مقاله‌ روش‌های برای استفاده‌ی کاربردی از یادگیری ماشین در حوزه‌ی بازاریابی را شرح می‌دهیم.

۱- پیشنهاد بهترین محصولات یا محتوا

پیشنهاد محتوا و محصول مرتبط، از دیرباز به‌عنوان ابزاری کاربردی در دست بازاریابان شناخته می‌شود. در گذشته و اکنون، پیشنهادها توسط نیرو و تفکر انسانی آماده می‌شدند و از ۱۰ سال گذشته، الگوریتم‌های ساده‌ای برای پیشنهادهای تقریبا اتوماتیک به کار گرفته شده‌اند. الگوریتم‌هایی که پیشنهادها را تنها براساس خریدهای دیگر مشتریان به مشتری دیگر ارائه می‌دهند.

یادگیری ماشین، می‌تواند در بهینه‌سازی الگوریتم‌های کنونی پیشنهاد محصول و محتوای مرتبط، کمک شایانی ارائه دهد. با استفاده از این فناوری می‌توان تمامی اطلاعاتی که از یک شخص داریم، مانند سابقه‌ی خرید، فعالیت کنونی در وب، ارتباطات ایمیلی، موقعیت، صنعت فعالیت، ویژگی‌‌های سنی و جنسیتی و موارد مشابه را با هم ترکیب کند و بهترین و نزدیک‌ترین محصول و محتوا را به او پیشنهاد دهد. یادگیری ماشین، دسته‌بندی، قیمت و مشخصات مختلف محصول را با علاقه‌مندی‌ها و سوابق فرد مورد نظر ترکیب کرده و بهترین پیشنهاد را به او می‌دهد. به‌همین ‌دلیل، پیشنهادها هم روز‌به‌روز بهتر می‌شوند.

پیشنهادهای براساس یادگیری ماشین، به محصول و محتوا خلاصه نمی‌شوند. شما با به‌کارگیری فناوری می‌توانید حتی برند، دسته‌بندی محصول، مشخصات فنی، موضوع، نویسنده و انواع دیگر موارد را به کاربر پیشنهاد دهید. درنهایت، به‌کارگیری یادگیری ماشین به شما امکان می‌دهد که تجربه‌ای جذاب را در وبسایت یا ایمیل‌های تبلیغاتی خود ایجاد کنید که مخاطب، بتواند به‌کمک آن‌ها، موارد مورد علاقه‌ی خود را بهتر پیدا کند.

۲- شناسایی گروه‌های مهم مشتریان

با وجود آنکه یادگیری ماشین، پیشنهاد‌ها مرتبط خوبی را به مشتریان ارائه می‌کند، شناسایی دسته‌بندی‌های مهم آن‌ها براساس تفاوت‌های بسیار افراد، هنوز مسئله‌ای حیاتی برای بازاریاب‌ها است. آن‌ها باید گروهی که بیش از همه به خرید محصولات راغب می‌شوند را زودتر از رقبا شناسایی کنند و آن‌ها را هدف قرار دهند. تشخیص تفاوت‌های مشهود مشتریان همچون مشتری جدید یا وفادار، برای انسان‌ها به‌راحتی انجام می‌شود، اما بسیاری از تفاوت‌ها هستند که در حجم بالای داده‌ی مرتبط با مشتری، از دید ما پنهان می‌مانند.

یادگیری ماشین به بازاریاب کمک می‌کند که دسته‌بندی‌های جدیدی را در میان مشتری‌ها کشف کند که قبلا به آن‌ها توجه نمی‌کرد. به‌علاوه، می‌توان از آن اطلاعات استفاده کرده و پیشنهادانت مرتبط‌تری به مشتریان ارائه کرد.

به‌عنوان مثال، یادگیری ماشین تشخیص می‌دهد که نسل جوانی که قصد نوسازی خانه‌ی خود را دارند، رفتارهای مشخصی از خود نشان می‌دهند. با آن اطلاعات، می‌توان پیام‌های بهینه‌تری را برای آن دسته از مشتریان آماده و ارسال کرد. می‌توان زبان صحبت با آن‌ها را متفاوت از افراد دیگر در نظر گرفت. به‌علاوه، به محض نشان دادن رفتارهای مشابه از سوی مشتریان دیگر نیز می‌توان آن‌ها را به این دسته‌بندی اضافه کرد.

۳- شناسایی و عمل در مقابل مشکلات احتمالی

کمپین‌‌های بازاریابی، داده‌های زیادی تولید می‌کنند. مثلا، ایمیل‌هایی که روزانه توسط یک شرکت بزرگ ارسال می‌شود را در نظر بگیرید. می‌توان تعداد کاربران وبسایت را نیز به‌عنوان نمادی از داده‌های عظیم در نظر گرفت. تمامی آن ارتباط‌ها، داده تولید می‌کنند که قطعا هیچ انسانی نمی‌تواند همه‌ی آن‌ها را مشاهده و تحلیل کند. به‌علاوه، مشکلات احتمالی و چالش‌‌های عملکردی نیز قابل تشخیص نیستند. یادگیری ماشین می‌تواند مشکلات را پیش‌بینی کند و پیش از وقوع، به شما اطلاع دهد.

