يطلب مسؤول الاحتفاظ بالعملاء (Retention Lead) تحديد شرائح للعملاء لصالح علامة تجارية في مجال التجارة الإلكترونية، متوقعاً أن تُستخدم المخرجات في استهداف الحملات وتخصيص الميزانية. لا تنتهي المهمة بمجرد أن تُنتج خوارزمية التجميع (Clustering) تصنيفات للشرائح؛ بل تكتمل عندما تتمكن من تبرير كيفية بناء هذه التصنيفات، وإعادة إنتاجها باستخدام البيانات نفسها، وشرح الإجراءات التي ستتغير لكل شريحة.
يمكن للذكاء الاصطناعي تسريع العمليات الوصفية التي تنقلك من الجداول الخام إلى ملفات تعريف أولية للشرائح، لكنه لا يضمن صحة النتائج بشكل مطلق. فعندما تقوم عملية تجميع أعدها الذكاء الاصطناعي باستبعاد القيم الفارغة (nulls)، أو تحويل صيغة التاريخ إلى نص (string)، أو التجميع بمستوى تفاصيل (grain) خاطئ، يتحمل المحلل مسؤولية الأخطاء المترتبة على ذلك، بما في ذلك استهداف الحملات بشكل خاطئ أو نسب الإيرادات بشكل غير صحيح. وتتمثل مهمتك في التعامل مع مخرجات الذكاء الاصطناعي كمسودة أولية، ثم التحقق منها بمقارنتها بالبيانات الخام وتوثيق الافتراضات التي اعتمدتها.
عادةً ما تتضمن المخرجات القابلة للاستخدام: جدولاً للشرائح على مستوى العميل الفردي، وبطاقة تعريف لكل شريحة (مجموعة)، ومذكرة تحقق تفرق بين ما تظهره البيانات وبين ما تستنتجه أنت حول دلالة هذه البيانات بالنسبة لاستراتيجية الاحتفاظ بالعملاء.
تتبع عملية تقسيم العملاء تسلسلاً ثابتاً حتى عند تغيير الأدوات المستخدمة. ورغم أن الذكاء الاصطناعي يسرّع مرحلة الإعداد الأولي، إلا أن المحلل هو من يحدد مستوى التفاصيل (grain)، والإطار الزمني (window)، ومعايير التحقق من الصحة.
تعرّف على كيفية تكامل مراحل سير العمل من البداية إلى النهاية.
تعني مرحلة استيعاب البيانات (Ingest) التوفيق بين المعرّفات والنطاقات الزمنية. يمكن للذكاء الاصطناعي صياغة منطق الربط (join logic)، ولكن يجب عليك التحقق من عدد الصفوف بعد كل عملية ربط والتأكد من أن وحدة التحليل هي “العميل” وليس “الطلب” أو “الحدث”.
تعني مرحلة التنظيف (Cleaning) تحديد كيفية التعامل مع البيانات المفقودة والقيم المتطرفة (outliers) عند إدراجها في مساحة السمات. يمكن للذكاء الاصطناعي رصد التوزيعات المشبوهة، ولكن يجب عليك اعتماد آلية التعامل مع القيم الفارغة (nulls) بشكل صريح؛ لأن الإعدادات الافتراضية في مكتبات مثل pandas (مثل دالة dropna()) قد تغير -دون تنبيه- قائمة العملاء المشمولين في عملية التقسيم.
تعني مرحلة هندسة السمات (Feature engineering) تحديد مفهوم “التشابه” بما يتناسب مع سؤال العمل المطروح. يمكن للذكاء الاصطناعي اقتراح سمات محتملة مثل مقياس RFM (الحداثة والتكرار والقيمة المالية) وكثافة التصفح، ولكن يجب عليك منع “تسرب البيانات” (leakage) عن طريق استبعاد النتائج اللاحقة للفترة الزمنية المدروسة من السمات الخاصة بالفترة السابقة لها.
تعني مرحلة التجميع (Clustering) والتفسير بناء المجموعات (clusters) ثم توصيف خصائصها بناءً على الوحدات الأصلية. يمكن للذكاء الاصطناعي كتابة الكود البرمجي اللازم للقياس (scaling) والملاءمة (fitting)، ولكن يجب عليك إعادة تشغيله والتحقق العشوائي من متوسط قيمة واحدة على الأقل للمجموعة المحسوبة بمقارنتها مباشرة بصفوف البيانات المصدرية.
تعني مرحلة التحقق (Validation) اختبار استقرار النتائج وقابليتها للتطبيق العملي. يمكن للذكاء الاصطناعي حساب مقاييس مثل “معامل الصورة الظلية” (silhouette score) و"مؤشر راند المعدل" (adjusted Rand index)، ولكن يجب عليك تحديد العتبات المقبولة تجارياً والإجراءات التي تتيحها كل مجموعة (شريحة) من الشرائح الناتجة.
النموذج اللغوي الكبير (LLM): هو أداة لتوليد النصوص تتنبأ بالعناصر (tokens) التالية المحتملة بناءً على الأنماط الموجودة في بيانات التدريب. يمكن لهذا النموذج إنتاج أكواد برمجية وملخصات تكون صحيحة من الناحية اللغوية أو البرمجية، لكنها خاطئة من الناحية التحليلية.
المطالبة (Prompt): هي التعليمات التي تقدمها للنموذج اللغوي الكبير. إذا لم تحدد المطالبة بُعد التقسيم (مثل نوع العميل) والإطار الزمني، فسيلجأ الذكاء الاصطناعي افتراضياً إلى تجميع عام للبيانات يؤدي إلى طمس النمط الذي تحاول اكتشافه من خلال حساب المتوسطات.
نافذة السياق (Context window): هي الحجم المحدود من النصوص ووصف البيانات الذي يمكن للنموذج اللغوي الكبير معالجته في آن واحد. إذا وقع مخطط البيانات (schema) أو المحاذير الهامة خارج نطاق هذه النافذة، فسيتصرف الذكاء الاصطناعي وكأنها غير موجودة، وستتحمل أنت مسؤولية التناقضات الناتجة عن ذلك.
الهلوسة (Hallucination): هي ادعاء غير قابل للتحقق يولّده النموذج اللغوي الكبير دون أن يستند إلى البيانات المقدمة أو المخرجات المحسوبة فعلياً. في سياق تقسيم العملاء، غالباً ما تظهر الهلوسة في صورة عوامل محركة مختلقة -مثل “الحساسية للسعر”- في حين لم يتم استخدام أي سمة تتعلق بالسعر أو الخصومات في التحليل.
تعرّف على كيفية الفصل بين السرد القصصي والأدلة القابلة للقياس والحساب.