سیستم پیشنهادگر مدیریت
سیستم پیشنهادگر (Recommender System) یک الگوریتم مبتنی بر هوش مصنوعی است که هدف آن پیشنهاد دادن اقلام مورد علاقه کاربر به او می‌باشد. پیشنهاد فیلم موردعلاقه، محصولی برای خرید یا آهنگی برای گوش کردن از جمله مظاهر این سیستم است.
از منظر سازمانی یک سیستم پیشنهادگر به مدیران در انتخاب بهترین گزینه و تصمیم‌گیری کمک می‌کند. از منظر تجارت الکترونیک، پیشرفت‌های فناوری در عصر حاضر به صاحبان کسب‌وکار و سایت‌های اینترنتی کمک می‌کند تا از سیستم سیستم پیشنهاددهنده استفاده کنند.
در سایتی مانند پارس‌مدیر، سیستم‌های پیشنهاددهنده براساس الگوریتم‌های از پیش تعیین شده، علائق کاربر و تاریخچه جست‌وجو، پیشنهادهای مرتبط را به کاربران یا مشتریان می‌دهند. این پیشنهادها مطمئنا نقش مهمی در افزایش تعامل کاربران با وب سایت و حتی افزایش فروش دارد. نظر به اهمیت روزافزون موضوع و تازگی آن در این مقاله کوشش بر آن است تا سیستم پیشنهادگر از منظر سازمان و مدیریت معرفی و مفهوم‌سازی شود.
تعریف و مفهوم سیستم پیشنهادگر
سیستم پیشنهادگر یکی از پرکاربردترین فناوری‌های شخصی‌سازی شده در زمینه فناوری اطلاعات می‌باشند. این سیستم‌ها از سویی سبب جلب رضایت مشتریان و از سوی دیگر افزایش سودآوری می‌شود. سیستم پیشنهاددهنده در اساس برای آن است در که فرآیند جستجو یا انتخاب بهترین گزینه را به کاربر پیشنهاد دهد به‌گونه‌ای که این فرایند سفارشی‌سازی شود.
هر سیستمی که پیشنهادهای شخصی‌سازی شده را به عنوان خروجی خود ارائه می‌کند یا تاثیری بر هدایت کاربر به یک راهکار شخصی‌سازی شده برای اقلام جالب توجه یا مفید در فضای بزرگ موجود برای همه راهکارهای ممکن دارد، یک سیستم پیشنهادگر است.
مفهوم سیستم پیشنهادگر بسیار ساده است و برای توضیح آن بهتر است با یک مثال شروع کنیم. حتما تاکنون از وب سایت‌های فروشگاهی که تعداد آنها کم هم نیست، بازدید کرده‌اید. با ورود به وب سایت، شما به دنبال محصول مورد نظر خود خواهید گشت و ممکن است برای آن از صفحات اینترنتی مختلف وب سایت دیدن کنید.
اگر وب سایت فروشگاهی مورد نظر از فناوری سیستم‌های توصیه‌گر بهره ببرد، پس از مرور چند صفحه اینترنتی شما با پیشنهادهای مرتبط با جست‌وجوی خود مواجه خواهید شد. شاید شما به دنبال خرید یک هدفون رنگ سفید هستید که ویژگی ارتباط بی سیم را نیز داشته باشد. با یک سیستم توصیه‌گر خوب شما با پیشنهادهایی روبرو خواهید شد که مرتبط با همین محصول هستند و حتی ممکن است محصولاتی با رنگ مورد نظر نیز در اختیار شما قرار بگیرد.
