ساخت سریع اتریبیوت‌های مشتق‌شده پیچیده در پروفایل کاربران - بدون دردسرهای مدیریت پایپ‌لاین داده و ETL
تاریخ انتشار : February 19, 2026
در ۵ سال گذشته، WebEngage قابلیت‌های مبتنی بر یادگیری ماشین (Machine Learning) متعددی را ارائه کرده است که به عنوان جزء اصلی زیرساخت، بر استنتاج اتریبیوت‌ها (Attribute Derivations) تکیه داشتند. ما با استفاده از این پایپ‌لاین (Pipeline) ویژگی‌های جدیدی ایجاد کردیم و نتایج را در قالب Derived Attributes (اتریبیوت‌های مشتق‌شده) در پروفایل کاربران شما ذخیره کردیم؛ اتریبیوت‌هایی که به صورت دوره‌ای با داده‌ها و حقایق جدید در سطح کاربر، به‌روزرسانی (Refresh) می‌شوند. این اتریبیوت‌های جدید نه تنها پروفایل‌های کاربری شما در WebEngage را غنی می‌کنند، بلکه مهمات جدیدی برای اجرای استراتژی مدیریت چرخه عمر مشتری (CLM) در اختیارتان می‌گذارند.
برای مثال، کسب‌وکارهای مبتنی بر تولید سرنخ (Lead Generation) به شدت به ویژگی Engagement Score ما اعتماد دارند. همچنین، شما از ویژگی Intelligent Attributes ما (مانند بهترین کانال برای کاربر، بهترین زمان برای ارسال کمپین و غیره) برای اجرای هوشمندانه‌تر و مؤثرتر در User Journeys خود لذت برده‌اید. اوه، چطور می‌توانم یکی از پرطرفدارترین قابلیت‌های اخیرمان را فراموش کنم؛ تابع ()Affinity برای سگمنتیشن مبتنی بر قصد کاربر (Intent-based Segmentation).
امروز، خوشحالم که به شما اعلام کنم ما پایپ‌لاین Derived Attributes را به روی شما باز کرده‌ایم تا بتوانید هر نوع استنتاجی که روی داده‌های خود نیاز دارید را بسازید و آن‌ها را به عنوان اتریبیوت در پروفایل کاربران ذخیره کنید! شما می‌توانید در ادامه از این اتریبیوت‌ها برای سگمنتیشن و شخصی‌سازی بهتر در کمپین‌های خود استفاده کنید. به هر حال، گیر افتادن در هزارتوی داده‌ها و پایپ‌لاین‌های ETL نباید مانع از اجرای هوشمندانه شما شود. حداقل نه در سال ۲۰۲۶!
اجازه دهید ابتدا چند سوال کلیدی بپرسم…
- شما می‌دانید که یک کاربر در ۳۰ روز گذشته ۳ خرید انجام داده است. اما آیا این خوب است؟ آیا آن‌ها مشتریانی با ارزش بالا (High-value) هستند یا صرفاً مشتریان معمولی؟ آیا این یک رفتار خرید مجددِ (Repeat Behaviour) بالا محسوب می‌شود؟
- شما می‌بینید که کاربرانی محصولات را بارها به سبد خرید یا لیست علاقه‌مندی (Wishlist) خود اضافه می‌کنند. اما همیشه خرید نمی‌کنند. برخی اصلاً خرید نمی‌کنند. یک «نرخ رهاسازی سبد خرید» (Card Abandonment Rate) خوب در سطح کاربر چقدر است؟ اصلا چنین چیزی وجود دارد؟ چگونه این خوشه‌های کاربری را با استفاده از چنین نرخی تفکیک می‌کنید؟ اگر می‌توانستید آن‌ها را به گونه‌ای متفاوت سگمنت کنید، آیا نحوه تعاملتان با این کاربران تغییر نمی‌کرد؟
- شما کاربران جدیدی (Newly acquired) دارید که در ۷ روز اول نصب اپلیکیشن، در چندین دسته‌بندی محصول جستجو می‌کنند. آیا اگر می‌دانستید آن‌ها به کدام دسته‌بندی محصول «بیشترین علاقه» را دارند، قادر نبودید کمپین‌های D1-D7 بسیار مؤثرتری اجرا کنید؟
اگر متوجه مسیر و اهمیت این موضوع شدید، ادامه این مقاله و این ویژگی دقیقاً به شما اختصاص دارد!
اتریبیوت‌های مشتق‌شده (Derived Attributes) چیستند؟
Derived Attributes یک پایپ‌لاین داده‌ی بی‌درنگ (Real-time) و DIY در WebEngage است که به شما اجازه می‌دهد اتریبیوت‌های کاربریِ خودکار و به‌روزرسونده‌ای بر اساس رویدادهای موجود (اقدامات کاربر) و داده‌های کاربری (داده‌های First-party شما که در پروفایل‌ها ذخیره شده است) بسازید. آن‌ها را به عنوان اتریبیوت‌های هوشمند و داینامیک در نظر بگیرید که شما را از دردسرهای ساخت و نگهداری یک پایپ‌لاین محاسباتی رها می‌کنند.
