شارك في كتابة هذا المنشور هشام فهيم من طومسون رويترز.
طومسون رويترز (TR) هي واحدة من أكثر منظمات المعلومات الموثوقة في العالم للشركات والمهنيين. إنه يزود الشركات بالذكاء والتكنولوجيا والخبرة البشرية التي يحتاجونها للعثور على إجابات موثوقة ، مما يمكنهم من اتخاذ قرارات أفضل بسرعة أكبر. يمتد عملاء TR عبر الأسواق المالية والمخاطر والقانونية والضريبية والمحاسبية والإعلامية.
توفر Thomson Reuters منتجات رائدة في السوق في حملة الضرائب والقانون والأخبار ، والتي يمكن للمستخدمين الاشتراك فيها باستخدام نموذج ترخيص الاشتراك. لتعزيز هذه التجربة لعملائها ، أرادت TR إنشاء منصة توصيات مركزية تسمح لفريق المبيعات الخاص بهم باقتراح حزم الاشتراك الأكثر صلة بعملائهم ، وتقديم اقتراحات تساعد على زيادة الوعي بالمنتجات التي يمكن أن تساعد عملائهم على خدمة السوق بشكل أفضل من خلال تحديدات المنتجات المصممة.
قبل إنشاء هذه المنصة المركزية ، كان لدى TR محرك قديم قائم على القواعد لإنشاء توصيات التجديد. تم تحديد القواعد في هذا المحرك مسبقًا وكُتبت بلغة SQL ، والتي إلى جانب كونها تمثل تحديًا للإدارة ، كافحت أيضًا للتعامل مع تكاثر البيانات من مصادر البيانات المتكاملة المتنوعة الخاصة بـ TR. تتغير بيانات عملاء TR بمعدل أسرع من تطور قواعد العمل لتعكس احتياجات العملاء المتغيرة. تمحورت المتطلبات الرئيسية لمحرك التخصيص الجديد القائم على التعلم الآلي (ML) من TR حول نظام توصية دقيق يأخذ في الاعتبار اتجاهات العملاء الحديثة. سيكون الحل المطلوب هو الحل الذي ينطوي على تكاليف تشغيلية منخفضة ، والقدرة على تسريع تحقيق أهداف العمل ، ومحرك التخصيص الذي يمكن تدريبه باستمرار على بيانات محدثة للتعامل مع عادات المستهلك المتغيرة والمنتجات الجديدة.
كان إضفاء الطابع الشخصي على توصيات التجديد بناءً على المنتجات ذات القيمة لعملاء TR تحديًا تجاريًا مهمًا لفريق المبيعات والتسويق. تمتلك TR ثروة من البيانات التي يمكن استخدامها للتخصيص والتي تم جمعها من تفاعلات العملاء وتخزينها في مستودع بيانات مركزي. لقد كان TR من أوائل المتبنين لـ ML مع الأمازون SageMaker، ونضجها في مجال AI / ML يعني أنها جمعت مجموعة بيانات مهمة من البيانات ذات الصلة داخل مستودع البيانات ، والتي يمكن للفريق تدريب نموذج التخصيص معها. واصلت TR ابتكاراتها في مجال الذكاء الاصطناعي / التعلم الآلي ، وقد طورت مؤخرًا منصة توصية مجددة باستخدام تخصيص أمازون، وهي خدمة تعلّم آلية مُدارة بالكامل تستخدم تفاعلات وعناصر المستخدم لإنشاء توصيات للمستخدمين. في هذا المنشور ، نشرح كيف استخدمت TR Amazon Personalize لبناء نظام توصية قابل للتطوير ومتعدد المستأجرين يوفر أفضل خطط الاشتراك في المنتجات والأسعار المرتبطة لعملائها.
هندسة الحل
كان لابد من تصميم الحل مع مراعاة عمليات TR الأساسية حول فهم المستخدمين من خلال البيانات ؛ كان تزويد هؤلاء المستخدمين بمحتوى مخصص وملائم من مجموعة كبيرة من البيانات مطلبًا بالغ الأهمية. يعد وجود نظام توصية جيد التصميم أمرًا أساسيًا للحصول على توصيات الجودة التي يتم تخصيصها وفقًا لمتطلبات كل مستخدم.
