أحد صفحات التقدم العلمي للنشر
اخترنا لكتسويقذكاء اصطناعي

القوة التغييرية للتوصية

محركات التوصيات تُحدث ثورة في طريقة شراء العملاء وطريقة عمل الموظفين.

تُعرِّف ويكيبيديا Wikipedia محركات التوصية Recommendation engines (ومنصاتها وأنظمتها) بأنها ”فئة فرعية من نظام تصفية المعلومات تسعى إلى توقع ’التصنيف‘ أو ’التفضيل‘ الذي قد يسبغه مستخدم على عنصر ما“.1“Recommender System,” last modified
July 14, 2019, https://en.wikipedia.org.
لكن كأداة وتكنولوجيا ومنصة رقمية، فإن محركات التوصية هي أكثر إثارة للاهتمام وأهمية مما يوحي به هذا التعريف.

في الأسواق المدفوعة بالبيانات Data-driven markets، يعرض المنافسون الأكثر فاعلية النصائح الأكثر تأثيرا على نحو موثوق به. وعند إعادة تجميع التحليلات التوقعية وإعادة صياغتها كتوصيات، يحوّلون Transform الكيفية التي ينظر بها الأشخاص إلى الخيارات ويختبرونها ويمارسونها. فمحركات التجارة الأكثر قوة، وتمكيناً، حاليا هي محركات التوصية.

فقد كانت محركات التوصية أساسية لنجاح المنصات الرقمية مثل علي بابا Alibaba، وأمازون Amazon، ونيتفليكس Netflix، وسبوتيفاي Spotify، وذلك وفقا لما يقوله مؤسسيها ورؤسائها التنفيذيين. وبالنسبة إلى شركات كهذه، ليست محركات التوصية مجرد أدوات تسويق أو مبيعات بل هي دوافع للتبصر والإبداع والمشاركة. وتبني التوصيات المتفوقة ولاء ونمواً فائقاً؛ فهي تعمل نحو تضخيم قيمة استمرار العملاء باستخدامها. واستخدام الحاسوب لتوصيات مقنعة يعيد تشكيل السلوك البشري في شكل مربح.

ولا يقتصر تأثير محركات التوصية والغرض منها على العملاء أو الاستهلاك. فقد تبنى أصحاب العمل الكبار، وأبرزهم غوغل Google، محركات التوصيات وكيفوها باعتبارها منصات إنتاجية داخلية لدفع العاملين إلى تبني أفضل خيارات القرار. وفي أواخر عام 2016، غادر لاسزلو بوك Laszlo Bock -نائب الرئيس الأعلى لعمليات الأشخاص في غوغل- الشركة لإطلاق هومو Humu، وهي شركة ناشئة تعمل كمحرك توصية لتقديم المشورة في شأن تغيير سلوك قوة العمل.

وعلى الرغم من أن البيانات تظل العنصر الاستشاري الأساسي، فإن ثورة التوصيات العالمية تعكس الإبداع الخوارزمي العميق والمستمر، وهو ما سيمُكِّن تعلم الآلة Machine learning والذكاء الاصطناعي AI من إدخال تحسينات على التعلم العميق Deep learning والشبكات الخصومية التوليدية Generative adversarial networks. وهكذا تتعلم محركات التوصية الناجحة كيف تتعلم. وكلما ازداد عدد الأشخاص الذين يستخدمونها، صارت أكثر ذكاءً؛ وكلما صارت أكثر ذكاءً ازداد عدد الأشخاص الذين يستخدمونها. وتعمل محركات التوصية، إذا أُديرت وعينها على الصواب، لتمكين الدورات الحميدة من توليد القيمة.

هذا، ويتزايد تأثير الوكزات Nudges والطلبات Prompts المرتبطة بشبكة محركات التوصية في اختيارات الناس للملابس والترفيه والغذاء والدواء؛ وهي تؤثر أيضاً في النصوص التي نرسلها، والأصدقاء الذين نتصل بهم، والعملاء الحاليين والعملاء المتوقعين الذين نعطيهم الأولوية، والخبراء الذين نسعى إلى الحصول عليهم، والمرشحين للوظائف الذين نوظفهم، والاستثمارات التي نختارها، والمذكرات التي نحررها، والجداول التي نتبعها.

