Data science

The All-Star Analyst: ขับเคลื่อนโดย AI (ตอนที่ 2)

คลิกเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้เขียน Assaf Egozi ในส่วนแรกของซีรีส์นี้ Assaf Egozi ได้พูดคุยถึงตัวขับเคลื่อนหลักและอุปสรรคในการปรับใช้ AI/ML เพื่อขับเคลื่อนการวิเคราะห์ธุรกิจ บทความติดตามผลนี้จะเน้นย้ำถึงแนวทางปฏิบัติที่นักวิเคราะห์ข้อมูลพลเมืองกำลังใช้เทคโนโลยีเพื่อขับเคลื่อนมูลค่าให้กับธุรกิจของตน นักวิเคราะห์ข้อมูลพลเมืองกำลังก้าวไปข้างหน้าอย่างมากในด้านประสิทธิภาพการทำงาน เครื่องมือสเปรดชีตและการแสดงภาพใช้งานได้ดีในช่วงสองสามทศวรรษที่ผ่านมา แต่มีข้อบกพร่องเมื่อต้องจัดการกับปริมาณ ความหลากหลาย และความเร็วของข้อมูลที่มีให้สำหรับองค์กรสมัยใหม่ส่วนใหญ่ แพลตฟอร์ม AI/ML สายพันธุ์ใหม่กำลังจัดการกับข้อจำกัดเหล่านั้น ทำให้สามารถประมวลผลข้อมูลในขนาด ความเร็ว และความซับซ้อนที่จำเป็นในการจัดการการวิเคราะห์ที่ซับซ้อน แต่หากต้องการดึงประโยชน์สูงสุดจากเทคโนโลยีเหล่านั้น นักวิเคราะห์จำเป็นต้องเข้าใจความสามารถหลักของ AI/ML และกรณีการใช้งานประเภทใดที่น่าจะได้รับประโยชน์จากแอปพลิเคชันมากที่สุด การทำความเข้าใจจุดแข็งหลักของ AI/ML ก่อนการประเมินกรณีการใช้งานต่างๆ สำหรับ AI/ML ควรพิจารณาจุดแข็งของเทคโนโลยีเทียบกับเครื่องมือแบบเดิมก่อน ในแง่นั้น สิ่งสำคัญคือต้องสังเกตว่าอัลกอริทึม AI/ML นั้นเชี่ยวชาญเป็นพิเศษที่: การจัดการกับข้อมูลขนาดใหญ่ อัลกอริธึม AI/ML เป็นเลิศในการประมวลผลข้อมูลจำนวนมาก โมเดลไม่เพียงปรับปรุงด้วยการเข้าถึงข้อมูลเพิ่มเติมเท่านั้น แต่ยังมีประโยชน์อย่างมากสำหรับการตัดผ่านชุดข้อมูลขนาดใหญ่และซับซ้อนเพื่อระบุรูปแบบและความผิดปกติ และเพื่อจัดกลุ่มจุดข้อมูลที่แตกต่างกันออกเป็นกลุ่มที่มีประโยชน์ การจัดการข้อมูลที่ไม่มีโครงสร้าง ทุกวันนี้ องค์กรต่างๆ เก็บข้อมูลที่ไม่มีโครงสร้างเพิ่มขึ้นเรื่อยๆ ซึ่งพวกเขาจำเป็นต้องเข้าใจ AI/ML จัดเตรียมชุดเครื่องมือที่มีประสิทธิภาพในการทำเช่นนั้น ไม่ว่าจะหมายถึงการแยกแยะเนื้อหาที่เป็นข้อความโดยใช้การประมวลผลภาษาธรรมชาติหรือไม่ ดึงข้อมูลจากเอกสารและรูปภาพโดยใช้การจดจำรูปภาพและ OCR หรือล่ามวิดีโอหรือสตรีมเสียง ปรับปรุงอย่างต่อเนื่อง ข้อดีอย่างหนึ่งของ AI/ML เหนือโซลูชันที่อิงตามกฎคือสามารถกำหนดค่าอัลกอริทึมให้เรียนรู้จากประสบการณ์ได้อย่างต่อเนื่อง และประสิทธิภาพของอัลกอริทึมจะดีขึ้นเมื่อเวลาผ่านไปด้วยการเปิดเผยข้อมูลมากขึ้น