تطلب الحل جمع بيانات سلوك المستخدم وإعدادها ، وتدريب نموذج ML باستخدام Amazon Personalize ، وإنشاء توصيات مخصصة من خلال النموذج المدرب ، وقيادة حملات التسويق بالتوصيات المخصصة.
أرادت TR الاستفادة من الخدمات المُدارة من AWS حيثما أمكن لتبسيط العمليات وتقليل الرفع الثقيل غير المتمايز. تم استخدام TR AWS Glue Data Brew و دفعة AWS وظائف لأداء وظائف الاستخراج والتحويل والتحميل (ETL) في خطوط أنابيب ML ، و SageMaker جنبًا إلى جنب مع Amazon Personalize لتخصيص التوصيات. من منظور حجم بيانات التدريب ووقت التشغيل ، يجب أن يكون الحل قابلاً للتطوير لمعالجة ملايين السجلات ضمن الإطار الزمني الذي تم الالتزام به بالفعل للمستهلكين في فرق العمل في TR.
تشرح الأقسام التالية المكونات المتضمنة في الحل.
خط أنابيب تدريب ML
يتم جمع التفاعلات بين المستخدمين والمحتوى في شكل بيانات تدفق النقر ، والتي يتم إنشاؤها عندما ينقر العميل على المحتوى. يقوم TR بتحليل ما إذا كان هذا جزءًا من خطة الاشتراك الخاصة بهم أو خارج خطة الاشتراك الخاصة بهم حتى يتمكنوا من تقديم تفاصيل إضافية حول السعر وخيارات التسجيل في الخطة. يتم الاحتفاظ ببيانات تفاعلات المستخدم من مصادر مختلفة في مستودع البيانات الخاص بهم.
يوضح الرسم البياني التالي خط أنابيب التدريب ML.
يبدأ خط الأنابيب بوظيفة AWS Batch التي تستخرج البيانات من مستودع البيانات وتحول البيانات لإنشاء تفاعلات ومستخدمين ومجموعات بيانات عناصر.
تُستخدم مجموعات البيانات التالية لتدريب النموذج:
- بيانات المنتج المنظمة - الاشتراكات والأوامر وكتالوج المنتجات والمعاملات وتفاصيل العملاء
- بيانات السلوك شبه المنظمة - المستخدمون والاستخدام والتفاعلات
يتم تخزين هذه البيانات المحولة في ملف خدمة تخزين أمازون البسيطة (Amazon S3) ، الذي يتم استيراده إلى Amazon Personalize لتدريب تعلم الآلة. نظرًا لأن TR تريد إنشاء توصيات مخصصة لمستخدميها ، فإنهم يستخدمون امتداد USER_PERSONALIZATION لتدريب نماذج ML على بياناتهم المخصصة ، والتي يشار إليها باسم إنشاء إصدار الحل. بعد إنشاء إصدار الحل ، يتم استخدامه لإنشاء توصيات مخصصة للمستخدمين.
سير العمل بأكمله منظم باستخدام وظائف خطوة AWS. يتم التقاط التنبيهات والإعلامات ونشرها على Microsoft Teams باستخدام خدمة إعلام أمازون البسيطة (Amazon SNS) و أمازون إيفينت بريدج.
إنشاء خط أنابيب للتوصيات المخصصة: استدلال الدُفعات
تتغير متطلبات العملاء وتفضيلاتهم كثيرًا ، وتُعد أحدث التفاعلات التي تم التقاطها في بيانات تدفق النقر بمثابة نقطة بيانات رئيسية لفهم التفضيلات المتغيرة للعميل. للتكيف مع تفضيلات العملاء المتغيرة باستمرار ، تنشئ TR توصيات مخصصة على أساس يومي.
يوضح الرسم البياني التالي خط الأنابيب لإنشاء توصيات مخصصة.
