داشتن زیرساخت‌های تجزیه و تحلیل داده، پیش‌نیاز ورود به دنیای AI!

شرکت‌ها به تازگی شروع به کشف روش‌های مختلفی کرده‌اند که نشان می‌دهد، چگونه تکنولوژی‌های AI می‌توانند به طور بالقوه کسب و کارها را از نو بسازند. اما شرکت‌ها چطور می‌توانند بفهمند که واقعا برای این فن‌آوری‌های پیشرفته آماده هستند یا نه؟ قبل از هر چیز، مدیران باید از خود بپرسند که آیا در مسئله‌هایی که هزینه زیادی دارند و سرعت کار را کاهش می‌دهند، فرآیندها را اتوماتیک کرده‌اند؟

سپس باید مطمئن شوند که فرآیندهای تحلیل، ساختار یافته و جمع‌آوری داده، متمرکز و استاندارد است و داده‌ها تنها یکبار وارد می‌شوند. پس از این که این تجزیه و تحلیل‌های ساختاریافته و استاندارد در جای خود قرار گرفتند، می‌توان آنها را با هوش مصنوعی ادغام کرد. 

تیم‌های مدیریتی اغلب فکر می‌کنند، اگر مستقیم سراغ هوش مصنوعی و سایر تکنولوژی‌های پیشرفته بروند، می‌توانند بهترین شیوه‌ها را برای تجزیه و تحلیل داده‌های اولیه اجرایی کنند. اما شرکت‌هایی که قبل از رسیدن به حجم زیادی از فرآیند‌های اتوماتیک‌شده و تجزیه و تحلیل‌های ساختار یافته، برای استفاده از روش‌های هوش مصنوعی پیچیده عجله می‌کنند، معمولا فلج می‌شوند و از کار می‌افتند. 

این شرکت‌ها باید قبل از هوش مصنوعی با مشارکت‌ در استارت‌آپ‌های پرهزینه، سیستم‌های جعبه‌سیاه نفوذناپذیر، خوشه‌های محاسباتی ابری سنگین و بسته‌های ابزار متن باز بدون برنامه‌نویس برای نوشتن کد مواجه شوند.

شرکت‌هایی که مهارت‌های پایه قوی در تجزیه و تحلیل داده‌ها، مانند تجزیه و تحلیل داده‌های فروش و روند بازار دارند، برای ادغام و استفاده مؤثر از هوش مصنوعی مجهزتر هستند. وجود این مهارت‌ها به شرکت‌ها کمک می‌کند تا با افزودن قدرت هوش مصنوعی به قابلیت‌های تحلیلی موجود خود، با موفقیت با چالش‌های پیچیده و مهم تجاری مقابله کنند.

به عنوان مثال، یک شرکت مخابراتی، اکنون می‌تواند با دقتی تا ۷۵ برابر بیشتر، پیش‌بینی کند که آیا مشتریان آن در حال استفاده از یادگیری ماشینی هستند یا خیر. این شرکت فقط به این دلیل توانست به این هدف دست پیدا کند که قبلاً فرآیندهایی را خودکار کرده بود که امکان تماس سریع با مشتریان و درک اولویت آن‌ها را، با استفاده از تکنیک‌های تحلیلی استانداردتر فراهم می‌کرد.
حال این سوال پیش می‌آید که چگونه شرکت‌ها می‌توانند تشخیص دهند که واقعا برای AI و دیگر فن‌آوری‌های پیشرفته آماده هستند؟

خودکار کردن فرآیندهای پایه‌ای

همانطور که پیش از این هم ذکر کردیم، قبل از هر چیز، مدیران باید از خود بپرسند که آیا در مسئله‌هایی که هزینه زیادی دارند و سرعت کار را کاهش می‌دهند، فرآیندها را اتوماتیک کرده‌اند؟شرکت‌ها باید فرآیندهای تکراری‌شان را خودکار کنند؛ این کار شامل مقادیر قابل‌توجهی از داده‌ها هم خواهد بود؛ به خصوص در مواقعی که در آن هوشمندی در تجزیه و تحلیل یا سرعت یک مزیت محسوب می‌شود. بدون خودکارسازی این گونه داده‌ها در آغاز فرایند، سیستم‌های جدید AI آن‌ها به نتایج نادرستی می‌رسند، زیرا در حال تجزیه و تحلیل داده‌های قدیمی هستند.

