هوش مصنوعی در خدمت بازاریابی!

هوش‌مصنوعی امروزه در بیشتر صنایع و حوزه‌ها واردشده و پیشرفتی عظیم و قابل‌توجه را در ارتقای آنها سبب شده‌است. از جمله حوزه‌های مورد‌توجه سرمایه‌داران و فروشندگان بزرگ، بازاریابی است. هوش‌مصنوعی به بازاریابی در جستجوی کالا و ارزیابی محبوبیت کالا به فروشنده و مشتری خدمت می‌کند.

در این مقاله ابتدا به تعریف مفاهیمی مانند نورومارکتینگ،تئوری ناقرینگی پیشانی، ماشین‌لرنینگ و روش‌های آن پرداخته و سپس ارتباط هوش‌مصنوعی با نورومارکتینگ و بازاریابی را بررسی می‌کنیم:

مفاهیم اولیه

• نورومارکتینگ: در واقع اندازه‌گیری سیگنال‌های فیزیولوژیکی و عصبی است که بینشی درمورد انگیزه‌ها، ترجیحات و تصمیم‌های مشتریان به ما می‌دهد. همچنین ما را درباره تبلیغات‌ خلاقانه، قیمت و پیشرفت محصولات و دیگر مباحث بازار‌یابی آگاه می‌سازد.

از روش‌های رایج در نورو‌مارکتینگ می‌توان به اسکن مغز و ردیابی حرکات چشمان اشاره کرد که به‌ ترتیب به
فعالیت عصبی و فیزیولوژیکی انسان مربوط می‌شوند.

• ناقرینگی پیشانی آلفا: مربوط به پردازش احساسات و محرک‌ها است. رفتار‌ها و محرک‌های منفی، مربوط به سطح بالایی از فعالیت قشر مخ راست است. در حالیکه رفتارها‌ و محرک‌های مثبت، مربوط به افزایش فعالیت قشر مخ چپ است.
• ماشین‌لرنینگ(ML): شاخه‌ای از هوش‌مصنوعی و علوم کامپیوتر است که بر‌ روی استفاده از داده‌ها و الگوریتم‌ها تمرکز کرده تا بتواند روش یادگیری انسان‌ها را در نرم افزارها پیاده کرده و همچنین دقت آن‌ها را به تدریج افزایش دهد.

روش‌های ماشین‌لرنینگ به سه روش 《یادگیری تحت‌ نظارت》، 《یادگیری بدون‌ نظارت》 و 《یادگیری
تقویت‌‌شده》 تقسیم می‌شوند که از این‌‌ میان، دو روش اول رایج‌تر اند:

? یادگیری تحت‌نظارت: در این‌روش داده‌ای برچسب‌‌‌گذاری‌ شده به عنوان داده‌‌‌ی تمرینی به ماشین داده
می‌شود تا با استفاده از یک‌ الگوی مشخص بتواند برچسب مناسب داده‌های بعدی را با توجه به داده تمرینی
پیش‌بینی کند.

? یادگیری بدون‌نظارت: در این‌ روش داده‌های مورد‌نظر، بدون برچسب به ماشین وارد می‌شود و ماشین با
آنالیز‌ کردن آنها و استفاده از یک الگوی مشخص، آن‌ داده‌ها را دسته‌بندی می‌کند. اساس دسته‌بندی می‌تواند
بر مبنای شباهت‌ها، تفاوت‌ها یا الگو‌های دیگر باشد. همچنین در این‌روش برخلاف روش یادگیری
تحت‌نظارت، نیازی به فاز تمرینی و داده تمرینی برای ماشین نمی‌باشد.

کاربرد ماشین لرنینگ

• ماشین‌لرنینگ در ابزار‌های پیشرفته ضبط عملکرد‌ عصبی استفاده می‌شود. این ابزار‌ها سیگنال‌های مغزی را آنالیز کرده و ارتباط آن‌ها را با محرک‌های بازاریابی بررسی می‌کند. تئوری ناقرینگی پیشانی آلفا(FAA) به محققان کمک کرده تا با استفاده از الکترود‌هایی که نزدیک لوپ پیشانی نیم‌کره چپ و راست قرار می‌گیرند، پاسخ‌های احساسی 《پسندیدن》 و 《نپسندیدن》 را دسته‌بندی کنند. علاوه بر روش FAA حتی می‌توان از سیگنال‌های مغزی (EPG) دریافت‌شده از یک الکترود نیز استفاده نمود اما این‌کار نیاز به استفاده از الگوریتم‌های پیشرفته ماشین‌لرنینگ داشته که در نورو‌مارکتینگ بسیار کاربردی است.

• در آزمایشات مربوط به نورومارکتینگ از روش‌های یادگیری‌ تحت‌ نظارت و یادگیری بدون‌ نظارت استفاده می‌شود.

