چرا شما به یک کارشناس تحلیل داده برای کسب و کارتان نیاز دارید؟

علم داده، قدرتمند‌ترین ابزار برای به‌دست آوردن بازار

علم داده، قدرتمند‌ترین ابزار برای به‌دست آوردن بازار

 

سهراب صالحین دنیای انرژی

آیا شما همچنان برای پیشبرد کسب و کار خود به بازاریابی سنتی متوصل می‌شوید؟‌ درست است که بازاریابی سنتی سال‌های سال است که به عنوان ابزاری کارآمد برای داشتن درک درستی از بازار هدف به کمک مدیران، صاحبان کسب و کار و بازرگانان آمده است، اما در سال‌های اخیر، کسب و کارهای زیادی، بالاخص آنهایی که در حوزه‌های بین‌المللی فعالیت می‌کنند و درگیر پیچیدگی‌های زیادی در داشتن برآوردی از بازار هدف خود هستند به استخدام کارشناسان تحلیل داده و علم داده روی آورده‌اند. علم داده و روش‌های هوشمند با جمع‌آوری داده‌ها و خوراندن آنها به کامپیوترها می‌توانند خدماتی را ارائه دهند که مخصوص شخص شما باشد. از پیشنهاد موسیقی گرفته تا نشان دادن تبلیغات مرتبط با نوع خاصی از ساعت‌های ورزشی که برای دویدن‌های روزانه به دنبال آن می‌گشتید. اما مباحثی چون علم داده و کلان داده در حال حاضر و در کشورهای توسعه یافته دیگر تنها مختص شرکت‌هایی که به طور مستقیم در حوزه‌ فناوری اطلاعات فعالیت می‌کنند نیست. از همین روست که هر سال تعداد دانشجویان این علم نیز به امید جذب در بازار کار جدیدی که برای این رشته باز شده است بیشتر می‌شود. تحلیلگران بازار و مدیران حالا بیش از هر زمان دیگری به اهمیت داده‌ها پی برده‌اند و می‌دانند که استفاده از علم داده تا چه حد می‌تواند کسب و کارها را رونق ببخشد.

در سال ۱۳۷۸ گزارشگر خلاق فوتبال، عادل فردوسی پور، در زمانی که کمتر کسی به ارزش تحلیل آماری داده‌ها در حوزه‌های غیر مرتبط به ریاضیات و آمار علاقه نشان می‌داد پایان‌نامه‌ خود با موضوع مدل سازی آماری پیش‌بینی نتایج رقابت‌های فوتبال را دفاع کرد. عادل فردوسی پور در پایان‌نامه‌ خود تلاش کرده بود تا با کمی‌سازی تعدادی از پارامترهای دخیل در پیروزی و شکست تیم‌ها در لیگ برتر، روندی برای پیش‌بینی بازی‌های پیش‌رو را پیدا کند. او از تحلیل‌های مبتنی بر رگرسیون که اساس آن پیدا کردن ارتباط بین دو متغیر از جهت اینکه افزایش یا کاهش یکی چه تاثیری بر افزایش یا کاهش دیگری می‌‌گذارد استفاده کرده بود. به طور مثال می‌توان به طور کلی رابطه‌ای مستقیم میان هزینه‌ پرداخته شده برای خرید بازیکنان یک تیم با تعداد بردهای آن تیم در فصل آینده را بیان نمود. به این صورت که هر چه میزان این هزینه بالاتر باشد، آن تیم تعداد بردهای بیشتری به دست خواهد آورد. این روش آماری ساده می‌تواند دیدی از روند کلی را نشان دهد اما یک ضعف اساسی دارد و آن هم این است که در صورتی که ارتباط متغیرها خطی نباشد، استفاده‌ چندانی از آن نمی‌توان کرد. مثلا اگر بخواهیم ببینیم ارتباطی بین هزینه‌ خرید بازیکنان و قد آنها با برد تیم در فصل بعد وجود دارد یا خیر. ورودی جدید که اینجا قد بازیکنان است ممکن است ارتباط معنادار خطی‌ای با برد تیم نداشته باشد. در این حالت و با ورود یک سری داده‌ جدید، همزمان که معادله پیچیده‌تر از آن می‌شود که بتوانیم با روش‌های سنتی آمار از آن نتیجه بگیریم. اینجاست که هوش مصنوعی به کار می‌آید زیرا ذهن ما نمی‌تواند الگوی مشخصی برای این مسئله پیدا کند.

با ورود اطلاعات مربوط به هزینه‌ تمام شده برای خرید هر بازیکن و قد آن بازیکن و نتایجی که آن تیم در فصل قبل گرفته، هوش مصنوعی به پیدا کردن الگویی بر اساس این اطلاعات می‌پردازد و نهایتا الگویی را که کمترین خطا را داشته باشد پیدا می‌کند. این الگو الزاما از هیچکدام از قوانینی که برای ذهن ما قابل فهم باشد پیروی نمی‌کند. مثلا می‌تواند شبیه به یک رابطه‌ ریاضی درجه چندم باشد. در مرحله‌ بعد و با ورود قد و هزینه‌ انجام شده برای بازیکنان خریداری شده برای تیم در فصل جدید، هوش مصنوعی به ما جواب می‌دهد که این تیم در چند بازی پیروز خواهد شد. یکی دیگر از ویژگی‌های هوش مصنوعی این است که قابلیت یادگیری دارد یعنی هر داده‌ جدیدی مانند یک درس جدید به هوش مصنوعی کمک می‌کند الگو را دقیق‌تر کشف کند.

