استفاده از هوش مصنوعی در کسب و کار برای پیش گرفتن در رقابت

منبع:http://cstland.com

استفاده از هوش مصنوعی

استفاده از هوش مصنوعی

کسب و کارهای کوچک نمی توانند هوش مصنوعی را نادیده بگیرند. و آن را منحصر به شرکت ها و دانشگاه ها بدانند. آنها می بایست استفاده از هوش مصنوعی را آفاز کنند. در هوش مصنوعی ، استراتژی های مقرون به صرفه ای برای صرفه جویی در پول، ایجاد تجربه و به دست آوردن مزایایی برای پیش افتادن در رقابت وجود دارد.

هنگامی که عبارت هوش مصنوعی (AI) را می شنوید، ممکن است به چیزهایی مانند، دانشگاه های برتر تحقیقاتی یا شرکت های بزرگ فناوری مانند گوگل، آمازون و مایکروسافت فکر کنید. برای کسب و کارهای کوچک، موضوع ممکن است بسیار پیچیده و یا بیش از حد گران باشد، و طبیعتا ممکن است آن را نادیده بگیرند. و استفاده از هوش مصنوعی را دور از تصور بدانند.

اما شما نمی توانید از پس هزینه چشم پوشی از هوش مصنوعی برآیید. هوش مصنوعی می تواند سریعتر حرکت کند و بیشتر از سایر تکنولوژی ها تغییر کند. کامپیوترها و اینترنت برای روش های نوآورانه و سریعتر انجام دادن کارهاست، که بسیاری از کسب و کارها و مشاغل را مختل کرده است. شرکت های بزرگ از جمله آمازون، اپل، گوگل، مایکروسافت و بسیاری دیگر، میلیون ها دلار برای هوش مصنوعی سرمایه گذاری می کنند. کسب و کارهای کوچک نیز می توانند از مزایای هوش مصنوعی از طریق بهره برداری از محصولات آن، استفاده کنند. به این ترتیب استفاده از هوش مصنوعی ممکن می گردد.

هوش مصنوعی چیست؟

هوش مصنوعی به عنوان چتری برای تکنولوژی ها تبدیل شده است. با این حال، این تعریف دقیق AI نیست. هوش مصنوعی، به نرم افزارهایی اشاره می کند که تفکر مستقل را تقلید می کند و هنوز هم عمدتا در آزمایشگاه های تحقیقاتی روی آن تحقیق می شود.

فن آوری های مرتبط با هوش مصنوعی عبارتند از:

یادگیری ماشینی:

یادگیری ماشینی چیزی است که مردم اغلب هنگام صحبت در مورد برنامه های کاربردی هوش مصنوعی مد نظر دارند. یادگیری ماشینی نرم افزاری است که توسط دستورالعمل های خاص کامپیوتری که برنامه نویس آن را نوشته، محدود نمی شود. این نرم افزار انعطاف پذیر است و نیاز به برنامه نویسی کمتری نسبت به نرم افزار سنتی دارد. یادگیری ماشینی نحوه رفتار نرم افزار را بر اساس داده یا نتایج تغییر می دهد.

روبات های هوشمند:

روبات های هوشمند به یادگیری ماشینی و فن آوری های دیگر افزوده می شوند تا وظایف را خودکار کرده و کار را کاهش دهند. آمازون دارای بیش از ۴۵۰۰۰ روبات است که در مراکز تحویل به مشتری آن کار می کنند.

منشی مجازی (AV):

منشی های مجازی بسیار پیشرفته تر شده و عملکرد سرویس و فروش را متحول می کنند. در وب سایت ها، اینها شروع به انجام معاملات برای مشتریان می کنند و منوها و فرم ها را جایگزین می کنند.

تشخیص گفتار:

این راهی برای برنامه های کامپیوتری است که به سخنان انسانی گوش فرا دهند و آن را درک کنند.  گاهی تشخیص مطالب IVR  های مرکز تماس دشوار است اما باید بگویم که فن آوری به سرعت در حال بهبود است و یادگیری ماشینی کمک می کند تا سیستم های تشخیص گفتار در انجام وظایف بسیار دقیق تر و موفق تر عمل کنند.