سیستم پیشنهادگر در تجارت الکترونیک
وب‌سایت‌های فروش آنلاین و سامانه‌های اینترنتی B2C از سیستم پیشنهاددهنده برای بهبود ارتباط با مشتریان استفاده می‌کنند. شرکت‌های پیشرو در فروش مانند آمازون از این سیستم‌ها در سایت خود بهره می‌گیرند. این سیستم‌ها با جذب مشتریان و پیشنهاد مناسب به آنها میزان فروش را افزایش چشمگیری می‌دهند. با ارائه پیشنهادهای کاربردی می‌توان قصد خرید مشتریان را افزایش داد. در این زمینه یک سیستم پیشنهادگر باید ویژگی‌های زیر را هدف قرار دهد:
- دقت پیشنهاد
- گوناگونی پیشنهاد
- تازگی پیشنهاد
ویژگی‌های پیشنهاد در سیستم ریکامندر پارس‌مدیر
اگر سیستم بتواند بهترین پیشنهاد را متناسب با رفتارهای پیشین کاربر ارائه کند شانس موفقیت در فروش اضافه خواهد شد. در یک فروشگاه اینترنتی می‌توان براساس الگوریتم‌های سیستم توصیه‌گر و براساس اهداف، با جملات زیر محصولاتی را به کاربران پیشنهاد کرد:
- محصولات پرفروش سایت
- مرتبط با کالای انتخابی فعلی
- پیشنهاد براساس تاریخچه خرید
بیشترین استفاده از سیستم پیشنهادگر در وب سایت‌های فروشگاه‌های، کتابخانه‌ها و سیستم‌های مدیریت ارتباط مشتری است. بویژه زمانی که انتخاب‌های بسیار زیادی در آن وجود دارد. با استفاده درست از این فناوری مطمئنا می‌توان نتایج آن در افزایش فروش و افزایش نرخ بازدید از صفحات وب سایت و محصولات را مشاهده کرد.
در کنار وب‌سایت‌های فروشگاهی می‌توان استفاده بهینه از سیستم‌های توصیه‌گر در وب‌سایت‌های آموزشی نیز داشت. در این نوع وب‌سایت‌ها کاربران علاقه زیادی دارند تا مطالب مشابه را مطالعه کنند. به کار بردن سیستم‌های پیشنهادگر مطالب، نقش مهمی در رشد رتبه وب سایت دارد. در پایگاه پارس‌مدیر کوشش بر ارائه پیشنهاد درست، متنوع و تازه به پژوهشگران است.
هوش مصنوعی و سیستم پیشنهادگر
هوش مصنوعی بخش اصلی ماجرا برای پیاده سازی الگوریتم‌های سیستم‌های توصیه‌گر است. امروزه با نگاهی به محیط اطراف بسیاری از کاربردهای هوش مصنوعی را می‌بینیم و این فناوری روز به روز در حال پیشرفت است؛ در واقع، هوش مصنوعی یا Artificial Intelligence یک حوزه وسیع علمی است که یادگیری ماشین زیر شاخه‌ای از آن به شمار می‌رود.
در یادگیری ماشین می‌توان مدل‌هایی را به کار گرفت که قدرت یادگیری دارند و در این فرآیند می‌توان از داده‌های ورودی بهترین استفاده را برای یادگیری مدل‌ها برد. با موفقیت در فرآیند یادگیری، ما مدل‌های آموزش دیده را در اختیار خواهیم داشت که از آن می‌توان برای دریافت خروجی‌های مورد نظر استفاده کرد.
استفاده از یک مدل یادگیری ماشین برای ایجاد سیستم توصیه‌گر از بهترین کاربردهای هوش مصنوعی است. در این مدل نیز شما می‌توانید ورودی‌هایی را اعمال کنید و فرآیند یادگیری را طی کنید. در این سیستم، ورودی ما می‌تواند نوع جست‌وجوی کاربر، اسم محصول، وزن محصول، رنگ و هر معیار دیگری باشد. پس از یادگیری مدل سیستم توصیه‌گر براساس معیارهای تعیین شده، خروجی‌های ما در آینده که همان پیشنهادها هستند، نزدیکترین ویژگی‌ها را به علایق کاربر خواهند داشت.
