الترتيب يروي قصة العميل

خذ عميلين سجّل كل منهما الدخول أربع مرات وأجرى تحويلًا كبيرًا واحدًا الشهر الماضي. في جدول شهري يبدوان متطابقين. لكن تحويل الأول ذهب إلى حساب ادخار يستخدمه منذ سنوات. أما الثاني فنُقل راتبه إلى بنك آخر في يوم وصوله، بعد وقت قصير من أول تسجيل دخول من جهاز جديد. المجاميع متطابقة، والقصتان مختلفتان.

تلجأ الفرق إلى التلخيص لأن النماذج التقليدية تحتاج إلى مجموعة ثابتة من الأعمدة لكل عميل. وكل ملخص هو قرار بما يُنسى: فالعدد على مدى 30 يومًا لا يميز بين نمط ثابت وتغير مفاجئ في الأيام الثلاثة الأخيرة. ويعوّض المحللون ذلك بمزيد من النوافذ الزمنية والنسب، فتتضخم قائمة الخصائص إلى مئات الأعمدة التي يصعب صيانتها.

بنية Transformer، التي قُدّمت عام 2017 للترجمة الآلية، هي البنية التي تقوم عليها النماذج اللغوية اليوم (Vaswani وآخرون). ويُدرَّب النموذج اللغوي على توقع الكلمة التالية، وعلى نطاق واسع تجعله هذه المهمة يتعلم قواعد اللغة والحقائق في طريقه، لأن كليهما يساعد في التوقع.

والفكرة نفسها تصلح للأحداث. تعامل مع تاريخ كل عميل كجملة كلماتها أحداث: دفعة بالبطاقة، وتسجيل دخول، وتحويل، ومكالمة مع الدعم. والنموذج المدرَّب على توقع الحدث التالي، أو على استكمال الأحداث المحجوبة، مضطر إلى أن يتعلم ما الذي يتبع ماذا عادة، وكيف يبدو الخروج عن الروتين، دون أن يُقال له أي خصائص يحسبها.

وقد نشرت عدة شركات هذا النهج. فوصفت Stripe نموذجًا أساسيًا للمدفوعات دُرّب على عشرات المليارات من المعاملات، وأفادت بأنه رفع معدل اكتشافها لهجمات اختبار البطاقات على الشركات الكبيرة بنسبة 64% (TechCrunch، مايو 2025). وأفادت Nubank في البرازيل بتحقيق مكاسب في مسائل توصية كبيرة بفضل نماذج Transformer دُرّبت على سجلات معاملات كانت لديها أصلًا، دون مصادر بيانات جديدة (Braithwaite وآخرون، 2025). أما نماذج PRAGMA لدى Revolut فهي مدرَّبة مسبقًا على تسلسلات الأحداث المصرفية، وتُستخدم في تقييم الجدارة الائتمانية وكشف الاحتيال وتقدير القيمة الدائمة للعميل (Ostroukhov وآخرون، 2026).

النمط المعتاد هو نموذج لكل سؤال: من قد يغادر، ومن سيأخذ قرضًا، وما حد الائتمان المناسب، ولكل منها خط معالجة ومراقبة ومسؤول خاص به. وعلى مدى بضع سنوات، يجد الفريق نفسه يصون عشرات خطوط المعالجة التي تصف العملاء أنفسهم بطرق مختلفة قليلًا.

أما النموذج المدرَّب على السلوك فيتعلم تمثيلًا واحدًا لكل عميل من أحداثه، ويصبح كل سؤال مهمة أصغر تُبنى فوقه. وتفيد ورقة PRAGMA بأن نموذجًا خطيًا بسيطًا مبنيًا على ذلك التمثيل يحقق أداءً جيدًا بالفعل، مع مكاسب إضافية من ضبط دقيق خفيف. فيصبح السؤال الجديد مشروعًا أصغر من خط معالجة جديد، وتعمل كل الفرق من الرؤية نفسها للعميل.