ولكنه لا ينبغي أن تحجب الطلبات والوكزات مبدأ التصميم الدقيق والحيوي الذي يجعل دورة قيمة محرك التوصيات أكثر فضيلة: فالتوصية هي ضمان لخيارات واختيارات أفضل، وليس الطاعة أو الامتثال. ولا تسعى محركات التوصية إلى فرض إجابات مثالية أو أفضل أو صحيحة على المستخدمين. بل إن الأمر على العكس من ذلك، فالغرض منها هو مزيد من التمكين وزيادة دور الوكالة Agency. فالتأثير وليس التحكّم هو الطموح الخوارزمي. ولتحقيق هذا، يعتمد التصميم الناجح لمحرك التوصيات على مدى سعي محركات التوصية إلى إحداث تأثير أكثر من اعتمادها على مدى معرفتها.

وتحول محركات التوصيات الاختيار البشري. وبالقوة نفسها التي أطلق بها المحرك البخاري ثورةً صناعية، تعيد محركات التوصية تعريف التبصر والأثر في عصر الخوارزميات. وأينما كان الاختيار مهماً، تزدهر محركات التوصية، وهذا التحول الرقمي العميق في الاختيار لن يكون أكثر انتشاراً إلا عندما تكون محركات التوصية أكثر ذكاء. فمحركات التوصية الأفضل تعني دوماً اختيارات أفضل.

مساعدة العملاء على اتخاذ خيارات أفضل تدفع نمو الأعمال

إن التسوق والتجارة والاستهلاك من بين الأمثلة الأكثر وضوحاً على التأثير المتنامي الذي تتمتع به محركات التوصية. فقد أشار علماء البيانات من موقع جاي دي دوت كوم JD.com -وهو أحد أكبر مواقع التجارة الإلكترونية في الصين- في ورقة أكاديمية تصف محركات التوصية من الجيل التالي: ”أن نظام محركات التوصية هو المفتاح لنجاح مواقع التجارة الإلكترونية على شبكة الإنترنت، ناهيك عن مقدمي خدمات الفهرسة، مثل: علي بابا، وإي باي eBay، وغوغل، وبايدو Baidu، ويوتيوب YouTube، وما إلى ذلك“.2Y. Yan, W. Guo, M. Zhao, et al., “Optimizing Gross Merchandise Volume via DNN-MAB
Dynamic Ranking Paradigm,” Cornell University, Aug. 14, 2017, ArXiv:1708.03993.

ومن بين أسباب ذلك هو هذا أن عدداً أكبر من الناس لديهم مزيد من الاختيارات حول مزيد من الفرص في مجالات أكثر من أي وقت مضى: مثلاً، يعرض أمازون برايك فيديو Amazon Prime Video أكثر من 20 ألف فيلم وفيديو؛ وفي كل دقيقة، يُحمَّل أكثر من 500 ساعة من الفيديو على يوتيوب؛ ويُنشَر أكثر من 50 مليون صورة يومياً على إنستاغرام Instagram. وهذه الوفرة العظيمة والمتنامية تعمل في الأساس لتقليص نافذة اتخاذ قرارات مدروسة. لذلك فإن الأشخاص الذين يريدون اتخاذ اختيارات أفضل صاروا على استعداد متزايد لقبول التوصيات من الآلات الذكية.

مثلا تستضيف سبوتيفاي، وهي أكبر منصة لتشغيل الموسيقى عند مستوى العالم، والتي تضم أكثر من 200 مليون مستخدم، أكثر من 50 مليون أغنية. فقد حقق التطبيق المبدع السويدي حجمه الكبير من خلال النجاح في جعل الاكتشاف والتوصية وإضفاء الطابع الشخصي ركائز النمو واستراتيجيات المستخدم-التجربة.

أما ديسكافر ويكلي Discover Weekly فهو نظام محركات التوصية الأول للشركة، وهو دراسة حالة دقيقة حول كيفية تغيير التفكير والجمع بين خوارزميات التوصيات بعمق للتأثير في مسار الأفراد نحو الحداثة. كل يوم اثنين، يحصل عملاء سبوتيفاي على مزج مخصص من 30 أغنية من المرجح أنهم لم يسمعوها من قبل لكن من المرجح أنهم سيحبونها. وأُطلِق ديسكافر ويكلي بهدوء عام 2015، عندما كان لدى سبوتيفاي نحو 75 مليون مستخدم، وأنشأه فريق متخصص من دون دعم رسمي أو أن يُجاز رسميا من الشركة.

