تخيل أن شخصين يدخلان إلى المتجر الإلكتروني نفسه في اللحظة نفسها. الأول يبحث منذ أيام عن أحذية للجري، وفتح عدة منتجات رياضية متوسطة السعر، بينما الثاني سبق أن اشترى ملابس رسمية ويهتم غالبًا بالمنتجات الأعلى سعرًا. إذا عرض المتجر للاثنين الصفحة نفسها، والترتيب نفسه، والمنتجات نفسها، فهو يتعامل معهما كما لو كانا شخصًا واحدًا. أما التخصيص الذكي في التجارة الإلكترونية فيحاول أن يفعل شيئًا مختلفًا: يجعل كل عميل يرى المنتجات والمحتوى والاقتراحات الأكثر ارتباطًا بما يحتاج إليه في تلك اللحظة.
لكن التخصيص الحقيقي ليس نافذة تظهر وتقول: "مرحبًا أحمد". معرفة الاسم ليست ذكاءً تجاريًا. المتجر الذكي يحاول فهم السياق والنية والسلوك: ماذا شاهد العميل؟ ماذا اشترى سابقًا؟ ما الفئة السعرية التي يميل إليها؟ ماذا يبحث عنه الآن؟ هل هو عميل جديد أم متكرر؟ وما المنتج الذي يحتمل أن يساعده بدل إغراقه بعشرات الاختيارات؟
خلف هذه التجربة توجد طبقات تقنية من جمع البيانات، وبناء الملفات السلوكية، وتصنيف المنتجات، ونماذج التوصية، والترتيب Ranking، وقواعد العمل، والاختبارات المستمرة. وسنفتح هذه الطبقات واحدة تلو الأخرى لنفهم كيف يتحول المتجر من كتالوج ثابت إلى تجربة تتكيف مع العميل.
 |
| متجر يفهم عملاءه كيف يعمل التخصيص الذكي خلف الكواليس؟ |
ما المقصود بالتخصيص الذكي داخل المتجر؟
التخصيص هو تغيير جزء من تجربة التسوق اعتمادًا على معلومات أو إشارات مرتبطة بالمستخدم أو بسياق الزيارة. وقد يكون التغيير بسيطًا مثل ترتيب توصيات المنتجات، أو أكثر تقدمًا مثل إعادة ترتيب نتائج البحث أو تغيير محتوى الصفحة الرئيسية أو تحديد المنتجات التي تظهر في رسالة بريد إلكتروني.
المهم أن التخصيص لا يعني بالضرورة أن كل صفحة تصبح مختلفة بالكامل لكل شخص. كثير من الأنظمة تعمل بصورة أكثر دقة؛ تحتفظ الصفحة بالبنية نفسها، لكنها تغير ترتيب المنتجات أو التوصيات أو المحتوى الأكثر صلة.
التخصيص التقليدي يختلف عن التخصيص المدعوم بالذكاء الاصطناعي
يمكنك إنشاء قاعدة بسيطة تقول: "إذا كان العميل في قسم الأحذية، اعرض له جوارب رياضية". هذه قاعدة جيدة لكنها لا تتعلم.
أما النظام الذكي فيستطيع ملاحظة أن الأشخاص الذين شاهدوا موديلًا معينًا ثم اشتروا، غالبًا أضافوا نوعًا محددًا من الجوارب، وأن احتمالية شراء هذا النوع أعلى عند العملاء الذين يشترون منتجات الجري مقارنة بمن يتصفحون الأحذية اليومية.
هنا لم تعد العلاقة مبنية فقط على قرار وضعه مدير المتجر، بل على نمط استخرجه النظام من البيانات.
كل شيء يبدأ بإشارات العميل
قبل أن يستطيع المتجر فهم العميل، يحتاج أولًا إلى رؤية ما يحدث.
كل نقرة تقريبًا يمكن أن تكون إشارة: فتح صفحة منتج، البحث عن كلمة، اختيار فلتر، إضافة عنصر إلى السلة، إزالة عنصر، شراء منتج، العودة إليه لاحقًا أو تجاهله بعد مشاهدته.
لكن هذه الإشارات ليست متساوية.
مشاهدة منتج لمدة ثانيتين أضعف عادة من إضافته إلى السلة، وإتمام الشراء أقوى من الاثنين.
الإشارات الصريحة والإشارات الضمنية
هناك معلومات يخبرك العميل بها بصورة مباشرة، مثل اختياره المقاس أو تحديد الفئة التي يبحث عنها. ويمكن تسميتها إشارات صريحة.