ثلاثة شروط تحدد إن كان هذا النهج سيؤتي ثماره. الحجم، أي أحداث كافية لتتكرر الأنماط، ولهذا تُعد المدفوعات والخدمات المصرفية الرقمية أوضح الحالات. والاستمرارية، أي إمكانية التعرف على العميل نفسه عبر الأنظمة وعلى مر الزمن، فيُقرأ تاريخه قصة واحدة بدلًا من أجزاء متفرقة بين منصة البطاقات والتطبيق والنظام المصرفي الأساسي. والنتائج، أي سجل لما حدث بعد كل قرار، مثل بقاء العميل أو سداده. وإذا غاب أحد هذه الشروط، فابدأ به.

ويحتاج كل حدث على الأقل إلى توقيته، بالثانية حيثما أمكن، ونوعه، وقيمته، وقناته. احتفظ بالأحداث الخام إلى جانب أي مجاميع، وبتاريخ يكفي لتغطية الدورات البطيئة في عملك، مثل المواسم وآجال القروض.

جهة الإقراض ذات قاعدة العملاء المتواضعة واللقطات الشهرية، أو البنك الذي لا يمكن بعد ربط سجلاته عبر الأنظمة، ستستفيد عادة أكثر من النماذج التقليدية والخصائص المصممة بعناية. وفي الجداول الصغيرة، تفوّق TabPFN، وهو نموذج مدرَّب مسبقًا لمجموعات البيانات الجدولية الصغيرة، على الأساليب السابقة في مجموعات بيانات تصل إلى 10,000 عينة في اختبارات مؤلفيه (Hollmann وآخرون، Nature، 2025).

وفي تلك الحالات تكون أثمن خطوة هي ترتيب سجل الأحداث: معرّف واحد للعميل، والاحتفاظ بالطوابع الزمنية، وربط النتائج بالقرارات. وهذا العمل يؤتي ثماره مع أي نموذج.

ينبغي التعامل مع النموذج المدرَّب على بيانات شخصية بوصفه أصلًا من أصول البيانات الشخصية. دوّن الأغراض التي يجوز أن يخدمها، وراجع أي استخدام جديد كما تراجعه للبيانات. وتحكّم فيمن يستطيع الاستعلام منه، وضع قواعد احتفاظ للنموذج كما للبيانات، واختبر أنه لا يحفظ سجلات فردية ولا يكشفها.

وتختلف القواعد من ولاية قضائية إلى أخرى. ففي الإمارات العربية المتحدة تختلف بين البر الرئيسي والمناطق الحرة المالية، وفي البرازيل يسري قانون LGPD. أشرك المستشار القانوني مبكرًا، وأبقِ التدريب والتشغيل حيث تقتضي التزاماتك، وسجّل البيانات التي دُرّب عليها كل إصدار من النموذج.

قارن نموذج التسلسل بنموذجك الحالي على فترات لاحقة لم يرها، عند مهلة الإنذار التي يحتاجها الفريق، وتحقق من أن المعدلات المتوقعة تطابق ما يحدث: إذا قال إن 7 من كل 100 عميل في مجموعة ما سيغادرون، فينبغي أن يغادر نحو 7.

ثم قِس النتيجة التجارية: العملاء الذين احتُفظ بهم أو المنتجات التي اشترك فيها العملاء في المجموعة التي تصرف فريقك معها، مقارنة بمجموعة ضابطة لم يتواصل معها، واحسب عدد خطوط المعالجة المنفصلة التي يحل محلها النهج الجديد.

اختر سؤالًا واحدًا له مسؤول واضح ونتائج مسجلة، مثل من قد يغادر في الربع القادم، وشغّل النهج الجديد إلى جانب الحالي قبل التوسع.

تقرأ Mantika Tessera، المبنية على نماذج Transformer، أحداث كل عميل بترتيب وقوعها، وتتوقع من قد يغادر ومن هو جاهز لمنتجات إضافية، ويختار فريقك الإجراء المناسب.