(IVR  کوتاه شده ی Interactive Voice Response که ترجمه ی فارسی آن “پاسخ صوتی تعاملی” است. در اصطلاح به سیستم هایی اطلاق می شود که با گرفتن شماره‌ای یک قطعه‌ی ضبط شده‌ی صوتی فعال می‌شود و از شنونده می‌خواهد با استفاده از صفحه کلید تلفن خود، شماره‌ای یا کاراکتری (# یا *) را وارد کند تا سیستم از پایگاه داده، داده‌ای را برای شنونده بخواند. نمونه بارز آن سیستم های پاسخگوی خودکار در بانک‌ها می‌باشد که به سیستم‌های تلفنبانک و فاکسیبانک مشهور هستند).

تولید متن در زبان طبیعی (NLG):

NLG داده ها را تجزیه و تحلیل کرده و سپس متن قابل خواندن برای انسان را از روی آن می نویسد. این باعث تغییر هوش تجاری و گزارش دهی کسب و کار  می شود. Narrative Wave داده های خام را از برنامه های کاربردی صنعتی مصرف می کند و سپس بینش ها را به وجود می آورد یا فرآیندها را بهینه می کند. محیط زیست کانادا با استفاده از NLG به طور خودکار گزارشات آب و هوا را به هر دو زبان فرانسه و انگلیسی ارسال می کند. فوربز از NLG برای جمع آوری و توضیح گزارش درآمد شرکت استفاده می کند.

مدیریت تصمیم گیری:

اصطلاحات “مدیریت تصمیم گیری سازمانی” و “مدیریت تصمیم گیری کسب و کار” هر دو برای توصیف تصمیم گیری خودکار استفاده می شود. آنها اغلب با یک یا چند فن آوری دیگر که برای تجزیه و تحلیل اطلاعات تعریف شده اند و تقریبا تصمیم گیری خودکار دارند، ترکیب شده اند.

کسب و کار شما برای استفاده از هوش مصنوعی چه باید بکند؟

  • شروع به آشنا شدن با این فناوری ها کنید. شما می توانید این کار را به راحتی انجام دهید. آمازون اکو و Google Home نقطه دسترسی به هوش مصنوعی برای مصرف کننده، و نمونه خوبی از فناوری های تبدیل صدا به متن و داده هستند.
  • درباره کسب و کار خود دوباره فکر کنید. از خودتان بپرسید که در کدام بخش از صنعت تان می توانید از طریق حل مشکلات جدید و یا خودکار سازی وظایف، مزیت رقابتی را ایجاد کنید. اینها را در شرایط تجاری با اهداف قابل اندازه گیری بیان کنید و سپس از توصیه های متخصصان در مورد نحوه اجرای آنها استفاده کنید.
  • اگر وب سایت شما با سوالات بسیاری سروکار دارد یا تماس های تلفنی زیادی از طرف مشتری دریافت می کند، یک chatbot اضافه کنید و شروع به جستجوی محصولاتی کنید که از تشخیص صدا استفاده می کنند. Chatbots هزینه های پشتیبانی را تا ۳۰ درصد کاهش می دهند.
  • اگر در استفاده از هوش مصنوعی دچار مشکل شدید اصلا ناامید نشوید. این نوک یک کوه یخی است و به این فکر کنید که اگر از این تکنولوژی استفاده نکنید در اینصورت به مرور زمان نمی توانید در مقابل رقبایی که هزینه های خود را از طریق اتوماسیون و بهینه سازی روند با استفاده از تجزیه و تحلیل داده ها، یادگیری ماشینی و مدیریت تصمیم گیری کاهش می دهند، مقاومت کنید.

