اهمیت تحلیل رفتار کاربران پلتفرم‌های OTT و نقش هوش مصنوعی عامل محور (Agentic AI) در آن

مقدمه

تحلیل رفتار کاربران با هوش مصنوعی امروز دیگر یک انتخاب نیست، بلکه ضرورتی است که بقای پلتفرم‌های OTT را تعیین می‌کند. آمارها نشان می‌دهند 65% از فروشگاه‌های الکترونیکی پس از اجرای استراتژی تحلیل رفتاری با هوش مصنوعی، افزایش قابل‌توجهی در نرخ تبدیل خود تجربه کرده‌اند. واقعیت این است که پیش‌بینی رفتار مشتری با AI می‌تواند به دقت 85 درصدی دست پیدا کند_[28]، و این دستاورد بزرگی برای صنعت استریمینگ محسوب می‌شود. در این مقاله، به بررسی نقش هوش مصنوعی عامل‌محور (Agentic AI) در تحلیل با هوش مصنوعی و تأثیر آن بر آینده پلتفرم‌های OTT می‌پردازیم.

اهمیت تحلیل رفتار کاربران در پلتفرم‌های OTT

رقابت شدید در بازار سرویس‌های استریمینگ

فضای رقابتی پلتفرم‌های استریمینگ به‌گونه‌ای شکل گرفته که شناخت دقیق مخاطبان دیگر یک مزیت نیست، بلکه شرط بقاست. نتفلیکس با 33.6% و آمازون پرایم با 32.5% از ترجیحات کاربران، بازار جهانی را میان خود تقسیم کرده‌اند. در این میان، محتوای اختصاصی با 41.9% قوی‌ترین انگیزه اشتراک شناخته شده است_[29]. رقابت تنها به تولید محتوا محدود نمی‌شود؛ درک رفتار مخاطبان و ارائه تجربه شخصی‌سازی‌شده تعیین‌کننده پیروزی در این میدان رقابت است.

در ایران نیز همین روند مشاهده می‌شود. کاربران فیلیمو در سال 1396 یک میلیارد و صد و چهل و پنج میلیون دقیقه فیلم تماشا کردند که نسبت به سال 95 بیش از 440 درصد رشد داشته است. این آمار نشان می‌دهد پلتفرم‌های محلی نیز با همان شتاب جهانی در حال گسترش هستند. در انگلستان، حدود 41 درصد از تماشاچیان سرویس‌های استریمینگ را خریداری کرده‌اند_[2]، که نشان‌دهنده پذیرش گسترده این مدل مصرف محتواست.

نقش داده‌های رفتاری در بقای پلتفرم‌ها

تحلیل رفتار کاربران با هوش مصنوعی به پلتفرم‌ها اطلاعات دقیقی از نحوه تعامل مخاطبان ارائه می‌دهد. تعداد بازدید، مدت زمان تماشا و محبوب‌ترین محتوا قابل بررسی است، و بهینه‌سازی محتوا بدون این اطلاعات تقریباً غیرممکن خواهد بود_[3]. سازمان‌های رسانه‌ای همواره به‌دنبال شناخت دقیق‌تری از مخاطبان خود هستند تا سیاست‌های خود را متناسب با سلایق تنظیم کنند_[2]

پژوهشگران یکی از اصلی‌ترین عوامل رشد نتفلیکس را تعهد این شرکت به شنیدن صدای مخاطبان خود دانسته‌اند. این پلتفرم به‌جای روی‌آوردن به شیوه‌های سنتی بازاریابی، با بهره‌گیری از ابزارهای پژوهش روی کاربر مثل ایجاد نظرسنجی‌های مختلف، به‌خوبی با ذائقه تک‌تک کاربران خود آشنا می‌شود و با‌توجه به اطلاعات تکمیلی، برای هرکدام از مخاطبان به‌فراخور تاریخچه فعالیت‌ها و ترجیحات، محتوا ارائه می‌کند_[2].