تتمتع محركات التوصية بأعظم قدر من القوة والتأثير والقيمة عندما يثق بها المستخدمون. فالمستخدمون الذين يثقون بأن محركات التوصية تحترم مصالحهم الفضلى منفتحون على الجديد وغير المتوقع وغير المثبت – وبذا يكونون عرضة للخطر.

والتشابه هو الخلطة السرية لسبوتيفاي. فالخوارزميات المختلفة تعالج الميزات والسمات والعناصر المختلفة في السعي الحوسبي إلى تقديم مفاجأة سارة متوقعة إلى المستخدمين. وتتألف المجموعة الحوسبية من خوارزمية تصفية تعاونية Collaborative filtering algorithm، ومعالجة اللغات الطبيعية Natural language processing، واكتشاف القيم المتطرفة/الشذوذ، وشبكة تعلم عميقة/عصبية تقليدية Convolutional neural network، والأمر الأكثر وضوحاً هو مدى إعجاب المستخدم بالأغاني أو الاستماع إليها في قائمة تشغيل ديسكافر ويكلي من الأسبوع السابق. فهو يفحص سلوكيات المستخدمين ويحدد السمات المشتركة الحاسمة بين الأغاني والفنانين، ويتتبع سجل أنشطة المستخدم، وقوائم تشغيل المستخدم، وأخبار الموسيقى والمراجعات من شبكة الإنترنت، والملفات الصوتية الخام Raw audio files – مستخدما برمجية تستخلص الصفات مثل الإيقاع Tempo، والمفتاح Key، وعلو الصوت Loudness. ثم تستعرض هذه الخدمة الموسيقى التي استمع إليها المستخدمون من قبل، ومن ثم ترسل قوائم التشغيل المخصصة إلى تفضيلات كل شخص.

في أوائل عام 2015 عند اختبار ديسكافر ويكلي، دفع الفريق المتخصص بهدوء النموذج الأصلي الخاص به إلى حسابات سبوتيفاي لموظفي الشركة جميعاً. وتذكر المهندس إدوارد نيويت Edward Newett، وهو أحد مبدعي ديسكافر ويكلي ذلك قائلاً: “أصيب الجميع بالجزع في شكل إيجابي وبدؤوا يقولون أشياء مثل، ”كأن توأمي الموسيقي السري رتب الأمر“.3M. Cowan, “How Spotify Chooses What Makes It Onto Your Discover Weekly Playlist,” Wired, Jan. 9, 2017, www.wired.co.uk.

بعد ذلك، طُبِّق ديسكافر ويكلي على حسابات واحد بالمئة من قاعدة المستخدمين. ومرة أخرى شاعت الحماسة. وبعد ذلك جاء الطرح العام في منتصف عام 2015 لبقية مستخدمي سبوتيفاي في مختلف أنحاء العالم. وسرعان ما حقق نجاحاً عارما، إذ لسامع المستخدمون لبليون مسار موصى به في الأسابيع العشرة الأولى من الطرح.

وتراهن شركات مثل سبوتيفاي على أن مساعدة العملاء على اتخاذ اختيارات أفضل – بمعنى جعلهم أكثر ذكاءً – من شأنها أن تجعلهم أكثر ولاءً ودراً للربح. وتشير الأدلة إلى أن هذا الرهان رهان فائز: يؤكد أحد الاستطلاعات البائعين والذي أُجرِي عام 2019 أن توصية المنتجات الشخصية شكلت ما يقرب من 31% من عوائد صناعة التجارة الإلكترونية العالمية. ووجدت دراسة أجرتها سايلزفورس Salesforce أن المتسوقين عبر الإنترنت أكثر عرضة بمقدار 4.5 مرات لإضافة منتجات إلى سلة التسوق وإكمال عملية الشراء بعد النقر على التوصيات، وذلك مقارنة بأي طريقة توصية أخرى. وهذه ليست أرقاماً هامشية.

