زمان مطالعه: 4 دقیقه

حل مشکلات کسب‌وکار با تبدیل آن به علم داده و هوش مصنوعی

حل مشکلات کسب‌وکار با تبدیل آن به علم داده و هوش مصنوعی

وقتی تصمیم می‌گیرید معضل به‌وجود آمده در کسب‌وکارتان را حل کنید، جدای از شناخت معضل، باید بدانید که اهدافتان کدام است و هنگامی که تصمیم می‌گیرید از علم داده و هوش مصنوعی برای حل مسئله استفاده کنید، ابتدا باید مسئله را برای خودتان شفاف کنید و درک درستی از معیارهای تحلیل و ترسیم آن معضل به یک یا چند الگوی کسب‌وکار و همچنین شناخت کافی از اهداف تجاریتان داشته باشید.

متخصص علم داده هم برای کمک به کسب‌وکار، ابتدا با صاحبان کسب‌وکار گفتگو می‌کند. او در آغاز فقط گوش می‌دهد. سپس می‌کوشد مسئلهٔ به وجود آمده را به فرایندهای کوچک‌تر تجزیه کند تا به درک درست‌تری از معضل کسب‌وکار برسد و سپس می‌کوشد روش‌های موردنیاز را برای حل‌وفصل هر معضل پیدا کند و آن را به زبان هوش‌مصنوعی و تکنیک‌های علم داده تبدیل کند. برای این کار هم از مجموعه‌ای از آزمایش‌های فکری تکرارشونده استفاده می‌شود و هم از روش‌های مدل‌سازی و ارزیابی.

واقعیت این است که وارد کردن سریع فناوری بدون شناخت خود کسب‌وکار و معضلات آن، چندان مفید نخواهد بود. چه‌بسا اصلاً خود وارد کردن فناوری بدون شناخت کامل مسئله به یک مشکل برای کسب‌وکار تبدیل شود. برای اینکه بتوانید از هوش‌مصنوعی و علم داده استفاده کنید، باید دقت بالایی در شناخت مسئله داشته باشید و به این منظور باید چهار گام اصلی برداشته شود:

  • ابتدا باید مسئله را شفاف کرد.
  • همه پرسش‌های مفید در زمینه کسب‌وکار که به شناخت بهتر آن کمک می‌کند باید با حداکثر دقت ممکن فهرست شوند.
  • تمام نیازمندی‌های دیگرِ مربوط به کسب‌وکار باید مشخص شوند، مثلاً نباید حین افزایش فرصت‌­های فروش مکمل، مشتری‌ها را از دست داد.
  • سودهای اقتصادی مورد نظر را در کسب‌وکار خود مشخص کنید، مثلاً کاهش ۱۰ درصدی ریزش مشتری‌های با ارزش.

تعیین اهداف و تجزیه‌وتحلیل داده‌ها

بعد از شفاف شدن اهداف کسب‌وکار، باید این اهداف را به زبان تحلیل داده ترجمه کرد و در گام بعدی، فعالیت‌های مناسب برای رسیدن به اهداف را فهرست کرد. به‌عنوان‌مثال، اگر هدف کسب‌وکارتان کاهش ریزش مشتریان است، این دو هدف تحلیلی می‌تواند به شما کمک کند:

  • بر اساس آخرین داده­‌های خرید، مشتریان با ارزش را شناسایی کنید.
  • با استفاده از داده‌­های در دسترس در مورد مشتریان، مدلی برای پیش­بینی احتمال ریزش هر مشتری، بسازید.

البته قبل از این مرحله باید مطمئن شد که داده‌های جمع‌آوری شده و در دسترس درباره مشتریان، شامل اطلاعات درستی باشد، همچنین این هم مهم است که از قبل مشخص کنید که قرار است چگونه از نتایج حاصل از این تحلیل‌ها استفاده کنید تا به اهداف تعیین شده در کسب‌وکار دست پیدا کنید. چگونگی استفاده از نتایج تحلیل‌ها و شیوه تعمیم و گسترش آنها، همچنین نحوه استفاده از این اطلاعات در کسب‌وکار و اقدامات لازم برای رسیدن به هدف‌های موردنظر، چیزهای دیگری است که باید قبل از استفاده از روش‌های داده‌محور درباره آن تصمیم بگیرید.