تستخرج وظيفة DataBrew البيانات من مستودع بيانات TR للمستخدمين المؤهلين لتقديم توصيات أثناء التجديد بناءً على خطة الاشتراك الحالية والنشاط الأخير. تسهل أداة إعداد البيانات المرئية DataBrew على محللي بيانات TR وعلماء البيانات تنظيف البيانات وتطبيعها لإعدادها للتحليلات والتعلم الآلي. كانت القدرة على الاختيار من بين أكثر من 250 تحويلًا تم إنشاؤه مسبقًا داخل أداة إعداد البيانات المرئية لأتمتة مهام إعداد البيانات ، كل ذلك دون الحاجة إلى كتابة أي رمز ، ميزة مهمة. تنشئ وظيفة DataBrew مجموعة بيانات إضافية للتفاعلات والإدخال لوظيفة توصيات الدُفعات وتخزن الإخراج في حاوية S3. يتم استيراد مجموعة البيانات المتزايدة التي تم إنشاؤها حديثًا إلى مجموعة بيانات التفاعلات. عندما تنجح مهمة استيراد مجموعة البيانات الإضافية ، يتم تشغيل وظيفة توصيات مجموعة Amazon Personalize باستخدام بيانات الإدخال. يُنشئ Amazon Personalize أحدث التوصيات للمستخدمين المقدمين في بيانات الإدخال ويخزنها في حاوية S3 للتوصيات.
يعد تحسين السعر الخطوة الأخيرة قبل أن تصبح التوصيات المشكلة حديثًا جاهزة للاستخدام. تدير TR وظيفة تحسين التكلفة بناءً على التوصيات التي تم إنشاؤها وتستخدم SageMaker لتشغيل نماذج مخصصة بناءً على التوصيات كجزء من هذه الخطوة النهائية. تقوم مهمة AWS Glue برعاية المخرجات الناتجة من Amazon Personalize وتحويلها إلى تنسيق الإدخال المطلوب بواسطة نموذج SageMaker المخصص. TR قادرة على الاستفادة من اتساع نطاق الخدمات التي توفرها AWS ، باستخدام كل من Amazon Personalize و SageMaker في منصة التوصيات لتخصيص التوصيات بناءً على نوع شركة العميل والمستخدمين النهائيين.
يتم فصل سير العمل بأكمله وتنسيقه باستخدام وظائف الخطوة ، مما يمنح المرونة في قياس خط الأنابيب وفقًا لمتطلبات معالجة البيانات. يتم التقاط التنبيهات والإشعارات باستخدام Amazon SNS و EventBridge.
قيادة حملات البريد الإلكتروني
تُستخدم التوصيات التي تم إنشاؤها جنبًا إلى جنب مع نتائج التسعير لدفع حملات البريد الإلكتروني إلى عملاء TR. تُستخدم وظيفة AWS Batch لتنظيم التوصيات لكل عميل وإثرائها بمعلومات التسعير المحسّنة. يتم استيعاب هذه التوصيات في أنظمة حملات TR ، والتي تقود حملات البريد الإلكتروني التالية:
- تجديد الاشتراك الآلي أو ترقية الحملات بمنتجات جديدة قد تهم العميل
- حملات تجديد منتصف العقد مع عروض أفضل ومنتجات أكثر صلة ومواد المحتوى القانوني
يتم أيضًا نسخ المعلومات من هذه العملية إلى بوابة العميل حتى يتمكن العملاء الذين يراجعون اشتراكهم الحالي من رؤية توصيات التجديد الجديدة. شهدت TR معدل تحويل أعلى من حملات البريد الإلكتروني ، مما أدى إلى زيادة طلبات المبيعات ، منذ تنفيذ منصة التوصيات الجديدة.
الخطوة التالية: مسار التوصيات في الوقت الفعلي
تتغير متطلبات العملاء وسلوكيات التسوق في الوقت الفعلي ، ويعد تكييف التوصيات مع التغييرات في الوقت الفعلي أمرًا أساسيًا لتقديم المحتوى الصحيح. بعد تحقيق نجاح كبير في نشر نظام توصية الدُفعات ، تخطط TR الآن للانتقال بهذا الحل إلى المستوى التالي من خلال تنفيذ خط أنابيب للتوصيات في الوقت الفعلي لإنشاء توصيات باستخدام Amazon Personalize.
يوضح الرسم البياني التالي البنية لتقديم توصيات في الوقت الفعلي.
