Mohamed Lahlah

يتعرض المستهلك إلى جملة من العوامل الّتي تؤثر في تصرفاته وتوجه سلوكه نحو ما هو مطروح من سلع وخدمات وكلما ازداد التطور التكنولوجي ازدادت معه قوة تأثير الشركات والعلامات التجارية على المستهلك سنستكمل في هذا المقال العوامل المتبقية الّتي تؤثر على سلوك المستهلك وهي المزيج التسويقي. المزيج التسويقي Marketing Mix يشير مصطلح المزيج التسويقي Marketing Mix إلى مجموعة أساسيّة من الاستراتيجيّات، والنّهج الّتي يستخدمها المسوّقون لتحديد السّوق المستهدف، والوصول إليه بالطرق المناسبة، ويتألف المزيج التسويقي من العناصر التالية: المنتج Product. السعر Price. التوزيع Place ويشار إليها أحيانًا بالتموضع Placement. الترويج Promotion. ويطلق على المزيج التسويقي أحيانًا 4Ps باللغة الإنجليزية للإشارة إلى بداية حروف كلّ عنصر، في الوقت الحاضر، يوجد توسعات مختلفة للمزيج التسويقي فمثلًا بعض المسوقين يصنفوا المزيج التسويقي على أنه المنتج والتّسعير والتوزيع التّرويج، والبعض الآخر يضيف إلى القائمة السابقة المحيط الفيزيائيّ Physical environment، والعمليّة Process، والنّاس People. إلا أننا سنعتمد على الرباعية الأولى وسنُحاول فهم تأثيرها على المستهلك. يهدف المزيج التسويقي لبناء تناسق بين أهداف الشركة وعناصر المزيج التسويقي فأي تغيير في أهداف الشركة ينتج عنه تغيير في عناصر المزيج التسويقي فمثلًا إذا حددت الشركة أن هدفها زيادة حصتها في السوق فيجب أن يزداد عدد إنتاج المنتجات، وتكثيف الحملات الإعلانية لتوسيع قاعدة الجمهور، كما يجب أن يهدف التوزيع لزيادة عدد المتاجر الموجودة فيها المنتجات، والأفضل في هذه الحالة أن ينخفض السعر أو العروض أو الخصومات أو الكوبونات الشخصية التشجيعية لكي لا يحدث استنزاف في رأس مال الشركة. لذلك يكون المزيج التسويقي نموذجيًا عندما يكون لدينا المنتج المناسب بالسعر المناسب في مكان التوزيع المناسب وبطريقة ترويج مناسبة. إلا أن الأمر ليس بتلك السهولة إذ الأمر يحتاج لمتابعة كلّ جانب ومعرفة مدى انسجامه مع الجوانب الأخرى لتحقيق المزيج المتناغم الّذي يؤدي لجذب المستهلكين وحثهم على شراء المنتج. لفهم تأثير المزيج التسويقي بصورة أفضل لا بدّ أن نقرب الصورة أكثر عليه ونركز على عناصره ونناقش كلّ واحدة منها على حدة. 1. المنتج Product يعدّ المنتج من أهم عناصر المزيج التسويقي إن لم يكن أهمها فعلًا لأن جميع العناصر الأخرى ترتكز عليه فلا بدّ في البداية من فهم ماهية المنتج، وكيف يتميز المنتج عن بقية منتجات الشركات المنافسة، لأنه ببساطة لا يمكننا توقع بيع منتج مشابه لمئات المنتجات الأخرى إذ يجب علينا البحث عن كيفية الّتي يجب أن يتميز منتجنا عن المنتجات الأخرى. يمكن أن يوحي الأسم في البداية بأننا نخص المنتجات الفيزيائية الملموسة إلا أن تعريف المنتج أوسع من ذلك فهو العنصر الأساسي الّتي تقوم عليه الشركة ويمكن أن يكون منتج أو فكرة أو خدمة أو مزيج من هذه العناصر الثلاثة، وهو أيضًا كلّ ما يعرض في السوق لتلبية حاجة أو رغبات المستهلك. وفي الواقع لا يشتري المستهلك المنتج وحسب وإنما يشتري المنفعة المتوقع الحصول عليها جراء استعمال هذا المنتج، وهذا ما يجب التركيز عليه عند تطوير أي منتج. وتشمل عملية تطوير المنتج تقييمًا مستمرًا لتجربة المستهلك، وجمع البيانات حول كيفية استخدام المستهلك للمنتج من أجل تحسين المنتج وتطويره. لذلك خلال مرحلة تطوير المنتج، يجب على المسوق إجراء بحث مكثف حول دورة حياة المنتج الّذي يصنعه. وعمومًا تتضمن دورة حياة المنتج مرحلة النمو ومرحلة النضج ومرحلة تراجع المبيعات (أو مرحلة الانحدار). من المهم للمسوقين إعادة ابتكار منتجاتهم لتحفيز المزيد من الطلب بمجرد وصولها إلى مرحلة انخفاض المبيعات. كما يجب عليهم إنشاء مزيج تسويقي مناسب يعرض خصائص المنتج ويحقق الأهداف التجارية للشركة. نقاط مهمة حول تصميم وتطوير المنتجات هنالك العديد من الأسئلة الأساسية الّتي يجب أن نطرحها على أنفسنا قبل تصميم وتطوير أي منتج نذكر منها: ماذا يريد العميل من المنتج؟ كيف وأين سيستخدم المستهلك هذا المنتج؟ كيف يختلف المنتج عن المنتجات المنافسة؟ ما الميزات الّتي يجب أن يتمتع بها المنتج لتلبية احتياجات المستهلك؟ هل هناك أي ميزات ضرورية يجب تحقيقها؟ هل يحتوي المنتج الحالي على ميزات لا يحتاجها العميل؟ ما اسم المنتج؟ وهل اسمه جذاب بما فيه الكفاية لاستقطاب المستهلك؟ ما هي الأحجام أو الألوان المتوفرة للمنتج؟ كيف تبدو طريقة تغليف المنتج (جذابة أو راقية…إلخ) من وجهة نظر المستهلك؟ وعمومًا تنطلق عملية تصميم وتطوير المنتجات من تحديد احتياجات المستهلك وبعدها محاولة ابتكار تصميم لمنتج جديد يفي بهذه الاحتياجات، وبعدها ينتقل التصميم (أو التصاميم) لمرحلة التقييّم والمحاكاة لهذا التصميم المقترح، وبعدها نختار أفضل تصميم من جميع النواحي، وبعدها ننتقل لمرحلة بناء نظام لأتمتة تصنيع المنتج، وبعدها نختبر نظام التصنيع ونقييمه لمعرفة الجودة والسرعة والتكلفة لعملية تصنيع المنتج الواحد. وبعدها نبدأ في تصنيع المنتج وتسليمه للموزعين أو المستهلكين، وأخيرًا نتابع رضا المستهلك عن المنتج في قسم الدعم الفني أو خدمة العملاء. إن عملية تطوير المنتجات عملية طويلة ومعقدة وتختلف بحسب كلّ منتج إلا أنه يوجد نقاط رئيسية يهتم بها المستهلك في أي منتج ولنأخذ نظرة عامة عليها من هذه النقاط نذكر: 1. تنوع المنتجات Product Variety معظم المستهلكين يرغبون في تنويع المنتجات فهم أحيانًا يبحثون عن التغيير ولكن من خلال منتجات الشركة الّتي يثقون بها لذلك لا تتوقع أن يكونوا راضين عن نفس المنتج لفترة طويلة مهما كان المنتج جيد. يريد المستهلك الحالي تنوعًا في المنتجات الّتي تقدم له. لذلك التحديث والتجديد أصبح أمرًا لا مفر منه. 2. جودة المنتج Quality من المهم جدًا أن يرى المستهلك أن المنتج يحقق معايير الجودة المحددة. لذا فإن مراقبة معايير الجودة هي مطلب أساسي وليس ثانوي. توضع معايير الجودة عادةً بموجب القانون أو تضعها الشركات الكبيرة بنفسها في بعض الأحيان. 3. تصميم المنتج Design يساعد التصميم الجيد في إضافة قيمة للمنتج، من خلال الجاذبية والراحة والمنفعة والسلامة. لذلك يعد تصميم المنتج قرارًا تسويقيًا مهمًا يساعد في زيادة المبيعات. 4. مميزات المنتج Features تشمل المعلومات عن ميزات المنتج دمج تلك الميزات في المنتج الّتي يطلبها العميل المستهدف. يتضمن الفوائد الّتي يسعى إليها المستهلك من المنتج. 5. العلامة التجارية Brand Name من الضروري أن تسعى الشركات لوضع علامة تجارية على المنتج لكي تتميز عن المنتجات المنافسة، كما أن العلامة التجارية تربطٌ المنتج بمجموعة من الميزات الّتي توفرها العلامة التجارية، وتلجأ بعض الشركات لصناعة منتج لا يحتوي علامة تجارية في حال كانت تسعى هذه الشركات لترخيص منتجاتها لشركات الأخرى، إلا إنه عمومًا يجب أن يكون على المنتج علامة تجارية. 6. التعبئة والتغليف Packaging يشير التغليف إلى أنشطة توفير أغلفة أو حاوية للمنتج. إنه يحمي المنتجات، بحيث يمكنه السفر بأمان عبر قنوات التوزيع من المنتجين إلى المستهلكين ويمكن أيضًا تخزينه بسهولة. علاوة على ذلك، فهي بمثابة أداة تسويق وتساعد في الترويج للمنتج. إن تصميم العبوات بطريقة جذابة وبالألوان وأشكال مناسبة ومصنوعة من مواد صديقة للبيئة يضفي صورة مميزة عن المنتج في أذهان المستهلكين. 7. أحجام المنتج Sizes يجب أن تحافظ الشركة على تلبية احتياجات كافة أنواع المستهلكين من خلال توفير أحجام مختلفة من المنتجات تتناسب مع الأفراد أو المجموعات، كما يتوقع المستهلكين بأن أخذ كمية أكبر من المنتج سيوفر عليهم مبالغًا من المال وهذا ما يجب الانتباه له أثناء تسعير أحجام المنتجات. 8. الكفالات والضمانات Warranties وهي عنصر بديهي للشركات الّتي تثق حقًا في جودة منتجاتها فهي بذلك تظهر بموقع القوة والجودة العالية، فمثلًا شركة السيارات الألمانية BMW تكفل معظم سياراتها الجديدة لمدة 5 سنوات الأمر الّذي يعزز من ثقة المستهلكين في رسالة الجودة الّتي تعرضها الشركة على عملائها ويعدّ بعض المسوقين أن الكفالة هي مندوب مجاني للتسويق بالمديح (أو التسويق بالكلمة المنطوقة) لما لها من تأثير على المستهلكين. 9. سياسة إرجاع المنتج Returns من المؤلم دائمًا إرجاع المنتجات الّتي تحتوي على مشكلة معينة وخسارة الأرباح المتوقعة من المستهلكين، إلا أن سياسة إرجاع المنتجات هي من أهم العوامل الرئيسية في كسب ثقة المستهلك، وضمان عودته إلى متجرك الإلكتروني بل وحتى ينظر لها البعض على أنها ميزة أساسية من مميزات برامج ولاء العملاء في وقتنا الحالي. تأثير المنتج على اتخاذ قرار الشراء يعدّ المنتج هو جوهر الشركة الرئيسي ولب العملية التسويقية ولهذا توليه الكثير من الشركات الاهتمام وتعمل جاهدة لتوفيره بالجودة الملائمة وبالكميات المناسبة، وللمنتج دور أساسي في التأثير على سلوك المستهلك وتوجيهه لاقتناء هذا المنتج أو للابتعاد عنه؛ إذ إن المستهلك يشتري المنتج يُفترضُ أن يكون قادرًا على تلبية حاجة معينة لديه، فإذا صدقت توقعات المستهلك وحصل على الاشباع المطلوب فإنه يعاود شراء هذا المنتج ويصبح وفيا له، وأما إن خابت تطلعاته فلن يعاود الشراء مرة ثانية، ويختلف تأثير المنتجات باختلاف أنواعها، فإن كانت السلعة ميسرة فإن هذا لا يتطلب من المستهلك بذل الوقت والجهد للحصول عليها، ويلعب تنوع المنتجات وجودتها ومميزاتها وعلامتها التجارية والتعبئة والتغليف أيضًا فهما لهما عوامل نفسية مؤثرة على قرار الشراء، ويعد التغليف أحيانًا رجل البيعات الصامت كما يفضل توضيح المعلومات المكتوبة على غلاف المنتج، ومن خلال طريقة كتابة هذه المعلومات واختيار اللغة السهلة والمبسطة واستخدام الرموز المناسبة للشرح ليتمكن المستهلك من فهم أهمية المنتج وآلية عمله وبالتالي الانجذاب للمنتج واتخاذ قرار شرائه في حال كان مهمًا في حياته، لأنه في بعض الأحيان يعجب المستهلك بمنتج معين ولكن عندما يقرأ المعلومات الموجودة على الغلاف لا يشتريه لأنه لم يستطع فهم المكونات ولا طريقة استخدام المنتج نتيجة كتابتها بلغة صعبة أو بلغة أجنبية أحيانًا. كما أن حجم المنتج يؤثر على المستهلك لأنه إن رأى حجمًا كبيرًا يساعده في توفير مبلغ معين، وهذا المنتج له دور كبير وأساسي في حياة المستهلك اليومية مثل الزيت أو السكر أو جميع المواد الغذائية، فحتمًا سيؤثر ذلك في قرار النهائي، وتعزز كفالة المنتج من الأعطال الصناعية ثقة للمستهلك بهذا المنتج، وتقلل المخاطر بضمانات فعلية وعملية تساعده على كسر حاجز الخوف من الخسارة، ولا ننسَ سياسة إرجاع المنتجات ودورها البارز في إقدام المستهلكين على تجربة المنتجات بدون أي تردد أو مخاطرة. السعر Price يُعَد السعر ثاني أهم العوامل المؤثرة على اتخاذ قرار الشراء لدى المستهلك نظرًا لارتباطه المباشر بالقدرة الشرائية للمستهلك ولهذا فهو محدد من محددات الحصول على السلع والخدمات، وعلى هذا الأساس يجب على مسؤولي التسويق التروي والتفكير المنطقي المعمق قبل تحديد سعر منتج معين. واختلف الباحثون في الإجماع على تعريف واحد يشمل كلّ جوانب السعر ومن هذه التعاريف نذكر: السعر: هو فن ترجمة قيمة المنتج في وقت ما إلى قيمة نقدية. السعر: هو مبلغ نقدي يدفع لقاء المنتج أو الخدمة، أو هو مبلغ تلك القيم الّتي يعطيها المستهلك لقاء حق اقتناء أو استخدام المنتج أو الخدمة . من الجدير بالذكر أيضًا إلى أن السعر العادل هو السعر المناسب من الناحية العاطفية. وهو مقبول ومستحَق، أي أنه اجتاز اختبار العدالة الشخصية والاجتماعية عن طريق الالتزام بالأعراف الاجتماعية. لكن يجب الاحتراس بعدم انتهَاك هذه المعايير لأنه سيصدرُ حكم شخصي واجتماعي على أن السعر جائر! وهنا ستتصاعدُ الانفعالات، ويستشيطُ غضب الناس. وحينها سيقول المستهلكون: «إما النزاهة وإما الرحيل!» ويُستحسن أن تنتبه الشركات إلى ذلك. عمومًا إن مهمة تسعير المنتجات مهمة صعبة وتختلف بحسب كلّ منتج إلا أنه يوجد نقاط أخرى متعلقة بسعر المنتج والتي يهتم بها المستهلك في أي منتج ومن هذه النقاط نذكر: 1. قائمة الأسعار المعروضة List price وهو السعر (أو الأسعار) الّذي يدرج لمنتج ما عند طرحه في الأسواق. يمكن أن يتغير هذا السعر أثناء الإدراج إذا اخترت خفض السعر أو رفعه قبل البيع. بالرغم من أنه يمكن أن يباع المنتج بأقل من السعر المعروض إلا أن قائمة الأسعار المعروضة تلعب دورًا هامًا في تقييم المنتج في عقل المستهلك. 2. التخفيضات Discounts الخصومات هي تخفيضات في السعر العادي لمنتج أو خدمة من أجل الحصول على المبيعات أو زيادتها. هذه الخصومات (يشار إليها أيضًا باسم "المبيعات" أو عمليات الشطب الواسعة) تستخدم في مجموعة واسعة من الصناعات ومن قبل كلّ من تجار التجزئة والمصنعين. إلا أنه إذا طلب المستهلك خصمًا معينًا وحصل عليه مباشرة -بغض النظر عن السبب- ستنخفض القيمة المتصورة لهذا المنتج أو الخدمة تلقائيًا. لذلك لا ينصحُ الخبراء بعرض الخصومات العشوائية لأنها ستضر بالشركة على المدى البعيد وستقلل من قيمة المنتج أو الخدمة أو الشركة في عقل المستهلك. 3. البدلات Allowances وهي نوع آخر من التخفيضات تختلف عن قائمة الأسعار المعروضة. وتكون هذه البدلات قائمة على تقديم المستهلك للمنتج القديم ليحصل بذلك على تخفيضات في الأسعار عند شرائه للمنتج الجديد. تعدّ البدلات أكثر شيوعًا في قطاع بيع وشراء السيارات، ولكنها تُمنح أيضًا للسلع المعمرة الأخرى أيضًا مثل الغسلات أو البرادات …إلخ. بالرغم من أن البدلات في حقيقتها مشابهة جدًا للتخفيضات إلا أنها أفضل من الأخيرة لأنها لا تعط انطباعًا سيئًا حول المنتج أو جودته. وبذلك يمكن للتجار زيادة مبيعاتهم دون المخاطرة بل يمكن أن يزيد ذلك من إقبال المستهلكين أملًا في عروض مشابهة مستقبلية على خدمات الصيانة أو التبديل …إلخ. 4. فترة السداد Payment Period هي خاصة في حالات تقسيط سعر المنتجات وهي الفترة الزمنية من اليوم الّذي بدأ به التقسيط حتى تاريخ استحقاق السداد الكامل للمبلغ. متوسط فترة السداد هو متوسط الوقت الّذي تستغرقه الشركة لاسترداد جميع المدفوعات من الدائنين. 5. شروط الائتمان Credit Terms إن شروط الائتمان (أو شروط الدفع بالتقسيط) هي الشروط المذكورة في الفاتورة في وقت شراء المنتج. وعادةً يحدث اتفاق بين البائع والمشتري حول المواعيد الدفع ومبلغ الدفع الّذي يجب سداده خلال فترة زمنية معينة. نقاط هامة يجب الانتباه لها أثناء تسعير المنتجات هنالك العديد من النقاط التي يجب الانتباه لها أثناء تسعير أي منتج بغض النظر عن السوق المستهدف وهي: 1. سياسات واستراتيجيات التسعير توفر سياسات واستراتيجيات التسعير المبادئ التوجيهية والإطار الّذي يمكن للشركة من خلاله تحديد سعرها. توجد سياسات تسعير مختلفة مثل التسعير حسب التكلفة، أو التسعير على أساس سعر السوق، أو التسعير لاختراق السوق، أو التسعير لكشط السوق، أو التسعير على أساس القيمة، أو التسعير على أساس العرض والطلب، أو التسعير النفسي، أو التسعير المرتفع، أو التسعير المنخفض، كما يوجد العديد من نماذج التسعير الهجينة الأخرى وعمومًا التجريب والاختبار ودراسة السوق ستُوجهنا للخيار الأمثل. للتوسع في هذه الجزئية يمكنك الاطلاع على أهداف تسعير المنتج واستراتيجياته المختلفة الّذي نشرناه سابقًا في الأكاديمية. 2. العملاء المستهدفين والمنافسة يتأثر التسعير بالسوق المستهدف من قبل الشركة. كما تؤثر قدرة المستهلكين المستهدفين على شراء المنتج. وبالتأكيد عدد المنافسين ودرجة حدةً المنافسة يجبران الشركة على فرض أسعار أقل. 3. اللوائح والأنظمة الحكومية يجب الانتباه لعدد القيود الّتي تفرضها الحكومة على أنشطة التسعير. تبني المؤسسات العامة سياسات تسعير خاصة بها بناءً على توجيهات وتعليمات من الحكومة. 4. شروط التوصيل أصبح التوصيل إلى المنازل في يومنا الحالي أمرًا بديهيًا وليس رفاهية زائدة للمستهلك لذلك يجب الأخذ بعين الاعتبار تكلفة التوصيل في الوقت المناسب للمنتجات. كما يجب التدقيق في كافة التفاصيل مثل كمية المنتجات المرسلة ووقت التسليم ومكان التسليم لكي لا تضطر الشركة لاحقًا لزيادة سعر المنتج الّذي سيؤثر سلبًا عليها. 5. البيع بالتقسيط والائتمان أصبح الائتمان والبيع بالتقسيط من أساس الأنشطة التجارية في هذه الأيام. لا يمكن لأي شركة أن تفكر في بيع منتجاتها على أساس نقدي بحت. لا يساعد الائتمان في زيادة المبيعات فحسب، بل يساعد أيضًا في زيادة حصة الشركة من السوق. بعبارة أخرى هي مجرد طريقة لترويج المبيعات. ويجب الحفاظ عليها لتكون في المستوى المناسب والمستطاع للمستهلك. كما يجب مراعاة العوامل المختلفة للتقسيط مثل طبيعة المنتج، ووضع العملاء، والشروط والأحكام والتسهيلات الائتمانية المتاحة من خلال البنوك والمؤسسات المالية. 6. هامش الأرباح وهو الفرق بين التكلفة الإجمالية للمنتج والسعر الفعلي الّذي يدفعه المستهلكون. عادةً ما تتمتع المنتجات الصناعية بمستويات هامش أعلى لأنها تتطلب المزيد من الخدمات والصيانة بينما تتمتع السلع الاستهلاكية بمستويات هامش منخفضة وذلك لأنها تستخدم على نطاق واسع. وعمومًا يجب الانتباه للحفاظ على هامش مناسب تستطيع الشركة من خلاله دفع رواتب الموظفين وتحقيق ربح مناسب. تأثير السعر على اتخاذ قرار الشراء كما سبق وذكرنا بأن تسعير المنتجات من أحد القرارات الاستراتيجية المهمة في الشركة لأنه يمثل المصدر الوحيد للإيراد من بين عناصر المزيج التسويقي الأخرى والّتي تمثل تكاليف تتحملها المؤسسة (المنتج، التوزيع، الترويج) وهذا الإيرادات لا تأتي إلا إذا أقبل المستهلكون على شراء المنتج وقبلوا بسعره. وفي هذا الصدد من الجدير بالذكر المفارقات التي تحدث للمستهلك عند رؤيته لسعر معين. مفارقة ردات الفعل تجاه زيادة السعر تشير الكاتبة سارة ماكسويل -الاستاذة المساعدة بجامعة فوردهام والخبيرة في كتابها خطأ في السعر نقطة جوهرية في مجال التسعير العادل- لمُفارقة مهمة في موضوع السعر وهي طريقة ردة فعل المستهلك عندما تحدث زيادة جائرة في السعر وتوضح هذه المفارقة من خلال السيناريو التالي. تأتي سائحة أوروبية لزيارة مدينة نيويورك، وتشتري فستانًا مقابل 100 دولار أمريكي، لكنها تفاجئ عندما يُطلبُ منها دفع مبلغ 108.63 دولار أمريكي وتشعر بالاستياء كثيرًا، وتطلب معرفة سبب مطالبتها بأكثر من المكتوب على بطاقة السعر، فهذا -كما تقول- جائر! فيُخبرها العاملون في المتجر أن الزيادة سببها ضريبة المبيعات. يستمر شعورها بالضيق لكن ثورتها تهدأ. وازن بين هذه التجربة مع تجربة الشاب الّذي يريد الاشتراك بإحدى خدمات شركات الهاتف المحمول. عندما ينظر للسعر المعلن عنه يكون 39.95 دولار أمريكي شهريًا مقابل خدمة محلية وإقليمية غير محدودة، لكن عندما وصلته الفاتورة وجد بأنها 56.70 دولار أمريكي. وكما حدث مع السائحة الأوروبية، تفاجأ بالسعر وشعر بالاستياء، ورأى أن السعر الّذي تجاوز توقعاته جائر. اتصل الشاب بالشركة ليعرف سبب زيادة قيمة الفاتورة عما توقعه. أخبرته الشركة أن السعر البالغ 39.95 دولارًا لا يشمل مبلغ 3.50 دولارات مقابل تكلفة الخط الفيدرالي، أو 0.25 دولار مقابل خدمة نقل الرقم المحلي من شبكة إلى أخرى، أو 6 دولارات مقابل خدمة المكالمات بعيدة المدى، أو 2.50 دولار مقابل الوصول إلى الشركة الموفرة لخدمة المكالمات بعيدة المدى، أو 4 دولارات مقابل الخدمة للعملاء محدودي الدخل، أو 0.50 دولار مقابل خدمة الطوارئ 911. إلا أنه على عكس السائحة الأوروبية الّتي زارت نيويورك، لم يشعر الشاب بالاستياء فحسب بل استشاط غضبًا لأنه خُدِع، فكتب إلى الصحافة، وتواصل مع مكتب تحسين الأعمال التجارية، وفضح شركة المحمول أمام أصدقائه. في كلتا الحالتين السابقتين، واجه المستهلكان أسعارًا أعلى مما توقَّعا أن يدفعها؛ وعليه، رأى كلاهما أن السعر مبدئيًّا جائر. ومع ذلك، قبِلت صديقتنا الأوروبية السعر الأعلى لكن مستهلك خدمة المحمول لم يتقبل السعر. يرجع الفارق في رَدِّ فعل كلا المستهلكَين إلى التبرير؛ السبب وراء ارتفاع السعر عن المتوقع. قيل للمتسوقة الأوروبية سببٌ مشروع للسعر فقبلَتْ به على مضض، وقيل لمشتري خدمة المحمول مبررٌ ضاعَفَ من شعوره المبدئي بالظلم؛ ونتيجة لذلك اقتصَّ من الشركة. الفارق بين رَدَّيِ الفعل على السعر الأعلى من المتوقع يفسره نموذج العدالة الّذي وضعه ديفيد ميسيك، أستاذ الأخلاقيات وصنع القرار، بالتعاون مع كريستل روت. تعتمد فكرة نموذج روت وميسيك على أن عدالة النتائج تُقيَّم أولًا كتفضيل. وما دام المستهلكون يشعرون بالرضا عن النتيجة -إذا كانت كما توقعوا- فإنهم يعدونها عادلة، ولا تحدث أي معالجة إضافية للمعلومات، وأما إذا كانت النتيجة مفاجئة -ولا سيما إذا كانت المفاجأة بالمنتج أو الخدمة غير سارة- فإن المستهلكين يشعرون بالضيق الشديد، ويتطلَّعون لتقليل شعورهم بالضيق بإيجاد تبرير لما حدث، فإذا وجدوا سببًا مشروعًا، فإنهم يعدون النتيجة عادلة. أما إذا لم يكن السبب مقبولًا، فإن الأفراد يتخذون مواقف انفعالية، ويبحثون عن سُبلٍ للاقتصاص. النموذج المقترح هنا يطبِّق نموذج روت وميسيك على الأسعار، مع وضع عملية اتخاذ قرار السعر المنصف في إطار المعايير الاجتماعية، وإضافة تأثير الثقة والسلطة. ويبدأ نموذج السعر العادل الموضح أدناه بتصور المستهلك للعدالة الشخصية للسعر. إذا ارتأى المستهلك أن السعر عادل على المستوى الشخصي، فسينتقل إلى عملية شراء المنتج. أما إذا كان السعر جائرًا على المستوى الشخصي، فسيشعر المستهلك بالضيق، ويتجه إلى التفكير في العدالة الاجتماعية للسعر. إذا كان حكمه عليها إيجابيًّا، فسيعيد التفكير في العدالة الشخصية، لكن إذا كان حكمه على العدالة الاجتماعية سلبيًّا، فسيشعر المستهلك بالغضب، ويتجه إلى عقاب الشخص المسؤول. وتتأثر حدَّة ردة فعله بسُلطة البائع، وكذلك ثقته في البائع. في الحقيقة هنالك العديد من المفارقات الأخرى الّتي يعتمد عليها المستهلك في حكمه على السعر ومنها أيضًا العلاقة بين السعر والجودة، فبعض المستهلكين ينظرون إلى السعر فكلما كان سعر المنتج مرتفعًا ظنوا بأن المنتج ذو جودة عالية وإذا عرض المنتج بسعر منخفض فإن المستهلك يتشكل لديه إدراك بأن نوعية المنتج رديئة فيمتنع عن شرائه. لذلك يجب الانتباه جدًا لكيفية التسعير الّتي تنتهجها الشركة في تسعير منتجاتها. التوزيع Place من الأمثال الشعبية المتوارثة في أجيالنا مثل مميز وهو "البعيد عن العين بعيد عن القلب". يدل هذا المثل على أن البعيد عن حياة الناس هو بعيد عن قلوبهم، لأنه يُنسى ويبقى في الذاكرة كصورة فقط، بالرغم من اختلاف الناس في صحة معنى هذا المثل أم لا، إلا أنه في مجال التجارة عمومًا، هل هذا المثل صحيح بدون برهان؟! وفي حال كنت مُشككٌ في صحتها تخيل أن تذهب إلى المتجر وتتذكر بأنك بحاجة إلى معجون أسنان وكانت علامتك التجارية المفضلة هي سنسوداين ولكنك لم تجدها في المتجر القريب من منزلك فهل ستغادر المتجر وتبحث عن هذا المعجون في المتاجر الأخرى أم أنك ستتنازل للعلامة الثانية الّتي تراها جيدة ولتكن سيغنال؟ في الحقيقة إن الأماكن الّذي تضع فيها منتجاتك لا تقل أهمية عن مدى جودة المنتج نفسه! بل إن بعض الباحثين يرون بأن التوزيع الصحيح للمنتجات يمثل نصف التسويق لأنه يوفر مجموعة من المنافع المكانية والزمانية والإعلامية، كما أنه يوفر المنتج للمستهلكين الّذين هم زبائن مخلصين لهذا المنتج أو العلامة التجارية. أما مفهوم التوزيع كما يعرفه ليندون دينيس ورفاقه "هو مجموع الوسائل والعمليات الّتي تسمح بتوفير السلع والخدمات المقدمة من قبل الشركات ووضعها في متناول المستعملين أو المستهلكين النهائيين". وعمومًا إن عملية توزيع المنتجات عملية صعبة وتختلف بحسب نوعية كلّ منتج إلا أنه يوجد نقاط رئيسية متعلقة بعملية التوزيع يجب الانتباه لها ومراعاتها أثناء هذه العملية وهي: 1. قنوات التوزيع Channels وهي القنوات الموجودة بين الشركة المصنعة للمنتجات والمستهلك النهائي، إذ لا يمكن لأي جهة تصنيع الوصول مباشرة لجميع عملائها الحاليين والمحتملين بفعالية وكفاءة. لذلك يستخدم المصنعون وسطاء لبيع منتجاتهم وتوزيعها من مكان الإنتاج إلى مكان الاستهلاك. ويمكن أن يكون الموزعون مجموعة من الشركات أو الأفراد الّذين يأخذون حق الملكية توزيع منتجات معينة ويساعدون في نقل هذه المنتجات من المنتجين إلى المستهلكين. 2. تغطية السوق Coverage تشير تغطية السوق إلى مدى اتساع أو تنوع منتجاتك الّتي تريد توزيعها. هذا ينطبق إما على البيع المباشر أو من خلال وسطاء. هناك ثلاثة أنواع من طرق تغطية السوق قد ترغب في اعتمادها وهي: 1. توزيع مكثف Intensive Distribution: وهذا يضمن أوسع توزيع ممكن لمنتجك أو خدمتك. وتتوزع المنتجات في هذه الحالة في أكبر عدد ممكن من المواقع والأسواق. وفي كثير من الأحيان، نحتاج إلى خفض سعر المنتج لتطبيق هذه الطريقة. وهي من أكثر الطرق استخدامًا من قبل الشركات الكبيرة للوصول إلى العملاء على الصعيد الوطني أو حتى على الصعيد العالمي. 2. التوزيع الانتقائي Selective distribution: تستخدم هذه الإستراتيجية عندما ترغب في البيع لعدد قليل من الشركات أو العملاء المختارين وعادةً ما تستخدم لبيع المنتجات الراقية أو ذات الجودة العالية. من الأسهل في هذه الطريقة بناء علاقات قوية مع المستهلكين بالموازنة مع طريقة التوزيع المكثف. 3. التوزيع الحصري Exclusive Distribution: تقيد هذه الإستراتيجية توزيع المنتجات على بائع واحد فقط، وسيكون للموزع الحقوق الحصرية لبيع المنتج أو الخدمة، وتعمل هذه الطريقة بفاعلية كبيرة مع المنتجات المتخصصة الّتي يمكنك الترويج لها باعتبارها مرموقة لأنك المورد الوحيد والوسيط هو البائع الوحيد لها. 3. تشكيلة المنتجات الموجودة في المخازن Assortments وهي الخطط الّتي يستخدمها تجار التجزئة في المتاجر التقليدية أو الإلكترونية لتحديد مزيج المنتجات الأمثل للمخزون اليومي. وهي مهمة في قطاع البيع بالتجزئة لأن المستهلكين يتفاعلون مباشرة مع مزيج المنتجات المعروضة ويتخذون قرارات الشراء بناءً على ما يرونه. 4. مراكز التوزيع Locations تشير مراكز التوزيع إلى الأماكن الّتي يعتمد يجب أن تتواجد بها المنتجات ويجب الحرص على ألا يكون الزيادة في عدد الأماكن عشوائي لأن ذلك سيؤثر سلبًا على نمو الشركة ويؤدي أيضًا لهدر رأس المال الّذي يمكن أن يستثمر في أماكن أخرى في الشركة. 5. مستودعات التخزين Inventory وهي المستودعات العامة أو الخاصة أو المخازن المبردة، وعدد الأماكن الّتي يجب تخزين البضائع فيها لتستخدم مباشرة عند طلب المستهلك للمنتج. تحافظ مستودعات التخزين على الوقت من خلال تقليل الفجوة الطويلة بين الإنتاج والتوزيع والإنتاج الموسمي لبعض السلع، كما يمكن الشركة من إدارة الطلب المستمر على المنتجات وعوامل أخرى جعلت من الضروري للشركة تخزين منتجاتها في مستودعات موزعة على المدن بطريقة مدروسة. كما يجب الاهتمام بمستوى المخزون من المنتجات لأنه من الضروري جدًا أن تحمل الشركة مخزونًا كافيًا من المنتجات لتلبية الطلب عند الاقتضاء، وتشمل قرارات إدارة المخزون على مقدار المخزون، والوقت الّذي سيُخزن وعدد الأماكن الّتي سيخزن بها نظرًا لأن المخزون له تكلفة ويمكن أن يؤثر على الشركة بأكملها، فيجب اتخاذ القرارات بعناية فائقة. 6. وسائل النقل Transport يعد النقل كعنصر من عناصر التوزيع المادي ضروريًا جدًا للشركة لأنه يزيد من سوق المنتج. تشمل القرارات المتعلقة بالنقل اختيار وسيلة النقل ستستخدم سواء لامتلاك مركبات أو استئجارها، وكيفية جدولة عمليات التسليم، ومن سيتحمل تكلفة النقل من المصنّعين إلى تاجر الجملة ومنهم إلى بائع التجزئة. وتختلف طرق النقل فيمكن أن تكون شبكة الطرق أو السكك الحديدية أو الممرات المائية أو الخطوط الجوية. يؤثر اختيار وسيلة نقل معينة على حالة المنتجات وتسعيرها مما يؤثر في النهاية على رضا العملاء. تأثير التوزيع على سلوك المستهلك إن للتوزيع وظيفة أساسية في التجارة ولا يمكننا التغاضي عنها والتساهل بها لذلك من ليس هدف الشركات أن تنتج منتجات ذات جودة عالية فقط، بل يجب عليها أيضًا توزيعها بالطرق الّتي يفرضها المنتج و السوق على حد سواء. كما يجب التركيز على قنوات توزيع المنتجات فهم الوسطاء بين الشركة والمستهلك ويعتمد اختيار المنافذ التوزيعية المناسبة على العديد من العوامل مثل طبيعة المنتج سعره وحجمه ووزنه، وقابلية التلف، والطبيعة الفنية للمنتج وغير الكثير من الأمور الّتي لا يمكننا تجاهلها كما أن يدخل في هذا الأمر اعتبارات خاصة بالشركة منها الحجم الشركة وشهرتها والموارد المالية الخاصة بها وخبرتها في الأسواق، القدرة الادارية لرقابة قنوات التوزيع، ويدخل أيضًا باعتبارات الشركة أنواع الوسطاء والخدمات الّتي يقدموها ومدى قبول الوسطاء لسياسات المنتج. كما يجب الانتباه لمواصفات العاملين في القناة التوزيعية لما لها من دور كبير في حث و إقناع الأفراد في اتخاذ قرار الشراء فيجب أن يتحلوا بقوة الشخصية والثقة بالنفس مما يجعل له تأثير على المستهلكين. ويجب أن يحرص العاملين على الظهور بمظهر حسن ليعطي مصداقية أكثر في أذواقهم و حسهم الجمالي مما سيجعل المستهلك يوافق على ما سيقترحونه من منتجات. كما يجب معرفة المواصفات الكاملة للمنتج للإجابة على جميع أسئلة المستهلكين وبالتالي يسهل اتخاذ قرار الشراء ويسرعه. إلا أن كلّ هذه الاعتبارات جزء من الصورة الاعتبارات الأهم دائمًا هي الّتي تتعلق بالمستهلكين طالما أن الهدف الأساسي هو جعل المنتج في متناول أيديهم عند حاجتهم له، لذا يجب الانطلاق من دراسة اختلافاتهم في التوزيع الجغرافي، وقدرتهم الشرائية، والفئات العمرية الأكثر شراءً، والكثير من الأمور الأخرى. كما تجدر الإشارة إلى أن الاستراتيجية المتبعة في تغطية السوق لها أهميتها أيضًا فيجب اختيار نوع التوزيع المناسب سواء أكان مكثفًا أو انتقائيًا أو حصريًا كما يجب الحرص على وجود تشكيلة المنتجات متنوعة في المخازن لتحقيق التوازن المطلوب في التوزيع ويجب الانتباه لأماكن مراكز التوزيع وتباعدها عن بعضها بالقدر الكافي ويجب الحرص بقاء مستودعات التخزين بالمستوى الكافي لسد احتياجات المستهلكين كما تتأثر المنتجات بوسائل النقل لأنها تدخل بالتكلفة الإجمالية للمنتج فيمكن أن تكون شبكة الطرق أغلى من طريقة النقل بالسكك الحديدية أو الممرات المائية إلا أن الأخيرة تسبب في تأخر وصول المنتجات والذي يؤدي لفقدان المنتج في السوق والذي يؤثر في نهاية المطاف على رضا المستهلكين. الترويج Promotion يمثل الترويج ركنًا أساسيًا وحيويًا من أنشطة الشركات التجارية فهو المرآة العاكسة للشركة وهي الّتي تقرب الفجوة بين منتجات الشركة واحتياجات المستهلكين من خلال ما تقدمه الشركة من منتجات أو خدمات، ويعدّ الترويج من أكثر عناصر المزيج التسويقي تأثيرًا على المستهلك، فمثلًا يقدر خبراء التسويق الرقمي بأن المستهلك الأمريكي يتعرض لأكثر من 4000 إلى 10000 إعلانًا ترويجيًا يوميًا، ولكن السؤال الأهم أيٌ من هذه العلامات التجارية الّتي تفاعل معها المستهلك؟ وأي منها كان ترويجها أفضل واستطاعت توصيل فكرة احتياجات المستهلكين أو اهتماماتهم؟ وهل جميع العلامات التجارية كانت لديهم رسالة واضحة؟ إن الرسالة الإعلانية والترويجية اليوم لا توضح أهمية المنتج فحسب وإنما تنشئ احتياجات جديدة للمستهلكين، وفي بعض الأحيان يؤدي التعرض المتكرر للمستهلك بنفس الإعلانات لتشكيل فضول لدى هذا المستهلك وتحقيق الاستجابة وفي أحيان أخرى قد يخلق نوع من الفضول الّذي يدفع بالمستهلك إلى تجريب منتج معين تعرف عليه بواسطة الإعلان. وبذلك يبدأ المستهلك باكتشاف المنتجات الّتي لا يعرفها والتعرف عليها. وعمومًا إن مفهوم الترويج هو نقل المعلومات عن منتج أو خدمة معينة بأسلوب إقناعي مُصمم ومُوجه للتأثير على عقل المستهلك ليقوده في النهاية المطاف لتصرف سلوكي باتجاه المنتج أو الخدمة الّتي يروج لها، والّذي يتمثل في العادة بالسلوك الشرائي. ويهدف الترويج لإمداد المستهلك الحالي والمرتقب بالمعلومات الكاملة عن المنتج ومحاولة إثارة اهتمامهم وخاصة عندما يكون السوق مليئًا بالمنتجات المنافسة الأخرى كما يسعى الترويج لتغيير اتجاهات المستهلك وبناء تفضيلات جديدة لديه، كما يعزز من الشعور الإيجابي تجاه المنتج لأنه يهدف لتحقيق تطلعات المستهلك لعيش حياة سهلة وبسيطة أو راقية وسريعة بحسب المنتج، كما يؤثر الترويج على منحنى الطلب وتحاول الجهود الترويجية الحفاظ على معدل الطلب وتجتهد لزيادته أيضًا كما أن الترويج يساعد الشركات على تسهيل تقديم منتجات جديدة وخصيصًا إذا كان المنتج بنفس مجال سمعة الشركة الّتي تسعى لإيصالها. وفي هذا السياق هناك بعض المصطلحات المتشابكة وهي الترويج والتسويق والإعلان وبما أننا عرفنا الترويج سنتعرف على الإعلان والتسويق. يعد الإعلان هو أسلوب تستخدمه معظم الشركات لإقناع العملاء المحتملين بشراء المنتج. باستخدام قنوات مختلفة لغرض الإعلان مثل التلفزيون والراديو والصحف والمجلات واللوحات الإعلانية والنشرات والملصقات وسيارات الأجرة والحافلات والجدران وما إلى ذلك من الشبكات الإعلانية المدفوعة. أما التسويق هو نشاط تجاري طويل الأمد، ينطلق من أبحاث السوق وينتهي بإرضاء العملاء. يعد التسويق نشاطًا محوريًا لا يتعلق فقط بالترويج المنتج، ولكنه يهدف إلى فهم ظروف السوق، وتحديد احتياجات العملاء، وتصميم منتج وفقًا للمتطلبات، واختيار أفضل الوسائط للترويج للمنتج، والإعلان عنه من خلال قنوات مختلفة تحديد السعر والتوزيع وبيع المنتج وإنشاء العلاقات العامة وتقديم خدمة ما بعد البيع لإرضاء العملاء. وبذلك يكون الترويج هو الفئة العليا والتي يندرج تحتها التسويق والإعلان. وعمومًا إن عملية ترويج المنتجات عملية تنطوي على الكثير من التحديات وتتطلب الكثير من التجريب والمثابرة ومن النقاط التفصيلية المتعلقة بعملية الترويج نذكر: 1. ترويج المبيعات Sales promotion يشير ترويج المبيعات إلى الحوافز قصيرة الأجل المقدمة لتشجيع بيع السلع والخدمات. يشير إلى جميع الحوافز المقدمة في مكان ووقت الشراء، مثل القسائم والأقساط والمسابقات والسلع المجانية والخصومات والهدايا وما إلى ذلك، بالرغم من أنها أداة فعالة للترويج، إلا أنها مكملة للإعلان والبيع الشخصي. 2. الدعاية أو الإعلان Advertising الإعلان هو وسيلة شائعة جدًا للترويج. وهي شكل مدفوع الأجر من العرض غير الشخصي للسلع أو الأفكار أو الحقائق إلى المستهلك. يقدم هذا العرض غير الشخصي من خلال وسائط مختلفة مثل الوسائط المطبوعة والوسائط الإلكترونية وما إلى ذلك. تعد الصحف والمجلات والراديو والتلفزيون ودور السينما والنشرات والملصقات واللوحات الإعلانية والإعلان المباشر وما إلى ذلك وسيلة مهمة للإعلان. تشمل قرارات الإعلان القرار المتعلق بتحديد الهدف الإعلاني، والوسائط الإعلانية، وموضوع الإعلان، والنداء الإعلاني، وميزانية الإعلان، ووكالات الإعلان، ونسخة الإعلان والتخطيط وقياس فعالية الإعلان وما إلى ذلك من النشاطات الإعلانية المختلفة. 3. قِوى/فريق المبيعات Sales Forces إن فريق المبيعات يربط بين الشركة والمستهلكين. لذلك يتعين على الشركات توخي الحذر عند بناء وهيكلة فريق المبيعات. إذ يلعب موظفو المبيعات دورًا مهمًا في خدمة ما بعد البيع ويمكن أن يحدثوا فرقًا للشركة. كما أن موظفو المبيعات هم عيون وآذان الشركة في السوق يجمعون المعلومات حول المنافسين ويكتشفون متطلبات المستهلكين المتغيرة. 4. العلاقات العامة Public Relations العلاقات العامة هي جهد مخطط وجاد من جانب المنظمة لتطوير والحفاظ على التفاهم والعلاقات الجيدة بين الشركة والجمهور المكون من عملائها المحتملين. إنها محاولة من قبل الشركة لرفع سمعتها الحسنة بين عملائها ومساهميها وموظفيها والحكومة والجمهور العام والمجتمع. تجري الشركات الكبيرة برامج مختلفة مثل برامج الرأي والبحث والأدب والأفلام والمؤتمرات والجولات وما إلى ذلك لتطوير العلاقات العامة. 5. التسويق المباشر Direct Marketing وهو وسيلة تفاعل واتصال حديثة ومباشرة بين الشركة والمستهلك وتكون عبر وسائط اتصال متعددة تحدث استجابة سلوكية قابلة للقياس ويهدف لتعريف المستهلكين بالمنتجات والخدمات الّتي تقدمها الشركة والعمل على تطوير علاقة مباشرة ودائمة معهم، سواء أكان من خلال البريد الإلكتروني، أو الهاتف، أو البيع الشخصي …إلخ. تكمن قوة التسويق المباشر عن التسويق التقليدي إذ أنه يعمل على غرس علاقات قوية مع المستهلكين باستخدام العديد من الوسائل الحديثة. ويرتبط التسويق المباشر بدرجة معينة مع البيع الشخصي والّذي هو العرض الشفهي للمنتجات لمُستهلك معين أو لمجموعة من المستهلكين المحتملين لغرض تحقيق عملية البيع، ويعتمد البيع الشخصي على إقناع العميل بدلًا من الضغط عليه لشراء المنتج. وتتميز بأنها طريقة مرنة للغاية وقابلة للتكيف إذ يمكن أن يعدل البائع أسعاره ومحادثاته وفقًا للاحتياجات ورغبات المستهلكين المتغيرة. إلا أنها طريقة مكلفة في الترويج. تأثير الترويج على اتخاذ قرار الشراء إن الترويج بكافة أشكاله مُصمم ومُوجه للتأثير على عقل المستهلك ليقوده في النهاية المطاف لتصرف سلوكي باتجاه المنتج أو الخدمة الّتي يروج لها، والّذي يتمثل في العادة بالسلوك الشرائي، كما أن الطرق الإعلانية لها تأثيرًا قويًا وخصيصًا إذا كانت الشركة تدرس جميع إعلاناتها بدءًا من صياغة الرسالة الإعلانية بطريقة جيدة واختيار وسيلة الإعلام المناسبة الّتي يتابعها المستهلكون المستهدفون باستمرار لتضمن حصول التأثير المرغوب على سلوك المستهلك. فمثلا إذا كان الجمهور المستهدف هو فئة النساء فمن الأفضل الاعتماد على المجلّات المتخصصة باهتمامات النساء من أجل بث إعلانها بالإضافة إلى الحرص على اختيار أوقات مناسبة لعرض الإعلان لتضمن الشركة وصول الرسالة لأكبر قدر ممكن من المستهلكين المستهدفين. كما يؤثر فريق المبيعات في إقناع المستهلكين في ضرورة شراء المنتجات والحرص على إجابتهم على كافة استفساراتهم وملاحظاتهم كما إن سعي الشركة على تطوير العلاقات العامة مع الشركات الكبرى أو الصحف سيؤدي لزيادة القاعدة الجماهيرية وتعزيز ثقة المستهلك بالمنتج والعلامة التجارية ولا ننسَ أهمية التسويق المباشر والبيع الشخصي لما له تركيز شخصي على زبون واحد ومحاولة تحديد أهدافه من المنتج وبالتالي توضيح مميزات المنتج الّتي ستساعده في سياق يتناسب مع حياته اليومية. خاتمة وبهذا نكون فهمنا تمامًا كيفية تؤثر الشركات على المستهلكين وكيف يمكن للمزيج التسويقي الممثل بعناصره الأربعة، فالمنتجُ بدوره جوهر الشركة الرئيسي ولب العملية التسويقية ولهذا توليه الكثير من الشركات الاهتمام وتعمل جاهدة لتوفيره بالجودة الملائمة وبالكميات المناسبة، وتسعى أيضًا لاختبار وتجريب التوليفة المناسبة للسعر لجعل المستهلك ينظر للسعر بصورة عادية ولا يعتبره جائرًا، كما أن التوزيع الصحيح للمنتجات والحرص على تواجدها أمام المستهلك في المكان والزمان المناسبين يؤثران جدًا في قرارات الشراء، وأخيرًا إن لم يكن لدى الشركة خطة واضحة للترويج عن منتجاتها فما الهدف من تصنيعها أصلًا؟! لذلك يجب على جميع الشركات العمل على تحسين مزيجها التسويقي لما له من أهمية كبيرة وأثر بالغ في إقناع المستهلك والتأثير على قراراته في شراء منتجها أو منتج غيرها. المصادر كتاب مبادئ التسويق للكاتب محمد صالح المؤذن. كتاب "التسويق، السلع، والأسعار" للكاتب فليب كوتلر وأخرون ترجمة مازن نفاع. كتاب "Consumer Behaviour A European Perspective" للكُتاب مايكل سولومون وغاري باموسي وسورين أسكيجارد ومارجريت كيه هوغ. كتاب "Consumer Behavior: Buying, Having, and Being" للكاتب مايكل سولومون. كتاب "Marketing The Core" روجر كيرين وستيفن هارتلي. اقرأ أيضًا العوامل الاجتماعية والثقافية المؤثرة على سلوك المستهلك العوامل النفسية المؤثرة على سلوك المستهلك فهم سلوك المستهلكين

بعد أن تعرفنا في المقال السابق أهم العوامل النفسية المؤثرة في سلوك المستهلك، سنتعرف في هذا المقال على عوامل أخرى قد يكون لها دور في تحديد سلوك المستهلكين وتوجهاتهم إلى قرارات الشراء، حيث سنتحدث عن أبرز العوامل الموقفية والاجتماعية والاقتصادية التي قد يكون لها دور في إحداث تغييرات على اتجاهات المستهلكين. العوامل الموقفية إن العوامل الموقفية هي عوامل الزمان والمكان المحيطة بالموقف الشرائي والاستهلاكي الّتي تؤثر بصفة مؤقتة في سلوك الفرد دون أن يكون لها علاقة بخصائصه الشخصية أو بعناصر المزيج التسويقي للشركة ونظرًا لأن الظروف الموقفية عديد ومتنوعة فإن سلوك المستهلك تكون متنوعة ويصعب التنبؤ بها. يمكن أن نفهم أن الأفراد يستجيبون للظروف البيئية المحيطة بهم بطرائق مختلفة وبالتالي تكون ردود أفعالهم متباينة. وعمومًا يمكننا تقسيم العوامل الموقفية على الشكل التالي: البيئة المادية المحيطة بالشراء: تشمل البيئة المادية أو الإطار المادي للموقف الشرائي وظروف الموقع الجغرافي للمتجر والتصميم الداخلي والخارجي له ومن أمثلتها الديكور والألوان وطريقة تنسيق وعرض السلع وأسلوب معاملة خدمة الزبائن مع العملاء. البيئة الاجتماعية المحيطة: ويقصد بها وجود أو غياب أشخاص آخرون مثل الأصدقاء أو الجيران أثناء قيام المشتري بالتسوق فمثلًا إذا تسوق الفرد مع أصدقائه فمن البديهي أن يتأثر قراره الشرائي كما أن نوع المناسبة الاجتماعية الّتي يتسوقون لأجلها تؤثر أيضًا. الإطار الزمني للموقف الشرائي: يتمثل في توقيت الشراء أو الاستهلاك فهل الاستهلاك سيحدث في الإفطار أو العشاء هل هو في فصل الصيف أم في فصل الشتاء؟ ومن جهة أخرى يمكن أن يتأثر السلوك الشرائي للمستهلك بمقدار الوقت المتاح للقيام بعملية الشراء وهل هنالك وقت كافي أم لا؟ طبيعة المهمة الشرائية: تشير إلى الأسباب والأهداف الّتي يصبوا إليها المشتري من جراء عملية الشراء وتحددها ظروف استخدام واستهلاك المنتجات أو الخدمات فهل هي مثلًا للاستهلاك العائلي أم هي للاستهلاك الفردي …إلخ. حالة المستهلك عند الشراء: ويقصد بها الحالات اللحظية للشخص وقت شراء أو استعمال المنتج وتشمل مزاج المستهلك ومدى شعوره بالسعادة أو الغضب أو الإرهاق أو التعب …إلخ، وتؤثر كل هذه المشاعر على قرار المستهلك في الشراء. هل ترغب في نشر علامتك التجارية وجذب العملاء لمشروعك؟ استعن بأفضل خبراء التسويق الرقمي من مستقل لمساعدتك على تحقيق أهدافك التسويقية أضف مشروعك الآن العوامل الاجتماعية في الحقيقة لا يمكننا الهروب من حقيقة أن الإنسان كائن اجتماعي بالضرورة يحب أن يتواصل مع الناس ويؤثر فيهم ويتأثر بهم ولذلك كان لزامًا علينا البحث والتدقيق في الدورة الذي تلعبه العوامل الاجتماعية في سلوك الفرد وقراراته في الشراء ومن هذه العوامل سنذكر: 1. الثقافة وهي عبارة عن القيم والأفكار والإتجاهات المقبولة من قبل مجموعة متجانسة من الأفراد والّتي تنتقل من جيل إلى جيل ويمكن وصف الثقافة على أنها طريقة أو أسلوب للحياة في مجتمع معين والواقع أن الأفراد يعبرون عن ثقافتهم من خلال القيم الخاصة بهم ومن خلال أنماط استهلاكهم والّتي تعكس هذه القيم. وتتميز الثقافة بمجموعة من الخصائص وهي: مكتسبة. ديناميكية تتكيف وتتطور في المجتمع. الثقافة هي آلية للتفكير. تتنوع الثقافة بين الثقافة الفرعية والثقافة الأصلية ويقصد بالثقافة الفرعية "هي مجموعة من الأفراد يشتركون بقيم معينة". أو هي الّتي دخلت وتعايشت مع ثقافة المجتمع الأصلي بسبب الهجرة أو العمل ويكونون مختلفين عن أصحاب الثقافة الأصلية للمجتمع المعني إذ تصبح لهذه الثقافة الفرعية قومية أو جنسية أو دين أو جماعات عرقية ولها مناطقها الجغرافية الخاصة بها، وتشكل هذه الثقافات الفرعية قطاعًا أساسيًا من السوق شأنها شأن جماعات الثقافة الأصلية. وبما أن الثقافة تعمل على تكوين القرار الشرائي نحو السلع والخدمات فإنه يتوجب على الشركات التسويقية تقديم منتجات تتفق مع أذواق المجتمع بحسب الجانب الثقافي الخاص به، كما يجب على المسوقين أيضًا مراقبة ومتابعة القيم والعادات الأكثر تأثيرًا على الأنماط الشرائية والاستهلاكية بهدف تقييم الاستراتيجيات التسويقية والترويجية للمنتجات. وهنا يتضح لنا بأن هدف الإعلان ليس زيادة المبيعات على منتج ما وإنما يتعدى لتعزيز المفاهيم الثقافية الموجودة في المجتمع أو التشجيع على إيجاد مفاهيم ثقافية جديدة تتلاءم مع طبيعة المنتج المعلن عنه، ويجب على القائمين على الإعلانات عدم إهمال الجوانب الثقافية للإعلان ومراعاة هذه الجوانب عند تصميم وإخراج الإعلان فالإعلان غير المدروس الّذي يتنافى مع المفاهيم الثقافية سيؤدي حتمًا في فشل المنتج المُعلن عنه. 2. الأسرة يمكن تعريف الأسرة على أنها "مجموعة مكونة من اثنين أو أكثر من الأشخاص الذين تجمعهم رابطة الدم أو التبني أو الدين والذين يسكنون مع بعضهم البعض"، ويصنف الكاتب علي عبد الواحد الوافي في كتابه "علم الاجتماع" ثلاثة أنواع من الأسر وهم على الشكل التالي: أ. الأسرة النووية Nuclear Family: وهي الأسرة الصغيرة وتتكون من الزوج والزوجة والأطفال يؤسس هذه الأسرة الفرد بنفسه وتعد من أكثر العوامل الإجتماعية تأثيرًا على سلوك المستهلك وأكثرها استمرارًا وامتدادًا، ويتواجد هذه النوع من الأسر في المجتمعات الصناعية وفي البيئات المهنية والمتوسطة. ب.العشيرة Extended Family: تتكون من مجموعة من الأسرة النووية وتتكون من ثلاثة أجيال أو أكثر أي أنها تضم الأجداد وأبنائهم المتزوجين وغير المتزوجين وكذلك الأحفاد، ويتربط جميع أفراد هذه الأسرة بعلاقات اجتماعية ناتجة من العلاقة القائمة بين الآباء والأبناء، ويتأثر الفرد بها تأثرًا كبيرًا كونها الأساس في نشأته وتربيته، كما يستمد منها قيمه ومبادئه الأساسية ويظل مرتبطًا ومتأثرًا بها في قراراته الشرائية. ج. العائلة: وهي الأسرة الوسطية بين الأسرة النووية والعشيرة وتتميز بأنها أكثر وحدةً وأقل فردية من الأسرة النووية، لأن أكثر اهتماماتها تدور حول العلاقة بين الآباء وأبنائهم حتى بعد زواجهم، إذ يستمر الاتصال بينهم ويأخذ صورة عديدة من بينها التشاور والزيارات والعون والتبادل. ولهذه الأسرة دور كبير في التأثير على أفرادها نظرًا لقوة العلاقات الاجتماعية بينهم. نجد في كثير من القرارات الشرائية الأسرية أن المستهلك ليس بالضرورة هو صاحب القرار، ويمكن ألّا يكون المشتري بل هو أحد أعضاء الأسرة ونظرًا لكون المستخدم ليس دائمًا صاحب القرار الوحيد أو حتى المشتري فإن هذا يتطلب من القائمين على النشاط التسويقي محاولة تحديد أي من أعضاء الأسرة هو صاحب القرار فيما يتعلق بسلعة أو خدمة معينة وتوجيه جزء مهم من الأنشطة التسويقية خاصة الترويجية نحو ذلك العضو من الأسرة. 3. الطبقة الاجتماعية وهي مجموعة متجانسة من الأفراد الذين لهم نفس القيم والاهتمامات والسلوك أو يجدون أوجه متقاربة فيما يخص سلوكهم وآرائهم. ومن خصائص الطبقات الاجتماعية نذكر: هرمية ومتدرجة. تساعد في تقسيم السوق إلى طبقات. الطبقة الاجتماعية تنتج سلوكًا متجانسًا. ديناميكية فهي ليست ثابتة أي تتغير بتغير الوقت. يذكر بأنه هنالك الكثير من التصنيفات الطبقية، والّتي تعتمد على مختلف المعايير مثل المكانة الاجتماعية أو الثروة أو السلطة أو مستوى الثقافة أو تاريخ العائلة …إلخ. ويجب على المسوقين الاعتماد على هذه الاختلافات في تقسيم السوق إلى قطاعات وكذلك تنمية المزيج الّذي يراعي الاختلافات بين هذه الطبقات. ومن أشهر التصنيفات للطبقات الاجتماعية نذكر: الطبقة المركزية المتحكمة Central Ruling Class: تضم فئة محدودة من المجتمع، ويشغل معظم أفرادها وظائف مركزية حساسة، وغالبًا ما يكونون من كبار الملاك ورجال المال والأعمال الّذين يديرون مشروعات خاصة واسعة النطاق، أو أحيانًا مشاريع عالمية. بعض أعضائها من أصحاب المكانة المركزية الموروثة، وبعضهم قادم من الطبقة الوسطى المتنفذة. وهي المسئولة عن التخطيط وادارة مشروعات التنمية وتوزيع عوائدها، إلى جانب أدوارها السياسية المعروفة. الطبقة الوسطى النافذة Local Ruling Middle Class: هي طبقة الحكم المحلي، وهم كل الحاصلون على تعليم أساسي وما فوق، ويمارسون مهنًا ذهنية معقدة، ويتولون وظائف قيادية داخل المجالات المختلفة على مستوى أجهزة ومؤسسات مرموقة في المدن، وتضم بجانب الوظائف القيادية، أصحاب الأعمال الاقتصادية، وأصحاب رؤوس الأموال الّذين يديرون حركة الاقتصاد على مستوى هذه المدن، وتمارس هذه الطبقة أساليب معيشة، يغلب عليها الترف والتشبه بأنماط معيشة الطبقة المركزية المتحكمة، والطبقة الرأسمالية العالمية، ويمتلكون القدرة على الادخار والاستثمار. الطبقة الوسطى المستقرة Stable Middle Class: تضم كل الحاصلين على تعليم أساسي وما فوقه، من أصحاب المشاريع الوسطى، أو أصحاب المهن الذهنية المعقدة، العاملين في وظائف يغلب عليها الطابع الإشرافي أو الفكري أو العلمي، ولديهم عوائد دخل كافية لبلوغ وتجاوز المستوى المتوسط للمعيشة في المجتمع، ويمتلك قليل من أفرادها القدرة على الادخار والاستثمار إلا أن معظمهم تتوازن نفقاتهم مع ما يجنونه من مال. الطبقة الوسطى الفقيرة Poor Middle Class: كل المتعلمين الواقعين فوق خط الفقر، وينخرطون في إدارة أعمال صغيرة، أو يمارسون مهنًا فنية وذهنية غير معقدة، ووظائف هذه الفئة يغلب عليها الطابع التنفيذي، ويجتهدون جدًا لعيش حياة متوسطة ويكون في الغالب على حساب رهن قوة عملهم أو عوائدهم المستقبلية، مثل الشراء بالأقساط، أو الاقتراض من الأفراد والبنوك …إلخ. الطبقة العاملة Working Class: ويمكن أن تكون فلاحية أو صناعية أو تجارية تتكون من كلّ الفئات المتعلمة وغير المتعلمة، والّتي تعمل في مهن أو حرف أو وظائف رسمية دائمة، وعملهم يعتمد على الجهد البدني والمهارة اليدوية، ولا تكفي مواردهم لبلوغ مستوى المعيشة المتوسط في المجتمع، وبعضهم يقع تحت خط الفقر. الفئات اللاطبقيّة الكادحة Under Class: وتضم كل المتعلمين وغير المتعلمين غير القادرين على الحصول على فرصة عمل رسمية في الحكومة أو القطاع الخاص، وبعضهم يحصل على عمل مؤقت أو غير رسمي، ويشكلون حجم البطالة في مرحلة زمنية محددة. 4. الجماعات المرجعية يمكن تعريف الجماعات المرجعية على أنها "مجموعة من الأفراد تستطيع التأثير في أفكار المستهلك ومشاعره واعتقاداته وقيمه وكذلك سلوكياته"، والواقع أن الأفراد لديهم العديد من الجماعات المرجعية مثل: الأسرة والأصدقاء وأعضاء النادي وأعضاء المنظمات …إلخ. ويمكن توضيح أنواع الجماعات المرجعية باختصار على الشكل التالي: الجماعات المرجعية الأولية: وهي الجماعات الّتي يتفاعل معها الفرد ويحتك معها وجهًا لوجه مثل الأسرة. الجماعات المرجعية الثانوية: هي الجماعات الّتي تؤثر في المستهلك دون الاحتكاك معه وجها لوجه مثل جمعيات حماية المستهلك. الجماعات المرجعية العضوية: وهي جماعات متنوعة تمارس نشاطات مختلفة ويمكن الانضمام لها بسهولة. جماعات الطموح: وهي الجماعات الّتي يطمح الفرد بالانضمام إليها مثل جماعات الّتي تضم مجموعة من لاعبي الفرق الرياضية العريقة. جماعات التجنب: هي الجماعات الّتي يتجنب الفرد الانضمام إليها ويتصرف بطريقة تؤكد عدم رغبته في جعل الآخرين يشعرون بانضمامه إليها. قادة الرأي: مجموعة من الأفراد يمكنهم التأثير الشخصي في قرارات الشراء بالنسبة لمجموعة من المستهلكين وذلك بطريقة مباشرة أو غير مباشرة ويعد قادة الرأي أكثر أهمية بالنسبة للمنتجات الّتي تعبر عن الذات كالملابس أو السيارات فهي منتجات تتأثر بآراء قادة الرأي في المجتمع. التطبيقات التسويقية للجماعات المرجعية يهتم المسوقون بالتأثير الّذي تحدثه الجماعات المرجعية على المستهلك وقدرتها على تغيير اتجاهاته وسلوكه أي تكييف المستهلك وحتى تتمكن الجماعات المرجعية من إحداث هذا الأثر يجب أن تكون قادرة على إعلام المستهلك وجعله واعيًا بوجود منتج معين أو علامة تجارية ما وإعطاء المستهلك الفرصة لكي يبحث ويوازن بين ما يفكر فيه بخصوص هذا المنتج أو العلامة التجارية وبين اتجاهات وسلوكيات الجماعة ومن ثم التأثير على الفرد لاختيار الاتجاهات والسلوكيات المتفقة مع قيم الجماعة واعتبار قرار الفرد باستخدام نفس السلع الّتي تستعمل بواسطة الجماعة المرجعية قرارًا مشروعًا. عادةً ما يستخدم ثلاث أنواع من الجماعات المرجعية في الأنشطة الترويجية للمنتجات والعلامات التجارية وهم المشاهير والخبراء والمستهلكين العاديين ولنستعرض هذه الأنواع بشيء من التفصيل. الشخصيات المشهورة Celebrity Endorsement. الخبراء Experts. المستهلكون العاديون Consumers. 1. الشخصيات المشهورة Celebrity Endorsement وهم نجوم السينما وأبطال الرياضة ومذيعي البرامج الشهيرة وغيرهم وهم مستخدمون بكثرة في الاعلانات عن المنتجات والعلامات التجارية ويمكن للمسوّق استخدامهم بأحد الطرق التالية: استخدامهم كشهود: فتظهر الشخصية الشهيرة وهي تستخدم أو تقترح استخدام العلامة التجارية الفلانية ويكون ذلك بمثابة شهادة منها بجودة المنتج أو العلامة التجارية مثل مثل ظهور اللاعب كريستيانو رونالدو في إعلانات الشامبو والأمثلة على ذلك كثيرة. استخدامهم كمؤيدين: وفي هذه الحالة لا يشترط ظهور الشخصيات في الإعلان أو استخدامها للمنتج بل استخدام اسمهم في الإعلان عن المنتج بعد موافقتهم. استخدامهم كممثلين: وهنا يؤدي النجم دور تمثيلي في الإعلان موضحًا من خلاله استخدام المنتج أو العلامة التجارية والنتائج الإيجابية المترتبة عليه. استخدامهم كناطق رسمي باسم المنشأة: وهنا تعلن الشخصية المشهورة عن المنتج أو عن العلامة التجارية ككلّ لمدة طويلة في أكثر من وسيلة إعلانية فتمثل في هذه الحالة كناطق رسمي للعلامة التجارية وترتبط هذه الشخصية مع المنتج أو العلامة التجارية في أذهان المستهلكين. يفيد استخدام المشاهير في الإعلانات بزيادة وعي المستهلك بالعلامة التجارية إذ يؤمن استخدامهم جذب القاعدة الجماهيرية الخاصة بهذا الشخصية المشهورة ويخفض درجة المخاطرة إذ يشعر المستهلك بالثقة في اختباره عندما يعلم بأن الشخصية المشهورة س تستخدم هذا المنتج أو العلامة التجارية ويحسن الصورة لدى المستهلكين. 2. الخبراء Experts يستخدم أشخاص معينين بسبب مراكزهم الوظيفية أو تدريبهم الخاص مما يجعلهم في موقف قوي لمساعدة المستهلكين في تقييم المنتج أو العلامة التجارية موضع الحملة الترويجية مثل استخدام شركة تنتج آلات التصوير مصورًا محترفًا مشهورًا للإعلان عن آلة تصوير جديدة أنتجتها. 3. المستهلكون العاديون Consumers في هذه الحالة تستخدم شهادات مستهلكين آخرين سبق لهم تجربة المنتج أو العلامة التجارية المعلن عنها وكانوا راضيين عنها ومن مميزاتها التشابه بين المستهلك الموجود في الإعلان مع المستهلك المستهدف للشركة. ومن أنواع الجماعات أو الأشخاص المرجعيين المؤلفة من المستهلكين العاديين نذكر: مجتمعات العلامة التجارية Brand Communities: هي مجموعة من المستهلكين الذين يشتركون بمجموعة من العلاقات الاجتماعية فيما بينهم قائمة على أساس اهتمامهم أو استخدامهم لمنتج معين أو علامة ما. جماعات المستهلك Consumer Tribes: وهم الذين يشتركون في المشاعر والمعتقدات الأخلاقية ونمط الحياة وتبني وحب المنتجات. خبراء الأسواق Market Maven: وهم الأشخاص الذين يملكون الكثير من المعلومات عن الأسواق وما يحدث فيها وما هي المنتجات المعروضة وأين تباع ويكونون مهتمين بنقل هذه المعلومات والمعرفة الّتي يمتلكونها عن الأسواق للأشخاص الآخرين. قادة الرأي Opinion Leaders: وهم الأشخاص الذين يؤثرون على مواقف الآخرين وسلوكياتهم بصورة مباشرة أو غير مباشرة وغالبًا ما يكونون خبراء في المنتج ويقدمون تقييمًا محايدًا ويكونون نشطين اجتماعيًا ويتشابهون مع المستهلك المستهدف بمستوى التعليم والطبقة الاجتماعية والمعتقدات وغيرها ويزيد التشابه من أثرهم على المستهلك. ويكون قادرة الرأي من أوائل المشترين للمنتج وتعد قيادة الرأي أمرًا شائعًا في شراء السيارات والترفيه والملابس والاكسسوارات والإلكترونيات والنوادي والأغذية والاستثمارات المالية. علاقة الاتصالات الشفهية مع الجماعات المرجعية إن الاتصالات الشفهية والّتي تُعرف أيضًا بالكلمة المنطوقة Word Of Mouth هي المعلومات أو التعليقات الّتي يتناقلها الأفراد بين بعضهم بعضًا سواء عن طريق الاتصالات التقليدية والاتصالات الإلكترونية ومن الملاحظ ازدياد تأثير الكلمة المنطوقة الإلكترونية بسبب سهولة وسرعة انتشارها وغالبًا ما تكون الكلمة المنطوقة بنوعيها التقليدي والإلكتروني موثوقة من قبل المستهلك، ويعتمد عليها في تقييمه للمنتج ويختلف التأثير من شخص لآخر بحسب خبرة ومصداقية الجماعة المرجعية. ويمكن تعزيز منظومة الكلمة المنطوقة من خلال عدة نقاط نذكر منها: الشبكات الاجتماعية أو شبكات التواصل Social Networking: وهي طريقة مهمة ومؤثرة جدًا للوصول إلى المستهلكين باستخدام شبكاتهم ذات التأثير. قوة الحشود Crowd Power: وهي مبنية على فكرة أن تأثير الجماعة على الفرد بناء على حقيقة مفادها بأن المجموعة أذكى من أذكى فرد فيها وبذلك لا بدّ من وجود أثر للمجموعة على الفرد. التسويق الإبداعي Guerilla Marketing: وهي الجهود التسويقية الّتي تستخدم طرق ومواقع غير تقليدية لخلق وعي واتصالات شفهية إيجابية بخصوص العلامة التجارية ويميل المسوقون حاليًا لاستخدام هذه الحملات الترويجية للأثر الكبير الّذي تحدثه في جذب انتباه المستهلكين. التسويق الفيروسي Viral Marketing: وهي الاستراتيجيات المتبعة لخلق معدلات زيارة عالية لموقعها الإلكتروني ويستهدف هذا النوع من التسويق التشجيع على مشاركة المعلومات أو الصور أو المنشورات على مواقع التواصل الاجتماعي والذي بدوره يزيد من الوعي بالعلامة التجارية. اجذب عملاء مستهدفين وحقق أهدافك التسويقية استعن بأفضل خدمات وحلول التسويق الرقمي من خمسات وحقق مبيعات استثنائية اطلب خدمتك الآن العوامل الاقتصادية لا يخفى على أحد أن العوامل الاقتصادية الخاصة بالفرد أو الدولة ترتبط ارتباطًا وثيقًا مع كيفية سلوك المستهلك وإقباله على شراء المنتجات وفي هذا الصدد سنناقش أهم الأفكار التي تتعلق بالعوامل الاقتصادية وهي: 1. الحالة الاقتصادية يتأثر القرار الشرائي للمستهلك النهائي بالدورة الاقتصادية ومستويات التضخم ففي مرحلة الرواج الاقتصادي والرخاء يرتفع الأجر الحقيقي للمستهلكين وتزداد مشترياتهم بعكس ما يحدث في فترات الكساد والأزمات والأوبئة مثل ماحدث في الكساد الكبير Great Depression ومثل ما حدث أيضًا في وباء كورونا (كوفيد-19) في عام 2020، وفي هذه الفترات ترتفع أيضًا معدلات التضخم وتتناقص القدرة الشرائية للمستهلكين وتتباطأ حركة التجارية. 2. الدخل يمثل الدخل القوة الشرائية الّتي تمكن من الحصول على كميات من السلع والخدمات، وهنالك فرق بين الأجر والدخل فالأجر هو عبارة عن المبالغ الّتي تمنح لقاء ساعات عمل معينة يؤديها شخص ما ويبذل فيها مجهوده العضلي أو الفكري لصالح شركة ما. في حين أما الدخل فهو عبارة عن مجموع الأموال الّتي تأتي لفرد معين بالإضافة إلى المنح والعلاوات مطروح منها كلّ الضرائب المباشرة، كما أن الدخل يضم المبالغ المدخرة أيضًا. وبالتالي فحجم الدخل والتغيرات بالزيادة أو النقصان ستؤثر على السلوك الشرائي للمستهلك النهائي كما أن اتجاه المستهلك نحو الادخار ومن ثم الاستثمار سيؤثر على قراره الشرائي. 3. المهنة إن طبيعة المهنة أو الوظيفة الّتي يشغلها المستهلك لها تأثير على قراراته الشرائية فكل وظيفة تتطلب زيًا أو معدات معينة، فمثلًا مهنة الأستاذ الجامعي تتطلب زيًا يختلف عن مهنة الحداد أو النجار، ويمكن أن ينحصر دور المهنة في تأثيرها على القرارات الشرائية في المظهر الخارجي وأحيانًا قد تتعدى لأكثر من ذلك. الخاتمة تعرفنا في هذا المقال على أهم العوامل الموقفية المؤثرة في سلوك المستهلك، ففهمنا تأثير البيئة المادية والبيئة الاجتماعية والإطار الزمني وطبيعة المهمة الشرائية وحالة المستهلك عند الشراء، واستعرضنا بعدها العوامل الاجتماعية وتأثيرها المحوري فألقينا الضوء على دور الثقافة والأسرة وتأثير الطبقات الاجتماعية والدور البارز للجماعات المرجعية في التأثير على سلوك المستهلك، وانتهينا بذكر العوامل الاقتصادية وكيف أن الحالة الاقتصادية ومستوى الدخل والمهنة تؤثر على سلوك المستهلك. وعمومًا هنالك العديد من الدراسات والكتب والمراجع الّتي حاولت وما زالت تحاول فهم سلوك المستهلك إلا أن سلوك المستهلك ليس ثابتًا، وإنما متغيرٌ باستمرار لذلك يجب على الشركات ألا تجعل هذه المهمة هدفًا ثابتًا وإنما أسلوب حياة. وختامًا إن رحلتنا مع العوامل المؤثرة على سلوك المستهلك لم تنتهِ بعد، وسنُناقش في المقال القادم تأثير عوامل المزيج التسويقي على سلوك المستهلك. اقرأ أيضًا المقال السابق: العوامل النفسية المؤثرة على سلوك المستهلك العوامل المؤثرة في سلوك المستهلكين فهم سلوك المستهلكين سلوك الشراء لدى الشركات

