نویسنده : منبع: www.entrepreneur.com اخبار

ترکیب کلان داده و یادگیری ماشینی برای تصمیم گیری هوشمند

یادگیری ماشینی پتانسیل پنهان کلان داده را برای حل مشکلات پیچیده تجاری بالفعل می کند.

امروزه اهمیت یادگیری ماشینی و کلان داده در کسب و کار را نمی توان نادیده گرفت. هر دوی این مفاهیم در حال متحول ساختن کسب و کارند و بطور پیوسته فرصت های جدیدی را در آن فراهم می آورند.
هرچند یادگیری ماشینی به سال های دهه 50 میلادی بازمی گردد، امروزه بیشتر موضوع عملی و کاربردی در مقیاس بالا را دربر میگیرد. کلان داده از سوی دیگر، در سال 2013 مطرح شد، زمانی که کاشف به عمل آمد حدود 90 درصد دیتای دنیا ظرف دو سال پیش از آن تولید شده است!
در این زمان انفجار اطلاعات همزمان به عنوان یک فرصت و یک تهدید مورد توجه قرار گرفت. کلان داده در نقش یک فرصت، به کسب و مارها این اجازه را می دهد که در تاریکی سیر نکنند و با استفاده از بینش بدست آمده از وضعیت های متنوع بازار و اطمینان از درک بهتر رفتار و ترجیحات مصرف کنندگان تصمیمات بهنگام و هوشمندانه بگیرند.
البته قابل توجه است که کلان داده به تنهایی ارزش کمی دارد و برای کاربردی شدن آن باید با روش های تحلیلی مختلف مورد بررسی قرار گیرد که خیلی از این روشها خیلی فراتر از تحلیل های آماری نمی روند.
یادگیری ماشینی اینجا به کار می آید چرا که با تولید و اجرای راه حل های مناسب پتانسیل پنهان کلان داده را برای حل مشکلات پیچیده تجاری بالفعل می کند.
در ادامه 4 روش ترکیب یادگیری ماشینی و کلان داده را که به بهبود هوشمندی تجاری می انجامند مرور می کنیم:
تسهیل دسته بندی مشتریان
چندان غیرمعمول نیست که در میان مسشتریان یک کسب و کار گروههای متمایزی شامل افراد دارای ویژگیهای مشابه پیدا شوند. در واقع تشخیص این گروهها قدمی حیاتی برای هر کسب و کاری است.
خوشبختانه الگوریتمهای دسته بندی در یادگیری ماشینی راهی ایده آل برای دستیابی به این گروهبندی است. بسیاری از این الگوریتمها بصورت خودکار و بدون نیاز به راهنمایی کاربر انسانی کار می کنند. بدین صورت که یک الگوریتم دسته بندی خودکار برای کار فقط نیاز به دیتا دارد و خود با کشف تشابهات و تفاوتها دسته بندی های متمایز را بدست میدهد.
در سال 2009 شرکت Orbitz یک تیم یادگیری ماشینی راه اندازی کرد تا بطور ویژه روی تسهیل دسته بندی فعالیت کنند. سه سال بعد به یک الگو دست یافتند: کاربرهای Mac حاضرند 30 درصد بیشتر از کاربران ویندوز برای اقامت در یک هتل بپردازند. این کسف اطلاعاتی بوضوح می توانست راهکارهای جدیدی را برای تصمیمات کسب و کار هتلداری فراهم آورد.
کسب وکار شما هم می تواند از توان یادگیری ماشینی و کلان داده برای دسته بندی بهره برداری کند. یادگیری ماشینی می تواند با اندک سرمایه گذاری در تحلیل دیتا و یک تیم مناسب به راهبردهای محوری کسب وکار شما کمک شایانی کند.
هدفگذاری آسان و موثر
قطعا صرف دانستن این که مشتریان شما از کروههای متعددی تشکیل شده اندکافی نیست و باید راهکارهای مناسب برای تامین نیازهای مختلف آنها را فراهم آورد.
