نقش یادگیری ماشین در بازاریابی دیجیتال

machine-learning

 

کارشناسان معتقدند که یادگیری ماشین در زمینه های متعددی از جمله بازاریابی دیجیتالی، بازار اپلیکیشن های موبایل و هدایت هواپیماهای بدون سرنشین، خودروهای بدون سرنشین و … را بصورت مستمر به پیش هدایت می کند. اما بدلیل افزایش مداوم تقاضا برای داده های بیشتر و استفاده از الگوریتم های متنوع تر، ابزارهای یادگیری ماشین روز به روز بیشتر در دسترس قرار می گیرد. بنابراین توجه به این امر ضروری خواهد بود که کسب و کارها فرایندهای بازاریابی مورد نیاز خود را بخوبی یافته و از ابزار، داده ها و الگوریتم های مناسب استفاده نمایند تا از خطاهای موجود در این حوزه در امان بمانند.

 

– نکاتی در خصوص بکارگیری یادگیری ماشین

همانطور که ذکر شد، با توجه به افزایش مداوم بکارگیری یادگیری ماشین، بکارگیری ابزار، داده ها و الگوریتم های مناسب هر فرایند توسط کسب و کارها ضروری بنظر می رسد. برای سرمایه گذاری بیشتر بر روی این فرصت می بایست نکاتی مدنظر قرار گیرد:

وبسایت خود را واکنش گرا نمایید.

داشتن وبسایتی با زمان بارگذاری سریع، پشتیبانی از رسانه های متعدد و سازگار با موبایل برای رتبه بندی گوگل بسیار ضروریست. تحقیقات بسیاری ثابت نموده است که بهبود در طراحی وبسایت، در ایجاد ترافیک بر روی وبسایت بسیار موثر است. کسب و کارها می بایست اطمینان حاصل نمایند که بطور دائم تست های بهینه سازی وبسایت انجام می پذیرد و همچنین بهبود تجربه مشتری در فضای وبسایت مورد توجه شان قرار می گیرد.

جستجو های لوکال را بهینه کنید.

برای کسب جایگاه بهتر در رتبه بندی گوگل می بایست جستجوهای لوکال را بهینه نمایید؛ بنحوی که نام کسب و کار و برند خود، آدرس محل کسب و کار، URL وبسایت و در نهایت سایر جزئیات را بر روی پلت فرم های متعدد بدرستی وارد نمایید.

برای شرایط جستجوهای مکالمه ای آماده باشید

ترکیبی از یادگیری ماشین و افزایش جستجوهای صوتی عبارات جستجوهای مکالمه ای را برای کاربران و کسب و کارها تبدیل به یک امر ضروری کرده است و بسیار مهم است که کسب و کارها برای بدست آوردن رتبه بالا در جستجوهای گوگل در این زمینه آمادگی داشته باشند. برای این امر بهتر است محتوی تولید شود تا با پرس و چوهای صوتی مشتریان همخوانی بیشتر داشته باشد.

 

بروز بودن با روندهای صنعت

بدلیل تحولات روزانه در مباحث یادگیری ماشین و بهبودهای دائم در این حوزه، علاوه بر استفاده از ابزارهایی همچون Smart Insights ، SEMrush ، Moz و … که در جستجوهای بازاریابی دیجیتال بکار می آیند، بروز ماندن با اخبار صنعت جهت سرمایه گذاری بروی روندهای روبه روشد بازار و پیشرو بودن در میان رقبا بهمراه بکارگیری مباحث بروز در یادگیری ماشین امری مهم تلقی می گردد.

توضیح تکمیلی در خصوص مثال ارایه شده:

سیستم های پیشنهاد دهنده (Recommender Systems)

سیستم پیشنهاد دهنده، همانگونه که از نام آن بوضوح پیداست، یک سیستم یا تکنیکی است که محصول و یا خدمت ویژه ای را پیشنهاد یا توصیه می کند.

سیستم های پیشنهاد دهنده بر اساس ترجیحات کاربرانشان برای مجموعه ای از آیتم ها اطلاعاتی جمع آوری می کند. جمع آوری اطلاعات هم به صورت صریح (مثل پرسشنامه و یا رتبه های داده شده توسط کاربر) و هم به صورت ضمنی که اغلب با کاوش رفتار کاربر بدست می آید (مثل رصد کردن آهنگهایی که گوش داده است، یا برنامه هایی که بارگیری کرده است، یا صفحات وبی که مرور کرده است و یا کتاب هایی که خوانده است) انجام می شود. همچنین، ممکن است سیستم های پیشنهاد دهنده مشخصه های جمعیت شناختی کاربران اعم از سن، جنسیت، تحصیلات، شغل، تابعیت و … را نیز مورد استفاده قرار دهند. مجموعه ای از این اطلاعات جمع آوری شده متناسب با نیاز سیستم با کمک الگوریتم های یادگیری ماشین می تواند منجر به ایجاد سیستم های پیشنهاد دهنده گردد.

 

artificial-inteligence

اصول سیستم های پیشنهاد دهنده

در زمان پایه ریزی و طراحی یک سیستم پیشنهاد دهنده، ترکیبی از ملاحظات زیر مورد توجه قرار می گیرد:

  • نوع داده موجود در پایگاه داده:

در پایگاه داده هر سیستمی بر اساس نوع کارکرد سیستم، داده های مختلفی ذخیره می شوند (مثل امتیازهای داده شده توسط کاربران به آیتم ها، اطلاعاتی که یک کاربر در زمان ثبت نام از خودش وارد می کند، اطلاعات استخراج شده از شبکه های اجتماعی و موقعیت فیزیکی کاربر). لازم بذکر است، بر اساس نوع داده موجود، نحوه عملکرد سیستم نیز تغییر می کند.

  • الگوریتم فیلترینگ مورد استفاده:

Collaborative Filtering – Content-based Filtering – Social-based Filtering – Demographic Filtering – Hybrid Filtering

artificial-inteligence

انواع الگوریتم های فیلترینگ

مهمترین بخش در سیستم های پیشنهاددهنده، الگوریتم فیلترینگ مورد استفاده در آن ها می باشد که به شرح مهمترین این الگوریتم ها پرداخته می شود:

فیلترینگ مشارکتی (Collaborative Filtering):

این الگوریتم یکی از معروف ترین و پرکاربردترین الگوریتم ها در این بحث می باشد. اصولا الگوریتم فیلترینگ به همان نحوی عمل می کند که ما نیز معمولا در تصمیم گیری های خود در زندگی عمل می کنیم و آن استفاده از نظرات و تجربیات سایر کاربران است. یکی از مهمترین پیش نیازهای این الگوریتم دسترسی به داده های گذشته می باشد. در این روش معمولا سیستم محیطی را فراهم می کند تا کاربران بتوانند برای هر آیتم موجود در سیستم، رتبه دلخواه خود را ثبت کنند. سپس با کمک الگوریتم های یادگیری ماشین کاربرانی که نزدیکترین رفتار به کاربر مدنظر را دارند شناسایی و متناسب با عملکرد آنان پیشنهادات جدید ارائه می گردد.

فیلترینگ بر مبنای محتوی (Content-based Filtering)

برعکس فیلترینگ مشارکتی، فیلترینگ بر مبنای محتوی به داده های گذشته نیاز ندارد. در این روش اگر کاربر برای اولین مرتبه به سیستم وارد شود و یا از گذشته او اطلاعاتی در دسترس نباشد، با توجه به پسندهای او یا جستجوهای فعلی، پیشنهادات برای کاربر مهیا می گردد. بعنوان مثال رمانی که در مورد یک فیلم، کتاب، مقاله، دستور آشپزی و یا غیره جستجو انجام می گیرد، با توجه به برخی آیتم های محتوایی موجود در آن جستجو(مثلا نام کارگردان، هنرپیشه ها و ژانر فیلم در جستجوی یک فیلم)، پیشنهادات آتی به کاربران داده می شود.

در این سیستم ها نکته مهم، تعیین یک معیار مشابه متناسب با جستجوهای کاربر می باشد. در این الگوریتم، آیتم هایی به کاربر پیشنهاد می شوند که شباهت بیشتری با آیتم هایی که در کاربر مورد نظر آنها را پسندیده و یا جستجو کرده داشته باشند.

سایر فیلترینگ ها

در سال های اخیر مهندسان یادگیری ماشین بر روی توسعه این بخش از مبحث یادگیری ماشین و کاربرد آن در بازاریابی دیجیتال کارهای ارزشمندی انجام داده اند و الگوریتم هایی بر اساس اطلاعات جمعیت شناختی، آگاه از مکان (Location-Aware)، شبکه های اجتماعی و … را معرفی و بسط داده اند.

سیستم های هیبرید

همانگونه که از نام این سیستم ها پیداست، این سیستم ها از ترکیب چند روش بوجود می آیند. در این سیستم ها سعی بر آن است تا نقاط ضعف یک روش بوسیله نقاط مثبت روشی دیگر پوشش داده شود. بعنوان مثال، در سیستم پیشنهاد دهنده شرکت Netflix هنگامی که شما برای نخستین بار وارد می شوید با روش فیلترینگ بر مبنای محتوی (Content-based Filtering) بر نقاط ضعف حاصل از روش فیلترینگ مشارکتی فائق می آید و در ادامه با توجه به جستجوها، امتیازات داده شده به آیتم ها و مشاهده فیلم ها، سیستم با کمک فیلترینگ مشارکتی پیشنهادات جدید ارائه خواهد داد.

 

مطالب مرتبط :

3 راه جهت هدفمندتر کردن محتوای بازاریابی
کمپینهای برتر دیجیتال مارکتینگ در سال 2018 برای روز ولنتاین