يتعرض المستهلك إلى جملة من العوامل الّتي تؤثر في تصرفاته وتُوجهُ سلوكه نحو ما هو مطروح من سلع وخدمات، وازدادت الأمور تعقيدًا مع التطور التقني الكبير الّذي شهدناه من تسعينيات القرن الماضي والّذي رافقه صعود الإنترنت وظهر لدينا كواكب جديدة مثل كوكب فيسبوك وكوكب إنستغرام والعديد من الكواكب الأخرى، وكلّ واحدٍ من هذه الكواكب لها قوانينها، ولها سكانها ولها بيئتها المنعزلة عن الكواكب الأخرى، ويحاول جميع المسؤولين عن هذه الكواكب أن يأسروا انتباه السكان بشتى الأنواع؛ فتارة بجلب الشخصيات المشهورة والمؤثرين إلى هذا الكوكب، وتارة ببث جميع أنواع المُلهيات من برامج ومسلسلات وأفلام متنوعة، في محاولة منها لإبقاء المستهلك أكبر قدر من الوقت في كوكبها لعرض إعلاناتها ورسائلها وخدماتها والكثير من الأمور الأخرى التي تهدف إلى إفراغ جيب المستهلك من المال وتعبئة جيوب أصحاب هذه الكواكب، والأمر لا يقتصر على هذه الكواكب فحسب بل إن جميع الشركات التجارية لها نفس الهدف ودائمًا ما تسعى إلى شدّ انتباه المستهلك إلى منتجاتها بشتى الطرق والوسائل القانونية المتاحة. سنتعرف في هذا المقال على مختلف العوامل النفسية التي من شأنها التأثير على سلوك المستهلك وقراره في الشراء. العوامل النفسية السيكولوجية يعد علم النفس الإطار الأمثل لتحليل ودراسة سلوك الأفراد حيال المنتجات والخدمات فشراء نوع معين من المنتجات لا يأتي إلا لتلبية لحاجة داخلية نفسية بحسب علماء النفس، وإن اختيار منتج معين من علامة تجارية محددة دون اختيار منتج آخر يعود إلى مجموعة من الخصائص والسمات النفسية الخاصة بالفرد والّتي تتمثل في: الدوافع من العوامل المهمة الّتي تساعد المسوقين في النجاح في تسويق سلعهم وخدماتهم هي الدراسة المتعمقة للمستهلكين ومعرفة دوافعهم في شراء المنتجات والعلامات التجارية المختلفة إذ إن معرفة أسباب الشراء تساعد المسوقين على تصميم المنتجات الصحيحة الّتي تلبي حاجات ورغبات المستهلكين والاختيار الصحيح للمكانة الذهنية للعلامة التجارية وأسس تجزئة أسواق المستهلكين كما تساعد على معرفة المثيرات أو المغريات المناسبة لاستخدامها في الإعلان عن المنتجات. ويمكننا تعريف الدوافع النفسية بالتعريف التالي: هل ترغب في نشر علامتك التجارية وجذب العملاء لمشروعك؟ استعن بأفضل خبراء التسويق الرقمي من مستقل لمساعدتك على تحقيق أهدافك التسويقية أضف مشروعك الآن ويمكن أن تختلف الدوافع من شخص لآخر وذلك بحسب المنتج الّذي سيشتريه وبحسب الشخص أيضًا وبحسب ظروف شراء المنتج. يوجد العديد من التصنيفات الخاصة بالدوافع ومن أشهرها نذكر: الدوافع العقلية: وهي الدوافع العقلية والموضوعية الّتي تدفع المستهلك لشراء منتج أو خدمة معينة مثل السعر أو الجودة أي أن قرار الشراء جاء بعد دراسة وتخطيط مُسبق. الدوافع العاطفية: تظهر في حالة ما إذا كان اتخاذ قرار الشراء بدون دراسة أو تخطيط مسبق فنقول أنه دافع عاطفي. الدوافع الأولية: هي الأسباب الّتي تدفع المستهلك نحو شراء منتج معين بغض النظر إلى العلامة التجارية مثل اندفاع المستهلك لشراء مدفأة في فصل الشتاء بسبب البرد. الدوافع الانتقائية: هي الأسباب الّتي تدفع المستهلك نحو تفضيل علامة أو أسم تجاري معين دون آخر. دوافع التعامل: وهي الأسباب الّتي تدفع المستهلك نحو التعامل مع متجر معين دون المتاجر الأخرى. يذكر بأنه هنالك العديد من التصنيفات الأخرى للدوافع ولكن معظمها يدور في هذا الأفق. الحاجات إن الحاجة هي شعور الإنسان بنقص معين، وتنقسم أنواع الحاجات في الإنسان لقسمين وهما: الحاجات الفطرية: هي تلك الحاجات النفسية الّتي تولد مع الفرد وترافقه طول حياته مثل الحاجة للطعام والماء والهواء واللباس وعمومًا لا تستقيم الحياة الإنسانية بدون حد أدنى من إشباع هذه الحاجات الأساسية. الحاجات المكتسبة: هي الحاجات الّتي نتعلمها من خلال رحلة الحياة وتشمل الحاجة للاحترام والتقدير والهيبة والحب والسيطرة والتعلم، وغالبًا ما تكون هذه الحاجات نفسية إذ تنتج عن حالة الشخص النفسية وعلاقته بالآخرين. أهم النظريات الّتي اهتمت بدراسة الدوافع والحاجات يوجد العديد من النظريات الّتي اهتمت بالدوافع والحاجات أهمها نظرية فرويد ونظرية أبراهام ماسلو. نظرية فرويد يركز فرويد على الغرائز الجنسية إذ يُعدُ الحاجة إلى الدوافع الغريزية لدى الفرد ويجعل منها منبها لجميع الحاجات إذ تمرر الدوافع في قنوات متعددة للسيطرة عليها وإنهاء حالة التوتر الّتي تخلفها لدى الفرد أو على الأقل التخفيف منها. وتتمثل هذه القنوات في: الإسقاط: الاعتقاد بأن الآخرين يمتلكون نفس الأحاسيس الّتي لديه. التشبه: تقليد الآخرين في سلوكهم فالبعض ريما يستحم بنوع شامبو معين تقليدًا لقدوة أعلى لديه يستحم بنفس الشامبو. تفريغ طاقات كبيرة في ممارسات مقبولة اجتماعيًا: وهي ما تمليه الدوافع من تصرفات يمكن أن تكون مقبولة اجتماعيًا مثل الرياضة الصيد أو الجري أو كرة القدم …إلخ. نظرية أبراهام ماسلو حاول ماسلو تفسير لماذا الأفراد يوجهون ببعض الحاجات في أوقات محددة واقترح ما يعرف بهرم ترتيب الاحتياجات الانسانية، إذ يرتب في هذا الهرم الحاجات بحسب درجة الأولوية بدءًا بالحاجات الفيزيولوجية ومرورًا بحاجات الأمن والأمان والحاجات الاجتماعية إلى حاجات التقدير وأخيرًا بحاجات تحقيق الذات وهي على الشكل التالي: الحاجات الجسدية: مثل المأكل والمشرب والملبس. حاجات الأمن والأمان: مثل الشعور بالاطمئنان والبعد عن الأخطار والاستقرار والحماية …إلخ. الحاجات الاجتماعية: مثل الحاجة إلى الانتماء إلى مجموعة والحاجة إلى تكوين صداقات. حاجات تقدير الذات: مثل الحاجة إلى الشعور باحترام الآخرين وتقديرهم والحاجة للشهرة. الحاجة إلى إثبات الذات: مثل الطموح والأهداف. وبحسب نظرية ماسلو فإن الحاجات الّتي تقع في المستوى الأعلى من الهرم لا تظهر إلا بعد إشباع الحاجات الواقعة في المستوى الأدنى غير أنه من الناحية العملية لا يمكن الفصل بين حاجات كلّ مستوى من المستويات الّتي يتضمنها هرم ماسلو لأن معظم الحاجات مرتبطة ببعضها بعضًا. ويمثل ماسلو الحاجات في ما يعرف بهرم ترتيب الاحتياجات والّذي يأخذ الشكل التالي: يذكر أن هنالك العديد من النظريات الأخرى الّتي حاولت تفسير الدوافع منها نظرية هيتربرغ ونظرية الحاجات الثلاثية لماكيلان والعديد من النظريات الأخرى، وبالتأكيد لا يمكننا القول بأن نظرية ماسلو أفضل من بقية النظريات وإنما كل نظرية لها وجهة نظر جديرة بالملاحظة والاطلاع. الإدراك يعرف الإدراك بأنه العمليات المعرفية الّتي تتعلق باستقبال وانتقاء وتسجيل وتصنيف المثيرات والبيانات والمعلومات والحقائق الموجودة في البيئة المحيطة وتحليلها وتفسيرها لغرض التوصل إلى معانٍ ومفاهيم يمكن أن تختلف عن الواقع اختلافًا كبيرًا. ويبدي المستهلك عادة مستويين من الاستجابة للمؤثرات في البيئة المحيطة وهما: الاستجابة الحسية أو الوجدانية: وترتبط إلى حد كبير بالإحساس. الاستجابة الإدراكية: وترتبط بالنواحي العقلية. وكلا النوعين من الاستجابة مهم لفهم سلوك المستهلك فمثلًا بالنظر إلى الصورة الّتي يملكها المستهلك عن العلامة التجارية ما نلاحظ أنها تتضمن نواحي إدراكية عقلية مثل المعلومات والمعتقدات حول خصائص العلامة بالإضافة إلى نواحي وجدانية تتمثل بالمشاعر تجاه العلامة وعلى المسوّق أن يفهم كلا النوعين من الاستجابة لتطوير الاستراتيجيات التسويقية الصحيحة إذ يوجد العديد من المنتجات الّتي يتأثر تقييمها بالنواحي الوجدانية مثل المثلجات والعطور …إلخ. تتصف عملية الإدراك بمجموعة من الخصائص وهي: الإدراك ذاتي أو غير موضوعي: فما يدركه الفرد ليس الحقيقة وإنما تصوره لها، ونظرًا لاختلاف الأشخاص وقدراتهم فإن إدراكهم لنفس الحقائق أو المثيرات حولهم مختلف. الإدراك اختياري: نتيجة القدرة المحدودة للفرد على إدراك الأشياء من حوله فهو لا يستطيع إدراك كلّ ما هو ممكن إدراكه في وقت واحد. الإدراك مؤقت: يدوم لفترة قصيرة فمن الصعب أن تجذب المثيرات اهتمام الفرد لفترات طويلة لذا يحتاج المسوق للتكرار لتحقيق المستوى المطلوب من الإدراك كما في حالة تكرار الرسالة الإعلانية. الإدراك تجميعي: أي أن الفرد يستطيع إدراك مجموعة من الأشياء في وقت واحد وتجميعها وربطها ببعضها، مثل إدراك المستهلك لمجموعة مجتمعة مثل مبنى ومنتجات وعاملين على أنها متجر. تبدأ عملية الإدراك باستقبال الفرد للمثيرات الحسية من خلال إحدى حواسه الخمس أو بعضها وتختلف حساسية الأفراد للمثيرات تبعًا لعدة عوامل منها كفاءة حواسه وقوتها وكذلك قوة المثير الحسي نفسه ويرشح الفرد هذه المؤثرات الّتي تعرض لها فيعبر انتباهه لما يهمه ويتجاهل ما لا يهمه، وتتأثر عملية الترشيح هذه بحاجاته والمؤثرات الّتي تعزز إحساسه بالرضا والسعادة وتزيد من إحساسه بالسلام الداخلي، وكذلك المؤثرات الّتي تتفق مع تجاربه وخبراته السابقة. وعندما ينتبه الفرد إلى مثير ما ويوليه اهتمامه تنتقل المعلومات الخاصة به إلى المخ فيعالجها ويستوعبها ويشكل معنى معينًا لها وبذلك تتكون لديه صورة ذهنية أو انطباع معين عنه وهذا يعني في النهاية أن الإدراك الحسي يختلف من شخص لآخر. التعلم يمكن تعريف التعلم بأنه "كافة الإجراءات والعمليات المستمرة والمنتظمة والمقصودة وغير المقصودة لإعطاء أو إكساب الأفراد المعرفة والمعلومات الّتي يحتاجون إليها عند شراء ما هو مطروح من أفكار أو مفاهيم أو سلع أو خدمات بالإضافة إلى تعديل أفكارهم ومعتقداتهم ومواقفهم والأنماط السلوكية نحو الأشياء". يمكن من هذا التعريف ملاحظة أن التعلم يتألف من مراحل عديدة وهو مستمر ومتغير ويمكن أن يكون غير مقصود عن طريق المصادفة دون أي جهد من الأفراد المتعلمين من خلال منبه ما، ويمكن أن يكون مقصودًا ويحدث ذلك من خلال التفكير والملاحظة والخبرة العملية. يعد الكشف عن دوافع المستهلكين جزء أولي من مرحلة التسويق إلا أن المرحلة الأصعب هي دفع المستهلكين بالاستجابات السلوكية المطلوبة للتعلم، ومن هذا المنطلق توجب علينا معرفة كيفية التعلم لتعليم المستهلكين كيفية عمل المنتج أو الخدمة وما إلى ذلك. يمكن تعريف التعلم على أنه "التغير في سلوك الفرد الناتج عن تجربة". وهو أيضًا "عملية تغيير في تصرفات الشخص نتيجة للمعلومات والخبرة والتدريب". هو التغييرات الّتي تحدث في سلوك الفرد نتيجة الخبرة وإن للتعلم أربع مبادئ وهي على الشكل التالي: الدافع: يجب أن يتوفر الدافع لدى المتعلم حتى يستطيع أن يتعلم. الإيحاءات: يجب أن يتلقى المستهلك المعلومات أو تقدم وتوفر له من مصدر معين بطريقة مباشرة من شخص أو غير مباشرة، حتى يتعلم وتكون لديه خاصية المعرفة. الاستجابة: وهي ردة فعل المستهلك للدافع الّذي يتعرض له سواءً بالقبول أو الرفض. التعزيز: أي تثبيت المعلومات الّتي تعلمها المستهلك في ذهنه لتعزيز عملية التعلم. كيفية التعلم اختلف الباحثون حول كيفية تفسير عملية التعلم وعمومًا هنالك ثلاث مدارس رئيسية تفسر عملية التعلم وهي على الشكل التالي: المدرسة السلوكية Behavioral Learning التعلم الشرطي الإجرائي Instrumental Conditioning. التعلم الشرطي التقليدي Classical Conditioning Learning. مدرسة التعلم الإدراكية Cognitive Learning School. التعلم بالملاحظة Observational Learning School. لا نستطيع في هذه المقال تسليط الضوء على كافة المدارس التعليمية لأن تفاصيلها كثيرة متنوعة وكل مدرسة لها ما لها وعليها ما عليها ومثل هكذا مواضيع لا يسعها كتب فكيف يسعها مقال! وعمومًا تختلف المدراس التعليمية اختلافًا واضحًا وملموسًا بين علماء السلوك حول ماهية التعلّم وتعريفه فمنهم من يرى بأن التعلم عبارة عن الاستجابة لما يتعرض له الأفراد من منبهات ترتبط بالبيئة المحيطة بهم مثل علماء المدرسة السلوكية ومنهم من يرى بأن التعلم هو عملية إدراكية عقلية معقدة تجري فيها عمليات تحليل المعلومات بطريقة موضوعية وهذا توجه علماء المدرسة الإدراكية ومنهم من يرى أن التعلم يحدث نتيجة ملاحظة سلوك الآخرين وما يترتب على سلوكهم من عواقب مثل علماء مدرسة التعلم بالملاحظة. ترتبط عملية التعلم مع طريقة معالجة المعلومات في العقل من خلال: الذاكرة الحسية Sensory Memory. الذاكرة العاملة أو قصيرة المدى Short Term Memory. الذاكرة طويلة المدى Long Term Memory. الذاكرة الحسية Sensory Memory: وهي عندما يحصل الفرد على بعض المعلومات من البيئة المحيطة به تنتقل هذه المعلومات إلى الذاكرة الحسية الّتي تتكون من مجموعة من المستودعات الحسية المرتبطة مباشرة بالحواس، تتجه المعلومات إلى المستودع الحسي المناسب وتبقى هناك لفترة قصيرة جدًا لا تتعدى الثانية الواحدة يفقد الفرد بعدها تلك المعلومات ما لم يعطها انتباهه وإذا اهتم بها ذهبت إلى الذاكرة قصيرة المدى والّتي تسمى بالذاكرة العاملة لمعالجتها هناك. الذاكرة العاملة أو قصيرة المدى Short Term Memory: هي المركز الّذي تجري فيها العمليات مثل معالجة المعلومات وتحليلها والموازنة بين البدائل واتخاذ القرار الشرائي، تصل المعلومات إليها من مصدرين وهما الذاكرة الحسية والذاكرة طويلة المدى تأتي من الذاكرة الحسية في حال المعلومات حصل عليها الفرد من البيئة المحيطة، وتأتي من الذاكرة طويلة المدى في حال استرجاع بعض المعلومات الّتي خزنت من قبل. بعد عملية التحليل والموازنة بين البدائل يستخدم المستهلك المعلومات بحسب أهميتها له فإما أن تُهمَل وتُنسَى وإما أن ترسل إلى الذاكرة طويلة المدى لتخزينها في المخطط الذهني المناسب Schema، ويجب التنويه هنا إلى أن زيادة المعلومات عن حد معين يسبب إثقال الذاكرة قصيرة المدى بالمعلومات وإجهادها مما يؤثر على كفاءتها في معالجة المعلومات. الذاكرة طويلة المدى Long Term Memory: وظيفتها الأساسية تخزين المعلومات المستوعبة لفترات زمنية طويلة وتتميز بقدرتها على احتواء كميات كبيرة وغير محدودة من المعلومات إذ تخزن المعلومات المعالجة على شكل وحدات إدراكية مكونة من المعلومات المترابطة منطقيًا مع بعضها بعضًا وتسمى هذه الوحدات الإدراكية بالمخططات الذهنية ولا يستفيد المستهلك من المعلومات المخزنة في هذه الذاكرة في عملية القرار إلا عندما يسترجعها. الاتجاهات إن للاتجاهات تعريفات عديدة نذكر منها: هي حالة ذهنية حيادية للاستعداد للاستجابة تنظم من خلال الخبرة وتترك تأثيرًا ديناميكيًا موجهًا على سلوك"، وتنقسم الاتجاهات إلى بدورها إلى ثلاث مكونات رئيسية وهي على الشكل التالي: المكون الإدراكي: وهو ما يعرفه الفرد عن المنتج الّذي هو محور الاتجاه. المكون العاطفي: وهو مجموعة المشاعر والميول الّتي تتكون لدى الفرد بناءً على ما يعرفه عن المنتج الّذي هو محور الاتجاه. المكون السلوكي: وهو يعبر عن السلوك أو التصرف الّذي يبديه الفرد نحو شيء معين بناءً على معلوماته ومعارفه ومشاعره أو ميوله تجاه ذلك الشيء. يوضح الشكل التالي المكونات الثلاثة للاتجاه. عند تكوين المستهلك لاتجاه معين نحو منتج ما فإنه يجمع المعلومات حول هذا المنتج ثم يكون شعورًا إيجابيًا أو سلبيًا اتجاه ذلك المنتج وأخيرًا فإن سلوكه نحو ذلك المنتج يعتمد على شعوره اتجاهها فإذا كان شعورًا إيجابيًا فعندها سيشتري المنتج وأما إن كان سلبيًا فسيبتعد عنه ولن يشتريه. استخدام الاتجاهات في الاستراتيجيات التسويقية يستطيع المسوق الاستفادة من دراسة اتجاهات المستهلكين في إعداد الاستراتيجيات التسويقية، وهنا نميز بين نوعين من الاستراتيجيات وهما: استراتيجيات التكيف. استراتيجيات التغيير. 1. استراتيجيات التكيف تعزيز اتجاهات المستخدمين الحاليين للمنتج أو العلامة التجارية وغالبًا ما يستخدم الإعلان للحفاظ على اتجاهات العملاء الحاليين وتعزيز ولائهم للعلامة. جذب مستخدمين جدد لنفس العلامة عن طريق بناء اتجاهات إيجابية نحوها لدى غير المستخدمين وذلك عبر إظهار مزايا العلامة وخصائصها باستخدام عناصر المزيج التسويقي. بناء مكانة ذهنية للعلامات الجديدة في أذهان العملاء الحاليين وذلك بهدف خلق تفضيل واتجاهات إيجابية لديهم نحو العلامة التجارية الجديدة، فمثلًا حاولت شركة كوكاكولا بناء مكانة لِمشروبها الغازي قليل السعرات الحرارية لدى العملاء الحاليين المستخدمين لِمشروباتها الأخرى بهدف خلق تفضيل لديهم نحو هذا المشروب الجديد. بناء مكانة ذهنية للعلامات الجديدة في أذهان العملاء الجدد وذلك بهدف خلق تفضيل واتجاهات إيجابية لديهم نحو العلامة الجديدة وهي استراتيجية يلجأ لها المسوقون عندما يدخلون أسواق جديدة بمنتجات جديدة. 2. استراتيجيات التغيير قبل البدء بالتفصيل في استراتيجيات تغيير اتجاهات المستهلك لا بدّ لنا من الأخذ بعين الاعتبار بعض العوامل عند تغيير الاتجاهات ومنها: تغيير الاتجاهات أسهل من تغيير الحاجات. تغيير المكون الإدراكي للاتجاه أسهل من تغيير المكون العاطفي إذ إن التغيير في المعتقدات يسبق التغيير في عملية التقييم (المكون العاطفي) لذلك تصمم معظم الرسائل الإعلانية على أساس تغيير المعتقدات من خلال تقديم معلومات للمستهلك عن خصائص العلامة التجارية المعلن عنها فإذا تلقى المستهلك رسائل تقنعه بفاعلية العلامة التجارية ومزاياها ربما تتغير اتجاهاته نحوها. تغيير الاتجاهات الضعيفة أسهل من تغيير الاتجاهات القوية فالاتجاهات الضعيفة نحو علامة تجارية ما يمكن أن تتغير من خلال الإعلان فالمستهلك غير متأكد من تقييمه للعلامة التجارية ويمكن أن يتأثر بالإعلانات عنها إنما الاتجاهات القوية المبنية مثلًا على تجربة شخصية للمستهلك من الصعب تغييرها. من السهل تغيير الاتجاهات لدى المستهلك بخصوص المنتجات ذات الارتباط المنخفض Low-Involvement Product عن تلك ذات الارتباط المرتفع High-Involvement Product فالمنتجات ذات الأهمية بالنسبة للمستهلك والتي مستوى ارتباطه بها عالي تفترض قيامه بعملية جمع المعلومات وبذل جهد في تصنيف المعلومات وتقييم البدائل وبالتالي يصعب تغيير الاتجاهات الّتي تكونت بناء على معرفة عميقة بالمنتجات والعلامات وخصائص كل منها. تغيير الاتجاه أسهل لدى المستهلكين الذين يملكون معلومات مبهمة عن منتج أو علامة تجارية معينة إذ يشكو الكثير من المستهلكين من مشكلة عدم توفر معلومات صريحة حول المنتجات المتاحة وخاصة لو كانت البدائل كثيرة والمعلومات المتاحة ذات مستوى فني مرتفع وبالتالي لا يستطيع المستهلك تقييمها وهنا أي محاولة لرجل التسويق لإيضاح المعلومات ستؤدي إلى تغيير المعتقدات. يسهل تغيير الاتجاهات في حال التضارب لأن المستهلك يسعى لحل هذا التناقض وإحداث نوع من التوازن الداخلي مثلًا يمكن أن يكون لدى المستهلك اتجاه إيجابي نحو السيارات كبيرة الحجم إنما يعتقد بأن السيارة الصغيرة توفر في الوقود هذا يؤدي إلى حل الى حاولة المستهلك حلّ هذا التناقض من خلال تغيير أحد الاتجاهين أو كليهما فمثلًا يطور المستهلك اتجاهات سلبية نحو زيادة استهلاك الوقود والذي سيغير اتجاهه نحو السيارات الكبيرة وسيصبح اتجاهه سلبي نحوها. يوجد نوعين من استراتيجيات تغيير الاتجاهات وهما: استراتيجيات تغيير الاتجاهات قبل الشراء: يحاول المسوق تغيير اتجاهات المستهلك نحو تقدير خاصية معينة في العلامة التجارية فمثلًا يحاول إقناع المستهلك بأن الطعم غير المستساغ لمعجون الأسنان يعكس فعالية قوية له. أو يغير احساسه بالمنتج أو العلامة التجارية وتفضيله لها بدون الإشارة إلى صفاتها أو خصائصها الوظيفية كأن يظهر في إعلان للمشروبات الغازية مجموعة من الأصدقاء الذين يشربونها في جو من المرح بعد الفوز في مباراة مما يؤدي للربط بين المرح والنجاح وهذا المشروب، أو تغيير نوايا الشراء عن طريق استمالة المستهلك نحو السلع الّتي يحمل اتجاهات محايدة أو سلبية تجاهها باستخدام أدوات تنشيط المبيعات مثل التخفيضات السعرية والعينات المجانية والكوبونات. استراتيجيات تغيير الاتجاهات بعد الشراء: وتهدف هذه الاستراتيجيات لمواجهة الإعلانات التنافسية ومن أهمها استراتيجيات تقليل التنافر والّتي تسعى لتقليل حدة التنافر الّتي يشعر بها العميل بعد الشراء من العلامة التجارية مثل شعور الشك في صحة قراره وتكون محور هذه الاستراتيجية هي من خلال توفير معلومات إيجابية للمستهلك بعد الشراء ليُتأكد من حُسن اختياره وذلك عبر: تقديم معلومات إضافية ومقترحات للحفاظ على المنتج من خلال الإعلان. تقديم ضمانات على المنتج لتقليل الشك فيه بعد الشراء. التأكيد على جودة الخدمة ومتابعة شكاوى العملاء. متابعة العملاء بعد الشراء للتأكد من قدرتهم على الاستخدام الصحيح للمنتج ورضاهم عنه. اجذب عملاء مستهدفين وحقق أهدافك التسويقية استعن بأفضل خدمات وحلول التسويق الرقمي من خمسات وحقق مبيعات استثنائية اطلب خدمتك الآن الشخصية تُعرَف الشخصية بأنها نمط ردود الفعل أو الاستجابات المستقرة والمتوقعة من الفرد والّتي تميزه عن غيره من خلال طريقة إدراكه وأفعاله وتفاعله مع البيئة المحيطة به. وتتمثل أركان الشخصية في: التميز: الشخصية تختلف من فرد لآخر لذلك يتميز الشخص بخصائص وسمات تختلف عند غيره من الأشخاص. الحركية: هي نتيجة تفاعل الفرد مع البيئة المحيطة به. الشمول: الشخصية تنظم سمات وخصائص الفرد وتلعب دورًا أساسيًا في تصرفاته وردود أفعاله واستعداداته للقيام بالفعل في المواقف المختلفة. ومكونات الشخصية هي: الأنا: وهي مجموعة من الاحتياجات والغرائز الأولية للفرد، والّتي تحتاج للإشباع الفوري يتصف سلوكها بالواقعية في التعامل مع الآخرين سعيًا وراء إشباع الحاجات. الذات: وهي عبارة عن ضمير الفرد ودرجة تحكمه بكل ما يؤثر به من منبهات داخلية وخارجية. الأنا العليا: تعبر عن الانطباعات والقناعات الداخلية الموجودة لدى الأفراد عن أخلاقيات المجتمع وبالتالي فإن الأفراد يسعون إلى تلبية الحاجات بما يرضي المجتمع والقيم الّتي يؤمنون بها. ومن المحددات الّتي تتأثر بها الشخصية نذكر: المحددات البيولوجية: وتشمل الوراثة والمخ ومعدل النضج. محددات العائلة والمجتمع الصغير: وتشمل عملية التطويع الاجتماعي والبيئة المنزلية وترتيب الفرد في العائلة وتأثير الأفراد الآخرين. سمات الشخصية وعلاقتها مع سلوك المستهلك أدرك الباحثيون في مجال سلوك المستهلك مدى ارتباط الشخصية بكيفية شراء واختيار المستهلكين للمنتجات أو العلامات التجارية وتطور الشركات الكبيرة اختبارات شخصية مفردة ومختارة لاستخدامها في دراسات سلوك المستهلك. ومن بين أنواع السمات الشخصية المقاسة بين معظم الشركات هي: درجة الابتكار. الحاجة إلى المعرفة. مستوى المادية. الروح الوطنية والتعصب العرقي. 1. درجة الابتكار Consumer Innovativeness تعني إلى أي حد يتقبل أو يتبنى السلع أو الخدمات أو الممارسات الجديدة بالنسبة له، ويجب أن يتعلم المسوقون كل ما يتعلق بهذه النوع من الشخصية لدى المستهلكين فالمستهلك المنفتح على الأفكار أو الجديدة ليس بمثل الشخص المحافظ الذي يتمسك بأفكاره القديمة ويستصعب التغيير لذلك فالمستهلك المبتكر مندفع لتجربة منتجات أو خدمات أو ممارسات جديدة وهم عادة ما يكونون النواة الأساسية لنجاح المنتجات الجديدة. يمكننا قياس الابتكار لدى الفرد المستهلك: أنا آخر شخص في دائرة المعارف أو الأصدقاء الّذي يشتري منتج جديد حال ظهوره. إذا سمعت بوجود منتج جديد في السوق سأكون مهتمًا بشرائه. سأشتري المنتج الجديد حتى ولو لم أسمع به من قبل. وعمومًا هنالك بعض السمات الشخصية الّتي أثبتت فائدتها في التمييز بين المبتكرين وغير المبتكرين من المستهلكين منها: الشخصية الاجتماعية Social Character: وهنا يقسم الأشخاص إلى نوعين وهما الموجهون ذاتيًا اللذين يميلون إلى الاعتماد على قيمهم الداخلية ويتمتعون بدرجة أعلى من الابتكار ويفضلون الإعلانات الّتي تركز على خصائص المنتج ومنافعه. والموجهون بالآخرين، اللذين يميلون إلى الاعتماد على الآخرين وتوجيهاتهم ويتمتعون بدرجة أقل من الابتكار ويفضلون الإعلانات الّتي تركز على قبول الاجتماعي الّذي يمنحه استهلاك أو شراء المنتج المعلن عنه. الحاجة للتفرد Need For Uniqueness: وهي السمة المتعلقة بالمستهلكين الذين يتجنبون الانصياع أو التوافق مع توقعات الآخرين ومعاييرهم. الميل للبحث عن التجارب الحسية Sensation Seeking Tendency: يشير البحث عن التجارب الحسية إلى الحاجة للأحاسيس والخبرات المتنوعة والمعقدة والاستعداد لتحمل المخاطر الجسدية والاجتماعية من أجل مثل هذه التجارب ومن خلال هذا الميل نستطيع التنبؤ بمجموعة واسعة من السلوكيات المتعلقة ببحث الأفراد وانجذابهم إلى أنشطة مرتفعة الخطورة مثل القيادة المتهورة وتعاطي الكحول. 2. الحاجة إلى المعرفة Need For Cognition وهي توق الشخص أو حبه للتفكير وهنا نميز نوعين من الأشخاص الاشخاص البصريين Visualizers والأشخاص الشفويين Verbakizers ويعني ميل الشخص إلى تمثيل المعلومة بالصور أو بالكلام على التوالي، فمثلًا نلاحظ أن الأفراد الميالين إلى الحاجة إلى المعرفة عندهم مرتفعة يفضلون الإعلانات الغنية بالمعلومات المتعلقة بالمنتج بينما ينجذب الأفراد ذوي الميل المنخفض للمعرفة أكثر للصور وخلفيات الإعلان. 3. النظرة المادية Consumer Materialism وهي درجة المادية الّتي يتصف بها العميل والأشخاص الماديين يتباهون بممتلكاتهم ويركزون على أنفسهم ويتصفون بالأنانية ويمتلكون الكثير من الأشياء الّتي لا تقود بالضرورة إلى الشعور بالسعادة. وعمومًا يميز الباحثون في سلوك المستهلك في هذا السياق النظرة المادية للمستهلك نوعين من الاستهلاك: سلوك الاستهلاك الثابت Fixed Consumption Behavior: وهم الأشخاص الذين لديهم اهتمام كبير وعميق ببعض المنتجات أو فئات المنتجات ويخصصون كمية كبيرة من الوقت والجهد والمال للبحث عن هذه المنتجات وشرائها، فمثلًا نجد أن بعض المستهلكين يواظبون على شراء فئات معينة من المنتجات مثل جامعي القطع المعدنية. الشراء القهري Compulsive Consumption Behavior: وهم الأشخاص الخارجون عن السيطرة أو لا يمكنهم التحكم بأنفسهم عندما يتعلق الأمر بالشراء وربما يقومون بالأعمال الّتي قد تؤدي إلى عواقب أو نتائج سلبية عليهم أو على من حولهم. 4. الروح الوطنية والتعصب العرقي Consumer Ethnocentrism ترتبط الروح الوطنية بصورة كبيرة بعلاقة عكسية مع نية شراء المنتجات الأجنبية ويعبر مقياس الروح الوطنية عن درجة قبول أو رفض المستهلك للسلع الأجنبية المستهلكون ذوي الروح الوطنية المرتفعة يشعرون أنه من الخطأ شراء المنتجات المصنعة خارج بلدهم. فهم يعتقدون أنه من الخطأ شراء منتجات ليست محلية الصنع ظنًا منهم بأن ذلك سيزيد من العاطلين عن العمل في بلدهم متناسين بحقيقة أن المنتجات الأجنبية تزيد من الضغط على المنتجات المحلية لتحسين الجودة والسعر والخدمات …إلخ وعمومًا إن التعصب للعرق أو للمنتجات الوطنية يختلف من بلد لآخر وبإمكان المسوقين جذب المستهلكين من هذه الفئة من خلال التأكيد على الموضوعات القومية في جهودهم التسويقية. بهذا نكون قد تعرفنا على أهم العوامل النفسية المؤثرة على سلوك المستهلك، حيث تعمقنا في شرح تأثير الدوافع والحاجات والإدراك والتعلم والشخصية والاتجاهات على سلوكه حوّل فكرتك إلى مشروع تجاري حقيقي ابدأ رحلتك الريادية وابن علامة تجارية مميزة تبقى في الأذهان أطلق مشروعك التجاري الآن اقرأ أيضًا المقال السابق: مراحل عملية الشراء -عند الإقدام على فعل الشراء- فهم سلوك المستهلكين العوامل المؤثرة في سلوك المستهلكين

تُستخدم الشبكات العصبية كوسيلةٍ للتعلم العميق، فهي واحدةٌ من المجالات الفرعية العديدة لطُرق تطبيق الذكاء الصناعي. وقد اقْتُرحت لأول مرةٍ منذ حوالي 70 عامًا في محاولةٍ لمحاكاة طريقة عمل دماغ الإنسان، إلا أنها أبسط بكثيرٍ من الخلايا العصبية الحقيقة، إذ أن كلّ خليةٍ اصطناعيةٍ مرتبطةٌ بعِدة طبقاتٍ، ولكلّ واحدةٍ منها وزنٌ مُعينٌ يُعبر عن أهمية هذه الطبقة، وذلك لتحديد كيفية استجابة الخلية العصبية عند نشْر البيانات عبرها، وبينما كانت الشبكات العصبية سابقًا محدودةً في عدد الخلايا العصبية التي تستطيع محاكاتها في ذلك الوقت -وهو الأمر الذي انعكس بدوره على تعقيد عملية التعلم التي يمكننا تحقيقها-، إلا أنه في السنوات الأخيرة، ونظرًا للتقدم الكبير في تطوّر الأجهزة، استطعنا أخيرًا بناء شبكاتٍ عصبيةٍ عميقةٍ جدًا، وتدريبها على مجموعات بياناتٍ هائلةٍ وضخمة كذلك، مما أدّى إلى تحقيق قفزاتٍ نوعية في تطور الذكاء الاصطناعي وتحديدًا تعلم الآلة. سمحت تلك القفزات النوعية للآلات بمُقاربة قدرات البشر، بل وتجاوزتها في أداء بعض المهام المحدودة. ومن بين هذه المهام، قدرتها على التعرف على الكائنات، فعلى الرغم من أن الآلات كانت غير قادرة تاريخيًا على منافسة قوة الرؤية البشرية، إلا أنّ التطورات الحديثة في التعلم العميق جعلت من الممكن بناء شبكاتٍ عصبيةٍ باستطاعتها التعرف على الكائنات والوجوه والنصوص، بل وحتى العواطف! سنُطبق في هذا المقال قِسمًا فرعيًا صغيرًا من طُرق التعرف على الكائنات، وتحديدًا التعرف على الأرقام المكتوبة بخط اليد، وذلك باستخدام مكتبة TensorFlow، وهي مكتبة بايثون مفتوحة المصدر التي طُوّرت في مختبرات غوغل Google Brain لأبحاث التعلم العميق، كما أنها من أشهر المكتبات الحالية في التعلم العميق، وسنأخذ صورًا مكتوبٌ عليها الأرقام بخط اليد من الرقم 0 وحتى الرقم 9، وسنبني شبكةً عصبيةً وندربها لكي تتعرف على التصنيف المناسب لكل رقمٍ معروضٍ في الصورة وتتنبأ به، ثم تَنسْبه لصنفٍ من أصناف الأرقام الموجودة. سنفترض إلمامك بمصطلحات ومفاهيم تعلم الآلة، مثل التدريب والاختبار والميزات والأصناف والتحسين والتقييم. لهذا لن تحتاج لخبرةٍ سابقةٍ في مجال التعلم العميق التطبيقي أو بمكتبة TensorFlow، ولمتابعة وفَهم هذا المقال جيدًا ننصحك أولًا بالاطلاع على: المفاهيم الأساسية لتعلم الآلة. المتطلبات الرئيسية لإكمال هذا المقال ستحتاج بيئةً برمجيةً للغة بايثون الإصدار 3.8 سواءً كان محليًا أو بعيدًا. ويجب أن تتضمن هذه البيئة البرمجية مدير الحِزم pip لتثبيت الحِزم، ومُنشئ البيئات الافتراضية venv لإنشاء بيئاتٍ افتراضيةٍ. 1. إعداد المشروع ستحتاج أولًا لتثبيت بعض التبعيات، وذلك لإنشاء مساحة عملٍ للاحتفاظ بملفاتنا قبل أن نتمكن من تطوير برنامج التعرف على الصور، وسنستخدم بيئة بايثون 3.8 الافتراضية لإدارة التبعيات الخاصة بمشروعنا. سَنُنشئ مجلدًا جديدًا خاصًا بمشروعنا وسندخل إليه هكذا: mkdir tensorflow-demo cd tensorflow-demo سننفذّ الأوامر التالية لإنشاء البيئة الافتراضية: python -m venv tensorflow-demo ومن ثم الامر التالي في Linux لتنشيط البيئة الافتراضية: source tensorflow-demo/bin/activate أما في Windows، فيكون أمر التنشيط: "tensorflow-demo/Scripts/activate.bat" بعد ذلك، سنُثبتّ المكتبات التي سنستخدمها. سنستخدم إصداراتٍ محددةٍ من هذه المكتبات، من خلال إنشاء ملف requirements.txt في مجلد المشروع، وسيُحدِّد هذا الملف المتطلبات والإصدارات التي سنحتاج إليها. نفتح الملف requirements.txt في محرر النصوص، ونُضيف الأسطر التالية، وذلك لتحديد المكتبات التي نريدها وإصداراتها: keras==2.6.0 numpy==1.19.5 Pillow==8.4.0 scikit-learn==1.0 scipy==1.7.1 sklearn==0.0 tensorflow==2.6.0 سنحفظ التغييرات التي طرأت على الملف وسنخرج من محرر النصوص، ثم سنُثَبت هذه المكتبات بالأمر التالي: (tensorflow-demo) $ pip install -r requirements.txt بعد تثبيتنا لهذه التبعيات، سنُصبح جاهزين لبدء العمل على مشروعنا. 2. استيراد مجموعة بيانات MNIST تُسمى مجموعة البيانات التي سنستخدمها، بمجموعة بيانات MNIST، وهي مجموعةٌ كلاسيكيةٌ في مجتمع مُطوري تعلم الآلة، وتتكون من صورٍ لأرقامٍ مكتوبةٍ بخط اليد، بحجم 28×28 بكسل. ونستعرض فيما يلي بعض الأمثلة للأرقام المُتضمنة فيها: لاحظ أنه ينبغي أن نستخدم ملفًا واحدًا لجميع أعمالنا في هذا المقال، ولنُنشئ برنامج بايثون يتعامل مع مجموعة البيانات هذه، سننشئ ملفًا جديدًا باسم main.py، وسنفتح هذا الملف بأي محرر شيفرات لدينا -مثل VS code- وسنُضيف هذه الأسطر البرمجية لاستيراد المكتبات اللازمة: import tensorflow as tf import numpy as np from sklearn.preprocessing import OneHotEncoder #مكتبة معالجة الصور from PIL import Image #التوافقية مع إصدار سابق tf.compat.v1.disable_v2_behavior() وسنضيف أيضًا هذه الأسطر من الشيفرات البرمجية لملفك لاستيراد مجموعة بيانات MNIST وذلك باختيار صور التدريب المتاحة من Tensorflow ومن ثم نُنزلها ونقسمها إلى جزئين: الأول للتدريب والثاني للاختبار: #اختيار بيانات التدريب mnist = tf.keras.datasets.mnist #تنزيل بيانات التدريب والاختبار (x_train, y_train), (x_test, y_test) = mnist.load_data() #طباعة عدد بيانات التدريب والاختبار print (len(x_train)) print (len(x_test)) #تحجيم البيانات بين 0 و 1 x_train, x_test = x_train / 255.0, x_test / 255.0 #الترميز الأحادي النشط y_train = [[i] for i in y_train] y_test = [[i] for i in y_test] enc = OneHotEncoder(sparse=True) enc.fit(y_train) y_train = enc.transform(y_train) y_test = enc.transform(y_test) تقوم الدالة 'mnist.load_data' بتنزيل البيانات وتقسيمها إلى مجموعتين واحدة للتدريب (60000 صورة) والمجموعة الثانية للاختبار (10000 صورة). وعند قراءة البيانات سنستخدم الترميز الأحادي النشط One-Hot Encoding لتمثيل التصنيفات للصور. حيث يَستَخدم الترميز الأحادي النشط One-Hot Encoding متجهًا vector مُكونٌ من قيمٍ ثنائيةٍ لتمثيل القيم الرقمية أو الصنفية. ونظرًا لأن أصنافنا مخصصةٌ لتمثيل الأرقام من 0 إلى 9، فإن المتجه سيحتوي على 10 قيمٍ، واحدةٌ لكلّ رقمٍ ممكنٍ. وتُسنَد إحدى هذه القيم بوضع القيمة 1، وذلك لتمثيل الرقم في هذا المؤشر للمتجه، كما ستُسنَد القيم الباقية بالقيمة 0. فمثلًا، سيُمثلُ الرقم 3 من خلال المتجه هكذا: [‎0 ،0 ،0 ،1 ،0 ،0 ،0 ،0 ،0 ،0]. وسنلاحظ وجود القيمة 1 في الفهرس 3، لذلك فإن المتجه سيُمثِلُ الرقم 3. ولتمثيل الصور الفعلية والتي تكون بحجم 28x28 بكسل، يتوجب علينا تسويتها في المتجه 1D بحجم 784 بكسل، وهو ناتج ضرب 28×28. وسنخزن هذه البكسلات والتي ستُشكل الصورة لاحقًا، وذلك في قيمٍ تتراوح بين 0 و255، حيث ستحدّد هذه القيم تدرج اللون الرمادي للبكسل، وستُعرَض صورنا باللونين الأبيض والأسود فقط. لذلك سيُمثلُ البكسل الأسود بالقيمة 255، والبكسل الأبيض بالقيمة 0، وذلك مع التدرجات المختلفة للون الرمادي بينهم. والآن بعد استيرادنا للبيانات، حان الوقت للتفكير في كيفية بناء الشبكة العصبية. 3. تحديد بنية الشبكة العصبية يُشير مصطلح بنية الشبكة العصبية لعناصرٍ متنوعةٍ، مثل عدد الطبقات في الشبكة وعدد الوِحدات في كلّ طبقةٍ، كما يشير إلى كيفية توصيل هذه الوِحدات بين الطبقات المختلفة. ونظرًا لأن الشبكات العصبية مستوحاةٌ من كيفية عمل الدماغ البشري، فسنستخدم مصطلح الوِحدة ليُمثّل ما يُمكن تسميته بيولوجيًا بالخلايا العصبية. تأخذ الوِحدات بعض القيم من الوِحدات السابقة مثل مُدخلاتٍ لها، حيث تتشابه مع الخلايا العصبية التي تُمرر إشاراتها حول الدماغ، ثمّ تُجري عمليةً حسابيةً، وتُمرر القيمة الجديدة مثل مُخرجاتٍ إلى وِحداتٍ أخرى، وهكذا. تُوضع هذه الوِحدات على شكل طبقاتٍ متراكبةٍ فوق بعضها البعض مشكّلةً الشبكة العصبية، بحيث يمكن للشبكة أن تتألف كحدٍ أدنى من طبقتين، طبقةٌ لإدخال القيم، وطبقةٌ أخرى لإخراج القيم. يُستخدم مصطلح الطبقة المخفية لجميع الطبقات الموجودة بين طبقات المُدخلات وطبقات المُخرجات الخارجية، أي أن تلك الطبقات تكون مخفيةً عن العالم الحقيقي. تحقق البُنى المختلفة للشبكة نتائجًا مختلفةً عن بعضها البعض، ويمكن اتخاذ الأداء مثل معيارٍ للحكم على هذه البُنى المختلفة، كما يمكن اتخاذ عناصر أخرى معيارًا للحكم، مثل الوسطاء والبيانات ومدة التدريب. سنضيف هذه الأسطر البرمجية التالية لملفك، وذلك لتخزين عدد الوِحدات المُخصصة لكلّ طبقةٍ ووضعها في متغيّراتٍ عامةٍ. وهذه الطريقة ستسمح لنا بتغيير بِنية الشبكة بمكانٍ واحدٍ، وفي نهاية هذا المقال يمكنك اختبار مدى تأثير الأعداد المختلفة من الطبقات والوِحدات على نتائج نموذجنا: n_input = 784 # input layer (28x28 pixels) n_hidden1 = 512 # 1st hidden layer n_hidden2 = 256 # 2nd hidden layer n_hidden3 = 128 # 3rd hidden layer n_output = 10 # output layer (0-9 digits) يُوضح الرسم البياني التالي تصورًا للبِنية التي صمّمناها، مع توصيل كلّ طبقةٍ بالطبقات المحيطة بها توصيلًا كاملًا: ويرتبط مصطلح الشبكة العصبية العميقة Deep Neural Network بعدد الطبقات المخفية، وعادةً ما تُشير كلمة السطحية في مصطلح الشبكة العصبية السطحية إلى وجود طبقةٍ مخفيةٍ واحدةٍ، بينما تُشير كلمة العميقة إلى وجود طبقاتٍ مخفيةٍ متعددةٍ. ونظريًا إذا أُعطِيت الشبكة العصبية السطحية ما يكفي من بياناتٍ للتدريب، فيجب أن تَقدِر على تمثيل أي وظيفةٍ يمكن للشبكة العصبية العميقة أن تؤدّيها. ولكن من ناحية الفعالية الحسابية، فغالبًا ما يكون نتائج استخدام شبكةٍ عصبيةٍ عميقةٍ ذات حجمٍ صغيرٍ أفضل من النتائج التي تُعطيها الشبكة العصبية السطحية ذات العدد الكبير من الوِحدات المخفية، وذلك عند تأديتهم لنفس المَهمة. كما أن الشبكات العصبية السطحية غالبًا ما تواجه مشكلة فَرط التخصيص Overfitting، إذ يكون هدف الشبكة الأساسي هو حفظ بيانات التدريب التي شاهدتها، ولكنها لن تستطيع تعميم المعرفة التي اكتسبتها على البيانات الجديدة، وهذا هو السبب في كون استخدام الشبكات العصبية العميقة أكثر شيوعًا، إذ أنها تسمح للطبقات المتعددة الموجودة بين البيانات المُدخلة الأولية والبيانات المُصنفة الناتجة، بتعلم الميزات على مستوياتٍ متنوعةٍ، مما يُعزز قدرة الشبكة على التعلم وتعميم الفكرة. ومن العناصر الأخرى للشبكة العصبية التي يجب تعريفها هنا هي الوسطاء الفائقة Hyperparameters، فعلى عكس الوسطاء العادية التي تُحدث قيمها أثناء عملية التدريب، سنُسند قيم الوسطاء الفائقة في البداية وسنثبتها طوال العملية. أسنِد المتغيّرات بالقيم التالية في ملفك: learning_rate = 1e-4 n_iterations = 1000 batch_size = 128 dropout = 0.5 يمثل معدل التعلم Learning Rate مدى تعديل الوسطاء في كلّ خطوةٍ من عملية التعلّم، إذ تُعَد هذه التعديلات مكونًا رئيسيًا للتدريب، فبعد كلّ عملية مرور ٍعبر الشبكة، سنضبط أوزان الطبقات قليلًا لأهمية ذلك في محاولةٍ لتقليل الخسارة، حيث يمكن لمعدل التعلم المرتفع أن يتحقق بسرعة، ولكن يمكن كذلك أن تتجاوز القيم المثلى عند تحديثها في كلّ مرة. يشير مصطلح عدد التكرارات Number Of Iterations إلى عدد مرات مرورنا على خطوة التدريب، ويشير حجم الدفعة Batch Size لعدد أمثلة التدريب التي نستخدمها في كل خطوة، كما ويمثل المتغير dropout الموضع الذي نحذف عنده بعضًا من الوِحدات عشوائيًا. وسنستخدم المتغير dropout في الطبقة النهائية المخفية لإعطاء كلّ وِحدة من الوحدات احتمالًا بنسبة 50٪ للتخلص منها في كلّ خطوة تدريبٍ، وهذا سيساعد على منع ظهور مشكلة فرط التخصيص Overfitting. حددنا الآن بِنية شبكتنا العصبية والوسطاء الفائقة التي ستُؤثر على عملية التعلّم، والخطوة التالية هي بناء الشبكة مثل مخططٍ بيانيٍ من خلال مكتبة TensorFlow. 4. بناء مخطط بياني من خلال مكتبة TensorFlow لبناء شبكتنا، لابد لنا من إعداد الشبكة مثل مخططٍ بيانيٍ حسابي من خلال مكتبة TensorFlow لتنفيذه. والمفهوم الأساسي لمكتبة TensorFlow هو tensor، وهو بنية بياناتٍ مشابهةٍ لبِنية المصفوفة Array، أو القائمة List. وهذا المتغير سيهيَأ ويُعالَج عند مروره عبر المخطط البياني للشبكة عبر عملية التعلّم. وسنبدأ بتحديد ثلاثة متغيراتٍ tensors من نوع placeholders، وهو نوع tensor تُسندُ قيمته لاحقًا. والآن سنضيف الشيفرة البرمجية التالية إلى الملف الذي نعمل عليه: X = tf.compat.v1.placeholder("float", [None, n_input]) Y = tf.compat.v1.placeholder("float", [None, n_output]) keep_prob = tf.compat.v1.placeholder(tf.float32) إنّ الوسيط الوحيد الذي يتوجب علينا تحديده عند التعريف هو حجم البيانات التي سنُسندها لاحقًا، وبالنسبة للمتغير X سنستخدم شكل [None، 784]، إذ ستمثل القيمة None كميةً غير محددةٍ، وسنُسند كميةً غير محددةٍ من الصور ذات حجم 784 بكسل. بحيث يصبح شكل المتغير Y هو [None، 10]، وستمثل None عددًا غير محددٍ من التصنيفات الناتجة، مع وجود 10 أصنافٍ محتملةٍ. وسنستخدم في المتغير keep_prob tensor من نوع placeholders للتحكم في معدل dropout، وسنجعله من نوع placeholders وذلك لجعله متغيرًا من نوعٍ قابلٍ للتعديل، بدلًا من كونه متغيرًا من نوعٍ غير قابلٍ للتعديل immutable variable، وذلك لأننا نريد استخدام نفس tensor التدريب عند إسناد dropout بالقيمة 0.5، ونفس tensor الاختبار عند إسناد dropout بالقيمة 1.0. والوسطاء التي ستُحدث قيمها الشبكة العصبية في عملية التدريب هي القيم الخاصة بوزن كلّ طبقةٍ، والتي تُعبر عن الأهمية وقيم التحيز bias values، لذلك سنحتاج لإسنادهم بقيمٍ إبتدائيةٍ بدلًا من قيمٍ فارغةٍ. وهذه القيم هي الأساس الذي ستبدأ الشبكة رحلة التعلم انطلاقًا منها، إذ ستُستخدم في تفعيل دوال الشبكة العصبية، والتي تُمثِلُ قوة الاتصالات بين الوِحدات. ونظرًا لاستمرار تحسين القيم أثناء عملية التدريب، يمكننا ضبطها حاليًا بالقيمة 0. لاحظ أن القيمة الأولية في الواقع لها تأثيرٌ كبيرٌ على الدقة النهائية للنموذج. وسنستخدم التوزيع الاحتمالي الطبيعي المنقطع Truncated normal distribution لتوليد قيمٍ عشوائيةٍ لأوزان الطبقات، بحيث يكونون قريبين من الصفر حتى يتمكنوا من التعديل إما باتجاهٍ إيجابيٍ أو سلبيٍ، كما يكونون مختلفين قليلًا، وذلك ليُنتِجوا أخطاءً مختلفةً، وبهذه الطريقة سنضمن بأن يتعلم النموذج شيئًا مفيدًا. والآن سنضيف هذه الأسطر البرمجية التالية لملفنا الذي نعمل عليه: weights = { 'w1': tf.Variable(tf.random.truncated_normal([n_input, n_hidden1], stddev=0.1)), 'w2': tf.Variable(tf.random.truncated_normal([n_hidden1, n_hidden2], stddev=0.1)), 'w3': tf.Variable(tf.random.truncated_normal([n_hidden2, n_hidden3], stddev=0.1)), 'out': tf.Variable(tf.random.truncated_normal([n_hidden3, n_output], stddev=0.1)), } بالنسبة للتحيز Bais، سنستخدم قيمةً ثابتةً صغيرةً لضمان تنشيط جميع tensors المراحل الأولية، وبالتالي المساهمة في الانتشار. وستُخزن الأوزان وجميع tensors التحيزات في objects قواميس Dictionary لسهولة الوصول إليها. أضف هذه الشيفرة البرمجية للملف الذي نعمل عليه وذلك لتعريف التحيز وقِيَمه: biases = { 'b1': tf.Variable(tf.constant(0.1, shape=[n_hidden1])), 'b2': tf.Variable(tf.constant(0.1, shape=[n_hidden2])), 'b3': tf.Variable(tf.constant(0.1, shape=[n_hidden3])), 'out': tf.Variable(tf.constant(0.1, shape=[n_output])) } والآن جهّز طبقات الشبكة العصبية من خلال تعريف العمليات التي ستتعامل مع tensors المرحلة الحالية. وأضف هذه الشيفرة البرمجية للملف الذي نعمل عليه: layer_1 = tf.add(tf.matmul(X, weights['w1']), biases['b1']) layer_2 = tf.add(tf.matmul(layer_1, weights['w2']), biases['b2']) layer_3 = tf.add(tf.matmul(layer_2, weights['w3']), biases['b3']) layer_drop = tf.nn.dropout(layer_3, keep_prob) output_layer = tf.matmul(layer_3, weights['out']) + biases['out'] ستنفذ كلّ طبقةٍ مخفيةٍ عملية ضربٍ للمصفوفة على نتائج الطبقة التي سبقتها وعلى أوزان الطبقة الحالية، وسيُضاف التحيز لهذه القيم. في الطبقة المخفية الأخيرة، سنُطبِّق عملية التسرب dropout بالقيمة 0.5 للمتغير Keep_prob الخاص بنا. الخطوة الأخيرة في بناء المخطط البياني، هي تحديد دالة الخسارة التي نريد تحسينها. والاختيار الشائع لدالة الخسارة في المكتبة البرمجية TensorFlow هو الانتروبي المشترك Joint Antropy، والمعروف كذلك باسم فقدان السجل log-loss، وهو الذي يُحدد الفرق بين التوزيعين الاحتماليين لكلً من التنبؤات والتصنيف. ويمكن أن تكون قيمة الانتروبي المشترك 0، وذلك في أفضل الأحوال عند التصنيف المثالي، وذلك مع انعدام الخسارة تمامًا. سنحتاج كذلك إلى اختيار خوارزمية التحسين المناسبة، والتي سنستخدمها لتقليل الناتج من دالة الخسارة. وتُسمى هذه العملية بعملية تحسين الانحدار التدريجي، وهي طريقةٌ شائعةٌ للعثور على الحد الأدنى للدالة، من خلال اتخاذ خطواتٍ تكراريةٍ على طول التدرج في الاتجاه السلبي التنازلي. وهناك العديد من الخيارات لخوارزميات تحسين الانحدار التدريجي المُطبقة في المكتبة البرمجية TensorFlow، إلا أننا سنستخدم في هذا المقال خوارزمية المُحسِّن أدم Adam optimizer، الذي يعمتد على عملية تحسين الانحدار التدريجي باستخدام الزخم أو كمية الحركة Momentum، وذلك بتسريع عملية التنعيم من خلال حساب متوسط ٍمُرجَّحٍ بكثرة للتدرجات، واستخدام ذلك في التعديلات مما يؤدي لتقاربٍ أسرع. وسنضيف هذه الشيفرة للملف الذي نعمل عليه: cross_entropy = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits( labels=Y, logits=output_layer )) train_step = tf.compat.v1.train.AdamOptimizer(1e-4).minimize(cross_entropy) عرّفنا حتى الآن الشبكة وبنيناها باستخدام المكتبة البرمجية TensorFlow، والخطوة التالية هي إرسال البيانات عبر المخطط البياني لتدريبها، ومن ثَمّ اختبارها للتحقق فيما إن كانت تعلمت شيئًا بالفعل أم لا. 5. التدريب والاختبار تتضمن عملية التدريب تغذية المخطط البياني للشبكة بمجموعة بيانات التدريب، وتحسين نتيجة دالة الخسارة، إذ أن في كلّ مرةٍ تمر فيها الشبكة عبر مجموعةٍ إضافيةٍ من صور التدريب، فستُحدثُ الوسطاء لتقليل الخسارة، وذلك بهدف تحسين دقة التنبؤ للأرقامٍ؛ أما عملية الاختبار، فتتضمن تشغيل مجموعة بيانات الاختبار الخاصة بنا عبر المخطط البياني المدرّب، كما ستتتبع عدد الصور التي صح التنبؤ بها، حتى نحسب الدقة جيدًا. قبل البدء في عملية التدريب، سوف نحدد دالة تقييم الدقة لكي نتمكن من طباعتها على مجموعاتٍ صغيرةٍ من البيانات أثناء التدريب. هذه البيانات المطبوعة ستسمح لنا بالتحقق من انخفاض الخسارة وزيادة الدقة، وذلك بدءًا من المرور الأول عبر المخطط البياني، وحتى المرور الأخير؛ كما ستسمح لنا بتتبّع ما إذا نفذنا عمليات مرور ٍكافيةً عبر المخطط البياني للوصول لنتيجةٍ مناسبةٍ ومثاليةٍ أم لا: correct_pred = tf.equal(tf.argmax(output_layer, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) سنستخدم الدالة arg_max في المتغيّر right_pred للموازنة بين الصور التي صَحَ توقُّعها، وذلك بالنظر لقيمة التنبؤات output_layer والتصنيفات Y، وسنستخدم الدالة equal لإعادة هذه النتائج مثل قائمةٍ مؤلفةٍ من قيمٍ بوليانيةٍ. ويمكننا بعد ذلك تحويل هذه القائمة للنوع float، وذلك لحساب المتوسط للحصول على درجة الدقة الإجمالية. الآن نحن جاهزون لتهيئة الجلسة لتشغيل المخطط البياني، إذ سنرسل للشبكة أمثلة التدريب الخاصة بنا، وبمجرد انتهاء التدريب، سنرسل أمثلة اختبارٍ جديدةٍ عبر المخطط البياني نفسه لتحديد دقة النموذج. أضف هذه الشيفرة للملف الذي نعمل عليه: init = tf.compat.v1.global_variables_initializer() sess = tf.compat.v1.Session() sess.run(init) إن جوهر عملية التدريب في التعلم العميق هو تحسين ناتج دالة الخسارة. ونحن هنا سنهدف إلى تقليل الفرق بين التصنيفات المُتوقعة للصور والتصنيفات الحقيقية لها. وستتضمن هذه العملية أربع خطواتٍ تتكرر لعددٍ محددٍ من مرات المرور عبر المخطط البياني، وهي: دفع القيم إلى الأمام عبر الشبكة. حساب الخسارة. دفع القيم للخلف عبر الشبكة. تحديث الوسطاء. ففي كلّ خطوة تدريب، سنعدِّل الوسطاء قليلًا في محاولةٍ لتقليل نتائج دالة الخسارة. وفي الخطوة التالية مع تَقدُّم عملية التعلّم، يجب أن نشاهد انخفاضًا في الخسارة، حيث سنوقِف التدريب في النهاية، وسنستخدم الشبكة مثل نموذجٍ لاختبار بياناتنا الجديدة. سنضيف هذه الشيفرة البرمجية للملف الذي نعمل عليه: # التدريب على دفعات صغيرة for i in range(n_iterations): startbatch = (i*batch_size) % len(x_train) endbatch = ((i+1)*batch_size) % len(x_train) batch_x = np.array(x_train[startbatch:endbatch]) batch_x = batch_x.reshape(batch_size, -1) batch_y = y_train[startbatch:endbatch].toarray() if batch_x.shape != (128, 784): continue sess.run(train_step, feed_dict={ X: batch_x, Y: (batch_y), keep_prob: dropout }) # طباعة الخسارة والدقة لكل دفعة صغيرة if i % 100 == 0: minibatch_loss, minibatch_accuracy = sess.run( [cross_entropy, accuracy], feed_dict={X: batch_x, Y: batch_y, keep_prob: 1.0} ) print( "Iteration", str(i), "\t| Loss =", str(minibatch_loss), "\t| Accuracy =", str(minibatch_accuracy) ) بعد 100 عملية مرورٍ لكلّ خطوة تدريبٍ والتي أرسلنا فيها مجموعةً صغيرةً من الصور عبر الشبكة، سنطبع نتائج دالة الخسارة والدقة لتلك الدفعة. وينبغي ألّا نتوقع هنا انخفاض معدل الخسارة وزيادة الدقة، لأن القيم لكل دفعةٍ صغيرةٍ. إذ أن النتائج ليست للنموذج بأكمله. فنحن نستخدم مجموعاتٍ صغيرةٍ من الصور بدلًا من إرسال كلّ صورةٍ بمفردها، وذلك لتسريع عملية التدريب والسماح للشبكة برؤية عددٍ من الأمثلة المختلفة قبل تحديث الوسطاء. وبمجرد اكتمال التدريب، يمكننا تشغيل الجلسة على الصور المخصصة للاختبار. وهذه المرة سنستخدم القيمة 1.0 مثل مُعدلِ تَسرّب dropout للمتغيّر Keep_prob، وذلك للتأكد من أن جميع الوِحدات نشطةٌ في عملية الاختبار. أضف هذه الشيفرة البرمجية للملف الذي نعمل عليه: إعداد صور الاختبار كمتجهات أحادية طول كل منها 28*28 # x_test = x_test.reshape(-1,784) test_accuracy = sess.run(accuracy, feed_dict={X: x_test, Y: y_test.toarray(), keep_prob: 1.0}) print("\nAccuracy on test set:", test_accuracy) والآن سنشغّل برنامجنا، لنعرف مدى دقة شبكتنا العصبية في التعرف على الأرقام المكتوبة بخط اليد. وسنحفظ التغييرات في الملف main.py الذي نعمل عليه. نَفِّذ الأمر التالي في الوِحدة الطرفية لتنفيذ الشيفرة البرمجية: (tensorflow-demo) $ python main.py سترى نتيجةً مشابهةً لما يلي، ويمكن أن تختلف قليلًا نتائج الخسارة والدقة الفردية: Iteration 0 | Loss = 3.67079 | Accuracy = 0.140625 Iteration 100 | Loss = 0.492122 | Accuracy = 0.84375 Iteration 200 | Loss = 0.421595 | Accuracy = 0.882812 Iteration 300 | Loss = 0.307726 | Accuracy = 0.921875 Iteration 400 | Loss = 0.392948 | Accuracy = 0.882812 Iteration 500 | Loss = 0.371461 | Accuracy = 0.90625 Iteration 600 | Loss = 0.378425 | Accuracy = 0.882812 Iteration 700 | Loss = 0.338605 | Accuracy = 0.914062 Iteration 800 | Loss = 0.379697 | Accuracy = 0.875 Iteration 900 | Loss = 0.444303 | Accuracy = 0.90625 Accuracy on test set: 0.9206 ولمحاولة تحسين دقة نموذجنا، أو لمعرفة المزيد حول تأثير ضبط الوسطاء الفائقة hyperparameters، يمكننا تغييرها لاختبار تأثيرها المنعكس على معدّل التعلم وعتبة التسرب Dropout Threshold، وكذا حجم الدفعة من الصور في كمية الأمثلة وعدد مرات المرور عبر المخطط، كما يمكننا كذلك تغيير عدد الوِحدات في طبقاتنا المخفية وتغيير عدد الطبقات المخفية نفسها، وذلك لنرى كيف ستؤثر بنية الشبكة العصبية على النموذج سواءً بزيادة دقته أو بتخفيضها. وللتأكد من أن الشبكة تتعرف جيدًا على الصور المكتوبة بخط اليد، فسنختبرها على صورةٍ خاصةٍ بنا، فإذا كنت تعمل على جهازك المحلي وترغب في استخدام صورٍ من جهازك، يمكنك استخدام أي محرر رسوماتٍ لإنشاء صورة بأبعاد 28x28 بكسل لأي رقمٍ تريده. مثلًا: نزل الصورة وانقلها إلى مجلد المشروع (تأكد أنها باسم test_image.png أو غير اسمها في الشيفرة) ثم أضف في نهاية الملف main.py هذا السطر البرمجي التالي لتحميل صورة الاختبار للرقم المكتوب بخط اليد: img = np.array(Image.open("test_image.png").convert('L')).ravel() إن الدالة open من مكتبة الصور Image تحمّل صورة الاختبار مثل مصفوفةٍ رباعية الأبعاد 4D، حيث تحتوي على قنوات الألوان الثلاث الرئيسية RGB بالإضافة إلى الشفافية، ولكن هذا ليس نفس التمثيل الذي استخدمناه سابقًا عند القراءة من مجموعة البيانات باستخدام المكتبة البرمجية TensorFlow، لذلك سنحتاج للقيام ببعض المهام الإضافية ليتناسب تنسيق هذه الصور مع التنسيق الذي سبق واعتمدناه في الخوارزمية. سنستخدم الدالة convert مع الوسيط L لتقليل تمثيل 4D RGBA إلى قناة لونٍ رماديةٍ واحدةٍ، وسنُخزنها على هيئة مصفوفة numpy. وسنستدعي ravel لتسوية المصفوفة. الآن بعد أن صححّنا بنية معلومات الصورة، يمكننا تشغيل الجلسة بنفس الطريقة السابقة، ولكن هذه المرة سنُرسل صورةً واحدةً فقط للاختبار. وسنضيف الشيفرة التالية للملف لاختبار الصورة وطباعة التصنيف الناتج، هكذا: prediction = sess.run(tf.argmax(output_layer, 1), feed_dict={X: [img]}) print ("Prediction for test image:", np.squeeze(prediction)) وتُستدعى الدالة np.squeeze على المتغير prediction ليُعِيد عددًا صحيحًا وفريدًا إلى المصفوفة. وسيتضح من الناتج أن الشبكة العصبية قد تعرفت على الصورة كرقم 4، هكذا: Prediction for test image: 4 يمكنك الآن تجربة عملية اختبار الشبكة باستخدام صورٍ أكثر تعقيدًا مثل الأرقام المتشابهة مع الأرقام الأخرى، أو أرقامٍ مكتوبةٍ بخطٍ سيئٍ أو حتى خاطئةٍ، وذلك لمعرفة وقياس مدى نجاحها. الخلاصة في هذا المقال، نجحنا في تدريب شبكةٍ عصبيةٍ لتصنيف مجموعة بياناتٍ MNIST بدقةٍ تصل إلى 92٪، واختبارها على صورةٍ خاصةٍ بنا، مع العلم بأنه قد تحققت نسبة أعلى في الأبحاث العلمية الحديثة وكانت حوالي 99٪ لنفس الفكرة، وذلك باستخدام بُنىً مختلفةً لشبكةٍ عصبيةٍ ذات تعقيدٍ أكبر، بحيث تتضمن طبقات تلافيفية. وتستخدم تلك الشبكات بِنيةً ثنائية الأبعاد للصورة لتمثيل المحتويات تمثيلًا أفضل من تمثيل نموذجنا السابق، إذ أن نموذجنا يُسوّي كلّ البكسلات في متجهٍ واحدٍ مكوّنٍ من 784 وِحدة. ويمكنك قراءة المزيد على الموقع الرسمي للمكتبة TensorFlow، والاطلاع على الأوراق البحثية التي تُفصِّل أدق النتائج على موقع MNIST. والآن بعد أن تعرفنا على كيفية بناء شبكةٍ عصبيةٍ وتدريبها، يمكنك تجربة هذا التطبيق واستخدامه على بياناتك الخاصة، أو اختبارها على مجموعات بياناتٍ شائعةٍ مختلفةٍ عن تلك التي استخدمناها مثل: مجموعة البيانات من غوغل أو مجموعة البيانات من CIFAR-10، وذلك للتعرف على صورٍ أكثر عموميةٍ وشموليةٍ. ترجمة -وبتصرف- للفصل How To Build a Neural Network to Recognize Handwritten Digits with TensorFlow من كتاب Python Machine Learning Projects لكاتبته Ellie Birbeck يُمكن تنزيل الكود كاملًا من Recognize-Handwritten-Numbers-MNIST-master. اقرأ أيضًا إعداد شبكة عصبية صنعية وتدريبها للتعرف على الوجوه النسخة الكاملة من كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة النسخة العربية الكاملة من كتاب البرمجة بلغة بايثون

سننفذ في هذا المقال خوارزميةً بسيطةً لتعلم الآلة بلغة بايثون Python باستخدام مكتبة Scikit-learn، وهذه المكتبة ما هي إلا أداةٌ لتطبيق تعلّم الآلة بلغة البايثون، كما سنستخدم المُصنّف Naive Bayes (NB) مع قاعدة بياناتٍ حقيقية لمعلومات ورم سرطان الثدي، والذي سيتنبأ إذا ما كان الورم خبيثًا أم حميدًا. وفي نهاية هذا المقال ستعرف خطوات وكيفية إنشاء نموذج تنبؤي خاص بك لتَعَلّم الآلة بلغة بايثون. المتطلبات الرئيسية قبل البدء بهذا المقال لا بد من تجهيز البيئة المناسبة، وسنستخدم محرر الشيفرات البرمجية Jupyter Notebooks، وهو مفيد جدًا لتجربة وتشغيل الأمثلة الخاصة بتَعَلّم الآلة بطريقةٍ تفاعليةٍ، حيث تستطيع من خلاله تشغيل كتلًا صغيرةً من الشيفرات البرمجية ورؤية النتائج بسرعة، مما سيسهل علينا اختبار الشيفرات البرمجية وتصحيحها. يُمكنك فتح متصفح الويب والذهاب لموقع المحرر الرسمي jupyter على الوِيب لبدء العمل بسرعة، ومن ثمّ انقر فوق "جرّب المحرر التقليدي Try Classic Notebook"، وستنتقل بعدها لملفٍ جديدٍ بداخل محرر Jupyter Notebooks التفاعلي، وبذلك تجهّز نفسك لكتابة الشيفرة البرمجية بلغة البايثون. إذا رغبت بمزيدٍ من المعلومات حول محرر الشيفرات البرمجية Jupyter Notebooks وكيفيّة إعداد بيئته الخاصة لكتابة شيفرة بايثون، فيمكنك الاطلاع على: كيفية تهيئة تطبيق المفكرة jupyter notebook للعمل مع لغة البرمجة python. 1. إعداد المشروع ستحتاج أولًا لتثبيت بعض التبعيات، وذلك لإنشاء مساحة عملٍ للاحتفاظ بملفاتنا قبل أن نتمكن من تطوير برنامج التعرف على الصور، وسنستخدم بيئة بايثون 3.8 الافتراضية لإدارة التبعيات الخاصة بمشروعنا. سَنُنشئ مجلدًا جديدًا خاصًا بمشروعنا وسندخل إليه هكذا: mkdir cancer-demo cd cancer-demo سننفذّ الأمر التالي لإعداد البيئة الافتراضية: python -m venv cancer-demo سننفذّ الأمر التالي لتشغيل البيئة الافتراضية في Linux: source cancer-demo/bin/activate أما في Windows: "cancer-demo/Scripts/activate.bat" سنستخدم إصداراتٍ محددةٍ من هذه المكتبات، من خلال إنشاء ملف requirements.txt في مجلد المشروع، وسيُحدِّد هذا الملف المتطلبات والإصدارات التي سنحتاج إليها. سنفتح الملف requirements.txt في محرر النصوص، وسنُضيف الأسطر البرمجية التالية، وذلك لتحديد المكتبات التي نريدها وإصداراتها: jupyter==1.0.0 scikit-learn==1.0 سنحفظ التغييرات التي طرأت على الملف وسنخرج من محرر النصوص، ثم سنُثَبت هذه المكتبات بالأمر التالي: (cancer-demo) $ pip install -r requirements.txt بعد تثبيتنا لهذه التبعيات، سنُصبح جاهزين لبدء العمل على مشروعنا. شغّل محرر الشيفرات البرمجية Jupyter Notebook بمجرد اكتمال عملية التثبيت. هكذا: (cancer-demo) $ jupyter notebook أنشئ ملفًا جديدًا في داخل المحرر بالضغط على الزر new واختيار python 3 (ipykernal)‎ وسمه باسم ML Tutorial مثلًا، حيث ستكون في الخلية الأولى للملف عملية استيراد الوِحدة (أو المكتبة) البرمجية scikit-learn (لمزيد من المعلومات حول طريقة استيراد وحدة برمجية في لغة بايثون يمكنك الاطلاع على كيفية استيراد الوحدات في بايثون 3 سبق وأن ناقشنا فيه هذه الفكرة بالتفصيل): import sklearn يجب أن يبدو الملف الخاص بك شبيهًا بالملف التالي: والآن بعد استيرادنا للمكتبة بنجاح، سنبدأ العمل مع مجموعة البيانات لبناء نموذج تعلّم الآلة الخاص بنا. 2. استيراد مجموعة بيانات Scikit-Learn’s مجموعة البيانات التي سنتعامل معها في هذا المقال هي قاعدة بيانات الخاصة بتشخيص مرض سرطان الثدي في ولاية ويسكونسن الأمريكية. تتضمن هذه المجموعة من البيانات معلوماتٍ مختلفةٍ حول أورام سرطان الثدي، بالإضافة إلى تصنيفات الأورام سواءً كانت خبيثةً أم حميدةً. كما تحتوي على 569 حالة (أو للدقة بيانات 569 ورمًا)، كما تتضمن معلومات عن 30 ميزة لكلّ ورم، مثل: نصف قطر الورم ونسيجه ونعومته ومساحته. سنبني نموذجًا لتعلّم الآلة من مجموعة البيانات السابقة باستخدام معلومات الورم فقط للتنبؤ فيما إذا كان الورم خبيثًا أم حميدًا. يُثَبت مع مكتبة Scikit-learn مجموعات بياناتٍ مختلفةٍ افتراضيًا، ويُمكننا استيرادها لتُصبح متاحةً للاستخدام في بيئتنا مباشرةً، لنفعل ذلك: from sklearn.datasets import load_breast_cancer # Load dataset data = load_breast_cancer() سيُمثَل المتغير data ككائنٍ في البايثون، والذي سيعمل مثل عمل القاموس الذي هو نوعٌ مُضمَّنٌ في بايثون، بحيث يربط مفاتيحًا بقيمٍ على هيئة أزواجٍ، وستُؤخذ بالحسبان مفاتيح القاموس، وهي أسماء الحقول المُصنّفة target_names، والقيم الفعلية لها target، وأسماء الميّزات feature_names، والقيم الفعلية لهذه الميزات data. تُعَد الميّزات جزءًا مهمًا من أي مصنّف، إذ تُمثّل هذه الميزات خصائص مهمةً تصف طبيعة البيانات، كما ستساعدنا في عملية التنبؤ بحالة الورم (ورم الخبيث malignant tumor أو ورم حميد benign tumor)، ومن الميّزات المُفيدة المحتملة في مجموعة بياناتنا هذه، هي حجم الورم ونصف قطره ونسيجه. أنشئ في الملف نفسه بعد ذلك متغيرات جديدةً لكلّ مجموعةٍ مهمةٍ من هذه المعلومات وأسند لها البيانات: # تنظيم بياناتنا label_names = data['target_names'] labels = data['target'] feature_names = data['feature_names'] features = data['data'] والآن أصبحت لدينا قوائم لكلّ مجموعةٍ من المعلومات، ولفَهم مجموعة البيانات الخاصة بنا فهمًا صحيحًا ودقيقًا، سنُلقي نظرةً عليها من خلال طباعة حقول الصنف مثل طباعة أول عينةٍ من البيانات، وأسماء ميّزاتها، وقيمها هكذا: # الاطلاع على بياناتنا print(label_names) print(labels[0]) print(feature_names[0]) print(features[0]) إن نفذّت هذه الشيفرة بطريقةٍ صحيحةٍ فسترى النتائج التالية: نُلاحظ من الصورة أن أسماء الأصناف الخاصة بنا ستكون خبيث malignant وحميد benign (أي أن الورم سيكون إما خبيثًا أو حميدًا)، والمرتبطة بقيم ثنائية وهي إما 0 أو 1، إذ يُمثّل الرقم 0 أورامًا خبيثة ويُمثّل الرقم 1 أورامًا حميدة، لذا فإن أول مثالٍ للبيانات الموجودة لدينا هو ورمٌ خبيثٌ نصف قطره 1.79900000e+01. والآن بعد تأكدنا من تحميل بياناتنا تحميلًا صحيحًا في بيئة التنفيذ، سنبدأ العمل مع بياناتنا لبناء مصنّف باستخدام طُرق تعلّم الآلة. دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن 3. تنظيم البيانات في مجموعات ينبغي عليك دائمًا اختبار النموذج على البيانات غير المرئية، وذلك لتقييم مدى جودة أداء المُصنّف، لهذا قسّم البيانات الخاصة بك إلى جزئين قبل بناء النموذج، بحيث تكون هناك مجموعةٌ للتدريب ومجموعةٌ للاختبار. تستطيع استخدام المجموعة المخصصة للتدريب من أجل تدريب وتقييم النموذج أثناء مرحلة التطوير. حيث ستمنحك منهجية تنبؤات هذا النموذج المُدرّب على المجموعة المخصصة للاختبار غير المرئية، فكرةً دقيقةً عن أداء النموذج وقوته. لحسن الحظ، لدى المكتبة Scikit-learn دالة تُدعى train_test_split()‎، والتي ستقسمُ بياناتك لهذه المجموعات. ولكن يجب أن تستورد هذه الدالة أولًا ومن ثَمّ تستخدمها لتقسيم البيانات: from sklearn.model_selection import train_test_split # تقسيم بياناتنا train, test, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=42) ستُقسّمُ هذه الدّالة البيانات بطريقةٍ عشوائيةٍ باستخدام الوسيط test_size. في مثالنا لدينا الآن مجموعةً مخصصةً للاختبار test تُمثّل 33٪ من مجموعة البيانات الأصلية، وسيُشكّل الجزء المتبقي من البيانات المجموعة المخصصة للتدريب train. كما لدينا حقولٌ مخصصةٌ لكلٍ من المتغيرات، سواء أكانت مُخصّصةً للاختبار أو للتدريب، أي train_labels وtest_labels. لنُدرّب الآن نموذجنا الأول. 4. بناء النموذج وتقييمه هناك العديد من النماذج المُخَصصة لتعلّم الآلة، ولكلّ نموذجٍ منها نقاط قوةٍ وضعفٍ. في هذا المقال، سنُركّز على خوارزمية بسيطةٍ تؤدي عادةً أداءً جيدًا في مهام التصنيف الثنائية، وهي خوارزمية بايز Naive Bayes (NB). أولًا، سنستورد الوِحدة البرمجية GaussianNB ثم نُهَيّئ النموذج باستخدام الدالة GaussianNB()‎، بعدها سنُدرّب النموذج من خلال مُلاءمته مع البيانات باستخدام الدالة gnb.fit()‎: from sklearn.naive_bayes import GaussianNB # تهيئة المصنّف خاصتنا gnb = GaussianNB() # تدريب المصنّف model = gnb.fit(train, train_labels) بعد أن نُدّرب النموذج سنستخدمه للتنبؤ على المجموعة المخصصة للاختبار، وسننفذ ذلك من خلال الدّالة predict()‎، والتي ستُعيد مجموعةً من التنبؤات لكلّ نسخة بياناتٍ في المجموعة المخصصة للاختبار، ثم نطبع تنبؤاتنا لِفَهم ما حدده هذا النموذج. استخدِم الدالة predict()‎ مع مجموعة البيانات المخصصة للاختبار test واطبع النتائج: # بناء التوقعات preds = gnb.predict(test) print(preds) عند تنفيذك للشيفرة البرمجية تنفيذًا صحيحًا سترى النتائج التالية: فكما ترى، أعادت الدالة predict()‎ مصفوفةً ثُنائية القيم إما 0 أو 1، حيث تُمثل القيم المتوقعة لصنف الورم (خبيث أم حميد). والآن بعد أن حصلنا على توقعاتنا، لِنُقيِّم مدى جودة أداء هذا المُصنّف. 5. تقييم دقة النموذج نُقّيم دقة القيم المتوقَّعة لنموذجنا باستخدام مصفوفة التصنيفات الناتجة للأصناف الحقيقية التي لدينا، وذلك من خلال موازنة المصفوفتين test_labels وpreds باستخدام الدالة accuracy_score()‎ التابعة للمكتبة Scikit-learn، وذلك لتحديد دِقة المُصنّف. from sklearn.metrics import accuracy_score # تقييم الدقة print(accuracy_score(test_labels, preds)) سترى النتائج التالية: كما ترى في النتيجة، فإن المُصنّف NB دقيقٌ بنسبة 94.15٪. وهذا يعني أن المُصنِّف قادرٌ على التنبؤ الصحيح فيما إذا كان الورم خبيثًا أو حميدًا بنسبة 94.15٪ من الحالات الكُليّة. كما تُشير هذه النتائج إلى أن مجموعة الميّزات المُكونة من 30 ميزة هي مؤشراتٍ جيدةٍ لصنف الورم. بهذا تكون قد نجحت في إنشاء مصنِّفك الأول الذي يعتمد في عمله على طرق تعلّم الآلة، والآن لنعد تنظيم الشيفرة البرمجية بوضع جميع عمليات الاستيراد في أعلى الملف، إذ يجب أن تبدو النسخة النهائية من الشيفرة البرمجية خاصتك شبيةً بهذه الشيفرة: from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score # تحميل البيانات data = load_breast_cancer() # تنظيم البيانات label_names = data['target_names'] labels = data['target'] feature_names = data['feature_names'] features = data['data'] # الاطلاع على البيانات print(label_names) print('Class label = ', labels[0]) print(feature_names) print(features[0]) # تقسيم البيانات train, test, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=42) # تهيئة المصنّف gnb = GaussianNB() # تدريب المصنّف model = gnb.fit(train, train_labels) # بناء التوقعات preds = gnb.predict(test) print(preds) # تقييم الدقة print(accuracy_score(test_labels, preds)) والآن بإمكانك إكمال العمل على الشيفرة البرمجية، وتحسين عمل المُصنّف وتوسيعه، وكذا تجربة هذا المصنّف مع مجموعاتٍ فرعيةٍ مختلفةٍ من الميزات، أو حتى تجربة خوارزمياتٍ مختلفةٍ تمامًا. تستطيع الاطلاع على الموقع الرسمي لمكتبة Scikit-Learn لمزيدٍ من الأفكار حول تطبيق تعلّم الآلة مع البيانات لبناء شيءٍ مفيدٍ. الخلاصة لقد تعلمنا في هذا المقال كيفية إنشاء مُصنّف بالاعتماد على تعلّم الآلة بلغة بايثون باستخدام المكتبة Scikit-learn، والآن بإمكانك تحميل البيانات في بيئةٍ برمجيةٍ وتنظيمها وتدريبها، وكذا التنبؤ بأشياء بناءً عليها، وتقييم دِقّة المُصنّفات الناتجة. نتمنى أن تُساعدك هذه الخطوات في تسهيل طريقة العمل مع بياناتك الخاصة بلغة بايثون. ترجمة -وبتصرف- للفصل How To Build a Machine Learning Classifier in Python with Scikit-learn من كتاب Python Machine Learning Projects لكاتبه Michelle Morales. اقرأ أيضًا النسخة الكاملة لكتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة المرجع الشامل إلى تعلم لغة بايثون المفاهيم الأساسية لتعلم الآلة بناء شبكة عصبية للتعرف على الأرقام المكتوبة بخط اليد باستخدام مكتبة TensorFlow