معمولاً برای حل مسائل کسب‌وکار، باید خروجی‌­های مدل هوش‌مصنوعی و علم داده را پیش-پردازش کرد. برای مثال، باید فهرست مشتریانی را که ممکن است ریزش کنند، آماده‌سازی و مرتب کرد. صرف هزینه و زمان برای حفظ کوتاه‌مدت یک مشتری با ارزش بالا که احتمال ریزش زیادی دارد، ممکن است به صرفه نباشد و چه‌بسا مشتری­‌های بلندمدت نسبت به مشتریان کوتاه‌مدت (حتی با امتیاز ریزشی بالاتر)، در اولویت قرار داشته باشند.

معیارهای موفقیت‌­آمیز بودن تحلیل داده‌­ها

برای اینکه بتوانید از روش‌های تحلیل داده برای رسیدن به موفقیت استفاده کنید، باید بتوانید موفقیت موردنظرتان را به زبان تحلیل داده ترجمه کنید، برای این کار سه‌گام اصلی وجود دارد:

  • روش­‌هایی برای ارزیابی مدل تعریف کنید و آنها را برای خود تشریح کنید: روش‌هایی مثل دقت و عملکرد.
  • معیارهایی برای ارزیابی موفقیت تعریف کنید، مطمئن شوید که اعداد درستی برای نشان‌دادن موفقیت انتخاب می‌کنید.
  • اندازه­‌گیری­‌های شخصی را به بهترین شکل ممکن تعریف و معیار سنجش موفقیت را تعیین کنید.

الگوهای تحلیل مسائل کسب‌وکار

در بسیاری از موارد، حل مسائل کسب‌وکار با تحلیل داده و هوش‌مصنوعی، نیازمند ترکیب الگوهای تحلیل کسب‌وکار است. اگرچه اغلب این الگوها در یک چرخه طولانی نمایان می‌­شوند، اما کاربرد عملی این الگوها بیشتر در رسیدن به اهداف کلی کسب‌وکار، تکرار می‌شوند.

الگوهای تحلیل مسائل کسب‌وکار

پاسخ به این پرسش که «طرح و برنامهٔ ما چیست؟»، یعنی پیش‌بینی و بودجه‌بندی براساس فعالیت‌های قبلی که به آن مرحلهٔ پیشبرد اهداف می‌گوییم. معمولاً، در این مرحله باید روی بودجه‌بندی و رخدادهای مهم مرتبط با آن تمرکز کرد تا طرح و برنامه، بودجه‌بندی و پیش‌بینی دقیق‌تری بر اساس فعالیت گذشته، حاصل شود.

اما برای درک فعالیت گذشته، شما باید پاسخ­‌های توصیفی مناسبی برای پرسش «چه رخ داده است؟» داشته باشید. برای پاسخ به این پرسش، باید درباره مواردی ازاین‌دست پاسخ مناسب داشته باشید: باید بتوانید در نتایج مالی کاوش کنید تا ریشه علل مشخص شود و علت‌های اصلی شناخته شود، باید سناریوهای محتمل گذشته را بررسی کنید، یعنی این سؤال که «چه می‌­­شد اگر» را سال‌به‌سال تحلیل کنید و نتایج کسب شده را در مقابل برنامه‌ها و اهداف تعیین شده قرار دهید و سپس به‌واسطهٔ ورودی‌­های عددی و سری­‌های زمانی به پیش‌بینی بپردازید.

