التعلّم الآلي (Machine Learning)

لماذا يهم التعلّم الآلي في إدارة خلاصات المنتجات

لا بد أن تحتوي الكتالوجات التي تضم آلاف أو ملايين الـ SKU على فجوات: فئات مفقودة، أو معايير مقاسات غير متسقة، أو سمات ناقصة، أو عناوين لا تطابق ما يبحث عنه المتسوقون فعلًا. ولا يمكن معالجة ذلك يدويًا على نطاق واسع، كما أن قواعد العمل الثابتة لا تغطي سوى الأنماط التي فكّر أحدهم في كتابة قاعدة لها. أما نماذج التعلّم الآلي المدرَّبة على بيانات الكتالوج والمبيعات الحالية، فيمكنها استنتاج سمة مفقودة من منتجات مماثلة، والتنبؤ بالفئة التي ينتمي إليها منتج جديد، أو تقدير تحولات الطلب بناءً على الموسمية وتاريخ الأسعار — وبذلك تسدّ الفجوات على نطاق لا تبلغه المراجعة اليدوية. ولهذا أثر مباشر على الإيرادات: فالسمات التي يملؤها النموذج بأفضل تخمين له يجب أن تكون دقيقة بما يكفي لاجتياز متطلبات القنوات ومطابقة نية المتسوق، وإلا فإن الأتمتة لن تفعل سوى استبدال نوع من الأخطاء بآخر.

كيف يعمل التعلّم الآلي في مسارات الخلاصات

تبدأ معظم تطبيقات التعلّم الآلي المرتبطة بالخلاصات بنموذج مدرَّب — مبني على بيانات المنتجات التاريخية أو نتائج المبيعات أو قوائم المنافسين التي جرى جمعها — يقوم بتقييم قيمة أو التنبؤ بها لكل منتج يمر عبر المسار. وقد يعني ذلك التنبؤ بنوع منتج مفقود، أو تقدير نقاط السعر المثلى، أو مطابقة SKU لدى التاجر مع إدخال الكتالوج المرجعي في السوق الإلكتروني، وهي مهمة وثيقة الصلة بـالمطابقة الهجينة التي كثيرًا ما تمزج بين تقييم التعلّم الآلي والمنطق القائم على القواعد في الحالات التي تقل فيها ثقة النموذج. وتدعم التقنيات الأساسية نفسها توقّع الطلب، حيث تتنبأ النماذج المدرَّبة على المبيعات التاريخية والموسمية بالطلب المستقبلي، وكذلك التطبيع، حيث يمكن للنماذج توحيد قيم المقاسات أو الألوان أو الوحدات غير المتسقة بين الموردين بسرعة تفوق جداول المطابقة اليدوية بكثير. ولأن مخرجات النموذج احتمالية وليست مؤكدة، تعتمد معظم مسارات الإنتاج حدودًا للثقة — بحيث لا تُطبَّق التنبؤات تلقائيًا إلا فوق درجة معينة، وتُحال الحالات الأقل ثقة إلى المراجعة البشرية.

مثال: حقول يتنبأ بها التعلّم الآلي في خلاصة المنتجات

<item>
  <g:id>SKU-40217</g:id>
  <title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
  <link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
  <g:price>34.00 USD</g:price>
  <g:product_type>Home &amp; Kitchen &gt; Coffee &amp; Tea &gt; Drip Coffee Makers</g:product_type>
  <g:google_product_category>Kitchen &amp; Dining &gt; Kitchen Appliances</g:google_product_category>
  <custom_label_0>ml_category_confidence:0.91</custom_label_0>
  <custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>

هنا، جرى ملء product_type وgoogle_product_category بواسطة نموذج وليس بإدخال يدوي، وتتيح درجة الثقة في التسمية المخصصة للقواعد اللاحقة أن تقرر ما إذا كان هذا التنبؤ موثوقًا بما يكفي لنشره كما هو.

مفاهيم ذات صلة

يدعم التعلّم الآلي عدة مجالات أخرى في إدارة خلاصات المنتجات بدلًا من أن يقف بمعزل عنها: فهو المحرّك وراء الكثير من توقّع الطلب الحديث، ويشغّل الجانب الآلي من التطبيع عندما تحتاج الكتالوجات إلى قيم متسقة على نطاق واسع، وكثيرًا ما يُدمج مع المنطق الحتمي في المطابقة الهجينة لمواءمة القوائم عبر المصادر. ويمكن للفرق الراغبة في تطبيق هذه التقنيات على كتالوجاتها الاطلاع على شرح عملي في Using AI for Smarter E-commerce Feed Management and Automation، الذي يوضح موقع الأتمتة المعتمدة على النماذج إلى جانب قواعد الخلاصات التقليدية.