به‌عنوان مثالی کاربردی، تصور کنید کمپینی ایمیلی برای افزایش فروش یک فروشگاه اینترنتی پیاده‌سازی کرده‌اید. در ایمیلی‌های ارسالی، یک لینک اشتباه قرار دارد که به صفحه‌ی مورد نظر از سایت شما منتقل نمی‌شود. یادگیری ماشینی با بررسی ورودی‌ها از لینک‌های ایمیلی، متوجه پایین بودن نرخ آن‌ها بسته به ارسال می‌شود و شما را مطلع می‌کند. درنهایت، شما با اطلاع از مشکل، پیش از اوج گرفتن بحران در کمپین ایمیلی، رویکردهای اصلاحی را انجام می‌دهید.

۴- تکامل تست‌های A/B

آزمایش روندهای مختلف بازاریابی هم با به‌کارگیری یادگیری ماشین بهبود می‌یابد. تست‌های سنتی A/B به شما امکان می‌دهند که ۲ یا چند تجربه‌ی دیجیتال را در مخاطبان تصادفی آزمایش کنید. سپس بهترین راهکار با بیشترین بازده را انتخاب کنید و با همان، ادامه دهید. آن رویکردها قطعا کاربردهای مثبتی دارند، اما تمامی تفاوت‌های گروه‌‌های مختلف را مد نظر قرار نمی‌دهند. در تست‌های مذکور، یک نمونه را برای گروهی نمایش می‌دهید و شاید آن‌ها هیچ‌گاه نمونه‌ی مورد علاقه‌ی خود را مشاهده نکنند. یادگیری ماشین، آن رویکرد را تغییر می‌دهد. 

به‌عنوان مثال، با یادگیری ماشین، به‌جای پیاده‌سازی ۲ طراحی متفاوت صفحه‌ی اول وبسایت و انتظار برای بازدید و انتخاب بهترین طراحی از میان آن‌ها، می‌توانید تجربه را به هوش مصنوعی بسپارید. الگوریتم، با استفاده از اطلاعات افراد، بهترین نمونه را برای هر کدام از آن‌ها پیشنهاد می‌دهد. در ادامه، با استفاده از اطلاعات تجربه‌ی اولیه‌ی کاربران با طراحی مورد نظر، تصمیم‌های آتی اتخاذ می‌شود.

همان رویکرد بالا را می‌توان در تبلیغ‌ها نیز به کار گرفت. به‌جای آنکه تخفیف ثابت ۲۰ درصدی به همه‌ی کاربران داده شود، الگوریتم هوش مصنوعی، تخفیف را تنها به افرادی ارائه می‌کند که نیاز به انگیزه‌ای بیشتر برای خرید دارند. برای افراد دیگر نیز می‌توان تبلیغ‌های متفاوت، مثلا محصولی جدید در دسته‌بندی مورد علاقه‌ی آن‌ها، ارائه کرد.

۵- انتخاب نحوه‌ی تعامل با افراد

شما چگونه زمان و محل ارتباط با یک مشتری بالقوه را تشخیص می‌دهید؟ به‌علاوه، روش ارتباط چگونه انتخاب می‌شود؟ آیا او ایمیل را ترجیح می‌دهد؟ آیا اعلان‌های موبایلی، پیامک یا تماس برای او بهتر هستند؟ در چه فواصلی باید با مشتری تماس بگیرید؟ تمامی این سؤال‌ها را می‌توان با استفاده از یادگیری ماشین پاسخ داد.

به‌جای استفاده از روش‌های سنتی و ارسال انبوه ایمیل‌های ثابت برای همه‌ی مشتریان بالقوه، می‌توان از یادگیری ماشین استفاده کرد. الگوریتم‌های تشخیص می‌دهند که آیا یک ایمیل مشخص توسط یک کاربر مشخص باز شده یا نادیده گرفته می‌شود. با استفاده از این اطلاعات، می‌توان ایمیل‌ها یا پیام‌ها را با طراحی بهتر و در زمان مناسب‌تر ارسال کرد.

درنهایت باید بدانید که یادگیری ماشین، بیش از همه‌چیز در تفسیر داده‌های انبوه و استخراج اطلاعات مفید، کاربرد نهایی خود را نشان می‌دهد. در دنیایی که داده‌ها، بیش از توان ما در تفسیر و بررسی جمع‌آوری می‌شوند، فناوری مذکور کاربرد بالایی دارد. به‌علاوه تمایل به شناخت بهتر مشتریان و ارتباط شخصی با آن‌ها هم روز‌به‌روز بیشتر می‌شود. در چنین وضعیتی، قطعا به‌کارگیری یادگیری ماشین، مزیت‌های زیادی به‌همراه خواهد داشت.