چهار راه هوش مصنوعی به پلتفرم های نوظهور تجارت الکترونیک کمک می کند تا با توزیع کنندگان اصلی بازی رقابت کنند.

در طول ۱۲ سال گذشته، استراتژی‌های توزیع رایانه‌ای و بازی‌های ویدیویی دستخوش تغییرات لرزه‌ای شده‌اند. فروش بازی های دیجیتال برای اولین بار در سال ۲۰۱۳ از نسخه های فیزیکی فراتر رفت و این روند با قرنطینه های سال ۲۰۲۰ شتاب بیشتری گرفت. به عنوان مثال، در ایتالیا، هفته اول حبس باعث شد که دانلود بازی های دیجیتالی به میزان ۱۷۴.۹ درصد افزایش یابد.

📷

با نگاهی به آینده، بازار همچنان به رشد خود ادامه می دهد، با پیش بینی Statista که از هم اکنون تا سال 2027 با CAGR 5.76 درصد رشد خواهد کرد و در نهایت تا پایان همان سال به حجم بازار 25.4 میلیارد دلار خواهد رسید.

با وجود این، رقابت همچنان شدید است. بازار بازی‌های دیجیتال تحت سلطه تعداد معدودی از پلتفرم‌ها است و با توجه به اینکه ۹۴ درصد از هزینه‌ها به صورت دیجیتالی انجام می‌شود ، فضای بسیار کمی برای تازه‌واردها باقی می‌گذارد. بازیکنان معتبر – مانند Steam و Epic Games Store در حوزه رایانه شخصی – از این مزیت برای تحمیل هزینه های سنگین به ناشران استفاده می کنند.

برای این نهادهای اصلی، ادغام هوش مصنوعی در عملیات آنها ماهیت دوم است. با این حال، برای پلتفرم‌های کوچک‌تر و در حال ظهور، هوش مصنوعی می‌تواند یک تغییر دهنده بازی باشد – چیزی که به آن‌ها اجازه می‌دهد تا انحصارطلبی فعلی را به چالش بکشند.

در حالی که تکرار پیاده‌سازی‌های موفق هوش مصنوعی مستلزم بررسی دقیق ویژگی‌های خاص پلتفرم و زمینه‌های عملیاتی است، در اینجا چهار روش وجود دارد که هوش مصنوعی می‌تواند به شرکت‌های نوپای تجارت الکترونیک در رقابت با غول‌های توزیع دیجیتال کمک کند.

شماره ۱: افزایش کشف تقلب

در پلتفرم‌های بازی، کلاهبرداری در مقیاس بسیار بزرگ‌تر – و به طور مکرر – نسبت به سایر بخش‌های تجارت الکترونیک اتفاق می‌افتد. الگوریتم های هوش مصنوعی با توجه به ظرفیت پردازش و تجزیه و تحلیل مقادیر زیادی از داده های تراکنش، می توانند الگوها یا ناهنجاری های مشکوک را به سرعت شناسایی کنند.

الگوریتم‌های یادگیری ماشینی با بررسی پایگاه‌های اطلاعاتی گسترده تراکنش‌ها، می‌توانند عملیات متقلبانه را از رفتارهای غیرمعمول کاربر گرفته تا طرح‌های پرداخت نامنظم و خرید از مناطق جغرافیایی غیر معمول، تطبیق داده و تشخیص دهند.

در سیستم‌های سنتی مبتنی بر قوانین، برخی از این شاخص‌ها ممکن است مورد توجه قرار نگیرند، که مانع از توانایی شرکت در تشخیص تقلب و در معرض زیان مالی احتمالی آن می‌شود.

در شرکت ما، با پیاده‌سازی نرم‌افزار مبتنی بر هوش مصنوعی – که توسط شخص ثالث توسعه یافته است – تقریباً از ۹۵٪ از تراکنش‌های جعلی جلوگیری کرده‌ایم. ما همچنین دست به دست هم با تکنولوژی کار می کنیم. هنگامی که یک عملیات به عنوان مشکوک علامت گذاری می شود، مدیر ما شخصاً آن را بررسی می کند. تا زمانی که خرید به صورت دستی توسط مدیر ما تایید نشود، کلیدهای بازی دیجیتال در اختیار خریدار قرار نمی گیرند.