لقد ازدهرت في بداية القرن العشرين مهنة مميزة ليست كسائر المهن الأخرى، حيث لا تتطلب شهادات عليا ولا خبرات مهنية صعبة، ومع ذلك تدر لأصحابها مبالغ مالية تكفيهم لعيش حياة كريمة وسطية، وفي بعض الأحيان حياة مرفهة. وقد كانت العبارة الّتي اشتهر بها أصحاب هذه المهنة هي: "مساء الخير .. أنا ( … ) من شركة (…) للتجارة، هل يمكنني أن آخذ 5 دقائق من وقتك؟" إذا سبق وسمعت بهذه العبارة من قبل، فأنت تعلم تمامًا عن أي مهنة نتحدث؛ إنها مهنة مندوب المبيعات. انتشرت هذه المهنة انتشار كبيرًا بين الناس وخصيصًا بين طلاب الجامعات حديثي التخرج وسرعان ما أصبحت هذه المهنة مهنة من لا مهنة له، وعمومًا يمكننا تلخيص الهدف الرئيسي لمهنة مندوب المبيعات بجملة واحدة فقط وهي: البيع بأي طريقة، سواء بالاقناع المستهلك أو بالضغط والإلحاح عليه المهم أن تبيع، بطرق مشروعة أو بالتلاعب والكذب المهم أن تبيع، وأن تعود في نهاية اليوم إلى الشركة فارغ اليدين بانتظار اليوم التالي لتبدأ دورة بيع جديدة وتحقق نسبة المبيعات جيدة تمكنك من عيش حياة كريمة ومرفهة. إلا أن المهمة لم تكن سهلة أبدًا، وسرعان ما اكتشف هؤلاء المناديب أن محاولاتهم في إقناع المستهلكين بضرورة شراء منتجهم تزداد صعوبة بمرور الوقت؛ فالمستهلك يزداد ذكاءً ويشارك خبراته مع الآخرين، كما أن لديه حياة خاصة مزدحمة جدًا بالأعمال والواجبات، وغالبًا ما يُعطى المندوب وقتًا محدودًا جدًا للحديث وإقناع المستهلك، وإن لم يستطع هذا المندوب اكتشاف شخصية المستهلك وتحديد نقاط ضعفه للدخول إلى عقله من خلالها فستكون مهمته شبه مستحيلة. عندما أدرك المناديب صعوبة هذه المهمة، وأن الطرق المباشرة في البيع لم تعد تنجح مثلما كانت في السابق، وأن الضغط على المستهلكين لشراء منتج معين لن يفيدهم أبدًا بل أصبح يضر بسمعتهم وبسمعة الشركة أيضًا، وهنا كان لا بدّ لهم من البحث عن طرق غير مباشرة للدخول إلى عقل المستهلك والتلاعب به ليصبح هذا المستهلك الأبن البار بالشركة، والذي يطمح دائمًا لإرضاء أصحاب الشركة ويخشى من غضبهم عليه، حتى وإن قصروا في حقه وحرموه من بعض الأغراض والملحقات الأساسية لمنتج ما، مثل حرمانه من شاحن الهاتف الجديد الذي يأتي عادةً في علبة الهاتف الجديد فهذا لن يغضبه أبدًا لأن مستهلكًا بهكذا مواصفات يتميز بعقله الكبير الّذي يستوعب به جشع أصحاب الشركة وطمعهم في تحصيل أكبر قدر من أمواله الشخصية لبناء ثرواتهم، فيغفر لهم عندما يقصرون في حقه لأنه في نهاية المطاف المال لا يجلب السعادة؛ لأن السعادة الحقيقية -من وجهة نظرهم- تأتي مع شعار الشركة ومنتجاتها فقط. إلا أن مهمة الدخول إلى عقل المستهلك ليست مهمةً سهلةً أبدًا، ولن تنفعنا الطرق التقليدية للدخول لعقله كاستئذانه بحفر جمجمته والدخول لعقله مثلما يفعل الأطباء لذلك توجب علينا البحث عن طرق بديلة أكثر خفة وإبداعية للدخول إلى عقله، وكان من بين هذه الطرق هي دراسة سلوكه الشخصي فمن خلال علم النفس سنتمكن من معرفة كيف يتصرف المستهلك عندما يكون لوحده، ومن خلال علم الاجتماع سنتمكن من معرفة كيف يتصرف عندما يكون محاط بمجموعة من الناس، وبدمج هذين المجالين مع علم الاقتصاد سنتمكن من تحقيق المعادلة الرابحة للشركات، وهي الّتي ستمكننا أخيرًا من الدخول إلى عقل المستهلك ومن دون استئذانه. لم يتوقع المراقبين الأوائل لحياة المستهلك وتصرفاته وعاداته في الشراء بأن يكون المستهلك بهذه العشوائية والّلا منطقية في قراراته. كانت هذه النتائج صادمة للجميع لأن العُرف السائد للاقتصاديين آنذاك بأن المستهلك لا يتخذ قراراته إلى بناءً على تحليل منطقي ورشيد يستدل به ليتخذ قرارًا عقلانيًا يؤهله للحصول على أكبر منفعة؛ أي أن نظرتهم آنذاك تتلخص في أن الطريق الوحيد للدخول إلى قلب المستهلك هي عن طريق عقله. رسمت هذه الصدمة بداية لحقبة جديدة من الزمن حقبة لا تركز فقط على عقل المستهلك وإنما تركز على دراسة سلوكه كإنسان أولًا وكمستهلك ثانيًا لنتمكن بذلك من الاقتراب أكثر من قلبه ومعرفة الطرق الّتي تؤثر فيه. يعيش الإنسان في بيئة يؤثر فيها ويتأثر بها وعليه أن يتكيف مع هذه البيئة لكونها تؤثر فيه فتصدر عنه أنواع مختلفة من الأنشطة من أجل إشباع حاجاته وتحقيق أهدافه ولعل دراسة السلوك الإنساني من أهم الدراسات الّتي تمكننا من فهم وتحليل وتفسير كلّ هذه السلوكات، إذ يعرف السلوك الإنساني على أنه سلسلة متعاقبة من الأفعال وردود الأفعال الّتي تصدر عن الإنسان في محاولاته المستمرة لتحقيق أهدافه وإشباع رغباته المتطورة والمتغيرة. تجدر الإشارة إلى أن سلوك المستهلك ما هو إلا جزء من السلوك الإنساني لذلك سنتطرق في العديد من الفصول القادمة لدراسة السلوك الإنساني ومراقبته عن كثب. أساسيات حول سلوك المستهلك في البداية لا بدّ لنا من تفكيك هذا المفهوم إلى أجزائه الرئيسية في عبارة سلوك المستهلك (Consumer Behavior) تضم مصطلحين وهما: السلوك Behavior: وهو ذلك التصرف الّذي يبرزه شخص ما نتيجة تعرضه إما لمنبه داخلي أو خارجي. المستهلك Consumer: وهو كل فرد يستعمل سلعة أو خدمة ما، ومن وجهة نظر تسويقية يشكل المستهلك المحرك الأساسي لكل ما تنتجه الشركات أو توزعه. وتستخدم كلمة مستهلك عادة لوصف نوعين من المستهلكين وهما: المستهلك النهائي End User: ويشار إليه أحيانًا بالمستهلك الفردي، وهو الّذي يشتري سلعة أو خدمة للاستعمال الشخصي أو لكي يستعمله أحدٌ من أفراد أسرته. المستهلك الصناعي Industrial Consumer: ويشار إليه أحيانًا بالمستهلك التابع لمنظمة سواء حكومية أو خاصة، وهو الفرد المسؤول داخل منظمة ما لشراء مواد خام أو معدات بهدف إدارة المنظمة. تعددت التعاريف الّتي توضح ماهية سلوك المستهلك فمنها من يعرفه على أنه ذلك التصرف الّذي يبرزه المستهلك في البحث عن شراء أو استخدام المنتجات أو الأفكار أو الخبرات الّتي يتوقع أنها ستشبع رغباته وتلبي حاجاته وهذا حسب إمكانياته الشرائية المتاحة. ومنها من يعرفه على أنه العملية المرتبطة بهَمِّ فرد أو جماعة من الأفراد باختيار خدمة أو منتج وشرائه واستخدامه والتخص منه بما يتضمنه من عمليات اتخاذ القرارات السابقة واللاحقة لأي تصرف من هذه التصرفات. فسلوك المستهلك من هذا المنظور هو تلك العملية الصادرة عن الفرد الّذي يستهلك المنتج إما بهدف إشباع رغباته أو لتلبية حاجاته الّتي تنشأ نتيجة لتنبيه ما. سلوك المستهلك من منظور شمولي في بداية الدراسات الخاصة بسلوك المستهلك كان الاعتقاد السائد في أوساط الباحثين بأن سلوك المستهلك يتمحور بالتفاعل الّذي يحدث بين البائع والمستهلك لحظة الشراء وإتمام الصفقة، ولكن تبين لاحقًا بأن هذه النظرة ضيقة جدًا ولا تغطي كلّ المفاهيم الّتي تتعلق بسلوك المستهلك لذلك ظهرت النظرة الأوسع لسلوك المستهلك لتصبح على ثلاث مراحل: قبل الشراء Pre-purchase issues. أثناء الشراء Purchase issues. بعد الشراء Post-purchase issues. تختلف نظرتنا للأمور باختلاف أدوارنا في دورة سلوك المستهلك في شراء منتج ما، فالمستهلكين يحاولون البحث عن إجابة لبعض الأسئلة مثل: ماذا نشتري؟ وكيف نشتري؟ ولماذا نشتري؟ وما هي المؤثرات الّتي تؤثر على سلوكنا وتؤدي لاقتناعنا واختيارنا للمنتجات؟ وما هي المشاعر الّتي تعترينا بعد استهلاك المنتج؟ بينما يركز المسوقون على فهم أنواع السلوك وما هي العوامل المؤثرة عليه، ولماذا يتخذ المستهلك القرار بالشراء؟ وكيف يتخذه؟ وذلك للوقوف على التفاصيل الّتي تؤدي إلى إشباع رغبات المستهلكين والبحث عن الفرص والتخطيط لتنفيذها لانتهازها وحيازة مكانة في السوق، ومعالجة التهديدات الّتي يمكن أن تتعرض لها العلامة التجارية، والاختيار الصحيح للأسواق وللاستراتيجيات التسويقية الملائمة لكلّ مجموعة من المستهلكين، وتطبيقها بالطريقة الصحيحة والملائمة لاقناع المستهلكين المرتقبين والحاليين بضرورة الشراء أو معاودته. أنواع سلوك المستهلك يتفرع سلوك المستهلك إلى عدة أنواع وذلك بحسب شكل وطبيعة وحداثة وعدد تكرار السلوك: حسب شكل السلوك: وينقسم إلى قسمين: السلوك الظاهر: يضم التصرفات والأفعال الظاهرة الّتي يمكن ملاحظتها من الخارج مثل الشراء. السلوك الباطن: يتمثل في التفكير والتأمل والإدراك والتصور وغيره. حسب طبيعة السلوك: وينقسم إلى: السلوك الفطري: هو السلوك الّذي غالبًا ما يصاحب الإنسان منذ ولادته دون تدخل عامل التعليم. السلوك المكتسب: هو السلوك الّذي يتعلمه الفرد بوسائل التعلم المختلفة. حسب حداثة السلوك: وينقسم إلى قسمين: السلوك المستحدث: هو السلوك الناتج عن حالة جديدة أو مستحدثة باعتباره يحدث لأول مرة. السلوك المكرر: هو السلوك المعاد دون تغيير أو بتغيير طفيف لما سبق من تصرفات أو أفعال. حسب العدد: وينقسم إلى قسمين: السلوك الفردي: وهو السلوك الّذي يتعلق بالفرد في حد ذاته. السلوك الجماعي: وهو السلوك الّذي يخص مجموعة من الأفراد، فهو يمثل علاقة الفرد بغيره من الأفراد كأفراد الجماعة الّتي ينتمي إليها مثلًا. إن دراسة سلوك المستهلك ليس بالعمل الهين إذ تتعدد النظريات الّتي تحاول تفسير السلوك الإنساني والاستهلاكي وهذا ما أدى إلى صعوبة في إيجاد نمط واحد مقبول لتفسير سلوك الإنسان ومن أهم العوامل الّتي أدت إلى تطور علم سلوك المستهلك عبر الزمن. تطور علم سلوك المستهلك عبر الزمن توجد العديد من الأسباب الّتي كانت وراء تطور حقل سلوك المستهلك كحقل تسويقي متكامل إذ لاحظ علماء التسويق إلى أن بعضًا من ممارساتهم العملية لا تتفق مع الكثير من المفاهيم الإقتصادية. وبدأ باحثون في علم التسويق في دراسة السلوك الشرائي للمستهلك بقصد الوصول إلى تقسيم شراء المستهلكين ديموغرافيًا أو نفسيًا فعكف ذوو التوجه السلوكي منهم على تطوير استراتيجيات تجزئة السوق إلى قطاعات يضم كلّ قطاع فئة معينة من مستهلكين يشتركون في الأذواق، ولهم نفس الحاجات والرغبات. وهنالك مجموعة من العوامل الّتي ساهمت في تطوير علم سلوك المستهلك أهمها: 1. قصر دورة حياة السلعة دفع التقدم التكنولوجي المنتجين إلى تقديم العديد من المجموعات السلعية الّتي غالبًا ما تكون إما معدلة أو محسنة والقليل منها جديد يُطرح لأول مرة. غير أن معظم المنتجات المطروحة في الأسواق يعتريها الفشل في المراحل الأولى من تقديمها، ويرجع السبب في ذلك إلى التقصير في دراسة حاجات ورغبات المستهلكين، وبالتالي طرح منتجات لا تتماشى مع أذواق المستهلكين مما يؤدي إلى فشلها وانتهاء حياتها بصورة سريعة. 2. الاهتمامات البيئية أدى الاهتمام المتزايد بالقضايا البيئة وتلوثها ومصادر النقص المتزايدة في الطاقة والمواد الخام بالمنتجين و المسوقين وصانعي القرار إلى إدراك بعض الآثار السلبية المدمرة للبيئة الّتي تصدر عند إنتاج بعض المنتجات مثل المنظفات الكيماوية، وكشفت الأبحاث الّتي أُنجزت حول سلوك المستهلك العديد من التجاوزات والممارسات المضرة بحياته مما أدى إلى الاهتمام أكثر بإجراء دراسات وأبحاث حول كلّ ما يهم المستهلك وما يضره في حياته الحالية والمستقبلية. 3. الاهتمام المتزايد بحركات حماية المستهلك أدى ظهور حركات حماية المستهلك في العالم إلى وجود حاجة ملحة لفهم كيف يتخذ المستهلكون قراراتهم الشرائية بالإضافة إلى تحديد كافة العوامل الّتي تؤثر في اتخاذ قراراتهم بهدف تلبية حاجاتهم وحمايتهم. 4. الاهتمام المتزايد من الحكومات بدأت بعض الأجهزة الحكومية المركزية وخاصة الوزارات الأكثر التصاقًا بمصالح المستهلكين الاهتمام أكثر فأكثر بالمستهلك نظرًا ليقينها من محورية الدور الفعال في تحريك عجلة التجارة المحلية لذلك ركزت على التعامل بصرامة مع طريقة تصريف مخلفات المنتجات وسحب المنتجات الّتي تهدد حياة المستهلك مثل المنتجات المقلدة أو تلك الّتي لا تتوافق مع المعايير الدولية. 5. تزايد عدد الخدمات وتنوعها أدى تزايد عدد الخدمات وتنوعها إلى تحول معظم دول العالم وخاصة النامية منها إلى اقتصاد السوق إذ أصبح من الواضح أن لدى مقدمي الخدمات والسلع الكثير من المشاكل والأمور الّتي يجب التعامل معها بموضوعية وذلك من خلال إجراء جملة من الدراسات حول المستهلك والّتي تساهم في حل هذه المشاكل. 6. الحاجة المتزايدة لدخول أسواق أجنبية تدرك معظم الشركات في وقتنا الحالي أهمية الدخول إلى الأسواق الخارجية إلا أن غياب المعلومات الكافية عن المستهلكين يحول يصعب الأمر على الشركات لأنه في نهاية المطاف المستهلك هو الأساس في أي دورة التجارة كما أن المعرفة العميقة لسلوك المستهلكين المستهدفين في هذه الأسواق يساعد الشركات على الدخول فيها وهي واثقة بأن لها حصة سوقية تستحق المخاطرة. أهمية دراسة سلوك المستهلك تفيد دراسة سلوك المستهلك العديد من الأفراد والشركات بدءًا من المستهلك الفرد إلى الأسرة كوحدة استهلاك إلى الشركات التجارية والمشاريع الناشئة وانتهاءً بالمسوقين، سنناقش في البداية أهمية هذا المجال بالنسبة للمستهلك ومن ثمّ للأسرة ومن ثمّ للشركات التجارية ومن ثم للمسوّقين. 1. أهمية دراسة سلوك المستهلك بالنسبة للمستهلك تفيد دراسات سلوك المستهلك في التعرف على كافة المعلومات والبيانات الّتي تساعد المستهلك في الاختيار الأمثل للمنتج بحسب إمكانياته الشرائية، وتفيده أيضًا بمعرفة توفر المنتجات الّتي يرغب بها المستهلك وبالمواصفات المرجوة. بالإضافة إلى أنها تمكنه من فهم ما يتخذه يوميًا من قرارات شرائية، وتساعده على معرفة الإجابة عن الأسئلة المعتادة مثل: ماذا أشتري؟ ولماذا أشتري؟ وكيف أشتري؟ 2. أهمية دراسة سلوك المستهلك بالنسبة للأسرة تختلف عملية اتخاذ قرار شراء في الأسرة عن الفرد إذ يكون القرار لفرد مهم مثل الأب أو الأم وعلى هؤلاء تقع مسؤولية اتخاذ القرار المناسب، والّذي يستفيد منه معظم أفراد الأسرة إذ يمكن أن لهؤلاء المؤثرين في الأسرة إجراء كافة التحليلات اللازمة لنقاط القوة أو الضعف لمختلف البدائل السلعية أو الخدمية المتاحة، واختيار البديل أو العلامة التجارية الأنسب والتي تحقق أكبر إشباع ممكن للحاجة الأسرة كما تفيد بعض الدراسات سلوك المستهلك في تحديد مواعيد الشراء الأفضل للأسرة، وأماكن التسوق الأكثر جاذبية بحسب الطبقة الاجتماعية للمستهلك. 3. أهمية دراسة سلوك المستهلك بالنسبة للشركات التجارية لدراسة المستهلك أهمية كبيرة بالنسبة للشركات إذ لا يمكنها الاستغناء عن هذه الدراسة ونلخص هذه الأهمية فيما يلي: تمكن الشركات من فهم العوامل أو المؤثرات الشخصية والخارجية الّتي تؤثر على تصرفات المستهلكين. تسمح للشركات بمعرفة المشترين الحاليين والمحتملين والبحث عن كيفية التأثير عليهم وحملهم على التصرف بطريقة تتماشى مع أهداف الشركة. تمكن الشركات باختلاف أنواعها بالاعتماد على نتائج دراسات سلوك المستهلك عند التخطيط لما يجب إنتاجه كمًا ونوعًا وبما يرضي ويشبع حاجات ورغبات المستهلكين وفق إمكاناتهم وأذواقهم. تساعد في تحديد المزيج التسويقي المناسب. 4. أهمية دراسة سلوك المستهلك بالنسبة للمسوقين تفيد دراسة سلوك المستهلك رجال المبيعات في الشركات التسويقية بالعديد من الأبعاد الاستراتيجية ومن هذه الأبعاد: تحديد وتعريف السوق المناسب للمنتج أو الخدمة وأي البلدان المناسبة لها على أساس العادات والثقافة الاستهلاكية المتمثلة في سلوك المستهلكين العام. تحديد كيفية التموضع في السوق وذلك من خلال فهم كيفية تجزئة الأسواق المعروفة وذلك بهدف تحديد خصائص ومواصفات المستهلكين في كلّ سوق فرعية. التعرف على أذواق المستهلكين في كل سوق فرعية بالإضافة إلى تحديد الميزات التنافسية الواجب اتباعها في إدارة العلامة التجارية للمنتج المعروض انسجامًا مع تنامي الأذواق المقترنة بسلوك استهلاكي جديد.‍ تقسيم المستهلكين إلى شرائح متجانسة بما يساعد على رفع كفاءة النشاط التسويقي للشركة بما يتلاءم مع خصائص مستهلكيها. إمكانية تحديد حجم الأسواق الّتي تنشط فيها الشركة. توفير رؤية واضحة للشركة لماهية للأسباب الّتي تدفع المستهلكين للشراء وكيف يشترون وماذا يشترون وأين يشترون. المساهمة في تحديد طرق الترويج الممكنة بما في ذلك اختيار الوسائل وإعداد الحملات الترويجية وتمثل الشريحة التسويقية من المستهلكين مصدر تحديد وسيلة الإعلان المناسبة وتحديد فعالية الإستراتيجيات التسويقية. فتح مجالات جديدة والتأكد من أن تصميم المنتج يتناسب مع احتياجات ومنافع المستهلكين. تمكن الشركات من التغلغل بكفاءة في السوق وفهم متغيراته وأسلوب تفاعلها وأسلوب التعامل معها وتحسين أداء منافذ البيع بالتجزئة باعتبارها الحلقة الاخيرة في الاتصال بالمستهلك وعليه تحديد فرصة إتمام عملية البيع كما تمكن الشركة من الوقوف على أفضل المنافذ الممكنة لتوزيع منتجات المؤسسة. المساهمة في رسم سياسات بيعية جديدة وقوية وهذا يفيد التوزيع الديموغرافي للسكان في تقسيم وتحديد المناطق والحصص البيعية. الخاتمة تعرفنا في هذا المقال على ماهية سلوك المستهلك والنظرة الشمولية لعملية البيع وألقينا نظرة على الأنواع الرئيسية لسلوك المستهلك وفهمنا الأسباب الّتي أدت لتطور هذا العلم والأهمية الكبيرة لهذا المجال في تطوير التسويق لدى الشركات وختامًا إن علم دراسة سلوك المستهلك هو علم جديد نسبيًا ولا يزال يشهد العديد من التغيرات والإضافات المهمة من علوم أخرى مثل الاقتصاد السلوكي وعلم الديموغرافيا وخصائص السكان؛ كانت هذه مقدمة لنتعرف في المقال القادم على أهم العوامل المؤثرة على سلوك المستهلك. المصادر محمد ابراهيم عبيدات، "مبادئ التسويق: مدخل سلوكي". نصر كاسر المنصور، "سلوك المستهلك: مدخل الإعلان". Michael Solomon, "Consumer Behaviour A European Perspective"‎. اقرأ أيضًا العوامل النفسية المؤثرة على سلوك المستهلك العوامل الاجتماعية والثقافية المؤثرة على سلوك المستهلك فهم سلوك المستهلكين العوامل المؤثرة في سلوك المستهلكين

تعرفنا سابقًا على مفهوم قرار الشراء وأنواعه، ثم أكملنا بعده الحديث عن مراحل عملية الشراء التي تنقسم إلى ما قبل اتخاذ قرار الشراء والتي ناقشناها في المقال السابق وعند الإقدام على فعل الشراء والتي سنناقشها هنا في هذا المقال بالتفصيل. لنتذكر أولًا مراحل عملية الشراء التي تمر فيها وهي: التعرف على المشكلة Problem Recognition. البحث عن المعلومات Information Search. تقييم البدائل Evaluation of alternatives. فعل الشراء Product Choice. سلوك ما بعد الشراء Post-purchase Behavior. كما ذكرنا، تصنف النقاط الثلاث الأولى في مرحلة ما قبل الشراء والتي ناقشناها سابقًا بينما تصنف النقاط التالية لها ضمن مرحلة الإقدام على فعل الشراء والتي سنناقشها تاليًا. 1. قرار الشراء Product Choice تقود عملية تقييم البدائل إلى تكوين مجموعة من الأولويات وقبل اتخاذ القرار تظهر بعض العوامل الّتي تتدخل وتتوسط بين نوايا المستهلك واتخاذ القرار الفعلي مثل اتجاهات المستهلك نحو منتج ما أو بعض العلامات التجارية أو رأي الأسرة والأصدقاء، فوجود النية وحدها لا يؤدي بالضرورة لحدوث عملية الشراء الفعلي لذا من المهم أن يتكرر النشاط الإعلاني لتنشيط المبيعات، كما يجب تدريب رجال البيع أكثر وأكثر على التأثير على المستهلكين ودفعهم عبر مراحل اتخاذ القرار بسرعة أكبر. ولكن السؤال الوجيه هنا، هل فعلًا يُجري المستهلك حسابات ذهنية معقدة في كلّ مرة نتخذ فيها قرار الشراء؟ بالطبع لا! غالبًا ما يستخدم المستهلك قواعد الاستدلال لتبسيط القرارات من خلال استخدام بعض خصائص المنتجات. ويمكن أن تتراوح هذه القواعد من القواعد العامة جدًا (مثل المنتجات مرتفعة السعر هي المنتجات ذات الجودة العالية أو يشتري المستهلك نفس العلامة التجارية الّتي اشتراها في المرة السابقة أو يشتري نفس العلامة التجارية لمنتج معين الّذي تشتريه والدته دائمًا. الاستدلالات أو الاختصارات الذهنية يتمثل أحد الطرق المختصرة للاستدلال المستخدمة بشكل متكرر في الميل إلى استنتاج الأبعاد المخفية للمنتجات من السمات الّتي يمكن ملاحظتها. إذ يعمل جانب المنتج المرئي شكل المنتج أو طريقة تغليفة …إلخ كإشارة تنقل بعض الجودة الأساسية في عقل المستهلك. تشرح هذه الاستدلالات لماذا يبذل شخص ما يحاول بيع سيارة مستعملة جهدًا كبيرًا للتأكد من أن المظهر الخارجي للسيارة نظيف ولامع، لأن غالبية المشترون المحتملون يحكمون على الحالة الميكانيكية للسيارة من خلال مظهرها الخارجي، لذلك يقع الكثير من المستهلكين في هذا الفخ خصيصًا عند شرائهم لمنتجات مستعملة. هذه الاستدلالات تتطور لتصبح معتقدات السوق وتنتشر بين المستهلكين (مثل جهاز آيفون يتميز بحماية أكبر من الأجهزة المنافسة أو مثلًا الجهاز المُصنّع في ألمانيا أو اليابان يتميز بالجودة والمتانة العالية …إلخ). وأخيرًا يشتري المستهلك المنتج الّذي وقع الاختيار عليه نتيجة للخطوات السابقة. 2. سلوك ما بعد الشراء Post-purchase Behavior لا تنتهي عملية الشراء باتخاذ القرار وحسب، وإنما تمتد لما بعد الشراء لأنه في الواقع لا يتوقف المستهلك في التفكير بالسلعة الّتي اشتراها ومدى ملاءمتها لإشباع حاجاته فإذا شاهد إعلانات عن بدائل أفضل أو توافر السلعة في أماكن أخرى بأسعار أقل أو سمع انتقادًا من أفراد الأسرة أو أحد الأصدقاء بخصوص اختياره فسيشعر بعدم الرضا عن اختياره. رضا العميل Customer Satisfactions هي الحالة التي يشعر بها المستهلك بعد استخدام المنتج وتعكس مستوى التوافق بين الأداء الفعلي المدرك والأداء المتوقعّ، وفي هذا السياق لا بدّ أن نذكر نظرية عدم التثبت Disconfirmation Theory والّتي تحدد ثلاث حالات عندما يتصل الأمر بمطابقة التوقع مع الإدراك وهي على الشكل التالي: الأداء الفعلي يساوي الأداء المتوقع: وهي حالة التثبت وهنا ينتج لدينا حالة الرضا للمستهلك يمكن أن تؤدي مع الوقت لتشكيل اتجاهات إيجابية وتفضيلية نحو العلامة الّتي اختيرت وهذا الاحساس الإيجابي سيؤثر على المستهلك في الشراء التالي. الأداء الفعلي أفضل من المتوقع: وهي حالة تحدث عندما يتفوق المنتج على توقعات المستهلك مما يخلق حالة تجعل المستهلك أكثر من راضي وتسمى إبهاج المستهلك Customer Delight. الأداء الفعلي أدنى من الأداء المتوقع: تسمى هذه الحالة التثبيت السلبي وتسبب هذه الحالة خيبة أمل وعدم رضا المستهلك عن أداء المنتج ويمكن أن تدفع المستهلك لعدم الشراء في المرات القادمة. يترتب على شعور العميل بعدم الرضا عن المنتج أو العلامة التجارية أحد ردود الفعل التالية: عدم القيام بأي فعل No Response: وهم المستهلكين السلبيين الّذين لا يعلقوا على فشل المنتج في تلبية احتياجاتهم. الشكوى ضمن المتجر Voice Response: وهم المستهلكين المجاهرين الّذين لهم الفضل في تحسين المنتجات ويجب على الشركات الاعتناء الشديد بهم وتشجيعهم على إبداء آرائهم ومقترحاتهم حتى ولو تكلفت الشركات بتقديم الهدايا والخصومات لهم. الشكوى للأصدقاء Private Response: وهم المستهلكين الّذين لا يتحدثون إلى أصحاب المتجر وإنما ينشرون سلبيات المنتج بين أصدقائهم مما ينتج عن ذلك سمعة سلبية. الشكوى لطرف ثالث Third-party Response: وهم المستهلكين الّذين يمكن أن يتخذوا بعض الإجراءات القانونية. من الواضح أن الاستجابات المترتبة على عدم الرضا كاشكوى لطرف ثالث أو الشكوى باستخدام الاتصالات الشفهية أو الكلمة المنطوقة Online & Offline Word Of Mouth ويمكن أن تسبب ضررًا كبيرًا لسمعة الشركة وعلامتها التجارية لذلك يجب الحرص دومًا على الانتباه لردة فعل المستهلك عند تجربته للمنتج (سيكون لنا مقال مفصل حول كيفية التعامل مع العملاء الغاضبين). أما في الحالات الأفضل هو السعي لما بعد رضا المستهلك وهو ولاء المستهلك Customer Loyalty يهتم الباحثون والمسوقون بتحقيق مستويات عالية من رضا الزبائن بوصف الرضا عن العلامة التجارية المحدد الرئيسي لولاء الزبائن وبالتالي استمرار الربحية على المدى الطويل ويتمثل الولاء للعلامة التجارية بالتزام العميل بشراء العلامة ووجد اتجاهات تفضيلية قوية نحوها. عمومًا يمكن تقسيم السوق استنادً إلى درجة ولاء المستهلك للعلامة التجارية إلى أربع مجموعات من المشترين: الولاء القوي أو الأعمى Hard-Core Loyals: وهم المستهلكون الّذين يشترون علامة تجارية واحدة في كلّ الأوقات. الولاء المنقسم لعدة علامات Split Loyals: وهم المستهلكون الّذين يظهرون الولاء لعلامتين تجاريتين أو ثلاثة. الولاء المتحول Shifting Loyals: وهم المستهلكون الّذين يتحولون من تفضيل علامة تجارية معينة إلى أخرى. عديمي الولاء Switchers: وهم المستهلكون الّذين يتنقلون بين العلامات التجارية ولا يظهرون الولاء لأي علامة تجارية بل يشترون أي علامة تعرض عليهم. يعكف الكثير من أصحاب المتاجر والمسوقين على تتبع درجة ولاء المستهلكين للعلامة التجارية خاصتهم من خلال اعتماد مقاييس مثل معدل الاحتفاظ بالعملاء ومعدل التحول عن العلامة التجارية. الصراع المعرفي في مرحلة ما بعد الشراء يعرف الصراع أو التنافر المعرفي Cognitive Dissonance في علم النفس بأنه الشعور بالتوتر نتيجة وجود معلومات أو معتقدات أو أفكار متضاربة لدى الفرد، ويواجه المستهلك عادةً هذا الشعور بعد اتخاذه قرار الشراء، وخصيصًا في حالات عدم التأكد وارتفاع الشعور بالمخاطرة أيًا كان نوع هذه المخاطرة مالية أم اجتماعية أم نفسية أو حتى العدد الكبير للبدائل وصعوبة الموازنة بينها يمكن أن يسبب التنافر المعرفي، ويمكن تعريف هذه الحالة بعدم التوازن النفسي الناتج عن تلقي المستهلك لمعلومات متضاربة بعد اتخاذه لقرار الشراء، الأمر الّذي يدفعه إلى محاولة تخفيضه ويتبع المستهلك عدة طرق للتخفيف من حدة هذا التنافر وهي: البحث عن معلومات الّتي تدعم قراره، كثيرًا ما يميل المستهلك لمتابعة إعلان عن سلعة اشتراها فعلًا فيشعر بالرضا كلما تكرر عرض الإعلان لأنه يجد فيه تأكيدًا على حسن اختياره ويحاول تجنب المعلومات السلبية عن السلعة الّتي اشتراها. محاولة تكييف إدراكه للمعلومات بالشكل الّذي يدعم قراره والحكمة باتخاذه. العمل على تقليل قيمة البدائل الأخرى والانتقاص من مزاياها حتى وإن كان يخدع نفسه. النظر إلى الجانب الجيد في قراره الشرائي والتركيز على الجوانب الإيجابية وإهمال الجوانب السلبية. الاعتراف بأنه ارتكب خطأ، ولا سبيل لتصحيحه وسيتعلم المستهلك من هذا الخطأ في المرات القادمة. يحاول المسوقون عبر الوسائل الترويجية التأكيد للمستهلك على صحة قراره ويجدر بالذكر أن الإدارة الصحيحة لتوقعات المستهلك تقلل من الشعور بالتنافر عن طريق تقديم وعود واقعية في الإعلانات وعلى لسان المختصين في المجال الّذي يكون فيه المنتج وذلك لبناء توقعات واقعية لدى المستهلك وعدم حدوث فجوة بين القيمة المتوقعة والقيمة المدركة للمنتج، وعمومًا إن التواصل الدائم مع المستهلكين وطمأنتهم وإرشادهم ومساعدتهم على الاستخدام الأفضل للمنتج على التقليل من حدة هذا الصراع. فمثلًا تدعي العديد من المنتجات ذات السعرات الحرارية المنخفضة أن لديها كلّ المذاق ونصف السعرات الحرارية، مما يسمح للمستهلك بتجنب الاضطرار إلى الاختيار بين المذاق الأفضل والسعرات الحرارية الأقل. الخاتمة تعرفنا في هذا المقال على ما المرحلة التي تأتي بعد تقييم البدائل المتاحة، من خلال اتخاذ قرار الشراء، وما بعده من رضا المستهلك أو سخطه، وعمومًا إن هذه السرد المختصر لأبرز الحالات الّتي يمر بها المستهلكين ما هي إلا النقاط الرئيسية الّتي يمر بها المستهلك ويوجد العديد من الحالات التفصيلية الّتي سنناقشها في مقالات منفصلة لاحقًا، سنستعرض في المقال القادم دور العلامة التجارية وأهميتها في رفع سعر المنتجات والتوقعات أيضًا في عقل المستهلك.

تعرفنا في المقال السابق على مفهوم قرار الشراء وأنواعه وسنكمل الحديث في هذا المقال عن المراحل التي تمر بها عملية الشراء تحديدًا ما قبل اتخاذ قرار الشراء. تمر عملية اتخاذ القرار بمجموعة من المراحل نلخصها على الشكل التالي: التعرف على المشكلة Problem Recognition. البحث عن المعلومات Information Search. تقييم البدائل Evaluation of alternatives. فعل الشراء Product Choice. سلوك ما بعد الشراء Post-purchase Behavior. تصنف النقاط الثلاث الأولى في مرحلة ما قبل الشراء والتي سنناقشها في هذا المقال بينما تصنف النقاط التالية لها ضمن مرحلة الإقدام على فعل الشراء والتي سنناقشها بالتفصيل في المقال التالي. 1. ظهور المشكلة Problem Recognition يعد ظهور المشكلة أو الشعور بالحاجة نقطة الانطلاق لعملية قرار الشراء إذ ينشأ الشعور بالحاجة الّتي يمكن أن تكون بيولوجية داخلية كالجوع أو العطش، ويمكن أن تكون خارجية حفزها مؤثر خارجي لإثارة رغبة الشراء في الأشخاص عن طريق الإعلانات وما شابهها من طرق الترويج للمنتجات، ويمكن أن تكون أيضًا ناتجة عن عدم رضا المستهلك بالمنتج الحالي فيبادر بالبحث عن منتج بديل يغطي النقص الّذي يشعر به. تبدأ عملية اتخاذ القرار بالتعرف على المشكلة والّتي تظهر نتيجة وجود فرق بين الحالة الحالية أو الفعلية Existing or Actual State والحالة المرغوبة أو المثالية Desired or Ideal State، إذ يشعر المستهلك بحاجة معينة يرغب بإشباعها ويلعب المسوّق دوره في التأثير على هذه الحاجات ودفعها إلى حيز الوجود من خلال الإعلانات وجهود رجال المبيعات. وهنا نميز بين حالتين تدفعان المستهلك بالشعور بوجود حاجة غير مشبعة ليدرك أن لديه مشكلة: تغيير في الحالة الحالية Actual State. تغيير في الحالة المرغوبة Ideal State. يوضح الشكل التالي كيفية ظهور الحالتين. تغيير في الحالة الحالية: تحدث هذه الحالة عندما يطرأ تغييرات في الوضع الحالي وذلك بسبب مجموعة من الأسباب وهي على الشكل التالي: انخفاض المخزون من منتج معين، مثل وصول مؤشر الوقود في السيارة إلى الحد الأدنى وبالتالي لا بدّ من التزود بالوقود لإعادة السيارة إلى حالتها المعتادة. عدم الرضا عن المخزون الحالي من منتج معين، مثل أن يشعر المستهلك بأن ملابسه أصبحت مملة وقديمة ويرغب باستبدالها. نقص في موارد المستهلك يدفعه لتخفيض إنفاقه على السلع الكمالية وإعادة هيكلة ميزانيته. تغيير في الحالة المرغوبة: تحدث في هذه الحالة ظهور فكرة جديدة في الحياة التي يعدها مثالية، ويمكن أن تكون أسبابها ما يلي: ظهور حاجات جديدة: مثل ظهور حاجة إحدى العوائل لشراء مستلزمات وأثاث جديد تحضيرًا لقدوم مولود جديد إلى الأسرة. ظهور رغبات جديدة: مثل ظهور رغبة الفرد في الاستمرار في التحصيل العلمي بعد إكماله الثانوية أو شراء ملابس جديدة وكتب وغيرها، وتزداد الرغبات مع تقدم الفرد في العمر ومع ارتفاع سقف طموحاته في نفسه ويبدأ في اكتشاف شخصيته والبحث عن منتجات تتوافق معها أو تكملها. ظهور منتجات جديدة: مثل ظهور الغسالات الآلية في زمن سيطرة الغسالات العادية في الأسواق، والمنتجات الجديدة يمكن أن تدفع الفرد إلى شرائها ويكون هذا التغيير في الحالة المرغوبة الّتي يتصورها الفرد عن نفسه، وتتنوع مصادر المعرفة الّتي يرى فيها الفرد المنتجات الجديدة مثل التلفاز أو الإنترنت أو العائلة أو الأصدقاء …إلخ. الحاجة إلى منتج مكمل لمنتج حالي: ويحدث ذلك عندما يكون المنتج بحاجة لتجديد أو صيانة أو تطوير مثل تطوير الحاسب المكتبي أو الحاسب المحمول …إلخ. نلاحظ أنه في كلا الحالتين يوجد فجوة بين الحالة الفعلية والحالة المثالية ومهمة المسوق توضيح هذه الفجوة، وبنهاية مرحلة الشعور بالحاجة يدخل المستهلك في المرحلة التالية وهي البحث عن المعلومات. 2. البحث عن المعلومات Information Search بمجرد معرفة المستهلك بوجود مشكلة فإنه ينتقل إلى الخطوة التالية في عملية اتخاذ القرار وهي البحث عن المعلومات وهذا البحث يشمل جميع الأنشطة العقلية والجسدية الّتي ينفذها المستهلك للحصول على المعلومات عن المنتجات وخصائصها وأسعارها وأماكن توافرها وذلك لتسهيل عملية اتخاذ القرار وهذا البحث إما يكون داخليًا أو خارجيًا أو عن طريق الإنترنت. البحث الداخلي Internal Search: وهو عملية عقلية يسترجع فيها المستهلك خبراته السابقة بخصوص المشكلة أو الحاجة الّتي يواجهها ويمكن أن تنتهي عملية البحث الداخلي باتخاذ قرار الشراء أو يمكن يمكن ألّا يكون في ذاكرة المستهلك ما يكفي من معلومات لحل المشكلة لذا يتوجه إلى عملية البحث الخارجي. البحث الخارجي External Search: وهو الحصول على المعلومات من مصادر خارجية منها: المصادر الشخصية: مثل الأسرة أو الأصدقاء أو زملاء العمل وهي مصادر موثوقة بالنسبة للمستهلك. المصادر التسويقية: مثل رجال المبيعات والإعلانات …إلخ. المصادر العامة: مثل الصحف والمجلات. المصادر التجريبية: مثل العملاء السابقين الّذين جربوا المنتج. إن عملية البحث عن معلومات تختلف في درجة تعقيدها باختلاف المنتج ودرجة خبرة المستهلك بهذا المنتج وأهميته بالنسبة له ومن الجدير بالذكر أنه على المسوق أن يعرف نوع المصادر الّتي يعتمد عليها المستهلك المنشود في رحلة البحث عن المعلومات لكي يعدل استراتيجية التسويقية بما يتوافق مع مصادر معلومات المستهلك. بنتيجة عملية البحث الداخلية أو الخارجية سيحصل المستهلك على مجموعة اعتبارية Consideration Set للبدائل المتاحة والّتي ستؤخذ بعين الاعتبار عن اختيار المنتج. إن المجموعة الاعتبارية: "وهي العلامات التجارية المألوفة الّتي استدعيت من الذاكرة بالإضافة إلى العلامات التجارية غير المألوفة وهي مزيج من العلامات التجارية الّتي وجدها المستهلك من خلال البحث عنها أو بالصدفة". وتأتي أهمية استراتيجية الترويج والتوزيع في التأثير على المجموعة الاعتبارية للبدائل لضمان وجود العلامة التجارية للمسوق ضمن هذه المجموعة وإلا لن يكون هنالك فرصة أمام العلامة التجارية ليختارها المستهلك طالما أنها لم تدخل ضمن المجموعة الاعتبارية للبدائل. سيكون لنا وقفة مطولة مع مجموعة الاعتبارات الأولية Consideration Set في مقال منفصل لاحق. وعمومًا إن كمية المعلومات الّتي يجريها العميل تتأثر بالعديد من العوامل ومن أهمها مقدار المعرفة الّتي يمتلكها المستهلك بخصوص المنتج المراد شراؤه ومقدار الارتباط الّذي يشعر به المستهلك بالمنتج وأهميته بالنسبة له وموارده المختلفة ومن أهمها الوقت المتاح للمستهلك وفيما يلي للعوامل الثلاثة: مستوى المعرفة بالمنتج Product Knowledge مستوى الارتباط بالمنتج Involvement Level تأثير ضغط الوقت Time Pressure مستوى المعرفة بالمنتج Product Knowledge تتمثل أنواع المعرفة بالمنتج بالجوانب التالية: فئة المنتج Product Class: مثل معرفة المستهلك الكثير عن القهوة. صيغة المنتج Product Form: مثل معرفة المستهلك الفرق بين البن المطحون والقهوة سريعة التحضير. العلامة التجارية Brand: مثل معرفة المستهلك الفرق بين علامتين تجاريتين. الطراز Models: مثل معرفة أحجام العبوات المختلفة. طرق الشراء Store: معرفة المتاجر الّتي تبيع كلّ منها. تؤثر الجماعات المرجعية والجهود التسويقية على مستوى معرفة المستهلك بالمنتج فعلى سبيل المثال يمكن أن يسمع المستهلك إعلانات عن افتتاح فرع جديد لستاربكس من صديقه المقرب (وهذا هو تأثير المجموعة)، كما يمكن أن يقرأ إعلانًا عن الافتتاح في الجريدة (وهذا يكون المجهود التسويقي)، ويمكن أن يشاهد المقهى وهو ذاهب إلى عمله (وهذا يكون تأثير العوامل الموقفية أو الظرفية). يعتقد المستهلك أن العلامة التجارية المختصة بالقهوة لافازا Lavazza هي أفضل أنواع القهوة ويعرف مكان شراءها ويعرف تكلفتها في هذه الحالة لن يحتاج المستهلك إلى الكثير من المعلومات، وبالتالي تقل جهود البحث كما تؤثر معرفة المنتج على مدى سرعة اتخاذ قرار الشراء، فمثلًا المنتجات الجديدة يكون مستوى المعرفة بها قليل وتتطلب المزيد من الوقت لاتخاذ قرار الشراء فمن الطبيعي أن يستهدف المسوق المستهلكين بطرق مختلفة حسب درجة معرفتهم بالمنتج أو العلامة التجارية، فمثلًا يحتاج المستهلكون الّذين لا يعرفون المنتج ولا العلامة التجارية إلى حملات توعية بالعلامة التجارية أولًا ومن ثم بالمنتج. مستوى الارتباط بالمنتج Involvement Level يشير الارتباط بالمنتج إلى إدراك المستهلك لأهمية منتج ما وعلاقته بهذا المنتج، وعمومًا يمكن تصنيف المنتجات إلى نوعين: منتجات ذات ارتباط عالي: وهي المنتجات الّتي ترتبط بالمستهلك وتشكل له رمز وأهمية كبيرة، مثل الملابس والمنازل والسيارت. منتجات ذات الارتباط المنخفض: وهي منتجات لا تشكل أهمية كبيرة بالنسبة للمستهلك، وقرار شرائها يتميز بالسرعة والمرونة وانخفاض الجهد المبذول في عملية التسوق مثل المنظفات والمناديل الورقية والبطاريات. يعمد المستهلكون في حالات ارتفاع درجة الارتباط بالمنتج إلى تطوير درجة عالية من المعرفة بالمنتج كما نلاحظ أن المستهلكين يبحثون بصورة مستمرة بخصوص المنتجات عالية الارتباط وتختلف محددات ونواتج عملية البحث الاعتيادية ما قبل الشراء عن محددات ونواتج البحث المتواصل الّذي يؤديه المستهلك بخصوص المنتجات عالية الارتباط كما توضح الصورة التالية الفرق بين عملية البحث ما قبل الشراء وعملية البحث المستمر : نلاحظ من الصورة السابقة بأن محددات البحث ما قبل الشراء تتمثل بالارتباط بالشراء أو عملة الشراء نفسها بينما تتمثل الدوافع وراء عملية البحث بصنع قرارات شرائية أفضل والمخرجات وصول المستهلك إلى قرارات شرائية أفضل، أما في عملية البحث المستمر فإن المحدد هو الارتباط بالمنتج والدافع هو إنشاء بنك معلومات لاستخدامها في المستقبل بينما تتمثل المخرجات بزيادة الشراء غير المخطط أو الاندفاعي للمنتج. تأثير ضغط الوقت Time Pressure يتمثل مستوى ضغط الوقت على المستهلك بشعوره بأن الوقت المتاح لأداء الأعمال يكفيه، أو لا فيزيد الشعور بضغط الوقت عندما يكون الوقت المتاح لدى الفرد للقيام بقائمة الأعمال أو المهام قليل ولا يكفيه، ويحدد النمط الزمني الخاص بالفرد كيف ينفق موارده فيما يتعلق بالوقت فبعض الناس يشعرون بأنهم فقراء بالوقت وهذا يعني أنهم يشعرون أنه ليس ليهم وقت كافٍ. وعمومًا يوجد أربعة أبعاد للتعامل مع الوقت وهي: وبناءً على الأبعاد السابقة يمكن تصنيف المستهلكين بطريقة إنفاقهم للوقت إلى الأنواع التالية: من المهم جدًا أن يوفر المسوق عملية البحث وأن يسهل أيضًا عملية الشراء خصيصًا للمستهلكين الّذين يعانون من ضغط الوقت. كما يوجد بعض المخاطر الأخرى الّتي تتعلق بجوانب متعدد والّتي يبحث المستهلك عن إجابة عنها أثناء عملية بحثه عن المعلومات. البعد الاجتماعي Social Dimension: ومن هذا المنظور يصنف الأفراد أنه يوجد وقت لي ووقت مع الآخرين. البعد الزمني Temporal Dimension: يصور بعد التوجه الزمني الأهمية النسبية الّتي يعلقها الأفراد على الماضي أو الحاضر أو المستقبل. البعد المتعلق بكيفية التخطيط لإنفاق الوقت Planning Dimension: يشير هذا البعد إلى الأنماط الّتي يتبعها الفرد في إدارة الوقت من التحليل والتخطيط لكيفية إنفاق الوقت إلى التلقائية وعدم التخطيط. البعد المتعلق بعدد المهام Polychronic Dimension: يميز هذا المنظور بين نوعين الأفراد الّذين يؤدون مهام متعددة في نفس الوقت والأفراد الّذين يؤدون مهمة واحدة في نفس الوقت. المضغوطين بالوقت Pressure Cooker: يميل هؤلاء الأشخاص للتسوق بطريقة منهجية، وهم تحليليون وعادة ما يشعرون بأنهم يتعرضون لضغوط. المخططون Map: يميل هؤلاء الأشخاص لأداء مهام متعددة، وهم تحليليون أيضًا إلا إنهم يركزون على المستقبل. المقلدون Mirror: يميل هؤلاء الأشخاص لأداء مهمة واحدة وهم متوجهون بالماضي ينفرون من المخاطر ويلتزمون بالعلامات التجارية الّتي يثقون بها. الاندفاعيون River: يميل هؤلاء الأشخاص لعيش اللحظة ويركزون على الحاضر ويمكن أن يذهبوا إلى التسوق في لحظة وبدون تفكير. المستمتعون Feast: يميل هؤلاء الأشخاص للتخطيط للوقت مع التركيز على الحاضر وينظرون إلى الوقت على أنه شيء يتيح لهم الاستمتاع بالحياة لهذا السبب نراهم يميلون للبحث عن فرص لاستهلاك المبني على المتعة. أنواع المخاطر المرتبطة بقرار الشراء Perceived Risk ترتبط درجة المخاطرة بشعور الفرد بعدم التأكد من النتائج الّتي سيحصل عليها عندما يشتري المنتج، وكلما زاد شعور الفرد بعدم التأكد كلما قلت قابليته لشراء المنتج وعمومًا يتعرض المستهلكون لمجموعة متنوعة من المخاطر وهي على الشكل التالي: المخاطر المالية Monetary Risk. المخاطر النفسية Psychological Risk. المخاطر الوظيفية Functional Risk. المخاطر الاجتماعية Social Risk. المخاطر الفيزيائية Physical Risk. يختلف وقع كلّ من هذه المخاطر على المستهلك بطريقة تدفعه للتفكير أكثر في شراء المنتج المعروض وكلما قللنا المخاطر الموجودة في المنتج وكلما ركزنا على توضيح وظائف وخصائص المنتج كلما أزلنا بعضًا من هذه المخاطر. المخاطر المالية Monetary Risk: وهي خوف المستهلك من هدر أمواله وخسارته في حال فشل المنتج، أو شعور المستهلك أن السعر والتكلفة الّتي بذلها في سبيل الحصول على المنتج لا يوازي المنفعة الّتي سيحصل عليها. المخاطر النفسية Psychological Risk: تتعلق بالمشاعر السلبية المتوقعة في حال عدم تحقيق المنتج للإشباع العاطفي والنفسي للمستهلك أو عدم ملاءمة المنتج لشخصية المستهلك وتصوره عن ذاته، مثل الاحباط المترتب على فشل برامج تخفيض الوزن. المخاطر الوظيفية Functional Risk: هي المخاطر الّتي تتعلق بتخوف المستهلك من عدم تحقيق المنتج لما هو متوقع أو مطلوب منه؛ أي فشل المنتج في تحقيق المنفعة المنشودة منه، مثل فشل الشامبو في التخلص من قشرة الشعر. المخاطر الاجتماعية Social Risk: وهي المخاطر الّتي تتعلق بمقدار القبول الاجتماعي للمنتج أو العلامة التجارية ورد فعل الجماعات المهمة بالنسبة للفرد عليها، فمثلًا التخوف من عدم قبول الآخرين للمنتج كالتعرض للانتقاد من قبل الأصدقاء عند تناول الفرد لوجبة نباتية. المخاطر الفيزيائية Physical Risk: وهي المخاطر الّتي تتعلق بخوف المستهلك من التعرض للإيذاء الجسدي عند استخدام المنتج أو من المخاطر الّتي تنتج عند الاستخدام الخاطئ للمنتج. يذكر أن شركة إيكيا السويدية واجهت مشكلة كبيرة في هذا الجانب عندما قتلت إحدى تصاميمها للخزائن المنزلية الطفل جوزيف دوديك والّذي يبلغ من العمر سنتين، وذلك بسبب سقوط الخزانة وزنها 32 كيلو غرام عليه ومات الطفل خنقًا تحت هذه الخزانة، إلا أن هذه الحادثة لم تكن الأولى الّتي مات فيها أطفال بسبب هذه الخزانة إذ يعد جوزيف دوديك الطفل الثالث الّذي مات بسبب هذا النوع من الخزانات، وبالرغم من أن المشكلة كانت بعدم التثبيت الصحيح للخزانة بالجدار إلا أن المحكمة غرمت الشركة بدفع 46 مليون دولار أمريكي لأهالي الضحايا وسحب أيضًا الخزانة الّتي سببت موت الأطفال، وعرضت الشركة مجموعة من الأدوات لتأمين العملاء من الأخطار كما سحبت الشركة 28 مليون قطعة أثاث من المحتمل بأنها تعرض حياة الأطفال للخطر . من المهم أن يؤخذ بعين الاعتبار أن درجة المخاطرة المُدركة تختلف من مستهلك لآخر إذ يمكن أن نلاحظ أن الميل لنوع معين من الخطر يكون كبيرًا عند شريحة معينة من المستهلكين بينما لا نلاحظ وجود هذا الخطر في مستهلكين آخرين لذلك يجب تقسيم أنواع المستهلكين على مجموعات ودراسة الأخطار الّتي يمكن أن تواجه كلّ مجموعة على حدة، بالإضافة إلى ذلك يمكن أن تختلف درجات المخاطرة حسب طبيعة المنتج نفسه فمثلًا بعض المنتجات الّتي تصنف على أنها مرتفعة التكلفة أو ذات ارتباط عالي تزداد فيها درجات المخاطرة إذا وازناها مع المنتجات الاستهلاكية البسيطة ويمكن أن نرى ذلك في السيارات والمنتجات الغذائية، ويمكن أيضًا أن تزداد درجة الخطورة بحسب طريقة التسوّق لأن التسوّق عبر الإنترنت يحتوي على درجة كبيرة من المخاطرة بالموازنة مع التسوق في المتاجر التقليدية لأن المستهلك يحب أن يرى المنتج الّذي يريد أن يشتريه ويُعاينه قبل أن يدفع ماله في هذا المتجر الإلكتروني. إضاءة: استشعر موقع علي بابا Alibaba هذا الخطر في أن العديد من المستهلكين غير واثقين من أن المنتجات ستتطابق مع المواصفات المذكورة في الموقع لذا طبق الموقع سياسة جديدة تنص على أن الأموال الّتي سيدفعها المستهلك لن تتحول مباشرة إلى حساب التاجر وإنما ستبقى في الموقع إلى أن يؤكد المستهلك على أن المنتج مطابق للمواصفات المذكورة في الموقع تمامًا. وكانت هذه السياسة الجديدة علامة فارقة في التميز والأمان والموثوقية للموقع والّتي جعلت منه من عمالقة التجارة الإلكترونية العالمية. 3. تقييم البدائل Evaluation of alternatives يعتمد تقييم البدائل بصورة كبيرة على المعلومات الّتي جمّعها المستهلك في المراحل السابقة والّتي سيتولد عنها مجموعة من البدائل أو الأصناف سيأخذها المستهلك بحسبانه لصنع القرار الشرائي، وعمومًا سيلجأ المستهلك للخطوات التالية: تحديد المعايير الّتي سيوازن بين الأصناف على أساسها. تحديد الأوزان النسبية للمعايير السابقة أي أكثر المعايير أهمية فيمكن أن يعطي بعض المستهلكين أهمية كبيرة للسعر بينما يمكن ألا يعيره البعض الآخر أي أهمية. ومن المهم أن نلاحظ أن بهذه المرحلة بأن المعايير تتأثر بالنقاط التالية: تختلف معايير التقييم في العدد والنوع والأهمية من منتج لآخر. تختلف معايير التقييم في العدد والنوع والأهمية من مستهلك لآخر. تختلف معايير التقييم في العدد والنوع والأهمية من وقت إلى لآخر نتيجة حصول المستهلك على خبرات جديدة. يمكن أن يستخدم المستهلكين نفس المعايير بنفس الأوزان إنما ينتج استجابة مختلفة لدى كلّ منهم فيمكن أن يعدّ المستهلكين عامل طعم معجون الأسنان هو العامل الأول في الترتيب فيضع واحدًا منهم معجون الاسنان كرست في المرتبة الأولى، ويضع الآخر معجون سنسوداين في المرتبة الأولى وذلك بسبب شعور حب عميق يكنه هذا المستهلك للعلامة التجارية، لذلك الاستجابة تختلف من شخص لآخر، بالإضافة إلى ذلك هنالك بعض خصائص منتجات يمكن تقييمها بسهولة والبعض الآخر صعبة التقييم وهذا ما نراه في الخدمات من ناحية مستوى الجودة ولذلك يشعر المستهلك بالمخاطرة نتيجة صعوبة التقييم، ونلاحظ أن المستهلك يلجأ إلى السعر أو أسم العلامة التجارية كأداة ومؤشر على الجودة فيربطُ المستهلك السعر العالي بمستويات عالية من الجودة خصيصًا في خدمات القطاع الصحي أحيانًا. عمومًا يتبع المستهلكين بعض الأساليب والقواعد في عملية تقييم البدائل والمفاضلة بينها وتختلف الأساليب المتبعة بحسب درجة الارتباط بقرار الشراء ونميز هنا بين عدة أساليب وهي على الشكل التالي: الأساليب التعويضية Compensatory Rules: وتشير إلى أن السمات أو الخصائص القوية في البديل يمكن أن تعوض السمات الضعيفة، ومن أكثر الأساليب شيوعا في الطرق التعويضية نذكر: الأسلوب الجمعي Simple Addictive Rule: يلجأ المستهلك في هذه الحالة إلى المنتج الّذي لديه أكبر عدد من السمات الإيجابية. الأسلوب الترجيحي Weighted Additive Rule: يرجح المستهلك في هذه الحالة الأهمية النسبية لبعض السمات من خلال الترجيح. الأساليب غير التعويضية Non Compensatory Rules: تشير إلى البديل الأقل في إحدى السمات لا يمكن أن يعوض عن هذا الضعف بوجود سمة أخرى قوية، ومن أكثر القواعد شيوعًا في الطرق غير التعويضية نذكر: القاعدة المعجمية Lexicographic Rule: يختار المستهلكون طبقًا لهذه القاعدة العلامة التجارية الأفضل بناءً على السمة الأكثر أهمية إذ يرتب المستهلكون خصائص المنتجات طبقًا لأهميتها بالنسبة لهم وبعد ذلك يوازنون بين البدائل المتاحة من حيث توافر هذه الخاصية ويختارون العلامة الّتي يتوفر بها أعلى نسبة من هذه الخاصية مهما انخفضت نسب الخواص والميزات الأخرى. قاعدة الإلغاء Elimination By Aspects Rule: يجب أن يحتوي البديل على ميزة محددة حتى يقع الاختيار عليه ويوازن المستهلك في هذه الحالة بين البدائل طبقًا لهذه الخاصية ويستبعد البدائل الّتي لا تحتوي هذه الخاصية وبعدها يوازن المستهلك البدائل الّتي نتجت عن المرحلة الأولى ويطبق نفس المبدأ في الخاصية الثانية من الأهمية ويستبعد البدائل الّتي لا توفر الحد الأدنى من هذه الخاصية، وهكذا إلى أن يبقى لديه المنتج المنشود. قاعدة الربط أو الاقتران Conjunctive Rule: يعالج المستهلك في هذه الحالة جميع البدائل من خلال تحديد الحد الأدنى من كلّ خاصية يرغب بها ويستبعد كلّ العلامات الّتي لا يتوفر بها الحد الأدنى من كلّ الخواص. كيف غيرت تطبيقات موازنة الأسعار قواعد اللعبة؟ بالرغم من كافة الخطوات السابقة الّتي تحدث في عقل المستهلك إلا أنه لا يمكننا تصنيف جميع المستهلكين على صعيد واحد فمنهم من دقة ملاحظته أقوى من الآخر ومنهم من ذاكرته أضعف والكثير من العوامل الأخرى الّتي تشكل فجوةً بين المستهلكين، ولأنه لا يوجد مستهلك مثالي ينفذ كافة التعليمات السابقة ويوازن ويدقق بين كلّ الخيارات المتاحة، لفتت هذه الفجوة في السوق نظر العديد من رواد الأعمال لبدء مشاريع تتيح موازنة المنتجات الموجودة في مختلف المتاجر بضغطة زر. انطلاقًا من سعي المستهلكين الدائم للحصول أفضل الصفقات من ناحية السعر والجودة وحتى التقييمات أيضًا جاءت هذه التطبيقات في الوقت المناسب. بل إن العديد من المستهلكين وعلى رأسهم جيل الألفية يفضل قراءة تقييمات المنتج، بل ويعطي لها أهمية كبرى ففي إحصائية أجرتها شركة غوغل التابعة لشركة ألفابت لبيانات المستهلكين الأمريكيين في عام 2016 جاء فيها أن أكثر من 88% من المستهلكين يثقون في مراجعات المنتجات الموجودة على الإنترنت ويحسبونها وكأنها توصيات شخصية مثل توصية أقربائهم أو أفراد أسرتهم، ولا عجب في نمو سوق مراجعات المنتجات على موقع يوتيوب بنسبة 50% سنويًا الأمر الّذي يؤكد على أن المراجعات لها أهميتها ووزنها في المتجر الإلكتروني وفي عقول المستهلكين أيضًا. في هذه اللحظة اكتشف المستهلكون وجود مشكلة ما في حياتهم، وجمعوا المعلومات وبحثوا عميقًا عن مواصفات المنتجات الّتي تحل المشكلة، وقيموا البدائل المتاحة لهم، وهم مستعدون أخيرا لوضع أموالهم في المنتج المناسب، ولكن السؤال الأهم هل سيشتري المستهلك المنتجات من المتاجر الإلكترونية؟ في الحقيقة ليس بالضرورة أن يشتري هذا المنتج مع أنه يعلم بأنه مفيد له ويعلم جميع مميزاته وخواصه بل ويعلم بأنه الأفضل من بين جميع المنتجات إلا أنه ليس بالضرورة أن يشتريه من المتاجر الإلكترونية وإنما يفضل الشراء التقليدي من المتاجر القريبة منه فبحسب دراسة لشركة ديلويت فإن 64 سنتًا من كلّ دولار ينفق في المتاجر التقليدية تتأثر بالبحث الرقمي وبالإنترنت عمومًا، وفي دراسة أخرى جاء فيها أن 76% من الأشخاص الّذين يجرون بحثًا عن منتج ما على هواتفهم الذكية سيزورون نشاطًا تجاريًا في غضون 24 ساعة التالية من تاريخ البحث، ونسبة 28% من عمليات البحث تؤدي لعمليات شراء حقيقية، وهذا يؤكد أن المستهلك لا يشتري المنتج من المتاجرة الإلكترونية بالضرورة وقد يشتريها من المتاجر التقليدية وحتى في حالة عدم الشراء نهائيًا ستبقى نتائج الموازنة في عقول المستهلكين. إضاءة: استشعرت شركة أمازون عملاقة التجارة الإلكترونية هذا الخطر الّذي يهدد حياة متاجر التجزئة التقليدية الخاصة بها فعكفت إلى البحث عن طريقة لمنع المستهلكين من الموازنة بين الأسعار أثناء تواجدهم في متاجرها التقليدية، وفعلًا بعد البحث أن طرق للتواري عن موازنة المستهلك حصلت على براءة اختراع في شهر مايو عام 2017 تتيح لها منع المستهلكين من موازنة الأسعار أثناء اتصالهم بشبكات الواي فاي المجانية الخاصة بالمتجر، وتحمل براءة الاختراع عنوان "التحكم في التسوق عبر الإنترنت في المتجر الفعلي"، وفي ما جاء فيها أنها ابتكرت نظامًا يتيح لها إمكانية تحديد تناقل البيانات في الهاتف المحمول لدى العميل على الإنترنت والاستشعار عندما يحاول هذا المستخدم الوصول إلى متجر إلكتروني منافس إلا أنها لا تعرض شاشة المنع للمستهلكين وإنما بدلًا من ذلك تتحايل عليهم بطريقة ذكية وتحولهم لبدائل من متجر أمازون الإلكتروني أو أحد المتاجر المعتمدة من قبلها أو يمكن أغراء هذا الزبون من خلال إرسالها كوبون خصم أو إحدى الخدع المماثلة لإعادة جذب المستهلك لعالمها مرة أخرى، بالرغم من سذاجة براءة الاختراع هذه إذ يُمكننا التحايل عليها من خلال عدم الاتصال بشبكة الواي فاي الخاصة بالمتجر، وحتى أن أمازون لم تستخدم براءة الاختراع، إلا أن العديد من الشركات تسعى للحصول على براءات اختراع للتأكد من أن لديها خيار وضع الفكرة موضع التنفيذ لاحقًا وهنا نستنتج أن هذا السعي من أمازون نابعٌ من قلقها المتزايد حول هذه الظاهرة المنتشرة بين المستهلكين، وبالرغم سذاجة براءة الاختراع إلا أن أمازون تثبت مرة أخرى أن نظرتها الحادة لمستقبل التجارة الإلكترونية جعلتها تتصدر طليعة المتاجر الإلكترونية على وجه الكرة الأرضية. لقد تعرفنا في هذا المقال على المراحل الأولى التي نمر بها قبل اتخاذ قرار الشراء من عدمه، وسنتعرف في المقال التالي على باقي المراحل المتممة لعملية الشراء، انطلاقًا من اتخاذ القرار، إلى ما بعد إتمام الشراء. هل ترغب في بدء البيع أون لاين؟ استعن بخدمات أفضل المطورين على خمسات لإنشاء متجر إلكتروني يحقق مبيعات استثنائية أطلق متجرك الإلكتروني الآن

يعبر المستهلك عن رغبته في شراء منتج معين بواسطة قرار يصدر عنه يترجم لك القرار إما بشرائه للمنتج المنشود أو بالإمتناع عن شرائه، وإن مهمة دراسة المراحل الّتي يمر بها المستهلك قبل اتخاذه لقرار الشراء تعدّ مهمة صعبة لأنها ترتبط أساسًا بشخصية الفرد ورغباته والّتي تختلف من فرد لآخر وعمومًا سنحاول في هذا المقال التطرق إلى المراحل التفصيلية الأساسية الّتي يمر بها أي فرد مقبل على شراء منتج معين. سنتعرف في هذا المقال عن مفهوم قرار الشراء ونتطرق إلى أنواعه، ثم سنكمل في المقال التالي والذي يليه الحديث عن مراحل عملية الشراء التي تنقسم إلى ما قبل اتخاذ قرار الشراء وعند الإقدام على فعل الشراء. مفهوم عملية قرار الشراء تعد عملية الشراء عملية ديناميكية تتكون من مجموعة من الخطوات والتأثيرات الّتي يمر بها المستهلك لاتخاذ قرار الشراء، وإن معظم النظريات الّتي اهتمت بدراسة وتفسير عملية اتخاذ القرارات الشرائية تعد هذه القرارات برمتها من أجل حلّ مشكلة تواجهه ويختلف نوع تعقيد المنتج بحسب صعوبة حل المشكلة الّتي تواجه هذا المستهلك وبالتالي يمكننا القول بأن عملية اتخاذ قرار الشراء هي: "عبارة عن مجموعة من المراحل الّتي يسلكها المستهلك من أجل حلّ مشكلة تتعلق بتلبية حاجة تخصه". أنواع قرار الشراء تختلف نوعية اتخاذ قرار شراء منتج معين من مستهلك إلى آخر بناءً على جملة من العوامل منها مدى تعقيد الموقف الشرائي وعدد المتدخلين في قرار الشراء، إلا أن الباحثين اختلفوا في تصنيف أنواع قرار الشراء، فمنهم من صنفه على الشكل التالي: 1. قرار الشراء الروتيني Habitual Decision Making ويشار إليه أيضًا Routine Response Behaviour، هو أقل المواقف الشرائية تعقيدًا ويحدث في حالة كون المستهلك على معرفة جيدة بنوع المنتج وخصائصه وبالتالي يعتمد على خبرته السابقة لشراء المنتج وعادة ما يحدث هذا النوع من السلوك الشرائي عند شراء منتج ذو تكلفة قليلة من ناحية المال والجهد والوقت. فمثلا في حالة المنتجات الغذائية (مثل الملح واللبن …إلخ)، يدرك المستهلك المشكلة، ويتخذ القرار ويبذل القليل من الجهد للحصول على المعلومات من مصادر خارجية، وتقييم البدائل وتكون عملية شراء مثل هذه المنتجات مكررة وروتينية وتعد مثال على الشراء ذو الارتباط المنخفض. 2. قرار شراء المحدود Limited Problem Solving وهو قرار شرائي متوسط التعقيد ويكون المستهلك في هذه الحالة متآلف مع منتج ما لأنه تعود على شرائه ولكنه غير متآلف مع كلّ البدائل المتاحة لذلك يحتاج للتفكير ولو بصورة بسيطة لأنه على علم بالمنتج وبحاجة إلى بعض المعلومات عن المنتجات المنافسة. يشيع استخدام هذه الطريقة في الكثير من القرارات الشرائية للأفراد والأسر وتعتمد هذه الطريقة على تبسيط عملية الشراء عن طريق تخفيض المعلومات وتخفيض عدد البدائل ومعايير تقييمها ففي أسلوب الحل المحدود يسعى المستهلكون إلى الحصول على بعض المعلومات أو يعتمدون على صديق لمساعدتهم في تقييم البدائل وفي هذه الطريقة يقيم المستهلك مجموعة من العلامات التجارية البديلة تبعًا لميزات قليلة أو محدودة وغالبًا لا يكون لدى المستهلك متسع من الوقت والجهد مثل قرار اختيار إحدى المحمصات أو مطعم لتناول غداء سريع. 3. قرار الشراء الممتد Extended Problem Solving ويسمى أيضًا قرار الشراء المعقد Complex Purchasing Behavior، في هذه الحالة من القرارات يكون المنتج ذو تكلفة كبيرة كشراء منزل أو سيارة …إلخ، إذ يبذل المستهلك جهدًا كبيرًا في البحث والتمحيص والاستفسار من أجل اختبار المنتج المناسب. يتضح هذا النوع في الحالات الشراء المعقدة مثل شراء السلع والخدمات المعمرة إذ نلاحظ أن عملية جمع المعلومات أكثر تعقيدًا وصعوبة كما أن ارتباط المستهلك بالمنتج عالي وتكلفة شراء المنتج مرتفعة كما أن الوقت المستغرق في شراء سيكون طويلًا إذ تكون الفروقات بين البدائل كبيرة وتستدعي بذل جهد في الموازنة بين كلّ هذه التفاصيل مما يجعل عملية شراء مثل هكذا منتجات مرتبطة بدرجة عالية من المخاطرة ومن الأمثلة عليها شراء السيارات وانظمة الصوت. يلخص الشكل التالي كيف تتدرج التكلفة والمخاطرة وجهد الشراء ومستوى الارتباط بالمنتج من قرارات الشراء الروتينية إلى قرارات الشراء بالغة التعقيد. ففي قرار الشراء الروتيني الذي غالبًا ما نجده في حال شراء السلع والخدمات الأقل تكلفة في المال والجهد مثل شراء السلع الميسرة، مثل: الأطعمة والمشروبات والبنزين …إلخ، ويجب على الشركات الموجودة في السوق أن تحافظ على مستوى جودة علامتها التجارية والاستمرار بتذكير العملاء بها والحفاظ عليها في عقولهم عن طريق برامج الاتصال وتوفر العلامة التجارية في المنافذ العرض حتى لا يتحول المستهلك إلى شركة منافسة في حال عدم وجود المنتج في المنافذ القريبة منه، أما الشركات التجارية الجديدة التي تخطط لدخول أسواق شديدة المنافسة فستحتاجُ لإعادة بناء رحلة الشراء للمستهلك من خلال استخدام العينات المجانية والتخفيضات لتشجيع المستهلكين في جميع الشرائح المستهدفة على تجربة علاماتها التجارية وكسر حاجز الخوف من المجازفة وتركيز برامج الاتصال على خلق وعي بالعلامة وضمان دخولها ضمن قائمة البدائل الاعتبارية. بالرغم من أن التصنيف السابق يغطي الكثير من قرارات الشراء إلا أن بعض الباحثين في هذا المجال وجدوا بأنه مازال لدينا بعض من القرارات العشوائية الّتي يتخذها المستهلك بخصوص قرار الشراء وهي قرار الشراء الاندفاعي Impulse Buying، وقرار الشراء الساعي للتنوع Variety Seeking Purchasing Behavior. 4. الشراء الاندفاعي Impulse Buying ويعرف أيضًا بعملية الشراء غير المخطط لها وهي حالة من الرغبة الّتي يواجهها المستهلك عند رؤيته لشيء ما في بيئة التسوق مثل منتج معين أو علامة تجارية فهي رغبة تلقائية ومفاجئة وتسبق بوضوح سلوك الشراء الاندفاعي والّذي يحدث نتيجة للحالات الداخلية والعوامل البيئية الّتي تدفعهم للشراء، كما يتميز الشراء الاندفاعي بوجود رغبة مفاجئة بالشراء تخلق حالة من الصراع الداخلي فيحاول المستهلك حل هذا الصراع بشراء سريع بدون تقييم موضوعي للبدائل المتاحة مدفوعًا باعتبارات عاطفية ومن دون اعتبار للنتائج المترتبة على الشراء. وعمومًا يمكن تصنيف العوامل الّتي تسبب الشراء الاندفاعي على الشكل التالي: خصائص المستهلك: مثل حالته الاجتماعية والاقتصادية وجنسه ونمط حياته وخلفية الأسرة فمثلًا يمكن أن يميل المستهلك العازب الّذي يتمتع بمركز اجتماعي ومالي منخفض إلى الشراء الاندفاعي. خصائص المتجر: تؤدي بيئات المتاجر التقليدية إلى تحفيز المستهلك على الشراء الاندفاعي وبينما يكتشف المستهلكون بيئة المتجر يواجهون الكثير من إشارات التحفيز مما يزيد من احتمال الرغبة في عمليات شراء اندفاعية غير مخطط لها. خصائص المنتج: تشجع طبيعة بعض المنتجات المستهلكين على الشراء المنتجات مثل المنتجات منخفضة الثمن أو صغيرة الحجم أو خفيفة الوزن. العوامل الظرفية: تلعب إعلانات العروض والتخفيضات للمتاجر دورًا كبيرًا في تحفيز المستهلك على الشراء وفي بعض الأحيان تلعب موظفة المتجر الودودة دورًا كبيرًا في الشراء الاندفاعي أيضًا. لذلك أصبح من الضروري لأصحاب المتاجر امتلاك مزيج تسويقي قوي داخل المتجر بالإضافة إلى دراسة كيفية تصميم مناخ وبيئة المتجر من أجل تحقيق أرباح أعلى عن طريق تحفيز المستهلكين لعمليات شراء اندفاعية. 5. قرار الشراء الساعي للتنوع Variety Seeking Purchasing Behavior في هذه الحالة من القرارات تكون تكلفة تبديل المنتجات منخفضة، وبالتالي قد ينتقل المستهلك، ربما بدافع الملل من علامة تجارية إلى أخرى. هذا هو الحال غالبًا مع الحلويات والمثلجات والمشروبات الغازية. ستحاول الشركات المهيمنة في مثل هذا الوضع في السوق تشجيع الشراء المعتاد وستحاول منع المستهلك من النظر في العلامات التجارية الأخرى. هذه الاستراتيجيات تقلل من سلوك تبديل العملاء. من ناحية أخرى، تسعى الشركات المنافسة لتحويل المستهلكين لشراء منتجاتها من خلال العروض الترويجية والعينات المجانية والإعلانات الّتي تشجع المستهلكين على كسر الروتين تجربة شيء جديد. بهذا نكون قد تعرفنا على مفهوم قرار الشراء وأنواعه الخمسة حسب التصنيف المعتمد، لنتابع بالمقال التالي الذي يكمل الحديث عن مراحل عملية الشراء ما قبل اتخاذ قرار الشراء. اجذب عملاء مستهدفين وحقق أهدافك التسويقية استعن بأفضل خدمات وحلول التسويق الرقمي من خمسات وحقق مبيعات استثنائية اطلب خدمتك الآن

