كيف ترتقي التكنولوجيا الناشئة بتجربة اكتشاف المنتجات في التجارة الإلكترونية
تطورت عمليات البحث واكتشاف المنتجات بشكل كبير منذ بداياتها، حيث تطورت باستمرار لمواكبة توقعات العملاء المتغيرة باستمرار والتقدم في التكنولوجيا.
ما بدأ مع المحركات القائمة على الكلمات المفتاحية، والتي كانت محدودة في قدرتها على إرجاع منتجات جذابة، تطورت لتشمل البحث المتجه. على الرغم من أن محركات البحث المتجه الأكثر ابتكارًا وسّعت شبكة الملاءمة، إلا أنها لم تحل بشكل جيد فيما يتعلق بالجاذبية - فكرة أن البحث لا يتعلق فقط بعرض المنتجات "ذات الصلة"، بل بعرض المنتجات التي من المرجح أن يشتريها مستخدم معين في سياق معين.
وبفضل التطور السريع للذكاء الاصطناعي والتعلم الآلي (ML)، برزت الأساليب القائمة على تدفق النقرات في المقدمة، مما سمح لتجار التجزئة بتقديم نتائج مخصصة للغاية للمستهلكين النهائيين. وفي الوقت الحاضر، يتقدم بائعو اكتشاف المنتجات إلى أبعد من ذلك، حيث يقومون بتجربة تقنيات ناشئة مثل المحولات، والتي تسمح بفهم أعمق لما يبحث عنه المستخدمون عند البحث والتصفح والتفاعل مع توصيات المنتجات.
المحولات
المحولات هي نماذج خوارزمية متقدمة تم تدريبها على مجموعات كبيرة من بيانات التجارة الإلكترونية. وهي مبنية على بنية التعلم العميق مع نموذج معالجة اللغة الطبيعية (NLP) لتقييم أهمية الكلمات المختلفة في تسلسل ما.قبل ظهورها، كانت أساليب الترجمة الرائدة في مجال الذكاء الاصطناعي تعتمد بشكل كبير على الشبكات العصبية المتكررة (RNNs). قامت هذه الشبكات العصبية المتكررة بمعالجة كل كلمة بالتتابع داخل الجملة. ومع ذلك، غالبًا ما توجد علاقات مهمة بين الكلمات، بغض النظر عما إذا كانت متسلسلة أم لا. تستخدم المحولات آلية تُعرف باسم الانتباه، مما يمكّن النماذج من التعرف على العلاقات بين الكلمات - بغض النظر عن المسافات بينها - وتحديد الكلمات والعبارات المهمة داخل المقطع.
وبسبب طريقة بنائها، يمكن للمحوّلات فهم سياق كل مصطلح في الاستعلام بشكل أفضل، مما يجعلها مفيدة لمعالجة استعلامات البحث المعقدة باللغة الطبيعية (مثل "اعثر لي على حذاء للمشي لمسافات طويلة بأقل من 150 دولارًا ويأتي بمقاس 8 للنساء").
لماذا هي مهمة في التجارة الإلكترونية.
كلما زادت بيانات التجارة الإلكترونية التي تقوم بتدريب محوّلاتك عليها، أصبح نموذجك الأساسي أكثر دقة لحالات الاستخدام المحددة، والمناطق، وسمات بائع التجزئة الفريدة، وما إلى ذلك. والنتيجة هي عملية تكرارية تتطور باستمرار بناءً على عمق الرؤى التي يتم استيعابها، مما يعزز دقة تجربة البحث عن المنتجات واكتشافها بشكل عام.
وبفضل الفهم العميق للاستعلام في سياق النقر، يسمح استخدام المحولات لشركات التجارة الإلكترونية بإرجاع نتائج أكثر جاذبية وتخصيصًا عبر مجموعة كاملة من أدوات البحث عن المنتجات واكتشافها - في كل تفاعل، وفي كل مرة.