تاثیر تحلیل رفتار بر تولید محتوای هدفمند

درک مناسب از رفتار کاربر در پلتفرم‌های VOD نقش مؤثری در طراحی، پیکربندی و مدیریت توزیع محتوای ویدئو دارد. مخاطبان موجوداتی فعال هستند که آگاهانه یک رسانه یا محتوا را گزینش یا حذف می‌کنند، و رفتار خرید و تماشای آن‌ها معنادار است و حامل پیام‌های آشکار و پنهانی است_[2]. همچنین، یافته‌ها نشان می‌دهند کمدی و تریلر به‌عنوان پربیننده‌ترین ژانرها با بالاترین نرخ حفظ مخاطب شناخته شده‌اند_[30].

تحلیل شبکه اجتماعی به‌عنوان روش نوین مخاطب‌پژوهشی، با استفاده از ردپای کاربران به الگوریتم‌های منطقی و تکرارپذیر از الگوهای رفتاری آن‌ها دست می‌یابد. نتایج حاصل می‌تواند اطلاعات ارزشمندی برای تصمیمات بعدی مدیران قرار گیرد تا سیاست رسانه خود را متناسب با این ذائقه تعریف کنند_[2].

تاثیر تحلیل رفتار کاربر بر درآمد پلتفرم‌ها

مدل‌های درآمدی متنوع شامل اشتراک ماهانه، پرداخت به‌ازای تماشا و تبلیغات هدفمند، جذابیت اقتصادی برای سرمایه‌گذاران ایجاد کرده‌اند_[3]. تحلیل با هوش مصنوعی به کسب‌وکارها امکان می‌دهد خدمات خود را برای تحت‌تأثیر قرار دادن تصمیمات مشتریان هدف قرار دهند، و شخصی‌سازی تجربه کاربری را بهبود بخشیده و منجر به افزایش فروش می‌شود_[4]. علاوه بر این، نرخ لغو اشتراک بالا به دلیل تبلیغات بیش‌ازحد نشان می‌دهد پلتفرم‌ها باید مدیریت تبلیغات خود را بهبود بخشند_[29].

آشنایی با هوش مصنوعی عامل محور و کاربرد آن در OTT

مفهوم Agentic AI و تفاوت با سیستم‌های توصیه‌گر سنتی

هوش مصنوعی عامل‌محور سیستمی است که با نظارت محدود می‌تواند اهداف خاصی را محقق کند. این سیستم شامل عامل‌های هوش مصنوعی است که مدل‌های یادگیری ماشین را برای تقلید از تصمیم‌گیری انسانی به‌کار می‌گیرند تا مشکلات را در زمان واقعی حل کنند. برخلاف مدل‌های سنتی که در محدودیت‌های از پیش تعریف‌شده عمل می‌کنند و نیاز به دخالت انسان دارند، Agentic AI استقلال، رفتار هدف‌محور و سازگاری را نشان می‌دهد_[31].

در حقیقت، تفاوت اصلی این است که هوش مصنوعی سنتی صرفاً به سؤالات پاسخ می‌دهد یا اطلاعات را خلاصه می‌کند، در حالی که سیستم‌های عامل می‌توانند وظایف پیچیده را به‌طور مستقل انجام دهند، گردش‌های کاری را به‌صورت خودکار فعال کنند و با عامل‌های دیگر همکاری کنند_[32]. این سیستم‌ها نه‌تنها واکنش نشان می‌دهند، بلکه پیش‌بینی می‌کنند، سازگار می‌شوند و استراتژی تدوین می‌کنند_[33].

عامل‌های هوش مصنوعی داده‌هایی را از محیط اطراف دریافت می‌کنند، آن‌ها را تحلیل می‌کنند و بر اساس هدف یا دانش درونی، عملی مناسب انجام می‌دهند. بنابراین، معماری این عامل‌ها بسته به نوع وظیفه متفاوت است و برخی با یادگیری از تجربه، عملکرد خود را بهبود می‌دهند_[7].

چگونه Agentic AI رفتار کاربران را تحلیل می‌کند؟

تحلیل رفتار کاربران با هوش مصنوعی در پلتفرم‌های OTT از طریق چرخه‌ای چهار مرحله‌ای عمل می‌کند: درک، استدلال، عمل و یادگیری. عامل‌های هوش مصنوعی ابتدا داده‌ها را جمع‌آوری و پردازش می‌کنند، سپس مدل زبانی بزرگ به‌عنوان هماهنگ‌کننده‌ای عمل می‌کند که داده‌های درک‌شده را تحلیل می‌کند تا وضعیت را درک کند. در مرحله بعد، با ابزارهای خارجی ادغام شده و به‌طور مداوم از طریق بازخورد بهبود و یادگیری می‌گیرد_[34].