به عنوان مثال، خرده‌فروشان آنلاین می‌توانند قیمت محصولات را روزانه تنظیم کنند، زیرا جمع‌آوری قیمت‌های رقبا را خودکار کرده‌اند. اما آن‌هایی که هنوز به صورت سنتی به بررسی قیمت‌ها و شارژ محصولات توسط رقبا می‌پردازند، ممکن است به اندازه یک هفته زمان نیاز داشته باشند، تا همین اطلاعات را جمع‌آوری کنند. در نتیجه، حتی اگرآن‌ها استفاده از هوش مصنوعی را هم در نظر بگیرند، به دلیل منسوخ بودن داده‌ها ممکن است حتی با تعدیل قیمت باز هم پشت سر رقبا قرار گیرند.

بدون اتوماسیون اولیه، چشم‌انداز استراتژیک حل مشکلات پیچیده با لمس یک دکمه، دست نیافتنی خواهد بود. مدیران سرمایه‌گذاری را در نظر بگیرید. در حالی که این حرفه گزینه‌ای عالی برای استفاده از هوش مصنوعی است، بسیاری از مدیران چندین هفته را صرف جمع‌آوری دستی داده‌ها و بررسی خطاهای انسانی معرفی شده از طریق صفحات اکسل می‌کنند. این کار باعث می‌شود آمادگی لازم را برای استفاده از AI برای پیش‌بینی ریسک‌های آینده سبد سرمایه‌گذاری مشتری یا مدل‌سازی سناریوهای جایگزین در زمان واقعی، نداشته باشند.

در همین حال، شرکت‌هایی که برای فرآیندهای پایه‌ای خود از داده خودکار استفاده می‌کنند، مانند شرکت‌های بیمه و بانک‌ها، می‌توانند با موتورهای قیمت‌گذاری خودکار، به همان سرعتی که رقبای آنلاین پیشنهادات جدیدی ارائه می‌کنند، عمل کنند و  پیشرو باشند.

برای مثال، یک شرکت بیمه سنتی می‌تواند با به‌روزرسانی فرآیندهای خود، قیمت‌ها را در هر ۱۵ دقیقه به جای هر چند روز جمع آوری و بنچمارک کنند.

مثلا یک شرکت خدماتی با ارائه قیمت‌های سفارشی در لحظه و معاملات ویژه مبتنی بر خواندن کنتورهای هوشمند خودکار به‌ جای بازدیدهای حضوری هر شش ماه از خانه‌ها، خدمات خود را رقابتی‌تر کرده است.

تحلیل داده‌های ساختاری

هنگامی که فرآیندهای حیاتی برای دستیابی به یک کارایی یا هدف خودکار می‌شوند، مدیران باید تجزیه و تحلیل ساختار یافته و همچنین فرآیندهای داده را متمرکز کنند تا روش جمع‌آوری داده‌ها استاندارد شود و فقط یک بار بتوان آن را وارد کرد.

با معماری اطلاعات متمرکز‌تر، همه سیستم‌ها به «منبع حقیقت» اصلی مراجعه می‌کنند، به‌روزرسانی‌ها در کل سیستم منتشر می‌شوند و تصمیمات، منعکس‌کننده یک دیدگاه واحد از یک مشتری یا موضوع هستند. مجموعه‌ای از تجزیه و تحلیل‌های ساختاریافته، تصویر کاملی از داده‌های تاریخی مشتریان را در اختیار مدیران دسته‌های خرده‌فروشی قرار می‌دهد و به آن‌ها نشان می‌دهد که کدام محصولات در میان مشتریان محبوب بوده‌اند؛ چه چیزی کجا فروخته شده، مشتریان بین کدام محصولات جابجا می‌شوند و به کدام محصول وفادار می‌مانند.

با استفاده از این اطلاعات، مدیران می‌توانند محصولات را بهتر تخصیص دهند و ببینند چه محصولاتی چرا انتخاب می‌شوند. با درک محرک‌های پشت تصمیم‌های مشتری، مدیران می‌توانند گفتگوهای بسیار ارزشمندتری در مورد مدیریت دسته‌بندی با تامین‌کنندگان خود داشته باشند؛ مانند توضیح اینکه محصولات بسیار مشابه حذف خواهند شد تا فضا برای جایگزین‌های منحصربه‌فردتری ایجاد شود.

