تحليل مسارات الزبائن باستخدام التعلم المعزز: ثورة في تحسين تصميم المتاجر

تعتبر مسارات الزبائن (Customer Trajectories) داخل المتاجر أحد العناصر الأساسية التي تساعد في تحسين تصميمات المتاجر وزيادة فاعلية استراتيجية البيع بالتجزئة. ولكن، يعد جمع بيانات الحركة الحقيقية للزبائن أمرًا مكلفًا للغاية وغالبًا ما يكون غير ممكن للعديد من تجار التجزئة. لهذا السبب، غالبًا ما يتم اللجوء إلى أساليب توجيهية مثل مشكلة البائع المتجول (Travelling Salesman Problem - TSP) وجيران الاحتمالات (Probabilistic Nearest Neighbours - PNN) التي توفر تقديرات ذات تكلفة منخفضة، ولكنها تعاني من تباين ملحوظ في دقة النتائج، حيث يمكن أن تتجاوز انحرافات التقديرات 28% عن المسارات الأكثر اختصارًا.

من هنا، يأتي الابتكار الذي تقدمه هذه الدراسة، حيث يتم عرض إطار عمل قائم على نمذجة وكيل (Agent-Based Modelling) يعتبر تقدير مسارات الزبائن كمسألة تعلم معزز باستخدام أقصى انترابيا (Maximum Entropy RL). يقوم هذا النهج بتوازن تحسين المكافآت مع العشوائية، مما يعكس سلوك الزبائن بنحو أكثر دقة، خاصة أولئك الذين يتمتعون بقدرات عقلانية محدودة.

باستخدام بيانات حقيقية تم جمعها من متجر، أظهرت النتائج أن المسارات المولدة بواسطة التعلم المعزز تتوافق بشكل أفضل مع سلوك الزبائن مقارنة بالطرق التقليدية مثل TSP وPNN. كما توفر هذه الأساليب تقديرات أدق لمعدلات المشتريات العفوية وكثافات حركة المنتجات على الأرفف.

وعلاوة على ذلك، فإن التنبؤات التي تعتمد على التعلم المعزز هي الوحيدة التي توفر قرارات إعادة وضع المنتجات العفوية التي تتماشى مع تلك المستندة على بيانات المسارات الفعلية، مما يؤدي إلى تحقيق مكاسب تقديرية مماثلة في الأرباح. إن عملنا يُظهر أن التعلم المعزز يوفر بديلًا عمليًا يستند إلى سلوك الزبائن، مما يجسر الفجوة بين الأساليب المبسطة المفرطة والتقنيات المعتمدة على البيانات، مما يجعل تحسين تصميم المتاجر بدقة أكثر شمولية.

ندعو الباحثين لمزيد من البحث في هذا المجال، حيث يتوفر رمز المصدر على GitHub للتعاون ومشاركة الأفكار.