يبدأ التكامل في الوقت الفعلي بجمع بيانات تفاعل المستخدم المباشر وتدفقها إلى Amazon Personalize. نظرًا لتفاعل المستخدمين مع تطبيقات TR ، فإنهم يقومون بإنشاء أحداث النقر ، والتي يتم نشرها في الأمازون كينسيس دفق البيانات. ثم يتم استيعاب الأحداث في منصة البث المركزية الخاصة بـ TR ، والتي تم إنشاؤها فوقها إدارة أمازون الجري لكافكا (أمازون MSK). يجعل Amazon MSK من السهل استيعاب البيانات المتدفقة ومعالجتها في الوقت الفعلي باستخدام Apache Kafka المُدار بالكامل. في هذه البنية ، تعمل Amazon MSK كمنصة دفق وتنفذ أي تحويلات للبيانات مطلوبة في أحداث تدفق النقرات الواردة الأولية. ثم أ AWS لامدا يتم تشغيل الوظيفة لتصفية الأحداث إلى المخطط المتوافق مع مجموعة بيانات Amazon Personalize ودفع هذه الأحداث إلى متتبع أحداث Amazon Personalize باستخدام putEvent
API. يتيح ذلك لـ Amazon Personalize التعلم من أحدث سلوك للمستخدم وتضمين العناصر ذات الصلة في التوصيات.
تستدعي تطبيقات الويب الخاصة بـ TR واجهة برمجة تطبيقات منتشرة في بوابة أمازون API للحصول على توصيات ، مما يؤدي إلى تشغيل وظيفة Lambda لاستدعاء ملف GetRecommendations
استدعاء API مع Amazon Personalize. يوفر Amazon Personalize أحدث مجموعة من التوصيات الشخصية المنسقة لسلوك المستخدم ، والتي يتم تقديمها مرة أخرى إلى تطبيقات الويب عبر Lambda و API Gateway.
من خلال هذه البنية في الوقت الفعلي ، يمكن لـ TR أن تخدم عملائها بتوصيات مخصصة مصممة وفقًا لأحدث سلوكياتهم وتخدم احتياجاتهم بشكل أفضل.
وفي الختام
في هذا المنشور ، أوضحنا لك كيف استخدمت TR Amazon Personalize وخدمات AWS الأخرى لتنفيذ محرك التوصيات. مكّنت Amazon Personalize شركة TR من تسريع تطوير ونشر نماذج عالية الأداء لتقديم توصيات لعملائها. TR قادرة على توفير مجموعة جديدة من المنتجات في غضون أسابيع الآن ، مقارنة بالأشهر السابقة. مع Amazon Personalize و SageMaker ، تستطيع TR رفع مستوى تجربة العملاء من خلال خطط اشتراك محتوى أفضل وأسعار لعملائها.
إذا كنت قد استمتعت بقراءة هذه المدونة وترغب في معرفة المزيد حول تخصيص Amazon وكيف يمكن أن تساعد مؤسستك في بناء أنظمة توصية ، يرجى الاطلاع على دليل المطور.
حول المؤلف
هشام فهيم مهندس رئيسي لتعلم الآلة ومهندس محرك التخصيص في Thomson Reuters. لقد عمل مع مؤسسات في الأوساط الأكاديمية والصناعية تتراوح من الشركات الكبيرة إلى الشركات الناشئة متوسطة الحجم. مع التركيز على بنيات التعلم العميق القابلة للتطوير ، لديه خبرة في الروبوتات المتنقلة ، وتحليل الصور الطبية الحيوية بالإضافة إلى أنظمة التوصية. بعيدًا عن أجهزة الكمبيوتر ، فإنه يستمتع بالتصوير الفلكي والقراءة وركوب الدراجات لمسافات طويلة.
سرينيفاسا شيخ هو مهندس حلول في AWS ومقره بوسطن. إنه يساعد عملاء Enterprise على تسريع رحلتهم إلى السحابة. إنه شغوف بالحاويات وتقنيات التعلم الآلي. في أوقات فراغه ، يستمتع بقضاء الوقت مع أسرته والطهي والسفر.
فامشي كريشنا إينابوثالا مهندس معماري متخصص في الذكاء الاصطناعي في AWS. يعمل مع عملاء من قطاعات مختلفة لتسريع مبادرات البيانات والتحليلات والتعلم الآلي عالية التأثير. إنه متحمس لأنظمة التوصية ، ومعالجة اللغات الطبيعية ، ومجالات رؤية الكمبيوتر في الذكاء الاصطناعي والتعلم الآلي. خارج العمل ، Vamshi هو متحمس RC ، يبني معدات RC (طائرات ، سيارات ، وطائرات بدون طيار) ، كما أنه يستمتع بالبستنة.