برخلاف اتریبیوت‌های استانداردی که شما از طریق SDKها، APIها یا سایر ادغام‌ها پاس می‌دهید، Derived Attributes مستقیماً از داخل داشبورد WebEngage ایجاد، محاسبه و ذخیره می‌شوند. این ویژگی از داده‌های موجودِ شما به عنوان پایه و فونداسیون استفاده می‌کند.
این ویژگی چگونه کار می‌کند؟
فرض کنید می‌خواهید «نرخ رهاسازی سبد خرید» را برای هر کاربر محاسبه کنید. با استفاده از ویژگی Derived Attribute، شما می‌توانید این نسبت را به صورت‌کسر و مخرج صحیح برای محاسبه آن تفکیک کنید. در این مورد، این یک نسبت از تعداد دفعاتی است که کاربر فرآیند پرداخت را شروع می‌کند در برابر تعداد دفعاتی که واقعاً آن را تکمیل می‌کند. در اینجا راهنمای گام‌به‌گام برای انجام این کار در ۳ مرحله ساده آورده شده است:
- گام اول: شمارش «شروع فرآیند پرداخت» (A)
- گام دوم: شمارش «پرداخت‌های تکمیل‌شده» (B)
- گام سوم: اعمال عملیات ریاضی. متغیر B را از A کم کنید تا تعداد سبدهای رهاشده به دست آید، سپس آن را بر A تقسیم کنید تا نرخ نهایی محاسبه شود: (A – B) / A.
به همین سادگی! WebEngage این متریک را به صورت خودکار برای هر کاربر محاسبه و به‌روزرسانی کرده و در پروفایل کاربری آن‌ها ذخیره می‌کند. در بخش بعدی بیشتر در این باره صحبت خواهیم کرد.
تجمیع و عملیات ریاضی – آزادسازی قدرت نهفته!
حالا که این قابلیت پایه‌ای را در عمل دیدید، در اینجا یک بررسی اجمالی از قدرتی که درون این پایپ‌لاین محاسباتیِ جدید قرار داده‌ایم آورده شده است تا بتوانید کارهای بیشتری انجام دهید.
تجمیعِ رویدادهای داده‌ای به متریک‌های معنادار
ویژگی Derived Attributes به شما ۶ روش تجمیع (Aggregation) قدرتمند می‌دهد تا از داده‌های رویدادها، بینش استخراج کنید. در جدول زیر نحوه عملکرد هر کدام به همراه مثال آورده شده است:
| متد (Method) | چه چیزی را محاسبه می‌کند؟ | مثال‌ها |
|---|---|---|
| Sum (مجموع) | مجموع یک اتریبیوت عددی در تمام وقوع‌های یک رویداد | مجموع هزینه پرداخت‌شده، مجموع امتیازات کسب‌شده |
| Average (میانگین) | مقدار میانگین یک اتریبیوت عددی در تمام وقوع‌ها | میانگین ارزش سفارش، میانگین مدت‌زمان نشست (Session) |
| Max (بیشترین) | بالاترین مقدار ثبت‌شده از یک اتریبیوت عددی | بزرگترین خرید تکی، بالاترین امتیاز |
| Min (کمترین) | پایین‌ترین مقدار ثبت‌شده از یک اتریبیوت عددی | کوچکترین سفارش، کمترین زمان نشست |
| Count (شمارش) | تعداد دفعاتی که یک رویداد خاص رخ داده است | مجموع خریدها، تعداد باز کردن اپلیکیشن |
| Affinity (تمایل) | مقداری که بیشترین تکرار را در یک اتریبیوت غیرعددی داشته است | دسته‌بندی محصول مورد علاقه، پربازدیدترین صفحه |
اعمال عملیات ریاضی روی متریک‌های محاسبه‌شده
اکنون که تجمیع‌ها را ایجاد کرده‌اید، می‌توانید از آن‌ها در عباراتی با استفاده از عملگرهای ریاضی (جمع، تفریق، ضرب، تقسیم) استفاده کنید تا متریک‌هایی بسازید که برای شما مفید هستند.