چگونه تحلیل داده کاربران به بازاریابی کمک میکند؟

شاید با واژه هایی مانند تحلیل داده های انسانی و یا تحلیل داده کاربران، آشنا باشید. در واقع این مبخث به طور کلی بیان می کند که کاربران چه چیزی را احساس می کنند و خواسته های انها چیست؟ دانستن این اطلاعات می تواند به بازاریابان و تجارت کنندگان کمک کند، تا محصولاتی متناسب با نیاز و احساس کاربرانشان تهیه کنند. این امر سبب افزایش فروش و قدرت گرفتن بیشتر آنها خواهد شد. دهه اخیر عصر داده نام گرفته است. این به آن معنی است که در دنیای مجازی میلیون ها میلیون داده بی سر و سامان وجود دارد که شما برای تحلیل و تصمیم گیری می توانید از آن استفاده کنید. در این مقاله به بررسی تحلیل داده کاربران خواهیم پرداخت. پس اگر به دنبال بهبود کسب و کار خود هستید تا انتهای این مقاله همراه با تبلیغ یار باشید.

هوش مصنوعی در تحلیل داده کاربران، می تواند کمک کننده باشد.

شما به ابزاری نیاز دارید که بتواند انسان را درک کند. شاید در ابتدا به نظر ساده بیاید. اما متخصصان در حوزه هوش مصنوعی سال های سال است که در تلاش برای ساختن رباتی هستند که بتواند مانند انسان عمل کند. انسان پیچیده تر از آن است که بتوانند حتی بخشی از او را مدل کنند.

بسیاری از ابزارهای پایش شبکه‌های اجتماعی به تنهایی قابل استفاده نیستند: آن‌ها نمی‌توانند واکنش‌های پیچیده‌ انسانی مانند طنز و شوخی را درک کنند. این رو تحلیل داده ‌های کاربران با آنها بی‌فایده است.

این ابزارها حتی در درک تصاویر ساکن و متحرک نیز مشکل دارند. همچنین این ابزارها:

  • در درک مخفف‌ها
  • و اصطلاحات جدیدی زبان‌های گوناگون

که روز به روز رو به افزایش‌اند نیز ناتوانند.

فناوری‌ها  می‌کوشند تا به جای بیان ساده‌ی نظرات مثبت و منفی درباره‌ی شرکت شما، تحلیل احساسی را بهبود ببخشند. تحلیل احساسی را sentimental analysis می نامند. محققان در حوزه هوش مصنوعی در حال کار بر روی تجزیه و تحلیل احساسات بر روی:

  • متن
  • موزیک
  • فایل های ویدیویی
  • و …

هستند. نتایج این تحقیقات حتی بر روی زبان فارسی نیز منتشر شده است. ما می‌توانیم به ماشین‌ها شیوه‌ی درک احساسات اصلی خود مثل:

  • ناراحتی
  • رنجیدن
  • عصبانیت
  • و شادی

را بیاموزیم و این احساسات را برای درک نظرات مشتریان درباره‌ی یک نام تجاری خاص به کار ببریم. البته بدون ماشین ها هم می‌توان به داده کاوی برای تحلیل داده های انسانی پرداخت.

نمی توان به طور دقیق گفت که هوش مصنوعی توانسته مشکل را به طور کامل حل کند. زیرا محدودیت های زیادی در تحلیل داده و داده کاوی وجود دارد.

تحلیل داده کابران

علم داده (Data Science) می تواند در تحلیل داده کاربران مفید باشد؟

بهتر است این سوال را به نحوی دیگر بیان کنیم. چرا باید بازاریابان از متخصصین علم داده استفاده کنند؟

احساسات منجر به رفتارها می‌شوند. تحلیل  داده های انسانی برآمده از احساسات، موضوعاتی نظیر (و خصوصاً) احساسات ناخواسته‌ای که در رسانه‌های اجتماعی بیان می‌شوند را دقت کنید. راه‌های تعامل میان مشتریان و خریداران با شرکت‌ها در ۱۰ سال اخیر چند برابر شده است. بنابراین مثل همیشه بزرگترین چالش:

  • داده‌ها
  • و پالایش

آن‌ها است. این موضوع بدان معنی است که نه تنها پلتفرم و منبع مورد استفاده‌ ما اهمیت دارد، بلکه اطلاعات مورد استفاده نیز مهم‌اند.