وهذا يختلف عن المتجهات، التي تزيد من عدد المنتجات التي يتم إرجاعها للاستعلام، ولكنها لا تملك فهماً كبيراً لما إذا كان المنتج جذاباً أم لا، ولا تضمن جاذبية المنتج على مستوى المستخدم.
النماذج اللغويه الكبيره (LLMs)
النماذج اللغوية الكبيرة (LLMs) هي فئة من نماذج الذكاء الاصطناعي التي تم تدريبها على كميات هائلة من البيانات النصية لأداء مهام فهم اللغة الطبيعية وتوليدها.
كما تعتمد هذه النماذج عادةً على تقنيات التعلّم العميق، خاصةً البنى التحويلية. وهذا يسمح لها بمحاكاة فهم العالم الذي تأتي منه البيانات، وهو ما ينطوي على آثار كبيرة بالنسبة لشركات التجارة الإلكترونية الكبيرة التي ترسل إلى نماذج LLM كميات كبيرة من البيانات الخاصة بالمجال.
لماذا هي مهمة في التجارة الإلكترونية.
يؤدي تدريب أجهزة LLMs على كميات هائلة من استعلامات التجارة الإلكترونية ومجرى النقرات إلى إنشاء نموذج يمكنه محاكاة ما يريده الأشخاص حقًا في موقف معين.على سبيل المثال، من خلال تدفق النقرات، يمكن للنموذج أن يبدأ في فهم أنه عندما يبحث شخص ما عن "زبدة"، فإنه يقصد منتجًا مثل الزبدة المملحة، وليس زبدة الفول السوداني. أو عندما يبحث عن "بنطلون" في الولايات المتحدة، فإنه يقصد بنطلونًا، ولكن عندما يبحث عنه في المملكة المتحدة، فإنه قد يقصد ملابس داخلية. يمكن معرفة كل ذلك من مجرى النقرات، والذي يسمح لك بمعرفة ما يشتريه الأشخاص مقابل ما يتخطونه في كل سياق من هذه السياقات، لضبط النظام.
بيانات تدفق النقرات
باستخدام تدفق النقرات، فإنك تتجاوز مجرد التجزئة البسيطة التي تعتمد على بيانات الطرف الثالث وإعادة الاستهداف. نظرًا لأنك تجمع بيانات العملاء بشكل مجهول في الوقت الفعلي، فإنك توفر للمتسوقين تجربة بحث واكتشاف للمنتجات مخصصة للغاية تعرض المنتجات التي تجذبهم في وقت مبكر من الجلسة الأولى.
تعمل بيانات تدفق النقرات أيضًا على تبسيط المهمة شبه المستحيلة المتمثلة في وضع مؤشرات الأداء الرئيسية لأعمالك على رأس نتائج البحث المخصصة على مستوى المستخدم، مما يسمح لفريقك بتحسين تصنيفات المنتجات على مستوى الموقع.
أهمية ذلك في التجارة الإلكترونية.
كما أن ترتيب المنتجات في سياق مسار النقرات مهم للغاية مع استمرار شركات التجارة الإلكترونية في تنمية قنوات المبيعات، والتوسع في الأسواق.
نظرًا لأن منتجات السوق ليست مملوكة دائمًا، لا تتمتع الشركات دائمًا بالتحكم المباشر في بيانات كتالوجات الجهات الخارجية. غالبًا ما يكون هناك اختلال في المواءمة قبل الشراء، حيث يتبع التجار أساليب مختلفة مع كبسولات التوصيات ويجمعون النقرات من الموقع الإلكتروني فقط، متجاهلين المتجر والقنوات الأخرى. أضف إلى ذلك حقيقة أن المتسوقين يتحسنون في وصف ما يريدون، ويتجاوزون الكلمات المفتاحية البسيطة إلى البحث.
إن الاستفادة من أدوات اكتشاف المنتجات المستندة إلى الذكاء الاصطناعي التي تجعلك تتفوق في هذا الواقع الجديد وتسمح لك بدمج البيانات عبر القنوات أمر بالغ الأهمية لنجاح الأعمال. مع Constructor، يمكن للشركات القيام بذلك.
