تاثیر روش های تحلیل رفتار مشتریان توسط هوش مصنوعی
اجازه بدید مقدمه رو با این سوال شروع کنم که فیلم “خاطرات بریجت جونز” تولید سال ۲۰۰۱ را تماشا کردید؟ یکی از اهدافی که بریجت برای سال نو خود در پیش میگیرد ایسنت که “هر شب برای تفریح بیرون نرو، در عوض در خانه بمان و مشغول خواندن کتاب ها و گوش دادن به موسیقی های کلاسیک شو”.
اما اگر واقعیت رو در نظر بگیریم باید گفت که اینطور نیست و اغلب مردم رفتاری که در اوقات فراغت خودشان دارند با انچه که میگویند بسیار متفاوت است.اقتصاددانان این پدیده را “تخفیف هیپربولیک” نامیده اند.
مفهوم تخفیف هیپربولیک
در این پدیده علیرغم اینکه شما در آینده کارهای مهمتر یا پرمنفعت تری برای انجام دارید که عقلا باید بر روی ان وقت بگذارید ! تصمیم میگیرید که به سراغ کاری بروید که براتان همین الان لذت بخش است . بصورت تکنیکال تر تخفیف هیپربولیک بیان میکنه که مردم در مورد کارهایی که زمان بهره برداری از آنها دورتر است ترجیح میدهند لذت کنونی هر چند کمتر را تجربه کنند و تصمیم دورتر اما بهتر را به تعویق بیندازند . در یک مطالعه مشهور در سال ۲۰۰۶ با عنوان “پرداختی برای نرفتن به ورزشگاه“، آقای دلاویگنا و همکارش متوجه شدند که وقتی به مراجعه کنندگان یک قرارداد پرداخت 10دلار به ازای هر جلسه و قرارداد دیگری مانند پرداخت هزینه ماهانه ۷۰ دلار ارائه می شود، با احتمال بیشتری انها هزینه ماهانه را انتخاب میکردند. این در حالیست که بطور متوسط فقط ۴.۳ جلسه (به عبارتی ۴ جلسه) در ماه شرکت میکردند.به عبارتی در واقع ۷۰ درصد بیشتر هزینه می نمودند یعنی چیزی در حدود ۱۷ دلار!! برای هر جلسه . در این مقاله علت این موضوع این بیان شده بود که مردم بشدت تاثیر اراده خودشان را در رفتن به باشگاه دست کم گرفته بودند. به عبارت دیگه فکر میکردند که جلسات بیشتری به ورزش خواهد رفت! درست به دلیل مفهوم “تخفیف هیپربولیک” هست که مردم معمولا میگویند “بهترین زمان برای ورزش فرداس امروز رو بی خیال!” .
نکته جالب دیگر اینکه فرایند تصمیم گیری برای انجام کاری , خود مقداری از اراده ما برای انجام اون کار رو کاهش میدهد .این همان دلیلی است که وقتی از باراک اوباما پرسیدند چرا تو همیشه یک رنگ و مدل کت و شلوار میپوشی گفت نمیخواهم انرژی بیشتری صرف تصمیم گیری درباره نوع لباس امروزم در میان تصمیمات بسیار مهم تر دیگری که امروز با آنها مواجه میشم بگیرم.
این مقدمه درباره تخفیف هیپربولیک را عرض کردم تا بگم آنچه مردم برنامه ریزی میکنند با آنچه که اتفاق میفتد متفاوت است و همینطور که شما انتظار دارید با آنچه در واقعیت اتفاق میفتد ممکن است متفاوت باشد و شما نیاز دارید تا با استفاده از داده ها تصمیم بگیرید که رفتار دقیق مصرف کنندگان چگونه است .