سنناقش في هذا المقال أنواع المتاجر الإلكترونية وسنتطرق أيضًا لنماذج ربح تطبيقات التجارة الإلكترونية بمختلف أشكالها سواء أكانت متاجر لبيع المنتجات أو شركات الخدمات الاستشارية أو شركات بث الفيديو عبر الإنترنت باختصار أي شركة تعمل على الإنترنت وتستفيد من منظومة الشبكة العنكبوتية. نماذج إيرادات المتاجر الإلكترونية تختلف طريقة عمل أنظمة التجارة الإلكترونية عن بعضها البعض وبين تفاصيل هذا الاختلاف نرى الإبداع في توليد نماذج إيرادات قوية وفعالة لتحقيق الأرباح لهذه الشركات، وإذا افترضنا أن أي نظام تجارة إلكتروني قائم على ثلاث مكونات أساسية وهي على الشكل التالي: البائع المُنتَج المُستهلك وتكون طريقة تفاعل هذه المكونات الثلاثة بسيطة جدًا إذ يبدأ البائع بتصنيع المُنتَج ويجهزه للمستهلك ويرى المستهلك المنتج فيعجبه ويشتريه ويسلم المال للبائع ويعد هذا المثال من أبسط سيناريوهات التجارة التقليدية (وحتى التجارة الإلكترونية)، وطبعًا يمكننا إضافة مكونات أخرى للصورة لزيادة تعقيد السيناريو السابق وجعله واقعيًا أكثر، فمثلًا إذا أضفنا المُصنّع والمُستورد والمُوزع ومندوب المبيعات سنُلاحظ أن العديد من المنتجات الّتي نراها في الأسواق تخضع لهذا السيناريو. وبالتأكيد هنالك سيناريوهات أخرى أكثر تعقيدًا من ذلك، ولكن لنعود للفرضية الأولى الّتي طرحناها وهي ثلاثية (البائع - المُنتَج - المستهلك) يمكننا تجميع كلّ نماذج إيرادات شركات التجارة الإلكترونية تحت أربع فئات رئيسية وهي على الشكل التالي: نظام الدفع المباشر (الدفع المسبق) نظام الإشتراك (الشهري أو السنوي) نظام الدفع حسب الاستخدام النظام المجاني 1. نظام الدفع المباشر (الدفع المسبق) يعد نظام الدفع المباشر من أقدم أنظمة التعاملات التجارية وأشهرها، ويكون طريقة التعامل في هذه النظام هي دفع المستهلك سعر المنتج أولًا بأول قبل الحصول عليه ولمرة واحدة فقط، وعندما يحتاج إلى هذا المنتج مرة أخرى فسوف يدفع من جديد. ومن إيجابيات هذا النظام نذكر: سهلة وخالية من التعقيد: لأن الشركة لن تحتاج الشركة لدراسة وبناء خطة شهرية مناسبة لشريحة العملاء أو أي دراسات أخرى وإنما ستعكف مباشرة على تسعير المنتج أو الخدمة. خالية من الالتزامات طويلة الأمد: لن تحتاج الشركة الالتزام مع العميل بخطة زمنية. تحكم مالي قوي: يمكن التدفق المالي المباشر عند دفع المستهلك ثمن المنتج مباشرة إلى زيادة السيطرة على التجارة. معرفة المنتجات المناسبة للعملاء: يمكننا هذا النظام من قياس ومعرفة أي من المنتجات لها عائد استثمار كبير وبتالي زيادة الانتاج والتصنيع والترويج وأيها ضعيفة لإيقافها أو تحسينها. ومن سلبياتها أيضًا: ارتفاع الرهان على تحسن الإيرادات: من الصعب التنبؤ بالإيرادات. الاحتفاظ بالعملاء: تزداد صعوبة المحافظة على العملاء الحاليين مما يتطلب بناء وإصدار منتجات جديدة تمنح العميل سببًا قويًا للعودة. المنافسة الشديدة: فتح الأبواب للمنافسين في كسب العملاء الغاضبين. يعمل هذا النظام مع المنتجات الّتي نادرًا ما تكون مطلوبة أو مع المنتجات الّتي لا تحتاج للاستخدام بمعدل زمني متكرر. أمثلة على شركات تستخدم هذا النوع: شركات المواد الغذائية، شركات تصنيع القطع وأدوات الغيار للسيارات ..إلخ. 2. نظام الإشتراك (الشهري أو السنوي) يعد نظام الاشتراك نظامًا جديدة نسبيًا لتحقيق الإيرادات وهو نموذج مبتكر من نماذج توزيع المنتجات أو الخدمات، وفعلًا أثبت هذا النظام جودته فهو مريح وموثوق للعميل. وتخلق علاقة ثابتة بين العميل والشركة. ويعكف معظم المستهلكين على الاشتراك في هكذا النوع من الخدمات من أجل السهولة أو الراحة أو الموثوقية أو للحد من هدر الوقت في شراء منتجات نحتاجها بصورة متكررة. ومن إيجابيات هذا النوع من الأنظمة نذكر: المشاركة المنتظمة: إن التكرار الدوري لهذه الخدمة يجعل العملاء يعودون بصورة منتظمة إلى المتجر مما يعزز اندماجهم ويخلق روابط الألفة والتعود على هذا النوع من الجودة والتعامل. انخفاض سعر الخدمة: غالبًا ما تكون خدمات ذات المعتمدة على نظام الاشتراك رخيصة بالموازنة مع إجمالي سعر الخدمات منفصلة وهذا يشكل مصدر قوة لهذا النظام ويعزز من حب المستهلكين بالخدمة. سهولة توقع الإيرادات: أن نظام الاشتراكات يخلق أساسًا ماليًا مريحًا لمدير المتجر مما يسمح له بالتركيز على زيادة جودة الخدمات وتطويرها. إدارة المخزون: يمكننا هذا النظام من إدارة المخزون بطريقة فعالة نتيجة لمعرفتنا بعدد الاشتراكات وبالتالي يمكننا توقع الإنفاق بصورة أدق من السابق. يشترك العملاء مرة واحدة ويستلمون المنتج (سواء أكان رقميًا أو ماديًا) بطريقة دورية والمعدلات الشائعة في تكرار الاشتراك تكون على الشكل التالي: شهرية ربع سنوية نصف سنوية سنوية ولا يتعين على العملاء تذكر القيام بأي شيء وإنما يجدد اشتراكهم بطريقة تلقائية مالم يشترطون خلاف ذلك، ويمكّننا هذا النظام من تذكير العملاء بانتظام بفوائد منتجاتنا، وبالنسبة للعملاء سيمكنهم هذا النظام من إدارة ميزانياتهم بصورة أسهل. لأنهم يعرفون تكلفة منتجك ومتى يخصم من رصيدهم. يعزز هذا النظام من ولاء العملاء وسيتعين على الشركة تطوير المنتج أو البحث عن خدمة إضافية مجانية تقدمها للمشتركين ليكونوا سعداء ومخلصين للعلامة التجارية. كما يجعل هذا النظام عملية تقييم الشركة قائمة على أساس عدد المشتركين وليس على أساس مقاييس غير ثابتة نسبيًا مثل (معدل التحويل ومعدل الارتداد وعدد الزوار ..إلخ) كما يسمح للشركات أيضًا بتقليل القلق بشأن الحاضر والتفكير على المدى الطويل بدون ضغوط تفكيرهم ببيع الأسهم والحصول على المال بالمقابل، كما يمكنهم هذا النظام من التنبؤ بصورة أفضل بالمستقبل وتحديد كيفية التعامل معه. ولكن بالطبع يوجد له سلبيات كما لكل نظام آخر نذكر منها: الحزم غير المدروسة: إن سوء تجميع الخدمات لتشكيلها بصورة حزم يمكن أن يتسبب بوضع خدمات زيادة عن الحاجة مما يؤدي لزيادة تكلفة غير منطقة للعميل والذي سوف يضطر في نهاية المطاف لدفع ثمن أكثر من اللازم. سهل الإلغاء: لا يمكن ضمان أن يستمر العميل مع المتجر أكثر من شهر (في حال كانت أقل مدة هي شهر) وبذلك لا بد من تجريب العديد من التشكيلات لحزم الخدمات للتأكد من رضا العميل. ضغط التطوير المستمر: لا بد من الاستمرار في البحث عن تقديم قيمة إضافية للعميل مما سيشكل تحديًا حقيقيًا في مرحلة ما. من الجدير بالذكر أن شركة أمازون طبقت هذا نظام الاشتراك في منتجها أمازون برايم (Amazon Prime) وكانت نتائجه رائعة جدًا فبحسب إحصائية أعدت في الولايات المتحدة لمعرفة مقدار الأموال الّتي يصرفها المستهلكين المشتركين في خدمة أمازون برايم والمستهلكين غير المشتركين في هذه الخدمة، وخلُصت الإحصائية إلى أن المستهلكين غير المشتركين في خدمة أمازون برايم كان إنفاقهم السنوي الوسطي 600 دولار أمريكي، بينما ارتغع معدل إنفاق المستهليكن المشتركين بخدمة أمازون برايم إلى 1400 دولار أمريكي وهذا دليل دامغ على جدوى هذا النوع من الأنظمة الإيرادات في تعزيز ولاء العميل. يستخدم هذا النوع من الأنظمة في المنتجات الضرورية والّتي نحتاجها بصورة دورية وأيضًا أو في حال كان شراء هذه المنتجات يصرف من وقت العملاء مما يجعلهم يتطلعون بالاشتراك لتوفير أوقاتهم. وبقدر سهولة الاشتراك من السهل جدًا إلغاء الاشتراك أيضًا. بالرغم من وجود دليل على أن متاعب تبديل الخدمات أو إلغاء الاشتراك ستكون كثيرة ولن يحبها العملاء أبدًا ولكنها بالتأكيد ستصب في مصلحة الشركة، إلا أنه في النهاية المطاف لا يوجد ما يمنع العملاء من تركك. أمثلة على شركات تستخدم هذا النوع: شركة أمازون في خدمة أمازون برايم، شركة شوبيفاي ..إلخ. 3. نظام الدفع حسب الاستخدام غالبًا ما يستخدم هذا النظام في أنماط التجارة المعتمدة على الخدمات (مثل استضافة المواقع - الاستشارات - واجهات التطبيقات البرمجية (API) …إلخ)، وفي هذا النوع من الأنظمة لن تضطر إلى تحمل تكاليف سعر الخدمة أو اشتراكها الشهري أو السنوي، وإنما ستحاسب فقط على ما استخدمته من الخدمة فقط. ويمكن أن يُحسب معدل صرفك للخدمة بعدة طرق نذكر منها: عدد الساعات المستخدمة: أو حتى الدقائق أحيانًا في حال كانت مقدم الخدمة مشغل الهواتف المحمولة في الدولة أو المدينة. عدد الطلبات المرسلة: في حال كانت الخدمة هي واجهة التطبيقات البرمجية (API). حجم تراسل البيانات: في حال كانت الخدمة طلب بيانات من مخدم سحابي كما هو الحال مع خدمات أمازون السحابية (AWS). يستهدف هذا النظام شريحة معينة من العملاء ويمكن ألا يتناسب مع الجميع لذا من الأفضل أن يكون خيارًا إضافيًا من بين خيارات أخرى، ومن إيجابيات هذا النوع من الأنظمة نذكر: انخفاض تكاليف الخدمة: بما أنك ستدفع فقط لما ستستخدمه فلن تضطر لدفع ثمن خدمة لن تستخدمها كلها (يحدث ذلك في خطط الباقات الشهرية). حرية الانتقال إلى خدمة أخرى: لست مقيدًا بعقد خدمة طويل، لذا يمكنك تغيير مُقدم الخدمة في أي وقت. التحكم: بعض الشركات تمنحك الإمكانية لتحديد التراسل أو تحديد عدد ساعات معين مما يعطيك التحكم في الاستخدام والإنفاق. وكما أن له إيجابيات لا بد أن يكون له بعض السلبيات أيضًا نذكر منها: التكلفة عالية بالموازنة مع الخطط الشهرية أو السنوية: يمكن أن تكون هذا النوع من الخدمات تكلفتها عالية على الدقيقة أو الساعات أو الحجوم الّتي تستخدمها إذا وازنتها مع الخطط الشهرية وتكون فائدتها فقط إذا لم تستخدم الخدمة بكثرة. عدم إمكانية التحكم: في بعض الأحيان لا تسمح لك الشركات بتحديد كمية الاستخدام الّتي تريدها، وتكون هذه الشركات أيضًا. تضاعف أسعار الخدمة في حال الاستهلاك الكبيرة لذلك يمكن أن تواجه فاتورة فلكية في نهاية الشهر إذا لم تكن خدمة التحكم متاحة. الخدمة مقسمة لأجزاء كثيرة: في حال أردت استخدام الخدمات الإضافية سيتوجب عليك دفع المزيد من المال فمثلًا إذا استخدمت مزود اتصالات لهاتفك الذكي وكنت تريد استخدام هاتفك لأكثر من مجرد مكالمات، فسيتعين عليك الدفع مقابل خدمة بيانات الهاتف النقال والدفع أيضًا لإرسال واستقبال الرسائل النصية أو التحقق من البريد الإلكتروني ..إلخ. يلقى هذا النوع من الأنظمة رواجًا في بعض الخدمات الإلكترونية أو يكون خيار جانبيًا في طرق الاشتراك بالخدمات ويُستخدم الناس هذا النوع من الخدمات إما لتجريب الخدمة أو في حال عدم قدرتهم على الالتزام بعقود طويلة وغالبًا ما يكون ذلك بسبب السفر. أمثلة على شركات تستخدم هذا النوع: شركة أمازون في خدمات الوب السحابي، مشغلي الهواتف الذكية ..إلخ. 4. النظام المجاني لا يتقاضى مقدموا الخدمة أو المنتج في هذا النوع مالًا من المشتري وإنما يسمحون لهم باستخدام الخدمة أو المنتج بصورة مجانية تمامًا، وبعضهم يلجأ لخيارات الربح من خلال عدة طرق نذكر منها: الإعلانات الميزات المدفوعة ومن إيجابيات هذا النوع من الأنظمة نذكر: تعاظم الأرباح: في حال استطاعت الشركة في جذب الملايين من العملاء لخدماتها وتطبيقاتها ونجاحها أيضًا في إيجاد طريقة ما لتحقيق إيرادات من هؤلاء العملاء فستقفز إيرادات الشركة بين ليلة وضحاها. لا يخسر العميل أي أموال: لا يوجد ما يمنع العملاء من استخدام الخدمة وخصيصًا أنها مجانية. التعلّق بالعلامة التجارية: تستفيد الشركة من كثرة استخدام عملائها لتطبيقاتها مما سيعزز ولائهم للشركة وللعلامة التجارية ككلّ. ومن سلبيات هذا النوع من الأنظمة نذكر: ارتفاع معدل إنفاق التشغيلي للشركة: ستعاني الشركة في البداية من خسارات كبيرة نتيجة سياسة التوسع وزيادة المصاريف التشغيلية على الموظفين المخدمات ..إلخ. ضغط التوسع في الأسواق الجديدة: ستواجه الشركة العديد من التحديات أثناء دخولها في أسواق جديدة مما سيُشكل ضغطًا عليها خوفًا من أخذ الشركات المنافسة حصتها من هذا السوق المستهدف. جمع البيانات: غالبًا ما يعتمد هذا النوع من الشركات على جمع بيانات المستخدمين لتحليلها وعرض الإعلانات المناسبة لهم والذي يمكن أن يكبد الشركة خسائر كبيرة في حالة استغلال المعلومات المجموعة من قِبل أطراف خارجية. تحديات الوصول لسقف توقعات العملاء: لا بد للشركة المواصلة في الحفاظ على جودة خدماتها ومحاولة مواكبة التطورات الجديدة لكي لا تخسر شريحة العملاء الّتي لديها لصالح المنافسين. إن هذا النوع من الشركات تعمل على الخطط طويلة الأمد ويكون هدفها في البداية تعويد المستخدم على المنتج وكسب ثقته ليتعلق لاحقًا بالعلامة التجارية ويتأقلم عليها مما سيصعب عليه الانتقال إلى الخيارات الأخرى الّتي يقدمها المنافسين فيصبح بذلك هذا المنتج المجاني قناة لجذب العملاء وطريقة للتسويق بصورة مختلفة عن الشركات الأخرى. أمثلة على شركات تستخدم هذا النوع: شركة فيسبوك، قوالب وملحقات ووردبريس المجانية ..إلخ. كيفية اختيار النظام الأمثل ولكن كيف ستحدد ما هو المناسب لك؟ في الحقيقة لا توجد إجابة جاهزة تناسب جميع الأنشطة التجارية على الإنترنت، وإنما يمكنك التجريب والاختبار والتحليل ورؤية المنافسين والتعلم منهم أو التغلب عليهم بطريقة مبتكرة في نموذج إيرادات الشركة الّتي تريد بناءها وعمومًا إليك بعض الأشياء الّتي يجب عليك التفكير بها عند اتخاذ هذا القرار: أيهما أكثر منطقية من وجهة نظر العميل؟ إذا لم تستطع أن تشرح للعملاء لماذا نموذج التسعير الخاص بك مناسبًا لهم، فلن يكونوا عملاء لفترة طويلة جدًا. وإذا كان لديك عملاء حاليون، فتحدث معهم وانظر إلى ما يفكرون به. وإذا كنت لا تزال في المراحل الأولية من بناء المشروع وتبحث عن الطريقة الأنسب لتحقيق الإيرادات فيفضل في هذه الحالة التحدث إلى العملاء المحتملين أو الأشخاص الّذين تعتقد أنهم السوق المستهدف. هل يمكنك تجزئة صفحات الأسعار لمعرفة أي منها أكثر نجاحًا؟ يمكنك أيضًا تجربة بعض الحيل لمعرفة الأسلوب الأنسب في كسب رضا العميل من خلال تجربة اختبار الانقسام (A/B Testing) ويعرف أيضًا باختبار A/B وهو طريقة لإنشاء نسختين مختلفتين (ستكونان الصفحة A والصفحة B) من صفحة معينة في متجرنا (في حالتنا ستكون صفحة الدفع أو الاشتراك) والهدف الأساسي لهذا الاختبار هو قياس التغيير الناتج في حال عرض الصفحة A وقياس التغيير في حال عرض الصفحة B، وبناء على هذا الاختبار يمكننا معرفة أي من هذه الصفحات تجذب العملاء وتدفعهم للاشتراك أو شراء المنتج الخاص بنا. ما هو النموذج الّذي يجعلك أقرب لإنشاء عمل مستدام؟ يمكن أن تبدو الأنشطة التجارية الّتي تركز على نظام الاشتراك الخيار الأمثل هنا (وعلى افتراض أنه يمكنك تجنب إرهاق نظام الاشتراك، يمكن أن تكون رائعة لتحقيق إيرادات متكررة). ولكن بغض النظر عن النموذج الّذي تستخدمه، يجب أن تركز على النموذج الّذي يحقق لك الاستدامة والاحتفاظ بالعملاء. ويمكن أن تدرك لاحقًا أن طبيعة منتجك تجعل من الصعب الاحتفاظ بالعملاء لمدة طويلة. فإذا كان الأمر كذلك، فإن نموذج الدفع المباشر سيكون بديلًا رائعًا. تذكر دائمًا أن جوهر أي نشاط تجاري ناجح هو التجريب ومراقبة النتائج والتعلم من الأخطاء. مهما كان النموذج الّذي تقرره لتجارتك الإلكترونية يجب عليك الانتباه دائمًا إلى المقاييس المهمة لنشاطك التجاري وكن مستعدًا لتعديل إستراتيجيتك وفقًا لذلك. بما أننا تعرفنا على أشهر نماذج الإيرادات لنتعلم أشهر أنواع المتاجر الإلكترونية وما هي الفروق بينها. أنواع المتاجر الإلكترونية تختلف أنواع المتاجر الإلكترونية في عملها فمنها من يكون لبائع واحد ومنها ما يكون لمجموعة من البائعين الموثوقين ومنا ما يكون مثل الأسواق التقليدية ومع اختلاف عملها تختلف نماذج إيراداتها وعمومًا هنالك ثلاث أنواع من المتاجر وهي على الشكل التالي: متجر إلكتروني لبائع واحد. متجر إلكتروني لمجموعة بائعين موثوقين. الأسواق الإلكترونية. 1. متجر إلكتروني لبائع واحد يتخصص هذا المتجر في بيع السلع أو الخدمات لفرد واحد أو لشركة واحدة وإن تقع معظم مواقع التجارة الإلكترونية تندرج تحت هذا الصنف من المتاجر. يحقق هذا المتجر عائداته من خلال بيع المنتجات الشركة ويركز هذا المتجر على بناء علامة تجارية قوية والتأكد من رضا المستخدم عن جودة المنتجات وهل وصلت لسقف توقعاته أم لا. من الأمثلة على هذا النوع من هو متجر أديداس ومتجر آبل. 2. متجر إلكتروني لمجموعة بائعين موثوقين يتكون هذا المتجر من عدد محدد من العلامات التجارية يتجمعون تحت سقف متجر واحد، في هذا النوع من المتاجر لا يوجد خيار للتسجيل كبائع ويمكن أن يكون بين هذه الشركات عقود شراكة أو إتفاقيات تعاون مشترك من أجل تلبية كافة احتياجات المستخدم من منتجات عالية الجودة مثلًا أو المنتجات الأرخص ثمنًا أو المنتجات الأكثر شعبية ..إلخ، وتصبح هذه الطريقة عنصر تميز لهكذا نوع من المتاجر. 3. الأسواق الإلكترونية تتيح الأسواق الإلكترونية للبائعين الخارجيين بالبيع عبر المنصة ويمكن للبائعين المختلفين تسويق منتجاتهم للعملاء. لا يمتلك مالك السوق المخزون وإنما مهمة السوق في هذه الحالة عرض المنتج وضمان مستوى جودة الخدمة لكلا الطرفين، وتتدخل الشركة إذا كان هناك نزاع بين البائع والمستهلك؛ أي أنها على غرار ما نراه في الأسواق الفعلية. من الأمثلة على هذا النوع سوق إتسي (Etsy) للمنتجات المصنعة يدويًا، وموقع إيباي (eBay) للمنتجات المستعملة. ولكن هل هذه الاختلافات هي الوحيدة بين هذه المتاجر والأسواق أم أن هنالك اختلافات أعمق بكثير في كيفية استهداف المستهلكين ومنهجية التوسع للمتجر ..إلخ. وبما أننا مقدمين على اتخاذ قرار لا بد لنا أن نناقش هذه الاختلافات بالتفاصيل. الاختلافات بين المتاجر والأسواق الإلكترونية إن الاختلافات بين المتاجر (ذات البائع الواحد أو متعددة البائعين) والأسواق الإلكترونية كثيرة ومتنوعة، وبالرغم من أن كلاهما يستخدم لأغراض تجارية إلا أن هناك بعض الاختلافات الأساسية بينهما. ولا يمكن أن ينظر لهما بنفس الطريقة نهائيًا ولأنه يجب علينا الإلمام بجميع الجوانب الخاصة بالمتجر الإلكتروني الّذي نريد بناءه لا بد لنا من مناقشة الأفكار التفصيلية الّتي سنواجهها عند افتتاحنا للمتجر الإلكتروني، وعمومًا ستكون الاختلافات الّتي سنناقشها على الشكل التالي: نهج التسويق والاستهداف قابلية التوسع إدارة المخزون الوقت والمال حجم المبيعات مؤشرات اتجاه السوق تفاعل الجمهور كيفية كسب ثقة العميل كيفية تصفح المتجر 1. نهج التسويق والاستهداف من المهم جدًا أن يكون لديك مفهوم واضح حول منهجية التسويق والاستهداف عبر الإنترنت ووسائل التواصل الاجتماعي. فمثلًا في حال كنت تملك متجرًا إلكترونيًا فيجب عليك حينها التركيز على استهداف المشترين وحسب، أما في الأسواق الإلكترونية فلا يجب عليك جذب المشترين فقط بل البائعين أيضًا لأنهم سيكونون قلب السوق الخاص بك ومحوره. وأيضًا في المتاجر الإلكترونية يتعين على التاجر الفردي (أو مجموعة التجار) إنفاق المزيد من الأموال لجذب زوار أكثر للمتجر وبمجرد أن يجد المشتري شيئًا ما يعجبه تكون عملية الاختيار أبسط إذ أن الاختيار من يحصل بين المنتجات الّتي تقدمها شركة واحدة فقط (أو الشركات المتعاونة). ولكن بالنسبة للأسواق الإلكترونية فالأمر مختلف فمن خلال سعي كلّ بائع في هذا السوق التسويق وجذب المزيد من الزوار لرؤية منتجاته وشرائها، ويستفيد السوق الإلكتروني من ذلك كثيرًا إذ يزداد الوعي الخاص بهذا السوق، ويبدأ السوق بالانتشار الفيروسي بين الناس مما يؤدي لزيادة إقبال الناس على الشراء عبر هذا السوق وبالتالي زيادة رضا المشترين، وزيادة قاعدة العملاء والّتي هي شريان الحياة في الأسواق الإلكترونية. 2. قابلية التوسع بما أن الأسواق الإلكترونية تعمل كوسيط بين البائع والمشتري وبالتالي فإنها لا تبيع أو تشتري أي منتجات من البائعين وإنما تعرض بضاعتهم فقط وتساعدهم على تحقيق المبيعات لذلك فهي تنطوي على مخاطر مالية أقل بكثير من المتاجر الإلكترونية الّتي يتعين عليها الاستثمار باستمرار في تحسين إدارة المخازن وتجميد رأس المال في تصنيع المنتجات وتطويرها والذي يمكن أن يضطرها للمخاطرة في طرح أسهمها للاكتتاب العام وأسهمها للبيع وانتظار المشترين أو المضاربين لتحديد القيمة السوقية لهذه الأسهم والشركة على حد سواء ويمكن أيضًا ألا تستطيع أن تبيع أسهمها على الإطلاق. لذلك كانت الأسواق الإلكترونية الأقوى والأسرع في التوسع لأنها لا تجمد الكثير من الأموال. ويمكن أيضًا أن تحتاج الأسواق الإلكترونية البحث عن بائعين جدد في حال زيادة عدد الزوار بصورة كبيرة إلا أنها لن تعاني من إنفاق الأموال الكثيرة على المخزون أو أماكن التخزين أبدًا. 3. إدارة المخزون لا يخفى على أحد أهمية المخزون بالنسبة للمتاجر الإلكترونية فلا يمكن أن يخاطر التاجر بجلب واستقطاب الزبائن بدون أن يكون لديه المخزون الكافي لتغطية كافة الطلبيات المحتملة ولأنه كلما زاد المخزون زادت احتمالية رضا الزبون عن تجربة التسوق الخاصة بهذا المتجر وتنفيذ طلبه مباشرة. إلا أنه يوجد مخاطرة كبيرة تنطوي على هذا الأمر وهي كساد المنتجات في المخزن لأن بعض المنتجات تحتاج ظروف خاصة لتخزينها (مثل المواد الغذائية) لذلك إن هذا الأمر يشكل تحديًا كبيرًا في وجه نمو المتاجر الإلكترونية. وفي هذا السياق لا بد لنا من الإشارة إلى مبدأ باريتو والمعروف أيضًا باسم قاعدة 80/20 في طريقة تعاملنا مع منتجات الّتي ستكون في المخازن إذ أن أقلية من المنتجات ستحصل على غالبية المبيعات. في بعض الأحيان يمكن لا تكون الخطورة في سوء تخزين المنتجات وإنما تكون في تجميد رأس المال في هذا المنتجات غير المرغوب بها أو ذات الطلب الضعيف؛ لذلك ينص مبدأ باريتو أنه سيتعين عليك التخلص من المنتجات غير المباعة في مرحلة ما سواء من خلال خفض أسعارها أو تقديم كوبونات تشجيعية لشرائها أو حتى تقديمها كهدية في حال تجاوز سلة المشتريات مبلغًا معينًا. على العكس من ذلك لا تواجه الأسواق الإلكترونية هذا التحدي وإذا كان هناك أي منتج لا يلقى قبول الناس ولا اهتماماتهم فلن يضر مدير السوق الإلكتروني بشيء لأنه ببساطة لم يشتري المنتجات مطلقًا فلذلك لا توجد تكاليف إضافية لذلك بل العكس يمكن أن يدفع البائع الّذي تعاني بضاعته من قلة المبيعات مبلغ مالي لصاحب السوق من أجل أن تتصدر منتجاته الصفحة الرئيسية وبذلك تتحول النقمة إلى نعمة لهذا السوق الإلكتروني. 4. الوقت والمال إن المتاجر الإلكترونية بطبيعتها وخصيصًا المتاجر ذات البائع الواحد تكون سهلة البناء والصيانة، وبالتأكيد يمكن أن تكون أيضًا معقدة بسبب كثرة متطلبات التاجر. وبذلك لا تتطلب الكثير من الوقت لإنجازها أو لصيانتها. ولكن بالنسبة للأسواق الإلكترونية فالأمر مختلف تمامًا إذ هنالك الكثير من الميزات الضرورية للسوق الإلكتروني ولا يمكن المجازفة أبدًا في إظهار السوق الإلكتروني هزيلًا للبائعين أو للمشترين على حد سواء لذلك يتطلب تطوير سوق إلكتروني متكامل وقوي الكثير من الوقت والجهد بل والأمر من ذلك الكثير من المال. ولكن من ناحية أخرى تشكل هوامش الربح الّتي تضعها الأسواق الإلكترونية على المنتجات الّتي تباع عن طريقها مردودًا أسرع من المتاجر الأمر الّذي يوازن الكفة بين المتاجر والأسواق الإلكترونية. 5. حجم المبيعات تحتاج الأسواق الإلكترونية إلى بيع كميات كبيرة من المنتجات لأن هوامش الربح تكون قليلة بالنظر إلى هوامش الربح في المتاجر الإلكترونية، في المتاجر الإلكترونية تكون الطلبات والمعاملات قليلة ولكن هامش الأرباح كبير، ونتيجة لذلك لا بدّ للأسواق الإلكترونية التعامل مع الكثير من الطلبات والمعاملات والّتي من الضروري جدًا التركيز على أتمتة أنظمتها قدر الإمكان. ويجب عليها أيضًا التركيز على إتمام الطلبية بأي شكل من الأشكال لتحقيق دورة الأرباح الّتي تسعى لها. 6. مؤشرات اتجاه السوق تستفيد الأسواق الإلكترونية من مؤشرات اتجاهات الأسواق، وذلك لأن لديها الكثير من المنتجات والسلع وبمختلف الفئات السعرية مما يشكل لها قاعدة بيانات كبيرة تستند إليها في معرفة اتجاه السوق الأسعار المناسبة من وجهة نظر المشتري بل ستعرفُ هذه الأسواق أيضًا ما هو تكرار معدل الشراء بعض المنتجات، وما هي المنتجات الّتي يشتريها المستهلكون مع بعضها بعضًا، ومن هم أفضل البائعين في مجال الأدوات المنزلية أو الأدوات الكهربائية وبذلك تستطيع اتخاذ قرارات أذكى وأكثر فاعلية في لترتيب الصفحات الرئيسية لديها وتحقيق المبيعات. أما المتاجر الإلكترونية وخصيصًا متاجر البائع الواحد تفتقر جدًا إلى هذه المعلومات المهمة ولذلك تكون جميع تحركاتها في دائرة صغيرة بل ومغلقة أيضًا! 7. تفاعل الجمهور يعد إشراك الجمهور أمرًا مهمًا وحيويًا جدًا في الأعمال التجارية عبر الإنترنت سواء بالنسبة للمتاجر أو الأسواق الإلكترونية، من الملاحظ أن المتاجر الإلكترونية تتفوق على الأسواق في إمكانية بناء علامة تجارية قوية بينها وبين المستهلكين، وإن إمكانية تفاعل الجمهور مع المتجر الإلكتروني أكبر من الأسواق الإلكترونية، وفي حال وجد أي مشتري على سوق إلكتروني جديد نفس المنتج الّذي يبحث عنه بسعر أرخص من السوق الّذي اعتاد على الشراء منه فإن إمكانية شرائه من السوق الجديد كبيرة جدًا لأنه في نهاية المطاف هدف المشتري هو المنتج وليس المنصة إلا في حال كانت المنصة لديها اشتراكات خاصة تمكن المشتري من استلام المنتج في غضون ساعات مثلما هو الحال في خدمة أمازون برايم فعندها يمكن أن تتغير قواعد اللعبة. ولكن عمومًا يكون محور التركيز الخاص بالمتاجر هو الجمهور ومحور التركيز الخاص بالأسواق من ناحية المشترين هو تشجيعهم على الشراء بأكبر قدر ممكن ومن ناحية البائعين هو تحفيزهم لإضافة المزيد من المنتجات أو الخدمات. 8. كيفية كسب ثقة العميل إن بناء الثقة بين البائع والمشتري من أكثر المواضيع الهامة والضرورية في المتاجر والأسواق الإلكترونية وتعد الثقة جزءًا أساسيًا من تجربة الشراء عبر الإنترنت. تتفوق المتاجر على الأسواق الإلكترونية في عملية بناء الثقة بين المستهلك والمتجر الإلكتروني وخصيصًا متاجر البائع الواحد وذلك من كون أن المتجر لديه جودة موحدة للمنتجات وعقلية واحدة للتصنيع ورسالة واضحة يريد إيصالها لجميع المستهلكين سواء كانت الرسالة هي الجودة مع رخص الأسعار أو الأناقة مع ارتفاع الأسعار فمهما تكن الرسالة الّتي يريد المتجر إيصالها ستكون ناجحة أكثر من الأسواق الإلكترونية الّتي يخشى الكثير من المتسوقين تجربة بائعين جدد بسبب الخوف من أن يكون المنتج مخالفًا للمواصفات أو أن الصور لا تعكس حقيقة المنتج والكثير من الأسئلة الّتي يحتاج المتسوق إيجاد الإجابة عليها قبل أن يشتري المُنتج من البائع على السوق الإلكتروني. لذلك بدأت بعض الأسواق في تنفيذ سياسة قوية لمحاربة التزييف والاحتيال من خلال الاحتفاظ بالمال الّذي أودعه المشتري لشراء المنتج وبعد وصول المنتج إلى المشتري يؤكد على أن المنتج وصل بحالة سليمة ومطابق تمامًا للمواصفات عندها فقط يُرسل المال إلى البائع وتستكمل عملية البيع بنجاح. وبالتأكيد هنالك الكثير من الخطوات الّتي يمكن أن تعزز ثقة المستهلك بالمتجر الإلكتروني (مثل: الاهتمام بصفحة من نحن وإضافة صور من المكتب الرسمي للمتجر وإضافة صور الفريق والاهتمام بتفاصيل عرض المنتج والكثير غيرها الّتي سنناقشها في مقالة منفصلة). 9. كيفية تصفح المتجر غالبًا ما يكون التنقل في المتاجر الإلكترونية (E-Commerce Navigation) أسهل من الأسواق الإلكترونية وعود السبب في ذلك لأن عدد الفئات والمنتجات قليل بالموازنة مع الأسواق الّتي تحتوي على مئات الآلاف بل أحيانًا الملايين من المنتجات الّتي تُغرق المستخدم في حفرة لا يمكن الخروج منها بعملية شراء واحدة أبدًا. يناقش عالم النفس باري شوارتز (Barry Schwartz) في كتابه معضلة الاختيار (The Paradox of Choice) مسألة مهمة جدًا ووهي لماذا أصبحت عملية الاختيار صعبة جدًا في عصرنا الحالي. فمثلًا عندما تذهب لأحد المتاجر التقليدية لشراء بنطال جينز، فتجد أمامك العشرات أو حتى المئات من البناطيل الجينز المتاحة للشراء، وفي كلّ بنطال هنالك ميزة تشجعك على شرائه وسيئة تنفرك من شرائه. ومباشرة يبدأ العقل في الموازنة بين المميزات والعيوب لكل بنطال على حدة لكي يستطيع القرار بأي من الخيارات هي الأفضل بين جبل الخيارات المتاحة. عندها يصاب العقل بحالة تُدعى شلل التحليل (Analysis Paralysis) وهي حالة العجز عن اتخاذ القرار بسبب كثرة الخيارات المتاحة. إن حالة شلل التحليل موجودة أيضًا في الأسواق الإلكترونية ولذلك يجب أن تسعى هذه الأسواق جاهدةً لتحسين تجربة التنقل من خلال تنظيم المنتجات في فئات واضحة وعرض المنتجات بطريقة تبعد المشتري عن حالة شلل التحليل، ووضع مربع البحث والفلاتر الخاصة لتخصيص البحث في مكان واضح في المتجر، وتطوير عملية البحث لتصبح ذكيًة وتدعم الاستكمال التلقائي من أجل مساعدة المستهلك على إكمال عملية البيع بكل يسر وسلاسة. الخاتمة تعرفنا في هذا المقال على أشهر نماذج إيرادات شركات التجارة الإلكترونية واستعرضنا بعدها أنواع المتاجر الإلكترونية وبينا الفرق بين المتاجر والأسواق الإلكترونية وختامًا من الجيد دائمًا بناء الصورة الكاملة قبل البدء بأي عمل تجاري جديد، وكنصيحة نهائية ابدأ أولًا بتحديد احتياجاتك وتفضيلاتك والجمهور المستهدف من المتجر، وبعدها سيكون من السهل عليك معرفة فيما إذا كنت تريد دخول المتاجر أو الأسواق الإلكترونية.

حققت التجارة الإلكترونية نموًا كبيرًا بالموازنة مع غريمتها التجارة التقليدية (مثل متاجر البيع بالتجزئة) ففي دراسة أجريت في مطلع عام 2020 توقعت بأن تنمو التجارة الإلكترونية لتبلغ 16.5% نهاية العام بينما توقعت إحصائية أخرى بأن ينخفض معدل نمو التجارة التقليدية إلى ما دون الصفر ليبلغ ‎-5.7%. لماذا يجب علينا الدخول إلى عالم التجارة الإلكترونية؟ إن هذا النمو الهائل يجب أن يحفز الشركات على بناء استراتيجية للدخول إلى هذه الأسواق لأنه وبكل تأكيد لن تحقق المتاجر التقليدية الجزء الأكبر من المبيعات. ولكن بعيدًا عن الأرقام هيا بنا نستعرض أبرز المحفزات الّتي تشجعنا على دخول أسواق التجارة الإلكترونية: 1. توافر فرص التمويل وشركات رأس المال المخاطر كان رواد الأعمال منذ زمن ليس ببعيد يعانون كثيرًا لإيجاد الفرص الّتي تساعدهم على بدء مشاريعهم الناشئة بل وكانت المنافسة محتدة جدًا للحصول على رأس المال الكافي لبدء مشروعهم التجاري، ولم يكن حتى لهؤلاء الرواد أي منجم معلومات يساعدهم على اتخاذ قرارات حكيمة تساعدهم في المضي قدمًا في مشاريعهم. كانت الحلول تتدرج من صعبة إلى مستحيلة، أما الآن فقد اختلف الأمر كثيرًا فمعظم تحديات الماضي لم تعد موجودة وبعض التحديات أصبحت سهلة للغاية فالحصول على رأس المال أصبح سهلًا جدًا. إذ يمكننا الآن وبكل سهولة العثور على أشخاص من جميع أنحاء العالم مستعدين للمساعدة في تمويل مشروعك التجاري فها هي منصة المشاريع الناشئة Kickstarter والتي تعتمد على التمويل أو التعهيد الجماعي (Crowdsourcing) للمشارع الناشئة. تمثل هذه المنصات دفعة كبيرة لرواد الأعمال في كلّ مكان للبدء بتجارتهم الآن وبدون أي تأخير. سواء أكنت بحاجة لقرض خالٍ من الفوائد من أحد البنوك أو ترغب في الحصول على تمويل جماعي فلا يوجد وقت أفضل من الآن. بل وحتى يمكنك التطلع إلى شركات رأس المال المخاطر (Venture capital) الّتي أصبحت موجودة بكثرة الآن وستجد فيها الكثير من أصحاب رؤوس الأموال المتحمسين للمساهمة في فكرتك، طالما لديك فكرة مبتكرة وخطة عمل قوية لا تتردد وابدأ الآن في تحضيرها والعمل عليها لكي لا يسبقك أحد ويأخذ الحصة الأكبر من الكعكة. 2. تطور التكنولوجيا في صفك تعد التكنولوجيا محورًا رئيسيًا في عالم التجارة الإلكترونية، ولم تكن هناك تقنيات صديقة للأعمال أكثر مما هي عليه اليوم. بل وأفضل مافي الأمر أن هذه التقنيات في تحسن وتطور مستمر، فكما نلاحظ كيف أن التطبيقات وتقنيات الدفع الإلكتروني الجديدة جعلت الأمور أسهل للشركات. ومع حلول الدفع بالعملات الإلكترونية ستكون الأمور أبسط وأسهل وبالتالي يمكننا بسهولة تأمين أنواع مختلفة من طرق الدفع بسرعة كبيرة. فكما نلاحظ أنه انخفضت تكلفة ممارسة الأعمال التجارية دوليًا بينما ارتفع مستوى الراحة. لم يقتصر الأمر على تطور تطبيقات التجارة الإلكترونية أو طرق الدفع فحسب بل تعدى الأمر إلى أبعد من ذلك فسواء أكنت تريد تنظيم اجتماعات أو مؤتمرات المرئية فهي موجودة بسهولة الآن وإن كنت تريد أدوات تنظيمية فعالة فالخيارات أمامك كثيرة وجميعها تلبي الحاجة وأكثر. لم تعد مضطرًا لدفع ثمن الرحلات الجوية لمقابلة العملاء فببساطة يمكنك مقابلتهم من خلال خدمات البث المباشر أو من خلال المؤتمرات المرئية، ولست مضطرًا أبدًا لمغادرة المنزل. 3. تمايز المستهلكين واتساع الأسواق لكل التجار إن التنوع الثقافي والجغرافي واللغوي بين أطياف المجتمعات سيصب حتمًا في مصلحة رواد الأعمال إذ يمكنهم الآن استهداف شرائح صغيرة في المجتمع واكتسابها بالكامل وبدون أن تدخل في حروب خاسرة مع عمالقة التجارة الإلكترونية. يمكن للشركات ذات رأس المال المحدود الآن وأكثر من أي وقت مضى الدخول في الأسواق وحجز مكان لا بأس به. يمكنك الآن مع ازدهار منصات التواصل الإجتماعي أن تعرف بالضبط كيف تقضي الشريحة المستهدفة وقتها على هذه المنصات وما هي الصفحات والمجموعات الّتي تحبها، ويمكنك أن تقترب من عملائك بطريقة لم نكن نتخيلها من قبل. أي يمكنك بسهولة الدخول للأسواق بطريقة عمودية (أي التركيز على شريحة واحدة من المجتمع) وبالتأكيد يمكنك أيضًا الدخول للأسواق بطريقة أفقية ولكن يتوجب عليك آنذاك منافسة العمالقة. 4. الجميع متصل بالإنترنت ويمكنك بسهولة الوصول إلى جمهورك يتزايد عدد مستخدمي الإنترنت حول العالم باستمرار، ويتزايد معه أيضًا عدد المستهلكين الّذين يتسوقون عبر الإنترنت باستمرار. وهذا يعني أن الفرصة اليوم أفضل من أي وقت مضى للاستثمار في هذه الجماهير الغفيرة المتواجدة على الإنترنت. يمكنك الآن التسويق واستهداف قاعدة جماهيرة ضيقة من المستهلكين ومناسبة تمامًا للمنتج الّذي تريد بيعه، كما سيساعدك أيضًا الحضور الإلكتروني على منصات التواصل الإجتماعي (فيسبوك، ويوتيوب، وتويتر ..إلخ.) على التقرب أكثر من المستهلكين ومعرفة ردود أفعالهم حول المنتج أو الخدمات الّتي تقدمها وهذا الأمر كان صعبًا جدًا او شبه مستحيل في الماضي وخصيصًا للمنتجات الاحترافية أو المخصصة لمهنة معينة. 5. سهولة البدء وانخفاض التكاليف عندما كانت المتاجر التقليدية هي اللاعب الأساسي في سوق بيع المنتجات كانت تكاليف بناء متجر جديد مرتفعة جدًا؛ إذ كان عليك أن تدفع إيجارًا للمحل، وأن تدفع فواتير الكهرباء والماء والمرافق العامة الأخرى، كما يجب عليك أن تشتري تأمينًا لهذه المرفقات لتغطية الأضرار في حال حدوث سرقات أو حدوث كوارث طبيعية الأمر الذي سيزيد تكلفة بناء المتجر (هذا بحسب كل دولة وقوانينها). أما مع المتاجر الإلكترونية فلا داعي للقلق بشأن أي مما سبق. حتى إنشاء موقع الوِب الخاص بك يمكن أن يكون مجانيًا إذا كنت تستخدم البرمجية المناسبة. عندما تبدأ في جني الأموال، يمكنك اختيار أدوات تطوير جديدة بناءً على ميزانيتك. الأمر متروك لك تمامًا في مقدار الأموال الّتي تريد أن تخصصها لفتح مشروعك الخاص. أصبح إنشاء متجر إلكتروني أسهل وأرخص من أي وقت مضى نظرًا للتكنولوجيا المحسّنة وأدوات المتاحة عبر الإنترنت مثل متاجر شوبيفاي تجعل تجربة افتتاح متجر إلكتروني سهلة جدًا ورخيصة نسبيًا، بغض النظر عن مدى ضآلة معرفتك بالتكنولوجيا الكامنة وراءها ستكون سهلة جدًا للبدء بها. علاوة على ذلك، هناك مجموعة متنوعة من المنصات المخصصة لبدء متجرك الإلكتروني مجانًا مثل ووكومرس (WooCommerce) أو ماجنتو (Magento) وما شابهها من تقنيات مفتوحة المصدر. جميع هذه الخيارات تسهل عليك افتتاح متجرك الإلكتروني بدون معرفة كبيرة بالتقنيات الكامنة وراء هذه المنصات مما يسمح لك بالتركيز على المبيعات والأفكار بدلًا من التعامل مع المهام التقنية. 6. ازدياد نسبة إغلاق المتاجر التقليدية بمعدلات قياسية لم يعد الناس يتعاملون مع المتاجر التقليدية للبيع بالتجزئة كما كان من قبل؛ إذ أصبح التوجه العالمي نحو التسوق الإلكتروني عن بعد، وهذا ما تثبته الأرقام، فبحسب إحصائية منشورة على موقع statista جاء فيها عدد إغلاقات متاجر البيع بالتجزئة في الولايات المتحدة لوحدها عام 2018 حوالي 6897 متجر وأما عام 2019 فأغلق حوالي 9832 متجر ويتوقع أن يشهد عام 2020 إغلاق من 20000 متجر إلى 25000 متجر. لا نزال في الحقيقة نحتاج للمتاجر التقليدية بالرغم من هذه الإغلاقات ولكن طبعًا ليس بهذه الكثرة، لأن المستهلكين بداؤا يدركون بسرعة أنهم لن يحتاجوا لقيادة سياراتهم للوصول لمتاجر البيع بالتجزئة والانتظار بعدها في طوابير طويلة للحصول على المنتجات الّتي يمكن ألّا تكون موجودة. ومع تجربة المستهلكين للمتاجر الإلكترونية لم تعد نظرتهم للمتاجر التقليدية كما كانت عليه سابقًا. 7. ليس هنالك حاجة لوجود مخازن للمنتجات ولا حتى معدات تصنيع بغض النظر عن ما تبيعه ولمن تبيعه لم يعد هنالك حاجة في أن تضعه في مخزنك الخاص إذ أصبح يوجد مجموعة متنوعة من خيارات التخزين لمساعدتك. فمثلًا مع البرنامج المقدم من شركة أمازون (Amazon FBA) والّتي تسمح لك بوضع المنتجات الّتي صنعتها في مستودعات شركة أمازون، وبالتالي لن تحتاج إلى مخازن خاصة ومكلفة للمنتجات الّتي تريد تخزينها، كما توفر لك أمازون أيضًا إمكانية تغليف المنتجات بالنيابة عنك وشحنها للعميل الّذي يريد شراءها، وتكون هذه الخدمات كلها مقابل عمولة تأخذها على سعر هذا المنتج. في الحقيقة ليس المخازن هي الوحيدة الّتي لم تعد بحاجة لها بل حتى معدات التصنيع لم تعد بحاجة لها أيضًا وخصيصًا في حال استيرادك منتجات جاهزة فمثلًا يمكنك تصفح موقع علي إكسبريس (AliExpress) ومشاهدة المنتجات الّتي يبيعونها التجار وبعدها تطلب هذه المنتجات وتشحنها إلى مخازن أمازون ويغلفونها وثمّ يشحنونها إلى المستهلك وأنت ما زلت جالسًا في غرفتك! مع مثل هكذا الحلول أصبح يمكننا الاستفادة من هذه المستودعات ومعدات ليست لنا وأنظمة توصيل متقدمة واحترافية. وفي حال لم ترغب بالعمل مع عملاق التجارة أمازون أو علي إكسبريس فهناك الكثير من الشركات الأخرى الّتي توفر حلولًا مشابهة موثوقة وذات تقنية عالية. وبالتأكيد جميع هذه الخيارات أرخص بكثير من تكلفة بناء مستودعات وشراء معدات التصنيع ولذلك فهي فرصة عظيمة لبدء العمل مباشرة والتوقف عن المماطلة. 8. إمكانية التوسع وحرية المرونة والتنقل نظرًا كون متجرك الإلكتروني على الإنترنت فإن إمكانية التوسع لا حدود لها تقريبًا. فبمجرد أن تبدأ في تحقيق النجاح يمكنك فوريًا توسيع مساحة المخزن الّذي تستأجره من شركة أمازون كما يمكنك أيضًا تطوير المتجر الإلكتروني ليتحمل كمية زيارات كبيرة عليه، ومع ظهور مواقع التوظيف عن بعد (مثل موقع بعيد) ستتمكن من توظيف خبراء التصميم أو البرمجة أو خدمة العملاء من أي مكان في العالم ولست مضطرًا أبدًا لتوظيف الأشخاص الّذين يعيشون في منطقة المتجر فقط. ويمكنك أيضًا توسيع القاعدة الجماهيرية الخاصة بمشروعك لتنميته وتطويره، وإذا رغبت في تغيير مدينتك أو مكان سكنك أو حتى السفر حول دول العالم فلك الحرية المطلقة في فعل ذلك؛ إذ يمكن إدارة متجرك كليًا عبر حاسوبك الشخصي. الأمر متروك لك تمامًا في الحجم الّذي تريد أن يصبح عملك، وكلّ ما عليك فعله هو تجهيز الخطط الخاصة بمشروعك والبدء في تحليل وترتيب الأفكار اللازمة لبدء العمل. 9. المزايا الضريبية لن تحتاج إلى إنفاق مالك على الضرائب ولا على الأثاث وأجهزة الحواسيب ولا حتى الفواتير التجارية للكهرباء والماء والمرافق العامة، ولن تحتاج أيضًا لدفع تأمين صحي أو تقاعدي لموظفيك (مع العلم أن بعض الشركات تدفع ذلك من باب استقطاب المواهب)، وبالتالي انخفض معدل النفقات التشغيلية لمشروعك بصورة كبيرة الأمر الّذي سيساعد على الصمود أكثر في السوق وإثبات جدارتك في هذا المجال. في الحقيقة هناك مجموعة كبيرة من الأسباب الّتي تدفعك للانخراط في أسواق التجارة الإلكترونية، والآن هو أفضل وقت للقيام بذلك. إنه مسعى منخفض التكلفة ومنخفض المخاطر ويمكن أن ينتهي به الأمر ليصبح مجزيًا للغاية، ويساعدك على جني الأموال الّتي لطالما تمنيتها الحصول عليها. ليس هذا فقط بل سيكون لديك الحرية في امتلاك شركتك الخاصة والعمل في وقتك الخاص، وتحقيق النجاح الّذي طالما حلمت به. والآن لا بدّ لنا أن نعود خطوة إلى الوراء لنعرّف جميع المفاهيم والمصطلحات الّتي ستواجهنا في عالم التجارة الإلكترونية، ولتكوين نظرة شمولية تساعدنا على فهم التجارة الإلكترونية من كلّ جوانبها. تعريف التجارة الإلكترونية إن مفهوم التجارة الإلكترونية أوسع من أن يكون مجرد متجر إلكتروني فحسب بل يوجد العديد من النشاطات عبر الإنترنت الّتي تندرج تحت مسمى التجارة الإلكترونية، وعمومًا إن التجارة الإلكترونية (Electronics Commerce): والتي يشار إليها اختصارًا (E-Commerce)، هي طريقة لبيع وشراء وتبادل المنتجات أو الخدمات، ولتحويل الأموال، ولإدارة سلسلة التوريد ولمعالجة البيانات لتنفيذ المعاملات عبر الإنترنت، وأصبحت هذه الطريقة شائعة في الأعمال التجارية الحديثة، لأنها تلبي حاجة الشركات والبائعين والعملاء وتقليل التكلفة وتُحسين جودة السلع والخدمات مع زيادة سرعة التسليم. يشير مصطلح التجارة الإلكترونية عبر الهواتف الذكية (Mobile Commerce) ويشار إليه أيضًا (mCommerce)، إلى عملية شراء المنتجات أو الخدمات وبيعها عبر الأجهزة المحمولة على الإنترنت. هذه الأجهزة المحمولة يمكن أن تكون هواتف ذكية أو أجهزة لوحية أو المساعد الرقمي الشخصي (مثل سيري). وببساطة يقصد بهذا المفهوم إمكانية وضع "منفذ بيع بالتجزئة في جيب العميل". هنالك العديد من المصطلحات الأخرى المتعلقة بالتجارة الإلكترونية والتي سنخصص لها مقالًا منفصلًا لشرحها أما الآن لنتعرف على محاسن ومساوئ التجارة الإلكترونية. محاسن التجارة الإلكترونية عمومًا توفر التجارة الإلكترونية ميزات عديدة نذكر منها: أنظمة الدفع الإلكترونية: تتيح التجارة الإلكترونية استخدام طرائق الدفع غير النقدي مثل بطاقات الائتمان (Credit Cards) وبطاقات الخصم (Debit Cards) والبطاقات الذكية (Smart Cards) والتحويل الإلكتروني للأموال (EFT) عبر الموقع الرسمي للبنك وبعض الطرق الدفع الإلكترونية الأخرى مثل الدفع بالعملات المشفرة (Bitcoin). توفير الخدمة على مدار الساعة وطوال أيام الأسبوع 24/7: تسهل التجارة الإلكترونية أتمتة أعمال المؤسسات التجارية، والطريقة الّتي تقدم بها الخدمات لعملائها من خلال توفير الخدمة بدون انقطاع وفي أي وقت وفي أي مكان. الإعلان والتسويق: تستفيد منظومة التجارة الإلكترونية من الشبكات الإعلانية الجديدة مثل وسائل التواصل الاجتماعي والإعلان عن المنتجات والخدمات بطريقة سهلة تساعدنا في إدارة التسويق الحملات بصورة أفضل ممّا كانت عليه سابقًا. تحسين المبيعات: إن الأتمتة الّتي تقدمها التجارة الإلكترونية تتيح إنشاء الطلبات بصورة آلية في أي وقت ومن أي مكان وبدون التدخل البشري مما يزيد من إمكانية التعامل مع لأحجام الكبيرة من المبيعات. نظام الدعم للعملاء: توفر طرقًا مختلفة لتقديم المساعدة للعملاء سواء أكانت خدمات ما قبل البيع (Pre-Sales)، أو خدمات ما بعد البيع (Post-Sales)، وبذلك تعزز التجارة الإلكترونية من تجربة العملاء وزيادة التعلّق بالعلامة التجارية. إدارة المخزون: توفر منظومة التجارة الإلكترونية القدرة على أتمتة إدارة المخزون. إذ يمكننا إنشاء التقارير فورًا وعند الحاجة. لتصبح بذلك إدارة المخزون فعالة جدًا وسهلة الصيانة. تحسين الاتصال: تجعل التجارة الإلكترونية طرق التواصل سريعة وفعالة وموثوقة سواء مع العملاء أو الشُركاء. هذه ليست المحاسن الوحيدة الّتي تقدمها لنا منظومة التجارة الإلكترونية وإنما هنالك محاسن تفصيلية أخرى يمكن تصنيفها في ثلاث فئات رئيسية على الشكل التالي: المحاسن الخاصة بالشركات. المحاسن الخاصة بالمستهلكين. المحاسن الخاصة بالمجتمع. المحاسن الخاصة بالشركات تتيح للشركات توسيع أسواقها من الأسواق الوطنية إلى الأسواق الدولية بأقل استثمار لرأس المال. إذ يمكن للشركات بسهولة جلب المزيد من العملاء، والتعامل مع أفضل الموردين في جميع أنحاء العالم. تساعد الشركات على تقليل تكلفة إدارة العمليات والتوزيع والتخلص من التعاملات الورقية عن طريق رقمنة المعلومات. تعمل على تحسين صورة العلامة التجارية للشركات. تساعد الشركات على تقديم خدمات أفضل للعملاء. تبسّط العمليات التجارية وتجعلها أسرع وأكثر كفاءة. تزيد إنتاجية الشركات وتدعم إدارة سلاسل التوريد. المحاسن الخاصة بالمستهلكين تمكن العملاء من الاستعلام عن أي منتج أو خدمة وتقديم الطلبات في أي وقت ومن أي مكان في العالم، كما يوفر دعمًا على مدار الساعة وطوال أيام الأسبوع. توفر المزيد من الخيارات للمنتجات وطرق التسليم وذلك بحسب رغبة الزبون وإمكانياته. توفر العديد من الخيارات للموازنة ومعرفة الخيار الأرخص والأفضل. يمكن للمستهلكين وضع تعليقات المراجعة على أحد المنتجات الموجودة في المتجر ويمكن لجميع المستهلكين رؤية هذه المراجعات لمعرفة ردود أفعال المستهلكين السابقين حول المنتج قبل إجراء عملية الشراء النهائية. توفر خيارات المزادات الإلكترونية. توفر معلومات تفصيلية للعميل في غضون ثوان بدلًا من الانتظار لأيام أو أسابيع. تزيد من حدة المنافسة المنافسة بين الشركات التجارية ونتيجة لذلك نرى الكثير من الخصومات والعروضات الكبيرة للعملاء. المحاسن الخاصة بالمجتمع لا يحتاج العملاء للسفر لشراء منتج معين، وبالتالي تقليل حركة المرور على الطرق وانخفاض تلوث الهواء. تساعد في تقليل تكلفة المنتجات، لذلك يمكن للأشخاص ذوي الدخل المحدود تحمل تكلفة المنتجات. تمكن المناطق الريفية من الوصول إلى الخدمات والمنتجات الّتي لم تكن متاحة في السابق. تساعد الحكومات على تقديم الخدمات العامة بتكلفة منخفضة وبطريقة أفضل، مثل خدمات الرعاية الصحية، والتعليم، والخدمات الاجتماعية. مساوئ التجارة الإلكترونية يمكن تصنيف مساوئ التجارة الإلكترونية في فئتين رئيسيتين وهما: مساوئ تقنية مساوئ غير تقنية المساوئ التقنية يمكن أن يكون هناك نقص في أمان النظام أو موثوقيته بسبب سوء بناء المتجر الإلكتروني. لا تزال صناعة تطوير البرمجيات تتطور وتتغير بسرعة. يمكن أن يتسبب انخفاض سرعة الإنترنت في بعض البلدان بحدوث مشاكل في استخدام منظومة التجارة الإلكترونية. يمكن أن تتطلب عملية تطوير برمجيات التجارة الإلكترونية أنواعًا خاصة من خوادم الوِب أو برامج مخصصة أخرى، مما يؤدي إلى فصل تطبيقات التجارة الإلكترونية عن خوادم الشبكة لفترة زمنية. يصعب في بعض الأحيان دمج برامج التجارة الإلكترونية أو مواقع الوِب مع تطبيقات أو قواعد البيانات الموجودة مسبقًا. يمكن أن نواجه مشاكل توافقية في أحد البرامج أو الأجهزة أو أنظمة التشغيل أو أي مكون آخر. المساوئ غير تقنية التكلفة الأولية: يمكن أن تكون في بعض الأحيان تكلفة إنشاء تطبيق أو متجر إلكتروني مرتفعة، ويمكن أن يكون هناك تأخير في إطلاق تطبيق التجارة الإلكترونية بسبب الأخطاء وقلة الخبرة. مقاومة المستخدم: يمكن جدًا ألّا يثق المستهلكون في موقع التجارة الإلكترونية بسبب سوء طريقة عرض العلامة التجارية للمتجر أو بعض المشاكل الأخرى، وفي بعض الأحيان يكون من الصعب إقناع المستهلكين التقليديين بالانتقال إلى المتاجر الإلكترونية. الأمان والخصوصية: من الصعب ضمان الأمان أو الخصوصية في المعاملات الإلكترونية. غياب إمكانية فحص المنتج: إن عدم ملامسة المنتجات أو الإحساس بها أثناء التسوق يكون له أثر على اتخاذ قرار الشراء عبر الإنترنت. صعوبة إيجاد خبراء: لا تزال تطبيقات التجارة الإلكترونية تتطور وتتغير بسرعة مما سيصعب من عملية البحث عن مهندس برمجيات خبير ومناسب لتطوير المتجر وفهم احتياجاته. ارتفاع سعر خدمات الإنترنت أو عدم وجودها: تعاني العديد من البلدان من ارتفاع سعر الوصول إلى الإنترنت مما سيؤدي لخسارة العديد من العملاء المحتملين وفي بعض الأحيان لا يوجد منظومة إنترنت مثل أولئك الّذين يعيشون في القرى النائية. الفروق بين والتجارة الإلكترونية التجارة التقليدية لتقريب الصورة أكثر ولتوضيح الأمر هيا بنا نلخص الفروقات الواضحة بين التجارة الإلكترونية والتجارة التقليدية: وجه الموازنة التجارة الإلكترونية التجارة التقليدية النظام الداخلي للمتجر أصبح تبادل المعلومات سهلًا عبر قنوات الاتصال الإلكترونية مثل التواصل الرسمي بين موظفي المتجر عبر نظام دردشة داخلي أو الاستعانة بأنظمة الإدارة الجاهزة مما يقلل من الأخطاء الناتجة عن تبادل المعلومات بين الأفراد. تعتمد التجارة التقليدية اعتمادًا شديدًا على التواصل الشخصي وتبادل المعلومات بين أفراد الشركة أو المتجر مما يؤدي إلى ظهور بعض المشاكل مثل نسيان جزء من المعلومات والتأخير وانخفاض الموثوقية والتهرب من المساءلة ..إلخ. قابلية التوسع والنمو يمكن إجراء الاتصالات أو الصفقات (في النظام الداخلي للمتجر) بطريقة غير متزامنة من خلال الاستعانة بنظام إلكتروني ينجز هذه المعاملات وكافة الطلبات والصفقات بطريقة آلية لتصل الطلبية مباشرة إلى المخزن وتُشحن إلى العميل مما يسرع وصول المنتج إلى الزبون ويعزز من قدرة النظام على تحمل الزيادة الكبيرة في الطلبات والصفقات في أيام الأعياد والمناسبات. يعتمد التواصل وإنجاز الصفقات أو الطلبيات (في النظام الداخلي للمتجر) على موظف المبيعات وتجري هذه العملية بطريقة متزامنة. أي مطلوب تدخل يدوي لموظف المبيعات عند كلّ اتصال أو صفقة والذي بدوره سيمرر هذه الطلبية إلى مسؤول المخزن مما سيشكل تأخيرًا كبيرًا وتقليل ملحوظًا في الإنتاجية. قابلية تطبيق الأنظمة والمعايير يمكن بسهولة إنشاء استراتيجية موحدة والحفاظ عليها في التجارة الإلكترونية نتيجة لتقليل الاعتماد على الموظفين في جميع المهام. من الصعب وضع ممارسات معيارية في التجارة التقليدية والحفاظ عليها نتيجة للاعتماد على عدد كبير من الموظفين في تسيير التجارة. آلية إتمام الطلبات لا يعتمد إتمام الصفقات والطلبيات في التجارة الإلكترونية (في معظمها) على تدخل بشري يكون مؤتمت بصورة كاملة. يعتمد إتمام الصفقات والطلبيات على المهارات الفردية لموظف المبيعات مما سيؤدي إلى تدهور كبير في الأرباح في حال مغادرة أحد موظفي المبيعات الماهرين في المتجر. تأثير عدد الموظفين يوفر موقع التجارة الإلكترونية منصة متكاملة للمدير توفر له جميع المعلومات في مكان واحد وبطريقة سهلة وسلسة. عدم توفر منصة موحدة لقياس تقدم المتجر لأن التجارة التقليدية بطبيعته يعتمد اعتمادًا كبيرًا على التواصل الشخصي لذلك سيحتاج الأمر إلى توظيف المزيد من الموظفين للقيام بأدوار مثل موظف الجرد ...إلخ. القدرة على التحليل والتطوير توجد خدمات متخصصة في التجارة الإلكترونية لإنتاج الإحصائيات والمقاييس للمتجر ولتحليل سلوك العميل أيضًا مما سيضفي فهمًا أكبر للعميل وتلبية احتياجاته بطريقة أفضل. لا توجد إمكانية لتحليل سلوك المستهلك داخل المتجر وإنما يعتمد الأمر على دقة ملاحظة الموظفين وتحليلاتهم الشخصية على سلوك العميل مما سيؤدي إلى الوقوع في بعض الأخطاء نتيجة للفهم الخاطئ للموظف. إتاحية المتجر المتجر متاح على مدار الساعة وبكافة أيام الأسبوع أي: 24×7×365 المتجر متاح بأوقات محدودة التفاعل مع العملاء شاشة لوجه وجها لوجه نطاق تغطية المتجر إمكانية الوصول إلى جميع أنحاء العالم. يقتصر على منطقة جغرافية معينة. التركيز على الموارد تركز التجارة الإلكترونية على جانب الطلب. تركز التجارة التقليدية على جانب العرض. طريقة الدفع بطاقة الائتمان وتحويل الأموال وما إلى ذلك. نقدًا أو بشيك أو ببطاقة ائتمان إلخ. طريقة توصيل البضائع للعميل تأخذ وقتًا فوريًا table { width: 100%; } thead { vertical-align: middle; text-align: center; } td, th { border: 1px solid #dddddd; text-align: right; padding: 8px; text-align: inherit; } tr:nth-child(even) { background-color: #dddddd; } الخاتمة تعرفنا في هذا المقال على أبرز الأسباب الّتي تدفعنا للدخول لعالم التجارة الإلكترونية وتوسعنا في فهم الصورة الكاملة للأمر من خلال التعرّف على مفهوم التجارة الإلكترونية عمومًا ومحاسنها بالنسبة للشركات والمستهلكين والمجتمع وتحدياتها التقنية وغير التقنية كما ألقينا الضوء على أبرز الفروقات بين التجارة الإلكترونية والتجارة التقليدية وختامًا نرجو بأن تكون الصورة الشمولية للتجارة الإلكترونية اتضحت أكثر وأن تكون قادرًا على تحديد المجال المناسب لك في هذا السوق الإلكتروني الجديد. اقرأ أيضًا واقع التجارة الإلكترونية في العالم العربي والعوامل المؤثرة فيها

تحدثنا في المقال السابق عن تاريخ التجارة الإلكترونية من البدايات وحتى عام فقاعة الدوت كوم وسنكمل في هذا الجزء بقية تاريخ التجارة الإلكترونية وسنستعرضُ أهم الأحداث المميزة الّتي جرت كما سنناقش الطفرات المهمة الّتي غيرت مسار التجارة الإلكترونية. إخلاء مسؤولية: إن تركيزنا على بعض الشركات أو الدول أو المنتجات دونًا عن غيرها لا يعني بالضرورة أننا نسوق لها، وإنما لأسباب تتعلق بسهولة الوصول للإحصائيات الدقيقة والمعلومات الكاملة، كما أن جميع الأرقام والإحصائيات المذكورة يتحمل مسؤوليتها أصحابها، وإن تسلسل الأحداث المذكورة تعبر عن وجهة نظر الكاتب، وليس لأكاديمية حسوب أي هدف من تسليط الضوء عليها إلا لأهداف تعليمية. 2002: إطلاق خدمات جديدة ومتاجر تجزئة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: استحواذ شركة إيباي على شركة الدفع الإلكتروني باي بال (PayPal) بمبلغ 1.5 مليار دولار. إطلاق متاجر البيع بالتجزئة CSN وNetShops المشهورة عدة منصات للبيع الإلكتروني بدلًا من أن تكون محصورة بمنصة واحدة. أطلقت شركة Safeway خدمتها للتوصيل عبر الإنترنت تعد شركة Safeway من أشهر شركات السوبر ماركت عالمية تأسست عام 1915 في الولايات المتحدة الأمريكية ولها فروع في عديد من دول العالم. استمرار تطوير أمازون لخدماتها من خلال إطلاقها النسخة الأولى من موقعها المتجاوب مع الأجهزة المحمولة، كما أنها توسعت لتشمل أسواق جديدة من خلال طرحها نسخة خاصة لموقعها لسكان لكندا. 2003: إطلاق منصة ووردبريس ودخولها سوق المنافسة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: أطلقت شركة غوغل أداتها الجديدة غوغل أدسنس (Google AdSense) والّتي تمكن أصحاب المواقع والمدونات وصناع المحتوى عمومًا من عرض إعلانات داخل مواقعهم وتحقيق الربح من المحتوى الّذي يقدّمونه على الإنترنت، وتقدم هذه الخدمة للمعلنون الذين يريدون ترويج منتجاتهم إنشاء الإعلانات ودفع تكاليفها إمكانية عرض إعلاناتهم في مواقع ذات صلة بالمنتجات الّتي يريدون بيعها. ولأن هؤلاء المعلنين يدفعون أسعارًا مختلفة للإعلانات المختلفة، فسيتفاوت المبلغ الّذي تربحه من إعلان إلى آخر. أدرك جاك ما قوة الإنترنت في جمع البائعين والمشترين في موقع واحد، وأعلن إطلاقه لموقع "تاوباو" المخصص لتجارة التجزئة ويوفر الموقع إمكانية فتح متجر خاص لكل من الأعمال الصغيرة والأفراد المبادرين لتلبي احتياجاتهم وتربطهم مع المستهلكين، كان الموقع مخصص في البداية للصين ولاحقًا توفر لجميع بلدان العالم لينافس بذلك موقع إيباي. تطوير شركة آبل لمشغل الأغاني iPod من خلال إضافة سعات تخزين أكبر أو أحجامًا أصغر وشاشات ملونة وميزات تشغيل الفيديو. كما بدأت الشركة في بيع نسخ قابلة للتنزيل من أغاني شركات التسجيل الكبرى بتنسيق MP3 عبر الإنترنت. وبحلول عام 2006، بيعت أكثر من مليار أغنية ومقطع فيديو. صدور أول نسخة من الووردبريس وزيادة شهرة المنتجات مفتوحة المصدر مع صعوبة إنشاء مواقع من خلال تعلم تقنيات التصميم الخاصة بالوِب ولغات برمجيّة أُخرى دعت الحاجة إلى البحث عن خيارات أفضل لتسهيل طريقة إنشاء مواقع وكان من المشاريع الناشئة هي نظام إدارة المحتوى ووردبريس (WordPress) والذي أطلق على يد كلّ من مات مولينويج ومايك ليتل. في الحقيقة أن هذا النظام أُنشأ بالأصل من أجل إدارة موقع إلكتروني بإحترافية بدون الحاجة إلى خبرات سابقة فى إدارة مواقع الانترنت، وكان هدفه في البداية تسهيل عملية نشر المدونات على الإنترنت، ولكن سرعان ما تطور ليدعم إمكانية إنشاء أنواع أخرى من المواقع مثل المواقع الإخبارية والمتاجر الإلكترونية والمواقع القائمة على نظام العضويات وأنظمة إدارة التعلم (LMS)، وتوسعت لاحقًا لتضيف إمكانية إنشاء متاجر إلكترونية. 2004: إطلاق فيسبوك أشهر منصات التواصل الاجتماعي أبرز الأحداث في الأسواق والمتاجر الإلكترونية: تتوسع شركة أمازون لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة للصين، وبلغ إجمالي المبيعات عبر موقع أمازون 6.92 مليار دولار أمريكي. ولأول مرة تنهي أمازون مرحلة الخسارة ولكن بدون صافي أرباح أيضًا ولكن عمومًا كان ذلك إثبات لنجاح رؤية إدارة الشركة في منهجية التوسع. إطلاق منصة Alipay وهي منصة دفع عبر الإنترنت والهاتف المحمول تابعة لمجموعة علي بابا ومؤسسها جاك ما. تدعي Alipay أنها تعمل مع أكثر من 65 مؤسسة مالية بما في ذلك فيزا (Visa) وماستر كارد (MasterCard) لتقديم خدمات الدفع لمواقع التجارة الإلكترونية مثل Taobao وTmall بالإضافة إلى أكثر من 460.000 شركة صينية محلية وشركات عبر الإنترنت. إطلاق أشهر منصة تواصل اجتماعي أعلن كلّ من مارك زوكربيرغ وزميله في جامعة هارفارد إدواردو سافيرين إطلاقهم موقع الفيسبوك (theFacebook) وهو منصة تواصل إجتماعي مخصصة لطلاب الجامعات والكليات. وأقدم أكثر من نصف الطلبة الّذين لم يتخرجوا بعد من الجامعة بالتسجيل في هذه المنصة وبعد فترة وجيزة انضم إلى زوكربيرغ كلّ من داستن موسكوفيتز (مبرمج) وأندرو ماكولام (رسام جرافيك) وكريس هيوز لمساعدته في تطوير الموقع. وافتتح الموقع أبوابه لاحقًا أمام جامعات أخرى مثل ستانفورد وكولومبيا وييل. وبعد ذلك اتسع الموقع أكثر وفتح أبوابه أمام جميع كليات مدينة بوسطن وشيئًا فشيئًا أصبح متاحًا للعديد من الجامعات في كندا والولايات المتحدة الأمريكية (عُدل الأسم لاحقًا وحُذفت "the"). 2005: تطور الهواتف المحمولة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: مع انتشار الكبير للإنترنت قررت شركة علي بابا عقد صفقة لإمتلاك موقع ياهو (Yahoo) الصيني مقابل استثمار شركة ياهو مليار دولار وحصولها عليهم على شكل أسهم في شركة علي بابا. بلغ إجمالي المبيعات عبر أمازون 8.49 مليار دولار أمريكي. وبلغ صافي الأرباح مبلغًا قدره 359 مليون دولار أمريكي. تطوير خدمات التوصيل في شركة أمازون أعلنت شركة أمازون عن خدمة جديدة أسمتها أمازون برايم (Amazon Prime) وهي خدمة اشتراك مدفوعة تمنح المستخدمين حق الوصول إلى خدمات إضافية غير متوفرة للعملاء العاديين (أو متوفرة بشكل استثنائي أحيانًا للعملاء العاديين). وتقدم هذه الخدمة لمشتركيها إمكانية شحن السلع الّتي يطلبونها بقيمة مخفضة وفي بعض الأحيان تكون مجانية تمامًا خلال يومين من الطلب، كما تمكنهم من الاستفادة من خدمات تحميل أو بث الموسيقى ومقاطع الفيديو والكتب الصوتية وقدمت لاحقًا العديد من المميزات الأخرى للمشتركين في هذه الخدمة تشكل بذلك مجموعة من العملاء الأوفياء. اهتمام شركة غوغل بأنظمة تشغيل الهواتف المحمولة استحوذت شركة غوغل على نظام التشغيل أندرويد (Android) في صفقة قدرت بنحو 50 مليون دولار، ويعد نظام أندرويد نظام تشغيل محمول يعتمد على نسخة معدلة من نواة نظام لينوكس (Linux kernel) ومجموعة من البرامج الأخرى مفتوحة المصدر، وصُمم بصورة أساسية للأجهزة المحمولة الّتي تعمل باللمس. 2006: دخول منصة شوبيفاي على سوق المتاجر الإلكترونية أبرز الأحداث في الأسواق والمتاجر الإلكترونية: أعلنت أمازون عن شرائها شركة مختصة في مجال إدارة المخازن وهي شركة كيفا (Kiva Systems) في صفقة قدرت بمبلغ 775 مليون دولار، تعد شركة كيفا من الشركات الرائدة في مجال صناعة الروبوتات وتخصيصها لأغراض معينة كما تعمل أجهزتها على أتمتة واجبات مهام المخازن. وبلغ إجمالي المبيعات عبر أمازون 10.71 مليار دولار أمريكي. وبلغ صافي الأرباح 190 مليون دولار أمريكي. استمرت منصة التواصل الإجتماعي فيسبوك بالنمو وأعلنت الشركة عن فتح أبوابها أمام جميع الأفراد البالغين من العمر ثلاثة عشر عامًا على الأقل ولديهم بريد إلكتروني للتسجيل بالموقع والاستفادة من مميزاته. ظهور شركات تسهل فتح المتاجر الإلكترونية إطلاق موقع شوبيفاي (Shopify) كمنصة مخصصة لتسهيل التجارة الإلكترونية من خلال إتاحة المستخدمين إنشاء متاجرهم الخاصة بخطوات بسيطة جدًا وشمل المتجر أيضًا خدمات أخرى مثل تسيهل دمج نظام الدفع وبعض الأدوات التسويقية الأخرى. تركز المنصة بصورة رئيسية على أتمتة المهام التقنية من خلال تأمينها لك بصورة مدمجة مع المتجر أي أنك لا تحتاج لشراء استضافة والإهتمام بالأمور التقنية ولا حتى الاهتمام بتصمم المتجر من الصفر وإنما تقدم لك تصاميم جميلة جاهزة (على شكل قوالب جاهزة) يمكنك تفعيلها على متجرك بسهولة تامة، وطبعًا مع إمكانية تخصيص القوالب إن أردت ذلك. 2007: توسع أمازون وتطور الهواتف المحمولة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: إطلاق شركة فليب كارت (Flipkart) موقعها الإلكتروني كمنصة للتجارة الإلكترونية منافسة لأمازون في السوق الهندي، وركزت الشركة في البداية على بيع الكتب، قبل أن تتوسع لاحقًا في العديد فئات المنتجات الأخرى مثل الإلكترونيات الاستهلاكية والأزياء والضروريات المنزلية ومنتجات محلات البقالة. إطلاق شركة آبل جهاز أيفون (iPhone) وهو هاتف خلوي مزود بإمكانيات تشغيل ملفات MP3 ومقاطع الفيديو والوصول إلى الإنترنت كما يعمل هذا الجهاز باللمس على الشاشة. مع أن الجهاز لم يكن أول جهاز يعمل باللمس إلا أنه كان الأكثر أناقة في السوق ومكن هذا الجهاز المستخدمين من القدرة على تصفح مواقع الوِب كما يفعلون ذلك حواسيبهم المكتبية تمامًا. استمرار أمازون في منهجيتها بالتوسع أطلقت أمازون خدمة أمازون فريش (Amazon Fresh) وهي خدمة توصيل البقالة إلى المنازل، وهي متوفرة الآن في معظم المدن الأمريكية الكبرى، وتوسعت لتكون متاحة في ألمانيا، وتخطط لأن تتوسع في جميع أوروبا. بلغ إجمالي المبيعات عبر موقع أمازون 14.84 مليار دولار أمريكي. وبلغ صافي الأرباح 476 مليون دولار أمريكي. كما بدأت الشركة في بيع أجهزة القراءة الإلكترونية الخاصة بها كيندل (Kindle E-readers)، والذي غير لاحقًا سوق النشر والكتب تمامًا بصورة جذرية. وأعلنت شركة أمازون أيضًا أن خدماتها السحابية تحتوي على أكثر من 905 مليار ملف. واستخدم منافسي أمازون (مثل نتفليكس) خدماتها أيضًا من S3 و EC2 من أجل تحسين عملية بث الفيديو عبر الإنترنت. صعود سوق الهواتف الذكية في بداية تسعينيات القرن الماضي كان هناك بعض الأسئلة الّتي أرقت المستثمرين وشككتهم في جدوى الاستثمار في التجارة الإلكترونية نذكر منها: هو كيف لنا أن ننقل المستهلكين من الأسواق العادية إلى الأسواق الإلكترونية؟ بل وكيف سنقنعهم بشراء أجهزة تمكنهم من الإتصال بالإنترنت إن كانت غير ضرورية لنمط حياتهم الشخصية؟ والأهم من ذلك كيف سنجعلهم يثقون في طريقة آمنة لإرسال أموالهم إلكترونيًا؟ وحتى مع وجود الحواسيب الشخصية آنذاك، هل يمكننا إقناع المستهلكين بشراء حواسيب بآلاف الدولارات لكي يستطيعوا الوصول إلى مواقع التجارة الإلكترونية؟ وما هو حجم هذه الشريحة من المجتمع الّتي سنتمكن من استقطابها؟ وما هي النسبة الّتي ستُشكلها من إجمالي التعداد السكاني؟ هل سنتمكن من تحقيق العوائد المادية من هذه الشريحة الضيّقة؟ الكثير من المستثمرين كانوا يتلهفون لسماع أجوبة مقنعة عن هذه الأسئلة، إلا أن معظم لم يكن لديهم المعرفة الشمولية أو الإطلاع الكافي لاستشفاف أن الأجهزة الإلكترونية تتطور بسرعة رهيبة وأن قانون مور (Moore's law) نبوءة ذاتية التحقق، لذا كانت تحركاتهم عشوائية في سوق الأسهم بل كانوا حرفيًا يمشون مع التيار بدون أي معرفة عميقة لمجريات الأمور فلم يستطيعوا أن يتنبأوا بالمستقبل بطريقة تخدم مصالحهم. إلا أنه على كوكب آخر وتحديدًا في مختبرات شركات الهواتف الذكية السرية كانت الهواتف في أوج تطورها، وتسابقت الشركات في تطويع التكنولوجيا الحديثة ودمجها في هواتفها الذكية وعمومًا كانت الشركات العملاقة (مثل شركة نوكيا وبلاكبيري وسوني وأريكسون) هم من يقودون دفة السفينة الخاصة بتطوير الهواتف الذكية، ولكن هذا الحال لم يستمر طويلًا وخصيصًا عندما جاء ستيف جوبز وأغرق السفينة بمن فيها عندما أعلن عام 2007 عن تحفته في عالم الأجهزة الذكية وهو جهاز آيفون (iPhone)، الّذي جاء بشاشة قابلة للمس وميزات كثيرة ومتنوعة وأقل ما يمكن وصفها آنذاك أنها خارقة. لم يتوقف دهاء ستيف جوبز (أو شركة آبل ككلّ) عند هذا الحد بل إن الحملة التسويقية الّتي رافقت الإعلان عن الجهاز أوجدت الكثير من الأتباع المخلصين لهذه الشركة والمستعدين لشراء هذا الجهاز رغم ثمنه المرتفع للغاية (499 دولار أمريكي). سرعان ما تكاثر هؤلاء الأتباع وأصبحوا جيشًا كبيرًا من المتعصبين لشركة آبل لهم منتدياتهم ومجموعاتهم بل وحتى لديهم علماء نفس يحللون ولاءهم الأعمى! بعد أن غير ستيف جوبز مجريات اللعبة سارعت كلّ الشركات الأخرى في تقليد أجهزة آيفون ومحاولة أخذ أكبر قدر من السوق بعد هذه النقلة النوعية، فتارة تجد بعض الشركات اختصت في تصنيع أجهزة رخيصة الثمن من أجل تحقيق سياسة الانتشار والتوسع (مثل شركة سامسونغ وهواوي لاحقًا)، وتارة أخرى تجد بعض الشركات ركزت على مجموعة من المميزات الّتي لها جمهورها الخاص الّذي يشكل عدد لا بأس به (مثل شركة سوني وتركيزها على الكاميرات في هواتفها المخصصة لعشاق التصوير). ومع كثرة المنافسة بين هذه الشركات انخفضت أسعار الهواتف الذكية ليصبح بمقدور معظم سكان الأرض تحمل تكاليفها وشرائها (وهذا ما ستُلاحظه في ارتفاع أعداد مستخدمي الهواتف الذكية سنويًا). إلا أنه الرابح الأكبر في هذه المنافسة هو عمالقة التجارة الإلكترونية إذ استطاعوا أن يشبكوا الكثير من الناس بأنظمة التجارة الإلكترونية دون أن يدفعوا قرشًا واحدًا لينكسر بذلك حاجزًا من أعظم الحواجز الّتي شكلت عائقًا في تقدم التجارة الإلكترونية. والآن لنعود بالزمن ولنستكشفَ ما الّذي حدث بعد ذلك. 2008: إطلاق منصة ماجنتو ودخولها السوق أبرز الأحداث في الأسواق والمتاجر الإلكترونية: استمرار أرباح شركة أمازون وبلغ إجمالي المبيعات عبر أمازون 19.17 مليار دولار أمريكي. وبلغ صافي الأرباح 645 مليون دولار أمريكي. بلغ حجم تراسل البيانات العالمي على المتصفح الشهير أوبرا ميني (Opera Mini) رقم قياسي وهو 53.9 تيرا بايت. طرح شخص أطلق على نفسه الاسم المستعار "ساتوشي ناكاموتو" فكرة جديدة عن عملة إلكترونية أسماها البيتكوين وذلك في ورقة بحثية، ووصفها بأنها نظام نقدي إلكتروني يعتمد في التعاملات المالية على مبدأ الند للند (Peer-to-Peer) أي أن التعامل المباشر بين مستخدم وآخر بدون وجود وسيط (مثل البنوك). كانت هذه الورقة البحثية شرارة البدء لسوق للعملات الإلكترونية. إطلاق منصة ماجنتو مفتوحة المصدر أطلقت شركة Varien منصة ماجنتو (Magento) وهي عبارة عن منصة تجارة إلكترونية مفتوحة المصدر مكتوبة بلغة PHP. تأتي منصة ماجنتو مع العديد من المميزات مثل تعدد المتاجر التوافقية مع محركات البحث إمكانية تنزيل قوالب وتصميمات مجانية وأخرى مدفوعة على المتجر الخاص بك، كما يمكننا أيضًا من بناء المتجر بسرعة كما يسمح لنا أيضًا بوضع الإضافات البرمجية المجانية منها والمدفوعة للتحكم في المتجر. 2009: تحسن سرعات الإنترنت أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بدء عمليات التداول الفعلية لعملة البتكوين. أطلقت شركة أمازون أول خط نشر لها Amazon Encore المخصص للكتب الشعبية المنشورة ذاتيًا، والّتي نفدت طبعاتها. كما سمحت أيضًا للأفراد إمكانية نشر كتبهم الإلكترونية.كما نشطت عملياتها في الاستحواذ أو الاستثمار في العديد من تجار التجزئة عبر الإنترنت مثل متجر بيع الأحذية المشهور Zappos، والّذي اشترته الشركة مقابل 847 مليون دولار أمريكي، وبلغ إجمالي المبيعات عبر أمازون 24.51 مليار دولار أمريكي. وبلغ صافي الأرباح 902 مليون دولار أمريكي. إطلاق منصة بيغ كومرس (BigCommerce) وهي منصة مشابهة جدًا لشوبيفاي تتيح للمستخدمين من بناء متجرهم الإلكتروني مع توفير العديد من الخيارات بما يتعلق بالقوالب و التصاميم والميزات الأخرى وتعمل هذه المنصة بنظام الإشتراكات الشهرية ويختلف سعر كلّ اشتراك بعدد الميزات المتاحة فيه. إطلاق أوبن كارت (OpenCart) وهو نظام إدارة متجر مفتوح المصدر مبني بواسطة لغة PHP وباستخدام نظام قواعد البيانات MySQL. وتوفر أوبن كارت الدعم الكامل لمعظم لغات العالم وتدعم أيضًا مختلف العملات. إطلاق مشغل الهواتف المحمولة TeliaSonera خدمات إنترنت الجيل الرابع 4G لأول مرة تجاريًا في العالم في مدينتي استوكهولم وأوسلو (عاصمتي السويد والنرويج). وتمكننا هذه الخدمة المستخدمين الوصول إلى سرعة النطاق العريض للأجهزة المحمولة وبسرعة أعلى بمقدار ثلاثة أضعاف من سرعة الجيل الثالث Turbo-3G،إذ يمكن أن تصل السرعة إلى 80 ميجابت/ثانية في الظروف المثلى للاتصال. تطور سرعات الإنترنت على الهواتف الذكية رغم تطور الهواتف الذكية بشكل كبير وتعزيز تجربة المستخدم بالكثير من التطويرات الّتي أنتجتها شركات الهواتف من ناحية سرعة الأجهزة وسعات التخزين العالية وحجوم الذاكرة العالية الّتي سهلت تصفح برامج التجارة الإلكترونية مع بعضها البعض وحتى منصات التجارة الإلكترونية كان لها مساهماتها أيضًا فالعديد من المتاجر سهلت تجربة التصفح في مواقعها وتطبيقاتها وزادت من الخصائص المتقدمة في هذه المتاجر إلا أن هنالك عنصر مهم من عناصر تجربة المستخدم ما زال ضعيفًا ألا وهو السرعة ولأن معظم مواقع التجارة الإلكترونية تعتمد اعتمادا وثيقًا على الصور لمعاينة المنتجات فإن عنصر السرعة هنا ستتضاعف أهميته، وبحسب شركة غوغل أن 53% من الزوار سيتركون الموقع إذا استغرق تحميله أكثر من 3 ثوانٍ وسيتجهون عوضًا عن ذلك لمواقع أخرى بديلة. أما بلغة الأرقام فإن حجم خسارة شركة أمازون بعد كلّ ثانية من الثلاث ثواني الأولى لتحميل الموقع تكلفها خسارة مقدارها 1.6 مليار دولار أمريكي بحسب موقع fastCompany. ومع استبعاد طريقة تصفح المتاجر الإلكترونية بدون صور لأنها بالتأكيد لن تنجح لم يبقَ أمامنا سوى أن نطور سرعة الإنترنت للهواتف المحمولة وفعلًا كان ذلك فمع ظهور الجيل الثالث من الإتصالات في بدايات القرن الحادي والعشرين تحسن أداء المواقع بصورة ملحوظة إلا أن ظهور خدمات الإنترنت من الجيل الرابع عام 2009 ومع سرعة تصل إلى 80 ميجابت/ثانية عزز كثيرًا من قوة منظومة الإتصالات وتجربة المستخدمة على حدٍ سواء. لم يتوقف تطور سرعات الإنترنت على الهواتف المحمولة بل تسارع جدًا وفي عام 2016 ظهرت خدمات الإنترنت من الجيل الخامس 5G والّتي ستصل سرعتها إلى في الظروف المثالية إلى 1.8 جيجابت/ثانية، الأمر الّذي سيفتح أفاقًا جديدة ليس فقط في منظومة التجارة الإلكترونية وحسب بل ستتيح أيضًا لمنظومات أخرى بالإنتشار مثل إنترنت الأشياء وتقنيات الواقع المعزز والكثير غيرها. أما في يومنا الحالي فأعلنت الصين أنها تعمل على تطوير منظومة الجيل السادس من الإنترنت والّتي يمكن أن تصل سرعتها إلى 95 جيجابت/ثانية لنسجل بذلك تطويرًا آخر على هذه المنظومة الّتي أصبحت مهمة جدًا في حياتنا اليومية. 2010: دخول موقع علي إكسبريس سوق التجارة الإلكترونية أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ إجمالي المبيعات عبر أمازون 34.2 مليار دولار أمريكي. وبلغ صافي الأرباح 1.152 مليار دولار أمريكي. تتوسع شركة أمازون لتشمل أسواقًا جديدةً وذلك من خلال طرحها نسخة من موقعها مخصصة لإيطاليا. إطلاق كيفن سيستروم ومايك كريجر شبكة اجتماعية لمشاركة الصور والفيديو أسموها أنستغرام وكانت هذه الشبكة الإجتماعية في البداية مقتصرة على حاملي أجهزة الأيفون ولكن مع ذلك لم تنتهي السنة إلا وحققت هذه الشبكة نموًا هائلًا إذ كسر عدد المستخدمين المليون مستخدم. إطلاق موقع علي إكسبريس أطلقت مجموعة علي بابا موقعًا جديدًا يخص التجارة الإلكترونية وهو موقع علي إكسبريس والذي يسمح للصينيين ببيع السلع لجميع أنحاء العالم أي أنه يستهدف المشترين الدوليين لذلك لا يسمح للعملاء في الصين بالشراء منه. إذ يعتمد على خاصيتي الإستيراد والتصدير ويتعامل مع الشركات الصينية الكبرى والشركات العالمية أيضًا مع مراعاة الجودة، والأسعار حسب الدول المستوردة ويمكن أن تكون بعض السلع متاحة لدول معينة والبعض الآخر غير متاح وذلك بحسب السياسات الخاصة بالدول. ومن بين المميزات الرائعة الّتي يقدمها الموقع هي خدمة أي سكرو (ESCROW) والتي تنص على أنك تستطيع إرسال ثمن البضائع الّتي اشتريتها إلى الموقع ولكن الموقع لا يسلم ثمن البضائع إلى البائع حتى تستلم أنت البضائع وتتأكد من أنها مطابقة للمواصفات والشكل المتفق عليها مع البائع لتعود بعدها أنت بتأكيد عملية الشراء ويحول المبلغ للتاجر. 2011: تطور طرق الدفع وإطلاق إضافة ووكومرس للتجارة الإلكترونية أبرز الأحداث في الأسواق والمتاجر الإلكترونية: قدمت شركة آبل (Apple) لأول مرة المساعد الشخصي سيري (Siri) والّذي يمكنه الرد على الأوامر والأسئلة المنطوقة، كما طرحت إصدارات جديدة من منتجات السابقة مثل آيفون iPhone 4S ويحتوي هذا الأخير على المساعد الشخصي سيري. استحواذ شركة إيباي (Ebay) على شركة ماجنتو (Magento) وهي الشركة المسؤولة عن تطوير منصة التجارة الإلكترونية مفتوحة المصدر ماجنتو، وتأتي هذه الخطوة في سعي شركة إيباي على تعزيز حلول التجارة الإلكترونية، ولبسط سيطرتها على أكبر شريحة ممكنة من هذا السوق. إطلاق شركة ستريب (Stripe) على يد جون وباتريك كوليسون وهي شركة مخصصة لمعالجة المدفوعات عبر الإنترنت وأنشأت في الأصل للمطورين. تستمر شركة أمازون بالنمو في الأسواق وهذه المرة من خلال طرحها لخدمة جديدة في مجال الكتب الإلكترونية أسمتها Amazon Publishing، والتي تهدف تطوير ونشر كتب خاصة بها. كما أعلنت أن كتب كيندل الإلكترونية تفوقت على جميع الكتب المطبوعة. بينما يستمر العديد من ناشري الكتب في جني إيرادات كبيرة من خلال المبيعات على موقع أمازون، لم تعد دور النشر تنظر إلى أمازون كمجرد دار نشر أخرى وإنما هي الآن أيضًا منافس رئيسي في صناعتهم ويمكن جدًا أن تنهي عملهم. من جانب آخر تتوسع شركة أمازون لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة لإسبانيا، كما بلغ إجمالي المبيعات عبر أمازون 48.08 مليار دولار أمريكي، وبلغ صافي الأرباح 631 مليون دولار أمريكي. زيادة شعبية وسائل التواصل الإجتماعي أعلنت شركة انستغرام عن تخطيها حاجز 10 مليون مستخدم نشط وإطلاقها أيضًا نسخة مخصصة لأجهزة الأندرويد وحظي البرنامج بمليون عملية تحميل في أقل من يوم محطمًا بذلك رقمًا قياسيًا آخر في معدل النمو. وأعلنت شركة فيسبوك أيضًا عن تخطيها حاجز 845 مليون مستخدم نشط، وطرحت الشركة لأول مرة المنشورات الدعائية كشكل من أشكال الاختبار المبكر للميزة وستُساعد هذه الميزة أصحاب صفحات الأعمال من خلال ترويجهم منشورات دعائية. باستخدام حملات ترويج مدفوعة، وبتالي يمكن لشركات التجارة الإلكترونية الوصول إلى جماهير محددة والدخول في صفحة آخر الأخبار لمختلف الجماهير المستهدفة. حلول الدفع بالهواتف الذكية أعلنت شركة غوغل عن إطلاقها أول محفظة إلكترونية (Google Wallet) وهي آلية تسهل عملية الدفع الإلكتروني عن طريق تطبيق في الهاتف المحمول. تكتسب المحافظ الرقمية من جانب الخادم شعبية بين كبار تجار التجزئة بسبب الأمان والكفاءة والمزايا الإضافية الّتي توفرها للمستخدم النهائي، مما يزيد من رضاه عن الشراء الإجمالي تتكون المحافظ الإلكترونية في الأساس من قاعدة بيانات لمعلومات خاصة بالمستخدم مثل بما في ذلك أرقام بطاقات الائتمان وتواريخ انتهاء الصلاحية وأرقام الأمان ومعلومات أخرى. إطلاق إضافة ووكومرس WooCommerce أطلق فريق WooThemes الملحق WooCommerce المخصص للمواقع الّتي تعمل بالووردبريس وهي ملحق (أو أداة) مجاني مفتوح المصدر يزود المواقع الّتي تعمل بالووردبريس بإمكانية إنشاء متجر بسهولة كبيرة، ويُمكّنك من تخصيص المتجر وفق ما تريد، ويحتوي على العديد من التصاميم والقوالب المجانية والمدفوعة، ومما يجعل هذه المنصة متميزة هي شهرة نظام إدارة المحتوى ووردبريس المبنية عليه وكثرة مستخدميه، وأمانه واستقراره. كما توفر الأداة إمكانية لتوسيع المتجر وتنميته وسهولة إضافة التقارير والتحليلات والإحصائيات. 2012: فيسبوك شركة عامة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: استحواذ شركة فيسبوك على شركة انستغرام في صفقة بلغت مليار دولار أمريكي. وطرح فيسبوك للاكتتاب العام بسعر السهم 38 دولارًا للسهم، مقدّرًا الشركة بمبلغ 104 مليار دولار. أعلنت شركة أمازون أن أجهزة كيندل فاير (Kindle Fire) شكلت 50% من الأجهزة اللوحية المباعة الّتي تستخدم نظام التشغيل أندرويد (Android). وتستمر شركة أمازون بالتوسع لتشمل أسواق جديدة وهذه المرة السوق البرازيلي من خلال طرح نسخة من موقعها مخصصة للبرازيل، وبلغ إجمالي المبيعات عبر أمازون 61.09 مليار دولار أمريكي. وانخفض صافي الأرباح لتصبح قيمته بالسالب فبلغ‎ -39 مليون دولار أمريكي (أي أن الشركة تخسر المال بدل أن تحقق أرباح). بلغ عدد مستخدمي فيسبوك 1.056 مليار مستخدم نشط. كما طرحت شركة فيسبوك أسهمها للاكتتاب العام في شهر شباط من العام 2012 لتُصبح شركة عامّة، وجمع الطرح العام الأوليّ ما قيمته 16 مليار دولار أمريكي، وبلغت قيمة الشركة السوقيّة 102.4 مليار دولار أمريكي، وقُدِّرت أرباح زوكربيرج في نهاية اليوم الأول من تداول الأسهم بأكثر من 19 مليار دولار أمريكي. ازدياد شعبية الهواتف المحمولة وبلغ عدد مستخدمي الهواتف المحمولة 1.06 مليار مستخدم. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 74.6 مليون دولار أمريكي. وأما صافي الأرباح فهو سالب وبلغ ‎-2.39 مليون دولار أمريكي. 2013: توسع الشركات وزيادة نموها أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ عدد مستخدمي الهواتف المحمولة 1.31 مليار مستخدم. تتوسع شركة أمازون لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة للهند، وبلغ إجمالي المبيعات عبر أمازون 74.45 مليار دولار أمريكي. وبلغ صافي الأرباح 274 مليون دولار أمريكي. بلغ إجمالي المبيعات عبر إيباي 8.257 مليار دولار أمريكي. وبلغ صافي الأرباح 2.856 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 125.02 مليون دولار أمريكي.وأما صافي الأرباح فهو سالب وبلغ ‎-0.8 مليون دولار أمريكي. كانت نسبة الشراء عبر الهاتف المحمول كبيرة ووصلت إلى 30% من إجمالي المبيعات عبر الموقع. استثمار مجموعة علي بابا في شركة اللوجستيات العالمية "كيانياو سمارت لوجيستك نتورك"، وتشحن هذه الشركة في الوقت الحالي 55 مليون طرد يوميًا، وذكرت الشركة أن هذا الاستثمار في شبكة اللوجستيات العالمية تهدف لتحقيق توصيل الطلبات داخل الصين خلال 24 ساعة وإلى أي مكان في العالم خلال 72 ساعة. 2014: المزيد من التوسع والتحسن في الخدمات أبرز الأحداث في الأسواق والمتاجر الإلكترونية: أطلقت شركة آبل تطبيق الدفع الإلكتروني Apple Pay. بلغ عدد مستخدمي الهواتف المحمولة 1.57 مليار مستخدم. لأول مرة يتجاوز استخدام الإنترنت عبر الهاتف المحمول استخدام الإنترنت على الحواسيب المكتبية في الولايات المتحدة. لا تزال شركة أمازون ماضية في توسعها لتشمل هذه المرة الأسواق الهولندية وذلك من خلال طرحها نسخة من موقعها مخصصة لهولندا، وبلغ إجمالي المبيعات عبر أمازون 88.99 مليار دولار أمريكي. وانخفض صافي الأرباح انخفاضًا قويًا لتصبح قيمته بالسالب وبلغ ‎-241 مليون دولار أمريكي. بلغ إجمالي المبيعات عبر إيباي 8.790 مليار دولار أمريكي. وانخفض صافي الأرباح انخفاضًا شديدًا فبلغ 46 مليون دولار أمريكي فقط. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 195.59 مليون دولار أمريكي. وأما صافي الأرباح فهو سالب وبلغ ‎-15.24 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 37% من إجمالي المبيعات. أطلق كلّ من رجل الأعمال مارك لور مع مايك هانراهان ونيت فاوست المتجر الإلكتروني Jet والذي أراد أن يدخل السوق من باب الأسعار الرخيصة (الذي باع شركته السابقة Diapers إلى شركة أمازون) يذكر أن المتجر استحوذت عليه شركة ولمارت بصفقة بلغت قيمتها 3 مليار دولار أمريكي في خطوة منها لمنافسة عملاق التجار الإلكترونية أمازون. يذكر أن مارك لور سبق وأن باع شركته السابقة Quidsi إلى أمازون بمبلغ 545 مليون دولار. 2015: تطور طرق الدفع عبر الهاتف المحمول أبرز الأحداث في الأسواق والمتاجر الإلكترونية: ازدهار سوق الهواتف المحمولة وبلغ عدد مستخدمي الهواتف المحمولة 1.86 مليار مستخدم. إطلاق شركة سامسونغ تطبيق الدفع الإلكتروني Samsung Pay. بلغ إجمالي المبيعات عبر أمازون 107.01 مليار دولار أمريكي. وبلغ صافي الأرباح 596 مليون دولار أمريكي. بلغ إجمالي المبيعات عبر إيباي 8.592 مليار دولار أمريكي. وعاد صافي الأرباح في الارتفاع ليبلغ 1.725 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 273.5 مليون دولار أمريكي. وأما صافي الأرباح فهو سالب وبلغ ‎-54.06 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 43% من إجمالي المبيعات عبر الموقع. الإعلانات عبر وسائل التواصل الإجتماعي إعلان شركة إنستغرام عن إتاحة نشر الإعلانات المدفوعة عبر منصتها للجميع (بعدما اختبرته في الولايات المتحدة الأمريكية لمدة عامين)، كما بلغ عدد مستخدمي هذه الشبكة 400 مليون مستخدم أغلبهم من الولايات المتحدة الأمريكية. لتصبح بذلك وسيلة إعلان قوية في ساحة التجارة الإلكترونية لتمكين التجار من زيادة الوعي بعلاماتهم التجارية أو الترويج لمنتجاتهم وما إلى ذلك من نشاطات تسويقية. ارتفاع عدد عمليات الدفع عبر الهواتف المحمولة على الرغم من الحلول المطروحة في مجال الدفع الإلكتروني مثل الاشتراك في خدمات باي بال أو أي من هذه المشابهة إلا أن هذه الطرق لم ترقَ لطموحات الشركات الكبرى وذلك لأن لعدة أسباب أهمها أن طول الإجراءات المتبعة لعمليات الدفع قد تمنع المستهلك من إكمال عملية الدفع وتحقيق أجمل أحلام التاجر وهو شراء المنتج، ناهيك عن وسائل الحماية الّتي يطبقها بعض الخدمات للتحقيق من الشخص في حال تسجيله من جهاز آخر أو أحيانًا تغيير المتصفح، والمشكلة الأخرى الّتي يتفق عليها معظم أصحاب المتاجر أن الناس بطبيعتها تنسى كلمات المرور (وأنا واحدٌ منهم) لذلك يعكف الكثير من أصحاب المواقع الكبرى على زيادة طرق استعادة الحساب في حال نسيانك لكلمة السر. هل سألت نفسك لماذا هذا الكم الهائل من طرق استعاد حساب فيسبوك؟ ببساطة لأن الشركة تعلم أنك ستنسى هذه الكلمة مع الأيام ولا يمكن أن تخاطر بأن تخسر عميل مثلك (ومثل ملايين الناس الذين ينسون كلمات السر الخاصة حساباتهم)، بل إن شركة فيسبوك فهمت اللعبة أكثر من ذلك لاحظ عند تسجيلك لحساب جديد لن تسألك الشركة مطلقًا عن تأكيد كلمة المرور لأنها تعرف تمامًا بأنك ستنساها! إن معرفتنا بهذه العوائق لا بد أن ينتج عنها تحرك سريع في استنزاف خسارة الزبائن وتحقيق أسهل تجربة شراء للعميل لذلك لجأ أصحاب الشركات الكبيرة إلى الحلول الّتي توفر ثلاث نقاط أساسية وهي: السرعة. السهولة. الأمان. لم يكن هنالك حل أقوى من طريقة عمل البطاقات الإئتمانية الّتي نستخدمها في المتاجر الكبير إذ لا تتطلب كلمات سر وإنما فقط نمررها على الآلة لتتم عملية الدفع، وفعلًا تحقق ذلك عندما أنشأت مجموعة شركات علي بابا شركة AliPay المسؤولة تأمين خدمات الدفع عن طريق الهواتف الذكية بطريقة سهلة من خلال إنشاء تطبيق يحتوي على حافظة لجميع بطاقاتك الائتمانية وغيرها من أنواع البطاقات وتوفير هذا التطبيق طريقة للدفع في المتاجر الإلكترونية وحتى في المتاجر الحقيقية أيضًا. لاقى هذا الحل قبول كبيرًا بين أوساط المستخدمين وفي الحقيقة دائمًا ما تلاقي الحلول السهلة لمشكلة صعبة قبولًا كبيرًا، لم يترك أصحاب المتاجر الأخرى شركة AliPay تستحوذ على قلوب المستخدمين بهذا الحل وإنما عكفت معظم الشركات على تقليد هذه الآلية كان أبرزهم شركة أمازون وغوغل وآبل وسامسونغ وشركة وي شات (WeChat). وفي دراسة أجريت بداية عام 2020 توقعت أن نسبة المدفوعات عبر الهواتف الذكية ستصل لمبلغ 1 مليار دولار أمريكي وتوقعت نفس الدراسة أنه في عام 2024 أن يصل هذا المبلغ 3.081 مليار دولار أمريكي، ومن المعروف في الأسواق العادية عمومًا وفي الأسواق الإلكترونية خصوصًا أنه من يأتي أولًا يستحوذ على القسم الأكبر من السوق لذا كان نصيب شركة AliPay أكبر قدر من المستخدمين بعدد وصل عام 2019 إلى 1.2 مليار مستخدم تليها شركة WeChat بعدد مستخدمين وصل إلى 1.151 مليار مستخدم وبعدها شركة آبل بخدمتها Apple Pay والتي وصل عدد مستخدميها إلى 441 مليون مستخدم. ومع سعي بعض الدول على تطبيق سياسة التخلص من الكاش (مثل السويد) فكانت هذه الحلول من أقوى الحلول الموجودة في ساحة حلول الدفع الإلكتروني وهذا ما أثبته هذا التقرير. لاحظ انخفاض عمليات الدفع بالكاش عالميًا وصعود طريقة الدفع باستخدام الهواتف الذكية، وبالتأكيد لا تزال طرق الدفع القديمة مثل البطاقات الإئتمانية لها شعبيتها أيضًا. ولا ننس طرق الدفع عن طريق العملات الرقمية مثل البتكوين والتي لها روادها أيضًا. والآن لنعود ونستكشف ما الّذي حدث بعد ذلك. 2016: زيادة الأرباح من التجارة الإلكترونية أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ إجمالي المبيعات عبر أمازون 135.99 مليار دولار أمريكي. وبلغ صافي الأرباح 2.371 مليار دولار أمريكي. بلغ عدد مستخدمي الهواتف المحمولة 2.5 مليار مستخدم. بلغ إجمالي المبيعات عبر إيباي 9.298 مليار دولار أمريكي. وبلغ صافي الأرباح 7.266 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 364.97 مليون دولار أمريكي. وأما صافي الأرباح فهو سالب وبلغ ‎-29.9 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 48% من إجمالي المبيعات. 2017: أمازون تدخل إلى السوق العربي أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ عدد مستخدمي الهواتف المحمولة 2.7 مليار مستخدم. بلغ إجمالي المبيعات عبر إيباي 9.927 مليار دولار أمريكي. وانخفض صافي الأرباح للشركة ليصبح بالقيمة السالبة فبلغ ‎-1.017 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 441.23 مليون دولار أمريكي. وأما صافي الأرباح فهو لأول مرة في تاريخها موجب وبلغ 81.8 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 51% من إجمالي المبيعات عبر الموقع. أمازون تدخل الأسواق العربية وتستمر بتطوير خدماتها استحوذت شركة أمازون على شركة سوق دوت كوم (Souq.com) هو أكبر منصة للتجارة الإلكترونية في الشرق الأوسط ويقع مقرها في دبي. وبلغت الصفقة 580 مليون دولار أمريكي. وأعادت أمازون بناء العلامة التجارية من خلال دمج سوق دوت كوم مع نسخة أمازون الإمارات وأمازون السعودية. أعلنت شركة أمازون عن شرائها سلسلة محلات سوبر ماركت العالمية Whole Foods Market. في صفقة تزيد قيمتها على 13 مليار دولار. وتوسعت الشركة لتشمل أسواقًا جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة لسنغافورة ونسخة أخرى لأستراليا. كما أعلنت في نفس السنة عن إطلاقها الإصدار التجريبي من خدمتها الجديدة Amazon Fresh Pickup وهو متجر بقالة مخصص لمشتركي خدمة أمازون برايم (Amazon Prime) وتتيح هذه الخدمة التسوق للبقالة عبر الإنترنت وحجز أوقات لالتقاط البقالة، وتحميلها في سياراتهم في المتجر. أطلقت أمازون خدمة التوصيل (Amazon key) لتوصيل الطلبات إلى داخل المنزل بأمان وتتطلب الخدمة أن يكون على باب قفلًا ذكيًا من نوع Kwikset أو Yale وإصدارًا خاصًا من كاميرا أمان Amazon's Cloud Cam، وذلك من أجل أن يمنح العملاء نافذة زمنية مدتها أربع ساعات لتسليم الطرد. بمجرد أن يفتح موظف توصيل الطلبات الباب تبدأ مباشرة كاميرا Cloud Cam بتسجل مقطعًا إلى أن يتم قفل الباب، ويرسل المقطع إلى صاحب المنزل، ويمكن للمشاركين في الخدمة أيضًا استخدام تطبيق Amazon Key المصاحب لنظامي iOS و أندرويد لقفل وفتح الباب ومراقبة الكاميرا وإصدار مفاتيح افتراضية. وهذه الخدمة متاحة للأعضاء المشتركين في خدمة أمازون برايم. يمكن أيضًا استخدام خدمة Amazon Key للسماح للأشخاص الذين تثق بهم بالدخول لمنزلك مثل الأصدقاء أو حتى عمال التنظيف أو الصيانة، ولن تضطر لترك أي مفتاح معهم كما هو الحال في الأنظمة التقليدية، وبالطبع ستكون قادرًا على رؤيتهم في منزلك من خلال الكاميرا. بلغ إجمالي المبيعات عبر أمازون 177.87 مليار دولار أمريكي. وبلغ صافي الأرباح 3.033 مليار دولار أمريكي. التسوق عبر وسائل التواصل الإجتماعي إعلان إنستغرام عن ميزة جديدة التسوق عبر إنستغرام (Instagram Shopping) تتيح المستخدمين التسوق عبر تطبيقها وذلك بالتعاون مع منصة بيغ كومرس (BigCommerce) كشريك للتجارة الإلكترونية. منذ ذلك الحين، توسعت الخدمة لتشمل أنظمة تجارة إلكترونية إضافية وتسمح لمستخدمي إنستغرام بالنقر على منتج معين لينقله فورًا إلى صفحة المنتج الخاصة بالشراء. 2018: أمازون حوت عابر للقارات لا ينازع أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ عدد مستخدمي الهواتف المحمولة 2.9 مليار مستخدم. بلغ إجمالي المبيعات عبر إيباي 10.746 مليار دولار أمريكي. وعاد صافي الأرباح للارتفاع ليبلغ 2.530 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 603.69 مليون دولار أمريكي. وأما صافي الأرباح فبلغ 77.49 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 55% من إجمالي المبيعات. عجلة تطوير منتجات أمازون لا تتوقف تعلن شركة أمازون عن تخصيص خدمة لتوصيل الطرود إلى داخل صندوق السيارة (Amazon Key In-Car)، وهي خدمة مشابهة لخدمة التوصيل لداخل المنزل، إلا أنه هنا لست مضطرًا لأن تشتري أجهزة إضافية، يذكر أن الخدمة متاحة لمالكي السيارات ذات الطراز شفروليه وبويك وجي إم سي وكاديلاك وفولفو الأحدث المصنعة عام 2015 أو أحدث والموجود فيها خدمة سيارات المتصلة بالإنترنت مثل OnStar أو Volvo On Call، الخدمة متاحة في نفس المناطق مثل خدمة التوصيل داخل المنزل. بلغ إجمالي المبيعات عبر أمازون 232.89 مليار دولار أمريكي. وصافي الأرباح 10.073 مليار دولار. تتوسع شركة أمازون لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة لتركيا. تطور طرق التوصيل وتأثيرها على المستهلك مع بداية نشأة التجارة الإلكترونية كان لخدمات التوصيل الدور الأساسي والمحوري في تعزيز قوة هذه المنظومة بل إن الكثير من المستهلكين يرغبون بطلب المنتجات إلكترونيًا بسبب خدمات التوصيل وخصيصًا المجانية منها. لم تغفل شركة أمازون عن هذا الجانب أبدًا فنرى دائمًا سعيها المتواصل في تقديم خدمات التوصيل بأسرع وقت ممكن ولكن هل تبالغ شركة أمازون في تعظيم أهمية خدمات التوصيل؟ هل فعلًا أن جودة خدمات التوصيل وسرعتها كفيلة بالاستحواذ على مال المستهلك -أقصد قلبه-؟ أم أن شركة أمازون تبالغ في تبذير أموالها في اللوجستيات؟ قبل أن أجيب على هذه الأسئلة سأعرض بعرض الإحصائيات عن توقعات المستهلكين من خدمات التوصيل الّتي تقدمها شركات التجارة الإلكترونية. كشفت إحصائية على أنه 70٪ من المستهلكين في الولايات المتحدة ينحازون لشراء البضائع من متجر إلكتروني آخر إذا وجدوا فيه خيارات توصيل متعددة. وبحسب نفس التقرير جاء أن 70٪ من المستهلكين يعدون الشحن المجاني الملائم والسهل من أهم أسباب التسوق عبر الإنترنت. بحسب تقرير آخر فإن 41٪ من المستهلكين على استعداد لدفع رسوم إضافية لإستلام المنتجات في نفس اليوم، بينما قال ما يقرب من ربع المتسوقين (24٪) إنهم مستعدين للدفع أكثر لاستلام الطرود والمنتجات في غضون ساعة أو ساعتين من شرائها إلكترونيًا. كما أشار نفس التقرير السابق أن 72٪ من مستخدمي أمازون برايم (Amazon Prime) أن السبب الرئيسي لاشتراكهم في هذه الخدمة هو التوصيل المجاني غير المحدود. وبحسب تقرير آخر فإن 42% من المستهلكين في الولايات المتحدة مستعدين لدفع من 1 إلى 10 دولار بينما أعرب 23% منهم أنهم مستعدين لدفع من 10 إلى 20 دولار أمريكي وحوالي 8% أنهم مستعدين لدفع أكثر من 20 لقاء التوصيل بنفس اليوم. كما كشف تقرير آخر على أن 80٪ من المستهلكين المشاركين في الاستطلاع والقاطنين في الولايات المتحدة كانوا على استعداد لشراء المزيد من المنتجات للاستفادة من خيار "التوصيل المجاني" المرتبط بحد أدنى من الإنفاق. وكما كشف نفس التقرير أيضًا أن 71٪ من جميع المستهلكين المشاركين في الاستطلاع مستعدين للإنفاق أكثر للوصل لخيار الشحن المجاني. ولكن ما الوقت الّذي يعده المستهلكون شحنًا سريعًا؟ وفقًا لتقرير فإن 97٪ من المستهلكين يعتبر الشحن في نفس اليوم "شحنًا سريعًا"، بينما أعرب 95٪ منهم أن الشحن في اليوم التالي يعدّ شحنًا سريعًا أيضًا. والآن لا بدّ أنك غيرت نظرتك عن أهمية التوصيل وما لها من تأثير بالغ في تعزيز تجربة المستهلكين ورضاهم عن الخدمة، وكيف يمكنك أن تلامس توقعات المستهلكين عندما يتعلق الأمر بالتوصيل. بل كيف لعب التوصيل السريع في نفس اليوم دورًا رئيسيًا في اتخاذ قرارات الشراء للمستهلك أيضًا. وبالتأكيد إن هذه الإحصائيات ستفتح لنا باب جديدًا للمنافسة في أسواق التجارة الإلكترونية وسد هذه الفجوة قبل أن تغتنم الفرصة شركة أمازون وتغطي حاجة السوق تمامًا ويا ليتها تكتفي بذلك بل سترفع من سقف توقعات المستهلكين مع خدماتها الجديدة مثل (Amazon Key) الّذي يتيح التوصيل إلى داخل المنزل والتوصيل إلى داخل صندوق السيارة وهو خيار ممتاز لمن يريد أن تصله المنتجات إلى منزله وبدون أن يبقى وينتظر عامل التوصيل، ومما لا شك فيه أن المنافسة ستصبح أصعب على الشركات الناشئة للدخول في مثل هذه الأسواق بحضور العملاقة. وعمومًا يعد توفير خيارات التوصيل السريع أمرًا ضروريًا وحيويًا في وقتنا الحاضر، كما أن المستهلكين يعتقدون أن التسليم السريع أصبح شيئًا أساسيًا وليس ميزة إضافية! وبالتأكيد هنالك التحديات الّتي تواجهها منظومة التوصيل السريع والّتي سنحاول أن نخصص لها مقالًا مفصلًا يناقشها بالتفصيل، أما الآن لنستكشف ما حدث في الأعوام اللاحقة. 2019: عام الازدهار أبرز الأحداث في الأسواق والمتاجر الإلكترونية: بلغ إجمالي المبيعات عبر إيباي 10.800 مليار دولار أمريكي. بصافي أرباح 1.786 مليار دولار أمريكي. بلغ إجمالي المبيعات عبر موقع إتسي (Etsy) مبلغ 818.79 مليون دولار أمريكي. وأما صافي الأرباح فبلغ 95.89 مليون دولار أمريكي. وارتفعت نسبة الشراء عبر الهاتف المحمول لتصل إلى نسبة قدرها 58% من إجمالي المبيعات عبر الموقع. بلغ عدد مستخدمي الهواتف المحمولة عالميًا 3.2 مليار مستخدم. أعلنت شركة أمازون في مؤتمر CES عن إطلاقها لميزة جديدة تتيح إمكانية توصيل الطلبيات إلى داخل كراج -مرآب- السيارات الخاص بالمنازل ولكن يجب على هذه الكراجات أن يكون لديها نظام myQ الّتي يتيح فتح الكراج من خلال تطبيق الهاتف، وبلغ عدد زوار موقع أمازون في جميع أنحاء العالم 2.729 مليار زائر، أما بالنسبة لإجمالي المبيعات عبر موقع أمازون فبلغت 280.52 مليار دولار أمريكي. وبصافي أرباح قدره 11.59 مليار دولار. إزدهار متاجر WooCommerce على عكس ما هو شائع بأن متاجر WooCommerce للمتاجر الصغيرة فقط وإنما في حال أردنا التوسع يجب أن ننتقل لنظام إدارة متاجر آخر أو حتى برمجة متجر من الصفر جاءت الإحصائيات لتخبرنا بأنه من نسبة عدد متاجر WooCommerce من أصل أفضل مليون متجر حول العالم بحسب الشهرة ومعدل الزيارات بلغ 29% أي ما يعادل 259046 متجر وهذا رقم مفاجئ بالنسبة لنظام إدارة متاجر عمره 9 أعوام فقط، أما بالنسبة لبقية المتاجر فبلغت متاجر شوبيفاي 19% كما بلغت متاجر ماجنتو 10% أما الباقي فكان لمختلف طرق برمجة المتاجر المتاحة على الإنترنت. وهذا الأمر يعطينا تصور واضح لمعالم التجارة الإلكترونية العالمية. أرقام قياسية لمجموعة متاجر علي بابا حطم يوم العزاب الصيني رقمًا قياسيًا جديدًا إذ كان اليوم الأكثر ربحًا للشركة في عام 2019، ويوم العزاب وهو مهرجان صيني شهير يعمل كنقيض لعيد الحب يحتفل العزاب الصينيون في جميع أنحاء البلاد بكونهم عازبين وفخورين بذلك وتكون مراسم من خلال تقديم الهدايا لهم. وطُلب على كلّ من متجري Tmall و تاوباو أكثر من 1.3 مليار طلب بقيمة مبيعات تصل إلى 38.4 مليار دولار أمريكي تقريبًا. بلغ عدد المستخدمين النشطين على أجهزة هواتف المحمولة على مواقع علي بابا 824 مليون مستخدم نشط. حال السوق العربي في التجارة الإلكترونية تشهد الأسواق العربية نموًا ملحوظًا في انتقالها للأسواق الإلكترونية بل وأصبح في العديد من البلدان العربية هي خيار الشراء الأنسب بحسب المتسوقين، سهلت العديد من الدول العربية مرحلة الانتقال إلى التجارة الإلكترونية كما لعب أيضًا وعي المستهلكين في التكنولوجيا الحديثة دورًا هامًا في هذه النقلة في الأسواق وبما أننا خصصنا مقالًا لمناقشة تطورات التجارة الإلكترونية العالمية فلا بد لنا من مناقشة الأسواق العربية في مقال مفصل آخر. الخاتمة أعتقد الآن بأنك كونت صورة شاملة للتجارة الإلكترونية، ورغم أني لم أجيبك كيف أصبح جيف بيزوس (مؤسس عملاق التجارة الإلكترونية أمازون) أغنى رجل في العالم؛ إلا أنني متأكد من استطاعتك على ربط التفاصيل وتحليلها لمعرفة سرّ ثروته (وممكن أن نخصص لاحقًا سلسلة نناقش فيها العقل الكامن وراء أكبر متجر إلكتروني في حال وجدنا اهتمامًا من القرآء يمكنك أخبرنا بالتعليقات إذا كنت مهتمًا بهذه السلسلة) وختامًا لن نستطيع اختصار جميع الأحداث الّتي حصلت في تاريخ التجارة الإلكترونية في مقال واحد، وذلك لأنه حافلًا جدًا بالإنجازات، ومليئًا بالقفزات النوعية الّتي تحتاج منا الكثير من الوقفات والمناقشة والتأمل والتعلم. المصادر Number of monthly active Facebook users worldwide as of 4th quarter 2020 Annual net revenue of Amazon from 2004 to 2020 Annual e-commerce revenue of Alibaba from financial year 2010 to 2020, by region EBay Net Income 2006-2020 | EBAY Number of mobile monthly active users across Alibaba's online shopping properties from 4th quarter 2017 to 4th quarter 2020 Annual revenue of Etsy Inc. from 2012 to 2019 Annual net income of Etsy Inc. from 2012 to 2019 Mobile share of Etsy Inc.'s gross merchandise sales volume from 2013 to 2019 Sales of grocery delivery and pickup in the United States in August 2019 and March to November 2020 Britannica: Facebook American Company The evolution of the mobile payment Amazing Stats Demonstrating The Unstoppable Rise of Mobile Payments Globally Britannica: Cloud computing Number of smartphone users worldwide from 2016 to 2021 Combined desktop and mobile visits to Amazon.com from May 2019 to September 2020 Most popular payment methods of online shoppers in selected regions as January 2019 2015 Letter from Tobi

