هوش مصنوعی در فروشگاه اینترنتی: کاربردهایی که جواب میدهند
فهرست کاربردهای هوش مصنوعی در تجارت الکترونیک بلند است و بیشترش برای فروشگاهی با اندازه متوسط بیربط. ارزش دارد بهجای فهرست، به ترتیب اولویت نگاه کنیم: کدام کاربرد با دادهای که امروز دارید جواب میدهد، و کدام به مقیاسی نیاز دارد که شاید نداشته باشید.
اول: جستجو
اگر یک جا سرمایهگذاری میکنید، اینجاست. جستجو تنها بخشی از فروشگاه است که کاربر در آن صریحاً میگوید چه میخواهد.
بهبودهایی که مستقیم به فروش میخورند: تحمل غلط املایی، مترادف، و درک عبارتهای توصیفی بهجای تطابق کلمه.
نکته مهم این است که بخش بزرگی از این بهبود اصلاً به مدل نیاز ندارد. برای فارسی، نرمالسازی متن — نیمفاصله، «ی» و «ک» عربی، اعداد — ارزانترین کاری است که بیشترین اثر را دارد. تفصیلش در جستجوی محصول و چالشهای زبان فارسی هست.
سنجهاش هم آماده است: نرخ جستجوهای بینتیجه، و نرخ جستجوهایی که به کلیک منجر نشدهاند.
دوم: پاسخگویی به مشتری
بخش قابل توجهی از تیکتها پرسشهای تکراری با جواب مستند هستند: شرایط گارانتی، مراحل مرجوعی، سازگاری قطعات.
این کاربرد با اسنادی که از قبل دارید کار میکند و سنجهاش روشن است: زمان اولین پاسخ، و سهم تیکتهایی که بدون کارشناس بسته میشوند. راه ساختش را در دستیار پاسخگویی به مشتری نوشتهایم.
سوم: توصیف و دستهبندی کالا
کاری که کمتر دربارهٔ آن صحبت میشود و برای کاتالوگهای بزرگ بازده خوبی دارد: تولید پیشنویس توضیح کالا از مشخصات فنی، پیشنهاد دستهبندی برای کالای جدید، و یکسانسازی ویژگیها — تشخیص اینکه «مشکی» و «سیاه» و «BLACK» یکی هستند.
آن مورد آخر مستقیماً فیلترها را درست میکند، که خودش روی فروش اثر دارد. مبنایش را در مدیریت اطلاعات محصول توضیح دادهایم.
قاعدهای که باید رعایت شود: خروجی پیشنویس است، نه محتوای منتشرشده. بازبینی انسانی پیش از انتشار، هم کیفیت را نگه میدارد و هم جلوی مشخصات غلط را میگیرد.
چهارم: پیشنهاد محصول
اینجاست که انتظارها معمولاً از واقعیت جلو میزنند.
سیستم پیشنهاد به داده رفتاری نیاز دارد و کیفیتش مستقیماً به حجم آن داده بستگی دارد. برای فروشگاهی با تعداد سفارش محدود، مدل پیچیده چیزی به دست نمیدهد که قاعده ساده ندهد.
قاعدههای سادهای که تقریباً همیشه جواب میدهند و مدل نمیخواهند: «کالاهایی که با این کالا خریده شدهاند»، «پرفروشهای همین دسته»، و در فروش سازمانی، «آنچه معمولاً همراه سبد شما سفارش داده میشود».
سراغ مدل وقتی بروید که اینها را داشته باشید و به سقفشان خورده باشید.
در فروش سازمانی، اولویتها فرق میکند
اگر مشتریانتان شرکتها هستند، کاربردهای بالا همانقدر مفیدند ولی ترتیبشان عوض میشود، چون رفتار خرید تکراری و قابل پیشبینی است.
سه کاربرد که در B2B بازده بیشتری دارند:
تشخیص انحراف سفارش تکراری. مشتریای که هر ماه یک سبد ثابت میخرد و این ماه قلمی را جا انداخته. یادآوریاش فروش مستقیم میسازد و پیچیدگی فنی ندارد.
تشخیص مشتری خفته. کسی که الگوی خریدش قطع شده. ارزانترین فروش، برگرداندن همینهاست.
پیشنهاد پله بعدی. «با ده عدد بیشتر به پله قیمتی بعد میرسید» — که اصلاً هوش مصنوعی نیست، فقط نمایش چیزی است که سامانه از قبل میداند. در قیمتگذاری پلهای نوشتهایمش.
آن مورد آخر را عمداً آوردهام: در بسیاری از فروشگاهها، بیشترین بازده از نمایشدادن چیزی میآید که سامانه میداند و نشان نمیدهد، نه از افزودن مدل.
کاربردهایی که برای بیشتر فروشگاهها زودرساند
قیمتگذاری پویا. به حجم داده و بلوغ عملیاتی بالایی نیاز دارد و در بازار حساس به قیمت، ریسک اعتماد دارد.
پیشبینی تقاضا. به تاریخچه چندساله و ثبات نسبی نیاز دارد. در بازاری با نوسان زیاد، خروجیاش قابل اتکا نیست.
تولید تصویر محصول. برای کالای واقعی، تصویر تولیدشده میتواند مصداق ارائه نادرست باشد و به مرجوعی و بیاعتمادی ختم شود.
ترتیبی که پیشنهاد میکنیم
با گزارش جستجوهای بینتیجه شروع کنید. این فهرست را از داده امروزتان دربیاورید و ببینید چقدرش با نرمالسازی و مترادف حل میشود. معمولاً بخش بزرگی.
بعد سراغ دستیار پاسخگویی بروید، چون اسنادش را دارید و سنجهاش روشن است.
سپس یکسانسازی ویژگیهای کاتالوگ، که فیلترها را درست میکند.
و پیشنهاد محصول را وقتی اضافه کنید که داده رفتاری کافی جمع شده باشد.
هر مرحله را پیش از رفتن به بعدی بسنجید. ساختار هزینه این پروژهها در هزینه پروژه هوش مصنوعی توضیح داده شده — و مثل هر پروژه دیگری، برآورد از یک دامنه باریک بهمراتب واقعیتر است تا از یک فهرست آرزو.