แม้ในขณะที่ใช้งานจริงในเวอร์ชันที่ใช้งานจริง การกำหนดเป้าหมายกรณีการใช้งานที่เหมาะสม ทั่วทั้งเศรษฐกิจโลกนั้น AI/ML ถูกนำไปใช้ในทุกภาคส่วน โดยมีการใช้งานที่หลากหลายเช่นเดียวกับการเฝ้าติดตามการพัฒนาพืชผลจนถึงการวินิจฉัยทางการแพทย์และเทคโนโลยีการเฝ้าระวัง เมื่อพูดถึงการทำให้นักวิเคราะห์สามารถประมวลผลชุดข้อมูลที่มีขนาดใหญ่และหลากหลายมากขึ้น ตัวอย่างต่อไปนี้จะช่วยแสดงจุดแข็งของเทคโนโลยี การใช้แมชชีนเลิร์นนิงแบบไม่มีผู้ดูแลในอีคอมเมิร์ซ โลกของอีคอมเมิร์ซเป็นไปอย่างราบรื่นและรวดเร็ว การระบุแนวโน้มตลาดอย่างรวดเร็วและติดตามพฤติกรรมของคู่แข่งเป็นสิ่งสำคัญ แต่การทำเช่นนั้นมีความซับซ้อน นักวิเคราะห์จะเข้าใจถึงข้อความค้นหาที่เป็นไปได้หลายล้านรายการที่ผู้บริโภคใช้เพื่ออธิบายความต้องการของตนได้อย่างไร แมชชีนเลิร์นนิงแบบไม่มีผู้ดูแลเหมาะอย่างยิ่งที่จะช่วยนักวิเคราะห์อีคอมเมิร์ซในงานประเภทนี้ โมเดลแมชชีนเลิร์นนิงที่ออกแบบอย่างเหมาะสมซึ่งมาพร้อมกับชุดข้อมูลการตกแต่งที่เหมาะสม สามารถกรองข้อความค้นหานับล้านอย่างรวดเร็วและจัดกลุ่มเป็นหัวข้อต่างๆ (ซึ่งมีจุดประสงค์ในการซื้อของผู้บริโภคเหมือนกัน) นักวิเคราะห์สามารถศึกษาหัวข้อเหล่านี้ได้อย่างมีประสิทธิภาพมากขึ้นเพื่อระบุแนวโน้ม จัดทำแผนที่แนวการแข่งขัน ดำเนินการวิเคราะห์ราคา และปรับตำแหน่งผลิตภัณฑ์ให้เหมาะสม การใช้ตัวแบบทำนายผลกับการวิเคราะห์สถานที่ตั้งของร้านค้าปลีก คำกล่าวที่ว่าในธุรกิจค้าปลีก เช่นเดียวกับในอสังหาริมทรัพย์ ทั้งหมดเกี่ยวกับสถานที่ตั้ง สถานที่ตั้ง สถานที่ตั้ง แต่นักวิเคราะห์จะเข้าใจปัจจัยขับเคลื่อนสำหรับสถานที่ที่ประสบความสำเร็จได้อย่างไร และระบุไซต์ที่มีศักยภาพสูงแห่งใหม่สำหรับร้านค้าปลีกได้อย่างไร บริการอาหาร; และการเปิดตัวผลิตภัณฑ์? การวิเคราะห์แบบดั้งเดิมและการถดถอยเชิงเส้นให้คุณค่าบางอย่าง แต่จำเป็นต้องมีความสามารถที่มีประสิทธิภาพมากขึ้นเพื่อรวมชุดข้อมูลที่เกี่ยวข้องทั้งหมดไว้ในแบบจำลองที่เชื่อมโยงกัน แมชชีนเลิร์นนิงเหมาะอย่างยิ่งที่จะช่วยให้นักวิเคราะห์เข้าใจว่าปัจจัยต่างๆ ส่งผลต่อประสิทธิภาพการขายในระดับร้านค้าและระดับผลิตภัณฑ์อย่างไร ความเข้าใจนี้ไม่เพียงแต่สามารถนำมาใช้เพื่อระบุสถานที่ที่มีศักยภาพสูงแห่งใหม่เท่านั้น แต่ยังใช้เพื่อเพิ่มประสิทธิภาพการผสมผสานการจัดวางสินค้าของเครือข่ายการขายปลีกที่มีอยู่ด้วย โมเดลแมชชีนเลิร์นนิงใช้ข้อมูลการขายภายในและข้อมูลการตกแต่งภายนอกร่วมกันเพื่อสร้าง “ลายนิ้วมือ” ที่ไม่ซ้ำกันสำหรับแต่ละสถานที่ โมเดลเหล่านี้เชื่อมต่อกับกระแสข้อมูลการขายอย่างต่อเนื่อง สามารถเรียนรู้จากเหตุการณ์ใหม่ เช่น การเปิดร้าน การเปลี่ยนแปลงการแบ่งประเภทผลิตภัณฑ์ โปรโมชัน ฯลฯ เพื่อปรับปรุงทั้งความสามารถในการคาดการณ์และระดับการอธิบาย องค์ประกอบหลังนี้สามารถมีความสำคัญ ตัวอย่างเช่น นักวิเคราะห์การขายในบริษัทสินค้าอุปโภคบริโภค (CPG) จะไม่เพียงแต่สามารถจัดเตรียมรายชื่อลูกค้าเป้าหมายสำหรับสถานที่ตั้งใหม่ให้กับทีมขายภาคสนามเท่านั้น แต่ยังรวมถึงการขายที่น่าสนใจที่อธิบายว่าทำไมสถานที่เหล่านั้นจึงมีศักยภาพที่ยอดเยี่ยมเช่นนี้ การใช้ NLP เพื่อ Harmonize Data Sets กรณีการใช้งานทั่วไป แต่สิ่งหนึ่งที่นักวิเคราะห์ข้อมูลส่วนใหญ่คุ้นเคย คือความจำเป็นในการประสานข้อมูลจากหลายระบบ ตัวอย่างทั่วไป ได้แก่ ความจำเป็นในการประสานเรกคอร์ดลูกค้าเพื่อระบุรายการที่ซ้ำกันและเชื่อมต่อเอนทิตี (ช่วยสร้างมุมมองระดับ 360 ของลูกค้าในหน่วยธุรกิจต่างๆ) หรือความจำเป็นในการประสานผลิตภัณฑ์ แคตตาล็อกจากซัพพลายเออร์หรือผู้ค้าปลีกหลายราย (ช่วยเพิ่มประสิทธิภาพห่วงโซ่อุปทาน) การจับคู่องค์ประกอบข้อมูลจากระบบที่ต่างกันไม่ใช่งานที่เหมาะสมกับแนวทางฮิวริสติกหรือแนวทางตามกฎ รูปแบบการตั้งชื่อที่แปรผันอย่างไม่สิ้นสุดนั้นเกิดจากการสะกดผิดและข้อมูลอ้างอิงที่ไม่สอดคล้องกัน ซึ่งมักส่งผลให้เกิดการเรียกคืนที่ต่ำมาก (ระบบที่สามารถจัดการชุดข้อมูลส่วนน้อย) หรือความแม่นยำต่ำ (ระบบที่มีอัตราการจำแนกสูง ผิดพลาด) แมชชีนเลิร์นนิงซึ่งมักจะใช้การผสมผสานเทคนิค NLP กับเอ็นจิ้นการจัดหมวดหมู่ สามารถให้ผลลัพธ์ที่เหนือกว่าอย่างมาก ทำให้องค์กรสามารถเชื่อมต่อจุดข้อมูลในแบบที่ไม่เคยมีมาก่อน และปลดล็อกคุณค่าของตน การส่งมอบมูลค่าทางธุรกิจ กรณีการใช้งานที่เป็นไปได้สำหรับ AI/ML นั้นกว้างมากอย่างไม่น่าเชื่อ อย่างไรก็ตาม ในขณะที่องค์กรต่างๆ มองหาอาวุธให้กับนักวิเคราะห์ด้วยเทคโนโลยีเหล่านี้ พวกเขาจำเป็นต้องตระหนักถึงปัจจัยสำคัญสองประการ อย่างแรก ตามที่เราได้อธิบายไว้ในส่วนแรกของบทความนี้ เทคโนโลยี AI/ML นั้นจำเป็นต่อผู้ใช้ เปิดใช้งานไปป์ไลน์ข้อมูล/การวิเคราะห์ให้เป็นแบบอัตโนมัติ และรวมเข้ากับเครื่องมือที่มีอยู่ ประการที่สอง สิ่งสำคัญเท่าเทียมกันคือองค์กรต่างๆ กำหนดเป้าหมายกรณีการใช้งานที่เหมาะสม และมุ่งเน้นไปที่แอปพลิเคชันที่ใช้ประโยชน์จากความสามารถของเทคโนโลยีให้ดีที่สุดเพื่อแก้ปัญหาทางธุรกิจที่สำคัญ

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button