انواع سیستم پیشنهادگر
در حالت کلی انواع سیستم توصیه‌گر به دو بخش تقسیم بندی می‌شوند که در ادامه توضیح داده خواهند شد. در واقع، ما براساس شرایط مختلف و نوع خروجی و ورودی مورد نظر، باید از این مدل‌ها استفاده کنیم. البته، مدل‌ها و الگوریتم‌های بیشتری نیز وجود دارند که در معیارها و خروجی‌ها متفاوت هستند.
سیستم‌های پیشنهادگر مبتنی بر محتوا
با مرور محصولات مختلف در یک وب سایت کتابفروشی، شما یک پروفایل از آن را مشاهده می‌کنید. در این پروفایل اطلاعات مربوط به محصول مورد نظر و محتوای آن بیان شده است. در روش مبتنی بر محتوا ما این پروفایل محصول را به کار می‌گیریم و این محتوا را به عنوان فیلتر به کار خواهیم برد.
سیستم‌های پیشنهادگر تعاملی یا مشارکتی
سیستم توصیه‌گر تعاملی دقیقا براساس علایق کاربر، پیشنهادهای مورد نظر را برای کاربران با سلائق مشابه ارائه می‌دهد. در این روش که یکی از بهترین روش‌ها در وب سایت‌ها و سرویس‌های معتبر است، فیلتر محصولات براساس نوع جست‌وجوی کاربران و به صورت تعاملی انجام می‌شود.
دو روش در این نوع سیستم وجود دارد که به صورت کاربر-کاربر یا کالا-کالا نامیده می‌شود. در صورت استفاده از فروشگاه‌های اینترنتی مشاهده کرده‌اید که محصولاتی با عنوان “کاربران دیگر از این محصولات نیز بازدید کرده‌اند” برایتان نمایش داده می‌شوند. این روش کاربر-کاربر نامیده می‌شود. در این روش معیار ما برای گزینش، کاربران دیگر هستند که سلائق مشابه با کاربر کنونی دارند.
الگوریتم ریکامندر سیستم
ریکامندر سیستم (Recommender System) در تلاش است که امتیاز یا رتبه احتمالی که یک کاربر ممکن است به یک قلم بدهد را پیش‌بینی کند. در واقع، ریکامندر در تلاش است تا ترجیحات کاربر از میان یک مجموعه از اقلام را پیش‌بینی کند. ریکامندر سیستم‌ها سیستم‌های یادگیری ماشین (Machine Learning) هستند که به کاربران کمک می‌کنند تا محصولات و خدمات جدید را کشف کنند.
فرایند سیستم پیشنهادگر پارس‌مدیر
دلایل زیادی برای استفاده کردن از یک ریکامندر در وب سایت وجود دارد. اگر کمی دقت کنیم، کاربران همواره علاقه دارند تا محصولات مشابه در یک دسته را مشاهده کرده و آنها را با هم مقایسه کنند. این کار در مورد وب سایت‌های اشتراک ویدیو و محتوای تصویری نیز صادق است. یک سیستم پیشنهاد دهنده هوشمند یا همان ریکامندر سیستم یک زیرکلاس از «سامانه پالایش اطلاعات» است.
ریکامندر سیستم به پیشنهاد محصولات، خدمات، محتوا یا دیگر اقلام به کاربر، بر اساس علایق او می‌پردازد. این سیستم تنها اقلامی را به طور خودکار به کاربر پیشنهاد می‌کند که کاربر ممکن است آنها را بپسندد. ریکامندر سیستم ها در حال حاضر بسیار متداول هستند و بسیاری از افراد از آنها استفاده می‌کنند. بدون آنکه بدانند آنچه به آنها کمک می‌کند تا کالا، خدمات و محتوای دلخواه خود را سریع‌تر پیدا کنند، یک ریکامندر سیستم است.
با توجه به آنکه کاربران احتمالا نمی‌توانند همه محصولات یا محتوای موجود در یک وب‌سایت را مشاهده کنند، ریکامندر سیستم نقش مهمی را در کمک به آنها برای داشتن تجربه بهتر ایفا می‌کند و در عین حال، محتوایی را در اختیار کاربر قرار می‌دهد که شاید کاربر در فرایند اکتشافی خود هرگز به آنها دست پیدا نکند.