وفي المقابل توجد إشارات تستنتجها من السلوك. إذا فتح العميل خمس ساعات رياضية ولم يفتح ساعة كلاسيكية واحدة، فهذه إشارة ضمنية إلى اهتمام معين، حتى لو لم يضغط زرًا يقول "أنا أحب الساعات الرياضية".
Amazon، على سبيل المثال، أوضحت في 2026 أن تجربة التسوق لديها يمكن تخصيصها باستخدام مجموعة من المعلومات مثل سجل الشراء، والبحث، والمراجعات، والقوائم، والتفاعلات مع Alexa for Shopping. كما أطلقت ميزة About You التي تسمح للمستخدم برؤية بعض المعلومات التي تؤثر في تجربته وتعديلها.
لكن المزيد من البيانات لا يعني دائمًا تخصيصًا أفضل
إذا كانت بياناتك غير دقيقة، سيصبح النظام أكثر ثقة في استنتاج خاطئ.
ربما اشترى العميل لعبة كهدية لطفل، ثم يبدأ المتجر في معاملته على أنه مهتم بألعاب الأطفال لعدة أشهر. ولهذا تحتاج النماذج إلى إعطاء وزن أكبر للسلوك الحديث، وعدم اعتبار كل عملية شراء تعريفًا دائمًا بالشخص.
الهوية هي المشكلة الأولى عندما ينتقل العميل بين الأجهزة
قد يشاهد العميل منتجًا من الهاتف صباحًا، ثم يفتح المتجر من الكمبيوتر مساءً ويشتريه.
إذا اعتبر النظام هاتين الزيارتين لشخصين مختلفين، فقد تفقد جزءًا من الصورة.
ولهذا تحاول أنظمة التجارة الإلكترونية بناء هوية موحدة للعميل عندما يكون ذلك ممكنًا ومسموحًا، عبر الحسابات أو الجلسات أو بيانات الطرف الأول.
العميل المجهول يمكن تخصيص تجربته أيضًا
لا تحتاج دائمًا إلى معرفة اسم الشخص.
في جلسة واحدة تستطيع معرفة أن الزائر دخل إلى فئة معينة، واستخدم فلترًا سعريًا، وشاهد ثلاثة منتجات متقاربة.
هذه المعلومات وحدها تكفي لتحسين الاقتراحات خلال الزيارة نفسها.
وهذا يسمى أحيانًا التخصيص اللحظي أو Real-Time Personalization، لأن النظام يتكيف مع السلوك الحالي بدل الاعتماد على التاريخ فقط.
كيف يحول النظام الإشارات إلى ملف اهتمام؟
تخيل أن المتجر يملك مجموعة من الأبعاد: العلامة التجارية، واللون، والسعر، والفئة، والاستخدام، والمقاس.
كل تفاعل مع منتج يستطيع رفع أو خفض الاهتمام ببعض هذه الأبعاد.
إذا شاهد العميل عدة أحذية جري سوداء بين 300 و500 ر.س، فقد يبني النظام تدريجيًا تصورًا بأن لديه تقاربًا مع فئة الجري، واللون الأسود، ونطاق سعري متوسط.
Dynamic Yield، وهي منصة متخصصة في التخصيص، تعرض مثلًا سيناريوهات تعتمد على Affinity أو التقارب، بحيث تستخدم بيانات الطرف الأول لفهم ميل المستخدم إلى علامات أو ألوان أو أنماط أو نطاقات سعرية، ثم تستخدم ذلك في ترتيب التوصيات.
هذه الفكرة مهمة: النظام لا يحتاج دائمًا إلى تسمية العميل "عاشق للأحذية الرياضية". يكفي أن يحسب درجات اهتمام ويستخدمها في الترتيب.
خلف التوصية يوجد عادة مرحلتان: اختيار ثم ترتيب
إذا كان لديك 20,000 منتج، فمن غير العملي أن يقارن النظام كل منتج بكل عميل في كل مرة بالطريقة نفسها.
لهذا تعمل أنظمة توصية كثيرة بفكرة قريبة من مرحلتين. الأولى تولد مجموعة صغيرة من المنتجات المرشحة، والثانية ترتب هذه المجموعة وفق احتمالية الاهتمام.