سوال اصلی بازاریابان در تحلیل داده کاربران چیست؟

مهم نیست که داده‌های مورد بحث ما متنی باشد یا سایر انواع داده. چه چیزی بر حجم، سوددهی و سایر شاخص‌های کسب و کار اثرگذار است؟

آنچه واقعاً نظر من را به خودش جلب می‌کند و بایستی بازاریابان نیز آن را در نظر آورند، مواردی است که من آن‌ها را سیگنال نامگذاری کرده‌ام.

یکی از این سیگنال‌های مهم در تحلیل داد‌های انسانی ، نیت یا قصد مخاطب است. نیت بسیار حیاتی است زیرا می‌تواند فعالیت‌ها را پیش‌بینی کند. برای مثال، «آیا این فرد به دنبال خرید محصولی شبیه به چیزی است که من می‌فروشم؟»، «آیا این فرد ناراحت است و به نوعی به دنبال جلب توجه است؟» و «آیا این فرد می‌خواهید بنا به دلیلی منطقی محصول را پس بدهد؟»

احساسات یکی از پایه‌های نیت است. اگر کسی ناراحت، غمگین یا عصبانی باشد، احساس او را می‌توان با استفاده از فناوری‌های تحلیل داده های انسانی برای تحلیل احساسات تعیین کرد.

تحلیل داده کابران

چگونه تحلیل داده کاربران را برای بازاریابی بهبود دهیم؟

فناوری‌های زیادی در دسترس شما  است. اما برخی از آن‌ها هنوز خیلی دقیق و کاربردی نیستند. برای مثال:

  • زمانی که از فناوری‌های تحلیل متنی استفاده می‌کنید. می‌توانید با استفاده از فهرستی ساده از کلمات کار را آغاز کنید.
  • «خوب» به معنی نظر مثبت و «بد» به معنی نظر منفی است.

اما به همین‌ها بسنده نکنید. شما حداقل به درکی متوسط از زبان نیازمند هستید، مثلاً توانایی تفسیر «خوب نیست» به عنوان بد را نیاز دارید.

بسیاری از ابزارها با محتوا چالش دارند. یکی از مثال‌هایی که من بارها و بارها با آن روبرو شده‌ام «نازک» است:

  • توصیفی که برای کسب و کارهای الکترونیکی خوب است.
  • اما برای دیوار هتل خوب نیست.

برای انجام تحلیل احساسی درست، نیاز به پالایش کردن داده‌ها دارید. شما به شخصی‌سازی موارد برای کسب و کارها و زمینه‌های کاری مشخص نیازمندید.

متأسفانه بازار پر است از ابزارهایی که ادعای توانایی تحلیل داده های انسانی را دارند اما بسیار خام و غیرکاربردی هستند. حتی با پالایش کردن (مثل توانایی مدیریت عبارات منفی‌ساز و محتوای احساسی)، روشی که فقط نظرات مثبت و منفی را بررسی کند، کمک چندانی به شما نخواهد کرد.

به عبارتی بهبود درک از نظرات کاربران می تواند پیچیده تر از آنچه باشد که شما در مورد ان فکر می کنید. استفاده از مفاهیم مثبت و منفی برای کلماتی مانند خوب و بد هم به طور نسبی می تواند پاسگو باشد و همواره دارای خطا است.

آیا کمپانی های بزرگ از تجلیل داده کاربران استفاده می کنند؟

قطعاً راهی ساده و ارزان برای ورود به این شیوه‌ی تحلیل داده های کاربران وجود دارد. که نیازهای پایه و ابتدایی شما را برآورده می‌کند:

  • ابزارهایی برای پایش رسانه‌های اجتماعی
  • تحلیل نظرسنجی‌ها
  • خدمات مشتریان (مثلاً مدیریت نوشته‌های ارسالی کاربران)
  • تجارب مشتریان (از طریق بررسی نقدهای آنلاین)
  • فرآیند خودکار ایمیل
  • و سایر نیازها.

می تواند کمک کننده باشد اما آیا کافی است؟ این فناوری‌ها بسیار کاربرپسند هستند و به عنوان خدمات در دسترس‌اند.

