Проектирование базы знаний системы управления контентом сайта автомагазина на основе персонализации

Бесплатный доступ

Статья посвящена разработке простой базы знаний для реализации подхода персонализированного управления контентом сайта небольшого автомагазина. Описана суть подхода персонализации лендинговых страниц. Приведён минимальный набор учитываемых переменных для рассматриваемого примера и их формализованное описание.

Система управления контентом сайта, автоматизированная система, персонализация сайта, контент, база знаний

Короткий адрес: https://sciup.org/140273219

IDR: 140273219

Текст научной статьи Проектирование базы знаний системы управления контентом сайта автомагазина на основе персонализации

В современном мире каждая компания, предлагающая какие-либо товары или услуги, активно использует методы продвижения своего продукта в сети Интернет как минимум при помощи размещения необходимой информации на страницах корпоративного сайта и разработки системы рекламных мероприятий.

С ростом конкуренции на рынке товаров и услуг в век информационных технологий становится актуальным вопрос о совершенствовании методов продвижения продукта среди целевой аудитории. В связи с этим наблюдаются тенденции персонализации сайта путем изменения его дизайна, структуры, различных элементов и контента для определенных групп его посетителей. Данная задача требует серьезных денежных затрат на изучение аудитории сайта как потенциальных клиентов, сегментацию пользователей, подготовку соответствующих материалов и программную реализацию.

Однако некоторые подзадачи могут быть решены при помощи современных интеллектуальных систем, что позволяет частично избежать затрат на переход к новой концепции электронного маркетинга. Наиболее приближенными к человеческому мышлению являются экспертные системы и системы искусственного интеллекта, главным компонентом которых является база знаний с формализованным описанием предметной области, а также зависимостей между ее компонентами (т. е. правилами). Данный факт говорит о возможности их применения при построении автоматизированной системы управления контентом лендинговых страниц. Суть метода заключается в том, что на основании правил, составляющих в Базу знаний подсистемы, в зависимости от входящих данных о посетителе сайта будет меняться содержание страницы.

Таким образом реализуется принцип персонализации, что в несколько раз повышает конверсию сайта. Другими словами, благодаря таким настройкам большая часть целевой аудитории сайта компании сразу получает искомую информацию и охотнее оставляет заказы, заявки, соглашается на обратный звонок и так далее, в зависимости от целей компании. Учитывая вышеизложенные факты, можно говорить об актуальности проектирования и разработки автоматизированной системы управления контентом сайта. При проектировании автоматизированной системы управления контентом лендинговой страницы на основании подхода персонализации немаловажным ее компонентом будет являться база знаний, содержащая описание предметной области и правила, согласно которым будет происходить выбор подходящей категории автомобилей для формирования контента в следующей подсистеме.

Например, в случае, когда пользователь системы занимается продажей автомобилей, для настройки персонализации страницы сайта дилерского центра ему необходимо учитывать, как минимум пол, возраст, уровень дохода, а также место проживания посетителя, чтобы предложить максимально близко соответствующий его ожиданиям автомобиль. Набор параметров, которые будут учитываться при создании правил может быть совершенно индивидуальным и меняться при необходимости.

При минимальном наборе параметров, характеризующих потенциального покупателя автомобиля, в подсистеме используются такие входные переменные, как «Пол», «Возраст», «УровеньДохода» и «МестоПроживания», каждая из которых имеет несколько лингвистических термов. Основываясь на профессиональном опыте эксперта, показатели имеют следующие характеристики:

  • - переменная «Возраст» представлена на множестве целых чисел X [18; 90] (рисунок 1). Приведем множество нечетких переменных для значений Т(х):

  • 1, х < 20

«Молодой» = ]нелинейная аппроксимация, 20 < х < 35;

  • 0, х > 35

(%—18)2

«Средний» = в 69,738

Г          1, х > 85

«Пожилой» = ]нелинейная аппроксимация, 50 < х < 90;

'          0, х < 50

Рисунок 1 - Функции принадлежности для нечеткой логической переменной «Возраст»

- лингвистическая переменна «УровеньДохода» (рисунок 2) также описана тремя лингвистическими термами, а именно «Низкий», «Средний» и «Высокий». Данная переменная описана множеством целых чисел на интервале Х [0, 100]. Множество нечетких переменных для значения Т(х) следующее:

1, х < 5

«Низкий»=] нелинейная аппроксимация, 5 < х < 25;

0, х > 25

_ (Х-2,32)2

«Средний»= 6    104,97

(                1, х > 95

«Высокий»= {нелинейная аппроксимация, 45 < х < 95.