المرحلة الأولى: توليد المنتجات المرشحة
يمكن أن تأتي المرشحات من عدة مصادر. منتجات مشابهة لما يشاهده العميل، أو منتجات اشتراها أشخاص بسلوك مشابه، أو منتجات شائعة الآن، أو منتجات تكمل العنصر الموجود في السلة.
إذا كان العميل يشاهد كاميرا، فقد تكون المرشحات عدسات وبطاقات ذاكرة وحقائب وكاميرات بديلة.
المرحلة الثانية: ترتيب المرشحات
بعد الحصول على عشرات الخيارات، يبدأ النظام في سؤال أكثر دقة: أيها يجب أن يظهر أولًا لهذا العميل تحديدًا؟
هنا يمكن استخدام تاريخ الشراء، والمشاهدة الحالية، والسعر، والتوفر، والحداثة، وربما عوامل تجارية مثل الهامش أو أولوية المخزون ضمن حدود واضحة.
AWS توفر من خلال Amazon Personalize، على سبيل المثال، إمكانية إنشاء توصيات فردية وترتيب عناصر لمستخدم محدد باستخدام بيانات التفاعل والكتالوج، ويمكن أن تتغير التوصيات في الوقت الفعلي عندما تسجل تفاعلات جديدة للمستخدم.
التوصية ليست إجابة نعم أو لا
النظام لا يقول عادة: "هذا المنتج مناسب وهذا غير مناسب".
الأقرب أنه يعطي المنتجات درجات نسبية، ثم يرتبها.
قد يحصل المنتج A على احتمال أو درجة أعلى من B، فيظهر قبله. وإذا تغير سلوك العميل خلال الجلسة، قد يتغير الترتيب.
البحث نفسه يمكن أن يصبح شخصيًا
من الخطأ تصور التخصيص على أنه قسم "منتجات مقترحة لك" فقط.
أحد أقوى الأماكن للتخصيص هو محرك البحث الداخلي.
شخصان يكتبان "جاكيت" قد تكون لديهما نيتان مختلفتان. واحد كان يشاهد منتجات رياضية، والآخر يتصفح الملابس الرسمية.
إذا كان النظام يعرف السياق، يمكنه إعطاء ترتيب مختلف للنتائج.
مثال حقيقي من Salesforce Commerce Einstein
Salesforce Commerce Einstein يستطيع جمع نشاط واجهة المتجر واستخدامه كإدخال لحظي لتخصيص تجربة المتسوق. كما يوفر Semantic Search وتوصيات يمكن أن تعتمد على السلوك الحالي والسابق للمستخدم.
الفكرة هنا ليست أن البحث يتجاهل كلمة العميل، بل أن الكلمة تصبح جزءًا من القرار بدل أن تكون القرار كله.
Shopify يوضح كيف تبدأ التوصيات حتى بدون نظام معقد
ليس كل متجر بحاجة إلى بناء محرك توصية من الصفر.
Shopify Search & Discovery يستطيع إنشاء توصيات للمنتجات اعتمادًا على عدة استراتيجيات، منها المنتجات التي يتم شراؤها معًا، وتشابه وصف المنتجات، والمجموعات المرتبطة. وتوضح Shopify أن التوصيات التلقائية يمكن أن تتغير مع تغيّر معلومات المنتجات ونشاط العملاء.
البيانات التاريخية تجعل بعض التوصيات أفضل مع الوقت
Shopify توضح أن استراتيجية تعتمد على سجل الشراء تحتاج إلى وجود مبيعات سابقة حتى تستطيع تقييم سلوك الشراء. وهذا يوضح مبدأ أساسيًا في أنظمة التخصيص: لا يمكنك استخراج نمط لم يحدث بعد.
لهذا قد تكون التوصيات في متجر جديد أقل ذكاءً من متجر يمتلك آلاف الطلبات، حتى لو كان الاثنان يستخدمان الأداة نفسها.
مثال Amazon: عندما يتحول تاريخ العميل إلى مساعد لاتخاذ القرار
Amazon قدمت مثالًا متقدمًا جدًا على التخصيص من خلال ميزة Help Me Decide. عندما يشاهد المستخدم عدة منتجات متشابهة دون اتخاذ قرار، تستطيع الميزة تحليل نشاط التصفح والبحث وتاريخ الشراء والتفضيلات، ثم اقتراح منتج محدد مع شرح سبب ملاءمته.