در روش یادگیری تحت‌ نظارت از پاسخ‌های «پسندیدن» و «نپسندیدن»، به عنوان برچسب استفاده می‌شود سپس
این‌ برچسب‌ها در شناسایی سیگنال‌های مغزی مربوط به آنها به کار می‌روند.

بعد از فاز تمرین، در فاز تست از داده‌های بدون‌برچسب برای بررسی میزان دقت الگوریتم استفاده می‌شود.

اما از طرفی‌ دیگر‌ در یادگیری بدون‌ نظارت نیازی به این برچسب‌ها نیست. در این‌ روش سیگنال‌های مغزی به
منظور شناسایی دسته‌بندی‌های متفاوت، آنالیز می‌شوند.

• در ۵ سال اخیر محققان نورومارکتینگ پیرامون دسته‌بندی داده‌های سیگنال‌های مغزی و پیش‌بینی انتخاب مشتری تحقیق نموده‌اند.
• رایج‌ترین الگوهای یادگیری فرا‌نظارت‌ شده در نورومارکتینگ:

Support vector machine(SVM), Naive Bayes, Artificial Neural Networks(ANN), Random Forests(RF)

• و رایج‌ترین الگو‌ها در یادگیری غیر‌نظارت شده روش‌هایی مانند K-Nearest Neighbors(KNN) ،Principal Components Analysis (PCA) و ... هستند.

الگوریتم های یادگیری تحت نظارت

• الگوریتم Support vector machine(SVM): در این‌الگو با استفاده از یک ابرصفحه (hyperplane) بیشترین فاصله بین دو داده انتخاب می‌شود. برای مثال در شکل پایین L2

همچنین داده‌هایی که نزدیک‌تر به ابرصفحه هستند بعنوان 《بردار‌ پشتیبانی》(support vector) انتخاب
می‌شوند. هدف در این‌ الگو این است که بردارهای پشتیبانی بیشترین فاصله را تا ابرصفحه داشته باشند.

• الگوریتم Naive bayes: در این‌ الگو از قانون 《پیشامدهای مستقل بیز》 برای دسته‌بندی داده استفاده می‌شود. با استفاده از این‌ قانون داده‌های مستقل در دسته‌های متفاوت قرار می‌گیرند. برای مثال میوه‌ی سیب، قرمز، گرد و دارای قطر ۱۰ سانتی‌متر است. حال برای تشخیص میوه‌ی دیگر، ماشین هر‌کدام از این ویژگی‌ها را به صورت مستقل در‌نظر گرفته تا تشخیص بدهد که آیا این‌ میوه سیب است یا خیر.

• الگوریتم Aetificial neural networks(ANN) یا شبکه عصبی مصنوعی: این‌ شبکه با بهره‌گیری از مغز انسان ارتباط بین نورون‌های آن را تقلید می‌کند. از لایه‌های گرهی تشکیل شده است که شامل لایه ورودی، لایه‌های پنهان و لایه خروجی است. هر‌ گره عصبی به گره‌های دیگر متصل شده و دارای 《وزن》 و 《آستانه‌ عصبی》 وابسته به آنها است. اگر خروجی هر‌کدام از گره‌ها از مقدار آستانه بالاتر باشد، آن‌ گره فعال شده و داده‌ها را به لایه دیگر شبکه ارسال می‌کند، در غیر این‌ صورت هیچ داده‌ای ارسال نمی‌شود. شبکه‌های عصبی با تکیه بر داده‌ی تمرینی، دقت خود را مرتباً افزایش می‌دهند و ما  را قادر به دسته‌بندی داده‌ها با سرعت بالا می‌سازند. برای مثال شناسایی عکس یا صدا توسط انسان، ساعت‌ها زمان می‌برد در صورتی‌که این‌کار توسط شبکه‌های عصبی در چند دقیقه انجام می‌شود.

• الگوریتم Random forest(RF): این‌ الگو از چندین درخت تصمیم‌گیری تشکیل شده است. درخت تصمیم‌گیری ساختاری است که با سؤالاتی 《بله یا خیر》داده‌ی دریافتی را به چندین قسمت تقسیم کرده و به تدریج با سوالات بیشتر شاخه‌های جدید‌‌‌تر را ایجاد می‌کند. این عمل تا جایی ادامه می‌یابد که به برگ‌ها رسیده و دیگر سؤالی ایجاد نشود. هر‌کدام از این‌ سوالات در رسیدن به تصمیم نهایی، در هر‌ یک از درخت‌ها به ماشین کمک می‌کند.

الگوی random forest زیر‌مجموعه‌ای از ویژگی‌های تصادفی را ایجاد می‌کند تا درخت‌های تصمیم‌گیری
کمترین ارتباط و تناسب را با‌ هم داشته باشند. هر‌ کدام از درخت‌ها به صورت جدا، یک دسته را پیش‌بینی
می‌کنند و در نهایت دسته‌ای که توسط بیشترین درخت‌ها پیش‌بینی شده باشد، به عنوان نتیجه نهایی انتخاب
می‌شود.