بعد از این مرحله باید اقداماتی را پیش‌بینی کرد که ممکن است در یک توالی رخ دهد یا درباره رخدادهایی برنامه‌ریزی کرد که ممکن است به طور همزمان اتفاق بیفتند. مثلاً باید درباره میزان ریزش مشتری‌ها بر اساس سناریوهای متفاوت، پاسخ‌های مختلفی تهیه کنید، پیش­‌بینی‌­های مالی را مستند کنید، بهترین اقدام‌های بعدی در کسب‌وکار را مشخص کنید و شکست‌های احتمالی آینده را پیش‌بینی کنید. پیش‌بینی یک رخداد در آینده، به دلیل اینکه برای تاثیر روی خروجی‌ها نیازمند خط مبنایی از داده‌های تاریخی است، یک فعالیت علم داده «با نظارت» محسوب می‌شود.

زمانی که شما داده‌­ها را تقسیم‌­بندی کرده و داده­‌های نامتعارف را شناسایی می‌­کنید، در واقع رویدادی در آینده را بر اساس عناصر داده­ های مرتبط با آن، شناسایی می‌­کنید. بر این مرحله نمی‌توان نظارت کرد، زیرا الگوهایی که در حصول اهداف کسب‌وکار با آن­ها سروکار داریم محال است قبل از اجرا، قابل شناخت باشند. مثال‌­های این مرحله، شامل اموری مانند بخش‌بندی بازار، تشخیص کلاه‌برداری و تقلب، و مصور کردن داده‌ها به‌منظور تشخیص موجودیت‌ها است.

برای رسیدن به یک نگرش از دل محتوا، باید از اموری مانند تحلیل محتوا و یادگیری عمیق استفاده کرد و همچنین از دیگر تکنیک‌­های مربوط به متن، تصاویر (نماها)، صداها (تکثیر صدا) و ویدئوها و همهٔ محتواهای بدون ساختار بهره برد. ضمن اینکه می‌­توان از تکنیک­‌هایی مثل استخراج ویژگی‌ها، تحلیل احساس‌‌ها و یادگیری عمیق برای استخراج معنی از محتواهای بدون ساختار برای رسیدن به اهداف کسب‌وکار، استفاده کرد.

همان طور که یکی از اهداف ممکن برای گسترش مدل‌­های هوش‌مصنوعی و علم داده، توانایی ایجاد تعامل با زبان طبیعی است، تعامل واقعی هم یکی دیگر از حوزه‌های توسعه هوش‌مصنوعی و علم داده است. در پردازش زبان طبیعی (NLP)، متون بدون ساختار، تحلیل می‌­شود. بسیاری از مدل­‌های از قبل ساخته شده (پیش‌­ساخته) پردازش زبان طبیعی، امکان تجزیه‌وتحلیل احساس، هیجان، نگرش و خصوصیات فردی را فراهم می‌­کنند. برخی از مدل‌­های پیش‌­ساخته، می‌­توانند با استفاده از آنتولوژی (شناسایی مفاهیم کلمات و یافتن ارتباط بین آن­ها) و تاکسونومی (رده‌­بندی کلمات بر اساس مجموعه­‌های گسسته) عبارت­‌های مفهومی و موجودیت‌­های مستقل از متن را استخراج کنند. در بسیاری از مواقع، مدل‌­های اختصاصی پردازش زبان طبیعی مور دنیاز است؛ زیرا ممکن است در کسب‌وکار مورد بحث از مواردی استفاده شده باشد که نیازمند مدل‌سازی برای مفاهیم خاصی باشد و داده‌­های مرتبط با کسب‌وکار ممکن است مربوط به واژگان حیطه خاصی از زبان (مثلاً مربوط به واژگان تخصصی حوزه یا صنعتی مشخص) باشد.

برای تعیین کمیت، قیمت و تخصیص منابع بهینه یا تعیین بهترین اقدام، باید از تکنیک‌­های بهینه‌­سازی تصمیم استفاده کرد. برای این کار باید از پیش‌­بینی­‌ سناریوهای آینده بهره گرفت. برای مثال این تکنیک‌ها در اپلیکیشن‌های «بهترین اقدام بعدی» و «مرکز تماس» شامل لیست سفارش‌ها بر اساس اولویت کسب‌وکار با وزن دادن به نتایج حاصل از علم تحلیل پیش‌بینانه است.