| متریک (Metric) | فرمول | این متریک چه چیزی به شما می‌گوید؟ |
|---|---|---|
| نرخ رهاسازی سبد خرید (Cart Abandonment Rate) | (Count of ‘Add to Cart’ – Count of ‘Purchase Completed’) / Count of Add to Cart | درصدِ افزودن به سبد خریدهایی که به خرید (Convert) منجر نمی‌شوند. |
| فرکانس خرید (Purchase Frequency) | Count of ‘Purchase Completed’ / Days since first purchase | اینکه یک کاربر هر چند وقت یک‌بار از شما خرید می‌کند. |
| سهم هزینه در دسته‌بندی (Category Spend Share) | Sum of ‘Cart value’ where category = ‘Fashion’ / Sum of total cart value × 100 | درصد هزینه پرداخت‌شده در یک دسته‌بندی خاص، مثلاً نسبت هزینه برای پوشاک یا لوازم الکترونیکی. |
| نرخ رشد تعامل (Engagement Growth Rate) | Count of (Sessions this month – Sessions last month) / Sessions last month × 100 | نشان می‌دهد که آیا فعالیت کاربر در حال افزایش است یا کاهش. |
| نرخ خرید درون‌برنامه‌ای (In-app Purchase Rate) | Count of ‘In-App Purchase’ / Count of ‘App opens’ × 100 | درصدی از نشست‌های اپلیکیشن (App Sessions) که به یک خرید ختم می‌شوند. |
انتقال اتریبیوت‌ها از Data Lake یا Warehouse به WebEngage
اگر ترجیح می‌دهید از پایپ‌لاین اتریبیوت فعلی خود که در Data Lake یا Data Warehouse اختصاصی‌تان نگهداری می‌شود استفاده کنید، اکنون می‌توانید آن‌ها را نیز وارد WebEngage کنید! تیم اینتگریشن (Integrations) ما با شما همکاری خواهد کرد تا در صورت تمایل به استفاده از این رویکرد، پایپ‌لاین مربوطه را راه‌اندازی کنید.
نحوه استفاده از Derived Attributes
پس از ایجاد، Derived Attributes در سطح پروفایل کاربری ذخیره می‌شوند و می‌توانند در این قابلیت‌ها مورد استفاده قرار گیرند:
- پروفایل‌های کاربری ۳۶۰ درجه – غنی‌سازی پروفایل در WebEngage CDP: شما می‌توانید متریک محاسبه‌شده برای هر کاربر (مثلاً سهم هزینه در دسته‌بندی) را مستقیماً در پروفایل کاربری آن‌ها در بخش Attribute مشاهده کنید. تمام Derived Attributes شما در سطح کاربر محاسبه و ذخیره می‌شوند.
- سگمنتیشن (Segmentation) – استفاده از Derived Attributes: هنگام ساخت یک سگمنت، می‌توانید از قوانینی استفاده کنید که مبتنی بر این اتریبیوت‌های مشتق‌شده هستند.
- شخصی‌سازی (Personalization) – کانتکست و محاسبات جادو می‌کنند!: آیا با WebEngage Collections آشنایی دارید؟ (اگر نه، مطالعه درباره آن را پیشنهاد می‌کنیم). Collections مجموعه‌ای از الگوریتم‌های توصیه‌گرِ Context-aware در WebEngage هستند. شما می‌توانید از آن‌ها برای ارائه باکیفیت‌ترین پیشنهادات به کاربران بر اساس رفتار و داده‌های دموگرافیک آن‌ها استفاده کنید. اکنون می‌توانید Derived Attributes را نیز به این ترکیب اضافه کنید تا این پیشنهادات حتی مرتبط‌تر شوند. برای مثال، دو کاربر می‌توانند کاتالوگ متفاوتی از فیلم‌ها را بر اساس «ژانر مورد علاقه» خود ببینند؛ ویژگی‌ای که در واقع یک Derived Attribute است که از تابع Affinity برای رویدادهای «تماشای فیلم» استفاده می‌کند. جادویی است!!!
ویژگی Derived Attributes شکاف بین داده‌های خام و داده‌های بلافاصله قابل اقدام (Actionable) را پر می‌کند. دیگر نیازی به محاسبات دستی، پردازش‌های خارجی و متریک‌های تاریخ‌گذشته نیست. پروفایل‌های کاربری شما اکنون بسیار غنی‌تر از قبل شده‌اند و تجمیع‌های لحظه‌ای (Real-time) را منعکس می‌کنند. با این قابلیت، ما تصمیم‌گیری‌های ۱:۱ را «شخصی‌تر» کرده‌ایم.
آیا موتور جدید سگمنتیشن WebEngage را تجربه کرده‌اید؟ این موتور با ترکیب یک Criteria Builder منعطف، تابع جدید ()Affinity و یک تجربه کاربری (UX) نمادین، اکنون فعال‌سازی کمپین‌ها را در سطحی بی‌سابقه بازگشایی می‌کند. به لطف ابزار Segment AI Agent ما، حتی نیازی نیست این سگمنت‌ها را به‌صورت دستی بسازید. فقط با Agent ما چت کنید و همه‌چیز آماده است!
برای فعال‌سازی این ویژگی روی اکانت خود، لطفاً با مدیر حساب (Account Manager) یا مشاور رشد (Growth Consultant) خود در تماس باشید.
منبع اصلی: Derived Attributes in WebEngage