Menu
راهنمای خرید و خواندن کتاب

در انتخاب یک کتاب به چه نکاتی دقت کنیم و کتاب را چگونه بخوانیم تا اثربخشی بیشتری داشته باشد؟




موتورهای پیشنهادکننده و سیستم های توصیه گر


اهداف و انتظارات آموزشی متمم در این درس
کد درس: ۵۴۶۰۱
از دوستان عزیز متممی انتظار می‌رود پس از مطالعه این درس:
  • بتوانند مفهوم موتورهای پیشنهادکننده یا سیستم های توصیه گر را تعریف کرده و کارکرد آن را شرح دهند.
  • بتوانند چند مورد از موتورهای توصیه‌گر را مثال بزنند و فهرست کنند.
  • بتوانند تشخیص دهند که در حال حاضر یا آینده‌ی کسب و کارشان، چنین مکانیزمی تا چه حد قابل تصور یا قابل استفاده است.
فشار ذهنی هنگام مطالعه
نیاز به مشارکت شما
کسب و کار
زندگی
معرفی موتورهای پیشنهاد یا Recommendation Engines

وقتی می‌خواهید به یک کافی‌شاپ جدید بروید یا آخر هفته را به دیدن یک فیلم بگذرانید، احتمالاً از دوستان نزدیک خود می‌خواهید که چند گزینه به شما پیشنهاد دهند.

وقتی می‌خواهید برای یکی از درس‌های دانشگاه، بیشتر مطالعه کنید و بهتر بیاموزید، از استاد خود می‌خواهید که منابع بیشتر برای مطالعه معرفی کند.

گاهی اوقات هم، اگر مشتری طولانی‌مدت سوپرمارکت محله‌تان باشید، ممکن است فروشنده محصولی را که تا امروز نخریده‌اید به شما پیشنهاد کند.

همه‌ی مثال‌های بالا، نمونه‌هایی از سیستم سنتی و انسانی ارائه‌ی پیشنهاد محسوب می‌شوند.

سیستم های توصیه گر و پیشنهاد دهندهاما امروز، ما بخش قابل توجهی از پیشنهادها را نه از دوستان و اطرافیان خود، بلکه از نرم افزارها و اپلیکیشن‌ها و در یک کلام، الگوریتم‌ها دریافت می‌کنیم.

شرکتی مثل آمازون، بخش مهمی از تکنولوژی خود را بر پیشنهاد محصول متمرکز کرده است.

موتورهای جستجو از جمله گوگل، با توجه به پرسشی که برای آنها مطرح می‌کنیم، می‌کوشند بهترین پیشنهاد لینک را ارائه دهند.

دیجی کالا و بسیاری سایت‌های فروش دیجیتال داخلی، همزمان با معرفی هر محصول، محصولات مرتبط را پیشنهاد می‌دهند.

سایت‌های خبری،‌ زیر هر خبر، چند خبر مرتبط را پیشنهاد می‌دهند.

بخش مهمی از موفقیت یا شکست کسب و کارهای دیجیتال، به استراتژی پیشنهاد دادن آنها و یا به عبارت علمی‌تر، قدرت موتور پیشنهاددهنده‌ی آنها (یا همان Recommendation Engine) مربوط می‌شود.

محدودیت در دسترسی کامل به درس‌های سواد دیجیتال

دوست عزیز. دسترسی کامل مجموعه درس‌های سواد دیجیتال برای اعضای ویژه‌ی متمم در نظر گرفته شده است. البته با عضویت ویژه، به مجموعه درس‌های بسیار بیشتری به شرح زیر دسترسی پیدا می‌کنید:

 فهرست درس‌های متمم

البته اگر به تسلط بر تکنولوژی و سواد دیجیتال علاقه دارید، احتمالاً مطالعه‌ی مباحث زیر برایتان در اولویت خواهد بود:

  آموزش CRMاتوماسیون بازاریابی

  استراتژی محتوا | آموزش بازاریابی محتوا | دیجیتال مارکتینگ

  آموزش سئو | ایمیل مارکتینگ | شبکه های اجتماعی

  شبکه های اجتماعی | تولید محتوا

  دوره MBA (پیگیری منظم مجموعه درس‌ها)

فرض کنید در همان سیستم پیشنهاد فیلم، یک عنوان فیلم مشخص به تازگی عرضه شده و کمتر کسی آن را می‌شناسد و می‌بیند.

پس از مدتی، به خاطر کمتر انتخاب شدن، این فیلم از دایره‌ی توصیه‌ها خارج می‌شود.

به عبارتی، محصولات پرطرفدار به تدریج پرطرفدارتر و محصولات منزوی یا کمتر شناخته شده به تدریج منزوی‌تر می‌شوند.

[ درس مرتبط: سیستم‌هایی که در‌ آنها، موفقیت سهم موفق‌هاست ]

الگوریتم‌های هیبرید می‌کوشند با ترکیب دو روش، نقاط ضعف هر روش را توسط روش دیگر پوشش دهند.

تمرین اول:

حداقل سه سیستم پیشنهاد دهنده را که می‌شناسید مثال بزنید.

اگر چه الزاماً نمی‌توانید به صورت قطعی نظر بدهید، اما در مورد هر کدام بگویید که حدس می‌زنید کدامیک از سه شیوه را مورد استفاده قرار می‌دهند.

تمرین دوم:

آیا موردی هست که جای خالی یک سیستم پیشنهاددهنده‌ی قوی را حس کنید؟ موردی که یا اصلاً چنین سیستمی در آن وجود نداشته باشد یا آنچه هست، انتظار شما را تامین نکند.

      شما تاکنون در این بحث مشارکت نداشته‌اید.  

     برخی از دوستان متممی که به این درس علاقه مندند:    سیدمحمد مهدوی ، hooman khezri ، مهدی حسینی ، حمید طهماسبی ، مهشید محمدی

ترتیبی که متمم برای خواندن مطالب سری سواد دیجیتال به شما پیشنهاد می‌کند:

سری مطالب حوزه سواد دیجیتال

قوانین کامنت گذاری در متمم

67 نکته برای موتورهای پیشنهادکننده و سیستم های توصیه گر

     
    دوست گرامی مشاهده تمرینهای مربوط به این درس، صرفا برای کاربران متمم امکانپذیر میباشد.
    .