شماره ۲: ساده سازی درخواست های پشتیبانی مشتری

در تجارت الکترونیک، چت ربات های مجهز به هوش مصنوعی یکی از رایج ترین کاربردهای هوش مصنوعی هستند.

از آنجایی که در حال حاضر راه حل های زیادی در بازار وجود دارد، پیاده سازی چت بات ها حتی بدون داده های تاریخی نسبتاً آسان است. از آنجایی که چت‌بات‌ها می‌توانند از تعاملات کاربر بیاموزند، عملاً فوراً نتیجه می‌دهند و به شرکت‌ها کمک می‌کنند نیاز خود را به کارکنان پشتیبانی مشتری کاهش دهند.

علاوه بر این، آنها زمان را برای عوامل پشتیبانی مشتری موجود آزاد می کنند.

در تجربه ما، اکثر پرس و جوهای دریافت شده – حدود ۷۰٪ – بسیار ساده و تکراری هستند. مثالها عبارتند از:

• آیا بازی برای خرید موجود است؟
• چه زمانی می توانم کلید بازی را دریافت کنم؟
• چگونه کلید مجوز خود را فعال کنم؟
• وضعیت سفارش من چیست؟

در ۸۰ درصد از این موارد، ربات‌های هوش مصنوعی ما در کمک به کاربران بدون نیاز به انتقال آنها به یک اپراتور زنده کاملاً موفق بوده‌اند. بنابراین، می‌توان گفت که ربات‌های ما تقریباً ۵۶ درصد از درخواست‌های پشتیبانی دریافتی ما را پوشش می‌دهند، و منابع ارزشمندی را که قبلاً برای کارکنان پشتیبانی ریخته شده بود، آزاد می‌کنند تا بتوانیم از آنها در جاهای دیگر شرکت برای افزایش رشد خود استفاده کنیم.

شماره 3: شناسایی الگوهای محرک تبدیل UX

یک معضل رایج که صاحبان مشاغل تجارت الکترونیکی با آن روبرو هستند، شناسایی عواملی است که با موفقیت باعث ایجاد تبدیل می شوند و عواملی که این کار را نمی کنند.

این یکی دیگر از زمینه‌هایی است که هوش مصنوعی می‌تواند با جمع‌آوری داده‌های کاربر که الگوهای رفتاری تکرارشونده‌ای را که منجر به تبدیل یا جلوگیری از تبدیل‌ها می‌شوند، مشخص می‌کند، کمک کند. بر اساس این داده ها، شرکت ها می توانند تنظیمات UX محور را در وب سایت خود انجام دهند.

علاوه بر این، هوش مصنوعی می‌تواند بخش‌هایی از مشتری ایجاد کند که اثربخشی تلاش‌های بازاریابی را افزایش دهد. از آنجایی که هوش مصنوعی می‌تواند پروفایل‌های کاربر را در ابعاد مختلف ایجاد کند، هوش مصنوعی می‌تواند اتصالات و بخش‌هایی شبیه به هم را که ممکن است از طریق بررسی‌های دستی مشخص نباشند، آشکار کند. به عنوان مثال، مشتریانی که GTA 5 را خریداری می‌کنند، ممکن است به بازی‌هایی با ژانر متفاوتی نیز علاقه داشته باشند که در اصل هیچ ارتباطی با GTA 5 ندارد.

برای تسهیل این امر، ما یک راه حل شخصی سازی هوش مصنوعی شخص ثالث را از Retail Rocket پیاده سازی کرده ایم. این ابزار با استفاده از داده‌های تاریخی خرید مشتری، به ما کمک می‌کند تا چندین کار را انجام دهیم، مانند ارائه توصیه‌های شخصی‌شده محصول – هم در وب‌سایت ما و هم از طریق ایمیل – و شناسایی روابط بین محصولات و به ما امکان می‌دهد خریدهای مکمل را پیشنهاد کنیم.