وفي مثال قدمته Amazon، يمكن للنظام أن يلاحظ أن العميل كان يبحث عن معدات تخييم للعائلة، ثم يوصي بخيمة مناسبة لحجم العائلة والظروف بناءً على إشارات سابقة من رحلة التسوق.
هذا مختلف جذريًا عن عبارة "العملاء اشتروا أيضًا".
النظام يحاول تكوين قصة من الإشارات ثم ربطها بمنتج.
الصفحة الرئيسية يمكن أن تتغير دون أن يشعر العميل
تخيل الصفحة الرئيسية لمتجر إلكترونيات.
العميل الأول كان يبحث عن ألعاب الكمبيوتر، والثاني كان يشاهد أجهزة المطبخ الذكية.
هل من المنطقي أن يحتل العرض نفسه أول مساحة لكليهما؟
في التخصيص المتقدم، يمكن تغيير ترتيب البانرات أو الفئات أو صفوف المنتجات بحسب الاهتمام المتوقع.
لكن لا تجعل الصفحة تتغير بالكامل كل مرة
التخصيص المفرط قد يربك العميل.
إذا دخل إلى المتجر ورأى مكان الأقسام يتغير جذريًا في كل زيارة، فقد يصبح التصفح غير متوقع.
الأفضل غالبًا إبقاء هيكل ثابت نسبيًا وتخصيص أجزاء داخل هذا الهيكل.
الصفحة نفسها يمكن أن تجمع بين التخصيص وقواعد العمل
الذكاء الاصطناعي لا يجب أن يقرر كل شيء.
لنفترض أن النموذج يرى أن منتجًا هو الأكثر احتمالًا للشراء، لكنه غير متوفر في مستودع العميل أو هامشه سلبي بسبب حملة معينة.
هنا تأتي Business Rules.
النموذج يقترح والقواعد تضع الحدود
يمكن أن تقول للنظام: لا تعرض منتجًا غير متوفر، ولا توصِ بمنتج لا يمكن شحنه إلى المنطقة، ولا تعرض منتجًا مخالفًا لسياسة معينة.
Amazon Personalize يسمح، مثلًا، باستخدام فلاتر على التوصيات، بحيث تستطيع استبعاد أو تضمين عناصر وفق قواعد وبيانات محددة.
هذا التوازن بين الذكاء والقواعد ضروري، لأن أعلى احتمال رياضي ليس دائمًا أفضل قرار تجاري.
التخصيص يمكن أن يرفع قيمة السلة لا معدل التحويل فقط
إذا اشترى العميل هاتفًا بقيمة 3,500 ر.س، يمكن للمتجر اقتراح شاحن أو غطاء أو واقٍ للشاشة يتوافق معه.
لكن التوصية تصبح أكثر ذكاءً إذا عرف النظام أن العميل أضاف بالفعل غطاء إلى السلة، فلا يعرض غطاء ثانيًا، بل ينتقل إلى عنصر آخر مكمل.
Shopify يميز بين Related Products أو المنتجات المرتبطة وComplementary Products أو المنتجات المكملة، ويشترط في بعض التوصيات عدم عرض عناصر غير متوفرة أو موجودة بالفعل في سلة الزائر.
وهذا مثال بسيط لكنه مهم: التخصيص لا يتعلق فقط بمن هو العميل، بل بما يحدث الآن داخل السلة.
البريد الإلكتروني يمكن أن يصبح امتدادًا لتجربة المتجر
إذا أرسل متجر الأزياء رسالة واحدة إلى مليون عميل تحتوي المنتجات نفسها، فهو يستخدم البريد كلوحة إعلانية ثابتة.
أما إذا استخدم بيانات التصفح والشراء، فيمكن أن يصبح البريد أكثر ارتباطًا بالعميل.
شخص كان يتصفح أحذية الجري يمكن أن يحصل على منتجات مرتبطة بالجري، بينما عميل آخر يرى الملابس التي يهتم بها.
لكن يجب الحذر: إعادة عرض كل شيء شاهده العميل قد تصبح مزعجة أو تشعره بالمراقبة. التخصيص الجيد مفيد دون أن يكون مخيفًا.
ماذا يحدث عندما لا نملك تاريخًا عن العميل؟ مشكلة البداية الباردة
هذه تسمى Cold Start Problem.
العميل دخل لأول مرة، ولم يشترِ ولم يشاهد شيئًا تقريبًا. ماذا نعرض له؟
لا يستطيع النموذج اختراع تاريخ غير موجود.