وتلاحظ نتفليكس Netflix أن 75% مما يشاهده الأشخاص على الخدمة يأتي من توصياتهم الخاصة بالمنتجات. (تُستخدَم بيانات محركات التوصية أيضاً لاقتراح عروض جديدة وبرمجة أصلية في الخدمة). وتشير الأبحاث المستقلة بشدة إلى أن محركات التوصية تمثل في شكل مباشر وغير مباشر ثلث عوائد أمازون في شكل مباشر وغير مباشر. وكان الأثر الذي أعلنته علي بابا لمحرك التوصية الخاص بها أكثر إبهاراً. فقد كشفت أكبر منصة للتجارة الإلكترونية في الصين أنه بين الربع الأول من عام 2015 والربع الأول من عام 2016، أي خلال سنة واحدة، زاد استخدام محركات التوصية المعززة بتعلم الآلة من تأثير مبيعات الشركة بأكثر من ثلاثة أضعاف إجمالي حجم البضائع المُباعة، والتي تجاوزت نصف تريليون دولار عام 2016.

من الواضح أن تضارب المصالح الذي لا يمكن تجنبه يكمن فيما يلي: هل تُحتسَب التوصيات مع وضع مصالح الشركة أم مصالح العميل الفضلى في الحسبان؟ ومن الذي سيكسب؟ إن إدارة هذه المصالح المتنافسة لا تكشف عن البراعة الفنية بقدر ما تكشف عن قيم المؤسسات. ويختلف تمكين المستخدمين عن استغلالهم خوارزمياً.

تتمتع محركات التوصية بأعظم قدر من القوة والأثر والقيمة عندما يثق بها المستخدمون. فالمستخدمون الذين يثقون بأن محركات التوصية تحترم مصالحهم الفضلى منفتحون على الجديد وغير المتوقع وغير المثبت. وبذا، فإنهم يجعلون أنفسهم عُرضَة للخطر.

وهذا الضَعْف يخلق مخاطر حقيقية للتلاعب والاستغلال. وكما لاحظ دان تونكلانغ Dan Tunkelang، الذي يشرف على محركات التوصية لموقع لينكد إن LinkedIn، ”في اللحظة التي تتمتع فيها التوصيات بسلطة التأثير في القرارات، تكون هدفاً لمرسلي الرسائل غير المرغوب فيها والمحتالين وغيرهم من الأشخاص الذين تحركهم دوافع أقل نبلا للتأثير في قراراتنا“.4D. Tunkelang, “Taste and Trust,” LinkedIn Pulse, Jan. 11, 2015, www.linkedin.com.

من الناحية الفنية، فإن التلاعب بمحركات التوصيات أمر سهل نسبياً. فليس من الصعب أن نفضل علامة تجارية أو فيلماً أو مطعماً أو شخصاً أو أغنية على ما سواها. والأمر -ببساطة- هو أن الخيانة ليست سوى سطر سهل من التعليمات البرمجية. وخداع المستخدمين لتحقيق مصلحة لا يتطلب قدراً كبيراً من الإبداع. لكن عملياً هل يستحق الغش؟ هل تتفوق المعاملات السرية بحق على الاستثمارات في قيمة استمرار العملاء؟

جيف بيزوس Jeff Bezos، مؤسس أمازون، رفض رفضا قاطعا الأساس المنطقي الذي استندت إليه الأعمال في تشويه التوصيات الجديرة بالثقة. فقد أشار مقتبسا كلام بائع غير راض عن استعداد أمازون لنشر المشاركات النقدية فورا ودون تمحيص، فقال: ”لقد كتب لي أحدهم قائلا ’أنت لا تفهم أعمالك. أنت تكسب المال عندما تبيع الأشياء. لماذا تسمح بمراجعات العملاء السلبية هذه؟‘ وحين قرأت تلك الرسالة أدركت أننا لا نكسب المال حين نبيع الأشياء. بل نحن نكسب المال عندما نساعد العملاء على اتخاذ قرارات الشراء“.5M. Schrage, “Invest in Your Customers More Than Your Brand,” Harvard Business Review, Feb. 25, 2013, https://hbr.org.

ما هو أكثر إقناعاً: “ينبغي عليكم العمل بذلك” أو “المديرون يرغبون في أن تفكروا في هذه الخطوات التالية”؟ في حين تقدم العديد من أدوات التحليلات في مكان العمل إجابات أفضل أو أمثل أو معيارية، تعمل أدوات أخرى على التمكين: لا تُملُوا رقمياً؛ بل انصحوا.

