‫کاربردهای وسیع علم داده‬

‫شماره مقاله‪57233 :‬‬

‫عنوان مقاله‪ :‬کاربردهای وسیع علم داده‬

‫نویسنده مقاله‪ :‬امیر باقری‬
‫تاریخ انتشار‪ :‬مرداد ماه ‪1398‬‬
‫منبع‪https://nikamooz.com/why-data-science :‬‬

‫بخش کوچکی از کاربردهای وسیع علم داده‬

‫یکی از سواالتی که هر شخصی در ابتدای فراگیر ی هر علمی از خود میپرسد این است که "آنچه میآموزم چه کاربردی‬
‫دارد و شغل من در آینده چه خواهد بود؟"‪ .‬در این بخش برآنیم تا طیف گستردهای از موارد استفادهی علم داده را‬
‫بیان کنیم‪ .‬شایان ذکر است که کاربردهای علم داده به قدر ی وسیع است که اکثر کارفرمایان و مالکین کسب و کار‬
‫اطالعی از اثرگذار ی و منفعت این علم در کسب کار خودشان ندارند‪ .‬و برخی حتی از چیستی علم داده آگاهی ندارند‪.‬‬
‫پس یکی از وظایف دانشمند علم داده ارائهی مستندات و راه حلهای ملموس برای کارفرمایان و در نتیجه قانع کردن‬
‫آنهاست‪.‬‬

‫شاخه فروش‪:‬‬

‫• تحلیل احساس مشتر ی‪:‬‬

‫تحلیل احساس "‪ "Sentiment Analysis‬مبحثی بسیار گسترده است و امروزه در تحلیل اجتماع‪ ،‬پیشبینی وقایع و‬
‫تحلیلهای پیچیده اجتماعی و سیاسی و پیش بینی آنها نقش مهمی ایفا میکند‪.‬‬

‫این مبحث یک باب نوین در علم نیست و سالهاست که درحال اجراست‪ .‬اما با آمدن علم داده این کار با دقت‬
‫بسیار ز یادتر و در زمان کمتر ی انجام پذیر است‪ .‬این بدین معنی است که دیگر نیاز ی به لیستهای نظر سنجی بلند‬
‫باال نیست که تقر یبا هیچگاه به نتیجه صحیح و بازخورد قابل استناد نمیرسد؛ چرا که مشتر یان عالقه به هز ینه کردن‬
‫زمان خود برای دادن بازخوردهای بلند باال ندارند و اگر آنها را با روشهای گوناگون و غیر مستقیم مجبور به پاسخ‬
‫دادن به سواالت کنیم‪ ،‬از دستشان میدهیم‪ .‬امروزه این کار با تحلیل کامنتها و الیکهای مشتر یان در فضای مجاز ی‬
‫یا در محلهایی که برای "انتقاد و پیشنهاد انتخابی" در نظر گرفته شده ممکن است‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪1 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫• کنترل بهینه موجودی یا انبار‪:‬‬

‫صاحبان کسب و کار همیشه به دنبال تامین محصول و یا اقالم مناسب‪ ،‬در زمان مناسب‪ ،‬با کیفیت مناسب و قیمت‬
‫معقول هستند‪ .‬داشن قیمت تمام شده معقول به عوامل ز یادی بستگی دارد‪ .‬بخشی از آن به زمان و مقدار خر ید باز‬
‫میگردد و بخشی دیگر به پیشبینی تالطم بازار و پیشبینی نیاز مشتر یان در آینده‪ .‬زمانی که حرف از پیشبینی‪ ،‬کشف‪،‬‬
‫تشخیص و یا بهینه ساز ی بر اساس چندین پارامتر و قوانین پیچیده به میان میآید‪ ،‬علم داده از اولین ابزارهای‬
‫کاربردی و راه بهینه برون رفت از سردرگمی و تصمیمات اشتباه است‪.‬‬

