سيستم هاي پيشنهادگر در فروشگاه هاي الکترونيک

 

 

نويسنده: سعيد رستگار

 

 

 

     حتما تا کنون برايتان پيش آمده که به توصيه دوستان يا آشنايان کتابي را بخريد يا به يک موسيقي گوش دهيد. اين شيوه تبليغ زباني باعث تجديد چاپ کتاب ها ، پرفروش شدن آلبوم هاي موسيقي و خلاصه موفقيت محصولات بسياري شده است.دليل اصلي اين تاثير در اعتماد و شناختي است که گيرنده پيام به فرستنده آن دارد.اعتمادي بسيار قوي تر از آنچه نسبت به راديو ، تلويزيون ، نشريات و ساير رسانه ها وجود دارد.

     از طرف ديگر خيلي ها بدون راهنمايي و مشورت با فروشنده نمي توانند خريد کنند.آنها بايد حتما قيمت ها و کالاها را مقايسه کنند ، پيشنهاد فروشنده را بشنوند و با همراهشان هم مشورت کنند تا بتوانند براي خريد تصميم بگيرند.کاملا روشن است که فروشگاه هاي الکترونيک بطور بالقوه چنين قابليتي را ندارند.هر چه اين فروشگاه ها بزرگتر هم باشند وضعيت براي خريدار مبهم تر و انتخاب از ميان چندين و چند کالا مشکل تر مي شو و بايد براي آن چاره اي انديشيده شود

      بياييد ببينيم يک فروشنده چگونه به خريدار در فرآيند خريد کمک مي کند؛ احتمالا فروشنده از شما در مورد کالايي که مي خواهيد ، مشخصات آن ، قيمت مطلوب و ساير اولويت هايتان سوال مي کند.اگر بار اولي نباشد که به فروشگاه مي رويد احتمالا با خصوصيات اخلاقي و سلايق شما نيز تا حدودي آشنايي دارد.علاوه بر اين فروشنده نسبت به موجودي فروشگاه اطلاعات نسبتا کاملي در اختيار دارد.يک فروشنده ي ماهر با تلفيق اين اطلاعات است که مي تواند راهنماي خريدار باشد.فکر مي کنم کار تا حدودي ساده شد.ما در يک فروشگاه الکترونيک تقريبا تمام اين اطلاعات را در اختيار داريم يا مي توانيم بدست آوريم.تنها کاري که لازم است انجام دهيم ساخت يک فروشنده مجازي است تا فرآيند فروشي را که در بالا ذکر شد بطور خودکار براي مشتري انجام دهد.و اين همان چيزي است که به ان سيستم هاي پيشنهادگر در تجارت الکترونيک مي گوييم.

     همانطور که تا کنون فهميده ايد طراحي و پياده سازي چنين سيستمي شامل دو گام به ظاهر مستقل (ولي کاملا مرتبط) است.گام نخست ، که سيستم در آن بايد به جمع آوري داده هاي کاربران بپردازد و گام دوم که با تجزيه و تحليل داده هاي گام نخست فهرستي از محصولات مرتبط با نياز هاي کاربر تهيه و به وي ارائه مي شود.در ادامه اين مقاله بطور خلاصه در باره هر يک از اين دو مرحله صحبت خواهيم کرد.

 

گام نخست ؛ جمع آوري داده هاي کاربران

اطلاعاتي که سيستم از کاربران بدست مي آورد هم از لحاظ نوع و هم از لحاظ نحوه بدست آمدن متفاوتند.گيل و گارسيا(١) در تحقيق خود اين اطلاعات را به سه گونه زير تقسيم بندي کرده اند:

الف)داده هاي صريح:داده هايي که مستقيما بوسيله کاربر براي سيستم تعريف مي شود مثل داده هاي مربوط به نام ، شغل ، آدرس و ... خريدار

ب)داده هاي ضمني:داده هايي که از تعامل کاربر با سايت بدست مي آيند مثل سابقه گشت . گذار و خريد هاي قبلي کاربر

ج)داده هاي مرکب:داده هايي که با استفاده از تکنيک هاي مفهومي و از ترکيب داده هاي صريح و ضمني بدست مي آيند.

خلاصه اي از داده هاي کاربران و نحوه دستيابي به آنها در جدول زير آمده است.

 

 

گام دوم : توليد پيشنهاد با استفاده از داده هاي موجود

رويکرد هاي متفاوتي در تجزيه و تحليل داده ها و توليد پيشنهاد مناسب وجود دارد که در زير بطور خلاصه به آنها اشاره مي کنم.

 

الف)سيستم هاي غربال هميارانه :اين الگوريتم بر پايه اين فرض اساسي استوار است:کساني که در کذشته با هم توافق داشته اند به احتمال زياد در آينده نيز توافق خواهند داشت.عملکرد اين سيستم بدين گونه است که با تجزيه و تحليل آماري اطلاعات يا استخراج داده هاي کاربر ، خريد هاي گذشته وي و ساير اطلاعات يک محدوده ي همسايگي از افراد با سلائق و علائق مشترک ايجاد مي کند.سپس با يافتن نزديکترين همسايه ها براي هر کاربر به پيشنهاد انتخاب هاي اين همسايگان به کاربر مي پردازد.

ب)سيستم هاي غربال مبتني بر محتوا :اگر سيستم هاي غربال هميارانه بر پايه ارتباط ميان کاربران و علائقشان پياده سازي مي شد ، سيستم هاي غربال بر پايه محتوا با تبيين رابطه ميان کالا ها و اقلام موجود در فروشگاه پياده سازي مي شوند.به عبارت ديگر  اين سيستم ها اطلاعات پيشنهادي به کاربر را از طريق کالاهايي که وي قبلا خريده است بدست مي آورند.اين سيستم ها با استفاده از تکنيک هاي گوناگون هوش مصنوعي از قبيل شبکه هاي عصبي ، درخت هاي تصميم گيري و ... به يک دسته بندي ميان اقلام محبوب و غير محبوب کاربران دست مي يابند.بعضي از اين سيستم ها علاوه بر اين از ارتباط ميان اقلام با هم براي کشف قوانين مربوط به وابستگي کالا ها و پياده سازي اقلام "هم خريد" (٢) استفاده مي کنند.

 

ج)سيستم هاي مبتني بر شناخت : اين سيستم ها را مي توان بصورت ترکيبي از دو سيستم فوق تعريف کرد.به بيان ديگر چنين سيستم هايي شناختشان از کاربران را از طريق پيوند با اطلاعات موجود در مورد کالا ها تکميل مي کنند.

 

در مقاله حاضر تنها به معرفي سيستم هاي پيشنهادگر و الگوريتم هاي مورد استفاده آنها در جهت آشنايي کاربران پرداختم.در آينده با بررسي مثال هاي پياده سازي شده واقعي بيشتر در خصوص اين سيستم ها خواهم نوشت.

 

پاورقي :

١)سيستم هاي پيشنهاد گر در تجارت الکترونيک ، آ.ب.گيل و اف.جي.گارسيا ، دانشگاه سالامانکا ، اسپانيا

٢)co-purchase

 

مراجع:

١.Recommender systems in E-Commerce,by A.B.Gil & F.J.Garcia,university of Salamanca, Span

٢.Distributed recommender systems for internet for in ternet commerce,by Badrul Sarwar,Joseph Konstan & John Riedl, university of Minnesota, USA

٣.Wikipedia,The free internet encyclopedia(www.wikipedia.org)