إطار جديد هجين للتعلّم العميق لتوقّع خسارة العملاء باستخدام RFM وتجميع التضمينات

لماذا الاحتفاظ بمتسوقي الإنترنت مهم

تواجه كل متاجر الإنترنت السؤال نفسه: أي العملاء يتلاشى وجودهم بهدوء، ومن المرجح أن يعودوا؟ الكشف المبكر يمكّن الشركات من إنفاق أقل على ملاحقة متسوقين جدد والمزيد على الاحتفاظ بمن لديها بالفعل. تطرح هذه الدراسة طريقة معتمدة على البيانات لاكتشاف العملاء المعرضين للخطر عن طريق تحويل تاريخ النقرات والمشتريات الفوضوي إلى إشارات واضحة تفيد بأن شخصًا ما على وشك التوقّف عن الشراء.

النظر في مدى تكرار وكمية مشتريات الناس

ينطلق الباحثون من فكرة بسيطة يعرفها كثير من المسوِّقين: العملاء يختلفون في مدى حداثة مشترياتهم، وتكرار الشراء، ومقدار الإنفاق. هذه الأرقام الثلاثة، المسماة الحداثة (recency) والتكرار (frequency) والقيمة النقدية (monetary)، ترسم صورة أساسية لكل متسوق. الأشخاص الذين يشترون كثيرًا، وينفقون أكثر، وكان آخر شراء لهم حديثًا، عادةً ما يكونون مخلصين. أما من لم يشتروا لفترة طويلة، ويشترون نادرًا، وينفقون القليل فغالبًا هم أكثر عرضة للمغادرة. تستخدم الدراسة هذه الإشارات الثلاثة، بالإضافة إلى بعض الإحصاءات الزمنية الإضافية، كأساس لكل التحليلات اللاحقة.

تجميع المتسوقين ذوي العادات المماثلة

بدلًا من معاملة جميع العملاء كحشد واحد، يقوم الباحثون أولًا بتجميعهم إلى شرائح سلوكية. يستخدمون تقنية تعلّم عميق تضغط ملف مشتريات كل عميل إلى رمز مدمج ومختصر، ثم تشكّل تلقائيًا عنقودًا في فضاء هذه التضمينات. هذا يكتشف أنماطًا يصعب رؤيتها بقواعد بسيطة، مثل الفروقات الدقيقة بين المشترين المنتظمين، والمتسوقين الموسميين، وأولئك الذين في طور الانجراف بعيدًا. تتوافق العناقيد الناتجة مع معانٍ تجارية حقيقية: بعض المجموعات تكاد تكون مكونة من عملاء مخلصين، بينما تحتوي مجموعات أخرى على نسبة عالية من الأشخاص المهددين بالتوقّف عن الشراء.

تعلّم النظام تتبع رحلات العملاء عبر الزمن

بعد تجميع العملاء، تُدخِل الدراسة هذه القطاعات، إلى جانب أنماط الإنفاق، في شبكات عصبية متخصّصة في التعامل مع التسلسلات. صُمِّمت هذه الشبكات في الأصل لقراءة الجمل أو الأصوات، لكنها هنا تقرأ تدفّقات أحداث التسوّق بدلًا من ذلك. تتعلّم كيف يتغيّر نشاط الشخص على مدى أسابيع أو أشهر وكيف تميل تلك التغيّرات إلى الانتهاء، إما باستمرار الشراء أو بالانقطاع. يدرّب الباحثون ويختبرون نماذجهم على مجموعتي بيانات حقيقيتين مختلفتين تمامًا، إحداهما مبنية على سجلات شراء تقليدية والأخرى مستخلصة من سجلات نقر وأحداث مفصّلة.

مقارنة الأساليب الجديدة بالأدوات التقليدية

يقارن الفريق منهجهم الهجين بأدوات قياسية مثل الانحدار اللوجستي وآلات التوجيه الداعمة (SVM). تؤدي النماذج البسيطة أداءً جيدًا عندما تكون البيانات مرتبة بالفعل لكنها تعاني عندما يكون السلوك معقَّدًا أو ضجيجيًا. بالمقابل، يقوم الإطار الجديد أولًا بإعادة تشكيل البيانات عبر التجميع العميق ثم يلتقط أنماط التوقيت باستخدام الشبكات التسلسلية. عبر كلتا المجموعتين، يحقق هذا الإعداد دقة تقترب من المثالية مع الحفاظ على توازن بين كشف المغادرين وعدم إطلاق عدد كبير من الإنذارات الكاذبة. تُظهر دراسة الاستئصال أن إضافة خطوة التجميع تعزز الأداء بوضوح مقارنة باستخدام نماذج التسلسل وحدها.

ماذا يعني هذا للأعمال التجارية عبر الإنترنت

بالنسبة لغير المتخصّصين، الرسالة الأساسية هي أن الاستخدام الأكثر ثراءً لبيانات متى وكيف يتسوّق الناس يمكنه تحويل السجلات الروتينية إلى تحذيرات مبكرة حول من من المحتمل أن يغادر. من خلال الجمع بين ملخّصات إنفاق بسيطة، وتقسيم ذكي للعملاء، ونماذج تتابع السلوك عبر الزمن، يوفر الإطار طريقة أكثر موثوقية لتمييز العملاء المعرضين للخطر. بعدها يمكن للشركات تركيز عروض الاحتفاظ أو الدعم أو المحتوى على الأشخاص الذين هم في أمسّ الحاجة إليها، مما يحسّن الولاء دون التخمين أو الاعتماد فقط على الحدس.

الاستشهاد: Ibrahim, S., Tawfik, B.S., Makhlouf, M.A. et al. A novel hybrid deep learning framework for customer churn prediction using RFM and embedding clustering. Sci Rep 16, 16563 (2026). https://doi.org/10.1038/s41598-026-53220-0

الكلمات المفتاحية: خسارة العملاء, التجارة الإلكترونية, تقسيم العملاء, التعلّم العميق, تحليل RFM