ابدأ بالسياق والشعبية
يمكن استخدام المنتجات الأكثر مبيعًا، أو المنتجات الرائجة، أو السياق الحالي، أو الصفحة التي جاء منها المستخدم.
إذا دخل مباشرة إلى قسم كاميرات، فأنت تعرف شيئًا واحدًا على الأقل: اهتمامه اللحظي بالكاميرات.
AWS توفر في Amazon Personalize حالات استخدام مثل العناصر الأكثر مشاهدة والأكثر مبيعًا والمنتجات التي يتم شراؤها معًا، وهي استراتيجيات مفيدة عندما لا يكون لديك ملف غني لكل مستخدم.
العميل الجديد يتعلم منك وأنت تتعلم منه
مع أول بحث تحصل على إشارة.
مع أول منتج شاهده تحصل على إشارة أقوى.
بعد السلة والشراء تصبح الصورة أوضح.
لذلك لا تتوقع أفضل تخصيص من أول ثانية.
بيانات المنتجات مهمة بقدر بيانات العملاء
قد تجمع مليون حدث سلوكي، لكن إذا كان كتالوجك ضعيفًا، سيعاني نظام التخصيص.
يجب أن يعرف النظام أن الحذاء "للجري"، وأن اللون "أسود"، وأن السعر "449 ر.س"، وأنه متوفر في مقاسات معينة.
البيانات الوصفية تحول المنتج من رقم إلى معنى
إذا كان المنتج داخل قاعدة البيانات مجرد SKU وصورة، يصعب على النظام فهمه.
أما وجود الفئة والخامة والاستخدام واللون والعلامة والنطاق السعري فيعطيه مساحة أكبر لربط المنتجات بالنية.
Shopify Catalog، مثلًا، يعتمد على معلومات منظمة مثل العنوان والوصف والصور والسعر والخيارات والتوفر حتى تستطيع الأنظمة والقنوات فهم المنتجات بصورة أفضل.
التخصيص الذكي لا يعني عرض ما يحبه العميل فقط
إذا عرضت دائمًا الأشياء التي يشبه بعضها بعضًا، قد تحبس العميل داخل دائرة صغيرة.
شخص اشترى ثلاثة قمصان سوداء ليس بالضرورة يريد اللون الأسود لبقية حياته.
التوصيات تحتاج إلى قدر من الاستكشاف
محركات التوصية المتقدمة تحاول الموازنة بين Exploitation، أي استخدام ما تعرف أنه يعمل، وExploration، أي اختبار شيء جديد قد يعجب المستخدم.
إذا لم تستكشف، لن تكتشف اهتمامًا جديدًا.
وإذا استكشفت أكثر من اللازم، تصبح التوصيات عشوائية.
هنا تظهر قيمة النماذج التي تتعلم باستمرار من النقرات والتجاهل والشراء.
كيف تعرف أن التخصيص يعمل فعلًا؟
أكبر خطأ هو تركيب محرك توصيات ثم النظر إلى المبيعات الإجمالية والقول: يبدو أنه يعمل.
تحتاج إلى عزل أثره قدر الإمكان.
Shopify توفر في Search & Discovery تقارير تشمل معدل النقر على التوصيات ومعدل شراء المنتجات التي اكتشفها العميل من خلالها، إضافة إلى توصيات منخفضة التفاعل.
التجربة A/B هي الطريقة الأقوى
اعرض التخصيص لمجموعة، وتجربة قياسية لمجموعة أخرى، ثم قارِن.
ليس فقط النقر، بل التحويل ومتوسط قيمة الطلب والإيراد لكل زيارة والهامش.
قد تنجح توصيات في رفع النقر لكنها لا تزيد الشراء.
وقد ترفع الإيرادات لكن بسبب دفع العملاء نحو منتجات منخفضة الهامش.
لهذا لا تجعل KPI واحدًا يقرر النجاح.
مثال رقمي لمتجر سعودي
لنفترض أن متجرًا سعوديًا يستقبل 200,000 زيارة شهريًا، ومعدل التحويل 2%، ومتوسط قيمة الطلب 250 ر.س.
هذا يعني تقريبًا 4,000 طلب ومبيعات شهرية بقيمة 1,000,000 ر.س.
لنفترض، كمثال حسابي فقط، أن تخصيص البحث والتوصيات ساعد بعد اختبار حقيقي على رفع معدل التحويل من 2% إلى 2.1%، ورفع متوسط الطلب من 250 إلى 255 ر.س.