در پلتفرم‌های OTT، عامل‌ها رویدادهای کاربر یا سیستم را حس می‌کنند، با سیاست‌ها و مدل‌های پیش‌بینی‌کننده استدلال می‌کنند و از طریق یکپارچگی‌ها برای دستیابی به اهداف قابل‌اندازه‌گیری مانند زمان تماشای بیشتر، ریزش کمتر یا حل سریع‌تر اقدام می‌کنند_[27]. علاوه بر این، سیستم‌های عامل می‌توانند وب را جستجو کنند، APIها را فراخوانی کنند و پایگاه‌های داده را پرس‌وجو کنند، سپس از این اطلاعات برای تصمیم‌گیری و اقدام استفاده کنند_[31].

همچنین، این عامل‌ها سیگنال‌های رفتاری مانند الگوهای خرید، تاریخچه تعامل، ترجیحات کانال و قصد پیش‌بینی‌شده را به‌طور مداوم ارزیابی می‌کنند_[35]. آن‌ها می‌توانند در زمان واقعی تشخیص دهند، تصمیم بگیرند و عمل کنند، و نتایج تجاری حیاتی مانند کیفیت سرویس پایدار، تجربه کاربری بهبودیافته و استراتژی‌های حفظ بهبودیافته را ارائه دهند_[36].

مثال‌هایی از پلتفرم‌های موفق با Agentic AI

نتفلیکس یکی از پیشگامان در استفاده از Agentic AI است که در حال آزمایش تجربه جستجوی مکالمه‌ای است که به اعضا اجازه می‌دهد از زبان طبیعی برای کاوش در کاتالوگ استفاده کنند. این پلتفرم از GenAI برای محلی‌سازی دارایی‌های تبلیغاتی به زبان‌های مختلف استفاده می‌کند تا عناوین بتوانند راحت‌تر به مخاطبان در سراسر جهان برسند_[37].

Roku و Google TV جستجو و توصیه‌های مکالمه‌ای پیشرفته‌تری را اعلام کرده‌اند که درخواست‌های طبیعی مانند حال‌وهوا یا تنظیمات را درک می‌کنند_[27]. Kayo Sports، بزرگ‌ترین سرویس استریمینگ ورزشی استرالیا، تصمیم‌گیری AI را برای حرکت از 300 تنوع پیام به 1.5 میلیون به‌کار گرفت، که منجر به افزایش 14 درصدی در اشتراک‌ها، افزایش 105 درصدی در فروش متقابل و افزایش 20 درصدی در متوسط قیمت اشتراک شد_[35].

فرآیند تحلیل رفتار کاربران با هوش مصنوعی عامل محور

فرآیند تحلیل رفتار کاربران با هوش مصنوعی در پلتفرم‌های OTT از پنج مرحله کلیدی تشکیل شده که هر یک نقش حیاتی در درک و پیش‌بینی رفتار مخاطبان ایفا می‌کند.

مرحله اول: جمع‌آوری داده‌های تعاملی و مصرفی

شرکت‌های پلتفرم حجم وسیعی از اطلاعات کاربران را از طریق فناوری‌های ردیابی در تبلیغات آنلاین و خرید اطلاعات از کارگزاران داده جمع‌آوری می‌کنند_[10]. این داده‌ها شامل کلیک‌ها، بازدیدها، خریدها، نظرات و مدت زمان حضور کاربران در پلتفرم است_[11]. مرورگرها اطلاعات دقیقی از سیستم‌عامل، آی‌پی، پردازنده و حتی موقعیت جغرافیایی کاربران ثبت می‌کنند_[12]. اکثر شرکت‌ها علاوه بر نحوه تعامل کاربران، سن، جنسیت و در برخی موارد اطلاعات درآمد و تحصیلات را نیز جمع‌آوری می‌کنند_[13]. بسیاری از پلتفرم‌ها داده‌ها را از طریق API در اختیار دیگران قرار می‌دهند_[14].