علاوه بر این، ما همچنین می توانیم خرید احتمالی بعدی مشتریان خود را زمان بندی کنیم. این همچنین زمان ما را برای پیام های بازاریابی بهبود می بخشد. در مجموع، می‌توانیم با افتخار بگوییم که این تلاش‌ها فروش ما را از طریق کانال‌های بازاریابی تا حدود ۱۵ درصد افزایش داده است.

شماره ۴: پیش بینی فروش

با توجه به ماهیت حساس به زمان صنعت بازی – به عنوان مثال، Steam محدودیت هایی را در مورد تعداد کلیدهایی که ناشران می توانند تولید کنند اعمال می کند – پیش بینی موثر کلیدی است.

در اینجا، ما یک مدل هوش مصنوعی ساده را پیاده‌سازی کرده‌ایم که مبتنی بر دو روش اصلی است: پیش‌بینی سری‌های زمانی و تحلیل رگرسیون.

با شناسایی الگوها، اولی به ما کمک می‌کند تا ارقام فروش آینده را پیش‌بینی کنیم و با فصلی سازگار شویم، که عامل مهمی در زمینه بازی است. از سوی دیگر، دومی به تیم ما در ایجاد روابط بین داده‌های فروش و سایر متغیرها – جمعیت‌شناسی، قیمت‌گذاری، دسته‌بندی محصول و موارد دیگر کمک می‌کند.

از آنجایی که تفاوت های زیادی در این پارامترها وجود دارد – به عنوان مثال، بازی های ورزشی سالانه منتشر می شوند، مانند بازی های EA Sports، و سایر بازی های استراتژی که در طول دهه ها طول می کشد – درست کردن این عوامل حیاتی برای پیش بینی دقیق از اهمیت بالایی برخوردار است.

ما برای اولین بار در بهار سال ۲۰۲۴ با این کار شروع کردیم، بنابراین، از هم اکنون، نتایج ما شبیه به آنچه که بدون هوش مصنوعی به دست می آوردیم است. با این حال، ما انتظار داریم که با کالیبراسیون و اصلاح مدل خود و جمع آوری داده های تاریخی بیشتر، دقت ما به طور قابل توجهی در طول زمان بهبود یابد.

افکار نهایی

در برخی زمینه‌ها، مانند بازی، هوش مصنوعی می‌تواند به یک عامل دموکراتیک‌کننده تبدیل شود – عاملی که پلتفرم‌های نوظهور و با پتانسیل را قادر می‌سازد تا با غول‌های تثبیت شده رقابت کنند.

با گفتن این موضوع، برای درک کامل پتانسیل آن، نه تنها یکپارچه سازی هوش مصنوعی به خاطر آن، بلکه در مورد انجام صحیح آن است.

برای شرکت‌های کوچک‌تری که توانایی حفظ تیم داخلی متخصصان هوش مصنوعی را ندارند، یک راه‌حل مناسب استفاده از نرم‌افزار شخص ثالث موجود است. برخی از این راه حل های آماده می توانند توسط توسعه دهندگان معمولی استفاده شوند، حتی اگر در زمینه هوش مصنوعی تخصص نداشته باشند.

پیشنهاد من این است که تمام حجم کاری خود را بلافاصله به هوش مصنوعی منتقل نکنید. در عوض، رویکردی تدریجی داشته باشید. به عنوان مثال، از هوش مصنوعی بخواهید که ۱۰٪ از درخواست های کاربر را بررسی کند، یا به صورت پویا ۱۰٪ از محصولات شما را قیمت گذاری کند.

آخرین اما نه کم اهمیت، حفظ تماس انسان است. بررسی کیفیت پشتیبانی از هوش مصنوعی می تواند بسیار مفید باشد. همانطور که هوش مصنوعی ارزش خود را ثابت می کند، می توانید دامنه آن را در سازمان خود گسترش دهید.