با هوش مصنوعی یک قدم جلوتر از مصرف کنندگان باشید!

شناخت علایق و خواسته های مشتریان همواره یکی از خواسته های بازاریابان بوده تا بتوانند با این شناخت حرکت بعدی مشتری را پیش بینی نمایند. ظرفیت دانش شناخت مشتریان برای یک کسب و کار می تواند راهنمای تمامی بخش های آن مجموعه از جمله بازرایابی، فروش، تولید، بازرگانی، لجستیک و ... باشد.

هدف نهایی این است که حرکت مشتری قبل از آنکه خود مشتری آن را بداند پیش بینی نماییم.

ضرورت این پیش بینی بر کسی پوشیده نیست ولی سوال مهم در اینجا این است که

چه چیزی این پیش بینی را مشکل می نماید؟ جواب این سوال انسان بودن می باشد.

واکنش انسان در محیط های مختلف و بسته به محرک های دریافتی متفاوت است. انسان برای تصمیم گیری در مورد مسائل مختلف همواره با بررسی این عوامل مقایسه آنها با معیار های درونی و بیرونی خود و بررسی خروجی این موضوع سعی در اتخاذ تصمیمی برای حداکثر سازی منافع خود دارد.

مسئله مهم درک این موضوع می باشد که واکنش انسان به مسايل یکسان در دوره های مختلف عمر مشتری و در موقعیت های مختلف متفاوت می باشد. لذا پیش بینی این واکنش توسط الگوریتم های تحلیلی نیز تقریبا غیر ممکن می باشد.

در رفتار شناسی سنتی هدف دسته بندی و بخش بندی مشتری به گروه مشخصی می باشد که افراد آن گروه مشابهات رفتاری زیادی دارند. در واقع خروجی رفتاری فرد با الگوی مشابهی سنجیده می شود.

این موضوع دقیقا منطبق با رویکرد سنتی برنامه نویسی می باشد که در آن با یک برنامهه نویس یک برنامه ای را ایجاد می نماید، آن را فرمول بندی و کدگذاری می نماید و با ورودی های مختلف خروجی آن را مشخص می نماید.

این دقیقا منطبق با محاسبات یک تحلیل گر رفتار مصرف کننده می باشد که در آن یک بخش بندی صورت می گیرد و طبق منطقی الگوی خاص رفتاری به مشتری اختصاص داده می شود.

اما این الگوی منطقی همواره قابل اتکا نخواهد بود دلیل آن:

انسان موجودی تغییر پذیر و تغییر دهنده می باشد و واکنش او به هر محرکی بسته به موقعیت، زمان و واکنش افراد تاثیر گذار تغییر خواهد نمود.

راه حل چیست؟

بیایید همانطور که برای الگو سازی تحلیل سنتی رفتار شناسی از برنامه نویسی کمک گرفتیم برای راه حل نیز همان کار را انجام دهیم.

در روش نوین برنامه نویسی با استفاده از هوش مصنوعی که به آن یادگیری ماشینی گفته می شود منطق و فرمولی برای ایجاد خروجی مشخص نمی شود و در واقع خود ماشین با بررسی ورودی و خروجی از رفتار مشتری الگو ها و منطق خود را مشخص می نماید.

در این روش به جای آنکه مشخصات یک سیب از قبیل رنگ، شکل، اندازه، وزن و … به برنامه داده شود تا بتواند تشخیص دهد که شکل بعدی نیز سیب است کافیست تصاویر مختلف سیب به ماشین نشان داده شده تا آن برنامه خود منطق خود را برای تشخیص سیب تشکل دهد.

اما تفاوت اصلی یادگیری ماشینی با یک برنامه قابلیت تطبیق پذیری آن می باشد به این معنی که هر خروجی جدیدی از رفتار یک فرد می تواند ورودی جدیدی برای درک بهتر آن فرد باشد.

در سالهای اخیر با رشد ظرفیت های سخت افزاری و نرم افزاری قابلیت های جمع آوری اطلاعات، تحلیل و استفاده از بسیار متحول شده است. این موضوع تا جایی پیشرفت نموده که شرکت های سازنده تلفن همراه پردازنده های جدیدی برای تحلیل های بر پایه هوش مصنوعی در گوشی های موبایل افراد استفاده نمودند تا از قابلیت های علم بتوان در لحظه و بر روی گوشی همراه شما استفاده نمایند.

استفاده از این قابلیت ها در علم رفتارشناسی، بازاریابان را به هدف نهایی خود یعنی پیش بینی قدم بعدی مشتری نزدیک تر و نزدیک تر می نماید. سطوح پیش بینی به شرح ذیل می باشد.

سه الگوی پیش بینی اصلی وجود دارد که شرکت ها باید از آنها بهره ببرند:

1. تجزیه و تحلیل عاطفی و قصد (Emotional and Intent Analysis): این بررسی به متخصصان تجربه مشتری (Customer Experience) کمک می نماید تا بتوان به احساسات ناشی یا منشاء اقدام های مشتریان دست پیدا نمایند. شناسایی این عامل می تواند کمک شایانی نماید تا بتوان با ایجاد یا بهره گیری از بوجود آمدن مجدد آن احساس رفتار مشابهی را از مشتری انتظار داشته باشیم.

2. الگوهای بخش (Segment patterns): متخصصان رفتار شناسی می بایست کلیه بازخوردهای ساختار یافته و بدون ساختار (structured and unstructured) مشتریان را جمع می کند و الگوهای رفتار آنها را مشخص می کند. بهره گیری از هر دو دسته اطلاعات در بخش بندی دینامیکی بهتر مشتریان کمک شایانی می نماید.

3. اقدامات آینده (Future Actions): هدف اصلی برای هر سازمان استفاده از الگوی پیش بینی شده است که می تواند به سرعت ویژگی های مهم را در داده های تجربه تاریخی مشتری (historical experience) شناسایی کند که بر نتایج عملکردی آن در خصوص آن کسب و کار تأثیر می گذارد ، به گونه ای که فرد می تواند از این نکات در سفر مشتری (customer journey) استفاده کند که احتمالاً باعث ایجاد اقدام آینده آن مشتری می شود. این موضوع موجب آن می شود یک شرکت پیش بینی کند که در صورت بروز یک تجربه خاص ، مشتری به شکلی خاص عمل خواهد کرد.

برای جمع بندی این موضوع در صورتی که شما بخواهید در این زمینه فعالیت داشته باشید به یاد داشته باشید که علاوه بر یادگیری هوش مصنوعی و یادگیری ماشینی می بایست علم رفتارشناسی مشتریان را نیز به خوبی فرابگیرید.

به دنبال چه عاملی در الکوی رفتاری مشتری هستید، چگونه آن را شناسایی و طبقه بندی نمایید و چطور آن را به سایر بخش های مشتریان توسعه می دهید.

توانایی پیش بینی رفتار مصرف کننده با یادگیری عمیق (Deep Learning) و سازگار با هوش یادگیری ماشینی و با دقت بالا دورنمای دور نیست. هوش مصنوعی آماده ایجاد تغییر پویایی بازار ، تاکتیک ها و تکنیک های صنایع است ، اما کسانی که با این روند همگام نیستند ، دست به یک اشتباه بزرگ می زنند.

https://www.logianalytics.com/predictive-analytics/machine-learning-vs-traditional-programming/

https://www.apple.com/iphone-11-pro/

https://www.cioreview.com/news/artificial-intelligence-to-predict-consumer-behavior-nid-28315-cid-175.html