در مرحله آزمایش هوش مصنوعی

بعد از اینکه این تحلیل‌های ساختار یافته استاندارد با هوش مصنوعی ادغام شدند، می‌توان رفتار مشتری را به طور جامع پیش‌بینی و تعیین کرد و آن را توضیح داد. در مثال قبلی شرکت ارتباطات از راه دور، مدیران ویژگی‌های مشتری را درک می‌کردند. اما آن‌ها به هوش مصنوعی نیاز داشتند تا مجموعه گسترده‌ای از داده‌های جمع‌آوری‌شده را تحلیل و پیش‌بینی کنند که آیا مشتریان در معرض ریزش هستند یا خیر؟ 

بعد از این که با کمک تکنیک‌های یادگیری ماشین، مشتریانی را شناسایی کردند که «ریسک ریزش» آن ها وجود داشت، مدیران به تجزیه و تحلیل ساختاریافته خود بازگشتند تا بهترین راه برای حفظ آن‌ها را پیدا کنند. آن‌ها همچنین در نظر داشتند تا از فرآیندهای خودکار برای رسیدن به یک پیشنهاد سریع و مناسب برای نگهداشت مشتریان استفاده کنند.

سیستم‌های هوش مصنوعی وقتی برای قضاوت نیاز به داده‌های بدون ساختار مانند رسانه‌های اجتماعی، یادداشت‌های مرکز تماس، تصاویر یا نظرسنجی‌های بدون پایان دارند، تفاوت زیادی ایجاد می‌کنند.

به عنوان مثال، آمازون می‌تواند  قبل از این که حتی خود مشتریان بدانند که محصولی را می‌خواهند، محصولات را به آن‌ها توصیه کنند؛ زیرا، با استفاده از تکنیک‌های یادگیری ماشین، اکنون می‌توانند از داده‌های بدون ساختار با کمک مجموعه قوی و متمرکزی از تجزیه و تحلیل ساختاریافته، مانند جزئیات پرداخت مشتریان، آدرس‌ها و سوابق محصولات استفاده کنند.

هوش مصنوعی همچنین به تصمیماتی کمک می‌کند که مبتنی بر داده‌های عملکرد قبلی نیستند. خرده‌فروشان با تجزیه و تحلیل ساختاریافته قوی می‌توانند بهترین روش توزیع محصولات را براساس نحوه فروش خود پیدا کنند. خرده‌فروشان با تجزیه و تحلیل ساختاری قوی می‌توانند بهترین نحوه توزیع محصولات را بر اساس نحوه فروش آنها بیابند. اما برای پیش‌بینی نحوه عملکرد محصولاتی که هنوز برای فروش در دسترس نیستند، به تکنیک‌های یادگیری ماشین نیاز است؛ تا حدی به این دلیل که هیچ داده ساختاری در این خصوص در دسترس نیست.

در نهایت، سیستم‌های هوش مصنوعی می‌توانند پیش‌بینی‌های دقیق‌تری را براساس مجموعه داده‌های متفاوت انجام دهند. مدیران سرمایه‌گذاری بر پایه تجزیه و تحلیل داده‌های خودکار و ساختاریافته قوی، با استفاده و کمک از هوش مصنوعی در مجموعه‌های داده‌ای که شامل همه چیز از داده‌های آب‌ و هوا گرفته تا شمارش خودروها در مکان‌های مختلف و تجزیه و تحلیل زنجیره‌های تامین است، با دقت بیشتری پیش‌بینی می‌کنند که سهام چگونه عمل خواهد کرد.
حتی برخی از پیشگامان داده متوجه شده‌اند که بعضی از شرکت‌ها با استفاده از تجزیه و تحلیل سیستم‌های هوش مصنوعی، اطلاعاتی مانند تمایلات مصرف‌کننده را از منابعی مانند رسانه‌های اجتماعی به‌دست خواهند آورد یا از دست خواهند داد.

جمع بندی 

شرکت‌ها به تازگی شروع به کشف روش‌های مختلفی کرده‌اند که با کمک تکنولوژی‌های AI می‌توانند به طور بالقوه کسب و کارها را از نو بسازند. اما یک چیز از قبل مشخص است: آن‌ها باید به اندازه کافی زمان و پول سرمایه‌گذاری کنند و با کمک تجزیه و تحلیل داده خودکار و ساختار یافته، آماده شوند که از مزایای کامل فن‌آوری‌های جدید بهره‌مند شوند. دوست داشته باشید یا نه، شما نمی‌توانید از اصول پایه و اولیه صرف‌نظر کنید.

منبع مقاله