كذلك تكشف التوصيات التي يتابعها الناس – ويتجاهلونها – كثيراً عن شخصياتهم. و افتراضيا يتطلب إضفاء مزيد من الطابع الشخصي مزيداً من البيانات والمعلومات الشخصية حسب التصميم. وقد تمتزج مجموعات البيانات التي تبدو غير ذات صلة خوارزمياً للحصول على تبصرات حميمة مدهشة. ولا ينبغي لأحد أن يندهش عندما يعلن الباحثون والمبدعون في مختلف أنحاء العالم عن رغبتهم في بناء محركات توصية تعرف أكثر مما تريد.

وهذا الطموح إلى الإبداع يجعل الأمن والسرية أكثر أهمية. وكما هي الحال مع الرعاية الصحية، تكون الموافقة المستنيرة أكثر أهمية مع اكتساب محركات التوصية مزيداً من القوة والانتشار والقدرات التوقعية.

الخيارات الأفضل للموظفين تعزز الأداء

تعمل محركات التوصية لتعزيز الإنتاجية الشخصية، فضلاً عن الإنتاجية على مستوى المؤسسات. مثلاً، يستخدم المسوقون والبائعون في مختلف أنحاء العالم محركات التوصية لرسم الحملات واستهداف العملاء المحتملين. ويستخدم قادة المؤسسات مثل آي بي إم IBM وسايلزفورس مثل محركات التوصية هذه الخاصة بالمبيعات ويوفرونها للمستخدمين، وهذا مجرد مثالين على حركة تحليلات أمكنة العمل الآخذة بالاتساع.

لقد طورت سايلز بريديكت SalesPredict، وهي شركة ناشئة أسست عام 2012 واشترتها إي باي بعد أربع سنوات، التحليلات التي تركز على التوصية بعملاء محتملين جداً وتوقعات محتملة جداً لإحداث فرق في المبيعات. وسرعان ما اكتشفت الشركة أنه على الرغم من أن أغلبية مندوبي المبيعات لا يرغبون في أن يُقَال لهم ما ينبغي عليهم أن يفعلوا، إلا أنهم كانوا منفتحين على اقتراح مستند إلى البيانات. ويقول يارون زاكاي-أور Yaron Zakai-Or، مؤسس سايلز بريديكت والمدير التنفيذي لها: ”إن استخدام كلمة ‹توصيات› يبدو محرجاً بعض الشيء بالنسبة إلى بعض رجال الأعمال، ونحن لا نريد هذا النوع من الارتباط على غرار أمازون. ولكن هذا هو الاتجاه الذي سلكناه في واقع الأمر“.6Y. Zakai-Or, interview with author, 2015.

لكن ما أفضل طريقة لتجميع تحليلات أمكنة العمل هذه وتقديمها لتعزيز الإنتاجية؟ فجداول البيانات ولوحات المعلومات Dadhboard والمرئيات الديناميكية Dynamic visualizations لا تقدم أكثر من ذلك.دعونا نفكر في أي صياغة خطابية أكثر إقناعاً: ”ينبغي عليكم العمل بذلك“ أو ”المديرون يرغبون في أن تفكروا في هذه الخطوات التالية“؟ في حين تعرض العديد من أدوات التحليلات في مكان العمل علناً إجابات أفضل أو أمثل أو معيارية، يتبنى بعضها طاقة (تمكين) محركات التوصية: لا تُملُوا رقمياً؛ بل انصحوا.

أُطلِقت ستيتش فيكس Stitch Fix عام 2011 كاشتراك وخدمة تصميم مخصصة للنساء عبر الإنترنت، ونمت إلى مستوى بليوني دولار من خلال مزج علم البيانات مع الحس بالموضة – وتوسيع نطاق الموقع. وعام 2016، باعت الشركة ما قيمته 730 مليون دولار من الملابس؛ و977 مليون دولار عام 2017؛ وأكثر من 1.25 بليون دولار عام 2018. وترغب ستيتش فيكس في أن تستقطب علامتها التجارية الرجال والعائلات أيضاً.

إن تجميع التحليلات والنصائح والوكزات في بُنى الاختيار التي تلهم ولاء العملاء والمنافسة المقلّدة على حد سواء، يعني أن الشركة تعتمد على البيانات بطريقة غير منفصلة عن أعمالها. وفي هذا الصدد صرحت المؤسسة والرئيسة التنفيذية كاترينا لايك Katrina Lake قائلة: ”علم البيانات Data Science يرفع تقاريره مباشرة إلي، ولن توجد ستيتش فيكس من دون علم البيانات. بهذه البساطة“.7K. Lake, “Stitch Fix’s CEO on Selling Personal Style to the Mass Market,” Harvard Business Review 96, no. 3 (May-June 2018): 35-40, https://hbr.org. 

وهذا الالتزام يؤثر في كل الارتباط عبر سلسلة قيم ستيتش فيكس. واستناداً إلى مخزونها لما يقرب من ألف علامة تجارية – والعلامات التجارية الخاصة بستيتش فيكس – تنشئ الخوارزمية قائمة تفصيلية بالتوصيات لكل عميل، يراجعها أحد المصممين الـ 3,500 مصمم الذين يتعاملون مع الشركة.

فلا غنى عن المصممين. إذ يقول كبير مسؤولي الخوارزميات إيريك كولسون Eric Colson، ”خذوا شيئاً مثل فستان بطبعات جلد النمر. فالآلات ذكية: تستطيع التمييز بين رسم جلد النمر ورسم جلد الفهد، لكنها لا تتمتع بالحس الاجتماعي الذي يمكنها به أن تعرف أن المرأة التي تحب رسم جلد النمر ستحب رسم جلد الفهد“.8“Human-Machine Algorithms: Interview With Eric Colson,” Cloudera Fast Forward, May 25, 2016, https://blog.fastforwardlabs.com.

ويختار المصمم خمْس قطع، “تشكيلة” Fix، ليرسلها شهرياً أو كل شهرين أو فصليا، مع رسالة شخصية تصف أفضل طريقة لإرتداء القطع أو إضافة الإكسسوارات. ويصر المصممون “الأثرياء بالبيانات” على أن ستيتش فيكس تجلب لمسة إنسانية أساسية لعملية الاختيار. وتفرض ستيتش فيكس رسماً بقيمة 20 دولاراً على كل تشكيلة.

ويقول كولسون إن ستيتش فيكس تُقسّم العمل في مجال التوصية لتعزيز التبصرات الاقتصادية السلوكية/بنية الاختيار التي أعرب عنها دانييل كانيمان Daniel Kahneman الحائز على جائزة نوبل والتي عبّر عنها في كتاب التفكير بسرعة وبطء Thinking, Fast and Slow. ويشير قائلاً: ”تضطلع الآلات بالحوسبات والاحتمالات. أما البشر؛ فيضطلعون بالحدس“.9Ibid

وتؤكد لايك قائلة: ”إن الشخص الجيد والخوارزمية الجيدة أفضل كثيراً من الشخص الأفضل أو الخوارزمية الأفضل كلاً على حدة. فنحن لا نضع الأشخاص والبيانات في مواجهة بعضهم البعض. إننا في حاجة إليهما ليعملا معاً. ولا ندرب الآلات على التصرف كالبشر، ومن المؤكد أننا لا ندرب البشر على التصرف كالآلات. ويتعين علينا جميعاً أن نعترف بأننا غير معصومين من الخطأ: المصمم وخبير البيانات. فنحن جميعاً نخطئ في بعض الأحيان – وحتى الخوارزمية تخطئ. والأمر المهم هنا هو أننا نواصل التعلم من هذا كله“.10K. Lake, “Stitch Fix’s CEO.”

وفي أفضل السيناريوهات، ستفتح محركات التوصية الناجحة الباب أمام قدر هائل من فرص الإنتاجية العالية التأثير. مثلاً:

● يدرك أن أحد المسؤولين التنفيذيين أن تواصله بالتعليمات المكتوبة يفتقر إلى الوضوح والطاقة والقوة، ويعرض خطاباته ورسائله على برمجيات مثل محلل واتسون للنبرات Watson Tone Analyzer من آي بي إم. وتقترح البرمجيات تنقيحات، فتجلب القوة والتركيز إلى النثر المكتوب.

● وتسعى مديرة مشروعات عالمية إلى تشجيع مزيد من التعاون والمشاركة داخل فريقها. ويجري محرك التوصية الخاص بها تحليلات للشبكات الاجتماعية، ويحدد أولويات المراحل الرئيسية للمشروع، ويراجع تواصل ما بعد الاجتماعات لاقتراح قائمة مراجعة يومية.