سنستعرض تاريخ التجارة الإلكترونية على مقالين منفصلين أهم النقلات النوعية في تاريخ التجارة الإلكترونية، وسنسلط الضوء على أبرز الأحداث الّتي غيرت معالمها، وعمومًا سنركز في الجزئين على هذه النقاط: تطور الإنترنت الّذي مهّد لظهور التجارة الإلكترونية. المشاكل الّتي تعرضت لها التجارة الإلكترونية في بداياتها. تاريخ بعض عمالقة التجارة الإلكترونية (أمازون - إيباي - إتسي - علي بابا). مناقشة أسباب حدوث فقاعة الدوت كوم (Dot-com bubble). الوقوف على أسباب إفلاس بعض الشركات على أثر فقاعة الدوت كوم. عودة الإهتمام بالتجارة الإلكترونية على المستوى العالمي (ولكن هذه المرة بحذر). تسليط الضوء على أبرز عمليات الاستحواذ الّتي غيرت معالم التجارة الإلكترونية. تطور طرق الدفع عبر الزمن (بيبال - Apple Pay - Google Pay). صعود أجهزة الهواتف المحمولة. تأثير شركات الهواتف المحمولة (مثل شركة آبل) على التجارة الإلكترونية. ارتفاع نسبة المعاملات عبر الهواتف المحمولة على مجمل معاملات التجارة الإلكترونية العالمية. تطور طرق التوصيل عبر الزمن (أمازون برايم - أمازون Key) وتأثيرها على المستهلك. صعود شبكات التواصل الإجتماعي (فيسبوك - إنستغرام). التسّوق عبر شبكات التواصل الإجتماعي. تسليط الضوء على بعض الشركات البرمجية الخاصة الّتي سهلت التجارة الإلكترونية (مثل شوبيفاي Shopify- بيغ كومرس BigCommerce). ظهور أدوات مفتوحة المصدر لبناء المتاجر الإلكترونية (ووكومرس WooCommerce - أوبن كارت OpenCart - ماجنتو Megento). ملاحظة: سيستعرض المقال أهم الأحداث الّتي حلصت منذ نشأة التجارة الإلكترونية وحتى تاريخ كتابة هذا المقال، وسيناقش باختصار الأحداث الّتي حصلت قبل عام 1995، وأما الأحداث الّتي حدثت بعد هذا العام سنُناقشها بالتفصيل بحسب ورودها، كما سيكون لنا وقفات بين الأعوام لنوضح بعض الأفكار الّتي أحدثت تغييرًا جذريًا في تاريخ التجارة الإلكترونية. إخلاء مسؤولية: إن تركيزنا على بعض الشركات أو الدول أو المنتجات دونًا عن غيرها لا يعني بالضرورة أننا نسوق لها، وإنما لأسباب تتعلق بسهولة الوصول للإحصائيات الدقيقة والمعلومات الكاملة، كما أن جميع الأرقام والإحصائيات المذكورة يتحمل مسؤوليتها أصحابها، وإن تسلسل الأحداث المذكورة تعبر عن وجهة نظر الكاتب، وليس لأكاديمية حسوب أي هدف من تسليط الضوء عليها إلا لأهداف تعليمية. البدايات: التجارة الإلكترونية قبل عام 1995 نشأت التجارة الإلكترونية في الستينيات القرن الماضي، إلا أنها لم تكن مثلما نعرفها اليوم. إذ كانت تعرف آنذاك باسم تبادل البيانات الإلكترونية (Electronic Data Interchange)، وتسمح هذه الطريقة للشركات بالتبادل مستندات التجارية مع أجهزة الحواسيب الخاصة بالشركات الأخرى. كما ساعدت في انتشار عملية تبادل أنواع معينة من المستندات الضرورية بين الشركات وهي طلبيات الشراء والفواتير. مما عزز بدوره دور التقنية في إكمال المعاملات التجارية وتقليل الاعتماد على التبادل الورقي. خلال تلك الفترة نفسها، حدث قفزة أخرى ساعدت على ظهور التجارة الإلكترونية بالشكل الّذي نراه الآن. وهو ظهور مشروع أربانت (ARPANET) خلال الحرب الباردة، إذ احتاج القادة العسكريون إلى نظام اتصالات حاسوبي بدون نواة أو موقع أو قاعدة مركزية؛ ويجب على هذا النظام أن يكون غير قابل للاختراق أو التدمير بسهولة في حال حدوث أي هجمة للعدو. أنشأت وكالة مشاريع الأبحاث المتقدمة (DARPA)، وهي قسم تابع لوزارة الدفاع الأمريكية، شبكة أربانت وتعدّ هذه الشبكة من أوائل الشبكات الّتي استُخدمت لتوصيل أجهزة الحاسوب في المؤسسات البحثية الممولة من البنتاغون عبر خطوط الهاتف. كان الهدف الأساسي لشبكة أربانت أكاديميًا أكثر منه عسكريًا، الأمر الّذي سمح لمزيد من المؤسسات الأكاديمية بالاتصال بهذه الشبكة. تأتي أهمية هذه الشبكة من كونها تستخدم بروتوكول (TCP/IP)، وهو نفس البروتوكول المستخدم للاتصال بالإنترنت في يومنا الحالي. أي دون اختراع شبكة الأربانت لن يكون لدينا من الأساس الشبكة الّتي نسميها الآن شبكة الإنترنت. استمرت التطورات الجديدة في التكنولوجيا بالتقدم بخطى ثابتة حتى عام 1970 عندما ابتكرت خدمة (Videotex) وهي خدمة تراسل نصية ثنائية الاتجاه تُعرض على شاشة. في تلك الأثناء سارعت العديد من الصحف البريطانية مثل فاينانشال تايمز لتوفير القصص الصحفية عبر الإنترنت من خلال هذا الخدمة. كما ظهر مفهوم جديد وهو التسوق عن بعد أو التسوق عبر الإنترنت وكان ذلك في المملكة المتحدة عام 1979 على يد مايكل ألدريتش، وكان يدعم نمطين من التجارة الإلكترونية وهما: التجارة الإلكترونية من شركة إلى مستهلك (B2C). التجارة الإلكترونية من شركة إلى شركة (B2B). ظهور شبكة الوب العالمية لم تظهر شبكة الوِب العالمية والتي تعرف أيضًا WWW وهي اختصارًا (World Wide Web) حتى أوائل تسعينيات القرن الماضي، وذلك عندما نشر عالم الحاسوب تيم بيرنرز لي مع صديقه روبرت كايليو اقتراحًا "لمشروع النصوص التشعبية" يسمى "WorldWideWeb". باعتبار هذه المشروع شبكة من مستندات النصوص التشعبية يمكن تصفحها من خلال المتصفحات (Browsers) بالاعتماد على تقنية خادم-عميل (Client-Server)، ليكون هذا المشروع شرارة البدء بعصر الوِب والمواقع الإلكترونية، والأهم من ذلك المتاجر الإلكترونية! أول متصفح وِب في التاريخ أنشأ تيم بيرنرز لي باستخدام حاسوب NeXT أول خادم وِب في العالم، وبنى أول متصفح وَب بعد فترة قصيرة. بعدها بدأ ظهور خدمة الوِب في 6 من شهر آب عام 1991 كخدمة متاحة للجمهور على الإنترنت. وعندما رفعت مؤسسة العلوم الوطنية (NSF) قيودها على الاستخدام التجاري للشبكة في عام 1991 شهد الإنترنت والتسوق عبر الإنترنت نموًا ملحوظًا. ولاحقًا في شهر أيلول عام 1995، بدأت NSF في فرض رسوم على تسجيل أسماء النطاقات. كان هناك 120 ألف اسم نطاق مسجل آنذاك، وخلال 3 سنوات نما هذا العدد ليصبح أكثر من 2 مليون نطاق. في عام 1994 كشفت نتسكيب (Netscape) النقاب عن متصفح الوِب (Netscape Navigator) على يد كلّ من مارك أندريسن وجيم كلارك، ويعمل هذا المتصفح على نظام التشغيل ويندوز مما أكسبه شعبية قوية آنذاك، كما تضمن هذا المتصفح أهم ميزة آنذاك، وهي التشفير باستخدام طبقة المقابس الآمنة (SSL)، والّتي ساعدت بدورها على تشفير وتأمين المعاملات على الإنترنت. بدأ جميع التجار بالتفكير في افتتاح المتاجر الإلكترونية إلا أن كثرة العقبات والتحديات وضعف الرؤية المستقبلية لهذا النوع من التقنيات جعلت الكثير من التجار والمستثمرين وأصحاب الأموال تتمهل قليلًا لرؤية من الّذي سيغامر ويكون إما فأر تجارب أو قائد دفة التغيير في الأسواق. ولكن بعضًا من المغامرين أقدموا على هذه المخاطرة ومنهم تشارلز ستاك (Charles Stack) والّذي افتتح متجره الإلكتروني "Book Stacks Unlimited" المخصص لبيع الكتب عام 1992. ليكون بذلك أول شخص يبيع كتابًا على الإنترنت. استشعرت تيرا زيبورن وجيم سنايدر حال الأوضاع الحالية في السوق ونشرا في عام 1992 وجهة نظرهما على شكل كتاب أطلاقّا عليه اسم "مستقبل المتاجر": كيف ستُغير التقنيات طريقة تسوقنا وشرائنا. كان لهذين الكاتبين نظرة ثاقبة وتوقعات حول مستقبل النزعة الاستهلاكية، كما ناقش الكتاب واقع التجارة التقليدية، وأنه ومنذ مئات السنين لاتزال الأسواق التقليدية تزداد تعقيدًا وإرباكًا للمستهلكين، وكيف أن تقنيات الجديدة بجانب السياسات العامة المبتكرة ستساعد المستهلكين على التغلب على هذا المشاكل. لا تزال رؤية الكاتبين بشأن مستقبل المتاجر يتردد صداها حتى يومنا الحالي. التحديات التي واجهتها التجارة الإلكترونية ظهرت العديد من التحديات والتي شكلت سدًا منيعًا أمام تقدم التجارة الإلكترونية، تنوعت هذه التحديات فمنها لوجستية ومنها تقنية ومنها سلوك العملاء والمستهلكين! وإليكم بعضًا من أبرز هذه التحديات: مشاكل الدفع: لم يتواجد حلول قوية من أجل الدفع الإلكتروني، وإنما كانت منظومة الدفع تعمل بطريقة بدائية مثل الدفع عند التسليم والّتي شكلت مشكلة حقيقة للتاجر بسبب تقليصها لنمو التجارة عدا عن المنتجات المرتجعة بعد التوصيل بسبب عدم رضا العميل عنها والخسارة الناتجة عنها. مشكلة التوصيل: عدم وجود شركات شحن متخصصة وموجهة للمتاجر الإلكترونية أدى للكثير من المشاكل اللوجستية الّتي انعكست لاحقًا على زيادة التكلفة التشغيلية للمتجر الإلكتروني مما شكل عقبة أخرى في تقدم التجارة الإلكترونية. عدم وجود جهاز إلكتروني بسعر معقول للوصول للإنترنت: إن ارتفاع سعر أجهزة الحواسيب آنذلك شكل أزمة حقيقة في تقدم التجارة الإلكترونية، والّذي أدى لضعف نمو التجارة بسبب عدم رؤية المستثمرين جدوى من ذلك الاستثمار المحفوف بالمخاطر. صعوبة إيجاد المحتوى على الإنترنت: على الرغم من وجود بعض محركات البحث آنذاك إلا أنها كانت تعاني من عدة مشاكل أبرزها كثرة المفردات المترادفة وغموض الكلمات وعدم طرح الأسئلة الصحيحة من قبل المستخدمين، أي باختصار لم يكن في ذلك الوقت محركات بحث ذكية، وكان لا بد من معرفة الزبون عنوان الموقع الإلكترونية الخاص بالشركة الّتي سيشتري منها منتجاته الأمر الّذي شكل صعوبة للمشاريع الناشئة آنذاك. عدم وجود طريقة فعالة لترويج المنتجات: عدم وجود طريقة رخيصة وتحقق معدل تحويل مرتفع لترويج المنتجات على الإنترنت أدى أيضًا إلى تباطئ عجلة التطور لهذا المجال. صعوبة تغيير عقلية العميل: لم يكن العملاء حينها معتادين على التسوق الإلكتروني، ومعظمهم كان يفضل الذهاب إلى المتاجر التقليدية وشراء حاجياتهم بأنفسهم. بالإضافة إلى ذلك عدم ثقة العملاء بإيداع أموالهم إلكترونيًا خوفًا من سرقتها من قبل مجهولين. بالطبع كان هناك العديد من التحديات الأخرى المخفية ولكن كانت هذه أبرزها آنذاك. لم تشهد الأعوام اللاحقة الكثير من الأحداث سوى عام 1994 الّذي شهد انطلاقة شركة أمازون (Amazon) على يد جيف بيزوس، في البداية كان هدفه الأساسي إتاحة شراء الكتب إلكترونيًا، أي أن الموقع يعتمد فعليًا على نمطين من التجارة وهما من شركة إلى مستهلك (B2C) ومن مستهلك إلى مستهلك (C2C). من الجدير بالذكر أن موقع أمازون يعدّ من أوائل المواقع الّتي أضافت مراجعات المشترين كمقياس لتصنيف المنتجات. وهي الطريقة تصنف الآن أكثر الطرق فاعلية لزيادة عدد المبيعات. توسعت الشركة لاحقًا لتبيع عدة منتجات أخرى غير الكتب، وأما اليوم فأصبحت من أكبر متاجر الإلكترونية في العالم وهي تبيع حاليًا كلّ شيء من الموسيقى والفيديو مرورًا بالأدوات الإلكترونية والملابس والأثاث وحتى الطعام أيضًا لتأكل بذلك العديد من الحصص السوقية ولتُشكل أيضًا إمبراطورية خاصة بها. 1995: إطلاق شركة إيباي eBay شهد عام 1995 إطلاق عملاق من عمالقة التجارة الإلكترونية وهو موقع إيباي (eBay) على يد بيير أوميديار، كان موقع إيباي مخصص للمزادات الإلكترونية إذ يمثل الوسيط بين البائع والمشتري؛ أي أن الموقع اعتمد على نمط التجارة من مستهلك إلى مستهلك (C2C) أساسًا لعملياته والموقع مفتوح لأي شخص كي يعرض بضاعته للبيع أو يشتري بضاعة من شخص آخر. 1996: إطلاق شركة توصيل البقالة إلى المنزل WebVan أبرز الأحداث في الأسواق والمتاجر الإلكترونية: وصلت قيمة المعاملات على موقع أمازون 15.7 مليون دولار. إطلاق أول هاتف محمول في فنلندا والّذي بإمكانه الإتصال بالإنترنت كان Nokia 9000 Communicator. لكن في الحقيقة كانت إمكانية الوصول إلى الإنترنت محدودة في البداية بسبب الأسعار المرتفعة للغاية من قبل المشغلين. كانت لدى لويس بوردرز فكرة مجنونة للسماح للناس بطلب البقالة عبر الإنترنت وتسليمها إلى منازلهم. وفعلًا قررت بناء شركة WebVan واستطاعت هذه الشركة جمع 3.5 مليون دولار في جولة التمويل الأولى لها من خلال عدة مستثمرين عام 1997، واستثمرت لاحقًا شركة سيكويا لرأس المال المخاطر (Sequoia Capital) مبلغًا قدره 50 مليون دولار واستثمر أيضًا شركة سوفت بانك (Softbank Capital) مبلغ قدره 160.3 مليون دولار. 1997: أمازون شركة عامة أبرز الأحداث في الأسواق والمتاجر الإلكترونية: طرحت شركة أمازون أسهمها للإكتتاب لتصبح بذلك شركة عامة، سارع المستثمرين لشراء هذه الأسهم مباشرة وباعت شركة أمازون السهم آنذاك بسعر 18 دولار أمريكي مما رفع قيمتها السوقية إلى 54 مليون دولار أمريكي في بورصة ناسداك. ساعد هذا الطرح في البورصة الشركة على تأمين المال اللازم لعمليات النمو والاستحواذ على الشركات الناشئة أو حتى المنافسة! كما وصل عدد المستخدمين في موقع أمازون إلى المليون، ووصلت قيمة المعاملات على الموقع 148 مليون دولار أمريكي. يستمر ازدهار أسواق المزادات الإلكترونية الممثل بموقع إيباي ويحقق مليون عملية بيع بنجاح. 1998: إطلاق محرك البحث غوغل Google وإطلاق موقع باي بال PayPal بدأت شركة أمازون بيع الموسيقى والفيديوهات، كما بدأت أيضًا في التوسع دوليًا وذلك بالاستحواذ على بعض بائعي كتب عبر الإنترنت في المملكة المتحدة وألمانيا، ووصلت قيمة المعاملات عبر موقع أمازون إلى 610 مليون دولار. كما توسعت الشركة لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة لألمانيا ونسخة أخرى للمملكة المتحدة. إطلاق محرك البحث غوغل Google أطلق لاري بيج وسيرجي برين (وهما طالبين من طلاب الدكتوراه في علوم الحاسوب في جامعة ستانفورد) محرك البحث غوغل رسميًا للعلن، عملت الشركة بواسطة خوارزمياتها على فهرسة المواقع والصفحات الإلكترونية بطريقة تسهل للمستخدمين إمكانية البحث والوصول إلى معلومة معينة بطريقة سهلة جدًا. مع أنه كان هنالك محركات بحث أخرى إلا أنهما كانا يعتقدان بأن محرك البحث الّذي يقوم بتحليل العلاقات بين مواقع الشبكة الإنترنت من شأنه أن يوفر ترتيبًا أفضل لنتائج البحث من النتائج الّتي كانت توفرها المحركات المشهورة آنذاك وهي طريقة ترتيب النتائج بحسب عدد مرات ظهور المصطلح الّذي تبحث عنه في صفحات الإنترنت. وبالفعل اختبرا هذه الفرضية كجزء من دراستهما للدكتوراه وبالفعل أعطت نتائج جيدة. ليسطروا بذلك إحدى أهم محركات البحث في العالم الأمر الّذي أضاف سهولة بالغة في آلية الوصول للمواقع والمتاجر الإلكترونية. إطلاق موقع باي بال PayPal كنظام دفع للتجارة الإلكترونية أطلق موقع باي بال لتقديم حلول الدفع الإلكتروني، وهو موقع وِب تجاري يسمح للمستخدم بتحويل المال عبر الإنترنت إذ يمكن للمستخدم إرسال المال إلى الآخرين أو استقبال أموال. تعد خدمة العملة الإلكترونية بديلة عن الطرق الورقية التقليدية كالشيكات أو الحوالات المالية. يذكر أن شركة باي بال ناتجة عن دمج شركة Confinity للدفع الإلكتروني مع شركة X.com ليعاد بناء العلامة التجارية لاحقًا في عام 2000 وتصبح رسميًا باي بال PayPal لتكون بذلك الشركة الرائدة لتحويل المال إلكترونيًا بطريقة آمنة. 1999: إطلاق شركة علي بابا Alibaba أبرز الأحداث في الأسواق والمتاجر الإلكترونية: تستمر شركة أمازون بالتوسع وتضيف إلى متجرها الإلكترونيات الاستهلاكية وألعاب الفيديو والبرامج وأدوات تحسين المنزل والألعاب. أصبحت التجارة الإلكترونية حديث الساعة وبدأ العديد من المستثمرين وأصحاب الأموال في التفكير بالدخول في هذا السوق الناشئ للحصول على أكبر حصة ممكنة. إطلاق شركة علي بابا Alibaba للتجارة الإلكترونية أسس جاك ما مع 17 صديقًا له جمعهم كلهم في شقته في مدينة هانغتشو ليكشف لهم عن فكرة إنشاء شركة جديدة للتجارة الإلكترونية وافق الجميع على المشروع وجمعوا 60 ألف دولار أمريكي لإطلاق موقع من أنجح الأسواق الإلكترونية على الوِب أسماه علي بابا (Alibaba). ومن ناحية طريقة عمله يعمل الموقع كسوق عبر الإنترنت للشركات لبيع منتجاتها لشركات أخرى أي (Business to Business). لكنها لم تنطلق لتبيع منتجات إلى المستهلك حتى بدأت سوق تاو باو (Taobao) وذلك عام 2003، والذي يبيع فيه التجار البضائع والمنتجات مباشرة إلى المستهلكين. 2000: إطلاق منصة OsCommerce للتجارة الإلكترونية وأداة Google AdWords أبرز الأحداث في الأسواق والمتاجر الإلكترونية: أتاحت أمازون الفرصة للتجار لعرض منتجاتهم وبضاعتهم كما استمرت الشركة بالتوسع لتشمل أسواق جديدة وذلك من خلال طرحها نسخة من موقعها مخصصة لليابان، ونسخة أخرى لفرنسا. استطاع جاك ما مؤسس شركة علي بابا من جمع 20 مليون دولار أمريكي من المستثمرين بقيادة مجموعة "سوفت بانك" اليابانية وذلك بعد عام واحد فقط من تأسيس الشركة. الإعلان عن تطوير خدمات الجيل الثالث 3G للهواتف الذكية. مما جعل أشياء كثير ممكنة مثل عقد المؤتمرات عبر الفيديو وإرسال مرفقات بريد إلكتروني كبيرة ممكنة. إلا أنه كانت هذه الخدمة غالية الثمن. وعلى الرغم من انخفاض أسعار الأجهزة إلى حدود 300 - 700 دولار أمريكي ولكن أدى هذا الإعلان لزيادة الرهان على مستقبل سوق الهواتف الذكية أما بالنسبة لخدمة الجيل الثالث فكانت غالية نسبيًا ولم يتشجع الكثير من الناس لشراء هذه الخدمة. منصة OsCommerce التجارة الإلكترونية مفتوحة المصدر أطلق هارالد بونس دي ليون مشروع جانبي -على حد قوله- أسماه مشروع التبادل OsCommerce وهو ومنصة مخصصة للتجارة إلكترونية وهي مفتوحة المصدر تتيح بناء متجر إلكتروني على الإنترنت ويمكن تشغيلها على أي خادم وِب مثبتٌ عليه لغة البرمجة PHP ونظام قواعد البيانات MySQL. إطلاق أداة غوغل أدوردز Google AdWords قدمت شركة غوغل عام 2000 أهم أداة ساعدت على تقدم التجارة الإلكترونية ألا وهي أداة غوغل أدوورد والتي أتاحت لشركات التجارة الإلكترونية الإعلان عن متاجرهم ومنتجاتهم إلى الأشخاص الذين يبحثون عنها في محرك البحث غوغل. سرعان ما بدأت معظم المتاجر الإلكترونية باستخدام هذه الأداة، وتكون طريقة الدفع لشركة غوغل فقط عندما يقوم الأشخاص بالنقر على إعلانك أي كان الإعلان الدفع بالنقرة (Pay Per Click). 2001: عام مليء بالمفاجآت أبرز الأحداث في الأسواق والمتاجر الإلكترونية: الإعلان رسميًا عن إتاحة خدمات الجيل الثالث 3G للمستخدمين في اليابان كإصدار تجريبي من قبل شركة NTT DoCoMo. إعلان متجر Costco التقليدي عن افتتاحه متجر إلكتروني المخصص للبيع بالجملة للتجار أي يعمل الموقع نموذج من شركة إلى شركة (Business to Business). حققت شركة باي بال نموًا هائلًا إذ بلغ عدد المستخدمين النشطين على منصة باي بال 10.2 مليون حساب شخصي و2.6 مليون حساب تجاري في 39 دولة حوال العالم، كما بلغت التعاملات المالية 3.1 مليار دولار أمريكي، يعزوا معظم المحللين أن السبب الأساسي للنمو هو أنها رخيصة جدًا إذ كانت أرخص حتى من حوالة بريدية والطوابع الخاصة بها كما أن السبب الأخر هو عدم الحاجة لبطاقة إئتمان كما قدمت الشركة في خريف عام 2001 أول ضمان للمستهلك: نص على أن العملاء الّذين فشلوا في استلام البضائع المشتراة من بائعي يستخدمون حسابات باي بال معتمدة سيعوضون بتكلفة المنتجات بالكامل من قبل الشركة. إلا أنه كانت تعاني الشركة من مشكلة حقيقة في قسم خدمة العملاء والذي أدى لظهور منافسين لها. افتتاح شركة سكريل (Skrill) وعرفت نفسها على أنها مزود محفظة رقمية تتيح مجموعة من خدمات الدفع وتحويل الأموال عبر الإنترنت وموجه للمملكة المتحدة وأوروبا. بعد نجاح فكرة موقع أمازون في جعل موقعها سوق إلكتروني عكف متجر إيباي أيضًا لإضافة هذه الميزة وسمح للبائعين بفتح متجر داخلي خاص بهم لعملائهم على أساس منتظم، مما يحاكي الشهرة المتزايدة لحلول التجارة الإلكترونية المماثلة عبر الإنترنت. تطوير برنامج iTunes من شركة آبل قدمت شركة برنامج ايتونز (Apple iTunes)، وهو برنامج حاسوب لتشغيل وتحويل الموسيقى إلى صيغة رقمية مضغوطة وهي MP3 مضغوط، والّتي كانت شائعة الاستخدام في أجهزة الحاسوب والأجهزة الرقمية الأخرى. في وقت لاحق من نفس العام، بدأت شركة آبل في بيع جهاز iPod، وهو مشغل محمول خاص للموسيقى ذات الصيغة MP3، والذي سرعان ما أصبح الرائد في سوق. والآن يتوفر تطبيق آي تيونز طريقة لشراء الأغاني والأفلام والبودكاست المفضلة لديك. الحلول التي مهدت لانفجار فقاعة الإنترنت هل تذكر التحديات الّتي تعرضت لها منظومة التجارة الإلكترونية؟ لاحظ أن معظمها وجد له حلّ مخصص واحترافي ساعد على بلورة الفرص الموجودة في هذا السوق. زاد إقبال الناس على إنشاء الشركات الإلكترونية وتحديدًا الشركات الّتي لها موقع إلكتروني والّتي كانت تعرف آنذاك بشركات الدوت كوم في إشارة لوجودها الإلكتروني. انتشرت ثقافة ريادة الأعمال بين شباب الجامعات وكانت هنالك العديد من القصص لشباب أصبحوا أثرياء بهذه الطريقة، ولتسريع نموهم يحصل هؤلاء على قروض من البنوك لتمويل مشاريعهم، فيما نجح كثيرون في إقناع المستثمرين بالاستثمار في مشاريعهم. أصبحت الشركات الإلكترونية حديث الشارع الأمريكي لم يقتصر الحديث بين المستثمرين فقط وإنما كان حديث كلّ الناس. العديد من الشباب في ذلك الوقت وخصيصًا طلاب الجامعات الأمريكية كانوا يتحدثون عن أفكارهم وكيف يحاولون الدخول في هذا السوق الجديد، وكيف سيتمكنون من إنشاء شركة ناشئة قائمة على فرد واحد أو فريق صغير من الأصدقاء تقدم منتجًا أو خدمة عبر الإنترنت، وتحصل على تمويل من المستثمرين بالدخول إلى البورصة وعالم الاكتتاب والمال والملايين. ولجأ الكثير من الشباب إلى بناء هذه الشركات من غرف نومهم أو من مواقف سياراتهم دون أن يفكروا حتى في أن يكون لشركاتهم مقرات أو حتى أن يسجلوها كشركة رسمية على الأقل، وإنما اقتصر نظرهم على وجودها القائم على الإنترنت من خلال موقعها الإلكتروني. تساهل البنوك والبورصات والمستثمرين مع الشركات الناشئة لم يكُن مبالغة الناس لتصوراتهم عن مستقبل هذه الشركات أمرًا مستغربًا لأنه حتى البنوك والبورصات آنذاك قدمت العديد من التسهيلات لهذا النوع من الشركات وفتحت بورصة ناسداك والبورصات الأمريكية أبوابها أمام هذه المؤسسات للحصول على استثمارات لمواصلة عملها. تجاهل العديد من المستثمرين بحماقة القواعد الأساسية للاستثمار في سوق الأوراق المالية، مثل تحليل نسب السعر إلى الربحية، ودراسة اتجاهات السوق، ومراجعة مخطط الأعمال ونموذج العمل. وبدلًا من ذلك أصبح المستثمرون وأصحاب المشاريع مشغولين بالأفكار الجديدة الّتي لم تثبت نجاحها في السوق بعد. حتى من كان يملك بضعة آلاف من الدولارات من الناس وسمع بهذه الظاهرة لجأ فورًا إلى استثمار أمواله في تلك الشركات. التدفق الكبير للأموال من خلال شراء الأسهم الشركات أدى لرفع سعر هذه الشركات بصورة كبيرة، لتصبح لدى الشركات قيمة سوقية كبيرة في فترة زمنية قصيرة. المبالغة في التسويق بدون اكتمال بناء الشركات الكثير من الشركات الناشئة الّتي ظهرت لم يكن لدى القائمين عليها خطة لاستخلاص الأرباح وتحقيقها، معظم الشركات كانت تخسر المال وما تحصل عليه من المستثمرين يذهب في التكاليف التشغيلية. كان هناك حديث على أن الأرباح ستأتي مستقبلا وأنها مسألة وقت فقط، بينما الخسائر كانت هي الّتي تتزايد شهرا بعد آخر. في تلك الحقبة شهد التلفزيون الكثير من الإعلانات لتلك الشركات، وركزت معظمها على التسويق والتوسع أملًا منها في تحقيق حصة سوقية جيدة ولكن بدون التفكير في طريقة فعالة لجني الأرباح، وكما نعلم فإن تلك الإعلانات تكلف الملايين من الدولارات أضف إليها التكاليف التشغيلية ليزداد بذلك معدل استنزاف المال في تلك الشركات. شركات جمعت الملايين ظهرت العديد من الشركات المغمورة في هذه الفترة وكان من بينها هي شركة Pets.com المتخصصة في بيع مستلزمات الحيوانات الأليفة، وكان هنالك رهانات كبيرة عليها إلا أنه من الملاحظ غياب النموذج الربحي لهذه الشركة، إذ كان القائمون على هذه الشركة يرغبون فقط في أخذ حصة سوقية جيدة من 24 مليار دولار الّتي ينفقها الأمريكيون على الحيوانات الأليفة. فقط وبهذه السهولة وصلت القيمة السوقية للشركة إلى 300 مليون دولار أمريكي! هناك أيضًا شركة Webvan الّتي تحدثنا عنها سابقًا والّتي استطاعت جميع الكثير من الأموال وذلك لأنها حلت مشكلة توصيل الطلبات الّتي كانت عقبة كبيرة في نمو التجارة الإلكترونية وهذا الأمر ساعد على نموها وتشجيع المستثمرين في ضخ أموالهم فيها. كانت مبيعات الشركة تبلغ 178.5 مليون دولار أمريكي، ولكن كان لها أيضًا حجم إنفاق كبير وقدره 525.4 مليون دولار، ومع ذلك لم يكن ذلك ليثني من عزيمة المستثمرين والمضاربين في وضع أموالهم فيها وبلغت قيمتها السوقية قبل فقاعة الدوت كوم حوالي 4.8 مليار دولار أمريكي. من الجدير بالذكر أن شركة WebVan أعلنت إفلاسها في عام 2001 خلال فقاعة الدوت كوم وذلك بسبب منهجية التوسع الّتي فرضها المستثمرين، بالإضافة إلى سوء إدارة الشركة، وبلغت خسائر الشركة حوالي 800 مليون دولار، وتبرعت بجميع الأطعمة غير القابلة للتلف لبنوك الطعام المحلية. وكذلك شركة Pets أعلنت إفلاسها أيضًا. عمومًا كانت توقعات الناس لمستقبل هذا النوع من الشركات الإلكترونية غير واقعية نهائيًا. ومع استمرار أصحاب المشاريع الناشئة بالمبالغة بإمكانيات هذه الشركات على أمل منهم أن يصبحوا من أصحاب الملايين أو أصحاب المليارات مثل مارك كوبان الّذي باع شركته (Broadcast.com) بمبلغ 5.7 مليار دولار أمريكي وأصبح مليارديرًا بين ليلة وضحاها، ومن نمو الكبير للشركات أيضًا مثل شركة أمازون وشركة إيباي، متناسين بذلك أن كلّ شركة من هذه الشركات لم تكن لتحقق ما حققته لولا تبنيها لإستراتيجيات قوية ومحكمة تناقش كافة الأمور المتعلقة بالجانب الربحي والتشغبلي والإداري وو..إلخ للوصول إلى هذا النجاح. انفجار فقاعة الدوت كوم مع بداية الألفية الثانية اكتشف العديد من المستثمرين أن رهاناتهم خاطئة وأن هناك مبالغة كبيرة في أسعار الأسهم، وأن الشركات العاملة في هذا المجال لا تربح، وذلك بسبب غياب النموذج الربحي عن معظم هذه الشركات ومع الإنفاق الكبير لرأس المال بسبب المصاريف التشغيلية ازدادت الأمور سوءًا، والأمر الّذي زاد الوضع تعقيدًا أن الكثير من القائمين على هذه الشركات لا يملكون خبرة في القطاع المالي ولا الإداري لتسيير أمور شركاتهم، وبعضهم سقط في تبذير أموال المستثمرين بالإعلانات والحفلات والمؤتمرات الّتي لا طائل منها. فشلت تلك الشركات في البدء بحصد الأرباح بعد سنوات قليلة من انشائها ودمر ازدياد الخسائر حماسية المستثمرين تمامًا وبث في نفوسهم الخوف والرعب ولجأوا فورًا إلى خيار الإنسحاب. كانت شرارة الإنفجار بدأت مع ظهور التقارير الّتي تحذر من هذه الفقاعة في الصحف الأمريكية والبريطانية؛ لذا تسابق حاملي الأسهم من المستثمرين والمضاربين على بيع الأسهم عند الذروة لتحقيق أرباح جيدة والخروج من السوق بسلاسة الأمر الّذي أدى في نهاية المطاف إلى انهيار كبير لأسهم تلك الشركات، ولأن تلك الشركات قائمة على الأموال الّتي يحصلون عليها من المستثمرين فقد انهارت وأعلنت الكثير منها إفلاسها. اندلعت الأزمة ووصلت الخسائر الإجمالية إلى 5 تريليونات دولار أمريكي على الأقل، وتضررت مختلف الشركات بدون استثناءات خلال هذه الفترة العصيبة، وشركات كثيرة أعلنت افلاسها، أما بعضها الآخر فقد سعى للخروج من سوق الأسهم مع تراجع قيمتها السوقية بنسب وصلت إلى 80 في المئة. ويذكر أن سهم أمازون تراجع من 100 دولار إلى 4 دولارات أمريكية للسهم مع خسارة أغلب قيمتها السوقية خلال هذه الفترة. وحتى شركات أخرى لم يكن لها صلة مباشرة بشركات الدوت كوم، مثل شركة الإتصالات كوالكوم (Qualcomm) إذ انخفضت قيمة سهمها إلى 13 دولار بعد أن كان 70 دولار أمريكي، وشركة التكنولوجيا العملاقة سيسكو (Cisco) انخفضت سهمها إلى 15 دولار بعد أن كان 74 دولار أمريكي عمومًا الكثير من الشركات تضررت من هذه الأزمة بالرغم من أنها من الشركات الناجحة. استمرت تأثيرات الأزمة على أسواق المال حتى 2002 و2003 ليبدأ مؤشر ناسداك في التعافي تدريجيًا، ويتجاوز العالم قصة المئات من الشركات الناشئة المفلسة، وليبقى عدد من الشركات على قيد الحياة وإن تضررت كثيرًا وهذا لأنها تملك خطة واستراتيجية منطقية لتحقيق الأرباح. من الجدير بالذكر أنه عندما انتهت أزمة الدوت كوم عكف المستثمرون على نقل استثماراتهم في أماكن أخرى بغرض استثمارها في أصول آمنة أكثر من شركات الدوت كوم، وكانت التوجه الآمن -من وجهة نظرهم- آنذاك هي العقارات، لتبدأ بذلك عملية غرس بذور أزمة جديدة تلوح في الأفق، ولأنه لا أحد يتعلم من التاريخ ولا حتى من أخطائه دخل العالم في منحدر سحيق آخر. وبدأ الشغف مرة أخرى بالاستثمار العقاري يتزايد يومًا بعد يوم، وبدأت عملية النفخ في فقاعة جديدة، كانت هذه الفرصة رائعة للمهووسين بالمضاربة، ومرة أخرى، لم يكن المستثمرون يعلمون أنهم ينفخون في أكبر فقاعة للأصول بعد حادثة الكساد الكبير، أخذت أسعار العقارات بالارتفاع بمعدلات غير مسبوقة سنويًا، لتنفجر فقاعة جديدة أيضًا في 2007 ولتنهار أسعار العقارات بشكل مدوٍ في نهاية مأساوية. ومن يدري لعلنا نشهد إنفجار فقاعة جديدة ولكن هذه المرة ليست في شركات الدوت كوم، ولا حتى في العقارات، وإنما في شركات الذكاء الصنعي! الخاتمة تعرفنا في هذا المقال على جزء من تاريخ التجارة الإلكترونية وتوسعّنا في فهم الصورة الكاملة لبعض الأحداث المؤثرة الّتي غيرت مجرى تاريخ التجارة الإلكترونية وتعرفنا على المشاكل الّتي واجهتها التجارة الإلكترونية وانتهينا بذكر الحلول الّتي مهدت لانفجار فقاعة الدوت كوم. وختامًا عاد الاهتمام مرة أخرى في القطاع التقني عمومًا وقطاع التجارة الإلكترونية خصوصًا، كما شهد أيضًا عودة أصحاب الأموال من بنوك التمويل والمستثمرين المغامرين للاهتمام بهذا النوع من الشركات ولكن هذه المرة بحذر شديد. سنكمل في المقال القادم ما حدث في السنوات اللاحقة وسنرى كيف تطورت التجارة الإلكترونية لتصبح كما هي عليه في يومنا الحالي.

هذا المقال جزء من سلسلة «مدخل إلى الذكاء الاصطناعي»: الذكاء الاصطناعي: أهم الإنجازات والاختراعات وكيف أثرت في حياتنا اليومية الذكاء الاصطناعي: مراحل البدء والتطور والأسس التي نشأ عليها المفاهيم الأساسية لتعلم الآلة تعلم الآلة: التحديات الرئيسية وكيفية التوسع في المجال يمكنك قراءة السلسلة على شكل كتاب إلكتروني بالانتقال إلى صفحة الكتاب، مدخل إلى الذكاء الاصطناعي وتعلم الآلة. كما هو الحال مع جميع المجالات العلمية لا بدّ من وجود بعض المشاكل والعقبات في رحلة الوصول إلى المعلومة الصحيحة والكاملة، ومجال تعلّم الآلة ليس استثناءً وانطلاقًا من كون أن مهمتنا الرئيسية عند مواجهتنا أي مسألة تنحصر بين شيئين أساسيين وهما: اختيار البيانات المناسبة. اختيار الخوارزمية (الطريقة) المناسبة. نجد أن أغلب المشاكل الّتي تواجه هذا المجال إما أن تكون بسبب الخوارزمية السيئة أو البيانات السيئة، في البداية لنبدأ باستعراض أهم التحديات الّتي تواجهنا مع البيانات. كمية غير كافية من بيانات التدريب تتجلى إحدى إمكانيات قوة العقل البشري على قدرته على التعلّم من خلال بيانات قليلة جدًا، فمثلًا لكي يتعلم الطفل الصغير معنى التفاح، كلّ ما عليك فعله هو تحضر أمامه تفاحة، وأن تشير إلى تفاحة وتقول "هذه تفاحة" (وربما تكرر هذه العملية أكثر من مرة حتى يتعلم الطفل). إلا أنه من المفاجئ -من وجهة نظر الآلة- أن الطفل سيكون قادرًا على التعرف على جميع أنواع وألوان وأشكال التفاح من خلال تعلمه شكل تفاحة واحدة فقط، وفي بعض الأحيان من زاوية رؤية واحدة (مثلما يحدث عندما تعرض صورة ما على طفلك وتعلمه ما يوجد بها). طفلٌ عبقري! هذا حتمًا ما ستقوله الآلة عن طفلك. إن الميزات التلقائية الموجودة في طفلك (وفي كلّ أطفال العالم)، والقادرة على تعميم التعلّم، واستنباط النموذج الخاص بأي كائن (مثل استنباط شكل التفاح في مثالنا السابق)، والعديد من الميزات الأخرى الّتي لم يسبق لنا تعلمها وإنما وجدناها مثبتة تلقائيًا في عقولنا للأسف لا تكون موجودة تلقائيًا في تعلّم الآلة. بل إن معظم خوارزميات تعلّم الآلة تحتاج للكثير من البيانات حتى تستطيع العمل بصورة صحيحة. وحتى بالنسبة لأبسط المشكلات على العقل، ستحتاج خوارزميات تعلّم الآلة عادةً لآلاف الأمثلة الصحيحة كي تتعلّم، أما بالنسبة للمشكلات المعقدة مثل التعرف على الصور أو الكلام المنطوق، فغالبًا ما ستحتاج لملايين الأمثلة الصحيحة (باستثناء الحالات الّتي نستطيع فيها إعادة استخدام أجزاء من نموذج موجود). من الجدير بالذكر أنه للقاعدة السابقة بعض الاستثناءات إذ في بعض الحالات تكون كمية بيانات صغيرة نوعًا ما ولكن فعاليتها قوية وهذا يعود إلى عدة ميزات لهذه البيانات مثل: شمولية البيانات لكافة الحالات الممكنة للشيئ المدروس. عدم وجود ضجيج أو قيم فارغة أو شاذة. في الحقيقة إن هذه البيانات هي حلم لكل مهندسي تعلّم آلة. في بحث مشهور نشر في عام 2001، أظهر باحثا مايكروسوفت ميشيل بانكو وإريك بريل أن خوارزميات تعلّم الآلة المختلفة جدًا ببنيتها وصعوبتها وطريقة تعاملها مع البيانات، ووحتى الخوارزميات البسيطة إلى حد ما، كان أداؤها متطابقًا تقريبًا عند حلها لمشكلة معقدة تنتدرج تحت مسائل معالجة اللغة الطبيعية (المحكية) وتوضيحها، وذلك بمجرد إعطاء هذه الخوارزميات البيانات الكافية فقط. نلاحظ من خلال الشكل السابق أهمية البيانات مقابل الخوارزميات. على حد تعبير المؤلفين: "تشير هذه النتائج إلى أننا قد نرغب في إعادة النظر في هذه المفاضلة بين إنفاق الوقت والمال على تطوير الخوارزمية مقابل إنفاقها على طريقة تطوير وتحسين البيانات". بيانات التدريب المتحيزة من الأهمية بمكان استخدام مجموعة تدريب تمثل جميع الحالات الّتي تريد التعميم عليها. غالبًا ما يكون هذا أصعب مما يبدو: وخصيصًا إذا كانت العينة صغيرة جدًا، فسيكون لديك ضوضاء في أخذ العينات (أي البيانات متحيّزة نتيجة للصدفة البحتة)، ولكن حتى العينات الكبيرة جدًا يمكن أن تكون متحيزة أيضًا إذا كانت المشكلة في طريقة تجميع البيانات (أخذ العينات). هذا يسمى تحيز آخذ العينات. من أحد الأمثلة المشهورة في تحيز البيانات (العينات) وهو ما حدث أثناء الانتخابات الرئاسية الأمريكية عام 1936، والّتي تنافس فيها لاندون مقابل روزفلت: إذ أجرت مجلة The Literary Digest استطلاعًا كبيرًا جدًا، إذ أرسلت بريدًا لحوالي 10 ملايين شخص. تطلب منهم رأيهم في المرشح المناسب للرئاسة حصل هذا الاستطلاع على 2.4 مليون إجابة، وتوقع بثقة عالية أن لاندون سيحصل على 57٪ من الأصوات. ولكن كانت المفارقة عندما فاز روزفلت بنسبة 62٪ من الأصوات. ولكن كيف حدث ذلك؟ في الحقيقة وبعد التدقيق في حيثيات الموضوع تبين أن العيب كان في طريقة تجميع البيانات (وتسمى أحيانًا طريقة أخذ العينات) وكانت المشاكل على الشكل التالي: البيانات (أو العينات) محصورة بفئة محددة من الشعب: حصلت المجلة على العناوين الأشخاص الّذين سترسل لهم الاستطلاع من خلال أدلة الهاتف، وقوائم المشتركين في المجلات، وقوائم عضوية الأندية، وما شابه من ذلك. ولكن من المُلاحظ أن جميع الأشخاص يندرجون تحت الطبقة الغنية من المجتمع، والّذين هم أكثر عُرضة للتصويت على المرشح الجمهوري (ومن هنا لاندون كان المرشح المثالي). نسبة عدد المشاركين: في الحصيلة الكلية للاستطلاع أجاب أقل من 25٪ من الناس الذين أرسل لهم الاستطلاع. وهذا تحيز في طريقة جمع البيانات، من خلال استبعاد الأشخاص الّذين لا يهتمون كثيرًا بالسياسة، والأشخاص الّذين لا يحبون الاشتراك في المجلة وما إلى ذلك. هذا هو نوع خاص من التحيز لأخذ العينات يسمى تحيز عدم الاستجابة. ولكن من ناحية أخرى، كيف يمكننا الحصول على مجموعة بيانات تدريب كبيرة وصحيحة وشاملة لكلّ الحالات؟ لا بد أن ذلك سيكلفنا الكثير من الوقت والجهد والمال! البيانات ذات جودة ضعيفة في حال كانت بيانات التدريب الخاصة بك مليئة بالأخطاء، والقيم المتطرفة، والضوضاء (التي يمكن أن تحدث بسبب القياسات ذات الجودة الضعيفة والمنخفضة)، فسيصعب على النظام اكتشاف الأنماط الأساسية، لذلك من غير المرجح أن يعمل نظامك بصورة جيدة. غالبًا ما يستثمر مهندسي وعلماء البيانات جهدهم ووقتهم في تنظيف بيانات التدريب في محاولة منهم للحصول على بيانات نستطيع من خلال تعليم الآلة. فمثلًا: إذا كانت بعض الأمثلة واضحة بأنها شاذة، فقد يكون من الأفضل تجاهلها أو محاولة إصلاح الأخطاء الموجودة بها يدويًا. إذا كانت بعض الحالات تفتقد بعض الميزات (على سبيل المثال، لم يحدد 5٪ من عملائك أعمارهم)، فيجب عليك أن تقرر ما إذا كنت تريد تجاهل هذه السمة تمامًا، أو تجاهل هذه الحالات بالمجمل، أو تريد ملء القيم المفقودة (بقيم مثل: متوسط أعمار العملاء، أو بأي طريقة أخرى تراها مناسبة لاستبدال القيم الفارغة)، أو يمكنك أيضًا تدريب نموذج واحد مع هذه الميزة ونموذج آخر بدونها والموازنة بين النتائج، وهكذا. الميزات التي لا علاقة لها بالموضوع يشاع قول في مجتمع العلمي لتعلم الآلة وهو: "المدخلات الخاطئة تؤدي حتمًا لمخرجات خاطئة" وهذه نقطة دقيقة جدًا. في الحقيقة إن الميزات الّتي لا علاقة لها بموضوع المسألة أو المشكلة لن توصلنا إلى النتائج المرجوة أبدًا، ولن يكون نظامك قادرًا على التعلّم إلا إذا كانت بيانات التدريب تحتوي على ميزات كافية وذات صِلة، وليس الكثير من الميزات الّتي لا علاقة لها بالموضوع. هذه الجزئية مهمة جدًا في نجاح مشروع التعلّم الآلة. ومن كثرة أهميتها أوجد بعض الباحثين مسمى خاص يتضمن كافة العمليات الّتي تندرج في هذا السياق وهي هندسة الميزات، وغالبًا ما تتضمن عمليات هذه الهندسة على ما يلي: اختيار الميزة: اختيار أكثر الميزات المفيدة والتي لها علاقة بالموضوع لتدريب الخوارزمية عليها من بين جميع الميزات الأخرى الموجودة. استخراج الميزات: دمج بعض الميزات الموجودة لإنتاج ميزة أكثر فائدة. إنشاء ميزات جديدة: إنشاء ميزات جديدة من خلال جلب بيانات جديدة. والآن بعد أن اطلعنا على العديد من الأمثلة على التحديات الّتي تواجهنا في طريقة التعامل مع البيانات، لنلقِ نظرة على بعض التحديات الّتي تواجهنا في طريقة تعاملنا مع الخوارزميات. فرط تخصيص بيانات التدريب لنفترض أنك تزور بلدًا أجنبيًا، واقدم سائق سيارة الأجرة على سرقتك. فغالبًا ما ستميل للقول بأن جميع سائقي سيارات الأجرة في ذلك البلد لصوص. في الواقع إن التعميم المفرط هو شيئ نقوم به نحن معشر البشر في كثير من الأحيان، وللأسف يمكن أن تقع الآلات في نفس الفخ إذا لم نكن حذرين. في تعلّم الآلة، يُطلق على هذه المشكلة اسم فرط التخصيص (Overfitting): وتشير هذه المشكلة إلى أن النموذج يؤدي عملًا جيدًا مع بيانات التدريب، ولكنه لا يستطيع أن يعمّم التعلّم على البيانات الجديدة. يحدث فرط التخصيص عندما يكون النموذج معقدًا جدًا بالنسبة لكمية بيانات التدريب وضجيجها. بعض الحلول الممكنة في هذه الحالة هي: تبسيط النموذج عن طريق تحديد نموذج بمعلمات أقل (فمثلًا، نختار نموذج خطي بدلًا من نموذج متعدد الحدود عالي الدرجة)، عن طريق تقليل عدد السمات في بيانات التدريب أو عن طريق تقييد النموذج. جمع المزيد من بيانات التدريب. تقليل الضوضاء في بيانات التدريب (مثل إجراء عملية إصلاح أخطاء البيانات وإزالة القيم المتطرفة وما إلى ذلك). قلة تخصيص بيانات التدريب إن قلة التخصيص (Underfitting) هو عكس فرط التخصيص: ويحدث ذلك عندما يكون نموذجك بسيطًا جدًا في طريقة تعرفه على البنية المخفية في البيانات. وإليك بعض الطرق الّتي تساعدنا على إصلاح هذه المشكلة هي: اختيار نموذج أكثر قوة، مع المزيد من الوسطاء (Parameters). تغذية النموذج بميزات أفضل لخوارزمية التعلّم (الاستعانة بمختص هندسة الميزات). تقليل القيود على النموذج. هناك موضوع آخر مهم جدًا وهو أنه بمجرد قيامك بتدريب نموذج، هذا لا يعني بأن النموذج سيتمكن حتمًا من التعميم على كافة الحالات الجديدة. إذ يجب علينا أن نفحصه واختباره وتقييمه لمعرفة ذلك وأحيانًا سنحتاج لإعادة ضبطه إذا لزم الأمر. لنرى كيف سننفذ ذلك. عملية الاختبار والتحقق إحدى الطرق المستخدمة لمعرفة مدى تعميم نموذج على الحالات الجديدة هي بتجربته مباشرة على الحالات الجديدة. وذلك بنشر النموذج للمستخدمين ومراقبة مدى جودة أدائه. يمكن أن يكون هذا الخيار جيدًا، ولكن تعسفيًا جدًا لأنه إذا كان النموذج الخاص بك سيئًا للغاية، فحتمًا سيشتكي المستخدمون منه - لذا فهذا الخيار مستبعد. الخيار الأفضل هو تقسيم بياناتك إلى مجموعتين: مجموعة للتدريب ومجموعة للاختبار. كما تلاحظ من الأسماء، يتدرب النموذج الخاص بك من خلال مجموعة التدريب، ويختبر ما تعلمه على مجموعة الاختبار. يسمى معدل الخطأ في الحالات الجديدة خطأ التعميم، ومن خلال تقييم نموذجك في مجموعة الاختبار، تحصل على تقدير لهذا الخطأ. تخبرك هذه القيمة بمدى جودة أداء نموذجك في الحالات الّتي لم يراها من قبل. من الشائع استخدام 80٪ من البيانات لمجموعة بيانات التدريب (Training) و20٪ لمجموعة بيانات الاختبار (Testing). كما أنه يوجد العديد من الطرق الأخرى للتقسيم مثل طريقة تقسيم البيانات إلى ثلاث مجموعات: مجموعة للتدريب، مجموعة للاختبار، ومجموعة للتحقق (Validation) والّتي تستخدم لاختيار أفضل الإعدادات لخوارزميات تعلّم الآلة. (مثلًا لاختيار hyper-parameters). ولكي لا يخرج الكتاب عن عنوانه الرئيسي سنكتفي بهذه الطرق مبدأيًا وسنحاول التطرق لها لاحقًا بالتفاصيل الكاملة عند ورودها. المفاهيم الضرورية للتوسع بمجال تعلم الآلة إلى الآن لا نزال في طور الحديث عن مدخل بسيط لمجال تعلّم الآلة ولا بدّ أنك تسأل نفسك ماذا لو أردت أن أحترف هذا المجال؟ ما الّذي يتوجب علي تعلمه من المجالات الأخرى مثل الإحصاء والرياضيات؟ هل فعلًا يمكنني إكمال طريقي في هذا المجال بدون أن أتعلم المفاهيم الأساسية في الإحصاء والرياضيات؟ في الحقيقة لا يوجد إجابة موحدة لهذا السؤال لنستطيع فيها تعميم الأمر على كلّ المتعلمين، وذلك لأن الأمر مرهون بمدى سرعتك في التعلم وخلفيتك العلمية السابقة، فبعض المتعلمين يستطيعون الدخول في هذا المجال إذا كانوا قادمين من هندسة علوم الحاسب بسهولة نسبية وبدون أن يطلعوا على المفاهيم الرياضية والإحصائية؛ لأنهم غالبًا تعلموها أثناء دراستهم للهندسة، والبعض الأخر من المتعلمين لديهم سرعة بديهة عالية وشغف قوي لهذا المجال فيتعلمون الفكرة الإحصائية أو الرياضية بمجرد تطبيقهم لها في مثال ما. لذا فإن الأمر يعتمد اعتمادًا كليًا عليك، ولكن ولكي لا نبقِ للكسول أية حجة سنستعرض أهم الأفكار الرئيسية الّتي يتوجب عليك معرفتها قبل إكمال رحلتك التعليمية. سنعتمد على نفس الركائز الّتي تتبناها شركة غوغل أثناء عند تعليمها للمبتدئين في هذا المجال. ملاحظة: أغلب المراجع باللغة الإنكليزية. المتطلبات المعرفية الأساسية عمومًا يفضل أن يكون لديك معرفة جيدة للمتغيرات والمعادلات الخطية والرسوم البيانية (Graphs) للدوال والتوابع والمخططات أو المُدجات البيانية (Histograms) والوسائل الإحصائية. بالإضافة إلى ذلك من الناحية المثالية يجب أن تكون إمكانياتك البرمجية جيدة إلى حد ما. كما يفضل أن تكون لك معرفة بلغات البرمجة الخاصة بتعلم الآلة (مثل لغة البايثون ولغة R). إلا أنه إذا لم يكن لديك معرفة بها فلا بأس بذلك إذ يمكنك تعلم الأساسيات فقط وإكمال طريقك في تعلّم الآلة. الجبر المتغيرات الرياضية، المعاملات الرياضية والدوال الرياضية. المعادلات الخطية. اللوغاريتمات، والمُعادلات اللوغاريتمية. الدالة السينية. الجبر الخطي الموتر (tensor)، ورتبة الموتر. ضرب المصفوفات. علم المثلثات دالة الظل الزائدية tanh، نتعرف عليها باعتبارها دالة التنشيط ولا حاجة لمعرفة متعمقة بها. الإحصاء المتوسط، والوسيط، والقيم المتطرفة أو الشاذة، والانحراف المعياري. القدرة على قراءة المخططات والتدرجات البيانية. أساسيات البرمجة ولتكن بلغة بايثون عمومًا يجب أن نتعلم المفاهيم الأساسية لأي لغة برمجة وسنضرب مثلًا عن لغة البايثون: كتاب البرمجة بلغة بايثون. توثيق لغة بايثون. فالمواضيع الأساسية التي يجب أن تتقنها (والمشمولة بالمرجعين السابقين) هي: تعريف التوابع وكيفية استدعائها، وكيفية استخدام الطرق المختلفة للمعاملات. أنواع البيانات وأهمها القواميس Dictionaries، القوائم Lists، المجموعات Sets، وطرق (إنشائها والوصول إليها وكيفية المرور عليها). الحلقات التكرارية بأنواعها. الكتل الشرطية، والتعابير الشرطية. تنسيق السلاسل النصية. المتغيرات، وطرق الإسناد، وأنواع البيانات الأساسية. فهم كيفية استعمال list comprehensions (متقدم واختياري). التعامل مع الطرفية المحلية والسحابية لتشغيل تمارين البرمجة على جهازك المحلي أو في وحدة تحكم سحابية، يجب أن تتعلم كيفية العمل مع كلّ طرفية: توثيق الطرفية Bash. مدخل إلى طرفية لينكس. سلسلة مدخل إلى كتابة سكربتات الصدفة. حساب التفاضل والتكامل (اختياري) للمواضيع المتقدمة مفهوم الاشتقاق (لن تضطر إلى حسابه وإنما لفكرته). التدرج أو الانحدار. الاشتقاق الجزئي (التي ترتبط ارتباطًا وثيقًا بالتدرجات أو الإنحدار). قاعدة السلسلة Chain rule (من أجل فهم كامل وشامل لخوارزمية backpropagation المختصة بتدريب الشبكات العصبية). دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن الخلاصة والآن بعد أن تعرفنا على الكثير من الأفكار حول تعلّم الآلة. قد يراودك شعور بأنك مشوشٌ بعض الشيء وهذا أمر طبيعي جدًا يفضل أن تراجع الفقرات الّتي تعتقد بأنك لم تركز عليها كثيرًا أو يمكنك ببساطة التركيز على ما يهمك من هذا الكتاب فقط، وعمومًا لنراجع أبرز ما تحدثنا عنه، ونلقي نظرة على الصورة الكاملة للأمر، عمومًا تكون خطوات بناء أي نظام يعتمد على تعلّم الآلة على الشكل التالي: جمع البيانات وإعدادها: كلّ شيء بدءًا من اختيار مكان الحصول على البيانات، مع التركيز على مدى نظافتها وشموليتها. اختيار الميزات المناسبة: وتعرف أيضًا بهندسة الميزات وهي جميع التغييرات الّتي تطرأ على البيانات من لحظة تنظيفها وإعادة بنائها في بعض الحالات إلى حين إدخالها في نموذج تعلّم الآلة. اختيار خوارزمية تعلّم الآلة المناسبة وتدريب نموذجنا الأول. اختبار وتقييم نموذجنا: ويشمل ذلك اختيار المقاييس المناسبة إلى جانب التقييم الفعلي. التغيير والتبديل للنماذج وضبطها: تشمل عملية تحسين النموذج إلى أقصى حد ممكن. ولا ننسَ أيضًا بعض الملاحظات الأخرى المهمة: تعلّم الآلة يتعلق بجعل الآلات تتحسن بأداء بعض المهام من خلال تعلّمها من البيانات، بدلًا من الاضطرار إلى ترميز القواعد بشكل صريح. هناك العديد من الأنواع المختلفة لأنظمة تعلّم الآلة لا يمكننا أبدًا الإدعاء بأنه يوجد طريقة أفضل من جميع الطرق الأخرى في جميع الحالات، فهذا الإدعاء خاطئ تمامًا. إذ يعتمد الأمر كله على الحالة الّتي تواجهها فمثلًا يمكنك الأخذ بعين الاعتبار على البيانات أولًا، وعلى ما نريد من الآلة أن تتعلمه منها ثانيًا والسرعة المطلوبة للخوارزمية ثالثًا وما إلى ذلك من المحددات. من الأفضل دومًا أن تناقش كيفية التغلب على التحديات الموجودة في البيانات والخوارزميات لأن ذلك سوف يختصر عليك الكثير من الوقت والجهد، والمال! إلى هنا نكون انتهينا من جميع الأفكار الأساسية لهذا المجال، الذكاء الاصطناعي وتعلم الآلة، فأرجو أنك حظيت برحلة ممتعة وشيّقة، وأسأل الله أن أكون قد وفقت في نقل المعلومات الأساسية والكاملة لهذا المجال بطريقة سهلة ومبسطة، وأتمنى بأن تساعدك هذه السلسلة على تحديد وجهتك القادمة. وأخيرًا قد تكون هذه هي النهاية بالنسبة لهذه السلسلة، ولكنها حتمًا بداية الرحلة بالنسبة لك : ) المراجع كتاب Hands on Machine Learning with Scikit Learn Keras and TensorFlow الطبعة الثانية. الدورة التدريبية لتعلم الآلة المقدمة من غوغل اقرأ أيضًا المقال السابق: المفاهيم الأساسية لتعلم الآلة النسخة الكاملة من كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة

ملاحظة مهمة: هذه الشرح لميزات اللغة المتقدمة، إذ تتناول هذه المقالة موضوعًا متقدمًا، لفهم بعض الحالات الهامشية بطريقة أفضل. مع العلم أنها ليست مهمة. والعديد من المطورين ذوي الخبرة الجيدة ينفذون مشاريعهم بدون معرفتها. ولكن إذا أردت معرفة كيفية عمل الأشياء تحت الطاولة فتابع القراءة. إن استدعاء التابع المقيم ديناميكيًا يمكن أن يفقد قيمة this. فمثلًا: let user = { name: "John", hi() { alert(this.name); }, bye() { alert("Bye"); } }; user.hi(); // works // لنستدعي الآن ‫user.hi أو user.bye بحسب الاسم _(user.name == "John" ? user.hi : user.bye)(); // خطأ يوجد في السطر الأخير معامل شرطي يختار إما user.hi أو user.bye. في هذه الحالة تكون النتيجة user.hi. ثم تستدعى الدالّة ذات الأقواس () على الفور لكنها لن تعمل بطريقة صحيحة! كما تلاحظ، نتج عن الاستدعاء بالطريقة السابقة خطأ، وذلك لأن قيمة this داخل الاستدعاء تصبح غير معرفة undefined. نلاحظ هنا أن هذه الطريقة تعمل بصورة صحيحة (اسم الكائن ثم نقطة ثم اسم الدالّة): user.hi(); أما هذه الطريقة فلن تعمل (طريقة تقييم الدالّة): (user.name == "John" ? user.hi : user.bye)(); // Error! لماذا حدث ذلك؟ إذا أردنا أن نفهم سبب حدوث ذلك، فلنتعرف أولًا على كيفية عمل الاستدعاء obj.method()‎. شرح النوع المرجعي بالنظر عن كثب، قد نلاحظ عمليتين في العبارة obj.method()‎: أولًا، تسترجع النقطة '.' الخاصية obj.method. ثم تأتي الأقواس () لتنفّذها. إذًا كيف تنتقل المعلومات الخاصة بقيمة this من الجزء الأول إلى الجزء الثاني؟ إذا وضعنا هذه العمليات في سطور منفصلة، فسنفقدُ قيمة this بكل تأكيد: let user = { name: "John", hi() { alert(this.name); } } // جزّء استدعاء التوابع على سطرين let hi = user.hi; hi(); // خطأ لأنها غير معرّفة إن التعليمة hi = user.hi تضع الدالّة في المتغير، ثم الاستدعاء في السطر الأخير يكون مستقلًا تمامًا، وبالتالي لا يوجد قيمة لـ this. لجعل استدعاءات user.hi()‎ تعمل بصورة صحيحة، تستخدم لغة جافاسكربت خدعة - بأن لا تُرجع النقطة '.' دالة، وإنما قيمة من نوع مرجعي. إن القيمة من نوع مرجعي هو "نوع من المواصفات". لا يمكننا استخدامها بطريقة مباشرة، ولكن تستخدم داخليًا بواسطة اللغة. إن القيمة من نوع مرجعي هي مجموعة من ثلاث قيم (base, name, strict)، ويشير كلُّ منها إلى: base: وهو الكائن. name وهو اسم الخاصية. strict تكون قيمتها true إذا كان الوضع الصارم مفعلًا. إن نتيجة وصول الخاصية user.hi ليست دالة، ولكنها قيمة من نوع مرجعي. بالنسبة إلى user.hi في الوضع الصارم، تكون هكذا: // قيمة من نوع مرجعي (user, "hi", true) عندما تستدعى الأقواس () في النوع المرجعي، فإنها تتلقى المعلومات الكاملة حول الكائن ودواله، ويمكنهم تعيين قيمة this (ستكون user في حالتنا). النوع المرجعي هو نوع داخلي خاص "وسيط"، بهدف تمرير المعلومات من النقطة . إلى أقواس الاستدعاء (). أي عملية أخرى مثل الإسناد hi = user.hi تتجاهل نوع المرجع ككلّ، وتأخذ قيمة user.hi (كدالّة) وتمررها. لذا فإن أي عملية أخرى تفقد قيمة this. لذلك وكنتيجة لما سبق، تُمرر قيمة this بالطريقة الصحيحة فقط إذا استدعيت الدالّة مباشرة باستخدام نقطة obj.method()‎ أو الأقواس المربعة obj['method']()‎ (الصياغتين تؤديان الشيء نفسه). لاحقًا في هذا السلسلة التعليمية، سنتعلم طرقًا مختلفة لحل هذه المشكلة مثل الدالّة func.bind()‎. الخلاصة النوع المرجعي هو نوع داخلي في لغة جافاسكربت. فقراءة خاصية ما، مثل النقطة . فيobj.method()‎ لا تُرجع قيمة الخاصية فحسب، بل تُرجع قيمة من "نوع مرجعي" خاص والّتي تخزن فيها قيمة الخاصية والكائن المأخوذة منه. هذه طريقة لاستدعاء الدالة اللاحقة () للحصول على الكائن وتعيين قيمة this إليه. بالنسبة لجميع العمليات الأخرى، يصبح قيمة النوع المرجعي تلقائيًا قيمة الخاصية (الدالّة في حالتنا). جميع هذه الآليات مخفية عن أعيننا. ولا تهمنا إلا في الحالات الدقيقة، مثل عندما نريد الحصول على تابع ديناميكيًا من الكائن ما، باستخدام تعبير معيّن. المهام التحقق من الصياغة الأهمية: 2 ما هي نتيجة هذه الشيفرة البرمجية؟ let user = { name: "John", go: function() { alert(this.name) } } (user.go)() انتبه. هنالك فخ .anntional__paragraph { border: 3px solid #f5f5f5; margin: 20px 0 14px; position: relative; display: block; padding: 25px 30px; } الحل سينتج عن تنفيذ الشيفرة السابقة خطأ! جربها بنفسك: let user = { name: "John", go: function() { alert(this.name) } } (user.go)() // error! لا تعطينا رسالة الخطأ في معظم المتصفحات فكرة عن الخطأ الّذي حدث. يظهر الخطأ بسبب فقدان فاصلة منقوطة بعد user = {...}‎. إذ لا تُدرج لغة جافاسكربت تلقائيًا فاصلة منقوطة قبل قوس ‎(user.go)()‎، لذلك تُقرأ الشيفرة البرمجية هكذا: let user = { go:... }(user.go)() ثم يمكننا أن نرى أيضًا أن مثل هذا التعبير المشترك هو من الناحية التركيبية استدعاء للكائن ‎{ go: ... }‎ كدالة مع الوسيط (user.go). ويحدث ذلك أيضًا على نفس السطر مع let user، لذلك إن الكائن user لم يُعرّف حتى الآن، ومن هنا ظهر الخطأ. إذا أدخلنا الفاصلة المنقوطة، فسيكون كل شيء على ما يرام: let user = { name: "John", go: function() { alert(this.name) } }; (user.go)() // John يرجى ملاحظة أن الأقواس حول (user.go) لا تفعل شيئًا مميزًا هنا. وهي عادةً تعيد ترتيب العمليات، ولكن هنا تعمل النقطة . أولًا على أي حال، لذلك ليس هناك أي تأثير لها. الشيء الوحيد المهم هو الفاصلة المنقوطة. اشرح قيمة this الأهمية: 3 في الشيفرة أدناه، نعتزم استدعاء التابع obj.go()‎ لأربع مرات على متتالية. ولكن لماذا الندائين (1) و(2) يعملان بطريقة مختلفة عن الندائين (3) و(4)؟ let obj, method; obj = { go: function() { alert(this); } }; obj.go(); // (1) [object Object] (obj.go)(); // (2) [object Object] (method = obj.go)(); // (3) undefined (obj.go || obj.stop)(); // (4) undefined الحل إليك تفسير ما حدث. هذا هو الطريقة العادية لاستدعاء تابع الكائن. نفس الأمر يتكرر هنا، الأقواس لا تغير ترتيب العمليات هنا، النقطة هي الأولى على أي حال. هنا لدينا استدعاء أكثر تعقيدًا ‎(expression).method()‎. يعمل الاستدعاء كما لو كانت مقسمة على سطرين: f = obj.go; // يحسب نتيجة التعبير f(); // يستدعي ما لدينا هنا تُنفذ f()‎ كدالة، بدون this. مثل ما حدث مع الحالة (3) على يسار النقطة . لدينا تعبير. لشرح سلوك (3) و(4) نحتاج إلى أن نتذكر أن توابع الوصول (accessors) للخاصيات (النقطة أو الأقواس المربعة) تُعيد قيمة النوع المرجعي. أي عملية نطبقها عليها باستثناء استدعاء التابع (مثل عملية الإسناد = أو ||) تحولها إلى قيمة عادية، والّتي لا تحمل المعلومات التي تسمح لها بتعيين قيمة this. ترجمة -وبتصرف- للفصل Reference Type من كتاب The JavaScript language

هذا المقال جزء من سلسلة «مدخل إلى الذكاء الاصطناعي»: الذكاء الاصطناعي: أهم الإنجازات والاختراعات وكيف أثرت في حياتنا اليومية الذكاء الاصطناعي: مراحل البدء والتطور والأسس التي نشأ عليها المفاهيم الأساسية لتعلم الآلة تعلم الآلة: التحديات الرئيسية وكيفية التوسع في المجال يمكنك قراءة السلسلة على شكل كتاب إلكتروني بالانتقال إلى صفحة الكتاب، مدخل إلى الذكاء الاصطناعي وتعلم الآلة. إن سبق وحاولت قراءة أي مقالٍ على الإنترنت يتحدث عن تعلّم الآلة، فلا بدّ من أنك عثرت على نوعين من المقالات؛ فإما أن تكون سميكة وأكاديمية ومليئة بالنظريات (عن نفسي لم أستطع حتى تجاوز نصف مقال)، أو عن القصص الخيالية المريبة حول سيطرة الذكاء الصنعي على البشر، أو منهم من يتحدث عن البيانات وتأثيرها الساحر على مجالات العلوم الأخرى أو البعض الآخر من المقالات يتحدث عن كيفية تغيّر وظائف المستقبل. لم يكن هنالك أي كتاب يضعني على بداية الطريق لكي أتعلم أبسط الأساسيات لأنتقل بعدها إلى المفاهيم المعقدة واثق الخطى. لذا كان لا بدّ لي من كتابة مقالٍ بسيط ومفهوم وواقعي لطالما تمنيت وجوده. سيكون هذا المقال مقدمة بسيطة لأولئك الّذين أرادوا دومًا فهم طريقة عمل مجال تعلّم الآلة. بتطبيق أفكاره على أمثلة من مشاكل العالم الحقيقي، والحلول العملية المطبقة، بلغة بسيطة ومفهومة، وتجنب النظريات الصعبة قدر الإمكان. ليستطيع الجميع فهم ماهيّة هذا العِلم سواءً أكانوا مبرمجين أو مدراء بل وحتى لأي شخص كان. فهرس المحتويات لماذا نريد من الآلات أن تتعلم؟ المكونات الرئيسية لتعلم الآلة 1. البيانات (Data) 2. الميّزات (Features) 3. الخوارزميات (Algorithms) الفرق بين التعلم (Learning) والذكاء (Intelligence) تعلم الآلة التقليدي التعلم الموجه (Supervised Learning) التصنيف (Classification) أشجار القرار (Decision Trees) الانحدار (Regression) التعلم غير الموجه (Unsupervised learning) التجميع (Clustering) خوارزمية K-mean خوارزمية DBSCAN تقليل الأبعاد (Dimensionality Reduction) تعلم قواعد الربط (Association Rule Learning) التعلم المعزز (Reinforcement Learning) طريقة المجموعات 1. طريقة التكديس (Stacking) 2. طريقة التعبئة (Bagging) 3. طريقة التعزيز (Boosting) الشبكات العصبية (Neural Networks) والتعلم العميق (Deep Leaning) الشبكات العصبية (Neural Networks) الشبكات العصبية التلافيفية (Convolutional Neural Networks) الشبكات العصبية المتكررة (Recurrent Neural Networks) التعلم العميق (Deep Learning) الفرق بين الشبكات العصبية والتعلم العميق الخلاصة المراجع وإليك المخطط الرئيسي للمواضيع التي سنتناولها في هذه المقالة ملخصة بالصورة التالية: لماذا نريد من الآلات أن تتعلم؟ هذا صديقنا أحمد يريد شراء سيارة ويحاول حساب مقدار مبلغ المال الّذي سيحتاجُ لتوفيره شهريًا. واستعرض عشرات الإعلانات على الإنترنت وعلم بأن السيارات الجديدة يبلغ سعرها حوالي 20000 دولار، والسيارات المستعملة لعام واحد يبلغ سعرها 19000 دولار، والمستعملة لعامين يبلغ سعرها 18000 دولار وهكذا دواليك. يبدأ أحمد -محللنا الرائع- بملاحظة نمط معين لسعر السيارات؛ إذ يعتمد سعر السيارة على مدة استخدامها، وينخفض سعرها بمقدار 1000 دولار مقابل كلّ عام من عمرها، لكن سعرها لن ينخفض أقل من 10000 دولار. في هذه الحالة وطبقًا لمصطلحات تعلّم الآلة يكون أحمد قد ابتكر ما يُعرفُ بالانحدار (Regression): وهي طريقة لتوقع قيمة (أو سعر) معيّن على أساس بيانات قديمة معروفة. أغلب الناس تؤدي هذا الأمر طوال الوقت دون أن تشعر به، فمثلًا عند محاولتنا لتقدير السعر المعقول لجهاز أيفون مستعمل على موقع eBay، أو أثناء محاولتنا معرفة وزن اللحوم المناسب والكافي لبلوغ حدّ الشبع لكلّ شخص من المدعوين على عزومة الغداء. فعندها سنبدأ بتقدير الأمر ونسأل أنفسنا، هل 200 غرام كافي للشخص؟ أم 500 غرام أفضل؟ سواءً اعترفنا بذلك أم لا، أغلبنا يؤدي هذه المهمة لا شعوريًا. دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن سيكون من الجميل أن يكون لدينا صيغة بسيطة مثل هذه لحلّ كلّ مشكلة في العالم. وخاصة بالنسبة لعزومة الغداء. ولكن لسوء الحظ هذا مستحيل. لنعود إلى مثال السيارات. المشكلة الحقيقية في هذا المثال هو وجود تواريخ تصنيع مختلفة، وعشرات الأنواع من السيارات، والحالة الفنية للسيارة، بالإضافة لارتفاع الطلب الموسمي على سيارة معينة، والكثير من العوامل المخفية الأخرى الّتي تؤثر بسعر السيارة. وبالتأكيد لن يستطيع صديقنا أحمد الاحتفاظ بكلّ هذه البيانات في رأسه أثناء حسابه للسعر. معظم الناس كسالى بطبعهم ولذلك سنحتاج حتمًا لآلات لتأدية العمليات الرياضية. لذا لنجاري الوضع الحاصل ولِنتجه باتجاه توفير آلة تؤدي هذه المهمة الحسابية الّتي واجهناها. ولنُوفر لها بعض البيانات اللازمة وسنطلبُ منها العثور على جميع الأنماط المخفية المتعلقة بالسعر. الجميل في الأمر أن هذه الآلة ستُؤدي هذه المهمة بطريقة أفضل بكثير مما سيُؤديه بعض الناس عند تحليلهم بعناية لجميع التبعيات المتعلقة بالسعر في أذهانهم. في الحقيقة كان هذا النوع من المشاكل المحفز الأساسي لولادة تعلّم الآلة. المكونات الرئيسية لتعلم الآلة لو أردنا اختصار جميع الأهداف الكامنة وراء مجال تعلّم الآلة فسيكون الهدف الوحيد هو توقع النتائج معينة بناءً على البيانات المدخلة (أي التعلّم من البيانات المدخلة). وهذا خلاصة الأمر. إذ يمكن تمثيل جميع مهام تعلّم الآلة بهذه الطريقة. كلّما زاد تنوع البيانات (تسمى في بعض الأحيان بالعينات) المجمعة لديك، كلّما كان مهمة العثور على الأنماط ذات الصلة والتنبؤ بالنتيجة أسهل نسبيًا. لذلك، فإن أي نظام يستخدم تعلّم الآلة سيحتاجُ لثلاثة مكونات رئيسية وهي: 1. البيانات (Data) هل تريد الكشف عن رسائل البريد الإلكتروني المزعجة؟ احصل على عينات من الرسائل هذه الرسائل المزعجة. هل تريد التنبؤ بالتغيرات الّتي تطرأ على أسعار الأسهم؟ ابحث عن سجلات أسعار الأسهم. هل تريد معرفة ما هي تفضيلات المستخدم؟ حللّ أنشطته على الفيسبوك، واعتقد بأن مارك زوكربيرج ماهرٌ جدًا في ذلك. كلما كانت البيانات أكثر تنوعًا، كانت النتيجة أفضل. في بعض الأحيان تكون عشرات الآلاف من سجلات البيانات هي الحد الأدنى لاستنتاج معلومة معينة. وفي البعض الآخر نحتاج إلى ملايين العينات. هناك طريقتين رئيسيتين للحصول على البيانات: الطريقة اليدوية. الطريقة الآلية. تتميز البيانات المجمّعة يدويًا باحتوائها على أخطاء أقل بكثير بالموازنة مع نظيرتها الآلية، ولكنها بالمقابل تستغرق وقتًا أطول في التجميع مما يجعلها أكثر تكلفة عمومًا. أما الطريقة الآلية فتكون أرخص إذ كلّ ما سنفعله هو جمع كلّ ما يمكننا العثور عليه على أمل أن تكون جودة هذه البيانات مقبولة. تستخدم بعض الشركات مثل غوغل عملائها لتصنيف البيانات لهم مجانًا. هل تعلم لماذا طريقة التحقق البشري ReCaptcha (المستخدمة في أغلب المواقع) تجبرك على "تحديد جميع لافتات الشوارع الموجودة في صورة معينة"؟ في الحقيقة إن هذه الطريقة ما هي إلا وسيلة لتصنيف البيانات وتعظيم الاستفاد منها. إذ يستغلون حاجتك للتسجيل في الموقع معين ويسخّرونك مجبرًا للعمل لديهم وبالمجان. مدعين بأنهم بهذه الطريقة يختبرونك بأنك بشري! نعم هذا بالضبط ما يفعلونه! تبًا لهم الأشرار! أراهن لو أنك بمكانهم فستُظهر رمز التحقق البشري أكثر منهم بكثير. أليس كذلك؟ بيد أن من الصعوبة بمكان الحصول على مجموعة جيدة من البيانات -والتي تسمى عادةً مجموعة بيانات (Dataset). وهذه المجموعات مُهمّة للغاية بل إن مجموعة البيانات ذات الجودة العالية هي في الواقع كنز حقيقي لصاحبها لدرجة أن الشركات يمكن أن تكشف أحيانًا عن خوارزمياتها، إلا أنها نادرًا ما تكشف مجموعات البيانات الخاصة بها. 2. الميزات (Features) تُعرف أيضًا باسم المعاملات (Parameters) أو المتغيّرات (Variables). والتي يمكن أن تعبر عن المسافة المقطوعة بالسيارات، أو جنس المستخدم، أو سعر السهم، أو تكرار كلمة معينة في النص. بعبارة أخرى، هذه هي الميزات الّتي يجب أن تنظرَ لها الآلة. عندما تكون البيانات مخزنة في الجداول، يكون الأمر بسيطًا - فالميّزات هي أسماء الأعمدة. ولكن ماذا لو كان لديك 100 غيفابايت من صور القطط؟ بكلّ تأكيد لا يمكننا اعتبار كلّ بكسل ميزّة. هذا هو السبب بكون اختيار الميّزات الصحيحة يستغرق عادة وقتًا أطول من أي خطوة أخرى في بناء نظام يعتمد على تعلّم الآلة. وهذا أيضًا هو المصدر الرئيسي للأخطاء. ولذلك دائمًا ما تكون الاختيارات البشرية غير موضوعية. إذ يختارون فقط الميّزات الّتي يحبونها أو تلك الّتي يجدونها "أكثر أهمية". ولذا من فضلك تجنب أن تكون بشريًا! 3. الخوارزميات (Algorithms) وهو الجزء الأسهل والأكثر وضوحًا. إذ يمكن حلّ أي مشكلة بطرق مختلفة. بيد أن الطريقة الّتي تختارها ستُؤثر على دقة النموذج النهائي وأدائه وحجمه. هناك فارق بسيط واحد مهم: إذا كانت البيانات سيئة فلن تساعدك حتى أفضل خوارزمية موجودة. في بعض الأحيان يشار إليها بمصطلح "الدخل السيئ سيؤدي إلى نتائج سيئة". لذلك لا تهتم كثيرًا لنسبة الدقة، وحاول الحصول على المزيد من البيانات كبداية. من الجدير بالذكر أن مصطلح نموذج (Model) يشير إلى ما خلاصة ما تعلمته من البيانات، ويكمننا في بعض الأحيان استخدام نموذج جاهز وتمرير البيانات له أو تحسين نموذج حالي. الفرق بين التعلم (Learning) والذكاء (Intelligence) إن سبق ورأيت مقالًا بعنوان "هل ستحلّ الشبكات العصبية محل تعلم الآلة؟" أو على شاكلته من العناوين الّتي تنشرها بعض المواقع التابعة لوسائل إعلامية على الإنترنت. دائمًا ما يسمي رجال الإعلام هؤلاء أي انحدار خطي (Linear Regression) على أنه ذكاء اصطناعي، بل إن بعض وسائل الإعلام تضخم الأمور لدرجة يصعب تصديقها حتى أصبحنا نخاف من الذكاء الصنعي كما خاف أبطال فيلم Terminator من الروبوت SkyNet. وإليك صورة توضح المفاهيم وتفض الالتباس الموجود: علوم الحاسب (Computer Science): عمومًا هو دراسة أجهزة الحاسب بما فيها من أسس نظرية و حسابية، كما تشتمل على دراسة الخوارزميات، وبُنى المعطيات وأساسيات تصميم الشبكات ونمذجة البيانات ..وغيرها. الذكاء الصناعي (Artificial Intelligence): وهو فرع من فروع علوم الحاسب يهدف إلى تعزيز قدرة الآلات والحواسيب على أداء مهام مُعينة تُحاكي وتُشابه تلك الّتي تقوم بها الكائنات الذكيّة؛ كالقدرة على التفكير، أو التعلُم من التجارب السابقة، أو غيرها من العمليات الأُخرى الّتي تتطلب عمليات ذهنية. تعلم الآلة (Machine Learning): وهو جزء مهم من الذكاء الاصطناعي، وهو أحد فروع الذكاء الاصطناعي الّذي يُعنى بجعل الحاسوب قادرًا على التعلُم من تلقاء نفسه من أيّ خبرات أو تجارب سابقة، مما يجعله قادرًا على التنبؤ واتخاذ القرار المُناسب بصورة أسرع، ولكن تعلم الآلة ليس الفرع الوحيد الّذي يؤدي هذه المهمة. الشبكات العصبية الاصطناعية (Artificial Neural Networks): وهي من أحد أشهر الطرق الشعبية في مجال تعلّم الآلة، ولكن هناك طرق أخرى جيدة أيضًا. التعلم العميق (Deep Learning): هو طريقة حديثة لبناء وتدريب واستخدام الشبكات العصبية. وهي بالأساس هيكلية جديدة للشبكات العصبية. وحاليًا لا أحد يفصل التعلم العميق عن "الشبكات العصبية العادية". حتى أننا نستخدم نفس المكتبات لهم. من الأفضل دومًا تسمية نوع الشبكة وتجنب استخدام الكلمات الرنانة. من المهم دائمًا تذكر بأنه لا توجد طريقة واحدة أبدًا لحل مشكلة معينة في مجال تعلّم الآلة. بل هناك دائمًا العديد من الخوارزميات الّتي يمكنها حل نفس المشكلة، وتبقى مهمة اختيار الطريقة أو الخوارزمية الأنسب عائدة إليك. إذ يمكنك حلّ أيّ شيء باستخدام شبكة عصبية اصطناعية، ولكن من الّذي سيدفع لك ثمن استئجار (أو حتى شراء) بطاقة معالجة الرسوميات (GPU) من نوع GeForces؟ لنبدأ بنظرة عامة أساسية على الاتجاهات الأربعة السائدة حاليًا في مجال تعلّم الآلة. تعلم الآلة التقليدي جاءت الطرق الأولى لتعلّم الآلة من مجال الإحصاء البحت في خمسينات القرن الماضي. إذ اعتمد العلماء على حلّ معظم المهام الرياضية الرسمية من خلال البحث عن الأنماط في الأرقام، وتقييم قرب نقاط البيانات، وحساب اتجاه المتجهات. يعمل حاليًا نصف الإنترنت على هذه الخوارزميات. فعندما ترى قائمة بالمقالات المرشحة لك قراءتها في أحد المواقع، أو عندما يحظر البنك الّذي تتعامل معه بطاقتك عند تمريرك إياها على الآلة في محطة وقود عشوائية في مكان مجهول بعيدة عن سكنك، فعلى الأرجح هذه الأفعال ناتجة عن خوارزميات تعلّم الآلة. تعد الشركات التكنولوجيا الكبرى من أكبر المعجبين بالشبكات العصبية، إذ أنها تستطيع الاستفادة منها بقدر أكبر من الشركات الناشئة. فمثلًا يمكن لدقة صغيرة ولتكن 2٪ لإحدى خوارزمياتها الحساسة أن تعود بالنفع على إيرادات الشركة بمبلغ مالي ضخم يبلغ 2 مليار دولار. ولكن عندما تكون شركتك صغيرة وناشئة، فهذه النسبة ليست ذات فائدة كبيرة. فإذا أمضى المهندسين في فريقك البرمجي سنة كاملة يعملون على تطوير خوارزمية توصية جديدة لموقع التجارة الإلكترونية الخاص بك، مع معرفتهم بأن 99٪ من الزيارات تأتي من محركات البحث. عندها ستكون فائدة الخوارزمية قليل جدًا إذ لم عديمة الفائدة تمامًا وخصيصًا أن معظم المستخدمين لم يفتحوا الصفحة الرئيسية. فهذا سيكون أكبر هدر لطاقة فريقك البرمجي وبذلك سيكون أسوء استثمار لهذه العقول خلال هذه السنة. بصرف النظر عن ما يقال عن هذه الطرق إلا أنها سهلة سهولة كبيرة. بل إنها مثل أساسيات الرياضيات وأغلبنا يستخدمها يوميًا بدون أن يفكر بها. ينقسم تعلّم الآلة الكلاسيكي إلى فئتين وهما التعلّم الموجّه (ويسمى أيضًا التعلّم الخاضع للإشراف) و التعلّم غير الموجّه (ويسمى أيضًا التعلّم غير الخاضع للإشراف). التعلم الموجه (Supervised Learning) تحتوي الآلة على "مشرف" أو "مُعلّم" يزود الآلة بجميع الإجابات الصحيحة والدقيقة، مثل تحديد فيما إذا كان الشكل في الصورة لقطة أو كلب. قسّم (أو صنّف) المعلم بهذا الطريقة فعليًا البيانات إلى قطط وكلاب، ويستخدم الجهاز هذه الأمثلة الصحيحة للتعلم منها. واحدًا تلو الآخر. أما التعلم غير الموجّه فأن سيترك الآلة بمفردها مع كومة كبيرة من صور الحيوانات ومهمتها ستكون تصنيف هذه الصور. وذلك لأن البيانات غير مصنفة، ولا يوجد معلّم يحدد لنا ما الشكل الموجود في هذه الصور، ولذلك ستحاول الآلة بمفردها العثور على أي أنماط في الصور لتحديد الفوارق ومعرفة ما الموجود في الصور. سنتحدث عن هذه الطرق في التعرف على الأنماط لاحقًا. من الواضح أن الآلة ستتعلم أسرع بكثير مع معلّم، لذلك فالتعلّم الموجّه مستخدمٌ بكثرة في المهام الواقعية. هناك نوعين رئيسيين لطريقة التعلم الموجّه وهما: التصنيف (Classification): التنبؤ بصنف كائن معين. الانحدار (Regression): التنبؤ بنقطة معينة على محور رقمي. التصنيف (Classification) تقسيم الكائنات أو العناصر بناءً على إحدى السمات المعروفة مسبقًا. افصل الجوارب بحسب اللون، والمستندات بحسب اللغة، والموسيقى بحسب الأسلوب. وعمومًا يستخدم التصنيف من أجل: تصفية البريد الإلكتروني من الرسائل المزعجة. كشف عن اللغة المستخدمة. البحث عن وثائق مماثلة. تحليل المشاعر. التعرف على الحروف والأرقام المكتوبة بخط اليد. الكشف عن الغش. ومن بعض الخوارزميات الشائعة المستخدمة للتصنيف: خوارزمية بايز أو المصنّف المعتمد على قانون بايز في الاحتمالات Naive Bayes. خوارزمية شجرة القرار Decision Tree. خوارزمية الانحدار اللوجستي Logistic Regression. خوارزمية الجار الأقرب K-Nearest Neighbours. خوارزمية الدعم الآلي للمتجه Support Vector Machine. ويوجد أيضًا العديد من الخوارزميات الأخرى. غالبًا ما يعتمد مجال تعلّم الآلة على تصنيف الأشياء. إذ تكون الآلة في هذه الحالة مثل طفل يتعلم كيفية فرز الألعاب: فها هي الدمية، وهذه هي السيارة، وهذه هي الشاحنة …إلخ ولكن مهلًا. هل هذا الأمر صحيح؟ هل سيعرف الطفل المعنى الحقيقي للدمية أو للسيارة؟ ليستطيع بعدها تمييز أي دمية مهما اختلف شكلها ولونها وطريقة صنعها؟ أي بعبارة أخرى، هل سيستطيع أن يعمم ما تعلمه؟ في التصنيف سنحتاج دائمًا لمعلّم. ويجب تصنيف البيانات بميّزات (Features) حتى تتمكن الآلة من تعيين الأصناف المناسبة بناءً على هذه الميّزات. في الحقيقة يمكننا تصنيف كلّ شيئ تقريبًا ابتداءً من تصنيف المستخدمين بناءً على اهتماماتهم (كما تفعل خوارزمية فيسبوك)، والمقالات المستندة إلى اللغة أو الموضوع (وهذا أمر مهم لمحركات البحث)، والموسيقى المبنية على الأسلوب سواءً أكانت موسيقى جاز أو هيب هوب …إلخ (هذا الأمر نشاهده في قوائم تشغيل الخاصة بتطبيق Spotify)، وحتى تصنيف رسائل البريد الإلكتروني الخاصة بك. في تصفية الرسائل المزعجة وغير المرغوب بها، تستخدم خوارزمية بايز Naive Bayes على نطاق واسع. إذ تحسبُ الآلة عدد الكلمات الجيدة في الرسالة وعدد الكلمات الاحتيالية أيضًا بناءً على تصنيف سابق للكلمات موجود في قاعدة بيانات أو مجموعة بيانات (Dataset)، ومن ثمّ تضرب الاحتمالات باستخدام معادلة بايز، وتجمعُ النتائج النهائية وبهذه البساطة أصبح لدينا جهاز يستفيد من طرق تعلّم الآلة من أجل أن يزيد ذكائه ومعرفته. بعدها بفترة وجيزة تعلم مرسلو البريد العشوائي كيفية التعامل مع هذه المرشحات -إن صح التعبير- والّتي تعتمد على خوارزمية بايز فعكفوا على إضافة الكثير من الكلمات المصنّفة على أنها "جيدة" في نهاية البريد الإلكتروني لتُتضاف هذه الكلمات إلى العملية الحسابية الخاصة بحساب احتمالات كون الرسالة مزعجة أم لا. ومن المفارقة أن هذه الثغرة سمّيت لاحقًا بتسمم بايز. دخلت خوارزمية بايز التاريخ باعتبارها من أوائل الخوارزميات الأنيقة والمفيدة عمليًا في ترشيح رسائل البريد الإلكتروني، ولكن في وقتنا الحالي لا تستخدم هذه الخوارزمية وإنما تستخدم خوارزميات أكثر قوة وذكاءً معتمدًا على الشبكات العصبية الاصطناعية لتصفية رسائل البريد العشوائي المزعج. إليك مثال عملي آخر على تطبيقات خوارزميات التصنيف. لنفترض أنك بحاجة لاقتراض بعض المال عن طريق بطاقتك الائتمانية. كيف سيعرف البنك إذا كنت تريد فعلًا أن تسدد هذا القرض أم لا؟ وبالتأكيد لا توجد طريقة مباشرة لمعرفة ذلك، مثل أن يسألك مثلًا. ولكن لدى البنك الكثير من الملفات الشخصية لأشخاص اقترضوا مالًا في الماضي. في الواقع لدى البنك جميع البيانات المهمة حول أعمار الأشخاص المقترضين ومستوى تعليمهم ومهنهم ورواتبهم -والأهم من ذلك- حقيقة أن هل هؤلاء المقترضين سددوا القرض أم لا. وهذه البيانات مهمة جدًا إذ يمكننا تمريرها للنظام الداخلي للبنك الّذي يعتمد على تعلّم الآلة للعثور على الأنماط المحددة الموجودة في الأشخاص الّذين يسددون القروض، وبذلك يمكننا الحصول على الإجابة المبنية على هذه البيانات السابقة. في الواقع لا توجد مشكلة حقيقية في الحصول على إجابة من هذه البيانات. وإنما تكمن المشكلة في أنه لا يستطيع البنك أن يثق في إجابة الآلة ثقةً عمياء. فماذا لو حدث فشل في النظام أو في جزء منه مثل تعطل أحد الاقراص الصلبة المخزن عليها قواعد البيانات المطلوبة، أو أن أحد قراصنة الإنترنت هجم على الخادم وتلاعب بالخوارزميات أو البيانات. فما الّذي سيحدث في هذه الحالة؟ للتعامل مع هذه الحالة لدينا خوارزمية شجرة القرار. والتي ستقسّم جميع البيانات تلقائيًا إلى أسئلة أجوبتها نعم أو لا. قد يبدو الأمر غريبًا بعض الشيئ من منظور بشري، فمثلًا ما المشكلة إذا كان الدائن يكسب أكثر من 128.12 دولارًا أمريكيًا؟ بالرغم من ذلك تضع الآلة مثل هذه الأسئلة لتقسيم البيانات بشكل أفضل في كلّ خطوة. وهكذا تُصنعُ شجرة القرار. كلما كان الفرع أعلى كلما كان السؤال أعم. يمكن لأي محلل أن يأخذ ناتج الخوارزمية ويعلّم تمامًا ما هو القرار المناسب. يمكن ألا يشعر بأن كلّ تفاصيلها منطقية إلا أنه يستطيع أن يبني عليها قراره. أشجار القرار (Decision Trees) تستخدم خوارزمية شجرة القرار على نطاق واسع في المجالات ذات المسؤولية العالية مثل: التشخيص والطب وفي الأمور المالية. من أكثر الخوارزمات شيوعًا لتشكيل الأشجار هما خوارزمية CART وخوارزمية C4.5. ونادرًا ما تستخدم طريقة بناء أشجار القرار الأساسية الصرفة في وقتنا الحالي. إلا أنها غالبًا ما تضع حجر الأساس للأنظمة الكبيرة، بل إن المُجمّعات (Ensembles) المعتمدة على أشجار القرار تعمل بطريقة أفضل من المجمعات المعتمدة على الشبكات العصبية الاصطناعية (سنتحدث لاحقًا في هذا المقال عن كلّ جزء منهم بالتفصيل). عندما تبحث عن شيء ما في غوغل، فما يحدث بالضبط هو أن مجموعة من الأشجار ستبحث عن إجابة أو مجموعة من الإجابات المناسبة لك. وهذه الأشجار سريعة جدًا، ولذلك تحبها محركات البحث. تعدّ خوارزمية الدعم الآلي للمتجه (Support Vector Machines) والتي يشار إليها اختصارًا (SVM) هي الطريقة الأكثر شيوعًا للتصنيف الكلاسيكي. والمستخدمة لتصنيف كلّ شيئ موجود تقربيًا مثل: النباتات حسب مظهرها في الصور، والوثائق بحسب الفئات …إلخ. الفكرة وراء خوارزمية الدعم الآلي للمتجه بسيطة جدًا إذ تحاول رسم خطين بين نقاط البيانات الخاصة بك مع أكبر هامش بينهما. هناك جانب مفيد جدًا من خوارزميات التصنيف وهو الكشف عن البيانات الشاذة. فعندما لا تتناسب الميزة مع أيّ من الفئات، فإننا نبرزها. وتستخدم هذه الطريقة حاليًا في الطب وتحديدًا في أجهزة التصوير بالرنين المغناطيسي، تبرز الحواسيب جميع المناطق المشبوهة أو انحرافات الاختبار. كما تستخدم أيضًا في أسواق الأسهم للكشف عن السلوك غير الطبيعي للتجار لمعرفة ما يحدث وراء الكواليس. الجميل في الأمر أنه عندما نعلّم الحاسب الأشياء الصحيحة فنكون علمناه تلقائيًا ما هي الأشياء الخاطئة. القاعدة الأساسية هي كلّما زاد تعقيد البيانات، زاد تعقيد الخوارزمية. بالنسبة للنصوص والأرقام والجداول سنختار النهج الكلاسيكي. إذ النماذج الناتجة ستكون أصغر، وتتعلم أسرع وتعمل بوضوح أكبر. أما بالنسبة للصور ومقاطع الفيديو وجميع أنواع البيانات المعقدة الأخرى، سنتجه بالتأكيد نحو الشبكات العصبية. منذ خمس سنوات فقط كان بإمكانك العثور على مصنف للوجه مبني على خوارزمية الدعم الآلي للمتجه (SVM). حاليًا أصبح من السهل الاختيار من بين مئات الخوارزميات المعتمدة على الشبكات العصبية المدربة مسبقًا. أما بالنسبة لمرشحات البريد العشوائي فلم يتغير شيئ. فلا تزال بعض الأنظمة مكتوبة بخوارزمية الدعم الآلي للمتجه (SVM). الانحدار (Regression) وهو طريقة لرسم خط بين مجموعة نقاط. نعم، هذا هو التعلّم الآلة! يستخدم الانحدار حاليًا في تطبيقات متعددة، مثل: توقعات أسعار الأسهم. تحليل حجم الطلب والمبيعات. التشخيص الطبي. أي ارتباطات عددية. ومن الخوارزميات الشائعة نذكر: خوارزمية الانحدار الخطي Linear. خوارزمية االانحدار متعدد الحواف Polynomial. الانحدار هو في الأساس آلية للتصنيف ولكن هنا نتوقع رقمًا بدلًا من فئة. ومن الأمثلة على ذلك توقع سعر السيارة من خلال المسافة المقطوعة، وتوقع حركة المرور بحسب وقت محدد من اليوم، وتوقع حجم الطلب من خلال نمو الشركة، وما إلى ذلك. ويكون من الواجب استخدام الانحدار عندما تعتمد مشكلة معينة على الوقت. كلّ من يعمل في مجالات التمويل والتحليل المالي يحب خوارزميات الانحدار. حتى أن معظمها مدمج في برنامج مايكروسوفت إكسل (Excel). وطريقة استخدامها سلسة جدًا من الداخل إذ تحاول الآلة ببساطة رسم خط يشير إلى متوسط الارتباط (Average Correlation). على عكس الشخص الّذي يحاول رسم شكل الانحدار يدويًا على السبورة، فإن الآلة ترسم الشكل بدقة رياضية عالية جدًا، بحساب متوسط الفاصل الزمني لكل نقطة. عندما يكون خط الانحدار مستقيمًا فيكون هذا الانحدار خطيًا، أما عندما يكون خط الانحدار منحنيًا فيكون الانحدار متعدد الحواف (Polynomial). وهذه الأنواع الرئيسية من الانحدار. والبعض الآخر أكثر غرابة مثل الانحدار اللوجستي (Logistic Regression) وسيكون شكله مميز كتميز الخروف الأسود في قطيع غنم. ولكن لا تدعه يخدعك، لأنه مجرد طريقة تصنيف وليس انحدارًا. لا بأس في الخلط بين الانحدار والتصنيف. إذ يتحول العديد من المصنّفات لتنفيذ عملية انحدار بقليل من الضبط والإعداد. وعمومًا تستخدم طرق الانحدار عندما لا يمكننا تحديد فئة الكائن، وإنما يمكننا تحديد ومعرفة مدى قربه من هذه الفئة، وهنا بالضبط تأتي مهمته. في حال أردت التعمق أكثر في التعلم الموجّه، فراجع هذه السلسلة: Machine Learning for Humans. التعلم غير الموجه (Unsupervised learning) ظهر التعلّم غير الموجّه بعد ظهور التعلّم الموجّه بقليل، وتحديدًا في التسعينيات. ويستخدم أقل من التعلّم الموجّه، ولكن في بعض الأحيان لن يكون لدينا خيار آخر سوى استخدامه. تعدّ البيانات المصنّفة نوع فاخر من البيانات. ولكن ماذا لو كنت رغبت في إنشاء تصنيف مخصص للحافلات (الباصات)؟ هل يجب عليك التقاط صور يدويًا لمليون حافلة في الشوارع وتصنيف كلّ واحدةٍ منها؟ مستحيل، سيستغرق هذا الأمر عمرًا بأكمله. في هذا النوع من التعلم من منظورنا نحن نعطيها أومر معينة للتجميع أو تقليل الأبعاد وهي تؤدي هذه المهمة من خلال تحليلها لقيم الميّزات (Features) ومحاولة الربط بينها ومعرفة العلاقات أو الارتباط بين هذه البيانات. كما يمكن أن تكون البيانات معقدة للغاية، ولذلك لا يمكن لهذه الخوارزميات التكهن بالنتيجة المطلوبة بصورة صحيحة. في تلك الحالات نحاول تنظيم بياناتنا أو إعادة هيكلتها في صيغة منطقية أكثر من السابق من أجل معرفة فيّما إذا استطاعت هذه الخوارزميات استنتاج شيئ ما، وبذلك الأمر له عدة جوانب للحلّ ومتعلّق بنوعية البيانات وطريقة تنظيمها وجودتها. ولكن هناك بعض الأمل إذ لدينا الملايين من المنصات الّتي توفر خدمات رخيصة نسبيًا تبدأ من 5 دولار أمريكي، وغالبًا نعتمد عليها لمساعدتنا في تصنيف البيانات وهذه الطريقة المعتمدة الّتي تجري وفقها أمور تطوير البيانات في هذا المجال. بعض الأنواع للتعلّم غير الموجّه: التجميع (Clustering). تقليل الأبعاد أو التعميم (Dimensionality Reduction). تعلم قواعد الربط (Association rule learning). التجميع (Clustering) تُقسّم عملية التجميع الكائنات على أساس ميّزات غير معروفة. إذ تختار الآلة أفضل طريقة لفرز الميّزات الّتي تراها مناسبة. هذه بعض التطبيقات لعملية التجميع في وقتنا الحالي: تقسيم السوق (أو تقسيم أنواع العملاء، أو طريقة ولائهم للعلامة التجارية). دمج نقاط قريبة على الخريطة. ضغط الصورة. تحليل وتسمية البيانات الجديدة. الكشف عن السلوك غير الطبيعي. ومن بعض خوارزميات الشائعة للتجميع: خوارزمية K-mean_clustering. خوارزمية Mean-Shift. خوارزمية DBSCAN. تعدّ عملية التجميع فعليًا عملية تصنيف ولكن المفارقة هنا أنها لا تحتوي على فئات محددة مسبقًا. مشابهة جدًا لعملية تقسيم الجوارب في الدرج بحسب ألوانهم، وذلك عندما لا تتذكر كلّ الألوان الّتي لديك فعندها ستجلب الجورب الأول ذو اللون الأسود وتضعه جانبًا وتأخذ الجورب الثاني ..وهكذا. تحاول خوارزميات التجميع العثور على كائنات متشابهة (بحسب بعض الميزات) ودمجها في مجموعة. تُجمّع الكائنات الّتي لديها الكثير من الميزات المماثلة في فئة واحدة. وتسمح لنا بعض الخوارزميات حتى تحديد العدد الدقيق للمجموعات الّتي نريدها. من أحد أشهر الأمثلة على التجميع هي تجميع العلامات (أو المؤشرات) على خرائط الوِب. فمثلًا عندما تبحث عن جميع المطاعم النباتية المحيطة بك، سيجمّعُ محرك البحث الخاص بالخريطة جميع المطاعم على شكل أرقام. ولو أنه لم يجمّعها لك فحتمًا سيتجمد متصفحك بعد عملية البحث لأنه سيحاول رسم جميع المطاعم النباتية الموجودة على سطح الكرة الأرضية وعددهم سيكون كبير بكلّ تأكيد. ومن بعض الاستخدامات الأخرى لخوارزميات التجميع تطبيقات الهواتف المحمولة مثل: Apple Photos وGoogle Photos إذ كِلاهما يستخدمان خوارزميات تجميع معقدة أكثر من المثال السابق، وذلك لإنهم يبحثان عن الوجوه المميزة في الصور بهدف إنشاء ألبومات خاصة لأصدقائك. لا يعرف التطبيق عدد أصدقاؤك ولا حتى كيف تبدوا أشكالهم، ولكنه مع ذلك يحاول العثور على ميزات صريحة في وجوههم، والموازنة بينها لمعرفة عددهم، وعرض الألبومات وفقًا لذلك. ومن بعض الاستخدامات الأخرى هي ضغط الصورة فعند حفظ الصورة بلاحقة PNG، يمكنك ضبط مجموعة الألوان وليكن عددها 32 لونًا. هذا يعني أن آلية التجميع ستأخذ جميع البكسلات "المحمرة" وتحسب قيمة "المتوسط الأحمر" وتضبطه على جميع البكسلات الحمراء. وبذلك يكون لدينا ألوان أقل، مما يؤدي في نهاية المطاف إلى حجم ملف أقل، وبذلك تنخفضُ مصاريف التخزين المحلي أو السحابي. ومع ذلك يمكن أن نواجه بعض مشاكل في الألوان مثل الألوان القريبة من لونين بنفس الوقت مثل لون الأزرق السمائي (Cyan). إذ لا يمكننا تصنيفه فيما إذا كان أخضرًا أم أزرق؟ هنا يأتي دور خوارزمية K-Means. خوارزمية K-mean إذ تعيّن خوارزمية K-Means مجموعة من النقاط اللونية والبالغ عددها 32 نقطة لونية بطريقة عشوائية في مجموعة الألوان. وتسمى هذه النقاط (أو الألوان) بالنقاط المركزية (Centroids). وتُحدد النقاط المتبقية على أنها مخصصة لأقرب نقطة (لون) مركزي. وبعدها سنُلاحظ أننا حصلنا نوعًا ما على ما يشبه المجرات حول هذه الألوان 32. ثم ننقل النقطة المركزية إلى وسط مجرتنا، ونكرر ذلك حتى تتوقف النقطة المركزية عن التحرك. نفذنا جميع المهام بنجاح. ولدينا 32 مجموعة محددة ومستقرة. وإليك شرحًا كرتونيًا وتفصيليًا لما جرى: البحث عن الألوان المركزية مريح. إلا أن التجميعات في الحياة الواقعية ليست دائمًا على شكل دوائر. لنفترض أنك عالم جيولوجيا. وتحتاج للعثور على بعض المعادن المتماثلة على الخريطة. في هذه الحالة، يمكن تشكيل تجميعات بطريقة غريبة وحتى متشعبة. ولا يمكنك أيضًا أن تعرف عددهم فهل هم 10؟ أم 100؟ بكل تأكيد أن خوارزمية K-means لن تتناسب مع هذه الحالة، وإنما ستكون خوارزمية DBSCAN مفيدةً أكثر. خوارزمية DBSCAN لنفترض أن النقاط لدينا هم أناس في ساحة البلدة. اَبحث عن أي ثلاثة أشخاص يقفون بالقرب من بعضهم البعض واطلب منهم أن يمسكوا أيديهم. ثم اطلب منهم البدء في الإمساك بأولئك الجيران الّذين يمكنهم الوصول إليهم. وهكذا دواليك. إلى أن نصل لشخص لا يستطيع الامساك بأي شخص آخر. هذه هي مجموعتنا الأولى. كرر هذه العملية ليُجمعُ كلّ الناس بمجموعات. ملاحظة: الشخص الّذي ليس لديه من يمسك يده - هو فعليًا مجرد بيانات شاذة. إليك رسم توضيحي يبين لك كيف سيبدو الحل: وإن كنت مهتم بخوارزميات التجميع؟ يمكنك الاطلاع على هذه المقالة The 5 Clustering Algorithms Data Scientists Need to Know. نلاحظ أن التجميع مشابه تمامًا للتصنيف، إذ يمكن استخدام المجموعات للكشف عن الحالات الشاذة. هل لاحظت بأن المستخدم يتصرف بطريقة غير طبيعية بعد اشتراكه بموقعكK أو بخدمتك؟ دع الآلة تحجبه مؤقتًا، وتنشئ تذكرة للدعم الفني لفحص هذا النشاط المريب لاتخاذ القرار المناسب. فربما يكون روبوت آلي يحاول إشغال الخادم الّذي تحجزه لموقعك. في الحقيقة لن نحتاج حتى لمعرفة ماهيّة "السلوك الطبيعي" للمُستخدم وإنما سنأخذ جميع أفعال ونشاطات المستخدم ونحملها إلى نموذجنا ونترك الآلة تقرر ما إذا كان هذا المستخدم "نموذجيًا" أم لا. يمكن أن لا يعمل هذا النهج بطريقة جيد بالموازنة مع التصنيف، ولكن القرار النهائي سيُبنى على المحاولة والتجربة. تقليل الأبعاد (Dimensionality Reduction) وتعرف أيضًا بالتعميم (Generalization) وهي عملية تجميع ميّزات محددة بداخل ميّزات ذات مستوى أعم وأعلى. ومن بعض التطبيقات العملية لهذه الطريقة نجد: أنظمة التوصية. التصورات (المحاكاة) الجميلة. نمذجة الموضوعات والبحث عن وثائق مماثلة. تحليل الصور المزيفة. إدارة المخاطر. ومن بعض الخوارزميات الشائعة لتطبيقها: خوارزمية تحليل المكونات الرئيسية Principal Component Analysis ويشار لها اختصارًا (PCA). خوارزمية تحليل القيمة المفردة Singular Value Decomposition ويشار لها اختصارًا (SVD). خوارزمية Latent Dirichlet allocation. خوارزمية التحليل الدلالي الكامن Latent Semantic Analysis ويشار إليها اختصارًا (LSA أو pLSA أو GLSA). خوارزمية t-SNE (التي تستخدم في مجال الرؤية الحاسوبية). استخدم علماء البيانات المتعصبون سابقًا هذه الأساليب، وكان عليهم العثور على "شيئ مثير للاهتمام" في أكوام ضخمة من الأرقام. وعندما لم تساعدهم مخططات إكسل بهذه المهمة أجبروا الآلات على العثور على الأنماط. حتى حصلوا على طريقة تقليل الأبعاد أو ميّزة تعلّم كيفية تقليل البعد. من الأفضل دائمًا استخدام التلخيص أو التجريد (Abstractions)، عوضًا عن مجموعة من الميزات المجزأة. فمثلًا، يمكننا دمج كلّ الكلاب ذات الآذان مثلثية الشكل والأنوف الطويلة والذيل الكبير ليصبح لدينا تلخيص لشكل كلب لطيف وهو كلب "شبيرد". نعم فقدنا بعض المعلومات حول الصفات المميزة الخاصة بالكلب شبيرد، إلا أن التلخيص الجديد يعدّ أكثر فائدة لتسمية الأغراض وتوضيحها. بالإضافة إلى ذلك، إن النماذج المُلخAصة تتعلّم بطريقة أسرع، ولا تظهر لديها مشكلة "فرض التخصيص" (Overfitting) -الّتي سنتحدث عنها بالتفصيل لاحقًا- بكثرة وهي تستخدم عددًا أقل من الميّزات. أصبحت هذه الخوارزميات أداة مذهلة "لنمذجة المواضيع". إذ يمكننا تلخيص مواضيع من كلمات محددة لمعانيها. هذا ما تفعله خوارزمية التحليل الدلالي الكامن. تعتمد على عدد مرات تكرار كلمة معينة في موضوع محدد. مثل: استخدام كلمة "تقنية" بكثرة في المقالات التقنية، وبالتأكيد سنعثر على أسماء الأشخاص السياسيين بكثرة في الأخبار السياسية وهكذا. كما يمكننا بكل تأكيد إنشاء مجموعات من جميع الكلمات في المقالات، ولكننا سنفقد جميع الروابط المهمة بين معاني الكلمات خصيصًا العلاقة بين الكلمات ذات المعنى نفسه مثل البطارية (Battery) والبطارية المقصود بها المدخرات الكهربائية - (Accumulator) الموجودة في مستندات مختلفة. إلا أن خوارزمية التحليل الدلالي الكامن ستتعامل معها بالطريقة الصحيحة، ولهذا السبب تحديدًا سمّيت "بخوارزمية التحليل الدلالي الكامن". لذلك نحن بحاجة إلى ربط الكلمات والمستندات في ميزة واحدة للحفاظ على هذه الاتصالات الكامنة واتضح لنا بأن خوارزمية التفكيك المفرد (Singular decomposition) تؤدي هذه المهمة بقوة، مما يشفُ عن فائدة المجموعات المجمعة بحسب الموضوع الّتي تحدثنا عنها سابقًا. من الاستخدامات الشائعة الأخرى هي أنظمة التوصية (Recommender Systems) والتصفية التعاونية (Collaborative Filtering) من أجل تقليل الأبعاد. مما يبدو أنه إذا كنت تستخدمه في تلخيص تقييمات المستخدمين، فستحصل على نظام رائع للتوصية بالأفلام والموسيقى والألعاب بل وحتى أي شيئ تريده. للمزيد من المعلومات حول هذا الموضوع نوصيك بالكتاب الرائع "برمجة الذكاء الجمعي" Programming Collective Intelligence. بالكاد سنتمكن من فهم فهمًا كاملًا لفكرة التلخيص (أو التجريد) الآلي، ولكن من الممكن رؤية بعض الارتباطات عن قرب. إذ يرتبط بعضها بعمر المستخدم فمثلًا يلعب الأطفال لعبة ماين كرافت (Minecraft) ويشاهدون معها الرسوم المتحركة بكثرة، ويرتبط بعض المستخدمين الآخرين بنوعية فيلم معينة أو بهوايات مخصصة وهكذا. تستطيع الآلات الحصول على هذه المفاهيم التجريدية عالية المستوى من دون حتى فهم ماهيتها، بناءً فقط على معرفة تقييمات المستخدم. تعلم قواعد الربط (Association Rule Learning) وهي طريقة للبحث عن الأنماط في تدفق الطلبات. حاليا تستخدم في عدد من المجالات مثل: التنبؤ بالمبيعات والخصومات. تحليل البضائع المشتراة معًا. معرفة كيفية وضع المنتجات على الرفوف. تحليل أنماط تصفح الإنترنت. الخوارزميات الشائعة لها هي: خوارزمية Apriori. خوارزمية Eclat. خوارزمية FP-growth. وتستخدم هذه الطريقة لتحليل عربات (سلّات) التسوق الإلكترونية أو الواقعية، كما تستخدم أيضًا لأتمتة استراتيجية التسويق، والمهام الأخرى المتعلقة بمثل هذه الأحداث. وتحديدًا عندما يكون لديك تسلسل لشيئ معين وترغب في إيجاد أنماط فيه - جرب هذه الأشياء. لنفترض أن العميل سيأخذ ستة عبوات من العصائر ويذهب إلى طاولة المحاسبة ثم إلى باب الخروج. هل يجب أن نضع الفول السوداني بجانب الطريق المؤدي إلى طاولة المحاسبة؟ وفي حال وضعناها، كم مرة سيشتريها الناس بالمجمل؟ لربما تتماشى العصائر مع الفول السوداني، ولكن ما هي التسلسلات الأخرى الّتي يمكننا التنبؤ بها اعتمادًا على البيانات؟ هل يمكن لتغييرات بسيطة في ترتيب البضائع أن تؤدي إلى زيادة كبيرة في الأرباح؟ وينطبق نفس الشيء على التجارة الإلكترونية. إذ المهمة هنا أكثر حماسية وإثارة للاهتمام، فما الّذي سيشتريه العميل في المرة القادمة؟ هل سيشتري المنتجات النباتية؟ أم الحيوانية؟ تعتمد الأساليب الكلاسيكية لتعلم الآلة على نظرة مباشرة على جميع السلع المشتراة باستخدام الأشجار أو المجموعات. يمكن للخوارزميات البحث عن الأنماط فقط، ولكن لا يمكنها تعميمها أو إعادة إنتاجها بما يتوافق مع الأمثلة الجديدة. أما في العالم الحقيقي فإن كلّ متجر تجزئة كبير يبني حلًا خاصًا ومناسبًا له، لذلك لا نرى تطورات كبيرة في هذا المجال. وعلى المستوى التقني فإن أعلى مستوى من التقنيات المستخدمة هي أنظمة التوصية (أو تسمى أحيانًا الأنظمة الناصحة). التعلم المعزز (Reinforcement Learning) وهو عملية رمي روبوت في متاهة وتركه بمفرده ليجد طريق الخروج بنفسه. من بعض التطبيقات العملية المستخدمة حاليًا: السيارات ذاتية القيادة. روبوت تنظيف الأرضية. الألعاب. أتمتة التداول. إدارة موارد المؤسسة. من أبرز الخوارزميات الشائعة لها: خوارزمية التعلم المعزز وفق النموذج الحر Q-Learning. خوارزمية خطة ماركوف للتعلّم المعزز لاتخاذ القرار SARSA. خوارزمية التعلم المعزز العميق وفق النموذج الحر DQN. خوارزمية الناقد المميز غير المتزامن A3C. الخوارزمية الجينية Genetic algorithm. أخيرًا وليس آخرًا، نصل إلى شيئ يشبه الذكاء الحقيقي. في كثير من المقالات نرى خطأ شائعًا بأن يصنف التعلّم المعزز تحت قسم التعلّم الموجّه أو أحيانًا في قسم التعلّم غير الموجّه. لذا وجب التنويه إلى كونه طريقة تعلّم منفصلة. يستخدم التعلّم المعزز في الحالات الّتي لا تتعلق فيها مشكلتك بالبيانات على الإطلاق، وإنما لديك بيئة افتراضية تتعامل معها. مثل عالم ألعاب الفيديو أو مدينة افتراضية للسيارات ذاتية القيادة. إن معرفة جميع قواعد الطرقات الجوية في العالم لن تعلّم الطيار الآلي كيفية القيادة على بأحد الطرق الجوية. بغض النظر عن مقدار البيانات الّتي نجمعها، لا يزال يتعذر علينا توقع جميع المواقف المحتملة. وهذا هو السبب الأساسي لهدف التعلم المعزز وهو ** تقليل الخطأ، وليس التنبؤ بجميع التحركات المحتملة**. إن البقاء على قيد الحياة في البيئة الافتراضية هي الفكرة الأساسية للتعلم المعزز. إذ سنعتمد على ترك الروبوت الصغير الفقير يتجول في الحياة الافتراضية ونُعاقبه على الأخطاء ونُكافؤه على الأفعال الصحيحة. بنفس الطريقة الّتي نعلم بها أطفالنا، أليس كذلك؟ الطريقة أكثر فعالية لتدريب الروبوت هي بناء مدينة افتراضية والسماح للسيارة ذاتية القيادة بتعلم كلّ طرق القيادة وحيلها فيها أولًا. في الحقيقة هذه هي الطريقة المعتمدة في تدريب الروبوت الموجودة في السيارات ذاتية القيادة. إذ ننشئ في البداية مدينة افتراضية استنادًا لخريطة المدينة الحقيقية، ونضيف إليها أناس افتراضيين يمشون في الشوارع (لمحاكاة الواقع) ونترك السيارة تتعلم بمفردها وذلك بوضع هدف نصب أعيننا وهو "تقليل العدد الّذي تقتله من الناس بأقل ما يمكن" وهكذا يستمر الروبوت في التدرب إلى أن يصل لمرحلة لا يقتل بها أحد. عندما يؤدي الروبوت أداءً جيدًا في لعبة GTA عندها سنُحرره ونختبره في الشوارع الحقيقية. قد يكون هناك نهجان مختلفان للتعلم المعزز وهما: نهج قائم على نموذج (Model-Based). نهج غير قائم على نموذج أو النهج الحر (Model-Free). إن النهج القائم على نموذج يعني أن السيارة بحاجة لحفظ كامل الخريطة أو أجزائها. هذا نهج قديم جدًا لأنه من المستحيل بالنسبة للسيارة الفقيرة ذاتية القيادة أن تحفظ الكوكب بأكمله. أما في النهج غير القائم على نموذج فلا تحفظ السيارة كلّ حركة ولكنها تحاول تعميم المواقف، ومحاولة التصرف بعقلانية إلى جانب محاولتها الحصول على أقصى مكافأة. هل تذكر الأخبار المتداولة حول خسار بطل العالم بلعبة Go أمام الذكاء الصنعي؟ هل تعلم بأن عدد التركيبات القانونية المحتملة للعبِ بهذه اللعبة أكبر من عدد الذرات الموجودة في الكون كلّه؟ حتى أن العلماء أثبتوا ذلك لاحقًا. ولكن هل سنطلب من هذا الروبوت المسكين حفظ كلّ ذلك؟ في الواقع أن الآلة لم تتذكر جميع التركيبات المحتملة للعب ومع ذلك فازت بلعبة Go، إذ حاولت تطبيق أفضل حركة في كلّ دور على حدة (تمامًا كما فعلت في لعبة الشطرنج عندما هزمت غاري كاسباروف في المباراة الشهيرة سنة 1997 والّتي سميت بمباراة القرن). هي فعليًا اختارت ببساطة أفضل حركة (من ناحية المكسب) لكلّ حالة، وقد فعلت ما يكفي للتغلب على البشر. يعد هذا النهج مفهومًا أساسيًا أدى لظهور التعلّم المعزز وفق النموذج الحرّ (Q-learning) وهو فرع من فروع التعلّم المعزز بل وظهور الخوارزميات مثل خوارزمية خطة ماركوف للتعلّم المعزز لاتخاذ القرار (SARSA) وخوارزمية التعلّم المعزز العميق وفق النموذج الحرّ (DQN). ومن الجدير بالذكر أن حرف "Q" يشير إلى "الجودة" (Quality) إذ يتعلم الروبوت أداء الفعل الأكثر "نوعية" في كلّ حالة ويحفظ جميع المواقف على أنها سلسلة ماركوفية بسيطة. يمكن للآلة اختبار مليارات المواقف والحالات في البيئة افتراضية، ويمكنها تذكر جميع الحلول الّتي أدت لمكافأة أكبر. ولكن كيف يمكنها أن تميز المواقف الّتي رأتها مسبقًا عن المواقف الجديدة كليًا؟ فمثلًا إذا كانت السيارة ذاتية القيادة في إحدى التقاطعات بين الشوارع وكانت إشارة المرور حمراء وتحولت فجأة الإشارة الخضراء فهل هذا يعني أنها يمكن أن تسير مباشرة؟ ماذا لو كانت هناك سيارة إسعاف تسير في شارع قريب وتطلب من السيارات الأخرى إفساح الطريق لها؟ الإجابة الحالية على هذا السؤال وفق المعطيات المتاحة إلى يومنا هذا هو "لا أحد يعرف ما الّذي ستفعله هذه السيارة ذاتية القيادة". فعليًا لا توجد إجابة سهلة. لطالما استمر الباحثون في المحاولة للعثور على إجابة، ولكن في الوقت نفسه لا يجدون سوى الحلول المؤقتة لبعض الحالات. إذ يعتمد البعض على محاكاة جميع المواقف يدويًا الّتي تنتج حلًا للحالات الاستثنائية، مثل: مشكلة العربة. والبعض الآخر يتعمق أكثر من ذلك ويترك للشبكات العصبية مهمة اكتشافها. وهذا قادنا لتطور التعلم المعزز وفق النموذج الحر (Q-learning) إلى شبكات التعلم المعزز العميق (Deep Q-Network). لكنها ليست بالحل المثالي أيضًا. طريقة المجموعات وهو مجموعة أشجار غبية تتعلّم تصحيح أخطاء بعضها البعض. من بعض تطبيقاتها العملية في وقتنا الحالي: جميع التطبيقات الّتي تعمل على الخوارزميات الكلاسيكية (الفارق هنا أنها تقدم أداء أفضل). أنظمة البحث. الرؤية الحاسوبية. الكشف عن الأغراض. من أبرز الخوارزميات الشائعة لها: خوارزمية الغابات العشوائية (Random Forest). خوارزمية التدرج المعزز (Gradient Boosting). حان الوقت للأساليب الحديثة والكبيرة. تعدّ المجمعات والشبكات العصبية مقاتلان رئيسيان يمهدان طريقنا نحو التفرد في عملية التعلّم. واليوم ينتجون أكثر النتائج دقة ويستخدمون على نطاق واسع في جميع الأحداث. على الرغم من فعاليتها العالية إلا أن الفكرة الكامنة وراءها بسيطة للغاية. إذ تعتمد على أخذ مجموعة من الخوارزميات ذات الفعالية العادية، وتجبرها على تصحيح أخطاء بعضها بعضًا، فستكون الجودة الإجمالية للنظام أفضل من أفضل خوارزميات تعمل بطريقة منفردة. ستحصل على نتائج أفضل إذا أخذت أكثر الخوارزميات تقلبًا في النتائج، والّتي تتوقع نتائج مختلفة تمامًا في حالة حدوث ضوضاء صغيرة على بيانات الدخل. مثل خوارزميات أشجار القرار وأشجار الانحدار. هذه الخوارزميات حساسة للغاية، حتى أنه يمكن لقيمة شاذة واحدة خارجية مطبقة على بيانات الدخل أن تجعل النماذج يجن جنونها. في الحقيقة هذا بالضبط ما نحتاجه. هنالك ثلاث طرق لبناء المجمعات: طريقة التكديس (Stacking). طريقة التعبئة (Bagging). طريقة التعزيز (Boosting). سنشرح كلّ واحدٍ منهم على حدة: 1. طريقة التكديس (Stacking) تُمرر مجموعة من النماذج المتوازية كمدخلات للنموذج الأخير والّذي سيتخذ القرار النهائي. تَنتجُ هذه النماذج من تطبيق خوارزميات مختلفة وكلمة "مختلفة" تعني أي أن خلط تكديس نفس الخوارزميات على نفس البيانات لن يكون له أي معنى أو أهمية. وإن عملية اختيار الخوارزميات أمر متروك لك مطلق الحرية في اختباره. إلا أنه بالنسبة للنموذج المعني باتخاذ القرار النهائي، عادة ما يكون الانحدار خيارًا جيدًا لخوارزميته. 2. طريقة التعبئة (Bagging) وهي معروفة أيضًا باسم Bootstrap Aggregating. في هذه الطريقة نستخدم نفس الخوارزمية، ولكن ندربها على مجموعات فرعية مختلفة من البيانات الأصلية. في النهاية نحسب متوسط الإجابات فقط. يمكن أن تتكرر البيانات في مجموعات فرعية عشوائية. فمثلًا، يمكننا الحصول على مجموعات فرعية من المجموعة "1-2-3" مثل: "2-2-3" و"1-2-2" و"3-1-2" وما إلى ذلك. نستخدم مجموعات البيانات الجديدة هذه لتعليم الخوارزمية نفسها عدة مرات، ثمّ نتوقع الإجابة النهائية عن طريق خوارزمية البسيطة التصويت بالأغلبية. أشهر مثال على استخدام طريقة التعبئة هي خوارزمية الغابات العشوائية (Random Forest) والتي ببساطة تعبأ باستخدام أشجار القرار (الّتي سبق وأن وتحدثنا عنها في الفقرات السابقة). فمثلًا عند فتحك لتطبيق الكاميرا الخاص بهاتفك ورؤيتك لمربعات مرسومة حول وجوه الأشخاص فيجب أن تسأل نفسك، كيف حدث ذلك؟ في الحقيقة من المحتمل أن تكون هذه النتيجة بفضل خوارزمية الغابات العشوائية. وذلك لأن الشبكات العصبية بطيئة جدًا عند تشغيلها في الزمن الحقيقي (Real-time)، وبالمقابل تكون طريقة التعبئة مثالية بهذه الحالات لأنه يمكنها أن تبني أشجار القرار على جميع البطاقات الرسومية الضعيفة والقوية بل وحتى على المعالجات الجديدة الفاخرة الخاصة بتعلّم الآلة! في بعض المهام، تكون الاستراتيجية المتبعة هي التركيز على قدرة الغابة العشوائية على العمل بالتوازي مثلما يحدث عند استخدام الشبكات العصبية الاصطناعية أما طريقة التجميع لا تستطيع العمل بالتوازي، والبعض الآخر من التطبيقات تتطلب السرعة الّتي تستطيع تحققها طرق المجموعات بغض النظر عن أسلوب تطبيقها وتحديدًا في المهام الّتي تتطلب معالجة بالزمن الحقيقي. ولكنها في النهاية مسألة مفاضلة بين خياري الدقة أو السرعة وذلك بحسب كلّ مهمة. 3. طريقة التعزيز (Boosting) وهي الطريقة الّتي تعتمد على تدريب الخوارزميات واحدةً تلو الآخرى. وكلّ خوارزمية لاحقة تولي معظم اهتمامها لنقاط البيانات الّتي أخطأت الخوارزمية السابقة في تفسيرها. وتكرر هذه العملية إلى أن تصبح النتيجة مرضية. كما هو الحال في طريقة التعبئة، تستخدم الخوارزمية مجموعات فرعية متنوعة من بياناتنا ولكن هذه المرة لن نُنشئها بطريقة عشوائية. وإنما في كلّ عينة فرعية، نأخذ جزءًا من البيانات الّتي فشلت الخوارزمية السابقة في معالجتها. وبذلك نُنشئ خوارزمية جديدة لتتعلم كيفية إصلاح الأخطاء الموجودة في الخوارزمية السابقة. الميزة الرئيسية في طرق التجميع هي الدقة الممتازة بالموازنة مع الوقت المأخوذ، وتعد أسرع بكثير من الشبكات العصبية. تقريبًا الأمر أشبه ما يمكن بسباق بين سيارة وشاحنة على المضمار. يمكن للشاحنة أن تؤدي المزيد من الأفعال، ولكن في حال أردت أن تسير بسرعة فحتمًا ستأخذ السيارة. لالقاء نظرة على مثال حقيقي لاستخدام طرق التجميع (وتحديدًا طريقة التعزيز) افتح موقع فيسبوك أو موقع غوغل واكتب أي استعلام في مربع البحث. هل يمكنك سماع جيوش من الأشجار تزأر وتتحطم معًا لفرز النتائج حسب الصلة؟ ذلك بسبب أن هذه الشركات يستخدمون طريقة التجميع باستخدام التعزيز. حاليًا هناك ثلاث أدوات شائعة لتطبيق طريقة التعزيز، يمكنك قراءة هذا التقرير المفصل الّذي يوازن بينها CatBoost مقابل LightGBM مقابل XGBoost. الشبكات العصبية (Neural Networks) والتعلم العميق (Deep Leaning) الشبكات العصبية (Neural Networks) الشبكات العصبية: وهي عبارة عن مجموعة من الخلايا العصبية الاصطناعية الموجودة في طبقاتٍ متوضعةٍ فوق بعضها بعضًا، ولها طبقة أولية، وطبقة النهائية، تتلقى الطبقة الأولية المعلومات الخام، وتعالجها لتُمررها لاحقًا للطبقة الّتي تليها وهكذا إلى أن نحصل على الخرج من الطبقة النهائية. بعض أشهر تطبيقاتها العملية المستخدمة في وقتنا الحالي: تحديد الكائن في الصور ومقاطع الفيديو. التعرف على الكلام والتراكيب اللغوية. معالجة الصور وتحويل التنسيق. الترجمة الآلية. بالإضافة إلى أنه يمكنها أن تعمل عوضًا عن جميع تطبيقات طرق تعلّم الآلة السابقة. من بعض الهيكليات الشائعة للشبكات العصبية: الشبكات العصبية بيرسيبترون (Perceptron). الشبكات العصبية التلافيفية (CNN). الشبكات العصبية المتكررة (RNN). الشبكات العصبية ذات الترميز التلقائي (Autoencoders). إن أي شبكة عصبية اصطناعية هي في الأساس مجموعة من الخلايا العصبية الاصطناعية (Neurons) و الاتصالات (Connections) الّتي بينهم. وإن الخلية العصبية الاصطناعية: هي مجرد تابع لديه مجموعة من المدخلات وخرج وحيد. وتتمثل مهمة الخلية العصبية الاصطناعية في أخذ جميع الأرقام من مدخلاتها، وأداء الوظيفة المنوطة إليها وإرسال النتيجة للخرج. الاتصالات تشبه إلى حدٍ ما القنوات بين الخلايا العصبية الحقيقية. إذ تربط مخرجات خلية عصبية معينة لمدخل خلية عصبية أخرى حتى يتمكنوا من إرسال الأرقام والنتائج لبعضهم بعضًا. وكلّ اتصال له وسيط واحد فقط وهو الوزن (Weight). وهو مشابه لقوة الاتصال للإشارة. فعندما يمر الرقم 10 من خلال اتصال بوزن 0.5 يتحول إلى 5. هذه الأوزان تطلب من الخلية العصبية الاصطناعية أن تستجيب أكثر للدخل ذو الوزن الأكبر، وأقل للدخل ذو الوزن الأقل. تُعدل هذه الأوزان عند التدريب وهكذا تتعلّم الشبكة العصبية الاصطناعية. فيما يلي مثال لخلايا عصبية اصطناعية بسيطة ولكنها مفيدة في الحياة الواقعية: ستجمع جميع الأرقام من مدخلاتها وإذا كان هذا العدد أكبر من N فستُعطي النتيجة 1 وإلا ستعطي النتيجة 0. لمنع حدوث فوضى في الشبكة، ترتبط الخلايا العصبية بطبقات، وليس بطريقة عشوائية. لا ترتبط الخلايا العصبية داخل الطبقة الواحدة، وإنما تتصل بالخلايا العصبية للطبقات التالية والسابقة (الأعلى والأسفل). تتحرك البيانات في الشبكة العصبية الاصطناعية تحركًا صارمًا باتجاه واحد من مدخلات الطبقة الأولى إلى مخرجات الطبقة الأخيرة. إذا وضعت عددًا كافيًا من الطبقات ووضعت الأوزان بطريقة صحيحة، فستحصل على النتيجة المرجوة وإليك مثلًا يوضح الأمر، تريد أن تكتشف ما هو الرقم المكتوب بخط اليد في الصورة الممررة، ستمرر الصورة إلى الشبكة عن طريق مدخلات الطبقة الأولى، وبعدها فإن البكسلات السوداء ستُنشّط الخلايا العصبية المرتبطة بها، وهي بدورها ستُنشّط الطبقات التالية المرتبطة بها، وهكذا حتى يضيء أخيرًا المخرج المسؤول عن الرقم أربعة. إذا هكذا وصلنا للنتيجة المرجوة (سنأخذ هذا المثال بوضوح أكبر وبكلّ تفاصيله الدقيقة في الجزء الثاني من هذه السلسلة). في الواقع عند برمجة الخلايا العصبية على الحاسب لا نكتب عمليًا الخلايا العصبية والوصلات المرتبطة بها. وإنما يمثل كلّ شيء كمصفوفات وتحسب النتيجة بناءً على ضرب المصفوفات ببعضها بعضًا للحصول على أداء أفضل. يبسط هذا الفيديو كيف تحدث عملية التعلّم في الخلايا العصبية الاصطناعية، وكيف تحدد عملية الضرب دقة الشبكة العصبية الّتي لدي (لا تنس أن تغعّل خيار التعليقات التوضيحية لأن الفيديو مترجم إلى اللغة العربية). تحتوي الشبكة على طبقات متعددة لها روابط بين كلّ خلية عصبية تسمى الشبكات العصبية بيرسيبترون المتعددة (Multilayer Perceptron) وتسمى اختصارًا (MLP) وتعد أبسط بنية مناسبة للمبتدئين. بعد إنشاء الشبكة، ستكون مهمتنا هي تعيين الطرق المناسبة لتتفاعل الخلايا العصبية مع الإشارات الواردة بطريقة صحيحة. وسنُعطي الشبكة بيانات الدخل أو "مدخلات الشبكة العصبية" صورة الرقم المكتوب بخط اليد وبيانات الخرج أو "مخرجات الشبكة العصبية" ستكون الرقم الموافق للصورة المُمررة عبر مدخلات الشبكة. أي سنقول للشبكة "عدلي أوزانك بالطريقة الصحيحة حتى تستطيعين معرفة الصورة الممررة لك على أنها صورة للرقم 4". في البداية تُسند جميع الأوزان بطريقة عشوائية. بعد أن نعرض لها رقمًا معينًا، إذ تنبعث منها إجابة عشوائية لأن الأوزان ليست صحيحة حتى الآن، ونوازن مدى اختلاف هذه النتيجة عن النتيجة الصحيحة. ثم نبدأ في بالرجوع للخلف عبر الشبكة من المخرجات إلى المدخلات ونخبر كلّ خلية عصبية، لقد تنشطت هنا وأديت عملًا رهيبًا وهكذا. بعد مئات الآلاف من هذه الدورات "الاستدلال ثمّ التحقق ثمّ التغيير" المتتالية هناك أمل في أن تُصحح الشبكة العصبية أوزانها وتجعلها تعمل على النحو المنشود. الاسم العلمي لهذه المنهجية هي "منهجية الانتشار العكسي" (Backpropagation). يبسط هذا الفيديو كيف تَحدثُ عملية التعلّم بالتفاصيل الدقيقة في الطبقات المخفية وكيف تتعلم من أخطائها (مرة أخرى لا تنسَ أن تغعّل خيار التعليقات التوضيحية لأن الفيديو مترجم إلى اللغة العربية). يمكن للشبكة العصبية المدربة تدريبًا جيدًا أن تنوب عن عمل أي من الخوارزميات الموضحة في هذا الفصل (بل وغالبًا ما يمكنها أن تعمل بدقة أكثر منهم). وهذا ما جعلها شائعة الاستخدام على نطاق واسع. اتضح لاحقًا أن الشبكات الّتي تحتوي على عدد كبير من الطبقات تتطلب قوة حسابية لا يمكن تصورها آنذاك (عند بداية ظهور الشبكات العصبية). أما حاليًا فأي حاسوب مُخصص للألعاب يتفوق بالأداء على أداء مراكز البيانات الضخمة آنذاك. لذلك لم يكُ لدى الناس أي أمل في أن تصبح هذه القدرة الحسابية متوفرة ذلك الحين، وكانت فكرة الشبكات العصبية مزعجة بضخامتها. سنتاول في شرحنا أهم الهياكل المشهورة للشبكات العصبية في الوقت الحاضر. الشبكات العصبية التلافيفية (Convolutional Neural Networks) أحدثت بنية الشبكات العصبية التلافيفية والتي تدعى اختصارًا (CNN) ثورة في عالم الشبكات العصبية حاليًا. إذ تستخدم للبحث عن الكائنات في الصور وفي مقاطع الفيديو، كما تستخدم أيضًا للتعرف على الوجوه، وتحويل التنسيق، وتوليد وتحسين الصور، وإنشاء تأثيرات مثل التصوير البطيء وتحسين جودة الصورة. باختصار تستخدم بنية الشبكات العصبية التلافيفية في جميع الحالات الّتي تتضمن صورًا ومقاطع فيديو. يمكنك ملاحظة كيف استطاعت تقنيات تعلم الآلة الّتي طورتها شركة فيسبوك من تحديد الكائنات الموجودة في الصورة بدقة ممتازة. من أبرز المشاكل الرئيسية الّتي تواجهنا عند التعامل مع الصور هي صعوبة استخراج الميزات منها. على عكس سهولة الّتي نجدها عند التعامل مع النصوص، إذ في النصوص يمكنك ببساطة تقسيم النص بحسب الجمل، والبحث عن الكلمات ذات سمات معينة، وما إلى ذلك. ولكن في الصور الأمر أعقد من ذلك بكثير إذ يجب تصنيف الصور تصنيفًا يدويًا لكي تتمكن برامج تعلّم الآلة من معرفة مكان آذان القطط أو ذيولها في هذه الصورة المحددة والمنصفة. سميت هذه المنهجية لاحقًا باسم "صناعة الميزات يدويًا" وكان يستخدمها الجميع تقريبًا. ولكن الأمر لم يتوقف إلى هذا الحد فحسب وإنما ظهرت العديد من المشاكل مع منهجية صناعة الميزات يدويًا.فمثلًا في البداية إذا كانت تعرفت الشبكة العصبية على أذني القطة وأبعدت هذه القطة عن الكاميرا فنحن في مشكلة لأن الشبكة لن ترى شيئًا (بسبب تغيّر حجم أذن القطة). ثانيًا لنحاول تسمية 10 ميزات مختلفة تميّز القطط عن بقية الحيوانات الأخرى (في الحقيقة أنا أول من فشل في هذه المهمة)، ولكن مع ذلك عندما أرى نقطة سوداء تُسرعُ من جانبي أثناء تجولي في الشارع عند منتصف الليل - حتى لو لمحتها فقط في زاوية عيني - سأستطيع أن أحدد بأنها قطة وليست فأر. والسبب بسيط جدًا إذ لا شعوريًا يصنف دماغنا العديد من الميزات الخاصة بالقطط ولا ينظر إلى شكل الأذن أو عدد الأرجل فقط وذلك بدون أي جهد مني ولا حتى تفكير. وبناءً على ذلك سيصعب الأمر جدًا عند محاولتي لنقل هذه المعرفة إلى الآلة. لذا فهذا يعني أن الآلة ستحتاج إلى تعلّم هذه الميزات بمفردها، وإنشاء هذه الميزات اعتمادًا على الخطوط الأساسية للصورة. سننفذ ما يلي: سنقسم الصورة بأكملها إلى كتل ذات حجم 8×8 بكسل. سنخصص لكل نوع من أنواع الخطوط على الصورة رمزًا معينًا - سواء أكان الخط أفقيًا سيكون الرمز [-] أو رأسيًا سيكون الرمز [|] أو قطريًا سيكون الرمز [/]. يمكن أيضًا أن يكون العديد منها مرئيًا للغاية - وهذا يحدث ولذلك لسنا دائمًا على ثقة تامة. سيكون الناتج عدة جداول من الخطوط الّتي هي في الواقع أبسط الميزات الّتي تمثل حواف الكائنات على الصورة. إنها صور بمفردها ولكنها مبنية من الخطوط. وهكذا نستمر في أخذ كتلة ذات حجم 8×8 ونرى كيف تتطابق معًا. ونعيدها مرارًا وتكرارًا. تسمى هذه العملية بعملية الإلتفاف أو الطيّ (Convolution)، مستمدة هذا الاسم من تابع الطيّ المطبق فيها. يمكن تمثيل عملية الطيّ كطبقة من الشبكة العصبية، لأنه في نهاية الأمر يمكن لكلّ خلية عصبية أن تكون بمثابة تابع يؤدي أي وظيفة أريدها. عندما نغذي ونزود شبكتنا العصبية بالكثير من صور القطط، فإنها ستعيّن تلقائيًا أوزانًا أكبر لمجموعات الخطوط الّتي تتكرر كثيرًا في هذه النوع من الصور. لا تهتم الآلة ما إذا كان ظهر القطة خطًا مستقيمًا أو جسمًا هندسيًا معقدًا مثل وجه القطة، وبالمجمل ستكون بعض مجموعات الخطوط ستكون نشطة دائمًا. كمخرجات ستنظر هذه الشبكة العصبية الاصطناعية ذات البنية التلافيفية لأكثر المجموعات نشاطًا في هذه الصور وستبني عليها قرارها فيما إذا كانت الصور لقطة أو لكلب. يكمن جمال هذه الفكرة في أن الشبكة العصبية ستبحث عن الميزات الأكثر تميزًا للكائنات بمفردها. لسنا بحاجة لاختيارها يدويًا. يمكننا تزويد الشبكة بكمية كبيرة من الصور لأي كائن فقط من خلال البحث في غوغل عن مليارات من الصور المشابهة وهكذا سوف تنشئ شبكتنا خرائط مميزة من الخطوط وتتعلم كيفية تمييز أي كائن بمفردها. الشبكات العصبية المتكررة (Recurrent Neural Networks) تعدّ الشبكات العصبية المتكررة والتي يشار لها اختصارًا (RNN) من أكثر البُنى الهيكلية للشبكات العصبية الاصطناعية شيوعًا في وقتنا الحاضر. وذلك لفوائدها الجمّة إذ أعطتنا الكثير من الأشياء المفيدة مثل: الترجمة الآلية، والتعرف على الكلام، وتركيب صوت مميز للمساعد الشخصي مثل المساعد سيري (Siri). وعمومًا تعدّ هذه البنية من أفضل الخيارات الموجودة للبيانات التسلسلية مثل: الصوت أو النص أو الموسيقى. هل تذكر القارئ الصوتي الخاص الموجود في نظام التشغيل ويندوز إكس بي (Windows XP)؟ هذا الرجل المضحك يبني الكلمات حرفًا بحرف، محاولًا لصقها معًا. الآن وازن بين صوته وصوت المساعد الشخصي أليكسا الخاص بشركة أمازون، أو المساعد الشخصي الخاص بغوغل، فرق كبير بينهم، أليس كذلك؟ إنهم لا ينطقون الكلمات بوضوح فقط وإنما يضيفون لكنة خاصة مناسبة لهم! إليك هذا الفيديو اللطيف لشبكة عصبية تحاول أن تتحدث. كلّ ذلك لأن المساعدين الصوتيين الحديثين مدربون على التحدث على عبارات كاملة دفعة واحدة وليس حرفًا بحرف، يمكننا أخذ مجموعة من النصوص الصوتية وتدريب شبكة عصبية لإنشاء تسلسل صوتي أقرب إلى الكلام الأصلي. بمعنى آخر، سنستخدم النص كمدخل للشبكة العصبية الاصطناعية وصوت الشخص المجرّد كخرج لهذه الشبكة. نطلب من الشبكة العصبية إنشاء بعض الأصوات لنص محدد، ثم موازنته بالصوت الأصلي ومحاولة تصحيح الأخطاء للاقتراب قدر الإمكان من الصوت الأصلي المثالي. تبدو عملية التعلم بسيطة وكلاسيكية أليس كذلك؟ حتى الشبكات العصبية ذات التغذية المُسبقة تستطيع فعل ذلك. ولكن كيف يجب تعريف مخرجات هذه الشبكة؟ هل سيكون بلفظ كلّ عبارة ممكنة موجودة في اللغة الإنكليزية؟ بالتأكيد هذا ليس خيارًا جيدًا. هنا ستساعدنا حقيقة أن النص أو الكلام أو حتى الموسيقى؛ ما هي إلا تسلسلات من المعلومات. تتكون من وحدات متتالية (مثل المقاطع اللفظية للكلمات الإنكليزية). تبدو جميعها فريدة من نوعها ولكنها تعتمد على مقاطع سابقة. ألغِ هذا الاتصال بين هذه المقاطع وستحصل على مقطع موسيقي من نوع دبستيب (Dubstep). يمكننا تدريب الشبكة العصبية بيرسيبترون لتوليد هذه الأصوات الفريدة، ولكن كيف ستتذكر الإجابات السابقة؟ لذا تكمن الفكرة في إضافة ذاكرة خاصة لكلّ خلية عصبية اصطناعية، واستخدامها كمدخل إضافي عند تشغيل المقطع التالي. يمكن للخلايا العصبية أن تدون ملاحظات لنفسها مثل اكتشافها لحرفٍ متحرك، ولذلك يتوجب عليها أن تُظهر المقطع الصوتي التالي بنبرة أعلى (في الحقيقة إنها مجرد مقاربة بسطية للغاية). بهذه الطريقة ظهرت الشبكات المتكررة. كان لهذا النهج مشكلة كبيرة وهي عندما تتذكر جميع الخلايا العصبية نتائجها السابقة، يصبح عدد الاتصالات في الشبكة ضخمًا جدًا لدرجة أنه من المستحيل -من الناحية الفنية- ضبط جميع الأوزان. لذلك عندما لا تستطع الشبكة العصبية نسيان بعض الأشياء غير الهامّة فلن تتمكن من تعلّم الأشياء الجديدة (حتى نحن البشر لدينا نفس المشكلة نسيان بعض المعلومات غير الهامة، أو لعلّها ميزة؟ وخصيصًا إذا كانت هذه الأشياء هي ذكريات مؤلمة!). كان التحسين الأول بسيطًا جدًا وذلك بتحديد حجم معين لذاكرة الخلية العصبية الاصطناعية. لنقل بأن الشبكة ستحفظ آخر 5 نتائج فقط. ولكن أليست هذه الفكرة مناقضة للفكرة الأساسية الّتي انطلقنا منها (وهي تذكر ما تعلمته الشبكة بالكامل)؟ بعد تحديثاتٍ وتطويرات كثيرة جاء لاحقًا نهج أفضل بكثير، والّذي سيستخدم خلايا خاصة، تشبه إلى حدٍ ما ذاكرة الحاسوب. يمكن لكلّ خلية إمكانية تسجيل رقم معين أو قراءته أو إعادة تعيينه. وسميت هذه الخلايا بخلايا الذاكرة طويلة وقصيرة الأجل (LSTM). والآن عندما تحتاج الخلية العصبية إلى تعيين منبه لتذكر هذا المقطع، فإنها ستضع راية (Flag) في تلك الخلية. مثل "كان الحرف ساكنًا في الكلمة، استخدم المرة التالية قواعد نطق مختلفة". عندما لا تستدعي الحاجة لاستخدام الرايات، سيُعاد ضبط الخلية تاركة فقط الاتصالات "طويلة الأجل" للشبكة العصبية. وبعبارة أخرى، ستُتدربُ الشبكة العصبية ليس فقط لكي تتعلّم كيفية ضبط الأوزان وإنما لتتعلّم أيضًا كيفية ضبط الرايات (وهي أشبه ما يمكن بالمنبهات) في الخلايا العصبية. قد يبدو الحل بسيط جدًا ومع ذلك يعمل بكفاءة عالية. لكن ماذا لو دمجنا إمكانية تعديل مقاطع الفيديو باستخدام الشبكات العصبية التلافيفية (CNN) مع إمكانية تعديل الصوت باستخدام الشبكات العصبية المتكررة (RNN) على ماذا سنحصل؟ هل حقًا سنحصل على الرئيس السابق للولايات المتحدة الأمريكية؟ إليك هذا الفيديو لتكتشف الأمر. التعلم العميق (Deep Learning) إذا أردنا أن نختصر التعلم العميق بجملة واحدة وواحدة فقط ستكون حتمًا: "التعلّم العميق هو شبكة عصبية اصطناعية كبيرة". من بعض التطبيقات العملية للتعلم العميق: التعرف على الصور والأصوات. تحليل بيانات الأرصاد الجوية. تحليل بيانات الأبحاث البيولوجية. مجال التسويق واختيار الجمهور المستهدف من الإعلانات. من بعض الهيكليات الشبكة العصبية الاصطناعية المستخدمة بكثرة في التعلّم العميق نجد: شبكات بيرسيبترون متعددة الطبقات (Multilayer Perceptron Networks). الشبكات العصبية التلافيفية (Convolutional Neural Networks). الشبكات العصبية المتكررة ذات الذاكرة قصيرة وطويلة الأمد (Long Short-Term Memory Recurrent Neural Networks). والعديد من البنى الأخرى للشبكة. بعد بناء العلماء والباحثين للعديد من البُنى (المعماريات) الخاصة بالشبكات العصبية في محاولة منهم للعثور على البنية الأنسب لاكتشاف الأنماط في البيانات، ومن بين أبرز هذه البُنى (المعماريات) كانت البنية الخاصة بالشبكة التعلم العميق، ويذكر أن أول مرة ظهر فيها مفهوم التعلم العميق كان في عام 2006، وعرفت في ذلك الوقت على أنها مجال فرعي من مجالات تعلّم الآلة (مع أنها تندرج تحت نفس فئة الشبكات العصبية)، إلا أنها لاقت الاهتمام الواسع عندما طبق جيفري هينتون وزملائه بنية الشبكة الخاصة بالتعلّم العميق في مسابقة ImgNet وحققوا آنذاك نتائج مبهرة، إذ استطاعوا تحقيق دقة أفضل بـ10% من البُنى القديمة في التعرف على الصور. بعد هذا النجاح المدوّي استطاعت بجدارة لفت الأنظار حولها وبدأت بالظهور العديد من التطبيقات والأبحاث الجديدة الخاصة بالتعلم العميق، مما أدى إلى تطورها تطورًا كبيرًا، كما أنها أثببت جودتها بتحقيقها نتائج مذهلة في العديد من التطبيقات، وبذلك أوجدت لنفسها مكانة لا يستهان بها في مجال الذكاء الصنعي عمومًا ومجال تعلم الآلة خصوصًا. يعتمدُ مفهوم التعلم العميق في أساسه على طريقة تعلّم مؤلفة من عدّة طبقات من التمثيلات المقابلة لبنيةٍ هرمية من السمات، ويتم تعريفُ السِّمات والمفاهيم عالية المستوى نزولًا إلى المفاهيم ذات المستوى الأدنى، وهي تعمل أيضًا نمط التعلم الموجه وغير الموجه إلا أنها تعمل عملًا ممتازً مع البيانات المصنفة (أي مع التعلّم الموجّه). إن للتعلم العميق علاقة وطيدة مع البيانات إذ لا بدّ من الحصول على كميات كبيرة من البيانات إذا أردنا استخدام هذا النوع من التعلّم. ومع ازدياد البيانات سوف تتحسن الدقة تحسنًا كبيرًا مما سيؤدي لنتائج أفضل في نهاية المطاف. الفرق بين الشبكات العصبية والتعلم العميق في الحقيقة إن التعلم العميق ما هو إلا بنية مخصصة من الشبكات العصبية، ولكنها سميت بالتعلم العميق نسبة إلى عدد الطبقات الّتي تحتويها هذه البنية الشبكية، وبما أنها أكبر من عدد الطبقات الخاصة بالشبكات العادية آنذاك فلذلك سُميت بهذا الإسم. تكمن قوة التعلم العميق في إمكانيته في تعلّم الميزات (Features) بطريقة هرمية، أي تتعلّم التسلسل الهرمي للميزات انطلاقًا من ميزات من مستوى عالٍ مرورًا بميزات بمستوى أخفض وهكذا إلى أن نصل لآخر الميزات ذات المستوى الأدنى، مما يعطي لأسلوب التعلم هذا مستوًى جديدًا من التجريد للنظام وخصوصًا مع الوظائف والمفاهيم المعقدة من خلال بنائها من المفاهيم الأبسط فالأبسط. من الشكل السابق نلاحظ كيف أن التعلم العميق يستطيع تعلم التمثيلات الهرمية للبيانات. الّتي تربط المدخلات مع المخرجات مباشرة من البيانات دون الاعتماد على الميزات الّتي حددها الإنسان. أي تستطيع استنتاج كميات كبيرة من الميزات ومحاولة تحليلها وبطها بالصورة الكاملة للمشكلة. يطلق على هذا النوع من طريقة تعلّم الميزات الخاصة بالبيانات بتعلم الميزات (Feature learning). ومن بين أبرز الطفرات العلمية الّتي شهدها التعلم العميق كان على يد شركة ديب مايند (والتي استحوذت عليها شركة ألفابت)، إذ استطاعت شركة ديب مايند أن تدمج بين التعلم العميق مع التعلم المعزز من أجل حلّ المشاكل المعقدة مثل لعب الألعاب. أطلقوا لاحقًا على طريقتهم هذه اسم شبكات التعلم المعزز العميق (Deep Q-Network)، بعدها اصبح التعلّم العميق في أغلب البنى الخاصة بالشبكات العصبية. ومن الملاحظ مما سبق أن طريقة التعلم العميق تتطلب أجهزة حاسب قوية جدًا، وذلك لأنها تتعامل مع كميات كبيرة من البيانات. هنالك العديد من البنى الخاصة بالشبكات العصبية لدرجة أننا نحتاج لكتاب كامل لتغطية كافة أنواعها ومميزاتها وسلبياتها وطرق عملها ..إلخ، إلا أنه وبما أنك استطعت تعلم الأساسيات فحتمًا ستستطيع تعلم أصعب البنى الشبكية، ولإعطاء نظرة دقيقة للأمر إليك الصورة التالية: كما يمكنك ايضًا الرجوع إلى هذا المقال لمزيد من المعلومات. دورة تطوير التطبيقات باستخدام لغة Python احترف تطوير التطبيقات مع أكاديمية حسوب والتحق بسوق العمل فور انتهائك من الدورة اشترك الآن الخلاصة بعد تعرفنا على أهم الأساسيات الخاصة بتعلّم الآلة، وكيف تختلف عن بعضها بعضًا، وما هي النقاط الّتي يجب علينا التركيز عليها عند اختيارنا لطريقة ما على حساب الأخرى، وتعرفنا أخيرًا على الشبكات العصبية والتعلم العميق، لا بدّ لنا من أن نسأل أنفسنا، ما هي المشاكل الّتي يُواجهنا هذا المجال؟ ما نوع هذه المشاكل؟ وكيف نستطيع تجاوزها؟ في مقالنا القادم سنحاول الإجابة على هذه الأسئلة ونتعلم أيضًا بعض الأمور المهمة والّتي ستساعدنا في المضي قدمًا في هذا المجال. المراجع مقال Machine Learning for Everyone. كتاب Hands on Machine Learning with Scikit Learn Keras and TensorFlow الطبعة الثانية. مقال What is Deep Learning?. اقرأ أيضًا المقال التالي: تعلم الآلة: التحديات الرئيسية وكيفية التوسع في المجال المقال السابق: الذكاء الاصطناعي: مراحل البدء والتطور والأسس التي نشأ عليها النسخة الكاملة من كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة

ملاحظة مهمة: هذه إضافة حديثة للغة، لذا قد تحتاج المتصفحات القديمة لترقيع هذا النقص. التسلسل الاختياري .? هو طريقة مقاومة للأخطاء للوصول إلى خصائص الكائن المتداخلة، حتى إذا كانت الخاصية الوسيطة غير موجودة. المشكلة إذا كنت قد بدأت للتو في قراءة هذه السلسلة التعليمية وتتعلم جافاسكربت، فلربما لم تواجه هذه المشكلة بعد، لكنها شائعة جدًا. فمثلًا، يمتلك بعض من المستخدمين لدينا يمتلكون عناوين، لكن هنالك قليل منهم لم يقدمها. لذا لا يمكننا قراءة user.address.street بأمان. هكذا: let user = {}; // تحدث للمستخدم ‫user في حالة كان ليس لديه عنوان alert(user.address.street); // خطأ!‫ أو عند تطويرنا لموقع وِب، ونرغب في الحصول على معلومات حول عنصر ما في الصفحة، لكنه قد لا يكون موجودًا: // إذا كان نتيجة ‫querySelector(...)‎ فارغًا let html = document.querySelector('.my-element').innerHTML; قبل ظهور "‎?.‎" في اللغة، كان يستخدم المعامل && للتغلب على المشكلة. فمثلًا: let user = {}; // إذا كان ‫user لا يملك عنوان alert( user && user.address && user.address.street ); // undefined (أي ليس خطأً) وكونها تتطلب كتابة طويلة للتأكد من وجود جميع المكونات، لذلك كان استخدامها مرهقًا. تسلسل اختياري التسلسل الاختياري "‎?.‎" يوقف التقييم ويعيد غير معرّف undefined إذا كان الجزء قبل "‎?.‎" غير معرّف undefined أو فارغ null. **للإيجاز سنفترض في هذه المقالة أن شيئًا ما "موجود" إذا لم تكن القيمة "فارغة" null أو غير معرّفة undefined. ** إليك الطريقة الآمنة للوصول إلى user.address.street: let user = {}; // إذا كان ‫user لا يملك عنوان alert( user?.address?.street ); // undefined (ليس خطأً) إن قراءة العنوان باستخدام هذه الطريقة user?.address ستعمل حتى ولو كان الكائن user غير موجود: let user = null; alert( user?.address ); // undefined alert( user?.address.street ); // undefined الرجاء ملاحظة أن: صياغة جملة .? تجعل القيمة الموجودة قبلها اختيارية، ولكن ليس القيمة الّتي تأتي بعدها. في المثال أعلاه، تسمح التعليمة "user?.‎" للكائن user فقط بأن يكون غير معرف أو فارغ "null/undefined". من ناحية أخرى، إذا كان الكائن user موجودًا، فيجب أن يحتوي على خاصية user.address، وإلا فإن user?.address.street ستُعطي خطأ في النقطة الثانية. ملاحظة: لا تفرط في استخدام التسلسل الاختياري. يجب أن نستخدم .? فقط في حالة عدم وجود شيئ ما. فمثلًا، بحسب منطق الشيفرة خاصتنا يجب أن يكون الكائن user موجودًا، ولكن الخاصية address اختيارية، بهذه الحالة سيكون user?.address.street أفضل. لذلك، إذا حدث أن كان الكائن user غير معرف بسبب خطأ ما، فسنُعرف عنه ونصلحه. خلاف ذلك، يمكن إسكات أخطاء الترميز عندما لا يكون ذلك مناسبًا، ويصبح تصحيحها أكثر صعوبة. ملاحظة: يجب التصريح عن المتغير الموجود قبل .? إذا لم يكن هناك متغير user على الإطلاق، فإن التعليمة user?.anything ستؤدي حتمًا إلى حدوث خطأ: // ReferenceError: إن المستخدم ‫user غير معرًف user?.address; يجب أن يكون هناك تعريف واضح للمتغير let / const / var user. لأن التسلسل الاختياري يعمل فقط للمتغيرات المصرح عنها. اختيار الطريق الأقصر كما قلنا سابقًا، ستوقف .? فورًا (أي سيحدث قصر في الدارة) إذا لم يكن الجزء الأيسر موجودًا. لذلك، إذا كان هناك أي استدعاءات دوالّ أخرى أو آثار جانبية، فلن تحدث: let user = null; let x = 0; user?.sayHi(x++); // لا يحدث شيئ alert(x); // ‫0, لم تزداد القيمة حالات أخرى ()?. و []?. إن التسلسل الاختياري ‎.? ليس مُعامل، ولكنه طريقة معينة لصياغة تعليمة، يعمل أيضًا مع الدوالّ والأقواس المربعة. فمثلًا، تُستخدم ().? لاستدعاء دالّة قد لا تكون موجودة. نلاحظ في الشيفرة أدناه، أنه لدى بعض مستخدمينا التابع admin والبعض ليس لديه: let user1 = { admin() { alert("I am admin"); } } let user2 = {}; user1.admin?.(); // I am admin user2.admin?.(); هنا، في كلا السطرين، نستخدم النقطة . أولًا للحصول على خاصية admin، لأن كائن المستخدم user يجب أن يكون موجودًا، لذا فهو آمن للقراءة منه. ثم يتحقق ().? من الجزء الأيسر: إذا كانت دالّة المسؤول موجودة، فستنفذ (على الكائن user1). وبخلاف ذلك (بالنسبة للكائن user2) يتوقف التقييم الشيفرة بدون أخطاء. تعمل الصياغة [].? أيضًا، إذا أردنا استخدام الأقواس [] للوصول إلى الخصائص بدلًا من النقطة .. على غرار الحالات السابقة، فإنه يسمح بقراءة خاصية بأمان من كائن قد لا يكون موجودًا. let user1 = { firstName: "John" }; let user2 = null; // Imagine, we couldn't authorize the user let key = "firstName"; alert( user1?.[key] ); // John alert( user2?.[key] ); // undefined alert( user1?.[key]?.something?.not?.existing); // undefined كما يمكننا استخدام .? مع delete: delete user?.name; // احذف المستخدم ‫user.name إذا كان موجودًا ملاحظة: يمكننا استخدام .? للقراءة الآمنة والحذف، ولكن ليس الكتابة التسلسل الاختياري .? ليس له أي فائدة في الجانب الأيسر من المهمة: // فكرة الشيفرة أدناه أن تكتب قيمة ‫user.name إذا لم تكن موجودة user?.name = "John"; // خطأ لن تعمل الشيفرة // لأن الإسناد بين ‫undefined = "John"‎ الخلاصة يتكون بناء جملة التسلسل الاختياري .? من ثلاثة أشكال: obj?.prop - ستُعيد obj.prop إذا كان الكائن obj موجودًا، وإلا ستعيد القيمة undefined. obj?.[prop]‎ - ستُعيد obj[prop]‎ إذا كان الكائن obj موجودًا، وإلا ستُعيد undefined. obj?.method()‎ - تستدعي obj.method()‎ إذا كان الكائن obj موجودًا، وإلا ستُعيد undefined. كما رأينا كل الطرق واضحة وسهلة الاستخدام. تتحقق .? من الجزء الأيسر بحثًا عن قيمة فارغة أو غير معرفة null/undefined ويسمح للتقييم بالمتابعة إذا لم يكن كذلك. تسمح سلسلة .? بالوصول الآمن إلى الخصائص المتداخلة. ومع ذلك، يجب أن نطبق .? بحذر، وفقط في الحالات الّتي يكون فيها الجزء الأيسر غير موجود، حتى لا نخفي عن أنفسنا الأخطاء البرمجية إذا حدثت. ترجمة -وبتصرف- للفصل Optional chaining '?.' من كتاب The JavaScript language

أحد الاختلافات الأساسية بين الكائنات (objects) وأنواع البيانات الأولية (primitives) هو تخزينها ونسخها "بالطريقة المرجعية" (by reference). قيم أنواع البيانات الأولية: هي سلاسل وأرقام وقيم منطقية - تُسند أو تنسخ "كقيمة كاملة". فمثلًا: let message = "Hello!"; let phrase = message; نتيجة لتنفيذ الشيفرة السابقة لدينا متغيرين مستقلين، كلّ واحد يُخزن السلسلة "Hello!‎". أما الكائنات ليست كذلك. لا يخزن المتغيّر الكائن نفسه، وإنما "عنوانه في الذاكرة"، بمعنى آخر "مرجع" له. هذا هو وصف الكائن: let user = { name: "John" }; هنا يُخزن الكائن في مكان ما في الذاكرة. والمتغير user له "مرجع" له. عند نسخ متغير نوعه كائن - ينسخ المرجع، ولا يتم تكرار الكائن. فمثلًا: let user = { name: "John" }; let admin = user; // نسخ المرجع الآن لدينا متغيرين، كل واحد له إشارة مرجعية لنفس الكائن: يمكننا استخدام أي متغيّر للوصول إلى الكائن وتعديل محتوياته: let user = { name: 'John' }; let admin = user; admin.name = 'Pete'; // غيرت القيمة من خلال المتغير ‫admIn المرجعي alert(user.name); // ‫'Pete' ظهر التغيير على المتغير "user" المرجعي يوضح المثال أعلاه أن هناك كائنًا واحدًا فقط. كما لو كان لدينا خزانة لها مفتاحان واستخدمنا أحدهما وهو (admin) للوصول إليها. بعد ذلك، إذا استخدمنا لاحقًا مفتاحًا آخر وهو (user)، فيمكننا رؤية التغييرات. الموازنة بحسب المرجع إن معاملات المساواة == والمساواة الصارمة === الخاصة بالكائنات تعمل بأسلوب واحد. الكائنين يكونان متساويان فقط إذا كانا يشيران لنفس الكائن. هنا يشير المتغيرين لنفس الكائن، وبالتالي فإنهما متساويان: let a = {}; let b = a; // نسخ المرجع alert( a == b ); // ‫true, كِلا المتغيّرين يشيران إلى الكائن نفسه alert( a === b ); // true وهنا نلاحظ أن الكائنان مستقلان ولذلك غير متساويين،علمًا أن كلاهما فارغ: let a = {}; let b = {}; // كائنان منفصلان alert( a == b ); // false لإجراء المقارنات مثل obj1> obj2 أو المقارنة مع قيمة obj == 5 البدائي، تحولّ الكائنات لعناصر أولية. سوف ندرس كيفية عمل تحويل الكائنات قريبًا، ولكن في الحقيقة، نادرًا ما تحدث مثل هذه المقارنات، عادةً نتيجة لخطأ في الشيفرة البرمجية. الاستنساخ والدمج يؤدي نسخ متغير يخزن كائن إلى إنشاء مرجع آخر لنفس الكائن. ولكن ماذا لو احتجنا إلى تكرار كائنٍ ما؟ إنشاء نسخة مستقلة تمامًا، أي استنساخه؟ هذا ممكن أيضًا، ولكنه أكثر صعوبة نوعًا ما، لأنه لا توجد طريقة مضمنة في لغة جافاسكربت لتأدية ذلك. في الواقع، نادرًا ما تكون هناك حاجة لذلك. وإن نسخ المرجع جيد في معظم الأوقات. ولكن إذا كنا نريد ذلك حقًا، فنحن بحاجة لإنشاء كائن جديد وتكرار بُنية الكائن الذي نريد نسخه من خلال تكرار خصائصه ونسخها على مستوى قيم الأنواع البدائية. هكذا: let user = { name: "John", age: 30 }; let clone = {}; // كائن فارغ جديد // ‫لننسخ كلّ الخاصيات الموجودة في user إليه for (let key in user) { clone[key] = user[key]; } // الآن الكائن ‫clone هو نسخة مستقلة تمامًا لديه نفس خاصيات الكائن user clone.name = "Pete"; // غيرنا البيانات بداخله alert( user.name ); // ما يزال الاسم ‫John في الكائن الأساسي كما يمكننا استخدام الطريقة Object.assign لذلك. وتكون صياغتها هكذا: Object.assign(dest, [src1, src2, src3...]) الوسيط الأول dest هي الكائن المستهدف. الوسيط التالي src1, ..., srcN (يمكن أن تكون كثيرة بحسب الحاجة) هي كائنات مصدر. تُنسخ خصائص جميع الكائنات المصدر src1، ...، srcN إلى الهدف dest. بمعنى آخر، تنسخ خصائص جميع الوسطاء الّتي تبدأ من الثانية في الكائن الأول. يعيد الاستدعاء الكائن dest. فمثلًا، يمكننا استخدامه لدمج عدة كائنات في واحد: let user = { name: "John" }; let permissions1 = { canView: true }; let permissions2 = { canEdit: true }; // نسخ جميع الخاصيات من ‫permissions1 و permissions2 إلى user Object.assign(user, permissions1, permissions2); // now user = { name: "John", canView: true, canEdit: true } إذا كان اسم الخاصية المنسوخة موجودًا بالفعل، فعندها سيُستبدل: let user = { name: "John" }; Object.assign(user, { name: "Pete" }); alert(user.name); // now user = { name: "Pete" } يمكننا أيضًا استخدام التابع Object.assign لاستبدال حلقة for..in للاستنساخ البسيط: let user = { name: "John", age: 30 }; let clone = Object.assign({}, user); تُنسخ جميع خصائص الكائن user في الكائن الفارغ ويُعاد. الاستنساخ متداخل حتى الآن افترضنا أن جميع خصائص الكائن user تكون قيم أولية. لكن ماذا عن الخصائص يمكن أن تكون مراجع لكائنات أخرى؟ كيف سنتعامل معها؟ هكذا: let user = { name: "John", sizes: { height: 182, width: 50 } }; alert( user.sizes.height ); // 182 الآن لا يكفي نسخ clone.sizes = user.sizes، لأن user.sizes كائن، سينسخه بالطريقة المرجعية. لذا فإن clone وuser سيتشاركان نفس الأحجام: هكذا: let user = { name: "John", sizes: { height: 182, width: 50 } }; let clone = Object.assign({}, user); alert( user.sizes === clone.sizes ); // ‫true, نفس الكائن // إن ‫user و clone لديهما نفس الحجم user.sizes.width++; // غير خاصية من مكان معين alert(clone.sizes.width); // ‫51, تفقد هل الخاصية تغيرت في المكان الآخر (بالتأكيد) لإصلاح ذلك، يجب علينا استخدام حلقة الاستنساخ والّتي تفحص كلّ قيمة من قيم user[key]‎، فإذا كانت كائنًا، فعندها تُكرر هيكلها أيضًا. وهذا ما يسمى الاستنساخ العميق (Deep Cloning). هناك خوارزمية قياسية للاستنساخ العميق تتعامل مع الحالة المذكورة أعلاه وحالات أكثر تعقيدًا، تسمى خوارزمية الاستنساخ المهيكل (Structured cloning algorithm). كما يمكننا أيضًا استخدام العودية لتنفيذها. أو ببساطة ليس علينا إعادة اختراع العجلة، إذ يمكننا أخذ تطبيق جاهز لهذا الأمر، مثل التابع ‎_.cloneDeep(obj)‎ الموجود في مكتبة Lodash. الخلاصة تُسند الكائنات وتنسخ بالطريقة المرجعية. بمعنى آخر، لا يخزن المتغير "قيمة الكائن"، ولكن "المكان المرجعي" (العنوان في الذاكرة) للقيمة. لذا فإن نسخ مثل هذا المتغير أو تمريره كوسيط لدالة يُنسخ هذا المرجع وليس الكائن. تُنفذُ جميع العمليات من خلال المراجع المنسوخة (مثل إضافة / إزالة الخاصيات) على نفس الكائن الفردي. لعمل "نسخة حقيقية" (نسخة مستقلة)، يمكننا استخدام Object.assign لما يسمى "بالنسخة السطحية" (إذ تُنسخ الكائنات المُتداخلة بالطريقة المرجعية) أو يمكننا النسخ من خلال دالّة "الاستنساخ العميق"، مثل الدالّة ‎_.cloneDeep(obj)‎. ترجمة -وبتصرف- للفصل Object copying, references من كتاب The JavaScript language

ملاحظة مهمة: هذه إضافة حديثة للغة، لذلك تحتاج بعض المتصفحات القديمة لترقيع هذا النقص لأن ما سنشرحه هو إضافة حديثة للغة. يوفر عامل الاستبدال اللاغي ?? (Nullish coalescing operator) صيغة قصيرة لاختيار أول متغير معرّف (defined) من القائمة. نتيجة a ?? b هو: سيُعيد a إذا لم تكن فارغة null أو غير معرّفة undefined، وإلا سيُعيد b. إذًا x = a ?? b هي اختصار: x = (a !== null && a !== undefined) ? a : b; إليك مثال أطول لتوضيح الأمر. تخيل أن لدينا مستخدم، وهناك متغيرات FirstName وlastName أو nickName لاسمهم الأول واسم العائلة أو اللقب. وويمكن أن تكون جميعها غير معرفة (undefined)، إذا قرر المستخدم عدم إدخال أي قيمة. نرغب في عرض اسم المستخدم: في حال أدخل أحد هذه المتغيرات الثلاثة، أو إظهار الإسم "مجهول" إذا لم يعيّن أي شيئ. دعنا نستخدم العامل ؟؟ لتحديد أول متغيّر معرّف: let firstName = null; let lastName = null; let nickName = "Supercoder"; // سيعرض أول قيمة غير فارغة أو غير معرفة alert(firstName ?? lastName ?? nickName ?? "Anonymous"); // Supercoder استخدام العامل || يمكن استخدام العامل || بنفس طريقة استخدام ??. في الواقع، أي يمكننا استعمال || مكان ؟؟ في الشيفرة أعلاه والحصول على نفس النتيجة، كما شرحناها في مقال العاملات المنطقية في لغة جافاسكربت. الفرق المهم هو: إن || تُعيد القيمة الحقيقية الأولى. بينما تُعيد ?? أول قيمة معرّفة. هذا مهم جدًا عندما نرغب في التعامل مع القيم غير المعرفة أو الفارغة (null/undefined) بطريقة مختلفة عن القيمة 0. فمثلًا، إليك هذا الحالة: height = height ?? 100; تعيّن هذه الشيفرة البرمجية المتغير height بالقيمة 100 في حال كان غير معرّف. دعونا نوازنه بالعامل ||: let height = 0; alert(height || 100); // 100 alert(height ?? 100); // 0 هنا، height || 100 يعامل الارتفاع الصفري على أنه غير معرّف، تمامًا مثل القيمة الفارغة null أو غير المعرفة undefined أو أي قيمة خاطئة أخرى. إذًا ستكون النتيجة هي 100. أما height ?? 100 يُعيد 100 فقط إذا كان المتغيّر height فارغًا null أو غير معرّف undefined. لذلك ستعرضُ الشيفرة السابقة قيمة الارتفاع 0 كما هي. يعتمد السلوك الأفضل على حالة الاستخدام الّتي نواجهها. عندما يكون الارتفاع صفر تكون القيمة صالحة، فمن الأفضل أن يكون العامل ??. أولوية العامل ?? إن أولوية العامل ?? منخفضة نوعًا ما: 5 في جدول MDN. إذًا تقيّم ?? بعد معظم العمليات الأخرى، ولكن قبل = و ?. إذا احتجنا إلى اختيار قيمة بالعامل ?? في تعبير معقد، ففكر في إضافة الأقواس، هكذا: let height = null; let width = null; // هام: استخدم الأقواس let area = (height ?? 100) * (width ?? 50); alert(area); // 5000 وإلا إذا حذفنا الأقواس، فإن عملية الضرب * لها أسبقية أعلى عامل ?? وستُنفذ قبلها. سيكون ذلك مشابه لهذا المثال: // يمكن أن تكون غير صحيحة let area = height ?? (100 * width) ?? 50; هناك أيضًا قيود متعلقة باللغة. لأسباب تتعلق بالسلامة، يُحظر استخدام العامل ?? مع العاملات && و ||. لاحظ الخطأ في الصياغة الموجود في الشيفرة أدناه: let x = 1 && 2 ?? 3; // خطأ في الصياغة بالتأكيد إن القيد قابل للنقاش، ولكنه أُضيف إلى المواصفات القياسية للغة بغرض تجنب الأخطاء البرمجية، إذ يبدأ الناس في التبديل من || إلى ??. استخدم الأقواس الصريحة لتجنب الأمر، هكذا: let x = (1 && 2) ?? 3; // تعمل دون أخطاء alert(x); // 2 الخلاصة يوفر عامل الاستبدال اللاغي ?? طريقة مختصرة لاختيار قيمة "معرّفة" من القائمة. يستخدم لتعيين القيم الافتراضية للمتغيرات: // أسند القيمة 100 إلى المتغير ‫height إذا كان هذا الأخير فارغًا أو غير معرًف height = height ?? 100; عامل ?? له أولوية منخفضة جدًا، وأعلى قليلًا من العاملات ? و=. يحظر استخدامه مع العاملات || أو && بدون أقواس صريحة. ترجمة -وبتصرف- للفصل Nullish coalescing operator '??'‎ من كتاب The JavaScript language

هذا المقال جزء من سلسلة «مدخل إلى الذكاء الاصطناعي»: الذكاء الاصطناعي: أهم الإنجازات والاختراعات وكيف أثرت في حياتنا اليومية الذكاء الاصطناعي: مراحل البدء والتطور والأسس التي نشأ عليها المفاهيم الأساسية لتعلم الآلة تعلم الآلة: التحديات الرئيسية وكيفية التوسع في المجال يمكنك قراءة السلسلة على شكل كتاب إلكتروني بالانتقال إلى صفحة الكتاب، مدخل إلى الذكاء الاصطناعي وتعلم الآلة. بعد كلّ ما تعرفنا عليه من إنجازات الذكاء الاصطناعي وإمكانياته منقطعة النظير في جميع جوانب حياتنا اليومية، لا بدّ لسائل أن يسأل؛ كيف بدأ الأمر كله؟ كيف وصلنا إلى ما وصلنا إليه؟ كيف استطاع الذكاء الاصطناعي التفوق على مُعلمه (الإنسان) في بعض المجالات (مثل الألعاب وغيرها)؟ كيف اكتسب هذه القوة الرياضية الهائلة؟ لفهم واضح وكامل لهذا المجال لا بدّ لنا من الغوص عميقًا في جحر الذكاء الاصطناعي ونبش تاريخه وأسراره لفهمه جيدًا، ومعرفة الأسس الّتي وضعَ عليها إلى أن تكتمل الصورة في أذهاننا ولنستطيعَ بعدها التعرف على تفاصيلٍ أعمق تمكننا من الدخول في هذا المجال الشيّق. في البداية من الضرورة بمكان المرور على تاريخ مجال الرياضيات المرتبط بالذكاء الاصطناعي، والّذي جعل من الذكاء الاصطناعي قابلًا للوجود، بالإضافة إلى ذلك تأتي أهمية الرياضيات من كونها العلم الّذي سيساعدنا في بناء ذكاء البرنامج. وما طرق الاستنتاج والاستنباط المستخدمة في معظم الخوارزميات إلا خير مثال على ذلك. لذا فإن أي تقدم علمي في الرياضيات سيُساعد في تقدم الذكاء الاصطناعي بطريقة أو بأخرى، وبالطبع الرياضيات ليس العلم الوحيد الّذي شارك في تقدم الذكاء الاصطناعي بل شاركت علوم أخرى مثل الفلسفة الّتي حاولت وصف عملية التفكير البشري على أنها معالجة ميكانيكية للرموز، وغيرها من العلوم مثل علم الإحصاء والاحتمالات. سنركز على أهم النقلات النوعية الّتي ترتبط ارتباطًا مباشرًا مع الذكاء الاصطناعي وسنحاول تجنب أي تفاصيل أخرى ليس تقليلًا من شأنها ولكن في نهاية المطاف هدفنا التركيز على تاريخ الذكاء الاصطناعي وليس تاريخ الرياضيات ككلّ. القرن التاسع عشر والبدايات شهد الربع الثاني من القرن التاسع عشر بداية ظهور بذور الذكاء الاصطناعي على الرغم من أن الحواسيب لم تكُ موجودة بعد، إلا أن الذكاء الاصطناعي -كمنطق رياضي- أوجد لنفسه المكان المناسب وشقّ طريقه في الوسط العلمي فعندما قدم لنا العالم جورج بول نظريته الخاصة في المنطق الجبري والّتي سميت لاحقًا بالجبر البولياني وهي نظرية تعتمد في أساسها على تمثيل أي متغيرات في أي عملية رياضية على قيمتين فقط وهما 1 و0، وتشكل مجموعة متغيرات عبارات منطقية. ويمكن كتابة هذه العبارات وإثبات صحتها بطريقة مماثلة تمامًا للطرق المستخدمة في الجبر العادي. وكانت هذه النظرية الأساس الّذي نشأت عليها علوم الحاسب أيضًا. التحديات الجديدة للرياضيات والآفاق المستقبلية في هذه الأثناء كانت الرياضيات غير واضحة المعالم وكانت هنالك جهود كبيرة في تنظيم الطرق الرياضية ومن بين هذه الجهود كان هنالك المؤتمر الدولي للرياضيات والّذي ساعد في توحيد الجهود المبذولة وفي النسخة الثانية من هذا المؤتمر وتحديدًا في عام 1900 عرض عالم الرياضيات الألماني ديفيد هيلبرت في ذلك المؤتمر الذي أقيم في باريس 23 مسألة رياضية عصية على الحلّ (والتي تسمى أيضًا معضلات هيلبرت). وقال هيلبرت إن هذه المسائل ستُحدد شكل الرياضيات في الـ100 سنة المقبلة، لأنه اختار مسائل ذات صلات وجذور بفروع متعددة في الرياضيات، بحيث أن السعي لحلها سوف يولد نظريات ونتائج جديدة. حُلّت حتى يومنا الحالي 16 مسألة. وأدى ذلك إلى بروز فروع رياضية جديدة. ويرى المتمعن في طريقة تطور رياضيات القرن العشرين أن سببها الرئيسي هو حلّ تلك المسائل مما أدى إلى حدوث ثورة عارمة في هذا العلم طيلة القرن الـ 20 وأعطته دفعة قوية ترتب عليها إنتاج غزير في جميع الاختصاصات الرياضية. الدرس الّذي يمكن أن نتعلمه من مسائل هيلبرت أو من العقلية الكامنة بطريقة تفكيره هو أنه قد يكون من الصعب جدًا تحديد جميع الافتراضات الّتي تستخدم في أي فرع من الرياضيات. ولكن هذا الأمر لم يرق إلى عالمين من علماء الرياضيات وهما برتراند راسل وألفريد نورث وايتهيد وإنما حثهم على اعتناق هذا التحدي ومحاولة تجميع كلّ الفرضيات والمسلمات الرياضية بناءً على المنطق الجبري لجوتلوب فريجه الّذي كان حاضرًا بشدة آنذاك، وذلك في ثلاثة مجلدات تحت اسم "مبادئ الرياضيات" (Principia Mathematica) نُشرت عام 1910-1912-1913 على التتالي جاءت محاولة هاذين العالمين لتمثيل مجموعة من البديهيات وقواعد الاستنتاج في منطق الرموز، لنستطيع من خلالها -من حيث المبدأ على الأقل- إثبات جميع الحقائق الرياضية، كما حاولا من خلال هذا الكتاب تحديد الأسس الرياضية بدقة ليكون بذلك أول كتاب يناقش المبادئ الرياضية بتلك الطريقة آنذاك. أحدث هذا الكتاب جلَبة كبيرة في الوسط العلمي لذا بدأت تظهر مجموعة من الأسئلة والتحليلات. وإحدى الأسئلة الّتي طرحت عمومًا في هذا الصدد وبعيدًا عن وضع البديهيات كحقائق منطقية عن أي منظومة رياضية، مثل مبادئ الرياضيات (Principia Mathematica): ماذا لو كان بإمكاننا استنتاج تناقض من البديهيات؟ (وهذا هو السؤال الّذي حفز العلماء على إيجاد مسألة عدم الاتساق). وماذا لو كان هناك بيان رياضي لا يمكن إثباته من خلال هذه المنظومة؟ (وهذا هو السؤال الّذي حفز العلماء على إيجاد مبرهنة عدم الاكتمال). وفي عام 1931، نشر عالم رياضيات نمساوي شاب يدعى كورت غودل ورقة بحثية أحدثت صدمة ترددت أصداؤها في أنحاء مجتمع الرياضيين وأجبرتهم على إعادة النظر في علمهم. كانت هذه الورقة تحتوي على مبرهنة عدم الاكتمال. والّتي تحثُّ على التشكيك في معنى افتراض أن أمرًا ما صحيح في الرياضيات. كان التغير الناتج في فهمنا للرياضيات مثيرًا بقدر التغيير الّذي حدث في إدراكنا للهندسة، عند اكتشاف الهندسة غير الإقليدية في القرن التاسع عشر. اشتمل هذان الاكتشافان الكبيران على نظمٍ بديهية، ولا يمكن فهم كليهما على نحو صحيح دون تقدير ما يعنيه الرياضيون بكلمة «بديهي» والدور الّذي تلعبه المسلمات في الرياضيات. أحدثت نظرية عدم الاكتمال ثورة في الرياضيات وألهمت أشخاص مثل جون فون نيومان، الّذي ابتكر نظرية الألعاب، وآلان تورنغ، الّذي يعد الأب الروحي للذكاء الاصطناعي وعلوم الحاسوب. في وقت لاحق، أصبحت نظريات غودل لا تقدر بثمن فيما يتعلق بمجال علوم الحاسوب، لأن الاعتراف بأن هناك أشياء لا يمكن إثباتها يضع حدًا لما يمكن للحواسيب حله، وتجنب ضياع الوقت في محاولة عمل المستحيل. الأخطاء في نص أحد المسائل يفتح آفاقًا جديدة بالعودة لعام 1928 أعاد العالم ديفيد هيلبرت عرض المسائل مرة أخرى، وكان من بين هذه المسائل مسألة إثبات أنه هل يمكن الحصول على منهج أو مجموعة إجراءات يمكننا من خلالها الحكم على عبارة رياضية بأنها صحيحة أو خاطئة (أطروحة التقرير أو الحكم). لفتت هذه المسألة نظر الشاب آلان تورنغ وقرر أن يعتنق هذا التحدي ويبدأ بحل هذه المسألة وفي إطار حله لهذه المسألة احتاج آلان لآلة ذكية تستطيع أن تقرأ وتتعامل مع مخرجاتها. كان هذا يعني أن تتعامل الآلة مع رموز وحركات محددة تمكنها من القيام بعملها آليًا. آلة كاملة قادرة على فهم لغة مكونة من الأرقام 1 و 0 للقيام بهذه المهمة. من خلال استعانته بعمل جورج كانتور (وهو العالم الّذي حاول حلّ هذه المسألة قبل تورنغ). توصل تورنغ إلى أن الآلة الّتي يفكر فيها والمطلوبة لإنجاز مسألة هيلبرت تحتاج لخطوات لا منتهية، وبالتالي فهي عاجزة عن إنتاج أي جواب. وإن وصول الآلة لجواب يعني أنها تتحرك في حلقة مغلقة بدايتها السؤال ونهايتها الجواب، وهذا يعني عدد منتهِ من الخطوات. آلة تيورينغ متورطة في خطوات لا منتهية وبالتالي فلا أمل من وصولها إلى جواب. واستنتج لاحقًا خطأ مسألة (معضلة) هيلبرت. وعندما عَمِلَ في محطة بليتشلي بارك (وهي حديقة خصصت في الحرب العالمية الثانية لتكون المقر الرئيسي لعمليات فك الشيفرة الألمانية)، تمكن من تحقيق خمسة إنجازات مهمة في مجال تحليل الشفرات، وأثناء الحرب العالمية الثانية استطاع بناء جهاز كهروميكانيكي للمساعدة في فك شفرة الإشارات الخاصة بجهاز إنجما الألماني (Enigma Machine).سمي هذا الجهاز لاحقًا بآلة تورينغ وساعدت هذه الآلة على اختصار مدة الحرب بمدة 2-4 سنوات على الأقل. حاول آلان تورنغ بهذه الآلة إيجاد حلّ لمعضلة هيلبرت. وكان لآلة تورنغ الإثبات الحقيقي لقدرة الآلة على العمل بالمنطق الرياضي بدون تدخل البشر وفقًا لمدخلات وأوامر مسبقة. على الرغم من أن تورنغ برهن بآلته خطأ مسألة هيلبرت وذلك بإثباته عدم قدرة الرياضيات على حلّ جميع المشاكل عدا المشاكل القابلة للحلّ بحد ذاتها، إلا أنه استطاع أن يركز فقط على ما يستطيع تحقيقه باستخدام آلته الفكرية، ووصلوا بذلك لاستنتاج بأن أي مسألة تخضع للمنطق الرياضي يمكن تمثيلها بالقيمتين 0 و1. أول شبكة عصبية اصطناعية لم يكن آلان تورينغ الوحيد في المضمار (مضمار تطور الذكاء الاصطناعي) وإنما انضم لمرافقته بعض العلماء الأخرين مثل: عالم الفيزيولوجيا العصبية وارن ماكولوتش وعالم الرياضيات الشاب والتر بيتس عندما نشرا ورقة علمية في عام 1943 تتحدث عن كيفية عمل الخلايا العصبية ونمذجوا للمرة الأولى شبكة عصبية بسيطة باستخدام دوائر كهربائية ولهما تنسب الفكرة الأساسية للخلايا العصبية الإصطناعية الّتي نستخدمها في أيامنا الحالية. وفي الخمسينيات بدأ علماء الحواسيب بتطبيق هذه الفكرة في عملهم. وكان من بينهم العالم الأمريكي أرثر سامويل عندما أنشأ برنامج يُعلّم نفسه بنفسه لعبة الداما (checkers)، كما أنه أول من أبتكر مصطلح تعلّم الآلة وكان ذلك في عام 1952. تكاتف الجهود ومحاولة توحيد المصطلحات في ورقة بحثية نشرها تورنغ عام 1950 أثناء عمله بقسم الحاسوب بجامعة مانشستر، عبّر تورنج عن تساؤلاته حول قدرة أي آلة أو برنامج أو حاسوب على القيام بأفعال وتصرفات تدل على وجود ذكاء حقيقي ووعي خاص بها. ولكن كان لا بدّ في البداية الإجابة على بعض الأسئلة مثل: ما هو الوعي؟ هل يمكن لآلة اصطناعية التفكير حقًا؟ هل يتألف العقل من خلايا عصبية في الدماغ فقط؟ أم أن هناك شرارة غير ملموسة في جوهره؟ كانت هذه الأسئلة أساسية للكثير من الناس من أجل تحديد ماهيّة الوعي والذكاء ولكن ألان تورنغ قرر التغاضي عن جميع الأسئلة واستبدالها بسؤال واحدٍ أبسط بكثير من تلك الأسئلة: وهو هل يمكن للحاسوب التحدث مثل البشر؟ ولمعرفة ذلك اقترح تورنج لعبة تجمع فردين أحدهما حاسوب ذكي، والآخر محقق أو حكم، وكلّ منهم في غرفة منفصلة ويتواصلون سويًا عبر شاشة حاسوب ولوحة مفاتيح بدون معرفتهم بالشخص المقابل الّذي يحدثونه. وتهدف اللعبة لأن يميز الحكم بين الإنسان والحاسوب وعرفت لاحقًا باختبار الذكاء، طوّر هذا الاختبار لاحقًا وقُصر على حكمٍ واحدٍ وحاسوبٍ واحد، ومن خلال توجيه أسئلة مباشرة لكلّ منهما وتحليل الإجابة سيُحاول الحكم استنتاج إن كان شخصًا حقيقيًا أم مجرد حاسب. أي بعبارة أخرى، سيُعدُّ الحاسوب ذكيًا إن كان يصعب تمييز محادثته عن محادثة الإنسان. ظهرت العديد من الاختبارات الأخرى لاحقًا، ومن الجدير بالذكر أنه لم يستطع أي حاسب اجتياز اختبار تورنغ حتى عام 2014 عن طريق حاسب يُدعى يوجين جوستمان (Eugene Goostman) إذ استطاع اقناع 33% من الحكام بأنه طفل روسي عمره 13 سنة. بالعودة إلى وقت طرح اختبار تورنغ لم يكن في ذلك الوقت حديث عن إعطاء المصطلحات المناسبة للمفاهيم الموجودة. في الحقيقة إن البداية الرسمية لظهور مصطلح الذكاء الاصطناعي (Artificial Intelligence) كانت في عام 1956 وتحديدًا في كلية دارتموث في ولاية هانوفر في الولايات المتحدة الأمريكية، وذلك بفضل ورشة عقدت حرم الكلية ناقش فيها مجموعة من العلماء معظمهم من شركة IBM -نتيجة ازدهار الشركة آنذاك- البرمجيات الذكية والبرمجيات القادرة على التفكير حتى أطلقوا في نفس الورشة المصطلح الرسمي وهو الذكاء الاصطناعي لهذا المجال العلمي الصاعد. بعدها توالى الاهتمام في هذا المجال وضخت الولايات المتحدة أموالًا طائلة لدعم المشاريع المتعلقة بهذا المجال، وبدى هناك تفائل كبير جدًا في هذا العلم الجديد، إذ في عام 1959 اطلق برنارد ويدرو ومارسيان هوف من جامعة ستانفورد نموذجًا لشبكة عصبية قادرة على إزالة صدى الصوت من المكالمات عبر خطوط الهاتف التقليدية لتكون بذلك أول شبكة عصبية تحلّ مشكلة في عالمنا الحقيقي، وأطلقوا عليها اسم مادلين (MADALINE) ولا تزال هذه الشبكة مستخدمة حتى يومنا الحالي. التطور السريع لأشباه الموصلات في هذه الأثناء كان العمل متواصلًا على تطوير تقنية أشباه الموصلات، وتحسين إمكانياتها التطبيقية مما جذب العديد من وسائل الإعلام على تغطية أخبار هذا المجال، ومن بين وسائل الإعلام كانت «مجلة إلكترونيكس» تجهز عددها 35 وعندما طلبت المجلة من الدكتور غوردون مور كتابة مقال مفصل يتناول فيه الحديث عن توقعاته حول ما سيحدث في صناعة مكونات أشباه الموصلات في الأعوام الـ10 القادمة. أحدثت هذه المقالة نقلة نوعية في طريقة تعامل العاملين في هذا القطاع مع آلية تطوير أشباه الموصلات مع العلم بأن هدف الدكتور غوردون من المقال لم يكن بناء الأساسات العلمية والمثبتة لطريقة تطوير هذه التقنية، وإنما فقط لقياس واستنباط طريقة تطورها في الماضي، وجعلها أوضح للعيان، ولكن اتخذت الأمور منعطفًا حادًا آخر بعد هذا المقال وأصبحت المقالة خارطة الطريق المستقبلية لهذا المجال. بدء حدوث شتاء الذكاء الاصطناعي ومن جانب آخر لم يكن على الصعيد الإعلامي العالمي سمعة قوية لمجال الذكاء الاصطناعي، إذ كان هذا المجال جديدًا وغير واضح المعالم إلى حد ما، ولكن تغيرت الأمور كثيرًا بعد أن زار المخرج السينمائي ستانلي كوبريك العالم مارفن مينسكي في مختبر الذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا (MIT) وذلك للسؤال عما إذا كان الحاسب الذكي الّذي كان يتخيله سيكون موجودًا فعلًا بحلول عام 2001. أكد له مينسكي بتفاؤل أنه سيكون موجودًا. أدى ذلك ذلك لولادة فيلم جديد أطلق عليه اسم A Space Odyssey ناقش هذا الفيلم الذكاء ااصطناعي بطريقة مختلفة ممّا جعل من مجال الذكاء الاصطناعي موضوعًا عالميًا وحديث الساعة. في ذلك الوقت لم تكثر الأقاويل والمبالغات والشائعات من وسائل الإعلام فقط، وإنما تعدى ذلك إلى العلماء ليبالغوا في تفاؤلهم ونظرتهم المستقبلية. حتى أن أحد العلماء وهو هيربرت سايمون صرّح علانية بعام 1965 متحدثًا عن مستقبل الذكاء الاصطناعي فقال: لم يقتصر الأمر عليه فقط وإنما انضم إليه العالم مارفن مينسكي الّذي أدلى عام 1967 بالتصريح التالي: أضف إلى ذلك أنه في ذلك الوقت كانت الولايات المتحدة في خضم الحرب الباردة، وكانت سياسة أعضاء الكونجرس أن يستثمروا مبالغ كبيرة في الذكاء الاصطناعي بصفته جزءًا من إستراتيجية أمنية شاملة، وتركزت الاستثمارات في تلك الفترة على الترجمة، خصوصًا الترجمة بين اللغتين الروسية والإنجليزية، وكان ذلك في السنوات ما بين 1954 و1966، واعتقد الكثير من العلماء البارزين بحتمية تحقيق إنجازات هامة، كما فاض مجال الذكاء الاصطناعي بالتبرعات من المموِّلين الأثرياء غير أن الإنجازات لم تتحقق بسرعة كما كان يعتقدون. وفي عام 1966 نشر سبعة علماء من اللجنة الاستشارية حول المعالجة الآلية للغة تقريرًا بطلب من الحكومة، وخلُص هذا التقرير إلى أن الترجمة الآلية كانت أبطأ وأكثر تكلفة وأقل دقة من الترجمة البشرية، وبعدها فرض الكونجرس على وكالة المشاريع والأبحاث الدفاعية المتقدمة (داربا) أن تقتصر في تمويلها على المشاريع ذات التأثير المباشر على المجهود العسكري؛ مما أدى إلى انتهاء العمل على الكثير من المشاريع العلمية الاستكشافية والأساسية، بما في ذلك أبحاث الذكاء الاصطناعي، والّتي كانت داربا تمولها بسخاء. تنوعت العوائق الّتي تراكمت في طريق تطور الذكاء الاصطناعي ومع الأخذ بعين الاعتبار بأن الحواسيب كانت في ذلك الوقت غالية جدًا وبطيئة وغير قادرة على تحقيق ما يصبوا إليه أولئك العلماء. اتضح لاحقًا أن العلماء فشلوا في إدراك مدى صعوبة بعض المشاكل الّتي واجهتهم. وفي عام 1974، وردًا على انتقادات جيمس لايتهيل على تمويل أبحاث الذكاء الاصطناعي والضغط المستمر من الكونغرس لتمويل مشاريع أكثر إنتاجية، قطعت الحكومتين الأمريكية والبريطانية تمويلهما لمعظم الأبحاث الاستكشافية المتعلقة بمجال الذكاء الاصطناعي، وكانت تلك أول انتكاسة كبيرة تشهدها أبحاث الذكاء الاصطناعي. الشتاء الأول للذكاء الاصطناعي 1974-1980 شكّل هذا الزخم الإعلامي الهائل في ظل الإنجازات المتواضعة الّتي حققها العلماء في تقدم الذكاء الاصطناعي إلى إحباط كبير للمجتمع الداعم لهذا المجال، وأدى ذلك لانخفاض تمويل مشاريع الذكاء الاصطناعي ليدخل مجال الذكاء الاصطناعي في مرحلة رقود كبيرة امتدت بين العام 1974-1980 وكان ذلك أول شتاء يواجهه الذكاء الاصطناعي منذ بدايته. ومن بين المشاكل الّتي واجهها آنذاك هي: ضعف سرعة المعالجة الحاسوبية: نتيجة التقنيات القديمة المستخدمة في تركيب المعالجات. ذاكرة التخزين المحدودة: والّتي كانت عنصرًا أساسيًا في تخزين المعلومات الّتي ستتدربُ عليها خوارزميات الذكاء الاصطناعي. عدم وجود كمية بيانات كافية: نتيجة عدم وجود ذاكرة تخزين كافية. الخوارزميات الرياضية: كان هناك صعوبات عديدة في إيجاد حلول مناسبة للعمليات الرياضية الّتي تقود إلى إيجاد الحل الأمثل في خوارزمية معينة، وتم إيجاد العديد من هذه الحلول لاحقًا ومن بينها Stochastic Gradient Descent. أدت هذه المشاكل الرئيسية والكثير من المشاكل الأخرى إلى إعادة هيكلة مجالات متعددة متعلقة بمجال علم الحاسب والعمل على تطوير جوانب كثيرة مهمة رسمت لنا تاريخ تطور الحواسيب والذكاء الاصطناعي في آن واحد. فترة الإزدهار بعد الشتاء الأول الّذي مرّ به مجالة الذكاء الاصطناعي، وفقدِ الاهتمام من جميع الباحثين في هذا المجال تحولت الانظار إلى الأنظمة الخبيرة عندما أعادت الأمل في هذا المجال وكان بعض تطبيقاتها مثل أنظمة Xcon، والّتي حظت بشعبية كبيرة باعتبارها أنظمة متخصصة تحاكي عملية إتخاذ القرار مثل الخبراء المختصين، وقادرة على حلّ مشاكل محددة دقيقة مثل تشخيص الأمراض المعدية، أو تحديد المركبات الكيميائية، وذلك لأن المنطق الّتي تعتمد عليه هذه الأنظمة آنذاك هو الحلقات الشرطية "if-else" والّتي تخالف الفكرة الأساسية للذكاء الاصطناعي، ألا وهي القدرة على اتخاذ قرار من تلقاء نفسها أي بدون برمجة هذا القرار. ومع ذلك قفزت استثمارات المرتبطة بالذكاء الاصطناعي من بضعة ملايين من الدولارات في عام 1980 إلى مليارات الدولارات في عام 1987، ظهرت في تلك الفترة قفزة معتبرة عندما أعلن تيري سيجنوسكي وتشارلز روزنبرغ من جامعة هوبكنز عن تطويرهما لشبكة عصبية اصطناعية قادرة على تعليم نفسها نطق الكلمات الجديدة والّتي أسموها شبكة NetTalk، تتألف هذه الشبكة من ثلاثة طبقات، واستطاعت تعلّم كيفية نطق 20000 كلمة بطريقة صحيحة في أسبوع واحد. ومع استمرار تدريبها أصبحت طريقتها في نطق الكلمات أكثر وضوحًا، وكان ذلك انجازًا متميزًا في ذلك الوقت. ولكن الأجهزة المختصة بالذكاء الاصطناعي آنذاك لم تكن عملية إذ كانت مكلفة جدًا ومعقدة ومع ظهور الحواسيب المكتبية من تطوير شركة IBM وشركة آبل Apple، والّتي تفوقت بمراحل على جهاز ليسب (Lisp) الخصص للذكاء الاصطناعي والّذي صممه ريتشارد جرينبلات أحد أعضاء الفريق البحثي في الذكاء الاصطناعي الخاص بمعهد (MIT)، ونظرًا لتراكم المشاكل الخاصة بأجهزة الذكاء الاصطناعي بدءًا من تكلفتها العالية، وانتهاءً بصعوبة تحديثها، ولأن المستهلكين لم يعودوا بحاجة إلى شراء آلالات باهظة الثمن متخصصة فقط في تشغيل أجهزة الذكاء الاصطناعي أدى ذلك إلى انهيار في سوق هذه الأجهزة عام 1987 وبذلك انهار خط تصنيع كامل لتبدأ بذلك مرة أخرى فترة ركود ثانية يواجهها هذا المجال. دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن الشتاء الثاني للذكاء الاصطناعي 1987-1993 امتدت الفترة الثانية من شتاء الذكاء الاصطناعي بين عامي 1987-1993 كما أن معظم الناس فقدت اهتمامها بهذا المجال، وكان ذلك جليًا من خلال انخفاض عدد الحاضرين في مؤتمر AAAI الخاص بالذكاء الاصطناعي إلى 2000 زائر في عام 1991 بينما بلغت نسبة الحضور للمؤتمر في عام 1986 حوالي 6000 زائر، وبالمثل يمكن ملاحظة الزيادة في المقالات المتعلقة بالذكاء الاصطناعي منذ عام 1987 والوصول إلى أدنى نقطة لها في عام 1995 في صحيفة نيويورك تايمز. وبالنظر إلى المخطط السابق الّذي يستعرض عدد تكرار الكلمات الدلالية الخاصة بالذكاء الاصطناعي والمتواجدة في 16625 ورقة بحثية علمية متعلقة بخوارزميات وتقنيات الذكاء الاصطناعي الموجودة آنذاك، نلاحظ أنه ظهرت العديد من الأوراق البحثية والخوارزميات الواعدة في تلك الفترة إلا أن الاهتمام الحقيقي ما زال منخفضًا بالموازنة مع السنوات الماضية وبهذا استمرت فترة الركود العلمي في مجال الذكاء الاصطناعي. عودة الذكاء الاصطناعي إلى الساحة في عام 1997 ولأول مرة في تاريخ البشرية تمكن جهاز حاسوب من التغلب على أقوى لاعب شطرنج في العالم وهو غاري كاسباروف في مباراته المشهورة مع حاسوب ديب بلو (Deep Blue)، كان هذا الحدث ما أشعل فتيل الاهتمام مرة أخرى ليتصدر الذكاء الاصطناعي في ذلك الوقت جميع عناوين الصحف والمجالات وليكون الحدث الأبرز في نشرات الأخبار. وبعد هذا الحدث ظهر في نفس العام قفزة جديدة أخرى تحسب للذكاء الاصطناعي، وهي ظهور أول نظام للتعرف على الكلام (Speech Recognition) وسمّي Dragon NaturallySpeaking ويستطيع هذا النظام أداء ثلاث مهام رئيسية وهي: التعرف على الكلام. تحويل النص إلى كلام (Text-To-Speech). التعرف على الأوامر المنطوقة. طورت هذا النظام شركة (Dragon Systems) والّذي أصبح لاحقًا جزءًا من نظام الويندوز Windows 95. كان هذا النظام حجر الأساس ومن الخطوات الكبيرة في مجال تفسير اللغة المنطوقة. وفي عام 1999 استطاع مجموعة من العلماء في جامعة شيكاغو في تطوير آلية للتشخيص بمساعدة الحاسب (Computer-Aided Diagnosis) والّتي تعرف اختصارًا (CAD)، استعرضت هذه الآلية 22000 صورة شعاعية لسرطان الثدي، واستطاعت الكشف عن السرطان بدقة بلغت نسبتها 52٪، وعبر الدكتور كيونو دوي أستاذ الأشعة في جامعة شيكاغو أنه يمكن اعتبار هذه الآلية كرأي ثانٍ لفحص الصور الشعاعية للثدي، وبهذا يمكننا التغلب على الأخطاء البشرية الناتجة عن قلة خبرة الأطباء، أو عندما يكونوا مرهقين جدًا وتستطيع مساعدتهم من خلال إظهار نتائج بيانية للصور. وآنذاك، بدأت العناصر الأساسية لتطوّر الذكاء الاصطناعي بالاكتمال وهي: التأثير النفسي لقانون مور تتمتَّع قلة قليلة من ظواهر الكون الرقمي بتأثيرٍ عميق على تكنولوجيا المعلومات والاتصالات مثلما يعادل تأثيرَ قانونِ مور. ويمكن صياغة هذا القانون بإيجازٍ: "يتضاعف عددُ الترانزستور على الدوائر المدمجة كلَّ عامين تقريبًا". يتناول د. ييل بات -عالِم حاسوب بجامعة تكساس في أوستن- قانونَ مور في محاضراته بطرحه السؤال التالي على الحضور: ما هو موضوع قانون مور؟ (أ) الفيزياء؟ (ب) تكنولوجيا معالجة الحاسوب؟ (جـ) المعمارية الدقيقة للحاسوب؟ (د) علم النفس؟ الإجابة الصحيحة بحسب د. بات هي (د) علم النفس. يستند رأي الدكتور بات على أن قانون مور أصبح نبوءة تتحقَّق من تلقاء نفسها (أيِ اعتقادًا يعتقده الكثيرون وينتظرون تحقُّقَه وينسبون إليه ما يحدث). فمصمِّمو الدوائر المدمجة (ومديروهم) بشركات إنتل وهيتاشي وإيه إم دي وغيرها من مصنِّعي الشرائح تأقلموا نفسيًّا مع توقُّع أنه سيوجد جيلٌ جديد من الشرائح كلّ ١٨–٢٤ شهرًا، يتمتع بضِعْف سعة الإصدارات السابقة. وإنْ لم تطرح شركةُ إنتل رقاقاتٍ جديدةً بسعة محسَّنة؛ فإن مسئوليها التنفيذيين يُدرِكون أن شركة إيه إم دي أو غيرها من المنافسين سيطرحون رقاقاتٍ جديدةً. المعالجات السريعة وظهور المعالجات المتخصّصة انعكس تطور في صناعة أشباه الموصلات على طريقة تصنيع المعالجات فأصبح لدينا معالجات سريعة جدًا، وكلّ سنة تتضاعف هذه السرعة بفضل قانون مور، بالإضافة إلى ذلك أدى ظهور وحدات معالجة الرسوميات (GPU) إلى تعظيم عمل البرامج على المعالجة المتوازية مما أعطى سرعة أكبر على تنفيذ خوارزميات الذكاء الاصطناعي، وكان التنافس بين شركتي نيفيديا (Nvidia) وشركة ATi المختصين في بناء بطاقات المعالجة الرسومية محتدًا جدًا في هذه الفترة، بل وازدادت كثيرًا في مطلع القرن الواحد والعشرين، وكان جهد كِلا الشركتين منصبًا على زيادة مميزات البطاقات الرسومية خاصتها من خلال زيادة قدرتها على المعالجة المتوازية، وإضافة مختلف المزايا الأخرى، وكان لهذه المنافسة فضل كبير على تسريع عجلة تطور الذكاء الاصطناعي. وشهد عام 2007 ظهور أول بطاقة معالجة رسوميات مخصصة للأغراض العامة والّتي استخدمت من أجل عمل أبحاث على البيانات الضخمة وفي مجال الذكاء الاصطناعي وتعلّم الآلة والتنقيب في البيانات، بالإضافة إلى ذلك تستخدم هذه البطاقات في يومنا الحالي في تعدين البتكوين. هل سبق وأن سمعت عن مزارع البتكوين؟. تطور طرق التخزين وظهور حلول التخزين السحابي لم يكن التطور الحاصل على مستوى رفع قوة المعالجة فقط، وإنما رافقه أيضًا تطورًا في طرق التخزين الموجودة ففي عام 1990 ظهر نوع جديد من الأقراص الصلبة بسعة تصل إلى 1.5 غيغابايت، ولم يكن هذا القرص الأول الّذي خرج إلى الساحة بل إن الأقراص الصلبة ظهرت منذ عام 1953، وطورت شركة ناسا في عام 1993 مكتبة تخزين كبيرة معتمدة على الأشرطة فقط تبلغ سعتها الإجمالية 1.2 تيرابايت، واستمر تطوّر السعات التخزينة بوَتيرة منخفضة إلى أن شهدنا انتشار شبكة الوِب الأمر الّذي دفع عجلة التطور للتقدم بسرعة كبيرة وبدأت تظهر آنذاك الحلول المتقدمة مثل الحلّ الّذي طرحته شركة أمازون للتخزين السحابي EC2، وخدمة التخزين البسيطة لأمازون (Amazon Simple Storage Service) وتدعى S3، وبذلك لم تعد سعة التخزين تشكل مشكلة كبيرة. انتشار شبكة الوِب عالميًا والبيانات الضخمة تزامنت بدايات القرن الواحد والعشرين مع انتشار شبكة الوِب (World Wide Web) انتشارًا عالميًا كبيرًا مما نتج عنه ظهور شركات ساعدت على تطويعه وتنظيمه (مثل: شركة أمازون وشركة غوغل) والّتي فتحت أفاقًا جديدة في طريقة تعامل الناس مع هذه الشبكة فأصبحت المعلومة بعيدة عنك بمقدار ضغطة زر واحدة كما احدثت تجارة جديدة سميت بالتجارة الإلكترونية. من الجدير بالذكر أنه عادة ما تختلط المفاهيم بالنسبة لعامة الناس بين مصطلحي الإنترنت والوِب لذا من الواجب علينا توضيح الفرق بينهم إذ أن الوب ما هو إلا طريقة للوصول وتبادل المعلومات عبر استخدام الإنترنت ومحركات البحث. و"الوِب" هو في الواقع تطبيق من تطبيقات الإنترنت مثل تطبيقات الدردشة الآنية والبريد الإلكتروني تمامًا. أي أنه مجرد خدمة من خدمات الإنترنت. ساعد هذا الانتشار الكبير على توليد بيانات كبيرة إذ قدرت كمية البيانات الّتي أُنشأت عام 2002 حوالي 5 إكسابايت (إكسابايت) وتقدر كمية البيانات المنشأة في وقتنا الحالي ب 33 زيتابايت (زيتابايت)، ويتوقع أن تنمو كمية البيانات المنشأة في عام 2025 إلى 175 زيتابايت. عودة اهتمام الباحثين في مجال الذكاء الاصطناعي والمجتمع ككُلّ من خلال المخطط الّذي استعرضنا فيه عدد تكرارات الكلمات الدلالية الخاصة بالذكاء الاصطناعي نلاحظ أن الزيادة الملحوظة في الاهتمام عادت من عام 2000 وليشهد المجال البحثي في هذا المجال أوج الاهتمام في عام 2005 الأمر الّذي ترافق مع تطور كبير في الخوارزميات فنلاحظ ظهور الخوارزمية التطورية وتطبيقاتها الكثيرة في مجالات عديدة والشبكات العصبية الاصطناعية وشبكات بايز وخوارزمية الدعم الآلي للمتجه. هل تذكر المشاكل الّتي عانى منها تطور الذكاء الاصطناعي؟ باختصار كانت أبرز المشاكل الأساسية هي: ضعف سرعة المعالجة الحاسوبية. ذاكرة التخزين المحدودة. عدم وجود كمية بيانات كافية. الخوارزميات الرياضية. لاحظ أن جميع المشاكل حُلّت بالفعل مع ذلك ظهرت العديد من المشاكل الأخرى، ولكن بالطبع ليست بضراوة المشاكل الأولى، ليشهد بذلك مجال الذكاء الاصطناعي صفحة جديدة في تاريخه وليعود بذلك إلى دائرة الضوء مرة أخرى، ولكن هذه المرة ستستمر طويلًا. ظهرت بعدها العديد من التطبيقات العملية مدعومة من تقنيات الذكاء الاصطناعي وتعلّم الآلة في المجالات الصناعية وتوالت الإنجازات والتطبيقات العملية تباعًا والتي ذكرنا بعضها في المقال السابق ومن بين أبرز الأحداث الّتي أحدثت ضجة آنذاك هو إعلان شركة نتفليكس (Netflix) في عام 2006 عن جائزة تبلغ قيمتها مليون دولار لكل من يستطيع أن يأتي بخوارزمية توصية لأقتراح الأفلام المناسبة على المشتركين بشرط أن تكون أفضل وأسرع من الخوارزمية الّتي لديهم. لم يكن إيجاد خوارزمية بهذه المواصفات مهمة سهلة أبدًا ولكن فريق صغير من علماء الحاسب في شركة AT&T اعتنق التحدي وعكف على إيجاد الخوارزمية المناسبة وتكللت محاولتهم بالنجاح ولكن تطلب الأمر منهم ثلاث سنوات كاملة! وبعدها انضمت جميع الشركات العملاقة مثل غوغل وفيسبوك إلى هذا المجال رسميًا الأمر الّذي شجع جميع الشركات الصغيرة الكبيرة الأخرى إلى التفكير جديًا في الأنضمام أيضًا ليصبح بذلك مجال الذكاء الاصطناعي مجالًا مزدهرًا وأساسيًا في أغلب شركات وادي السيليكون (Silicon Valley). الخلاصة بالطبع هنالك العديد من الأحداث الأخرى الّتي شاركت في تأسيس هذا المجال ولكننا حاولنا تسليط الضوء على أبرز المحطات الّتي شهدها مجال الذكاء الاصطناعي ومشتقاته مثل تعلم الآلة على مرّ السنوات، والآن بعد فهمنا إمكانياته وتطبيقاته وتاريخه الكامل نستطيع الآن الدخول فيه بخطوات واثقة وثابتة لمعرفته عن قرب وسبر أغواره بالمقالات الموالية. المراجع Analyzing the Prospect of an Approaching AI Winter A history of machine learning Timeline of Computer History كتاب الكون الرقمي: الثورة العالمية في الاتصالات - الفصل الثاني نظرة تأمُّلية لقانون مور اقرأ أيضًا تعلم الذكاء الاصطناعي المقال التالي: المفاهيم الأساسية لتعلم الآلة المقال السابق: الذكاء الاصطناعي: أهم الإنجازات والاختراعات وكيف أثرت في حياتنا اليومية إعداد شبكة عصبية صنعية وتدريبها للتعرف على الوجوه النسخة الكاملة لكتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة

تحذير: إضافة حديثة للغة هذه إضافة حديثة للغة. يمكنك العثور على الحالة الحالية للدعم من هنا. الأعداد الكبيرة BigInt هو متغيّر عدديّ خاص، يوفر دعمًا للأعداد الصحيحة ذات الطول العشوائي. تُنشأ الأعداد الكبيرة من خلال إلحاق الحرف n بنهاية العدد العادي، أو من خلال استدعاء الدالّة BigInt والّتي بدورها ستُنشئ عدد كبير من السلاسل أو الأعداد العادية وما إلى ذلك. const bigint = 1234567890123456789012345678901234567890n; const sameBigint = BigInt("1234567890123456789012345678901234567890"); const bigintFromNumber = BigInt(10); // ‫مشابه تمامًا للطريقة 10n المعاملات الرياضية عمومًا يمكننا استخدام العدد الكبير مثل العدد العادي، فمثلًا: alert(1n + 2n); // 3 alert(5n / 2n); // 2 الرجاء ملاحظة أن القسمة 5/2 تُعيد نتيجة مُقرّبة للصفر، بدون الجزء العشري. جميع العمليات على الأعداد الكبيرة ستُعيد أعداد كبيرة. لا يمكننا جمع الأعداد الكبيرة مع الأعداد العادية: alert(1n + 2); // ‫خطأ: لايمكننا جمع الأعداد الكبيرة مع الأعداد العادية يجب علينا تحويلها بطريقة واضحة إن لزم الأمر: باستخدام BigInt()‎ أو Number()‎، هكذا: let bigint = 1n; let number = 2; // تحويل عدد عادي إلى عدد كبير alert(bigint + BigInt(number)); // 3 // تحويل عدد كبير إلى عدد عادي alert(Number(bigint) + number); // 3 تكون عمليات التحويل صامتة دائمًا، ولا تخطئ أبدًا، ولكن إذا كانت الأعداد الكبيرة ذات حجم كبير جدًا بحيث لن تتناسب مع العدد العادي، فستُحذف البتات الإضافية من العدد الكبير، لذلك يجب أن نكون حذرين عند إجراء مثل هذه التحويلات. ملاحظة: معامل الجمع الأحادي لا يطبق على الأعداد الكبيرة المعامل ‎+value: هو طريقة معروفة لتحويل المتغير value إلى رقم. لا تدعم الأعداد الكبيرة هذه الطريقة لتجنب الفوضى: let bigint = 1n; alert( +bigint ); // خطأ لذلك يجب أن نستخدم Number()‎ لتحويل العدد الكبير إلى عدد عادي. عمليات الموازنة تعمل عمليات الموازنة، مثل: < و> مع الأعداد الكبيرة والعادية على حدٍ سواء: alert( 2n > 1n ); // true alert( 2n > 1 ); // true لاحظ أنه نظرًا لأن الأعداد العادية والأعداد الكبيرة تنتميان لأنواع مختلفة، فيمكن أن تكون متساوية ==، ولكن ليست متساوية تمامًا ===: alert( 1 == 1n ); // true alert( 1 === 1n ); // false العمليات المنطقية تتصرف الأعداد الكبيرة مثل الأعداد العادية عندما تكون fداخل الجملة الشرطية if أو أي عمليات منطقية الأخرى. فمثلًا، في الجملة الشرطية if أدناه، تكون قيمة 0n خاطئة، والقيم الأخرى صحيحة: if (0n) { // لن يُشغّل مطلقًا } تعمل المعاملات المنطقية مثل: || و&& وغيرهما مع الأعداد الكبيرة بطريقة مشابهة للأعداد العادية: alert( 1n || 2 ); // 1 (1n is considered truthy) alert( 0n || 2 ); // 2 (0n is considered falsy) ترقيع مشاكل نقص الدعم تعد عملية ترقيع الدعم للأعداد الكبيرة صعبة بعض الشيء. والسبب هو أن العديد من معاملات جافاسكربت، مثل: + و - وما إلى ذلك تتصرف بطريقة مختلفة مع الأعداد الكبيرة بالموازنة مع الأعداد العادية. فمثلًا، تُعيد عملية القسمة على الأعداد الكبيرة دائمًا أعداد كبيرة (وتقربها إن لزم الأمر). لتنفيذ مثل هذه السلوك عن طريق ترقيع نقص الدعم في هذه الحالة سنحتاج لتحليل الشيفرة واستبدال جميع هذه المعاملات بالدوالّ المناسبة. لكن القيام بذلك أمر مُرهق وسيُكون على حساب انخفاض الأداء. بالإضافة إلى ذلك لا يوجد طريقة شائعة ومعتمد بين مجتمع المطورين لترقيع نقص الدعم. على الرغم من ذلك، هنالك بعض المحاولات الجيدة لحل هذه المشكلة مثل المكتبة JSBI. تزودنا هذه المكتبة بالأعداد الكبيرة من خلال توابعها الخاصة. ويمكننا استخدامها بدلًا من الأعداد الكبيرة الأصيلة -بدون أي طريقة لترقيع لنقص الدعم-: العملية في مكتبة JSBI العملية في الأعداد الكبيرة الأصيلة العملية a = JSBI.BigInt(789)‎ a = BigInt(789)‎ إنشاء عدد كبير من عدد عادي c = JSBI.add(a, b)‎ c = a + b الجمع c = JSBI.subtract(a, b)‎ c = a - b الطرح ... ... ... … ثم نستخدم لترقيع الدعم ملحقات إضافية (مثل الملحق الإضافي Babel) وذلك لتحويل استدعاءات المكتبة JSBI إلى الأعداد الكبيرة الأصيلة للمتصفحات التي تدعمها. بتعبير آخر، يقترح هذا النهج أن نكتب الشيفرة في JSBI بدلًا من الأعداد الكبيرة الأصيلة. وتتعامل مكتبة JSBI مع الأعداد العادية والأعداد الكبيرة داخليًا، إذ تحاكي طريقة الاستخدام الصحيحة باتباع المواصفات عن كثب، لذلك ستكون الشيفرة جاهزة للتعامل مع الأعداد الكبيرة. يمكننا استخدام شيفرة البرمجية للمكتبة JSBI على حالها للمحركات التي لا تدعم الأعداد الكبيرة والّتي تدعمها على حدٍ سواء - إذ ستُرقع نقص الدعم بتحويل الاستدعاءات إلى الأعداد الكبيرة الأصيلة. المصادر موقع مطوري موزيلا MDN. المواصفات القياسية للمتغيّر. ترجمة -وبتصرف- للفصل BigInt من كتاب The JavaScript language table { width: 100%; } thead { vertical-align: middle; text-align: center; } td, th { border: 1px solid #dddddd; text-align: right; padding: 8px; text-align: inherit; } tr:nth-child(even) { background-color: #dddddd; }