در پاسخ به این سوال Orbitz با اطلاعاتی که در بالا بدست آورده بود در هدفگذاری خود تغییراتی اعمال کرده: بدین شکل که هتلهای گرانقیمت تر برای کاربران اپل به نمایش درمی آید. قطعا این تصمیم با توجه به اطلاعات بدست آمده تصمیم هوشمندانه ای است و برای چنین هدفگذاری استراتژیکی قطعا می تواند سودمند باشد.
از سوی دیگر، بعضا لازم است که گروه مشتریان خود را بصورت مجموعه ای از افراد با ترجیحات مختلف ببینید تا این که آنان را به چشم یک توده واحد یا مجموعه ای از گروههای متعدد تصور کنید. این دیدگاه بیش از پیش ضرورت طراحی محصولات برای هر فرد را براساس رفتار منحصربفرد آن فرد و ترجیحاتش مشخص می کند. بسیاری از شرکتها امروزه به سمت تولید سفارشی و منحصر به هر مشتری حرکت می کنند. قطعا یادگیری ماشینی و کلان داده می تواند به این رویه کمک قابل توجهی کند.
به عنوان مثال گوگل برای هر جستجوی شما با استفاده از الگوریتمهای پیچیده یادگیری ماشینی، نتایجی را ارائه می کند که با ترجیحات بدست آمده از کلان داده مربوط به جستجوهای گذشته شما همخوانی دارد. و یا در تبلیغات هدفمند، کمپانی پیکسار مخاطبان خود را با ترجیحات تحلیل شده آنان هدف تبلیغ فیلم مورد نظرشان قرار می دهد. همچنین تخمین زده می شود نتفلیکس درآمدی معادل 1 میلیارد دلار تنها از طریق فعالیت های منتج از شناخت ترجیحات مخاطبانش کسب می کند.
پیشبرد تحلیل پیش بینانه
بعد از ادراک رفتار مشتری از کلان داده، می توانید از یادگیری ماشینی برای توسعه تعمیمی و در نتیجه پیش بینی رفتار مشتریان دیگر استفاده کرد. بعبارت دیگر مدلهای یادگیری ماشینی می تواند الگوهای رفتاری را از دیتا استخراج کند و حدس بزند چقدر احتمال دارد شخصی یا گروهای از افراد رفتار خاصی از خود بروز دهند و این به شما امکان می دهد حوادث را پیش بینی کنید و تصمیمات آینده نگرانه بگیرید.
در یک مثال شرکت آمریکن اکسپرس، از کلان داده برای تحلیل و پیش بینی رفتار مصرف کنندگان استفاده کرده و مبنای آن را یادگیری از خریدهای پیشین آنها قرار داده. با این روش، این شرکت قادر بوده 24 درصد از حسابهای در حال بسته شدن خود را طی 4 ماه آینده پیش بینی کند.
زیربناسازی برای تحلیل و مدیریت ریسک
کلان داده به مدلهلی یادگیری ماشینی امکان می دهد به شکل گسترده ریسک را تحلیل و تنظیم کند. آمریکن اکسپرس، برای تشخیص کلاهبرداریهای مالی از یادگیری ماشینی استفاده میکند تا حجم عظیمی از تاریخچه اطلاعات را تحلیل کند. در واقع این روش جایگزین روشی است که در آن الگوهای کلاهبرداری باید بصورت دستی تعریف می شدند در حالیکه با یادگیری ماشینی تشخیص کلاهبرداری با افزایش اطلاعات خود را به روز می کند و میلیون ها دلار صرفه جویی برای شرکت بهمراه می آورد. شرکت IBM هم از یادگیری ماششینی برای تشخیص تراکنش های غیرمعمول مالی و مبارزه با پولشویی استفاده می کند.
امروزه یادگیری ماشینی و کلان داده توجهی که شایسته آن هستند را به خود جلب کرده اند و بدون شک هر یک بر نقطه قوت دیگری تکیه دارد. از آن مهم تر، هر دو بطور پیوسته اثر قابل توجهی بر نحوه اجرای فعالیت های کسب و کار گذاشته اند.