نمونه هایی از الگوریتم های یادگیری بدون نظارت

الگوریتم Principal Components Analysis(PCA): یک الگوریتم برای کاهش ابعاد داده است. این الگوریتم ابعاد داده‌های بزرگ را کمتر کرده و آن را به داده‌های کوچکی که حاوی اکثر اطلاعات مهم است تقسیم می‌کند. این‌ روش با حذف‌ کردن بعضی از داده‌ها، بررسی و تحلیل آن را برای ماشین آسان‌تر کرده و در عین‌حال تاثیر بسیار‌ کمی روی دقت آن می‌گذارد. در شکل پایین خطی که با بیشترین داده‌ها، کمترین فاصله را دارد انتخاب شده، داده‌هایی که نزدیک به خط واقع شده به عنوان داده‌های مهم‌تر انتخاب شده و داده‌های دورتر نادیده گرفته می‌شوند.

الگوریتم K-Nearest Neighbors(KNN) (البته این الگوریتم گاهی به عنوان الگوریتم تحت نظارت و گاهی به عنوان الگوریتم بدون نظارت در نظر گرفته می‌شود): در این‌ الگوریتم فرض می‌شود داده‌هایی از یک دسته در نزدیکی هم قرار دارند. عدد K به عنوان یک ضریب،  تعداد داده‌های همسایه‌ی اطراف داده مجهول را انتخاب کرده و هر‌ داده را در مرکز یک دایره فرضی با تعداد K داده قرار می‌دهد. بدین‌ترتیب دسته‌ای که بیشترین داده از آن در این‌دایره باشد، داده‌ی مجهول را نیز متعلق به آن‌ دسته می‌کند. برای مثال در تصویر پایین اگر K را برای داده مجهول (ستاره قرمز) عدد 3 در نظر بگیریم، یک دایره فرضی با 3 داده همسایه به مرکزیت داده مجهول تشکیل می‌شود. به دلیل بیشتر بودن تعداد داده‌های دسته B (داده سبز رنگ) در این‌ دایره داده‌ی مجهول را نیز متعلق به دسته B می‌دانیم. همچنین اگر K را 6 در نظر بگیریم، در دایره‌ای با 6 داده همسایه، تعداد داده‌های دسته A (داده آبی رنگ) بیشتر بوده و داده مجهول را متعلق به دسته ‌‌A می‌دانیم.

قسمت‌های مورد‌ مطالعه مغز در نورومارکتینگ

امروزه، مقالات نورومارکتینگ بر آنالیز پاسخ‌های رفتاری مشتریان تمرکز کرده‌اند. این آزمایشات به‌طور عمده از تئوری 《ناقرینگی پیشانی آلفا》برای کانال چپ و راست پیشانی استفاده می‌کنند.

علاوه‌ بر گروه امواج آلفا، از امواج بتا و تتا نیز برای شناسایی عصبی و پاسخ‌های احساسی مشتریان استفاده می‌شود. جدول پایین آمار یافته‌هایی مربوط به امواج مغزی و عملکرد آنها در مطالعات نورومارکتینگ را نشان می‌دهد.

مقایسه دقت الگوریتم‌های ماشین‌لرنینگ در نورومارکتینگ

در این مطالعه تعداد زیادی از تحقیقات نورومارکتینگ، از هوش‌مصنوعی به‌منظور پیشبینی و دسته‌بندی استفاده کرده‌اند. جدول پایین دقت میانگین این الگوریتم‌ها را در مطالعات نورومارکتینگ نشان می‌دهد.

طبق این جدول، شبکه عصبی مصنوعی با دقتی نزدیک به ۸۰ درصد، بیشترین دقت را میان این الگوریتم‌ها دارد. اگرچه شبکه‌های عصبی مصنوعی به تعداد بیشتری داده برای فاز تمرینی نیازمند است اما این تعداد زیاد نیز خود بیانگر پویایی آن در نورومارکتینگ است.

بعد از شبکه عصبی مصنوعی، الگورتیم "SVM" با دقت ۷۰ درصد، بیشترین دقت در دسته‌بندی را کسب کرده‌است.

جمع بندی

همان‌طور که مطالعه کردید، هوش مصنوعی کاربردهای زیادی در نورومارکتینگ دارد که ماشین‌لرنینگ از شاخه های مهم آن است. این روش به سه دسته‌ی تحت نظارت، بدون نظارت و تقویت شده تقسیم می‌شوند.در این سه دسته هر کدام از الگوریتم‌ها، به طورمجزا در تحلیل اثر محرک ها بر فعالیت مغز و سپس در نورومارکتینگ می‌توانند کاربرد داشته باشند. در نهایت وابسته به نوع مطالعه، دقت الگورتیم‌‌ها مقایسه شده و دقیق ترین آنها برای تحقیقات انتخاب می‌شود.