عدد الطلبات يصبح نحو 4,200، والإيرادات النظرية تصبح 1,071,000 ر.س.
الفارق يساوي نحو 71,000 ر.س شهريًا قبل التكاليف.
هذه ليست نتيجة مضمونة من التخصيص، بل توضيح لسبب أن التحسينات الصغيرة تصبح مؤثرة عندما يكون حجم المتجر كبيرًا.
لا تستخدم كل بيانات تستطيع الوصول إليها
وجود القدرة التقنية لا يعني وجود الحاجة.
إذا كان الهدف هو توصية حذاء، هل تحتاج فعلًا إلى كل معلومة عن العميل؟
غالبًا لا.
ابدأ ببيانات الطرف الأول المفيدة
الطلبات، والبحث، والنقرات، والسلة، والفئات التي يهتم بها العميل عادة أكثر فائدة وأوضح من جمع بيانات لا ترتبط بالقرار.
كما أن بعض منصات التخصيص تعتمد صراحة على First-Party Data لبناء شرائح ودرجات اهتمام.
التخصيص الجيد يحتاج إلى الثقة، وإذا شعر العميل أن المتجر يعرف عنه أكثر مما يتوقع، فقد تنقلب الفائدة إلى نفور.
التخصيص السيئ يمكن أن يضر الثقة والمبيعات
تخيل أن العميل اشترى هدية لطفل مرة واحدة، ثم بدأ يتلقى عروض ألعاب أطفال في كل مكان.
أو اشترى جهازًا غاليًا أمس، واليوم تعرض له الخصم الكبير نفسه على الجهاز بعد الشراء.
هذه تجارب تقول للعميل إن النظام يملك بيانات لكنه لا يفهم معناها.
هناك ثلاثة أخطاء تتكرر كثيرًا
الأول هو استخدام تاريخ قديم كما لو كان اهتمامًا دائمًا. والثاني هو عدم إدراك أن المنتج تم شراؤه بالفعل. والثالث هو تخصيص مبالغ فيه يجعل التجربة ضيقة أو مزعجة.
الهدف ليس أن تقول للعميل: "نحن نعرفك".
الهدف أن يشعر تلقائيًا: "العثور على ما أريده هنا أسهل".
ابدأ بمستوى يناسب حجم متجرك
ليس من المنطقي أن يبني متجر ناشئ فريق Machine Learning لأن لديه مئة طلب شهريًا.
يمكن البدء بتوصيات جاهزة من المنصة وقواعد بسيطة.
ثم عندما يتراكم التاريخ وتكبر المبيعات، تضيف طبقات أكثر ذكاءً.
خريطة تطبيق عملية
يمكن أن يتطور المتجر تدريجيًا بهذه الصورة:
ابدأ بمنتجات مرتبطة ومكملة مبنية على قواعد واضحة وبيانات شراء فعلية.
نظم خصائص المنتجات والـSKU والفئات والأسعار قبل محاولة بناء تخصيص متقدم.
تتبع البحث والمشاهدة والسلة والشراء بصورة صحيحة.
اختبر تخصيص البحث والتوصيات على جزء من الجمهور.
انتقل لاحقًا إلى التخصيص اللحظي أو نماذج Affinity عندما يصبح حجم البيانات كافيًا.
اربط كل تجربة بمؤشر مثل التحويل ومتوسط الطلب والإيراد لكل جلسة، لا بعدد النقرات فقط.
هذه ليست قائمة لتقليب المتجر كله في أسبوع واحد، وإنما ترتيب منطقي يمنعك من بناء ذكاء فوق أساس بيانات ضعيف.
متى تحتاج إلى منصة متخصصة بدل الأدوات المدمجة؟
إذا كان متجر Shopify صغيرًا أو متوسطًا، فقد تكفيك الأدوات الموجودة داخله فترة طويلة.
لكن متجرًا كبيرًا يعمل على عدة قنوات، ويحتاج إلى تخصيص الصفحة والتطبيق والبريد والبحث والحملات ضمن نموذج واحد، قد ينظر إلى حلول مثل Dynamic Yield أو Salesforce Commerce AI أو Amazon Personalize.
Salesforce، مثلًا، تستخدم نشاط المتجر وسجل الشراء ضمن أدوات Commerce AI لتقديم توصيات وتجارب مخصصة، بينما Amazon Personalize خدمة مخصصة لبناء توصيات وترتيب شخصي على بيانات الشركة نفسها.