تخفیف Hyperbolic یکی از چالش های مهم در کار خلاقانه است. سلیقه ها کاملا فردی هستند و عناصری از طرح و روایت که یک داستان را تبدیل به یک اثر فوق العاده می کند، می تواند به سادگی در کار داستان دیگر بحرانی به همراه شکست مالی را ایجاد کند. پس باید بسیار مواطب بود که تصمیم گیری بر مبنای واقعیت های در حال تغییر باشد تا صرفا بر مبنای اصول و نظرات ایده آل و …
برای دهه ها، تبلیغ کنندگان و بازاریاب ها برای پیش بینی مصرف محصولات اوقات فراغت مانند فیلم ها و کتاب ها تلاش می کردند. این موضوع چالشی برای تصمیم گیری درباره زمان صحیح اقدام است. یک استودیو در کدام تعطیلات آخر هفته باید یک فیلم جدید را منتشر کند؟ هنگامی که یک ناشر یک نسخه از یک کتاب را منتشر می کند، چگونه تصمیم می گیرند که چه زمانی نسخه الکترونیکی کتاب را هم منتشر کند؟
قدرت های تاثیر گذار در پیش بینی رفتار انسانی
امروزه داده های بزرگ ، دیدگاه جدیدی را در مورد نحوه تجربه سرگرمی افراد ارائه می دهد. به عنوان یک محقق که تاثیر هوش مصنوعی و رسانه های اجتماعی را بررسی می کند، سه قدرت را به طور خاص در پیش بینی رفتار انسانی تاثیر گذار میدانم.
۱. اقتصاد دم (دنباله) طولانی
این مفهوم اولین بار در سال ۲۰۰۳ در مقاله ای از “کلی شیرکی” آورده شد که بعدها توسط “کریس آندرسون ” ، رسماً معرفی شد. در آمار و کسب‌وکار، یک دم طولانی توزیعی است که بخش بزرگی از آن از «سر» یا بخش مرکزی آن دور باشد.به عبارتی، در گذشته و پیش از توسعه ی شبکه جهانی اینترنت حداکثر سودی که یک فروشگاه کسب می کرد از فروش بالای تعداد محدودی از اجناس محبوبش بود (hit-focused marketing). ولی در حال حاضر میلیون ها محصول وجود دارد که ممکن است هرکدام از آن ها توسط مشتریان کمی خریداری شوند، ولی بخاطر تنوع محصولات، سود حاصله می تواند مقدار قابل توجهی باشد (Niche Marketing). این موضوع در واقع اساس کار Long Tail است.
اینترنت باعث شده توزیع محصولات سرگرمی که محبوبیت کمتری دارند در برابر محصولات جریان اصلی بازار ممکن شود. اینجاست که استفاده از داده های رفتاری مشتریان بومی و غیر بومی کمک شایانی به تصمیمگیری در توزیع محصولات خواهد کرد.
۲. نفوذ اجتماعی در عصر هوش مصنوعی
با استفاده از رسانه های اجتماعی، مردم می توانند آنچه را که میبینند را با دوستان خود به اشتراک بگذارند،به عبارتی تجارب سرگرمی مستقل افراد , اجتماعی تر می شوند.
با استخراج داده ها از سایت های اجتماعی مانند توییتر ، شرکت ها می توانند بصورت آنلاین اقبال مخاطبین به فیلم و موسیقی و تئاتر و… را ردیابی کنند و نسبت به شیوه ادامه اکران آن در مناطق مختلف جمعیتی تصمیم بگیرند. استودیوهای فیلم می توانند از گنجینه اطلاعاتی داده های دیجیتالی استفاده کنند تا تصمیم بگیرند که چگونه اکران ها را تبلیغ و تاریخ اکران را برای فیلم ها منتشر کنند. به عنوان مثال، حجم جستجوی گوگل از تریلر فیلم در ماه قبل از اولین نمایش آن، میتواند منجر به پیشگویی جلودار بودن رای کدام دسته از فیلم های کاندید اسکار و همچنین میزان درآمد گیشه ها باشد. استودیوهای فیلم می توانند اطلاعات گذشته مربوط به تاریخ انتشار فیلم و عملکرد گیشه ها را با روند جستجو مخاطبین ترکیب کنند تا پیش بینی تاریخ انتشار مطلوب برای فیلم های جدید خود را تعیین کنند.
داده های رسانه های اجتماعی همچنین به شرکت ها کمک می کند تا احساسات منفی را قبل از اینکه چالش ها را به یک بحران تبدیل کنند شناسایی کنند.شدیدا تاکید میکنم که در عصر چهارم , یک توئیت ساده از یک مخاطب با نفوذ ناراضی میتواند ویروسی شود و افکار عمومی را شکل دهد.