سؤال اصلی این است که داده‌ها چه چیزی به شما می‌گویند. در ابتدا شما باید از خود بپرسید که:

آیا در اختیار داشتن این اطلاعات چیزی را به شما می‌گوید که در مدیریت و بهینه‌سازی و یا فرآیند کار کسب و کار شما کمک کننده است؟

هوش مصنوعی و علم داده باهم در مراحل بعدی به شما کمک خواهند کرد.

هرچند که پیچیده است اما هوش مصنوعی و علم داده تمام تلاش خود را برای کمک به شما در مراحل بعدی انجام داده اند. پس از ان ها برای بهبود شرایط بهره مند شوید.

به اختصار کمپانی هایی که از تلفیق این دو دانش در حال استفاده هستند را اشاره می کنیم. اما هر کدام از این بخش ها گفته شده به صورت مفصل تر در مقالات آتی تبلیغ یار بررسی خواهد شد.

تحلیل داده کاربران: کاوش متن

  • فیسبوک و اینستاگرام
  • گوگل
  • لینکدین
  • پینترست
  • و سایر رسانه‌های این چنینی
  • توانایی خود را در زمینه‌ی هوش مصنوعی و یادگیری ماشینی از طریق خرید ابزارها و استخدام افراد کلیدی افزایش داده‌اند.
  • با اینکه بسیاری از فناوری‌های پیشرفته هنوز در مرحله‌ی دانشگاهی هستند، یا در آزمایشگاه‌های تحقیق و توسعه‌ی این شرکت‌ها مخفی‌اند.
  • سایر شرکت‌ها آشکارا به دنبال استفاده از فناوری در تحلیل متن هستند.
  • برخی از این شرکت‌ها عبارتنداز Digital Reasoning، Luminoso و AlchemyAPI.

تحلیل داده کاربران: تشخیص و تحلیل تصویر

تحلیل تصویر در حال حاضر می‌تواند به صورت خودکار نام تجاری درج شده در تصاویر را شناسایی کند.

مثال‌هایی از شرکت‌هایی که این فناوری را توسعه می‌دهند و از این فناوری استفاده می‌کنند، عبارتند از:

  • VisualGraph (تحت مالکیت پینترست)
  •   Curalate، Piqora (با نام جدید Pinfluencer)
  • و gazeMetrix.

تحلیل داده کاربران: تحلیل احساسی در تصویر، صدا و ویدئو

این شرکت‌ها تحلیل صحبت و حالت صورت را با پژوهش‌هایی ساختاری مثل:

  • آزمایش رسانه و تبلیغات
  • نظرسنجی یا پایش نقطه‌ی فروش
  • و بازخورد رویداد

بهبود بخشیده‌اند. اما با رشد این فناوری، استفاده‌ی کسب و کارها از این فناوری‌ها برای تحلیل صدا و تصاویر بی‌ساختار و ناخواسته‌ی موبایل‌ها و رسانه‌های اجتماعی نیز قابل تصور است:

  • Affectiva :

از تحلیل احساسی وبکم برای تحقیقات تبلیغات و رسانه، شامل توسعه‌ی ابزارهای یکپارچه‌سازی پژوهش‌های احساسی در نرم افزارها استفاده کرده است.

  • Emotient

از تحلیل احساسی برای محیط های خرده فروشی، ارزیابی نشانه‌ها، نمایش‌ها و خدمات مشتری بهره برده است.

  • EmoVu

با کمک Eyeris سطح تعامل محتوای ویدئویی کوتاه و بلند را آزمایش کرده است.

  • Beyond Verbal

پژوهشی احساسی را بر مبنای صدای افراد در شرایط واقعی انجام داده است.

هرچند در فارسی به سختی می توان ابزاری برای تحلیل داده های انسانی متن‌های به کار رفته در شبکه‌های اجتماعی به دست آورد اما ابزار هایی که در تحلیل تصاویر کاربرد دارند می‌توانند گامی مؤثر برای شناخت احساسات مخاطبان بردارند. اگر در این باره تجربه‌ای دارید از طریق کامنتهای این پست با ما در میان بگذارید ما مشتاق شنیدن آنها هستیم.