سيمون زكيت هو مهندس حلول أول في AWS. مع أكثر من 6 سنوات من الخبرة كمهندس سحابي ، يتمتع Simone بالعمل في مشاريع مبتكرة تساعد في تغيير طريقة تعامل المؤسسات مع مشاكل الأعمال. إنه يساعد في دعم عملاء المؤسسات الكبيرة في AWS وهو جزء من Machine Learning TFC. بعيدًا عن حياته المهنية ، يستمتع بالعمل في مجال السيارات والتصوير الفوتوغرافي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- القدرة
- ماهرون
- من نحن
- الأكاديمية
- تسريع
- حسابي
- المحاسبة
- دقيق
- في
- نشاط
- تكيف
- إضافي
- مميزات
- بعد
- AI
- AI / ML
- الكل
- يسمح
- سابقا
- أمازون
- تخصيص أمازون
- تحليل
- المحللين
- تحليلات
- تحليل
- و
- الأجوبة
- أباتشي
- API
- التطبيقات
- تطبيقي
- تطبيق AI
- نهج
- هندسة معمارية
- المناطق
- حول
- أسوشيتد
- أتمتة
- وعي
- AWS
- غراء AWS
- الى الخلف
- على أساس
- أساس
- لان
- قبل
- أفضل
- أفضل
- ما بين
- Beyond
- الطبية الحيوية
- المدونة
- بوسطن
- سعة
- نساعدك في بناء
- ابني
- بنيت
- الأعمال
- الأعمال
- دعوة
- الحملات
- الحملة الانتخابية
- الحملات
- cars
- الأقسام
- مركز
- مركزية
- تحدى
- تغيير
- التغييرات
- متغير
- اختار
- سحابة
- الكود
- جمع
- ملتزم
- الشركات
- مقارنة
- متوافق
- مكونات
- الكمبيوتر
- رؤية الكمبيوتر
- أجهزة الكمبيوتر
- النظر
- باستمرار
- مستهلك
- المستهلكين
- حاويات
- محتوى
- واصل
- تحويل
- جوهر
- التكلفة
- استطاع
- خلق
- خلق
- خلق
- من تنسيق
- برعاية
- حالياًّ
- على
- زبون
- بيانات العميل
- تجربة العملاء
- العملاء
- يوميا
- البيانات
- تحضير البيانات
- معالجة المعلومات
- قواعد البيانات
- صفقة
- القرارات
- عميق
- التعلم العميق
- تقديم
- يسلم
- اعتمادا
- نشر
- نشر
- نشر
- تصميم
- تفاصيل
- المتقدمة
- التطوير التجاري
- مختلف
- مسافة
- نطاق
- قيادة
- قيادة
- طائرات بدون طيار
- أثناء
- كل
- في وقت سابق
- في وقت مبكر
- رفع
- مؤهل
- البريد الإلكتروني
- تمكين
- تمكين
- اشتباك
- محرك
- مهندس
- إثراء
- مشروع
- الشركات
- متحمس
- كامل
- معدات
- الحدث/الفعالية
- أحداث
- دائم التغير
- يتطور
- الخبره في مجال الغطس
- خبرة
- شرح
- استخراج
- مقتطفات
- للعائلات
- أسرع
- الميزات
- تصفية
- نهائي
- مالي
- شركة
- مرونة
- تركز
- متابعيك
- النموذج المرفق
- شكل
- شكلت
- FRAME
- تبدأ من
- تماما
- وظيفة
- وظائف
- بوابة
- توليد
- ولدت
- يولد
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- الحصول على
- يعطي
- الأهداف
- عظيم
- وجود
- مساعدة
- يساعد
- أداء عالي
- أعلى
- كيفية
- HTML
- HTTPS
- الانسان
- صورة
- تنفيذ
- تحقيق
- استيراد
- أهمية
- in
- تتضمن
- الوارد
- زيادة
- العالمية
- معلومات
- المبادرات
- الابتكار
- مبتكرة
- إدخال
- المتكاملة
- التكامل
- رؤيتنا
- التفاعل
- التفاعلات
- مصلحة
- المشاركة
- IT
- العناصر
- وظيفة
- المشــاريــع
- رحلة
- القفل
- كبير
- اسم العائلة
- آخر
- قيادة
- قيادة
- تعلم
- تعلم
- إرث
- شروط وأحكام
- مستوى
- الترخيص
- الحياة
- تجميل
- حي
- تحميل
- طويل
- منخفض
- آلة
- آلة التعلم
- جعل
- يصنع
- إدارة
- تمكن
- تجارة
- قيادة السوق
- التسويق
- الأسواق
- نضج
- الوسائط
- مایکروسافت
- فرق مايكروسوفت
- ربما
- ملايين
- ML
- الجوال
- نموذج
- عارضات ازياء
- المقبلة.