در مطالعه ای که آقای “یونگ تان” از دانشگاه واشنگتن و”کذ اوه “, از دانشگاه ایالتی جورجیا انجام دادند نشان داده اند که چطور نفوذ اجتماعی نه تنها تعیین می کند که کدام فیلم های یوتیوب محبوب تر شوند، بلکه فیلم هایی که توسط کاربران تاثیر گذار به اشتراک گذاشته می شوند نیز بیشتر مورد استقبال واقع میشوند.
مطالعه دیگری هم نشان می دهد که هنگامی که استودیو ها قبل از انتشار فیلم، به رسانه های اجتماعی توجه می کنند، تفاوت درآمد پیش بینی شده و درآمد واقعی، که به عنوان خطای پیش بینی در نظر گرفته میشود، ۳۱ درصد کاهش یافته است.
۳. تجزیه و تحلیل مصرف
داده های بزرگ در قالب های بصری براحتی نشان میدهند که مثلا مردم از چه کتاب ها و برنامه های تلویزیونی بیشتر لذت برده اند.اجازه بدید یک مثال بزنم. جردن النبرگ ریاضیدان پیشگام در استفاده از شاخص هاوکینگ بود. با مشخص کردن اینکه خوانندگان یک کتاب در Kindle اشان چند صفحه را هایلایت کرده اند میتوان فهمید که مردم چند درصد آن کتاب معروف را خوانده اند .به عبارتی شاخص هاوکینگ نشان می دهد که چه زمانی افراد یک کتاب را رها میکنند. اگر متوسط هایلایت یک کتاب ۲۵۰ صفحه ای در صفحه ۲۵۰ ام اتفاق بیفتد یعنی شاخص هاوکینگ آن کتاب ۱۰۰ است.
این نظریه نام خود را از “تاریخچه مختصر زمان” استفان هاوکینگ برداشت نموده. در حالی که این کتاب هنوز میلیون ها نسخه در سال به فروش می رسد،کل آن به ندرت بطور کامل خوانده میشود چرا که شاخص غم انگیز هاوکینگ 6.6 درصد را برای این کتاب به ثبت رسانده اند!
هنگامی که یک شرکت مانند آمازون تصمیم می گیرد که مثلا کدام کتاب ها را به خوانندگان بالقوه توصیه کنند، ابتدا به جزئیات ردپاهای دیجیتالی نقاطی از نمودار دقت میکنند که بیشترین و کمترین تاثیر را در تعاملات مخاطبین داشته است . این ممکن است به آنها کمک کند تا یک نسخه جدید کتاب را پروموت کنند یا در شخصی سازی پیشنهاد برای کاربران مختلف برنامه ریزی کنند.
علاوه بر این، نوع جدیدی از هوش مصنوعی می تواند محتوای خلاقانه ای که میتواند میزان تعاملات مشتریان با هر بخش از فعالیت‌های بازاریابی شما را افزایش دهد را کشف کند. به عنوان مثال، شرکتی به نام Epagogix تحقیقی را با استفاده از روش شبکه های عصبی (از روش های کشف الگو در حوزه هوش مصنوعی) بر روی داده های قسمت هایی از فیلمنامه ها که توسط کارشناسان صنعت سرگرمی رتبه بندی شده بودند ترتیب داد و نتیجه این شد که توانست فیلم هایی که موفقیت مالی بالاتری را خواهند داشت را پیش بینی کند.بر اساس تحقیقات صورت گرفته بنظر میرسد دقت این پیش بینی ها در حدود ۷۵ درصد باشد که عدد قابل قبولی در صنعت فیلم سازی است.
با در نظر گرفتن بینش جدید استفاده از داده های بزرگ ، فکر میکنم شرکت های سرگرمی ممکن است به زودی متوجه شوند بریجت جونز واقعا به چه کاری در اوقات فراغتش بهتر از کاری که خودش انجام میدهد علاقه مند است!!
امیر حسین اکبری- تحلیلگر داده در سیستم های صنعتی و بازاریابی دیجیتال