البته که این پیش‌بینی‌ها مانند هر پیش‌بینی دیگری که توسط آمار و احتمالات انجام می‌شود الزاما دچار خطا هم هست، ولی مسئله این است که آنالیزورهای تیم‌های فوتبال حالا به ابزارهای بیشتری برای تصمیم‌گیری در خصوص مسئله‌ مهم نحوه‌ی اختصاص هزینه برای فصل‌های بعدی مجهز هستند. این مثال برای فوتبال را می‌توان به تمام حوزه‌ها بسط داد. مثال دیگر آن این است که اگر شما صاحب سهامی باشید می‌توانید از این داده‌ها استفاده کنید. احتمالا تاحالا به مراتب دیده‌اید که نمودارهای مرتبط با سهام، نمودارهایی خطی‌ نیستند. آنها شامل صعودها و نزول‌هایی هستند که با زمان تغییر می‌کند. رفتار درازمدت سهام تا حدود زیادی از یکسری روندها تبعیت می‌کنند، این روندها که وابسته به زمان نیز هستند از جمله مواردی است که توسط هوش مصنوعی و تحلیل‌های آماری قابل پیش‌بینی هستند. تحلیل داده‌ها می‌تواند به شما نشان دهد که با توجه به داده‌های قبلی، در زمان‌های مشخصی در آینده سود و زیان سهم چگونه تغییر می‌کند. تحلیل داده‌ها حتی فراتر از این موارد نیز رفته و برای پیش‌بینی بحران‌های جهانی آینده با استفاده از ورودی‌هایی که از داده‌های تاریخی به دست آمده‌اند، استفاده می‌شود. پیتر تورچین، زیست‌شناسی است که به ارائه‌ی مدل‌های ریاضی برای استفاده از داده‌های تاریخی برای پیش‌بینی بحران‌ها و مشکلات دولت‌ها در جوامع بشری معتقد است و مقالات مهمی در نشریاتی مانند نیچر در این زمینه چاپ کرده. او اکنون یک موسسه‌ی تحقیقاتی بزرگ را مدیریت می‌کند که در آن با شبیه‌سازی کامپیوتری یک جامعه و تعریف پارامترهای مختلف مانند تحت تنش قرار دادن جامعه با تزریق زاد و ولد ناگهانی، به صورت مجازی اثرات آن را بر جامعه مشاهده می‌کنند. تحقیقات تورچین بر اساس کارهای شخص دیگری به نام جک گلدستون که قبل‌تر از تورچین با تعریف کردن شاخصی مانند «تنش سیاسی» که از حاصلضرب سه مولفه‌ی پتانسیل بسیج توده‌ مردم، رقابت نخبگان و توان پرداخت دیون دولت بدست می‌آمد، نشان داد که بسیاری از بحران‌های تاریخی در نتیجه‌ بالارفتن این شاخص بوده است، او توانست ارتباط پارامتر «تنش سیاسی» را با بسیاری از انقلاب‌هایی که تاکنون در جوامع بشری رخ داده شناسایی کند و در نتیجه تحلیلی از آینده‌ جامعه با رصد روند صعود یا نزول این پارامتر داشته باشد. گلدستون اکنون مشاور شورای ملی اطلاعات آمریکاست و همین نشان می‌دهد که دولت‌ها تا چه حد به قدرت تحلیل داده‌ها پی برده‌اند.

تمام این مثال‌ها نشان می‌دهند که داده‌ها چقدر می‌توانند برای کسانی که کسب وکاری را مدیریت می‌کنند حائز اهمیت باشند، مخصوصا اگر صاحب کسب‌وکار با دیدی صادراتی هستید. زیرا نه تنها داده‌هایی مانند تقاضا و قیمت تمام شده در این حالت تعیین کننده هستند بلکه وضعیت سیاسی کشور شما و کشور هدف نیز در صادرات کالای شما بسیار مهم است. با این تفاسیر پربیراه نیست که عصر حاضر را عصر طلایی داده‌ها نامیده‌اند. علم داده‌ها را می‌توان ابزاری مانند جام جهان‌نما دانست که نه تنها ارزیابی بادقتی از بازار داخلی محصول را می‌دهد بلکه کمک می‌کند تا صادرات یک محصول در یک بازار هدف با موفقیت انجام شود. شاید وقت آن است که در ایران نیز مانند کشورهای توسعه یافته شاهد کار کردن کارشناسان علم داده در حوزه‌هایی غیر از حوز‌های مرتبط به فناوری اطلاعات مانند شرکت‌های بازرگانی باشیم، مخصوصا در شرایطی که صادرات از هر زمان دیگری پیچیده‌تر به نظر می‌رسد.

۱۲ خرداد ۱۳۹۹ ۱۱:۵۱