(                0, х < 45

Рисунок 2 - Функции принадлежности для нечеткой логической переменной

«УровеньДохода»

- переменная «МестоПроживания» приведена на рисунке 3. Ее описание проведено при помощи таких лингвистических термов, как

«Вгороде», «Впригороде» и «Загородом». Опишем переменную, представленную на множестве целых чисел X [0, 50] более подробно.

Приведем множество нечетких переменных для значений Т(х):

(            1, X = 0

«Вгороде»= нелинейная аппроксимация, 0 < х < 13;

(           0, х > 2,5

(х-17,48)2

«Впригороде»= 6

12,6

1, х = 45

«Загородом»= ]нелинейная аппроксимация, 20 < х < 45. '           0, х < 20

Рисунок 3 - Функции принадлежности для нечеткой логической переменной «МестоПроживания»

Лингвистическими термами для выходной переменной, которой является «Автомобиль» (рисунок 4), выступают обобщенные классы «Микролитражный», «Эконом» «Средний», «Бизнес» и «Премиум». Переменная описана множеством целых чисел на интервале Х [0.3, 7]. Множество нечетких переменных для значения Т(х) следующее:

1, % < 0,3

«Микролитражный»=                                     ;

1    1         (нелинейная аппроксимация, 0,3 < % < 0,8

_ (х-0,6697)2

«Эконом»= в    0,0206

(х-1,649)2

«Средний»= в

0,117

(х-2,989)2

«Бизнес»= в

0,217

«Премиум»={

  • 1, %>8

нелинейная аппроксимация, 5 < % < 8.

Рисунок 4 - Функции принадлежности для нечеткой логической выходной переменной «Автомобиль»

Таким образом, простая система логического вывода для решения задачи подбора категории автомобиля (Рисунок 5) под укрупненные группы пользователей включает четыре входные переменные («Пол», «Возраст», «УровеньДохода», «МестоПроживания»), одну выходную («Автомобиль»), а также базу знаний, содержащую формализованные экспертом правила.

Рисунок 5 - Укрупненная схема системы

Для данного набора переменных, а также с учетом всех лингвистических термов система нечеткого логического вывода содержит 54 правила.

1.   If (Пол is

Мужской)

and

(Возраст is

Молодой)

and

(УровеньДохода is Низкий) and (МестоПроживания (Автомобиль is Эконом).

is Вгороде)

then

2.   If (Пол is

Мужской)

and

(Возраст is

Молодой)

and

(УровеньДохода is Низкий) and (МестоПроживания is

Впригороде)

then

(Автомобиль is Малолитражный).

Таким образом, спроектированная база знаний выбора категории автомобилей на основании 4 входных переменных для одной выходной может быть использована в качестве основы подсистемы подбора конкретных блоков контента страницы сайта автомагазина. На категорию «Автомобиль» в системе оказывают влияние «Пол» «Возраст», «УровеньДохода» и «МестоПроживания» потенциального клиента – посетителя сайта. Система подбора категории авто с приведенным набором параметров содержит базу знаний, в которую входят 54 продукционных правила. В ней также предусмотрена возможность удобной визуализации зависимостей переменных, что значительно упрощает эксперту процесс работы с ней и анализа полученных зависимостей. Обозначенный модуль играет одну из ключевых ролей при автоматизации подхода персонализации интернет-ресурса. Данный подход позволит значительно увеличить общую конверсию сайта, так как под определенные группы его клиентов будет осуществляться визуализация специализированного содержания, а это значит – потребность в определенного рода информации посетителей будет удовлетворена.

Список литературы Проектирование базы знаний системы управления контентом сайта автомагазина на основе персонализации

  • Деревицкий А. А. Персонализация продаж. Как найти путь к сердцу каждого клиента. Москва: Манн, Иванов и Фербер, 2014, 321 с.
  • Заррелла Д. Интернет-маркетинг по науке. Что, где и когда делать для получения максимального эффекта. Москва: Манн, Иванов и Фербер, 2014, 192 с.
  • Одден Ли. Продающий контент. Как связать контент-маркетинг, SEO и социальные сети в единую систему Москва: Манн, Иванов и Фербер, 374 с.
Статья научная