● يرغب مصمم واجهات للمستخدمين يتمتع بالكفاءة الفنية، لكنه غير ملهم، في أن يكون أكثر إبداعاً وجرأة. وتعرض محركات التوصية المرئية الخاصة به صور النماذج الأولية والأطر السلكية Wireframes وفق أبعاد تصميم تجربة المستخدم الإبداعي و/أو الجريء.

في كل حالة استخدام، لا توجد إجابة صحيحة أو حل معياري. وبدلاً من ذلك، يحصل الموظفون على خيارات واضحة ومقنعة ومخصصة ما كانوا لينالوها بخلاف ذلك. 

ومن الناحية التكنولوجية، يقترب يوم العمل الذي تكون فيه الأجهزة ولوحات معلومات مؤشرات الأداء الرئيسية الشخصية قادرة على الشعور فسيولوجيا بمتى لا يكون الموظفون في حالة مزاجية تسمح لهم بأخذ المشورة، أو الاستجابة للتوصيات، أو ”الدردشة عبر سلاك“ Slack مع رئيسهم. وقد تكون هذه البيانات والتحليلات الذاتية الأكثر دقة مكونات أساسية لتعزيز الإنتاجية والأداء الشخصيين. وبعد ذلك، يمكن أن تقدم محركات التوصية إشارات ووكزات وتوصيات أفضل في اللحظات المناسبة.

مع تواصل الإبداع بلا هوادة في تعلم الآلة، والذكاء الاصطناعي، وأجهزة الاستشعار، والواقع المعزز VR، والتكنولوجيات العصبية، وغير ذلك من الوسائط الرقمية، تكون قدرة التوصية على الوصول أكثر انتشاراً، وقوة، وأهمية. ويعد مستقبل التوصيات بألا يكون أكثر شخصية، وأكثر ملاءمة، وأفضل اطلاعاً فحسب، بل أكثر قدرة على التغيير بطرق تضمن المفاجأة (في شكل مقنع). واستراتيجية وتكنولوجيا قادرة على تعلم كيفية تقديم المصادفة بطريقة يمكن الاعتماد عليها الدقة لها بالتأكيد آفاق بعيدة الأجل.

وهذا الوعد يقدم فرصاً وتهديدات هائلة إلى الأفضل أو إلى الأسوأ. وفي صياغة جديدة لمقولة ونستون تشرشل Winston Churchill، نحن لا نقترب بأي حال من بداية نهاية الإبداع في محركات التوصية، إلا أنه يمكن ملاحظة أننا في نهاية البداية.

مايكل شراج Michael Schrage

مايكل شراج Michael Schrage

زميل باحث في مبادرة الاقتصاد الرقمي لمدرسة سلون للإدارة بمعهد ماساتشوستس للتكنولوجيا. وهو مؤلف محركات التوصيات Recommendation Engines (مطبعة معهد ماساتشوستس للتكنولوجيا MIT Press, 2020)، الذي اقتُبِس هذا الموضوع منه. للتعليق على هذا الموضوع https://sloanreview.mit.edu/x/62219.

المراجع

المراجع
1 “Recommender System,” last modified
July 14, 2019, https://en.wikipedia.org.
2 Y. Yan, W. Guo, M. Zhao, et al., “Optimizing Gross Merchandise Volume via DNN-MAB
Dynamic Ranking Paradigm,” Cornell University, Aug. 14, 2017, ArXiv:1708.03993.
3 M. Cowan, “How Spotify Chooses What Makes It Onto Your Discover Weekly Playlist,” Wired, Jan. 9, 2017, www.wired.co.uk.
4 D. Tunkelang, “Taste and Trust,” LinkedIn Pulse, Jan. 11, 2015, www.linkedin.com.
5 M. Schrage, “Invest in Your Customers More Than Your Brand,” Harvard Business Review, Feb. 25, 2013, https://hbr.org.
6 Y. Zakai-Or, interview with author, 2015.
7 K. Lake, “Stitch Fix’s CEO on Selling Personal Style to the Mass Market,” Harvard Business Review 96, no. 3 (May-June 2018): 35-40, https://hbr.org. 
8 “Human-Machine Algorithms: Interview With Eric Colson,” Cloudera Fast Forward, May 25, 2016, https://blog.fastforwardlabs.com.
9 Ibid
10 K. Lake, “Stitch Fix’s CEO.”
اظهر المزيد

مقالات ذات صلة

زر الذهاب إلى الأعلى