بازاریابی با ایمیل شخصی‌سازی شده مبتنی بر هوش مصنوعی
محمدرضا محمدزاده اصل
در این مقاله به بررسی مسئله تبلیغ کالا با استفاده از رویکردهای هوش مصنوعی پرداخته می‌شود. برای این منظور به چهار پرسش زیر باید پاسخ دهیم.
- چه مسئله‌ای را می‌خواهیم حل کنیم؟
شخصی‌سازی بازاریابی: به چه کسی، چه چیزی را در چه زمانی ارسال کنیم.
- چگونه می‌توان از هوش مصنوعی برای شخصی‌سازی بازاریابی استفاده کرد؟
از هوش مصنوعی استفاده می‌کنیم تا بهترین قالب ایمیل را به مشتری ارسال کنیم.
- راه‌حل ارائه شده با هوش مصنوعی به چه شکل است؟
با ترکیب استفاده از یادگیری تقویتی، سیستم پیشنهاد دهنده و منطق تجاری مسئله را حل می‌کنیم.
- با چه چالش‌هایی مواجه می‌شویم و چگونه آن‌ها را حل کنیم؟
حجم داده زیاد برای مدل به منظور یادگیری و ایجاد پیش‌بینی‌ها.
برای شخصی‌سازی کالاهایی که به مشتریان پیشنهاد می‌کنیم چند رویکرد وجود دارد. رویکرد اول که ساده‌تر است بر اساس تاریخچه خرید کالاهای قبلی مشتری و همچنین اطلاعات آماری مربوط به آن منطقه جغرافیایی است. می‌توان یک مدل مانند XGBoost طراحی کرد تا با دریافت این اطلاعات محتمل بودن خرید کالاها توسط مشتری را برای ما پیش‌بینی کند. در این روش به کاربر خرید مجدد کالاهایی که در گذشته خریداری کرده پیشنهاد می‌شود. به عنوان مثال در صورتی که کالا تخفیف خورده باشد با احتمال بیشتری مشتری آن را مجددا می‌خرد. اما اگر بخواهیم به کاربر کالاهایی را پیشنهاد کنیم که تا کنون خریداری نکرده چطور؟ در اینجا رویکرد دوم مطرح می‌شود.
در اینجا باید با ترکیب خریدهای گذشته، پاسخ‌های بازار و ویژگی‌های محصول به کاربر محصولات را پیشنهاد کنیم. همچنین باید توجه داشته باشیم که برخی کالاها به صورت فصلی خریداری می‌شوند و در بازه‌های زمانی مشخصی توجه بیشتری به آن‌ها می‌شود؛ به عنوان مثال درخت کریسمس یک نمونه از این کالاها است. با ترکیب این اطلاعات و ورودی دادن آن‌ها به یک مدل می‌توانیم کالاها را بر اساس احتمال خرید کاربر مرتب کنیم. به منظور معرفی کالا به مشتری نیز می‌توانیم در کنار یک محصول قبلی خریداری شده آن‌ها را معرفی کنیم؛ به عنوان مثال: شما X را خریداری کردید... چرا Y را امتحان نمی‌کنید؟ برای طراحی قالب ایمیل با مسئله سخت‌تری مواجه می‌شویم. علاوه بر اطلاعات قبلی باید ویژگی‌های ایمیل را نیز در آموزش مدل دخیل کنیم به گونه‌ای که باید احتمال کلید کاربر و خرید محصول را به طور همزمان لحاظ کنیم. در اینجا با مسئله Multi-Armed Bandit مواجه می‌شویم که در ادامه به آن پرداخته خواهد شد.
برای انتخاب زمان ارسال ایمیل می‌توان ابتدا 3 الی 5 زمان تصادفی در طول یک هفته انتخاب کرد و در گام بعدی با استفاده از هوش مصنوعی زمان‌ها و بسامدی که کاربران روی ایمیل‌ها کلیک می‌کنند و محصولات را خریداری می‌کنند را شناسایی کرد. در اینجا باید دقت داشته باشیم که در طول انجام این کار مشتریان unsubscribe نکنند. با توجه به اینکه unsubscribe کردن مشتریان باعث می‌شود تا دیگر نتوانیم به آن مشتری تبلیغات ارسال کنیم باید unsubscribe کردن را به عنوان یک هزینه بزرگ در آموزش مدل تاثیر دهیم.
در این مقاله به یک سیستم برای انجام این کار می‌پردازیم که از سه مولفه اصلی تشکیل شده است. ابتدا کنش‌ها مانند ایمیل‌ها و اعلانات را تولید می‌کنیم. سپس با یک موتور شخصی‌سازی آن‌ها را رتبه‌بندی می‌کنیم تا محتوای مناسب برای هر شخص و کانال مربوطه را پیدا کنیم و در نهایت آن‌ها در کانال‌های انتخاب شده توزیع کنیم. در هنگام انتخاب مشتریانی که ایمیل به آن‌ها ارسال می‌شود باید دقت داشته باشیم که از نظر تعداد ایمیل محدودیت داریم و از طرفی بین سودی که مشتریان به ما می‌رسانند تفاوت وجود دارد. از این رو مسئله انتخاب مشتری را به مسئله Multi-Armed Bandit مدل می‌کنیم. مهم‌ترین چالش این مدل انتخاب نسبت اکتشاف به بهره‌برداری است که باید تریدآف مناسب بین آن‌ها انجام شود. اکتشاف به ارسال ایمیل جدید به مشتریانی به غیر از مشتریان پر سود می‌پردازد با این امید که بتوان آن‌ها را به مشتریان پر سود تبدیل کرد. از طرفی می‌توان روی مشتریان فعلی تمرکز کرد تا با یادگیری بیشتر علایق آن‌ها کالاهای بهتری را به آن‌ها نمایش دهیم و سود کوتاه مدت را بیشتری دریافت کنیم. چالش در اینجاست که هیچگاه نمی‌دانیم آیا به اندازه کافی اکتشاف کرده‌ایم یا باید بیشتر اکتشاف کنیم. در اینجا رویکردی انتخاب شده که در بلند مدت سود بیشتری را حاصل کند که در مقابل روش‌هایی قرار دارد که در ابتدا سود زیادی می‌دهند اما بعد از گذشت مدتی رشد چندانی ندارند.
در این مقاله به بررسی روشی برای شخصی‌سازی ایمیل‌ها با هدف بازاریابی پرداختیم. در ادامه می‌توان این روش به ساخت سبد محصول برای مشتریان به منظور خرید دسته‌ای از محصولات با هم و همچنین شخصی‌سازی تخفیف تعمیم داد.