مرحله دوم: پیش‌پردازش و آماده‌سازی داده‌ها

داده‌های جمع‌آوری‌شده نیاز به پاکسازی و پردازش دارند تا برای آموزش مدل‌های هوش مصنوعی مناسب باشند. این مرحله شامل حذف داده‌های نادرست یا نامرتبط و تبدیل آن‌ها به قالبی است که الگوریتم‌ها بتوانند استفاده کنند_[11]. تبدیل داده‌ها به فرمت‌های استاندارد برای عامل‌های هوش مصنوعی بسیار مهم است، چرا که به آن‌ها کمک می‌کند منابع داده مختلف را شناسایی کرده و سازگاری را حفظ کنند_[15]. در پژوهش سینمامارکت، پس از جمع‌آوری، ساختار داده‌ها برای ترسیم گراف آماده شد و مبنای ایجاد رابطه، دانلود محتوا توسط کاربران بود_[2].

مرحله سوم: مدل‌سازی و یادگیری الگوها

الگوریتم‌های یادگیری ماشین و یادگیری عمیق بر روی داده‌های پیش‌پردازش‌شده آموزش داده می‌شوند. مدل‌های رگرسیون، شبکه‌های عصبی و الگوریتم‌های مبتنی بر درخت تصمیم‌گیری برای پیش‌بینی رفتار کاربران به‌کار می‌روند_[11]. الگوریتم‌های پردازش زبان طبیعی شامل تحلیل احساسات، استخراج کلیدواژه‌ها و خوشه‌بندی مفهومی، الگوهای رفتاری کاربران را شناسایی می‌کنند_[16]. عامل‌های Agentic AI از یادگیری تقویتی برای بهبود فرآیندهای تصمیم‌گیری بر اساس بازخورد بلادرنگ استفاده می‌کنند_[6].

مرحله چهارم: پیش‌بینی و شخصی‌سازی تجربه

پس از آموزش مدل، می‌توان از آن برای تحلیل داده‌های جدید و پیش‌بینی رفتارهای آینده استفاده کرد. این پیش‌بینی‌ها شامل توصیه محصولات، تشخیص نیازهای کاربر و پیشگویی خریدهای آینده است_[11]. تمایلات رفتاری کاربران به‌طور معناداری از عوامل احساسی، کیفیت تعامل دیجیتال و تجربه شخصی‌سازی‌شده تأثیر می‌پذیرد_[16]. هوش مصنوعی با شناسایی الگوها و نیازهای کاربران، تجربه‌ای شخصی‌سازی‌شده و کارآمدتر ایجاد می‌کند_[17].

مرحله پنجم: بهبود مستمر با بازخورد کاربران

مدل‌های هوش مصنوعی نیاز به بهبود و تنظیم مداوم دارند. با جمع‌آوری داده‌های جدید و بازخوردها، مدل‌ها به‌روزرسانی می‌شوند تا دقت و کارایی آن‌ها افزایش یابد_[11]. ایجاد مکانیسم‌های اعتبارسنجی مداوم و مدیریت قوی API برای عملکرد روان Agentic AI حیاتی است_[15]. هر ویرایش کاربر در ویرایشگر مستند ثبت و دسته‌بندی می‌شود، که جریان غنی از بازخورد را برای مهندسان و دانشمندان داده فراهم می‌کند تا عامل‌ها را آموزش دهند. تیم‌ها باید نظارت و ارزیابی را در گردش کار بگنجانند تا بتوانند اشتباهات را زودهنگام شناسایی کنند_[18].

تکنیک‌ها و ابزارهای Agentic AI در تحلیل با هوش مصنوعی

پلتفرم‌های OTT برای تحلیل رفتار کاربران با هوش مصنوعی از ترکیبی از تکنیک‌های پیشرفته استفاده می‌کنند که هر یک نقش خاصی در درک و پیش‌بینی رفتار مخاطبان ایفا می‌کند.