‫به این منظور فرآیندهای زنجیرهی تامین و وقایع آن در کنار تجربیات و ذکاوت‪ ،‬منابع اصلی جمع آور ی دادههای ما‬
‫هستند‪ .‬سپس روشهای آمار ی و الگور یتمهای مناسب برای یادگیر ی ماشین و همچنین رصد بازار و تغییرات آن ما‬
‫را در یافتن راه حلهای مناسب در این مسئله یار ی میدهد‪.‬‬

‫• بهینه ساز ی قیمت‪:‬‬

‫قطعا برای یکایک ما پیش آمده که از خر یدی به علت قیمت "نامتناسب" آن منصرف شده باشیم‪ .‬بر اساس آمار‬
‫موجود جهانی‪ ،‬سیاست قیمتگذار ی به علت پیچیده بودن و تعدد پارامترهای دخیل عمدتا به شکل ناقص تشخیص‬
‫داده و وضع میشوند‪ .‬این موضوع یکی از دالیل اصلی کم شدن سود ساالنه معرفی شده است‪ .‬گاهی یا بهتر است‬
‫بگوییم در اکثر مواقع به علت نامعقول بودن و باال بودن قیمت و در برخی دیگر از موارد به علت عدم سنخیت قیمت‬
‫پایین و یا باالی کاال با سطح کیفی مورد انتظار‪ ،‬مشتر ی از خر ید کاال منصرف میشود و به دنبال کاالی جایگز ین‬
‫میرود‪ .‬این دیدگاه از سمت خر یدار‪ ،‬درکنار دیدگاه فروشنده که به دنبال افزایش مشتر ی و در عین حال حفظ سود‬
‫است‪ ،‬چالشی جالب و رایج است‪.‬‬

‫پارامترها و شاخصهای گوناگونی در این مسئله دخیل اند و رسیدن به یک راه حل که بر حسب رویدادها و فصول‬
‫مختلف‪ ،‬بهتر ین حالت فروش و رونق کسب را به همراه داشته باشد‪ ،‬نیازمند تحلیلهای گوناگون است‪ .‬رفتار خر یدار‪،‬‬
‫زمان خر ید‪ ،‬قیمت خر ید اجناس از سمت فروشنده‪ ،‬شرایط بازار‪ ،‬رقابت‪ ،‬بحرانها و موارد متعدد دیگر در رسیدن به‬
‫یک سلسله¬ی صحیح از تصمیمات و مجموعهای منعطف و قابل تطبیق از پارامترها و شاخصها‪ ،‬نیازمند مجهز بودن‬
‫به علم داده است‪ .‬این علم به ما امکانات حفظ مشتر ی با کمتر ین هز ینه را میدهد‪.‬‬

‫تشخیص محل جغرافیایی کسب و کار‪:‬‬

‫➢ آیا میدانید مقدار سود از دست رفته به علت اشتباه انتخاب در مکان کسب و کار شما چقدر است؟‬
‫➢ چقدر از این سود از دست رفته به علت عدم وجود مشتر یان مورد نظر شما در نزدیکی محل کسب شماست؟‬
‫➢ چه مقدار از ین سود از دست رفته به علت فاصلهی شما از مناطق اصلی ارائهی کاالی مورد نظر شماست؟‬
‫➢ چه مقدار از سود ازدست رفته به علت شلوغی بیش از حد و نبود جای پارک در محل فعلی کسب و کار‬
‫شماست؟‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪2 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫علم داده با توجه به انتخاب و نحوه تصمیم گیر ی مالکان کسب و کارهای مبتنی بر حضور مراجعین‪ ،‬بهتر ین راه‬
‫تشخیص محل خر ید و یا ساخت شعب شناخته شده است‪ .‬با یک دید فنی جهت تشخیص بهتر ین محل جغرافیایی‪،‬‬
‫دادههای فراوانی برای تحلیل و پردازش به نظر خواهد آمد‪.‬‬