ابزارهای پیاده‌سازی سیستم پیشنهادگر
برخی مهم‌ترین ابزارهای پیاده‌سازی سیستم‌های پیشنهادگر عبارتند از:
ابزار سیستم پیشنهاددهنده LensKit
این ابزار به صورت متن باز است و برای ایجاد، تحقیق و توسعه سیستم‌های پیشنهادگر به کار می‌رود. این ابزار برای زبان برنامه نویسی پایتون ارائه گردید و با کتابخانه‌های معروف این زبان مانند Scikit و TensorFlow خوانایی دارد.
ابزار سیستم پیشنهاددهنده Crab
این ابزار نیز برای زبان برنامه نویسی پایتون ارائه شد و در کنار کتابخانه‌های قدرتمند این زبان، بهترین کارایی را خواهد داشت. امکان پیکربندی عالی و ایجاد شخصی سازی‌های متعدد در این ابزار وجود دارد.
ابزار سیستم پیشنهاد دهنده TensorRec
این ابزار مختص استفاده از کتابخانه TensorFlow پایتون ساخته شد و در آن امکان شخصی‌سازی عالی و استفاده از الگوریتم‌ها با سرعت تمام مهیا گردید. در این ابزار سه نوع ورودی خواهیم داشت که شامل خصوصیت کاربران، ویژگی محصولات و تعامل کاربران هستند. این ابزار به صورت بهینه از داده‌ها برای یادگیری و ارائه بهترین خروجی‌ها استفاده می‌کند.
ابزار سیستم پیشنهاددهنده Raccoon Engine
این ابزار براساس سیستم توصیه‌گر تعاملی کار می‌کند و به عنوان یک ماژول NPM شناخته می‌شود. استفاده از این ابزار نیازمند Node.js و Redis است و استفاده از آن برای تجارت‌های مختلف و فروشگاه‌های اینترنتی میسر است چرا که به صورت متن باز توسعه داده شد.
ابزار سیستم پیشنهاددهنده EasyRec
این ابزار براساس زبان جاوا توسعه داده شده است و به صورت متن باز در اختیار کاربران است. در این ابزار از سرویس وب RESTful استفاده شد و می‌توان این سیستم توصیه‌گر را به صورت نهفته در اپلیکیشن‌های تحت وب استفاده کرد.
خلاصه و جمع‌بندی
پیشنهادهای شخصی‌سازی شده بخش مهمی از بسیاری از وب‌سایت‌های تجارت الکترونیکی مانند آمازون، نتفلیکس و پاندورا هستند. افزایش غنای تجربه کاربری و کاربردهای عملی متعدد و متنوع ریکامندر سیستم ها، الهام‌بخش پژوهشگران برای گسترش حیطه کاری آنها به حوزه‌های جدید و چالش‌برانگیز بوده است.
در واقع، با جست‌وجوهای مورد علاقه کاربر و الگوریتم‌های پیش‌بین، سیستم پیشنهادگر از ابتدا در حال آموزش است. پس از فهم درست از علایق و نیازهای شما پیشنهادهای مرتبط را ارائه خواهد داد.؛ البته، قضیه به این سادگی‌ها هم نیست و طراحی یک مدل قدرتمند از سیستم‌های توصیه‌گر دقت زیادی را می‌طلبد و کاری زمان‌بر است. به نظر شما سیستم‌های توصیه‌گر تا کجا می‌توانند در زندگی ما نفوذ کنند؟ آیا روزی فرامی‌رسد که چنین سیستمی جای انسان‌ها را بگیرد و تمام پیشنهادات مورد نیاز را در اختیارمان قرار دهد؟
با تقدیر از سجاد ستاری و الهام حصارکی
تهیه و تنظیم: پشتیبانی پارس‌مدیر
مدیریت دیجیتال , مدیریت فناوری اطلاعات | ۰۴ تیر ۰۲