برویم سراغ یک مثال

فرض کنید یک بانک می‌­خواهد که شیوه‌­های پذیره‌­نویسی وام‌­هایش را بهینه کند. این بانک فیلترهایی را روی برنامه وام­‌های خود اعمال کرده است که به‌صورت خودکار متقاضیان پرریسک را رد می‌­کند. بااین‌حال، هنوز وام‌­های زیادی در بانک تأیید می‌­شود که باز هم با مشکلات بازپرداخت مواجه می‌­شوند.

بانک حجم زیادی از اطلاعات در مورد وام‌­های مصوب جمع‌­آوری می‌­کند: ۱۴۶ بخش از اطلاعات که می‌­توان آنها را در چند گروه مجزا خلاصه نمود:

  • اطلاعات تجمیعی وام: مثل مبلغ، مدت، نرخ بهره و دلیل دریافت وام.
  • اطلاعات تجمیعی متقاضی: مثل سن، حقوق، مدت اشتغال و مالکیت خانه.
  • عوامل ریسک: مثل سوابق عمومی، دفعات تخلفات کارت اعتباری و ورشکستگی.

تقریباً ۷۰ عامل، باعث پرریسک بودن یک وام، یعنی برگشت‌ناپذیر بودن آن، می‌شود.

هدف از انجام این تحلیل، ایجاد یک مدل پیش‌­بینانه برای شناسایی وام‌­های پرخطر است. بااین‌حال، در داده­‌های خام، هیچ زمینه‌­ای به‌تنهایی بیانگر پرخطر یا کم‌خطر بودن وام نیست.

راشل، یک دانشمند حوزه داده است که برای حل مسئله وام‌های خطرناک، جلسه‌­ای را با مشتریان برگزار کرد تا مشکل دادوستد مشتریان را دریابد (همان گام اول یعنی شنیدن و شناخت کسب‌وکار و معضل آن). هدف اولیه او بیان مسئله کسب‌وکار بر اساس قواعد ریاضی بود: «آیا می‌­توان صفاتی را در مورد یک شخص یا یک نوع وام شناسایی کرد که با استفاده از آن بتوان برای شناسایی وام‌­های پرخطری که توسط تیم پذیره‌­نویسی بانک پرداخت می‌­شود، استفاده کرد؟» سپس راشل توانست مسئلهٔ کسب‌وکار را به سطح دیگری ببرد (گام دوم): چه کارهایی باید برای پاسخ به مسئله انجام شود. او در این گام می‌بایست برای پرسش‌­های زیر پاسخ مناسبی داشته باشد:

  • تشخیص دهد که وام پرخطر چیست یا تشخیص دهد که کدام وام­‌ها ممکن است با مشکل مواجه شوند.
  • وام­‌ها را با استفاده از اطلاعاتی مثل هدف اخذ وام، مبلغ آن و مدت بازپرداخت، به گروه­‌های مختلف، تقسیم­‌بندی کند.
  • مشتریان را بر اساس اطلاعات جمعیتی آن­ها مرتب کند.
  • الگوهایی را کشف کند که از هر سه حالت بیان شده، فراتر برود.

همان طور که گفته شد، درک مسئلهٔ کسب‌وکار جزو اصول اساسی در حل مشکل بر اساس علم داده و هوش‌مصنوعی است. برای تجزیه نیازهای پیچیده به روش­‌های تکرارپذیر و قابل‌ کنترل برای حل مسئله، ابتدا باید به درکی روشن از مسئله رسید. معیارهای شروع و اعتبارسنجی و الگوهایی برای حل مسئله، نیازهایی است که در گام‌های بعدی باید آنها را برطرف کرد.

 منبع IBM

دیدگاه شما