الگوریتم‌های یادگیری تقویتی عمیق

یادگیری تقویتی عمیق زیرمجموعه‌ای از یادگیری ماشین است که یادگیری تقویتی و یادگیری عمیق را ترکیب می‌کند. در این روش، عامل با استفاده از آزمون و خطا تصمیم می‌گیرد و به نمایندگان اجازه می‌دهد تا از داده‌های ورودی بدون ساختار تصمیم بگیرند. الگوریتم‌های Deep RL می‌توانند ورودی‌های بسیار بزرگ را بگیرند و تصمیم بگیرند که برای بهینه‌سازی یک هدف چه کارهایی انجام دهند_[19]. عامل‌ها محیط را مشاهده می‌کنند، اقدامی را انتخاب می‌کنند، پاداش دریافت می‌کنند و محیط به حالت بعدی منتقل می‌شود. هدف عامل بیشینه‌سازی پاداش تجمعی در طول زمان است. الگوریتم‌های مختلفی مانند DQN که جدول Q را با شبکه عصبی عمیق جایگزین می‌کند، Double DQN که برآوردهای دقیق‌تری ارائه می‌دهد، و PPO که با محدود کردن تغییرات سیاست عمل می‌کند، در این حوزه کاربرد دارند_[8].

تحلیل احساسات و نظرات کاربران

تحلیل احساسات روش پردازش زبان طبیعی است که برای تعیین مثبت، منفی یا خنثی بودن داده‌ها استفاده می‌شود[9]. این تحلیل اغلب بر روی داده‌های متنی انجام می‌شود تا به کسب‌وکارها کمک کند احساسات مشتریان را نسبت به برند بسنجند. به عنوان مثال، تحلیل خودکار بیش از 4000 نظر درباره محصول می‌تواند به سنجش رضایت مشتری از قیمت‌گذاری و خدمات کمک کند. مدل‌های تحلیل احساسات بر تضادها، احساسات، ضرورت و حتی قصدها تمرکز می‌کنند_[9]. طبق مطالعات، 70% از برندها از تحلیل با هوش مصنوعی برای بهبود خدمات مشتری استفاده می‌کنند. علاوه بر این، 60% از شرکت‌ها گزارش داده‌اند که این تحلیل‌ها به آن‌ها در شناسایی روندهای بازار کمک کرده است_[20].

سیستم‌های توصیه‌گر چند عاملی

سیستم چند عاملی از عامل‌های مستقل تشکیل شده که برای دستیابی به اهداف جمعی یا فردی تعامل می‌کنند. هر عامل اهداف و توانایی‌های تصمیم‌گیری خاص خود را دارد اما از طریق همکاری، مذاکره یا رقابت با یکدیگر کار می‌کنند. در سیستم‌های توصیه، هر عامل می‌تواند بر جنبه‌های مختلف فرآیند تمرکز کند، مثلاً یکی بر تحلیل داده‌های تاریخی کاربر، دیگری بر جستجوی وب برای دسترسی محصولات و سومی بر بازخورد کاربر برای بهبود پیشنهادات. ماهیت غیرمتمرکز این سیستم‌ها پردازش موازی را امکان‌پذیر می‌کند که می‌تواند پیچیدگی تصمیم‌گیری بلادرنگ را در جریان‌های متعدد داده مدیریت کند_[5].

پیش‌بینی ترک سرویس با مدل‌های پیشگویانه

پیش‌بینی ریزش مشتری عملی برای تحلیل داده‌ها جهت شناسایی مشتریانی است که احتمال دارد اشتراک خود را لغو کنند. مدل یادگیری ماشینی که بیشتر با این عمل مرتبط است، مدل درخت تصمیم است که شامل پیش‌پردازش منابع مختلف داده و سپس آموزش و ارزیابی می‌شود. حتی نرخ‌های ریزش پایین مانند 1.0%، 2.5% و 5.0% به‌طور بالقوه کشنده هستند و می‌توانند رشد کسب‌وکارها را متوقف کنند. با تقسیم‌بندی مشتریان بر اساس رفتار و ارزش آن‌ها، می‌توان اقدامات پیشگیرانه هدفمند انجام داد_[21].