سواء أكان العملاء يبحثون أو يتصفحون أو يحصلون على توصيات، فإن جميع المنتجات تتعلم من بعضها البعض، وتستفيد من بيانات تدفق النقرات نفسها لتوفير تجربة واحدة موحدة لزوار الموقع وفرق التجارة الإلكترونية على حد سواء.
الذكاء الاصطناعي التوليدي
وفي سياق الكميات الكبيرة من بيانات تدفق النقرات، فإنه يوفر تجربة بحث واكتشاف أكثر تخصيصًا للمنتجات، حيث يمكن للمتسوقين العثور بسرعة وسهولة على منتجات جذابة في جلسة واحدة - وهو أمر يبدو سهلاً من الناحية النظرية، ولكنه صعب من الناحية العملية. (وجدت دراسة حديثة أن أقل من ثلث المستهلكين في الولايات المتحدة وصفوا تجربتهم الأخيرة في العثور على المنتجات على موقع إلكتروني للبيع بالتجزئة بأنها "ممتعة").
هذا هو المكان الذي تصبح فيه تقنية البحث عن المنتجات واكتشافها القائمة على الذكاء الاصطناعي الجيني جذابة للغاية.
أهمية ذلك في التجارة الإلكترونية.
تتمثل إحدى حالات الاستخدام هذه في إنشاء صفحات مقصودة ديناميكية بناءً على سلوك العميل في الموقع، مثل مجموعة من الهدايا للمتسابقين. في كل مرة ينقر فيها العميل ويتفاعل مع موقعك الإلكتروني، فإنه يصوّت بشكل أساسي على المنتجات التي يريد رؤيتها. ينتبه محرك البحث القائم على الذكاء الاصطناعي مثل محرك البحث "كونستركتور" ويعيد ترتيب المنتجات ديناميكيًا لإظهار العناصر الأكثر جاذبية على مستوى الموقع.
يمكن دمج هذه التقنية في البحث الحالي، مثل وجود نافذة منبثقة مع خيارات للبحث بذكاء، أو مركز نوايا للتفاعلات التجارية التحادثية. يمكنك أيضًا الحصول على تبديل البحث بالذكاء الاصطناعي أو إنشاء اقتراحات بحث بالذكاء الاصطناعي داخل شريط البحث.
يمكن أيضًا توصيل بكتالوج منتجاتك واستخدامه لتحسين البنية التحتية للبحث. هذا ممكن مع إثراء السمات. باستخدام مزيج من الذكاء الاصطناعي بالإضافة إلى الابتكارات الجديدة في مجال الرؤية الآلية وتصنيف النصوص، تقوم نماذجنا بتمييز منتجاتك بسمات وفئات جديدة ذات صلة تلقائياً، مع الاستفادة من تدفق النقرات لتحديد أولويات السمات الأكثر أهمية للمشترين في الوقت الفعلي.
وأخيراً، يمكنك أيضاً الاستفادة من الذكاء الاصطناعي التوليدي لإنشاء تجارب مخصصة وجذابة لأنواع مختلفة من المستخدمين من خلال التجارة التخاطبية. ويتضح ذلك من خلال مساعد التسوق بالذكاء الاصطناعي الذي أصدرته شركة Constructor مؤخرًا.
يدخل المتسوقون إلى مواقع البيع بالتجزئة بقصد. قد لا يعرفون بالضبط ما الذي يريدون البحث عنه أو أين يتصفحونه، ولكن غالبًا ما يكون لديهم نية - بدء هواية جديدة، أو معرفة ما سيطبخونه للعشاء، أو التخطيط لرحلة تخييم مع الأطفال، وما إلى ذلك.
بشكل عام، يؤدي استخدام التجارة التخاطبية إلى تقصير الوقت الذي يستغرقه المتسوقون للانتقال من الهدف إلى الواقع، مما يسمح لهم بالتسوق في مكان واحد ومعالجة مشكلة أساسية في طريقة تسوق الناس بشكل فعال، وهي: استغراق ساعات للقيام بشيء بسيط.