مفهوم Currying هو تقنية متقدمة للعمل مع الدوالّ. يستخدم في العديد من اللغات البرمجية الأخرى من بينهم جافاسكربت. Currying عبارة عن طريقة لتحويل الدوالّ التي تقيم الدالّة ذات الاستدعاء-أكثر من وسيط- f (a، b، c)‎ لتصبح قابلة للاستدعاء -بوسيط واحد- هكذا f(a)(b)(c)‎. تحول تقنية Currying الدالّة فقط ولا تستدعها. لنرى في البداية مثالًا، لفهم ما نتحدث عنه فهمًا أفضل، وبعدها ننتقل للتطبيقات العملية. سننشئ دالة مساعدة باسم curry (f)‎ والتي ستُنفذّ تقنية Currying على الدالّة f التي تقبل وسيطين. بتعبير آخر، تحول الدالة curry(f)‎ الدالّة f(a, b)‎ ذات الوسيطين إلى دالة تعمل كوسيط واحدf(a)(b)‎: function curry(f) { // ‫الدالة curry(f)‎ هي من ستُنفذّ تحويل currying return function(a) { return function(b) { return f(a, b); }; }; } // طريقة الاستخدام function sum(a, b) { return a + b; } let curriedSum = curry(sum); alert( curriedSum(1)(2) ); // 3 كما نرى، فإن التنفيذ بسيط: إنه مجرد مغلفين للوسطاء. نتيجة curry(func)‎ هي دالة مغلّفة function(a)‎. عندما تسمى هكذا curriedSum(1)‎، تُحفظ الوسطاء في البيئة اللغوية للجافاسكربت (وهي نوع مواصفات اللغة تستخدم لتعريف ارتباط المعرّفات بالمتغيّرات والدوالّ المحددة وذلك بناءً على بنية الترابط اللغوية في شيفرة ECMAScript)، وتعيد غلاف جديد function(b)‎. ثمّ يُسمى هذا المغلّف باسم 2 نسبةً لوسطائه، ويُمرّر الاستدعاء إلى الدالّة sum(a,b)‎ الأصليّة. من الأمثلة المتقدمة باستخدام تقنية currying هو _curry من مكتبة Lodash، والتي تُعيد غِلافًا الّذي يسمح باستدعاء الدالّة طبيعيًا وجزئيًا: function sum(a, b) { return a + b; } let curriedSum = _.curry(sum); // ‫استخدام ‎_.curry من مكتبة lodash alert( curriedSum(1, 2) ); // ‫النتيجة: 3، لايزال بإمكاننا استدعاؤه طبيعيًا alert( curriedSum(1)(2) ); // ‫النتيجة: 3، الاستدعاء الجزئي لماذا نحتاج لتقنية currying؟ لابد لنا من مثالٍ واقعي لفهم فوائد هذه التقنية. مثلًا، ليكن لدينا دالّة التسجيل log(date, importance, message)‎ والّتي ستُنسّق المعلومات وتعرضها. مثل هذه الدوالّ مفيدة جدًا في المشاريع الحقيقة مثل: إرسال السجلات عبر الشبكة، في مثالنا سنستخدم فقط alert: function log(date, importance, message) { alert(`[${date.getHours()}:${date.getMinutes()}] [${importance}] ${message}`); } لنُنفذ تقنية currying عليها! log = _.curry(log); بعد ذلك ستعمل دالّة log وفق المطلوب: log(new Date(), "DEBUG", "some debug"); // log(a, b, c) … ولكنها تعمل أيضًا بعد تحويلها بتقنية currying: log(new Date())("DEBUG")("some debug"); // log(a)(b)(c) الآن يمكننا بسهولة إنشاء دالّة مناسبة للسجلات الحالية: // ‫logNow سيكون دالة جزئية من log مع وسيط أول ثابت let logNow = log(new Date()); // استخدامه logNow("INFO", "message"); // [HH:mm] INFO message الآن logNow هو نفس الدالة log بوسيط أول ثابت، بمعنى آخر "دالّة مطبقة جزئيًا" أو "جزئية" للاختصار. يمكننا المضي قدمًا وإنشاء دالّة مناسبة لسجلات تصحيح الأخطاء الحالية: let debugNow = logNow("DEBUG"); debugNow("message"); // [HH:mm] DEBUG message إذا: لم نفقد أي شيء بعد التحويل بتقنية currying: ولا يزال يمكننا أيضًا استدعاء الدالّة log طبيعيًا. يمكننا بسهولة إنشاء دوالّ جزئية مثل: سجلات اليوم. الاستخدام المتقدم لتقنية currying في حالة رغبتك في الدخول في التفاصيل، إليك طريقة الاستخدام المتقدمة لتقنية currying للدوال ذات الوسطاء المتعددة والّتي يمكننا استخدامها أعلاه. وهي مختصرة جدًا: function curry(func) { return function curried(...args) { if (args.length >= func.length) { return func.apply(this, args); } else { return function(...args2) { return curried.apply(this, args.concat(args2)); } } }; } إليك مثالًا لطريقة استخدامه: function sum(a, b, c) { return a + b + c; } let curriedSum = curry(sum); alert( curriedSum(1, 2, 3) ); // 6, still callable normally alert( curriedSum(1)(2,3) ); // 6, currying of 1st arg alert( curriedSum(1)(2)(3) ); // 6, full currying تبدو تقنية currying للوهلة الأولى معقدةً، ولكنها في الحقيقة سهلة الفهم جدًا. نتيجة استدعاء curry(func)‎ هي دالّة مُغلّفة curried والّتي تبدو هكذا: // func is the function to transform function curried(...args) { if (args.length >= func.length) { // (1) return func.apply(this, args); } else { return function pass(...args2) { // (2) return curried.apply(this, args.concat(args2)); } } }; عند تشغيله، هناك فرعين للتنفيذ من الجملة الشرطية if: سيكون الاستدعاء الآن هكذا: إن كان عدد الوسطاء args المُمرّرة هو نفس العدد الدالة الأصليّة المعرّفة لدينا (func.length) أو أكثر، عندها نمرّر الاستدعاء له فقط. وإلا سيكون الاستدعاء جزئيًا: لم تُستدعى الدالّة func بعد. وإنما أعيد بدلًا منها دالّة المغلِّفة أخرى pass، والتي ستُعيد تطبيق الدالة curried مع تقديم الوسطاء السابقين مع الوسطاء الجدد. وثمّ في استدعاء الجديد سنحصل إما على دالة جزئية جديدة (إن لم يكُ عدد الوسطاء كافي) أو النتيجة النهائية. لنرى مثلًا ما يحدث في حال الاستدعاء الدالة هكذا sum(a, b, c)‎. أي بثلاث وسطاء، وبذلك يكون sum.length = 3. عند استدعاء curried(1)(2)(3)‎: الاستدعاء الأول curried (1)‎ تحفظ 1 في بيئته اللغوية، ويُعيد دالّة المغلف pass. يُستدعى المغلّف pass مع الوسيط المُمرّر (2): إذ يأخذ الوسطاء السابقين (1)، ويدمجهم مع الوسيط الذي حصل عليه وهو (2) ويستدعي الدالّة curried(1, 2)‎ مع استخدام جميع ما حصل عليه من وسطاء. وبما أن عدد الوسطاء لا يزال أقل من 3 ، فإن الدالّة curry ستُعيد الدالّة pass. يُستدعى المغلّف pass مرة أخرى مع الوسيط المُمرّر (3): ومن أجل الاستدعاء التالي pass (3)‎ سيأخذ الوسطاء السابقين (1, 2) ويضيف لهم الوسيط 3، ليكون الاستدعاء هكذا curried(1, 2, 3)‎- أخيرًا لدينا ثلاث وسطاء، والّذين سيمرّروا للدالّة الأصلية. إذا لم تتوضح الفكرة حتى الآن ، فما عليك إلا تتبع تسلسل الاستدعاءات في عقلك أو على الورقة وستتوضح الأمور أكثر. ملاحظة: تعمل مع الدوالّ ثابتة الطول فقط يجب أن يكون للدالّة عدد ثابت من الوسطاء لتطبيق تقنية currying. إن استخدمت دالّةّ ما معاملات البقية، مثل: f(...args)‎، فلا يمكن معالجتها بهذه التقنية. ملاحظة: أكثر بقليل من مجرد تقنية تحويل انطلاقًا من التعريف، يجب على تقنية currying تحويل الدالّة sum(a, b, c)‎ إلى sum(a)(b)(c)‎. لكن غالبية تطبيقات هذه التقنية في جافاسكربت متقدمة، وكما وضحنا سابقًا: فهي تحافظ على الدالّة قابلة للاستدعاء بعدة تنويعات للوسطاء المُمرّرة. خلاصة تقنية Currying هو عملية تحويل تجعل f(a,b,c)‎ قابلة للاستدعاء كـ f(a)(b)(c)‎. عادةً ما تحافظ تطبيقات الجافاسكربت على الدوالّ بحيث تكون قابلة للاستدعاء بالشكل الطبيعي أو الجزئي إن كان عدد الوسطاء غير كافٍ. كما تسمح لنا هذه التقنية أيضًا بالحصول على دوالّ جزئية بسهولة. كما رأينا في مثال التسجيل، بعد تنفيذ هذه التقنية على الدالّة العالمية ذات الثلاث وسطاء log(date, importance, message)‎ فإن ذلك سيمنحنا دوالّ جزئية عند استدعاؤها باستخدام وسيط واحد (هكذا log(date)‎) أو وسيطين (هكذا log(date, importance)‎). ترجمة -وبتصرف- للفصل Currying من كتاب The JavaScript language

هذا المقال جزء من سلسلة «مدخل إلى الذكاء الاصطناعي»: الذكاء الاصطناعي: أهم الإنجازات والاختراعات وكيف أثرت في حياتنا اليومية الذكاء الاصطناعي: مراحل البدء والتطور والأسس التي نشأ عليها المفاهيم الأساسية لتعلم الآلة تعلم الآلة: التحديات الرئيسية وكيفية التوسع في المجال يمكنك قراءة السلسلة على شكل كتاب إلكتروني بالانتقال إلى صفحة الكتاب، مدخل إلى الذكاء الاصطناعي وتعلم الآلة. لا يكاد يمضي يوم إلا ونسمع فيه ظهور اختراع جديد من هنا، وقفزة علمية من هناك، أمسى عالم الذكاء الاصطناعي والآلات المتثِّملة بالتكنولوجيا عنصرًا أساسيًا في حياتنا تُشاركنا يومياتنا وتساعدنا في معظم أعمالنا ومهامنا سواء السهلة منها أو الصعبة بل أصبحت جزءًا لا يتجزّأ من شخصيتنا وذواتنا إلى درجة أنه يصعب علينا تخيل الحياة من دونها. لم يقتصر الأمر على ذلك فقط، وإنما تعدى الأمر لأبعد من ذلك بكثير إذ أضحت هذه التكنولوجيا تعرِفُ عنا أضعاف ما نعرفهُ عنها. وفي حضرة هذا الإنغماس التقني تتلاشى حدود الخصوصية، وتتكسر جدارن التفرّد الإنساني بقوة أمواج التطفل التكنولوجي، مُمثّلة بتطبيقات مثل فيسبوك وغوغل -وما شابهها- تراها من وجهها المُعلن مفيدة ولطيفة إلا أن لها وجهًا مخفيًا آخر يصعب تصديقه. لتتحول بذلك جميع معلوماتنا وصورنا واهتماماتنا وقائمة أصدقائنا لمجرد قيم رقمية محصورة بين الصفر أو الواحد! ولكن دعونا لا نركز على الجوانب السلبية فقط ولنأخذ نصف الكأس الممتلئة، فمن المعيب أن نحسب كل تقنية علينا هي عدوٌ محتمل أو براثن احتلال فكري أو اقتصادي وما إلى ذلك. وهنا ستطفوا أسئلة لا يمكننا التغاضي عنها أو تجاوزها. من بين هذه الأسئلة، هل استطعنا حقًا الاستفادة من كلّ هذه التكنولوجيا؟ هل طغت الجوانب السلبية للتكنولوجيا على جوانبها الإيجابية؟ وإلى أي مدى استطاعت هذه التكنولوجيا أن تساعدنا؟ وهل يمكن للآلة أن تزيد من ذكائها بما يُعرفٌ بتقنيات الذكاء الاصطناعي وتعلّم الآلة وما إلى ذلك من هذه المصطلحات الرنانة؟ بل السؤال الأهم هنا هل حقًا يمكننا بناء الثقة في قراراتها واستنتاجاتها؟ أم أن الآلة هي الأخر تخطئ مثلما يخطئ أي إنسان؟ وأخيرًا هل نحن نشهد حاليًا إتحاد قوة الآلات مع الإنسان في أبهى حلّة لتشكيل ما يُعرفُ في بعض الأفلام سايبورغ؟ أم أننا نشهد تجريد الإنسان من خصوصيته وبعضًا من حقوقه الأساسية وتخميد أفكاره وتهميشها وجعلها مجرد منشور عابر تتحكم فيه خوارزميةٌ ماديةٌ بحتة تُعلي من قيمة الإعجاب أو التعليق أكثر من قيمة المنشور بحد ذاته أو الفكرة الكامنة وراءه؟ في الحقيقة وعلى الرغم من كثرة الأخطار المترتبة على خصوصية الفرد بكلّ تقنية جديدة، إلا أنه لا بدّ لنا بأن نعترف أن لهذه التكنولوجيا فضلًا كبيرًا في تطور الكثير من المجالات والعلوم المادية والنظرية وأثرها الّذي سيمتدُ لأجيال وأجيال وتحقيقها لأشياءً كثيرة لم نكن لنحلم بها أو نتخيّلها من قبل. ومع هذه المميزات الرائعة لا بد أن يكون لها وجه آخر وجهٌ سيء تتشارك به هذه التكنولوجيا مع كل الاختراعات القديمة كانت أو الحديثة وجهٌ نابع من الشرّ الإنساني الموجود فينا لبسطِ سيطرتنا ونفوذنا على أقراننا من البشر، وما هذه التكنولوجيا أو التقنيات الحديثة إلا مجرد أدوات جديدة بإمكانيات مذهلة نستطيع من خلالها خدمة البشرية أو تدميرها، وأما هي بحد ذاتها فليس لها أي نية خبيثة للنيل منا أو للسيطرة علينا ففي نهاية المطاف نحن من برمجناها! وفي إطار سعينا للاستفادة بأكبر قدرٍ من الإمكان من أي تقنيةٍ أو اختراعٍ جديد سنتجاهلُ الجانب السلبي وسنحاول التركيز فقط على الجانب الإيجابي. ولذلك سنسلطُ الضوء في هذه السلسلة على فرع جديد -نسبيًا-من العلوم الحديثة ألا وهو الذكاء الاصطناعي وتحديدًا تعلّم الآلة لما له من فوائد كبيرة وإمكانيات هائلة ومذهلة، والّتي شهِدناها في السنوات السابقة وسنشهدُ حتمًا أكثر منها في السنوات اللاحقة. ولكي لا نُطيل في المقدمات إليكم أهم التطبيقات الإنجازات العلمية والعملية للذكاء الاصطناعي وتعلّم الآلة وكيف لهذه التقنيات أن تساعدنا في مجالات حياتنا اليومية. جدول المحتويات إنجازات الذكاء الاصطناعي في مجال مهام الحياة اليومية اكتشاف الكائنات في الصور الترجمة بين اللغات باستخدام الذكاء الاصطناعي التحدث بصوت خام وحقيقي التعرف على المشاعر من خلال الصوت التعرف على المشاعر من خلال الصور اختيار جزء من فقرة تجيب على سؤالك إنجازات الذكاء الاصطناعي في مجال السفر والتجوال تصفح خريطة مترو أنفاق لندن قدرة الآلة على قيادة سيارة بالاستعانة تطيير طائرات الدرون باستخدام الذكاء الاصطناعي توقع ازدحام مواقف السيارات بحسب المنطقة إنجازات الذكاء الاصطناعي في المجال الطبي والخدمات الصحية تقنية جديدة تمكن البكم من الكلام تزويد المكفوفين بأعين اصطناعية التعرف على اعتلال الشبكية السكري (سبب رئيسي للعمى) من صور الشبكية الكشف عن أمراض السرطان بالاستعانة بالذكاء الاصطناعي تصنيع أدوية جديدة بالكامل بالاعتماد فقط على الذكاء الاصطناعي تتبع حالتك الصحية وأنت في المنزل بتقنيات الذكاء الاصطناعي لا حدود لإمكانيات الذكاء الاصطناعي الخلاصة دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن إنجازات الذكاء الاصطناعي في مجال مهام الحياة اليومية اكتشاف الكائنات في الصور لطالما شاهدنا السباق المتسارع بين الشركات على أتمتة مهامها وخطوط انتاجها في سعي حثيث منها للاعتماد على الآلة بدلًا من البشر نظرًا للفوائد الكبيرة الّتي ستجنيها من هذا الاعتماد، إذ لا تتطلب الآلة زيادة أجر سنوية، ولا تتذمر من كثرة العمل الإضافي، بل مع كلّ ذلك تستمر بالحفاظ على جودة الإنتاج ودقته، وكلّ متطلبات هذه الآلات جرّاء ما تقدمه هو عملية صيانة دورية بسيطة لتستمر فيها بخدمة تلك الشركات. إنها حقًا الموظف المثالي الّذي يحلم به جميع اصحاب المشاريع. إلا أن الدور الّذي تقدمه هذه الآلات بسيط للغاية، ويعود السبب في ذلك لقصورها من عدة نواحي إذ لا يمكنها فهم أو تمييز ما تراه، ولا تستطيع أن تتخذ قرار من تلقاء نفسها بناءً على ما رأته، عدا عن الأسباب الأخرى التي لا حصر لها الّتي تساعد على تشكل الوعي لدى هذه الآلة، وقد لاحظ كثير من الباحثين أنه إذا أردنا أن نؤتمت مهامًا كثيرة لا بد لنا من تطوير النظام البصري الخاص بالآلات (والّذي يعرف حاليًا بالرؤية الحاسوبية). شهد مجال الرؤية الحاسوبية (computer vision) كثيرًا من التطورات النوعية كما أضاف الذكاء الاصطناعي المزيد على هذا التطور كان من أبرزها أمكانيته في أكتشاف الكائنات في الصور، أي أن تجعل الآلات قادرة على معرفة ماهيّةَ ما تشاهده. إنه في الحقيقة لشيئ رائع لأننا نستطيع بذلك معرفة تصرفات هذا الكائن، وهل يقوى هذا الكائن الّذي تراه الآلة على الحركة أم أنه مجرد شجرة؟ أم أنه إنسان يستطيع الحركة؟ أم أنه مجرد آلة آخرى؟ وهنا لا بدّ لنا من تغيير تسمية الآلة إلى روبوت -إنسان آلي- وذلك بسبب كمية الحواس البشرية الّتي استطعنا تزويده بها فلذلك استحق هذه التسمية عن جدارة. ولكن كيف سيستطيعُ هذا الروبوت أن يعرف أن أمامه إنسان وهو يراه مجرد بكسلات تحوي قيم لونية معينة؟ فأين يبدأ جسم الكائن بين كلّ هذه البكسلات وأين ينتهي؟ ولنفرض أننا استطعنا أن نجعل الروبوت يتعرف على هذا الكائن؟ ماذا لو غيرنا حجم الصورة المدروسة أو ألوانها أو درجة حتى درجة سطوعها هل يا تُرى سيستمرُ هذا الروبوت في تمييز هذا الكائن أم لا؟ تعتمد معظم أنظمة اكتشاف الكائنات في الصور على الشبكات العصبية الاصطناعية والّتي تحتوي على الكثير من الطبقات الداخلية المخفية، وتختص كلّ طبقة من هذه الطبقات بمهمة معينة، فمثلًا تختص الطبقة الأولى بتحديد الحواف والهياكل الهندسية الخارجية للكائن، ومن ثمّ تُمرّرُ هذه الطبقة نتائجها إلى الطبقة التالية، والّتي تعمل على مستوى آخر من التفاصيل، مثل أن تكون مختصة بتحديد الألوان والتدرجات اللونية ومقارنتها بما تعلمته وما تدربت عليه سابقًا، ومن ثمّ تُمرّرُ هي الأخرى نتائجها إلى الطبقة التالية، وهكذا دواليك إلى أن تكتمل المعلومات الخاصة بالصورة، ويصل النظام إلى نتيجة نهائية مع الطبقة الأخيرة، وبذلك يستطيع تحديد ما هو الكائن الموجود في الصورة بدقة معينة. كانت شركة مايكوسوفت من أوائل الشركات الّتي دخلت هذا المجال وأنجزت فيه ولكن ما لبثت إلى أن لحقتها جميع الشركات، بل وبعض الشركات سبقتها بمراحل مثل شركة فيسبوك. في يومنا الحالي لا يكاد يخلو أي روبوت من منظومة الرؤية الحاسوبية بمختلف تطبيقاتها، من بينها نظام اكتشاف الكائنات، ولم يقتصر الأمر على ذلك فحسب بل وأصبحت نظامًا مدمجًا بالكاميرات الحديثة في الهواتف النّقالة لننتقل بذلك إلى خطوة جديدة متقدمة في عالم الرؤية الحاسوبية ومزيدًا من الإمكانيات للروبوتات والذي سيؤدي في نهاية المطاف إلى كثرة الاعتماد عليها مستقبلًا. الترجمة بين اللغات باستخدام الذكاء الاصطناعي لطالما كان نقل المعرفة من لغة إلى أخرى عملية شاقة ومجهدة، وتحتاج إلى جيوش من المترجمين والمدققين والكتّاب أيضًا، ولطالما كان حاجز اللغة هو الحاجز الأساسي الموجود في جسر التواصل بين الشعوب، بل وغالبًا ما يرتبط عدد اللغات المحكية في دولةٍ ما بمستوى انغلاق ثقافة هذه الدولة أو انفتاحها. ولطالما حاولت بعض الشركات مثل غوغل وفيسبوك في تطوير أنظمة الترجمة في إطار سعيها لهدم هذا الحاجز، إلا أن معظم هذه المحاولات كانت خجولة ولا ترتقي إلى الترجمة البشرية. ولكن هذا الحال لم يدم طويلًا فمع تقدم الذكاء الاصطناعي وإمكانياته غير المحدودة فكان لا بد من هذه الشركات من إعادة النظر في الحلول أُتيحت من خلال الذكاء الاصطناعي ومحاولة تعظيم الاستفادة منها. وفعلًا كان ذلك، بفضل طريقة التعلّم العميق (Deep Learning) -وهي جزء من طرق تطبيق الذكاء الاصطناعي- إذ أحدثت هذه الطريقة نقلة نوعية في الترجمة. ساهم تطبيق طرق التعلّم العميق في الترجمة الّتي تقدمها عملاقة الانترنت شركة غوغل (التابعة للشركة الأم ألفابت) في خفض معدل الخطأ بمقدار 60% بحسب تصريح الشركة. كما أوضحت أنها ستعتمدُ على هذه التقنية بالكامل في ترجمتها. أطلقَ عليه لاحقًا اسم نظام الترجمة الآلية العصبية (Neural Machine Translation system) ويدعى اختصارًا NMTS وصرح كوك لي -عالم حاسوب وأحد مطوري نظام NMTS - أن عمليات الدخل والخرج للنظام بأكمله تكون عبر شبكة عصبية واحدة. يتعلم هذا النظام الترجمة من خلال تحليل الترجمات الموجودة في خطابات الأمم المتحدة والبرلمان الأوروبي، وعند تمريرها عبر الشبكة العصبية تتعدل الاتصالات الموجودة بين الخلايا العصبية الاصطناعية بهدف تحسين الترجمة النهائية. وهي تحلل الجمل عن طريق تقسيم كلّ كلمة فيها إلى أجزاء مقطعية (أجزاء الكلمة باللغة الإنكليزية)، وتتحد هذه الأجزاء بطريقة ما داخل الشبكة العصبية مشكلةً المعنى، وهي طريقة مستمدة من طريقة اكتشاف الكائنات في الصور من خلال تقسيم الصورة لبكسلات وتحليل هذه البكسلات بطريقة معقدة جدًا لاستخراج ميزات معقدة (complex features) مثل الحواف والأنماط الهندسية وما إلى ذلك. يسلط هذا النجاح الضوء على أهمية تقنيات التعلّم العميق ونجاحه في مساعدتنا في التغلب على مشاكل أنظمة الترجمة الّتي عانينا منها لسنوات. ويعتقد شميد هوبر -عالم حاسوب في جامعة لوغانو- أن الآلات ستستطيعُ محاكاة طريقة البشر في الترجمة أو حتى هزيمتهم في حال تمكنها من الجمع بين المدخلات الحسية المختلفة، فمثلًا في المستقبل لن يرى الحاسوب جملة "سقطت القطة من الشجرة" وإنما سيُشاهد فيديوهات لقططٍ تسقط من الأشجار، وسيتحكمُ في روبوتات آلية آخرى يمكنها رؤية القطط وسماعها والشعور بالألم من خلال أجهزة استشعار الألم، لتنقل هذه التجارب إلى النظام ويعالجها ويربطها جميعًا بالنصوص المترجمة. التحدث بصوت خام وحقيقي إن السماح للأشخاص بالتحدث مع الآلات هو حلمٌ لطالما راودنا لكثير من الوقت حلمُ التفاعل بين الإنسان والحاسوب بالصوت. وعندما ظهرت قدرة الحواسيب على فهم الكلام الطبيعي من خلال استخدام الشبكات العصبية العميقة (مثل تقنية البحث من خلال الصوت في غوغل) أحدث ذلك ثورة في السنوات القليلة الماضية، إلا أن توليد الكلام من خلال الحاسوب (أو عملية تحويل النص إلى كلام والّتي يرمّز إليها عادةً TTS) لم يشهد تطورًا كبيرًا، وذلك بسبب ضعف قدرته على نقل المشاعر أثناء الكلام وهو من أجمل الميّزات التي يمكن للمرء أن يفكر بها عند سماعه لصوت طبيعي، وتكمن المشكلة في الاعتماد على توليد الكلام من خلال تقنية تحويل النص إلى كلام بطريقة تسلسلية، إذ تعتمد هذه التقنية على تسجيل قاعدة بيانات كبيرة جدًا من أجزاء الكلام القصيرة المكونة من وِحدة واحدة، وثمّ إعادة تركيبها لتكوين كلمات متكاملة مما سيُصعبُ مهمة تعديل الصوت بدون تسجيل قاعدة بيانات جديدة كاملة وهذا ما شكلّ مشكلة حقيقة في هذا التقنية. ولكن كان لشركة ديب مايند (المملوكة من قِبل شركة غوغل) رأي آخر، إذ استطاعت هذه الأخيرة من بناء نظام قادر على توليد صوت خام وحقيقي ليحاكي أي صوت بشري، وبذلك يكون الصوت الناتج عن هذا النظام أفضل من أفضل أنظمة تحويل النصوص إلى كلام (Text-to-Speech) الحالية. مما يقلل الفجوة بين أداء صوت الآلة والصوت الطبيعي بمقدار 50%. أن الطريقة التي اتبعتها شركة ديب مايند كانت أكثر تقدمًا من الطرق القديمة إذ اعتمدت على على نمذجة الصوت الخام، وهو أمر لطالما تجنبه الباحثون في هذا المجال بسبب سرعة تدفق الكلام (عادة 16000 عينة في الثانية أو أكثر). كما أنها اعتمد على الشبكات العصبية التلافيفية بالكامل (Fully Convolutional Neural Network). ومن أجل استخدام الصوت الذي يولده نظام WaveNet كان لا بد من تحويل النص إلى كلام، إذ تحول النصوص إلى سلسلة من الميّزات اللغوية والصوتية (الّتي تحتوي على معلومات حول الصوت الحالي، والمقطع اللفظي، والكلمة، وما إلى ذلك من مميزات الكلمات بحسب اللغة) وتدخلُ هذه المعلومات إلى نظام WaveNet. وبالتالي إن تنبؤات الشبكة ليست مشروطة فقط بالعينات الصوتية السابقة، وإنما بالنص الذي نريد أن تنطقه. كما أن هذا النظام استطاع توليد ميزات إضافية للصوت مثل: التنفس أثناء الحديث، ومحاكاة حركات الفم مما يعطي مرونة أكبر لنموذج الصوت الخام بل وحتى أيضًا يمكنه محاكاة اللهجات واللكنات والعواطف. يفتح نظام WaveNets الكثير من الفرص والأفكار حول طريقة استغلال هذه التقنية لتحقيق أقصى درجة من الأستفادة المالية للشركات الكبيرة وحتى للشركات الناشئة أيضًا، فمثلًا إن فكرة استبدال المعلقين الصوتيين (Voice Over) بنظرائهم الآليين ستكون فكرة رائعة ومستدامة ومستقرة أكثر من استئجار معلقيين بشريين، أو ميزة قراءة الأخبار لبعض الأشخاص الّذين يعانون من عسر القراءة أو للأشخاص المشغولين بقيادة السيارة أو للنساء المشغولات بالأعمال المنزلية، كما يمكننا استخدامها أيضًا لقراءة النصوص للأشخاص الّذين يتعلمون لغاتٍ جديدة ليحاكي طريقة النطق البشري مضيفًا بذلك سهولة ملحوظة برحلة التعلم ونقطة إضافية في رصيد هذا النظام. وبذلك سيفتحُ بابٌ جديدٌ للشركات بخفض تكاليفها، وزيادة شعبيتها، وتعظيم إيراداتها وهو الهدف الرئيسي والمشترك لكلّ الشركات. التعرف على المشاعر من خلال الصوت مع تزايد الأجهزة القابلة للارتداء وانتشار إنترنت الأشياء (Internet of Things)، وحقيقة أن الهواتف المحمولة أصبحت من الأمور الأساسية لكلّ شخص، والانتشار المتزايد لمختلف الأجهزة الأخرى الّتي تستطيع التواصل مع البشر من خلال الصوت، كالمساعدين الشخصيين في الهواتف مثل: المساعد الشخصي سيري (Siri) الخاص بأجهزة أبل، والمساعد الشخصي أليكسا (Alexa) الخاص بأجهزة أمازون، والمساعد الشخصي كورتانا (Cortana) الخاص بأجهزة مايكروسوفت، فكان لا بدّ من جعل الأنظمة الصوتية أذكى ليس فقط على مستوى فهم الكلام المنطوق فحسب؛ وإنما لفهم المشاعر المترابطة مع هذا الكلام لكي تستطيع تحليل ردات فعل من تتحدث معه وقياسها ومعرفة ما هو التصرف الصحيح المناسب لكلّ ردة فعل وبناء أنظمة ذكية تستفيد من ذلك. تسابقت العديد من الشركات للدخول في هذا المجال وكان أبرزها شركة Empath اليابانية وشركة أمازون الأمريكية وشركة Affectiva الأمريكية المنبثقة من معهد ماساتشوستس للتكنولوجيا، واستطاعت هذه الأخيرة إطلاق شبكة عصبية قادرة على تحليل الغضب من البيانات الصوتية في أقل من 1.2 ثانية متجاوزة بذلك قدرة البشر على إدراك الغضب من الصوت وسمي هذا النظام لاحقًا SoundNet. يعتمد هذا النظام على الشبكات العصبية التلافيفية بالكامل (Fully Convolutional Neural Networks) لتصنيف الأصوات من خلال تحليل التغيرات في تماثل الكلام ونبرة الصوت وإيقاعه وجودته لتمييز حالات الكلام والمشاعر وجنس المتكلم. إن العناصر الأساسية والمعيارية المتبعة في هذا النظام هو القدرة على تمكين التطبيقات والأجهزة لإدراك مشاعر البشر في الزمن الحقيقي (Real-time) للحدث. إن التطبيقات العملية كثيرة لمثل هذه الأنظمة إذ يمكنها مساعدتنا في اكتشاف العلامات المبكرة للخرف أو النوبات القلبية، وإمكانية جعل المساعدين الشخصيين أكثر جاذبية واستجابة بمعرفتها مشاعر للمتحدث، ومن خلال تعلم هذه الأنظمة من أخطائها ستضيف بذلك ميزة جميلة أرى في رصيد هذه الأنظمة، كما يمكن لهذه الأنظمة مساعدة مندوبي خدمة العملاء في معرفة مشاعر الزبائن بل إن شركة Empath اختبرت ذلك إذ نشرت خدماتها في مراكز خدمة العملاء (call centers) وصرحت الشركة بأنها خفّضت بهذه التقنية وقت العمل الإضافي للعاملين في المركز بمقدار 20% مع تعزيز معدل تحويل المبيعات (Sales Conversion) -والّذي يشير إلى معدل تحول الزوار أو العملاء المحتملين إلى عملاء حقيقيين- بمقدار يقارب 400%، كما أن شركة Empath دخلت في شراكة مع شركة الألعاب بوكو (Bocco) لإنشاء رسائل متحركة تفاعلية للكشف عن مشاعر اللاعبين الأطفال، كما دخلت نفس الشركة أيضًا في شراكة أخرى مع شركة Utaka لإنتاج مصباح يتدرج ألوانه بطريقة تتوافق مع المشاعر الأشخاص. على الرغم من هذا التقدم الحاصل في هذا المجال إلا أنه ماتزال الآلات تواجه صعوبة في الكشف عن المشاعر الحقيقية بدقة عالية ولم يرقَ أيّ نظام آلي إلى مستوى أداء المتخصصين البشر في اكتشاف جميع المشاعر الإنسانية، إلا أنه وبكل الأحوال مهما تكن الخطوة التالية لهذه التقنية فحتمًا ستكون مثمرة فوفقًا لدراسة نشرتها شركة الأبحاث Allied Market Research يمكن أن تصل قيمة هذا السوق إلى 33.9 مليار دولار على مستوى العالم في عام 2023 مدفوعًا بارتفاع شعبية الأجهزة المدارة بالصوت. التعرف على المشاعر من خلال الصور كانت الكاميرات لسنوات عديدة جزءًا من حياتنا وساعدتنا كثيرًا في مجال الحماية والآمن، ولا زالت حتى الآن تساعدنا. إذ يمكننا من خلالها مراقبة الموظفين في الشركة، ومراقبة المصانع لحمايتها من السارقين، ورصد المخالفات المرورية في الطرقات، ومراقبة المنزل أثناء غياب أصحابه، ومراقبة المدارس، والعديد من الأستخدامات الأخرى المفيدة جدًا لهذه التقنية، ولكن بعد بزوغ عصر الذكاء الاصطناعي لوحظ أن هذا المنجم الذهبي من المعلومات القادم من هذه الكاميرات والمتاح منذ عشرات السنين لم يستثمر على النحو الصحيح من أجل تحقيق أقصى استفادة منه، وهنا تضافرت الجهود لتعزيز دور تقنيات الذكاء الصنعي وتحديدًا تعلّم الآلة ولسد هذه الفجوة من خلال تحليل ما تشاهده هذه الآلات بنفسها واستخلاص المعلومات المفيدة والهامة، والتي نستطيع من خلالها دعم عملية اتخاذ القرار بالاعتماد على الأدلة المناسبة. وبما إن قدرة تعلّم الآلة تعدت عن كونها قادرة على اكتشاف الكائنات في الصور بل تجاوزت الحدود واصبحت قادرة على رصد مشاعر الناس. على الرغم من أنها ليست قادرة على رصد المشاعر بدقة ممتازة، إلا أن دقتها معقولة ومنطقية إذا اعتبرنا أنها مجرد البداية في هذا المجال "مجال اكتشاف ورصد المشاعر من خلال الصور"، تعتمد معظم هذه النظم في عملها على خوارزميات تتعرف على تفاصيل الوجه من العينين والحاجبين إلى الشفاه والعضلات المرتبطة بها ثم تنشئ خوارزمية قادرة على التنبؤ بما تعنيه تعابير الوجه المختلفة وذلك بحسب تفاصيل الوجوه الخاصة بكلّ عِرق معين. إذ تستطيع هذه الخوارزميات تعلم شعور الإنسان بالفرح من خلال مشاهدة ملايين الأشخاص يضحكون بطرق مختلفة ومع تحليل كلّ صورة من هذه الصور على حدة تستطيع هذه الخوارزميات أن تصل لاستنتاج قريب جدًا من الحقيقة، بل وأحيانًا تصل إلى الحقيقة الكاملة لمشاعر الشخص. نظام اكتشاف المشاعر أقوى وأدق ولا يحلل الصور فقط، وإنما جميع هذه المعلومات استخلصت من خلال تحليل الصور فقط فما بالك إذا كان النظام يحلل الصوت والصورة ليصبح بذلك مشهدًا متكاملًا لدى الخوارزميات تترابط فيه كلّ التفاصيل لنصل في نهاية الأمر لاستنتاجات أكثر دقة وموثوقية بمشاعر الفرح أو الحزن، والّتي استطعنا تحقيقها بفضل خوارزميات التعلم العميق. ولكن هل حدث ذلك فعلًا؟ هل استطاعت إحدى الشركات أن تطبق هذا الأمر؟ في الحقيقة نعم استطاعت تطبيقها وأيّما تطبيق فها هي الدكتور رنا القليوبي -حاصلة على دكتوراه علوم الحاسب من جامعة كامبريدج- تطلُ علينا بتأسيسها مع مجموعة من الأشخاص من معهد ماساتشوستس للتكنولوجيا شركة ناشئة سمتها أفكتيفا (Affectiva) والّتي تقدم خدمات الكشف عن المشاعر من خلال الصوت والصورة وهي من أول من سوّقت لمُصطلح الذكاء العاطفي الاصطناعي. تقيس أنظمة هذه الشركة تعابير الوجه غير المفلترة وغير المنحازة باستخدام مستشعر ضوئي أو بمجرد كاميرات وبِ قياسية، إذ تحدد في البداية جنس هذا الوجه سواء في الصور أو الفيديو وتحدد الخوارزميات المعتمدة بصورة رئيسية على مجال الرؤية الحاسوبية معالم الوجه الرئيسية، مثل: زوايا الحواجب وأطراف الأنف وزوايا الفم، ومن ثم تحلل خوارزميات التعلّم العميق وِحدات البكسل في الصور عند تلك المناطق لتصنيف تعابير الوجه ومعرفة ما هو الشعور الأنسب لهذا التعبيرات. وتقيس 7 أنواع فريدة للمشاعر وهي: الغضب والازدراء والاشمئزاز والخوف والفرح والحزن والمفاجأة. وتتدرب هذه الخوارزميات على قاعدة بيانات كبيرة جدًا تصل إلى 6 ملايين صورة من 87 دولة مُقدمةً بذلك مقاييس دقةٍ تصل إلى 90% بحسب التصريح الرسمي للشركة. وصلت قيمة الاستثمارات الحالية في الشركة إلى 26 مليون دولار مع تسجيل أكثر من 7 براءات اختراع غير أن هذه الشركة ليست الوحيدة في هذا المضمار وإنما هنالك العديد من الشركات الأخرى مثل: شركة إيموتينت (Emotient) والتي استحوذت عليها لاحقًا شركة آبل وشركة إنرسكوب (Innerscope) وهي الأخرى استحوذ عليها أيضًا من قِبل شركة نيلسن (Nielsen)، ويبقى هذا المجال واعدًا للعديد من شركات التسويق والدعاية لما له من فوائد جمّة وتطبيقات تعزز من قيمة الاعلانات وإمكانيات وصولها إلى الجمهور بالطريقة المُخطط لها. يمكنك الاطلاع على تطبيق عملي بسيط حول كيفية التعرف على الوجوه وملامحها وبعض خصائصها مثل العمر والمشاعر من مقال تصنيف الصور والتعرف على الوجه في مجال الذكاء الاصطناعي. اختيار جزء من فقرة تجيب على سؤالك عبر الذكاء الاصطناعي في ظل الزخم الهائل والمتواصل من المعلومات المنتشرة في جميع الأنواع من المواقع الموجودة على الإنترنت سواءً المواقع التعليمية أو المدونات أو حتى في مواقع التواصل الاجتماعي. وفي كثير من الأوقات نجد أن عملية البحث على المعلومة الصحيحة والدقيقة والمناسبة أصبح كمن يبحث عن إبرة في كومة من القش، وفي ظل هذا الكم الهائل من المعلومات تتلاشى أي قيمة للوقت فتصبح رحلة البحث عن إجابة لسؤال معين رحلة مليئة بمعلومات -لن نقول أنها ضارة ولكنها غير مفيدة في الوقت الحالي- وغالبًا ما نشاهد جميع المواقع تحاول بشتى الطرق تشتيت تركيزك وتشدك للانغماس في منجم المعلومات بل وهي تفهم تمامًا ما تحبه وتكرهه أكثر من معظم الأشخاص الّذين تعرفت عليهم خلال حياتك وذلك فقط من خلال خوارزمياتها (كما تفعل شركة فيسبوك). كما أنها تعرف بالضبط كيف تُشد إنتباهك وتحرك مشاعرك في محاولة منها لإشباع فضولك الّذي لا يعرف الشبع. وفي حضرة هذه الأحداث تتنامى الحاجة الملحة للإجابة على الأسئلة بأقصر مدة زمنية وبدقة عالية أو مقبولة وبسهولة معقولة وهنا جاءت شركة غوغل لتقدم لنا الحلول، ولتعطينا الإجابة المناسبة للسؤال على طبقٍ من ذهب. هل صدف وأن سألت محرك البحث غوغل عن أمر ما وجاءك بمقطع من مقالة معينة تجيبك عن هذا السؤال بالضبط؟ كيف حدث ذلك؟ هل وظفت شركة غوغل أحد الأشخاص ليُحدد ما هي الفقرة المناسبة التي تجيب سؤالك؟ بالتأكيد لا، إذًا كيف لها معرفة ذلك؟ ببساطة أنها من فِعلِ الشبكات العصبية الاصطناعية العميقة -وهي إحدى طرق تعلّم الآلة- إذ عمدت الشركة على عرض الإجابات المناسبة لك بدلًا من عرضها لنتائج ذاتُ صلة بالموضوع فقط. مختصرةً بذلك الوقت ومضيفة لها ميزة جديدة تزيد من إعجابك بها أكثر من ذي قبل. تعتمد هذه الطريقة على تدريب الشبكات العصبية الاصطناعية العميقة من خلال خوارزمية تدعى خوارزميات ضغط الجمل (Sentence Compression Algorithms). على الرغم من كون الإجابة عن الأسئلة المباشرة إجابة مباشرة ودقيقة من المهام السهلة -نسبيًا- على الإنسان إلا أن الأمر معقد جدًا من وجهة نظر الخوارزميات، إذ لا بدّ لها في البداية من فهم اللغة الطبيعية للسؤال فهمًا كاملًا بالإضافة إلى فهم الكلام الطبيعي العاميّ لإيجاد الرد المناسب مهما تغيّرت الصياغة. تتعلمُ الشبكات العصبية الاصطناعية من خلال التعلم الموجّه. إذ لا بدّ للبشر في البداية من تحديد كيف يمكن أن يُقتطع الجواب من مقال أو بحث معين، لتتشكل لاحقًا قاعدة بيانات لا بأس بها تعتمد عليها خوارزميات التعلّم الخاصة بالشبكات العصبية، لذا عمدت شركة غوغل على توظيف فريق من اللغويين (الّذين يسمونهم Pygmalion) قوامه أكثر من 100 لغوي من جميع أنحاء العالم يتحدثون أكثر من 30 لغة مختلفة، ويحاول هذا الفريق تصنيف أجزاء معينة من الكلام بطريقة دقيقة ليساعدوا الخوارزميات على فهم كيف تعمل اللغات البشرية من أجل أن تتمكن هذه الخوارزميات في نهاية المطاف من استخراج الأجوبة بمفردها، وهذا تمامًا ما تصبو إليه شركة غوغل وهو أن تجعل هذه الخوارزميات تعمل بمفردها أي بطريقة "التعلّم غير الموجّه". ولكن السؤال المشروع هنا ماذا لو أضيف هذه الميزة إلى جميع حقول البحث الموجودة ببعض المواقع الّتي نثق حقًا بجودة محتواها؟ بكل تأكيد ذلك سيعزز من محبة الناس لهذه المواقع وهذا بدوره سيُعزز شعبيتها وإجمالي إيراداتها في نهاية المطاف وهذا من أبرز التطبيقات لهذه الأنظمة. إنجازات الذكاء الاصطناعي في مجال السفر والتجوال تصفح خريطة مترو أنفاق لندن رأينا قدرة الذكاء الاصطناعي على تنفيذ مهام رائعة مثل التعرف على الصور والترجمة بين اللغات والتعرف على المشاعر ولكن ماذا عن قدرة الذكاء الاصطناعي في تمثيل العلاقات المعقدة بين البيانات أو المتغيرات والتي تتطلب قدرًا جيدًا من التفكير المنطقي مثل تعلّم كيفية التنقل عبر الخريطة في مترو أنفاق لندن، فهل يستطيع الذكاء الاصطناعي النجاح في هذه المهمة؟ كشفت شركة ديب مايند (DeepMind) المملوكة لشركة ألفابت (الشركة الأم لمحرك البحث لغوغل) في ورقة بحثية نشرتها أنها استطاعت التغلب على هذه العقبة من خلال بناء شبكة عصبية اصطناعية ذات ذاكرة خارجية، مستفيدةً بذلك من قدرة الشبكات العصبية على التعلم وتخزين هذا العلم الممثل بحقائق في الذاكرة لاستخدامه لاحقًا لتشكيل استنتاجات مثل خوارزميات البرمجة التقليدية تمامًا، وبذلك ستتمكن من التنقل في مترو أنفاق لندن باستخدام خريطة النفق وبدون أيّ معرفة مسبقة بها وبدون معرفة طريقة حلّ الألغاز المنطقية أيضًا. في الحقيقة إن حلّ هذه المشاكل سيكون مثيرًا للإعجاب لخوارزمية نظام هجين قادر على تحقيق ذلك وبدون أي قواعد محددة مسبقًا. يمكن لهذا النظام فهم خريطة لم ترها من قبل. إذ تتدرب هذه الشبكة العصبية على هياكل شبيهة بالخريطة بصورة عشوائية (والّتي يمكن أن تمثل محطات متصلة بخطوط وما شابه ذلك)، وذلك من أجل تعلّم كيفية تخزين أوصاف هذه العلاقات في ذاكرة الشبكة الخارجية، ومحاولة الإجابة على الأسئلة المتعلقة بها وفي حال عرض خريطة جديدة على النظام سيتمكن النظام من كتابة هذه العلاقات الجديدة (الاتصالات بين مترو الأنفاق) في الذاكرة واستدعائها لتخطيط الطريق. وصرح أليكس جريفز -عالم الحاسب والمؤلف المشارك في الورقة البحثية- أنه على الرغم من أن هذه التقنية أثبتت نفسها في حلّ المشاكل الاصطناعية فقط، إلا أنه يمكننا تطبيقها في المهام الواقعية الّتي تنطوي على عمليات استدلال من كميات هائلة من البيانات. كما يمكن أن يحلُّ هذا النظام الأسئلة الّتي لم تحدد إجاباتها بطريقة واضحة في مجموعة البيانات. إن هذه التقدم سيمنح قرارات أذكى بطريقة تنقلنا وذلك لأن الحاسب يستطيع ربط الكثير من المعلومات مع بعضها بعضًا وسيعرف تمامًا كيفية التنقل في المدن مع الحفاظ على توفير وقود أكثر في السيارة وهذا سيشكل ميزة من ميزات السيارات ذاتية القيادة والعديد من التطبيقات الأخرى المشابهة. قدرة الآلة على قيادة سيارة بالاستعانة بالذكاء الاصطناعي كم مرةً سمعنا عن حوادث سيارات سببها الرئيسي نوم السائق؟ أو سرعته؟ أو إنشغاله بالهاتف؟ هل تعلم بأن 1.24 مليون شخص حول العالم يموتون سنويًا بسبب أخطاء السائقين؟ ما ذنب هذا المواطن المسكين ليموت بسبب رعونة سائق؟ هل فعلًا يتسبب جهل السائقين بطرق المدينة وشوارعها بحدوث الازدحامات المرورية؟ هل تستطيع الآلة أن تقلل من نسبة الانبعاثات الكربونية الّتي تسببها المنظومة الحالية للمرور (أي الاعتماد على البشر في قيادة السيارات)؟ هل تعتقد بأن المبلغ الّذي تدفعه للتأمين على سيارتك كبيرًا جدًا؟ هل ستخفف السيارات ذاتية القيادة من استخدام الوقود الأحفوري؟ هل تعتقد بأن جميع هذه المشاكل التي ذكرناها يمكننا التغلب عليها باستخدام السيارات ذاتية القيادة؟ إذا كان جوابك لا على جميع الأسئلة السابقة فاسمح لي أن أخالفك الرأي وأبشّرك بأن هذا النظام المروري الواعد، والّذي سيعتمد في مجمله على السيارات ذاتية القيادة سيغير رأيك بالكامل حول كلّ مشاكل النظام الحالي. إن التطور السريع الّذي حدث لأنظمة الرؤية الحاسوبية، وزيادة قوة المعالجات على معالجة المعلومات في الصور بسرعات كبيرة كان له أثر كبير على مجالات حياتية عديدة، فها نحن نلاحظ كيف ساعد هذا التطور المجال الطبي سواءً في تشخيص الأمراض أو حتى في علاجها. والتطور الهائل الذي حصل في عالم الروبوتات كان أحد مسبباته هذا التطور، لم يتوقف الأمر إلى هذا الحد فحسب بل تعدى ليفتتح مجالات وأسواق جديدة مثل أسواق السيارات ذاتية القيادة. تسارعت معظم شركات السيارات إلى الدخول في تطوير هذا النوع من السيارات، من أبرزهم منهم شركة جنرال موتورز وتويوتا وآبل وغوغل وإنتل وأودي وبي أم دبليو وتسلا وأوبر وفورد، وغيرها الكثير من الشركات. تعتمد السيارات ذاتية القيادة على العديد من التقنيات مثل: خوارزميات رسم الخرائط والبيانات الّتي تحصل عليها من أجهزة الاستشعار الموصولة بها وأنظمة الرؤية المجسمة ونظام تحديد المواقع ونظام اكتشاف الكائنات في الصور. إن معظم هذه التقنيات -إن لم يكن جميعها- تعتمد على الذكاء الاصطناعي وتحديدًا تعلم الآلة، ونظرًا لاختلاف السيناريوهات الّتي تتدرب عليها السيارات ذاتية القيادة بين العالم الافتراضي والعالم الحقيقي تظهر حاجتنا إلى نظام يستطيع اتخاذ قرار عقلاني في اللحظة المناسبة اعتمادًا على خبراته القديمة، وهنا يتدخل الذكاء الاصطناعي ليكون همزة الوصل بين العالمين وليدفع عجلة تطوّر السيارات ذاتية القيادة إلى الأمام. من أبرز المتضررين من السيارات ذاتية القيادة هي شركات التأمين فمع قلة الحوادث المرورية لن تظهر الحاجة لتأمين السيارة، كما إن عدد سائقي الحافلات وسيارات الأجرة سينخفض كثيرًا بسبب هذا التغيّر في النظام المروري، بلغت الاستثمارات في هذا المجال خلال السنوات القليلة الماضية 16 مليار دولار كانت وراءها أكثر من 30 شركة عالمية، وإلى الآن مازالت تتزايد الاستثمارات في هذه التقنية، على الرغم من عدم وجود أي عوائد مالية مباشرة لهذه الاستثمارات، إلا أن هذه الشركات متفائلة جدًا من المستقبل. ومن يدري قد يأتي يوم وتثق بالسيارة ذاتية القيادة أكثر من ثقتك بسائق الحافلة لتوصيل ابنتك إلى المدرسة! تطيير طائرات الدرون باستخدام الذكاء الاصطناعي لطالما عانت عمليات البناء والتنقيب من أخطار كثيرة وفي كثير من الأحيان شكلت عملية التحقق من سير المشروع بنجاح تحديًا كبيرًا وخطيرًا بنفس الوقت إذ إن البناء ليس مكتملًا بعد، واحتمالية أن يظهر عيب ما في المشروع كبير جدًا، وبالتأكيد لا نريد أن نخاطر بأرواح المشرفين أو العمال القائمين على المشروع، كما إن عمليات التنقيب تحتوى هي الأخرى على نفس الكم من المخاطرة الشديدة بأرواح العاملين، وفي كِلا الحالتين لن نستطيع المراهنة على حياة المشرفين أو العمال بكلّ تأكيد، ونظرًا لكون المشروع جديد فليس لدينا خريطة ثلاثية الأبعاد نستطيع من خلالها تطييّر الطائرات بدون طيار مثل طائرات الدرون وإن مهمة التحكم المباشر فيها أثناء طيرانها -أي بالزمن الحقيقي- يحتاج لأناس ماهرين جدًا عدا عن صعوبة المترافقة عند اكتشاف أماكن فيها الإضاءة ضعيفة ومعتمة ولو توفر كلّ المقومات فلن تخلو هذه المهمة من الأخطاء البشرية، فما الّذي يجب علينا فعله في هذه النوع من الحالات؟ وماذا أيضًا عن الكوارث الطبيعية مثل الزلازل أو الأعاصير هل سنستطيع تطييّر طائرات الدرون يدويًا ومعرفة أماكن وجود الناجين وإنقاذ أرواحهم بأقصى سرعة؟ كشفت شركة Exyn عن برنامج جديد يعتمد على الذكاء الاصطناعي يستطيع تطييّر طائرات الدرون بمفردها في المناطق المظلمة وذات الطبيعة غير المستقرة وفي الأمكان الخارجة عن ميزة التعقب الجغرافي (GPS)، أي الطيران بمجال مجهول وبدون أي خريطة مساعدة سامحة بذلك للطائرات بخلق وعي خاص بها يُمكنُها من اتخاذ قرارات في الزمن الحقيقي، وصرح المؤسس الشركة فيجاي كومار -عالم الروبوتات المخضرم وعميد كلية الهندسة في جامعة بن- إن الذكاء الاصطناعي المستخدم لتطيير الطائرات بمفردها أكثر تعقيدًا من الذكاء المستخدم في السيارات ذاتية القيادة أو الروبوتات الأرضية وذلك عائدٌ على قدرة الطائرات على الطيران في جميع المسارات بالابعاد الثلاثة المتاحة على عكس السيارات، كما أن الطائرات لا تستطيع حمل بطاريات كبيرة لذا يجب أن تُعالجُ المعلومات بسرعة قبل نفاذ البطاريات ومعرفة الاتجاه الصحيح الواجب سلكه وبالطبع يمكننا أيضًا المعالجة باستخدام المعالجة السحابية لتجنب استهلاك البطارية. تعتمد هذه التقنية على بناء خريطة ثلاثية الأبعاد من خلال المعلومات الواردة من مستشعراتها في الزمن الحقيقي، وكلّما اكتشفت كائنًا جديدًا سواء حاجز اسمنتي أو أي كائن آخر، تُحدث خريطتها بما يتوافق مع ذلك لتحقيق هدف تحليقها الأساسي. مستفيدةً بذلك من مجال الذكاء الاصطناعي وتعلم الآلة في عمليات اتخاذ القرارات المناسبة بالاعتماد على الخبرات السابقة وبدون أي تدخل بشري، ويحاول الروبوت الإجابة على ثلاث أسئلة جوهرية قبل بدئها بأي عملية ملاحة جوية وهي: أين أنا في هذه البيئة المحيطة؟ أين الموقع الذي أحاول الذهاب إليه؟ كيف سأصل إلى هناك على النحو الأمثل؟ بعد محاولة الآلة الإجابة على هذه الأسئلة سيتضح لها الخطوة الأولى وتتعلم بعدها من المستشعرات والكاميرات لكي تستطيع اتخاذ القرار المناسب بما يتوافق مع سلوك الكائن الّذي أمامها. وتوفر هذه الشركة أيضًا البنية الهندسية لهذه التقنية لتستطيع تركيبها على نوع محدد من الطائرات لتجنب زيادة الحمل عليك بجعلك تدفع ثمن الطائرة أيضًا لذا فهي تصنف نفسها بأنها شركة برمجيات معتمدة على الذكاء الاصطناعي لتمكين الطائرات من الطيران بدون تدخل بشري. إن التطبيقات العملية لهذه التقنية مفيدة جدًا وفريدة من نوعها ولا بدّ بأنها ستجعل من العمليات الخطرة والصعبة أكثر أمانًا ودقة وموثوقية وستُضيف إنجازًا جديدًا يحققه الذكاء الاصطناعي. في الحقيقة وصلت إجمالي الاستثمارات الحالية في شركة Exyn إلى 16 مليون دولار وتحاول الشركة تعزيز وجودها أكثر بدخولها إلى إدخال هذا النوع الروبوتات في المخازن مما يفتح أفاقًا جديدة وفرص رائعة أمام هذه الشركة. توقع ازدحام مواقف السيارات بحسب المنطقة بعد أن أمضيت الكثير من الوقت في تجهيز نفسك للاجتماع المرتقب، وبعد أن حضرت جميع الأوراق والمستندات اللازمة أصبحت على تمام الاستعداد للذهاب للاجتماع، فتركب سيارتك الخاصة وتذهب لموقع الاجتماع وعندما تصل وتحاول ركن سيارتك في أقرب موقفٍ للسيارات تجده ممتلئ تمامًا، تحاول البحث عن موقف آخر، ولكنك لا تجد أي موقفٍ قريبٍ فارغ، فتمضي أكثر من ساعة كاملة في محاولتك للبحث عن موقف مناسب، ولكن تفشل جميع محاولاتك. هل هذا السيناريو مألوف بالنسبة لك؟ إن كنت من سكان المملكة المتحدة -أو أحد المدن ذات التعداد السكاني الكبير- فحتمًا أنك تواجه هذا السيناريو يوميًا، فوفقًا لموقع التلغراف يمضي السائق في المملكة المتحدة ما مجموعه 2549 ساعة في محاولة منه لإيجاد موقف للسيارة أي 106 يوم من الوقت الضائع! إنه حقًا وقت طويل لمهمة ركن السيارة. لاحظت شركة غوغل هذا الأمر وسارعت بإطلاق ميزة جديدة في تطبيق الخرائط خاصتها (Google Maps) تساعدنا على معرفة أماكن ازدحام مواقف السيارات في خطوة منها لمساعدتنا على التخطيط الأنسب لرحلاتنا. إن المنهجية التي تعتمد عليها هذه الميزة هي المساهمات الجماعية من قبل المستخدمين (Crowdsourced) وبعض خوارزميات تعلم الآلة البسيطة للمساعدة في تحديد صعوبة وجود موقف للسيارة. كما توفر هذه المنهجية دقةً أعلى من طريقة السابقة وهي من معلومات المتوفرة من عدد السيارات المتواجدة في المواقف والتي تكون متاحة على الإنترنت، لأنه غالبًا ما تقدم هذه الطريقة معلومات غير كاملة أو خاطئة بسبب المتنزهين غير القانونيين أو الأشخاص الّذين غادروا مبكرًا من أماكنهم. هذا النوع من المشاكل تجاوزتها المنهجية الجديدة الّتي اعتمدت عليها غوغل كما راقبت شركة غوغل حركة السيارات قبل عثورها على موقف فإذا دارت السيارات حول مواقع مواقف للسيارات فهذا يدل على أن المواقف مزدحمة، كما اعتمدت على موازنة الوقت المتوقع للوصول مع وقت توقف السيارة واستخدمت غوغل نموذج الانحدار اللوجستي (Logistic Regression) البسيط لتدريب الخوارزمية في إشارة -غير مباشرة- منها بأنه لا داعي لاستخدام الشبكات العصبية الاصطناعية في كلّ حالة وإنما يمكن للخوارزميات البسيطة أن تفي بالغرض في بعض المهام. لاحظت شركة غوغل بأن هذه الميزة أدت لزيادة كبيرة في النقرات على وضع النقل العام (transit travel) مما يشير إلى أن المستخدمين الذين لديهم معلومات إضافية حول صعوبة إيجاد موقف للسيارة كانوا أكثر ميلًا للتفكير في الذهاب بالمواصلات العامة بدلًا من الذهاب بسياراتهم الشخصية، وهذا بدوره يمكن أن يخفف مشكلة من مشاكل المرور ويساعد الناس في حفظ أوقاتهم المهدرة سدى. إنجازات الذكاء الاصطناعي في المجال الطبي والخدمات الصحية تقنية جديدة تمكن البكم من الكلام عانى المجال الطبي في زمن من الأزمان على كثير من المشاكل والتحديات، ودائمًا ما كانت القفزات النوعية في هذا المجال من أصعب القفزات لأنها تحتوي على مراهنة بأرواح بشرية وهذا ما يشكل عبءً مضاعفًا على كاهل الباحثين والمختصين، وعلى الرغم من التقدم الملحوظ الّذي شهده المجال في القرن التاسع عشر والعشرين إلا أنه كان للذكاء الاصطناعي دور مميز في تسريع عجلة تقدمه العلمي واختصار العديد من سنوات البحث والتجريب، لنستطلع الآن ما هي أبرز هذه الإنجازات الرائعة. في دراسة جديدة نشرتها جامعة كاليفورنيا-سان فرانسيسكو حول إمكانية إعطاء صوت للأشخاص الذين فقدوا قدرتهم على الكلام سواءً أكان سبب هذا الفقد إصابات في الدماغ أو بسبب الاضطرابات العصبية مثل: الصرع أو الزهايمر أو التصلب المتعدد أو باركنسون …إلخ. تعتمد هذه التقنية على استخدام الأقطاب الكهربائية والذكاء الاصطناعي لإنشاء جهاز يمكنه ترجمة إشارات الدماغ إلى كلام وبحسب الباحثين فقد يتمكن هؤلاء الأشخاص ليس من استعادة قدرتهم على الكلام فحسب وإنما سيتمكنون من نقل المشاعر المترافقة مع الكلام والتي تعكس شخصية المتحدث. عندما يحاول أي شخص الكلام يرسل الدماغ إشارات من القشرة الحركية إلى عضلات الفك والشفاه والحنجرة لتنسيق حركتها وإصدار الصوت المخصص لكلّ حرف من الحروف. ومن خلال قراءة البيانات المولّدة من الأقطاب الموصولة بهذه المراكز يمكن للخوارزميات المعتمدة على تعلّم الآلة من فهم الارتباط بين الإشارات العصبية والكلام المنطوق بطريقة تمكنها من الاستفادة من الإشارات وتحويلها لكلام منطوق. على الرغم من ذلك لا تزال هذه التقنية غير دقيقة بما يكفي لاستخدامها واعتمادها خارج المختبرات، كما أنها بطيئة أيضًا إذ أقصى سرعة للتحدث يمكن بلوغها هي 10 كلمات في الدقيقة بينما سرعة التكلم الطبيعية تكون 150 كلمة في الدقيقة في أقل تقدير. إلا أن المستقبل واعدٌ حتمًا لهذه التقينات ويمكن جدًا أن تصبح مشاكل عديدة من بينها مشكلة فقدان القدرة على الكلام شيئًا من الماضي. تزويد المكفوفين بأعين اصطناعية في آخر إحصائية أجرتها منظمة الصحة العالمية أعلنت فيها أن أعداد المكفوفين تقدر بأكثر من 39 ميلون شخص حول العالم، ومن بين أبرز المشاكل الّتي يعاني منها المكفوفين هي الصعوبة الكبيرة في التنقل والحركة بدون مرافق، ولكن الأمور تغيرت كثيرًا مع تطور أنظمة الرؤية الحاسوبية والذكاء الاصطناعي وبفضل إمكانية دمج أنظمة اكتشاف الكائنات في الصور والكثير من التقنيات الأخرى التي مكنت فريق بحثي من جامعة ميغيل هيرنانديز (University of Miguel Hernandez) من تطوير آلية جديدة للرؤية عبر إرسال إشارات الرؤية البصرية مباشرة إلى القشرة البصرية الموجودة في الدماغ. تعتمد هذه الطريقة على تسجيل الكاميرات ما تشاهده أمامها ومن ثم ترسله إلى الحاسب فيترجم الحاسب هذه المعلومات المرئية إلى نبضات كهربائية بالاعتماد على مجموعة معقدة من خوارزميات الذكاء الاصطناعي وتعلم الآلة لتُرسل أخيرًا إلى الدماغ عن طريق كابل متصل بمنفذ مباشر إلى الجمجمة ليحفز بدوره الغرسة الموجودة في القشرة البصرية في الدماغ. على الرغم من التعقيدات الموجودة في هذا النظام إلا أنه يعدّ قفزة نوعية، وتبلغ دقة الصورة التي تستطيع هذه التقنية تغذية الدماغ بها هي 10×10 بكسل. إلا أن أحد الباحثين في هذا المشروع وهو فيرنانديز يتصور إمكانية زرع 6 غرسات في الدماغ على كلّ جوانبه وبذلك سترتفع الدقة إلى 60×60 بكسل. من الجدير بالذكر أيضًا أن هذه التقنية لا تسمح للأشخاص المولودين بدون حاسة البصر باستعادة بصرهم وإنما فقط تسمح للناس الّذين فقدوا بصرهم بسبب مرض ما أو بسبب حادث معين. بالتأكيد إن هذا الحل لن يعوض الكفيف بصره بالمعنى الحرفي للكلمة، ولكن يعدّ هذا الحل خطوة كبيرة في تعزيز استقلالية المكفوفين وتمكينهم من استعادة جزء كبير مفقود من حياتهم. ولذلك يجب علينا أن نبقى متفأئلين من هذه الإمكانيات الجديدة للتكنولوجيا وأن نجهز أنفسنا ليس لشراء هذه التقنيات الجديدة فقط وإنما لنكون جزءًا من ماصطناعيها ومطوريها أيضًا. التعرف على اعتلال الشبكية السكري (سبب رئيسي للعمى) من صور الشبكية تعرفنا في الفقرة الماضية على طريقة جيدة لتعويض المكفوفين عن نظام الرؤية الخاص بهم، ولكن ماذا لو استطعنا أن نسبق المرض بخطوة، وأن نكتشفه ونعالجه قبل أن يتطور ويتسبب بفقدان المريض بصره بالكامل؟ ولكن مهلًا هل حقًا نستطيع فعل ذلك؟ نعم نستطيع فقط إذا كان سبب العمى هو مضاعفات مرض السكري أو التنكس (الضمور) البقعي المرتبط بالتقدم في العمر. وهذا الأخير يصيب أكثر من 25% من الأشخاص الذين تزيد أعمارهم عن 60 عامًا في أوروبا وما يصل إلى 11 مليون شخص في الولايات المتحدة الأمريكية. إذ أعلنت شركة ديب مايند عن تطويرها نظامًا يعتمد على الذكاء الاصطناعي قادر على التنبؤ بالتنكس البقعي والاعتلال في شبكية العين وذلك لأن كِلا المرضين يمكن تشخيصهما من خلال رؤية صور المسح ثلاثية الأبعاد الخاصة بالعين المريضة، وبما أن الذكاء الاصطناعي وتحديدًا تعلم الآلة ماهر جدًا في التعامل مع الصور بطريقة رائعة وسلسلة فإن أداؤه سيكون مقبولًا جدًا في هذا تشخيص مثل هذا النوع من الأمراض. في البداية يتدرب النموذج على العديد من الصور المشخصة بأن لديها هذه الأمراض ومن ثم يحاول أن يحدد بعض الميزات (features) الّتي ترتبط مع هذه الأمراض ومن ثم تُعرضُ صور جديدة لهذا النظام ليطبق عليها ما تعلمه من الصور السابقة ويستنتج فيما إذا كان المريض سيتعرض للتنكس البقعي خلال الأشهر الستة القادمة أم لا. وبهذا الانجاز تثبت شركة ألفابت أنها قادرة على تطوير أنظمة لا تكشف الفرق بين صور القطط والكلاب فحسب وإنما قادرة على تطويع مجال الذكاء الاصطناعي ليخدم مجال الطبي والرعاية الصحية في جميع تطبيقاته، ويأمل الباحثون في مجال الذكاء الاصطناعي في أن يساعد هذا التقدم العلمي على تسهيل العمليات الطبية وأتمتتها بأفضل طريقة للنهوض في مستوى الرعاية الصحية لأقصى حدّ ممكن في جميع دول العالم. الكشف عن أمراض السرطان بالاستعانة بالذكاء الاصطناعي يعدّ مرض السرطان من أكثر الأمراض فتكًا بين سائر الأمراض التي عانتها البشرية لأن انتشاره واسع ونسب الشفاء منه قليلة نسبيًا فبحسب إحصائية صدرت من مجلة أبحاث السرطان في المملكة المتحدة جاء فيها أن في عام 2018 شخصت أكثر من 17 مليون حالة في جميع أنحاء العالم توفي منهم حوالي 9.6 مليون حالة، وكما أشارت الإحصائية إلى أنه بحلول عام 2040 سيُكون كلّ عام حوالي 27.5 مليون حالة سرطان جديدة. تكمن خطورة هذا المرض في صعوبة التعرف عليه أو تشخيصه في مراحله الأولى، فهو لا يُظهرُ على جسم المريض أي أعراض في بدايته، ولا يُكتشفُ غالبًا إلا عندما تظهر أعراضٌ متقدمة أي في مراحل تطور المرض الأخيرة، وبعد فوات الأوان. كما أن الأعراض الخاصة بمرض السرطان بمختلف أنواعه تتشابه مع أعراض كثير من الأمراض الأخرى مما يضفي حاجزًا آخر يحول بيننا وبين الاكتشاف المبكر للسرطان. إلا أن هذه الأمور تغيرت كثيرًا بعد التقدم التكنولوجي، إذ يمكن للحواسيب تحليل كميات كبيرة من البيانات وبفضل الذكاء الاصطناعي استطعنا أن نستنتج الارتباطات والأنماط الخفية في البيانات ونحللها ونصنفها وهذا الأمر من المستحيل أن يحققه البشر مثلما تحققه خوارزميات تعلّم الآلة. كما يمكن اكتشاف الأنماط الخفية في صور الأشعة السينية أيضًا والّتي يمكن أن تكون غير مرئية للبشر نظرًا من إمكانية العين المتواضعة على تمييز الفروقات الصغيرة والدقيقة في الصور الشعاعية، كما أن خوارزميات تعلم الآلة قادرة أيضًا على معالجة العديد من هذه الأنماط، والأهم من ذلك قدرتها على تقليل نسبة الخطأ الّتي يمكن أن تحدث بسبب البشر. تعتمد هذه الطريقة في التشخيص على الشبكات العصبية الاصطناعية، إذ في البداية نزود هذه الشبكات بالصور لأشخاص مصابين بالسرطان وتبدأ الخوارزميات بتحليل وتصنيف الصور واكتشاف وتحديد الميّزات (features) فيها لمعرفة ماهيّة الصور الّتي يكون أصحابها مصابين بالمرض، وبما أن لدينا سجلات طبية هائلة تحتوي على الحالات المصابة وبكامل معلوماتها وتفاصيلها ستستطيعُ خوارزميات التعلّم العميق من التعلّم بدقة أكبر واستنتاج أنماط أعم وأشمل. فعلى سبيل المثال أظهر فريق من الباحثين من مركز بيث الطبي في كلية الطب بجامعة هارفارد أن تحليل البيانات من خلال خوارزميات التعلّم العميق يمكن أن تقلل من معدل الخطأ في تشخيص سرطان الثدي بنسبة 85٪. وعلق الدكتور بيك -أحد الباحثين على هذا البحث قائلًا: وحتى أن هذه الخوارزميات تستطيع تشخيص مختلف أنواع السرطان مثل: سرطان الثدي وسرطان الرئة وسرطان الجلد وسرطان القولون والمستقيم وسرطان الجينوم وسرطان البروستات وسرطان الرأس والعنق وسرطان الغدة الدرقية. غير أنه لا يمكننا بالتأكيد الاستغناء عن إشراف الدكاترة المختصين على هذه الخوارزميات بل سيقتصر دورها على كونها مساعد شخصي للدكاترة ذكي ومفيد جدًا يحسن دقة عملية التشخيص ويسرعها. تصنيع أدوية جديدة بالكامل بالاعتماد فقط على الذكاء الاصطناعي يعدّ مجال صناعة وتطوير الأدوية الجديدة من المجالات الصعبة وذات التكاليف المرتفعة، إذ في دراسة نشرت على موقع جامانيتورك (jamanetwork) في الشهر مارس من عام 2020 جاء فيه أن تكلفة إدخال دواء جديد إلى السوق يبلغ 985 مليون دولار كما أن متوسط زمن وصول هذا الدواء لأيدي الناس سيكون من 10 إلى 12 سنة، ويعود ارتفاع هذه التكليف إلى المراحل الإجبارية الّتي يجب أن يمر بها أي دواء حتى يصل إلى السوق، فمثلًا يجب أن يُختبر على جميع الحالات الخاصة مثل: كبار السن والأطفال والحوامل والمرضعات وعلى مختلف الأعراق البشرية لمعرفة التأثيرات الجانبية المحتملة، ولذلك تجد الكثير من التحذيرات والتعليمات في نشرة التوصيف الخاصة بكلّ دواء تتحدث عن كافة التأثيرات المحتملة على المريض. ولطالما حاولت شركات الدواء تخفيض هذه التكاليف ولكنها لم تحقق نجاحات كبيرة إلا عندما تدخل الذكاء الصنعي في الأمر. في الحقيقة سبق وأن ساعدت خوارزميات الحاسب عملية تطوير الدواء بصورة كبيرة إلا إن آخر الطرق الّتي توصل إليها الباحثين من جامعة فليندرز في جنوب أستراليا كانت ملفتة للنظر إذ استطاعوا بناء دواء مناعي يعالج الانفلونزا باستخدام برنامج يعتمد على الذكاء الاصطناعي فقط أي لوحده وبدون أي تدخل بشري، ليكون بذلك أول مساعدة يقدمها لنا الذكاء الاصطناعي من هذا النوع. يعتمد هذا البرنامج على خوارزمية تدعى "خوارزمية البحث عن روابط" (Search Algorithm for Ligands) وتدعى اختصارًا SAM، إذ تبحث هذه الخوارزمية عن جميع المركبات التي يمكن تصورها في الكون للعثور على دواء جديد. وعلّق أحد الباحثين قائلًا: وعلق بتروفسكي وهو أحد الباحثين في هذا البحث على الأمر "إن قدرات هذا البرنامج ليست محصورة فقط في قدرته على تحديد العقاقير الجيدة فحسب، بل إنه في الحقيقة توصل إلى أدوية مناعية بشرية أفضل من الموجودة حاليًا". وأردف أيضًا "لذا أخذنا هذه العقاقير الّتي ابتكرها البرنامج بغية تجربتها على الحيوانات للتأكد من فعاليتها، وتحديدًا اللقاح المخصص لعلاج الإنفلونزا". وختم كلامه قائلًا: "إن هذا من شأنه أن يقصر عملية اكتشاف العقاقير وتطويرها على مدار عقود ويخفض تكلفة إنتاجها بمئات الملايين من الدولارات". تتبع حالتك الصحية وأنت في المنزل بتقنيات الذكاء الاصطناعي تحدثنا عن طرق كثيرة التي تساعد الأطباء في تشخيص بعض الأمراض، ولكن مشكلة هذه الطرق أنها متواجدة فقط عند الأطباء، وبالنظر إلى حقيقة أن أغلبية المرضى في جميع أرجاء العالم لا يذهبون للطبيب من أجل التشخيص عن حالتهم إلا بعد ظهور علامات مؤكدة عن المرض. كانت معظم محاولاتنا مهدورة ولفئة قليلة من المجتمع (غالبًا ما تكون من المتعلمين). ولكن ماذا لو تمكنّا من الكشف عن الأمراض مبكرًا إنها حقًا ستؤدي إلى فرصة أكبر وأفضل للشفاء، لأن ذلك سيقطع طريق انتشار المرض قبل أن يتمكن من التفشي بكامل الجسم. إذا ما الحلّ المقترح؟ هل سنستأجرُ غرفة في المشفى ونعيش بها لنضمن حصولنا على الإشراف الطبي المناسب؟ أم نستأجر طبيبًا ونحضره معنا إلى البيت ليشرف على حالتنا الصحية؟ في الواقع وبغض النظر عن حقيقة قلة عدد الأطباء حول العالم فإن هذه الفكرة مكلفة جدًا وغير عملية. إذا ما الحلّ؟ ما رأيك بأن نحضر طبيبًا صغيرًا جدًا بالتأكيد لا أقصد هنا أن يكون صغيرٌ بالعمر وإنما صغير بالحجم ليكون مثلًا بحجم الراوتر اللاسلكي تقريبًا ونضعه في البيت ليراقب حالتنا الصحية؟ هل برأيك أنه يوجد لدينا حقًا طبيب بهذه المواصفات؟ إذا كان جوابك لا فلا مشكلة أنا مثلك ظننت بأنه لا يوجد طبيب بهذه المواصفات ولكن تفاجأت حقًا عند قراءتي أن هنالك فعلًا طبيب بهذه المواصفات ولكن نسيت أن أخبرك بأنه ليس بشريًا وإنما آلة. تستطيع هذه الآلة تتبع جميع أنواع الإشارات الفيزيولوجية الخاصة بك أثناء حركتك من غرفة إلى غرفة أخرى مثل: التنفس، ومعدل نبضات القلب، والنوم وطريقة المشي والكثير من الأمور الأخرى الّتي تحدد حالتك الصحية بدقة. هل فعلًا استطاع الإنسان اختراع مثل هذه الآلة؟ نعم استطاع، إذ تزعم البروفيسورة دينا قتابي -وﻫﻲ ﺑﺮوﻓﻴﺴﻮرة ﻣﺨﺘﺼﺔ في ﻋﻠﻮم اﻟﻬﻨﺪﺳﺔ اﻟﻜﻬرﺑﺎﺋﻴﺔ واﻟﺤﺎﺳﻮﺑﻴﺔ في جامعة إم آي تي- أنها استطاعت بناء هذه الآلة في مختبرها، وكما تعتقد بأن هذا الاختراع قد يحل محلَّ مجموعة كبيرة ومكلفة من المعدات الطبية والتي نستخدمها في المستشفيات للحصول على البيانات السريرية حول الجسم البشري. تعتمد هذا الآلة على مراقبة تغيّر الحقل الكهرطيسي المحيط بنا كلّما تحركنا مهما كانت الحركة صغيرة (مثل التنفس)، إذ تبث هذه الآلة إشارة لاسلكية منخفضة الاستطاعة تغطِّي مساحة شقة بغرفة نوم أو اثنتين، وتستطيع هذه الأمواج الانتشار في البيت إذ تنعكس الإشارة عن أجسام الأشخاص الموجودين ضمن نطاقها، ومن ثم تستخدم هذه الآلة تقنيات تعلّم الآلة في تحليل الإشارات المنعكسة، واستخلاص البيانات الفيزيولوجية. وقد رُكِّبت الآلة حتى الآن -وفقاً لقتابي- في أكثر من 200 منزل، وذلك لأشخاص أصحاء وآخرين يعانون من بعض الأمراض (مثل باركنسون، وألزهايمر والاكتئاب، والأمراض الرئوية). كما شاركت قتابي في تأسيس شركة ناشئة أسمتها إيميرالد إينوفيشنز من أجل استثمار هذه التقنية تجاريًا، وقدمت الآلة إلى شركات الأدوية والتقانة الحيوية من أجل دراستها واختبارها. وحتى تثبت قتابي فائدة هذه الآلة، استعرضت البيانات الّتي جُمعت على مدى ثمانية أسابيع في منزل مريض مصاب بداء باركنسون، مشيرةً إلى أن مِشيته كانت تتحسن ما بين الساعة الخامسة والسادسة من كلّ صباح، بشكل يتواقت مع أخذه للدواء، وتقول: "هذا الجهاز لا يساعدك على فهم حياة المريض فحسب، بل يساعدك على فهم تأثير الدواء أيضًا"، وهو ما قد يمكِّن الأطباء من تحديد السبب وراء إفادة بعض الأدوية لبعض المرضى دونًا عن البعض الآخر. ويستعين كثيرٌ منا بالعديد من أجهزة الرصد الشخصي، سواءً ما يتعلق بمحتوى ما نتناوله من سعرات غذائية أو ما نخطوه من خطوات يومية، وبإمكان الذكاء الصنعي تأدية دور مهم في ترجمة تلك البيانات بطريقة تنعكس بالإيجاب على صحتنا. وتتجلى أهمية رصد التغيرات المبكرة مع ازدياد أعداد المسنين حول العالم، إذ تقول الأمم المتحدة أن عدد المسنين الذين تتجاوز أعمارهم 60 سنة يبلغ 13% من عدد سكان العالم أي ما يقارب المليار نسمة. وتقول قتابي إن الكثير من المسنين باتوا يعيشون بمفردهم، وهم يعانون من أمراض مزمنة تشكل تهديدًا حقيقيًا على حياتهم، وتعتقد أن ابتكارها سيُمكن الأطباء من التدخل المبكر بالمريض تفاديًا لمحاولة إسعاف المرضى بشكل طارئ لاحقًا وجعله ينتظر في طوابير المشافي. لا حدود لإمكانيات الذكاء الاصطناعي لم يقتصر دور الذكاء الاصطناعي على المجالات التي ذكرناها فقط بل لا يوجد حاليًا مجال إلا وقد دخل فيه الذكاء الاصطناعي وأصبح جزءًا أساسيًا من أجزائه بدءًا من مجال الزراعة، وحتى مجال الأمن والحماية ومجال المال والأعمال والألعاب والبرمجة وغيرها من مختلف مجالات الحياة. هل كثرة الإنجازات جعلته يتوقف ويستريح؟ بالطبع لا، وإنما واصل أيضًا سلسلة اقتحاماته لتشمل أيضًا المجال الفني والإبداعي ليستطيع في البداية تقليد طريقة رسم الفنان فان جوخ للوحاته تقليدًا احترافيًا، كما استطاع كتابة قصائد اجتازت مرحلة الاختبارات المؤهلة للنشر، كما تمكن أيضًا من تصميم الشعارات (Logo) بنفسه، واستطاع أيضًا كتابة مقالات وتقارير رياضية لوكالة أسوشيتد برس، واستطاع كتابة سيناريو فيلم سينمائي. إن جميع هذه الانجازات الرائعة الواعدة والّتي استطعنا تغطيتها فقط وهنالك العديد من الإنجازات الأخرى والتي اعتقدنا في زمن من الأزمان أنها ضرب من الخيال ما هي سوى البداية فحسب، وما سنكتشفهُ لاحقًا سيكون أكثر دهشة وأكثر فائدة في عديد من جوانب حياتنا، وبالتأكيد كلّ انجاز جديد يرافقه ظهور تهديدات جديدة، وهذا الأمر لا يمكننا إيقافه ولكن يمكننا حتمًا جعل التهديدات أخف وذلك بتطبيق كافة التعليمات الأمنية المُوصى بها، وهذه المسؤولية تقع على عاتق كلّ فرد منا سواء استطعنا الاستفادة من هذه القنيات أم لا. والآن هل ما زلت مترددًا في دخول مجال الذكاء الاصطناعي وتحديدًا تعلّم الآلة؟ في المقال التالي من هذه السلسلة ستتعرف على معلومات جديدة عن تاريخ هذا المجال والّتي ستساعدك في اتخاذ هذا القرار حتمًا. اقرأ أيضًا تعلم الذكاء الاصطناعي النسخة الكاملة من كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة المرجع الشامل إلى تعلم لغة بايثون

تنفذ الدالّة Eval المضمّنة في اللغة الشيفرات البرمجية المُمرّرة لها كسلسلة نصية string. وصياغتها هكذا: let result = eval(code); فمثلًا: let code = 'alert("Hello")'; eval(code); // Hello يمكن أن تكون الشيفرة المُمررة للدالّة كبيرة وتحتوي على فواصل أسطر وتعريف دوالّ ومتغيّرات، وما إلى ذلك. ولكن نتيجة الدالّة Eval هي نتيجة أخر عبارة منفذة في الشيفرة. وإليك المثال التالي: let value = eval('1+1'); alert(value); // 2 let value = eval('let i = 0; ++i'); alert(value); // 1 تُنفذّ الشيفرة في البيئة الحالية للدالّة، ولذا فيمكنها رؤية المتغيرات الخارجية: let a = 1; function f() { let a = 2; eval('alert(a)'); // 2 } f(); كما يمكنها تعديل المتغيّرات الخارجية أيضًا: let x = 5; eval("x = 10"); alert(x); // النتيجة: ‫10، تعدلت القيمة بنجاح في الوضع الصارم، تملك الدالّة Eval بيئة متغيّرات خاصة بها. لذا فلن تظهر الدوالّ والمتغيرات، المعرفة -داخل الدالة- للخارج وإنما ستبقى بداخلها: // تذكر أن في الوضع الصارم يُشغّلُ تلقائيًا في الأمثلة الحيّة eval("let x = 5; function f() {}"); alert(typeof x); // undefined (المتحول غير مرئي هنا) // ‫الدالّة f غير مرئية هنا أيضًا بدون تفعيل "الوضع صارم"، لن يكون للدالّة Eval بيئة متغيرات خاصة بها، ولذلك سنرى المتغيّر x والدالّة f من خارج الدالّة. استخدامات الدالة "Eval" في طرق البرمجة الحديثة، نادرًا ما تستخدم الدالّة Eval. وغالبًا ما يقال عنها أنها أصل الشرور. والسبب بسيط: إذ كانت لغة جافاسكربت منذ زمن بعيد أضعف بكثير من الآن، ولم يكُ بالإمكان فعل إيّ شيء إلا باستخدام الدالّة Eval. ولكن ذلك الوقت مضى عليه عقد من الزمن. حاليًا، لا يوجد سبب وجيه لاستخدامها. ولو أن شخصًا يستخدمها الآن فلديه الإمكانية لاستبدالها بالبنية الحديثة للغة أو [بالوحدات](). لاحظ أن إمكانية وصول الدالة eval للمتغيرات الخارجية لها عواقب سيئة. إن عملية تصغير الشيفرة (هي الأدوات تستخدم لتصغير شيفرة الجافاسكربت قبل نشرها وذلك لتصغير حجمها أكثر من ذي قبل) تعيد تسمية المتغيّرات المحلية لأسماء أقصر (مثل a وb وما إلى ذلك) لتصغير الشيفرة. وعادةً ما تكون هذه العلمية آمنة، ولكن ليس في حال استخدام الدالّة Eval، إذ يمكننا الوصول للمتغيّرات المحلية من الشيفرة المُمررة للدالّة. لذا، لن تصغّر المتغيرات التي يحتمل أن تكون مرئية من الدالة Eval. مما سيُؤثر سلبًا على نسبة ضغط الشيفرة. يُعدّ استخدام المتغيّرات المحلية في الشيفرة بداخل الدالّة Eval من الممارسات البرمجية السيئة، لأنه يزيد صعوبة صيانة الشيفرة. هناك طريقتان لضمان الأمان الكامل عند مصادفتك مثل هذه المشاكل. إذا لم تستخدم الشيفرة الممررة للدالّة المتغيرات الخارجية، فمن الأفضل استدعاء الدالّة هكذا: window.eval(...)‎ بهذه الطريقة ستُنفذّ الشيفرة في النطاق العام: let x = 1; { let x = 5; window.eval('alert(x)'); // 1 (global variable) } إن احتاجت الشيفرة الممررة للدالة Eval لمتغيّرات خارجية، فغيّر Eval لتصبح new Function ومرّر المتغير كوسيط. هكذا: let f = new Function('a', 'alert(a)'); f(5); // 5 شرحنا في مقالٍ سابق تعلمنا كيفية استخدام [صياغة «الدالة الجديدة» new Function](). إذ باستخدام هذه الصياغة ستُنشأ دالة جديدة من السلسلة (String)، في النطاق العام. لذا لن تتمكن من رؤية المتغيرات المحلية. ولكن من الواضح أن تمريرها المتغيرات صراحة كوسطاء سيحلّ المشكلة، كما رأينا في المثال أعلاه. خلاصة سيُشغّل استدعاء الدالّة eval(code)‎ الشيفرة البرمجية المُمرّرة ويعيد نتيجة العبارة الأخيرة. نادرًا ما تستخدم هذه الدالّة في الإصدارات الحديثة للغة، إذ لا توجد حاجة ماسّة لها. يمكننا الوصول دائمًا للمتغيّرات الخارجية في الدالّة eval. ولكن يعدّ ذلك من الممارسات السيئة. بدلًا من ذلك يمكننا استخدام الدالة eval في النطاق العام، هكذا window.eval(code)‎. أو، إذا كانت الشيفرة الخاصة بك تحتاج لبعض البيانات من النطاق الخارجي، فاستخدم صياغة الدالّة الجديدة ومرّر لها المتغيرات كوسطاء. التمارين آلة حاسبة باستخدام الدالة Eval الأهمية: 4 أنشئ آلة حاسبة تطالب بتعبير رياضي وتُعيد نتيجته. لا داعي للتحقق من صحة التعبير في هذا التمرين. فقط قيّم التعبير وأعد نتيجته. لرؤية المثال الحي الحل لنستخدم الدالة eval لحساب التعبير الرياضي: let expr = prompt("Type an arithmetic expression?", '2*3+2'); alert( eval(expr) ); يستطيع المستخدم أيضًا إدخال أي نص أو شيفرة. لجعل الشيفرة آمنة، وحصرها للعمليات الرياضية فحسب، سنتحقق من expr باستخدام التعابير النمطية، لكي لا تحتوي إلا على الأرقام والمعاملات رياضية. ترجمة -وبتصرف- للفصل Eval: run a code string من كتاب The JavaScript language