- الأكثر من ذلك
- أكثر
- حاجة
- إحتياجات
- جديد
- منتجات جديدة
- أخبار
- التالي
- البرمجة اللغوية العصبية
- إعلام
- الإخطارات
- عروض
- على متن
- ONE
- تشغيل
- عمليات
- التحسين
- الأمثل
- مزيد من الخيارات
- الطلبات
- منظمة
- المنظمات
- أخرى
- في الخارج
- حزم
- جزء
- عاطفي
- نفذ
- ينفذ
- التخصيص
- إضفاء الطابع الشخصي
- مخصصه
- منظور
- تصوير
- خط أنابيب
- خطة
- تخطيط
- خطط
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- من فضلك
- البوينت
- بوابة
- ممكن
- منشور
- التفضيلات
- إعداد
- إعداد
- السعر
- الأسعار
- التسعير
- مشاكل
- عملية المعالجة
- معالجة
- منتج
- المنتجات
- محترف
- المهنيين
- مشروع ناجح
- تزود
- المقدمة
- ويوفر
- توفير
- نشرت
- دفع
- جودة
- بسرعة
- رفع
- تتراوح
- معدل
- الخام
- نادي القراءة
- استعداد
- حقيقي
- في الوقت الحقيقي
- الأخيرة
- مؤخرا
- وصفة
- توصية مجاناً
- ساندي خ. ميليك
- تسجيل
- تخفيض
- يشار
- تعكس
- ذات الصلة
- منسوخة
- مطلوب
- المتطلبات
- المتطلبات الأساسية
- النتائج
- رويترز
- مراجعة
- المخاطرة
- الروبوتات
- القواعد
- يجري
- sagemaker
- الأملاح
- تحجيم
- حجم
- التحجيم
- العلماء
- أقسام
- قطاعات
- رؤية
- كبير
- خدمة
- يخدم
- الخدمة
- خدمات
- خدمة
- طقم
- التسوق والترفيه
- إشارة
- هام
- الاشارات
- تبسيط
- منذ
- So
- حل
- الحلول
- مصدر
- مصادر
- متخصص
- الإنفاق
- يبدأ
- البدء
- خطوة
- تخزين
- تخزين
- فروعنا
- متدفق
- اشتراك
- الاشتراكات
- تحقيق النجاح
- ناجح
- جناح
- الدعم
- نظام
- أنظمة
- تناسب
- أخذ
- يأخذ
- المهام
- ضريبة
- فريق
- فريق
- التكنولوجيا
- تكنولوجيا
- •
- من مشاركة
- طومسون رويترز
- عبر
- الوقت
- إلى
- أداة
- تيشرت
- قطار
- متدرب
- قادة الإيمان
- المعاملات
- تحول
- التحولات
- تحول
- السفر
- جديد الموضة
- أثار
- افضل
- فهم
- فهم
- حديث جديد
- ترقية
- الأستعمال
- تستخدم
- مستخدم
- المستخدمين
- القيمة
- مختلف
- الإصدار
- بواسطة
- رؤيتنا
- حجم
- مطلوب
- ثروة
- الويب
- تطبيقات الويب
- أسابيع
- ابحث عن
- التي
- من الذى
- في غضون
- بدون
- للعمل
- عمل
- عامل
- أعمال
- العالم
- سوف
- اكتب
- مكتوب
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت