یکی از اهداف اصلی بازاریابی، جذب توجه و علاقه مخاطب به محصول و کسب و کار است. هر چقدر که بتوان مشتری را با محصول خود بیشتر درگیر و علاقه‌مند کرد، احتمال خرید او و تبدیل شدنش به یک مشتری وفادار بالاتر می‌رود. در این سال‌ها که مشتریان با حجم زیادی از تبلیغات و محصولات روبرو می‌شوند، وقت کمتری را برای توجه به تبلیغات برندها صرف می‌کنند. در چنین وضعیتی، این موضوع بسیار اهمیت پیدا می‌کند که در زمان کمی که می‌توانیم توجه مخاطب را به خود جلب کنیم، چه محصول یا تبلیغی به مخاطب پیشنهاد شود تا شانس جلب توجه او بیشتر شود. این توصیه هر چقدر که مناسب ویژگی‌های مشتری باشد احتمال تعامل مشتری بالا می‌رود. سیستمهای ریکامندر یا توصیه‌گر با همین هدف ساخته شده‌اند تا با تحلیل اطلاعات ورودی از مشتریان، بتوانند بهترین توصیه را به آنها بکنند. در این مقاله از آکادمی کاپریلا به صورت کامل به معرفی سیستمهای Recommender می‌پردازیم تا با نحوه عملکرد آنها، مزایا و کاربردهای آن در بازاریابی آشنا شویم. پس خواندن این مقاله را از دست ندهید.
فیلم آموزشی سیستم ریکامندر
سیستم ریکامندر (Recommender) چیست؟
زمانی که به مغازه‌ای سر می‌زنید و قصد خرید محصولی را دارید، احتمالاً فروشنده تعدادی سؤال در مورد محصولی که قصد خرید آن را دارید از شما می‌پرسد. اگر مشتری ثابت آن مغازه باشید، ممکن است سلیقه شما و خریدهای قبلی‌تان را هم به یاد داشته باشد. سپس بر اساس این اطلاعات، تعدادی محصول را به شما پیشنهاد می‌دهد. با این روش، کار شما را برای انتخاب بین محصولات پرتعداد، آسان‌تر می‌کند و احتمال اینکه از بین این محصولات خرید خود را انجام دهید زیاد است. حال فرض کنید تا به حال از فروشگاهی خرید نکرده‌اید اما فروشنده می‌داند شما معمولاً به دنبال چه محصولاتی و با چه مشخصاتی هستید و تعدادی از آنها را به شما پیشنهاد می‌دهد؛ احتمالاً غافلگیر می‌شوید. این کار، همان چیزی است که سیستمهای ریکامندر در وبسایت‌ها و اپلیکیشن‌ها انجام می‌دهند.
در فضای مجازی و سایت‌های اینترنتی، فروشنده‌ای وجود ندارد تا بتواند به کاربران پیشنهاد خرید دهد. به همین دلیل مارکترها از یک سیستم خودکار برنامه‌نویسی شده برای این کار استفاده می‌کنند که به آن سیستم ریکامندر می‌گویند. این سیستمها بر اساس اطلاعات ورودی که به آنها داده می‌شود و با کمک هوش مصنوعی و یادگیری ماشین می‌توانند به هر کاربر پیشنهادهای متفاوتی بدهند که احتمال دارد از آن خوشش بیاید. این سیستمها تنها به پیشنهاد محصول محدود نمی‌شوند و در قسمت‌های مختلفی می‌توانند کارایی داشته باشند. در انواع مختلف محتوا مانند محتوای متنی، صوتی، تصویری و ویدیویی میتوان از سیستم ریکامندر استفاده کرد.
دوره ویدئویی آموزش یادگیری ماشین: اینجا را کلیک کنید (+).
به صورت کلی هدف همه سیستمهای ریکامندر، پیدا کردن بهترین پیشنهادها برای گرفتن تعامل زیادتر از کاربر و در نتیجه موفقیت بیشتر در بازاریابی و کسب و کار است. در ادامه با نحوه کار این نوع سیستمها بیشتر آشنا می‌شوید.
سیستم ریکامندر یا توصیه‌گر چگونه کار می‌کند؟
همان‌طور که گفته شد این سیستمها به صورت برنامه‌نویسی شده و خودکار عمل می‌کنند و تنها منبع ورودی اطلاعات و هدف خروجی برای این سیستمها مشخص می‌شود تا شروع به کار کنند. هدف اصلی، بر اساس جایی که این سیستمها قرار است مورد استفاده قرار بگیرند متفاوت است و میتواند پیشنهاد محصول، محتوا یا چیزهای دیگر باشد؛ اما منابع ورودی به صورت کلی به دو قسمت زیر تقسیم می‌شوند:
- داده‌های داخلی مربوط به هر کاربر و رفتارهای قبلی او در سیستم
- داده‌های خارجی مربوط به کل کاربران و تعامل‌های آنها با کسب و کار
سیستمهای ریکامندر بر اساس الگوریتم‌های متفاوتی ساخته می‌شوند که انواع سیستمها را می‌سازند. دو نوع معروف و پرکاربرد این سیستمها در زیر معرفی می‌شود:
سیستم محتوا محور
این نوع سیستمهای ریکامندر، بر اساس داده‌های قسمت اول یعنی داده‌های داخلی کار می‌کند؛ به این شکل که الگوریتم تلاش می‌کند تا محتوا یا محصولات موجود را بر اساس ویژگی‌های مختلف دسته‌بندی کند. سپس بر اساس محتوای قبلی که هر کاربر مشاهده کرده است، سابقه خرید او، سابقه اضافه کردن محصول به سبد خرید و … محتوای دیگر همان دسته را به او پیشنهاد می‌کند.
به عنوان مثال اگر کاربری در سایت دیجیکالا تعدادی گوشی موبایل را مشاهده کند، این سایت، دیگر محصولات این دسته‌بندی گوشی را در قسمت پیشنهادهای کاربر قرار می‌دهد یا آنکه سیستم به‌گونه‌ای تنظیم شده باشد که گوشی‌های برندهای دیگر در همان حدود قیمت و مشخصات را به کاربر نمایش دهد. در مثالی دیگر، زمانی که یک کاربر در سایت یوتیوب چند ویدیو در مورد دیجیتال مارکتینگ را ببیند، در مراجعه بعدی خود ویدیوهای دیگری در زمینه دیجیتال مارکتینگ در صفحه اصلی یوتیوب خود مشاهده خواهد کرد.
سیستم ریکامندر در دیجیکالا
سیستم همکاری محور
این نوع سیستم برخلاف روش قبل، اطلاعات کل کاربران را برای ارائه پیشنهاد در نظر می‌گیرد. برای این کار الگوریتم سعی می‌کند تا کاربران با علایق مشترک را پیدا کند و محتوایی که یک کاربر را جذب کرده، به دیگر کاربران با پرسونای مشابه او نیز پیشنهاد دهد.
فرض کنید در یک سایت، دو کاربر مقاله A و B را خوانده باشند. اگر کاربر سوم به سایت سر بزند و مقاله A را بخواند، سیستم مقاله B را به او پیشنهاد می‌دهد؛ چراکه احتمال می‌دهد مانند دو کاربر قبلی به این مقاله نیز علاقه‌مند باشد. اپلیکیشن اینستاگرام از این روش استفاده زیادی می‌کند و مطالبی که دیگر فالوورهای یک کاربر با آن تعامل داشته‌اند را در صفحه اکسپلور آن کاربر نشان می‌دهد.
در سایت‌های بزرگ و الگوریتم‌های پیشرفته میتواند ترکیبی از این دو روش مورد استفاده قرار گیرد تا از تمامی اطلاعات موجود از رفتارهای کاربران استفاده شده و با ارائه بهترین پیشنهادها موفقیت بیشتری حاصل شود.
تفاوت سیستمهای ریکامندر با شخصی‌سازی
یکی از روش‌های کاربردی در بازاریابی مدرن، استفاده از تکنیک‌های Personalization یا شخصی‌سازی است. شاید در مفهوم، این عبارت شبیه سیستمهای ریکامندر باشد؛ چراکه هدف هر دو روش، ارائه پیشنهادهای مخصوص هر کاربر برای گرفتن تعامل و فروش بیشتر است؛ اما در عمل، تفاوت‌هایی بین این دو روش وجود دارد.
شخصی‌سازی استفاده از هرگونه اطلاعات کاربر در فرآیندهای بازاریابی با هدف ساخت تجربه بهتر در مسیر سفر مشتری است. این روش میتواند ارتباطی با ارائه پیشنهاد نداشته باشد. به عنوان مثال اگر سایتی بعد از ثبت‌نام و هنگام ورود مجدد پیام خوش‌آمدگویی با اسم کاربر ثبت‌نامی را نشان دهد یا در روز تولد مشتریان قبلی خود به آنها پیام تبریک ارسال کند و هدیه‌ای بفرستد، از این روش برای ایجاد حس بهتر و افزایش اعتماد و اعتبار استفاده کرده است. اما قسمتی از روش شخصی‌سازی به ارائه پیشنهادهای مخصوص کاربر می‌پردازد. این قسمت را میتوان زیرمجموعه‌ای از سیستمهای ریکامندر دانست؛ چراکه تنها از اطلاعات داخلی خود مشتری برای پیشنهاد استفاده می‌شود. در این حالت میتوان از الگوریتم‌هایی مانند الگوریتم محتوا محور برای شخصی‌سازی استفاده کرد. پس به صورت کلی این دو روش شبیه هم نبوده و تنها در قسمت‌های خاصی دارای همپوشانی هستند.
مزایای استفاده از سیستم ریکامندر چیست؟
در این قسمت به اهمیت استفاده از سیستمهای توصیه‌گر در کسب و کار پرداخته می‌شود تا دلیل توجه زیاد کسب و کارهای بزرگ به این سیستمها مشخص شود.
افزایش فروش و نرخ تبدیل
مهمترین دلیل استفاده از سیستمهای ریکامندر را میتوان تأثیر زیاد آنها در افزایش فروش عنوان کرد. زمانی که به مخاطب محصولی پیشنهاد شود که به دنبال آن است، احتمال بازدید و سپس خرید آن محصول افزایش پیدا می‌کند. در دیگر مراحل قیف بازاریابی هم میتوان از این سیستمها برای افزایش نرخ تبدیل استفاده کرد. به عنوان مثال اگر در کمپین‌های بازاریابی ایمیلی، محتوای پیشنهادی بر اساس علایق کاربران برای آنها ارسال شود؛ نرخ کلیک و تعامل آنها با کسب و کار بیشتر شده و نرخ تبدیل بالاتر می‌رود.
افزایش رضایت مخاطب و مشتری
هر چقدر که پیشنهادهای بهتری به مخاطب نشان داده شود، او احساس و تجربه بهتری خواهد داشت؛ چرا که حس می‌کند آن کسب و کار او و علایقش را می‌شناسد و به همین دلیل حس نزدیکی و رضایت بیشتری می‌کند. در برندینگ، یکی از اهداف اصلی، افزایش رضایت کاربران است که میتواند آنها را به مشتری وفادار تبدیل کند و این کار، با سیستمهای ریکامندر قابل انجام است.
گرفتن مخاطب و ورودی بیشتر
زمانی که تعامل مخاطبین در سایت بیشتر شود، آنها وقت بیشتری را در سایت می‌گذرانند. این کار میتواند باعث بهبود سئو سایت و در نتیجه، گرفتن رتبه‌های بهتر و ترافیک بیشتر شود. برند قوی و ایجاد حس خوب در مشتری نیز میتواند باعث شود تا آنها به افراد بیشتری کسب و کار را معرفی کنند که این کار با کمک بازاریابی دهان به دهان باعث رونق بیشتر کسب و کار خواهد شد.
کاهش نرخ ریزش مشتری
یکی از شاخص‌های کلیدی که کسب و کارها باید توجه ویژه‌ای به آن بکنند، نرخ ریزش (Churn Rate) است. این نرخ به میزان خروج مشتریان و توقف خرید و ارتباط آنها با کسب و کار می‌پردازد. هر چقدر که با کمک سیستم ریکامندر و ارائه پیشنهادهای خوب بتوان مشتریان را در ارتباط بهتر و قوی‌تری با کسب و کار نگه داشت، به همان میزان نرخ ریزش مشتریان کاهش پیدا می‌کند. به همین دلیل، کاهش نرخ ریزش یکی از مزیت‌های مهم سیستمهای ریکامندر است.
کاربرد سیستم ریکامندر در بازاریابی
به آخرین قسمت مقاله و معرفی کاربردهای سیستمهای توصیه‌گر در بازاریابی رسیدیم. در این قسمت به همراه مثال‌های مختلف به نحوه استفاده از این سیستمها در کسب و کارهای متفاوت می‌پردازیم.
فروشگاههای اینترنتی
همان‌طور که در مثال‌ها عنوان شد، یکی از کاربردهای اصلی سیستمهای ریکامندر در فروشگاههای اینترنتی و با ارائه پیشنهاد هدفمند محصول‌هایی به بازدیدکننده سایت است که احتمالاً به آن محصولات سر می‌زند. این پیشنهادها در قسمت‌های مختلف سایت میتواند ارائه شود. پیشنهاد محصول‌های مشابه در زیر صفحه محصول، کاربردی‌ترین محل ارائه پیشنهاد است. در مقاله‌های فروشگاه نیز میتوان محصولات مرتبط با متن محتوا را در بین یا آخر مقاله پیشنهاد داد. در صفحه اصلی سایت نیز میتوان از شخصی‌سازی و قرار دادن محصولات مرتبط با بازدیدهای قبلی هر کاربر استفاده کرد.
فروشگاههای بزرگ مانند آمازون دارای پیشرفته‌ترین سیستمهای ریکامندر هستند که فروش زیادی را از این طریق به‌دست می‌آورند. در ایران نیز سایت‌های فروشگاهی بزرگ مانند دیجیکالا از این سیستم استفاده می‌کنند. فروشگاههای متوسط و کوچک نیز می‌توانند از سطح ساده‌تر این سیستمها به شکل افزونه استفاده کنند. این افزونه میتواند از تگ‌های موجود در محصولات و مقالات استفاده کرده و پیشنهادهای ساده ولی مرتبط به بازدیدکننده‌ها بدهد.
سایت‌های محتوایی
بعد از فروشگاه اینترنتی، سایت‌های محتوایی هم از سیستم ریکامندر استفاده زیادی می‌کنند. در این سایت‌ها دیگر فروش، هدف اصلی نبوده و درگیر کردن بیشتر مخاطب با محتوای سایت به عنوان هدف سیستم در نظر گرفته می‌شود. این سیستمها با الگوریتم‌های خود تلاش می‌کنند تا از بین محتواهای زیاد موجود در سایت، بهترین محتواها را بر اساس علایق کاربر به او پیشنهاد دهند.
سایت IMDB که اطلاعات کاملی از تمامی سریال‌ها و فیلم‌های جهان را دارد با کمک ریکامندرها متوجه ژانرهای مورد علاقه کاربر شده و پیشنهادهای نزدیک به آن را ارائه می‌دهد. سایت NETFLIX که به تولید و پخش اینترنتی سریال و فیلم مشغول است نیز از همین سیستم برای افزایش تعامل علاقه‌مندان به سینما استفاده می‌کند. در محتوای صوتی نیز میتوان از این سیستمها بهره برد. اپلیکیشن Spotify به هر کاربر یک پلی‌لیست آهنگ و پادکست بر اساس شنیده‌های قبلی او پیشنهاد می‌دهد. سایت‌های خبرگزاری و مجله‌های اینترنتی بزرگ نیز می‌توانند از ریکامندر استفاده کنند اما همه آنها باید تعداد انبوهی از محتوا را در اختیار داشته باشند تا سیستم ریکامندر بتواند به خوبی تحلیل‌های خود را انجام دهد.
سایت‌های UGC
سایت‌ها و برنامه‌هایی که از محتوای ساخته شده توسط کاربر (UGC) استفاده می‌کنند، یکی از مشتریان اصلی سیستمهای ریکامندر هستند. سایت‌های ویدیویی مانند یوتیوب و آپارات، اپلیکیشن‌هایی مانند اینستاگرام و پینترست، سایت‌های تعاملی مانند فیسبوک و حتی سایت‌های بیزینسی مثل لینکدین همگی از نمونه‌های این سایت‌ها هستند.
کار این سیستمها کمی سخت‌تر است چرا که در ابتدا دیدی به محتوایی که منتشر می‌شود ندارند. به همین دلیل باید در مرحله اول به تحلیل محتوا و ویژگی‌های آن بپردازند و سپس محتواهای محبوب را به دیگر علاقه‌مندان به آن نوع محتوا نمایش دهند. به همین دلیل یکی از پیچیده‌ترین الگوریتم‌های سیستمهای ریکامندر در این نوع سایت‌ها در حال استفاده است.
تبلیغات اینترنتی
در تبلیغات آنلاین هم میتوان از ریکامندرها استفاده کرد. سایت‌های محتوایی و UGC از تبلیغات برای کسب درآمد استفاده می‌کنند. همانند محتوا اگر تبلیغات پیشنهاد شده مناسب علایق کاربران باشد، میزان تعامل و احتمال کلیک و خرید آنها بیشتر می‌شود و در نتیجه، کسب و کار به درآمد بیشتری می‌رسد. به همین دلیل این سایت‌ها در نشان دادن تبلیغات هم از سیستمهای ریکامندر استفاده می‌کنند تا کاربر تبلیغ‌های نامرتبط نبیند و تجربه بهتری داشته باشد. اگر تجربه دیدن تبلیغ در سایت یوتیوب را داشته باشید؛ حتماً متوجه شده‌اید که موضوع تبلیغات با موضوع ویدیوهایی که اخیراً مشاهده کردید بسیار نزدیک است.
سخن پایانی بر سیستمهای ریکامندر
هدف سیستمهای ریکامندر افزایش بازده فعالیت‌های بازاریابی اینترنتی با ارائه بهترین پیشنهادها به مخاطبین کسب و کار است. تمامی کسب و کارهای سنتی و دیجیتال می‌توانند از این مفهوم استفاده کنند و سعی در بهینه کردن پیشنهادهای خود کنند؛ اما هر چقدر که کسب و کار بزرگ‌تر باشد، محتوا و محصولات ورودی سیستم بیشتر شده و داده‌های تعامل و خرید مشتریان نیز کامل‌تر است. به همین دلیل الگوریتم‌های هوش مصنوعی و یادگیری ماشین می‌توانند تصمیم‌های بهتری بگیرند تا هدف سیستم به شکل بهتر انجام شود. پس کسب و کارهای بزرگ دیجیتال با بودجه‌های زیاد می‌توانند از مزیت‌های سیستمهای ریکامندر استفاده بیشتری کنند.
اگر این مطلب برای شما مفید بوده است، آموزش‌ها و مطالب زیر نیز به شما پیشنهاد می‌شوند:
- آموزش مقدماتی مدیریت تجربه مشتری (CEM)
- آموزش مدیریت ارتباط با مشتریان (CRM)
- آموزش بازاریابی مستقیم و آنلاین رابطه مندی با مشتری (رایگان)
- آموزش هفت اصل کلیدی برای خلق تجربه لذت بخش برای مشتری (رایگان)
- آموزش طراحی ارزش پیشنهادی در مدل کسب و کار