مزایا، چالش‌ها و آینده Agentic AI در صنعت OTT

افزایش رضایت و وفاداری کاربران

Agentic AI تحولات کلیدی در تجربه مشتری ایجاد می‌کند که شامل شناسایی و حل پیشگیرانه مشکلات قبل از تشدید، تجربیات شخصی‌سازی‌شده که بر اساس رفتار و متن در زمان واقعی تطبیق می‌یابند، و کاهش اصطکاک از طریق تکمیل و تصمیم‌گیری خودکار است. سازمان‌ها معمولاً به رضایت، وفاداری و ارزش طول عمر مشتری بالاتر، نرخ حفظ افزایش‌یافته و تلاش کمتر مشتری در مسیرها دست می‌یابند_[1]. همچنین، 50% از شرکت‌های نرم‌افزاری در حال توسعه یا استقرار Agentic AI هستند و 60% پتانسیل آن را در پشتیبانی مشتری و خودکارسازی فروش می‌بینند_[22].

کاهش هزینه‌های بازاریابی و جذب مشتری

خودکارسازی وظایف تکراری با Agentic AI کارایی عملیاتی را بهبود می‌بخشد و به سازمان‌ها امکان می‌دهد منابع را مؤثرتر تخصیص دهند. این سیستم‌ها هزینه‌های عملیاتی را از طریق اجرای خودمختار کاهش می‌دهند، چرا که عامل‌های AI تعاملات روتین را خودکار می‌کنند و نیاز به تیم‌های پشتیبانی بزرگ را به حداقل می‌رسانند. علاوه بر این، دسترسی 24/7 برای پشتیبانی مشتری اطمینان می‌دهد که کاربران در هر زمانی دریافت کمک می‌کنند. مقیاس‌پذیری بیشتر بدون افزایش متناسب در کارکنان نیز محقق می‌شود_[1].

مسائل حریم خصوصی و اخلاقیات داده

چالش‌های اصلی شامل مسئله اعتماد است، چرا که توجیه تصمیمات الگوریتمی پیچیده برای انسان دشوار است و خطاهای احتمالی پیامدهای زنجیره‌ای دارند. عامل‌های هوشمند برای عملکرد به دسترسی گسترده به داده‌های حساس نیاز دارند که آن‌ها را به هدف حملات سایبری تبدیل می‌کند_[23]. بدون طراحی دقیق، عامل می‌تواند به‌راحتی داده‌ها را برای اهدافی فراتر از آنچه به افراد اطلاع داده شده پردازش کند_[24]. ماهیت خودمختار و یادگیری مستمر می‌تواند به رفتار غیرقابل‌پیش‌بینی منجر شود_[25].

روندهای آینده و پیش‌بینی‌ها برای صنعت

پیش‌بینی‌های گارتنر نشان می‌دهد تا سال 2028، حدود 15% از تصمیم‌گیری‌های روزمره کسب‌وکارها به‌صورت خودکار توسط هوش مصنوعی عامل‌محور انجام خواهد شد_[26]. جهت‌های نوظهور شامل عامل‌های روی دستگاه برای شخصی‌سازی کم‌تأخیر، درک چندوجهی برای تولید متادیتای بهتر، یکپارچگی تجارت برای تلویزیون قابل خرید، و معماری‌های حفظ حریم خصوصی با یادگیری فدرال است_[27].

نتیجه‌گیری

تحلیل رفتار کاربران با هوش مصنوعی دیگر انتخابی نیست، بلکه ضرورتی برای بقای پلتفرم‌های OTT است. Agentic AI با قابلیت‌های پیش‌بینی، شخصی‌سازی و تصمیم‌گیری مستقل، تجربه‌ای متحول‌کننده ارائه می‌دهد. بی‌شک، چالش‌هایی همچون حریم خصوصی و اخلاقیات داده وجود دارد، اما مزایای آن شامل افزایش رضایت کاربران و کاهش هزینه‌های عملیاتی بسیار قابل‌توجه است. با توجه به پیش‌بینی گارتنر، تا سال 2028 حدود 15% از تصمیمات کسب‌وکارها خودکار خواهد شد. پلتفرم‌هایی که امروز در این فناوری سرمایه‌گذاری می‌کنند، رهبران فردای بازار استریمینگ خواهند بود.