الفارق هنا أن المنصة المتخصصة تمنحك مرونة أكبر، لكنها تحتاج عادة إلى بيانات وتكامل وفريق يستطيع استخدامها بشكل صحيح.
الذكاء الاصطناعي التوليدي يضيف طبقة جديدة للتخصيص
التوصية القديمة تقول: "نقترح عليك هذا المنتج".
التوصية التوليدية تستطيع أن تضيف: لماذا هذا المنتج مناسب لك.
Amazon Help Me Decide يقدم مثل هذا الاتجاه؛ لا يختار منتجًا فقط، بل يشرح علاقته باحتياجات المستخدم وسجل بحثه وتفضيلاته.
AWS أضافت أيضًا قدرات توليدية إلى Amazon Personalize تسمح بإنشاء محتوى يشرح العلاقة بين العناصر الموصى بها بدل استخدام عناوين عامة فقط.
الشرح قد يصبح جزءًا من البيع
العميل لا يحتاج دائمًا إلى مزيد من الخيارات.
أحيانًا يحتاج فقط إلى أن يفهم لماذا خيار واحد هو الأنسب.
وهذا تحول مهم: من محركات تقدم منتجات إلى أنظمة تساعد العميل على اتخاذ القرار.
هل نصل إلى متجر مختلف فعليًا لكل شخص؟
تقنيًا، يمكن أن تصبح أجزاء كبيرة من التجربة ديناميكية جدًا.
لكن الهدف ليس الوصول إلى مليون نسخة من المتجر.
الهدف هو استخدام البيانات في الأماكن التي يكون للتخصيص فيها معنى: البحث، والتوصيات، وترتيب المنتجات، والرسائل، واستعادة السلة، وربما المحتوى.
الثبات مهم بقدر التخصيص
اسم العلامة، وهوية المتجر، والسياسات، وهيكل التصفح الأساسي يجب ألا يصبح متقلبًا بصورة تزعج المستخدم.
التخصيص الجيد مثل موظف مبيعات ممتاز داخل متجر فعلي. لا يعيد بناء المتجر عندما تدخل؛ فقط يعرف أي رف يريك أولًا.
الخلاصة: المتجر الذكي لا يعرف كل شيء عن العميل بل يعرف ما الذي يحتاجه الآن
التخصيص الذكي لا يبدأ من AI. يبدأ من بيانات نظيفة وإشارات صحيحة ومنتجات منظمة.
بعد ذلك يستطيع النظام أن يربط سلوك العميل بالكتالوج، ويولد مجموعة من المنتجات المرشحة، ثم يرتبها، ويعدل النتيجة وفق السياق والقواعد والتوفر.
أدوات حقيقية مثل Shopify Search & Discovery توضح كيف يمكن استخدام سجل الشراء وتشابه المنتجات في التوصيات، بينما تظهر Amazon كيف يمكن للتخصيص أن يمتد من التوصية البسيطة إلى مساعد يفهم التاريخ والسياق ويشرح سبب اختيار المنتج. ومن جهة أخرى، توفر خدمات مثل Amazon Personalize وSalesforce Commerce AI وDynamic Yield بنى أكثر تقدمًا للشركات التي تحتاج إلى تخصيص واسع وفي الوقت الفعلي.
لكن أكثر خوارزمية تطورًا لن تنقذك إذا كانت بيانات المنتجات ناقصة، أو أحداث التتبع خاطئة، أو توصياتك تعرض منتجات غير متوفرة.
ابدأ بسيطًا. اجعل البحث أفضل. أظهر المنتجات المكملة المناسبة. راقب ما ينقر عليه العميل وما يشتريه. ثم أضف الذكاء تدريجيًا.
وفي كل خطوة اسأل سؤالًا واحدًا: هل أصبح العثور على المنتج المناسب أسهل للعميل؟
إذا كانت الإجابة نعم، فأنت تستخدم التخصيص بالطريقة الصحيحة.
أما إذا كان الهدف مجرد إظهار أنك تعرف الكثير عن العميل، فقد تحول التقنية من ميزة إلى عبء.
المتجر الذي "يفهم" عميله بحق ليس الذي يعرف أكبر كمية من البيانات عنه، بل الذي يستطيع استخدام أقل قدر ضروري من البيانات ليجعل رحلة الشراء أسرع، وأكثر صلة، وأقل إرباكًا.
0 تعليقات