‫راه حل این تشخیص‪ ،‬ساده اما بسیار موثر است‪ .‬با مطالعه دادههای بهروز مشتر یان‪ ،‬اطالعات سرشمار ی و فراوانی‬
‫تعداد اشخاص در هر محله با درنظر گرفتن ساعات حضور افراد و نوع مشغلهی آنها میتوان به محل جغرافیایی‬
‫مناسبی که بیشتر ین پتانسیل را برای نوع کسب و کار مد نظرمان دارد‪ ،‬دست یافت‪ .‬در نظر گرفتن موقعیت مکانی‬
‫کسب و کارها با استفاده از دادههای موجود‪ ،‬کارفرما را از سرمایهگذار ی اشتباه دور کرده و ایشان را به سمت بهینهتر ین‬
‫انتخاب محل سوق خواهد داد‪.‬‬

‫• تحلیل تخلف در درخواست خدمات پس از فروش‪:‬‬

‫میدانیم که خدمات پس از فروش‪ ،‬برای فردی که ضمانت میدهد کم و یا بی هز ینه نیست و بدیهی است که‬
‫تخلفاتی در این زمینه به فراخور بعضی پارامترها از جمله ارزش کاال شکل میگیرد‪ .‬کشف این گونه تخلفات و تحلیل‬
‫کلیهی درخواستهای در یافت خدمات پس از فروش میتواند راهی برای بهینهساز ی در زمان‪ ،‬هز ینه‪ ،‬شهرت خدمات‬
‫دهنده و دیگر موارد باشد‪.‬‬

‫این دست از تحلیل و تشخیصها خیلی ساده شکل نمیگیرد و شامل مراحل نسبتا پیچیده مثل دسته بندی مشتر ی‪،‬‬
‫تحلیل صحت دسته بندی‪ ،‬کاهش آالرم های اشتباه "‪ ،"False Positive‬تقویت خصیصههای ممیز ی‪ ،‬ذکاوت و آگاهی‬
‫فرایندی و غیره می¬شود‪ .‬همچنین از بعد فنی نیز پردازش متن‪ ،‬داده کاوی کالسیک و آمار و احتماالت نیازمندیهای‬
‫این گونه پروژهها هستند‪.‬‬

‫این روش الزاما مختص کاالهای گران قیمت و یا با تعمیرات پر هز ینه نیستند‪ .‬چرا که هز ینه پاسخگویی‪ ،‬رسیدگی به‬
‫درخواستها‪ ،‬حمل و نقل و برطرف کردن مشکل احتمالی هر کاالیی بخش ز یادی از هز ینه¬ی کسب و کارها بوده و‬
‫برای کارفرمایان قابل توجه است‪ .‬با استفاده از علم داده میتوان هز ینههای رسیدگی به درخواستها را معطوف به‬
‫درخواست های مشکوک کرد و با توجه به شرایط‪ ،‬آنها را رد و یا مرتفع کرد‪.‬‬

‫• تحلیل سبد خر ید‪:‬‬

‫تحلیل سبد خر ید از سنتیتر ین و سادهتر ین مباحثی است که با علم داده بهینه شده است و شامل یادگیر ی از طر یق‬
‫روشهایی از جمله کشف رشته قوانین "‪ "Rule Mining‬به انجام میرسد‪ .‬در این شاخه‪ ،‬عالقهمندی و عدم عالقهمندی‬
‫و مجموعهای از محصوالتی که بیشتر ین احتمال خر یدار ی شدن را دارند قابل استخراج است‪ .‬توابع وابستگی و قوانین‬
‫انجمنی‪ ،‬عضوهای اصلی ساخت و یا کشف قوانین در این مسئله هستند‪ .‬تولید محصوالت در صورت وجود دادهی‬
‫الزم در این گونه تحلیلها ممکن و شدنی است‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪3 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫یکی از نکات چالشی در این گونه مسائل که عموما نادیده گرفته می‪-‬شود نحوهی سنجش نتایج نهایی قبل از ارائه به‬
‫کارفرماست‪ .‬چرا که توابع سنجشی در اینگونه مسائل رفتار عجیبی دارند و ممکن است ما را به اشتباه ساده با تبعات‬
‫بسیار بزرگ مبتال کنند‪ .‬دقت داشته باشیم که در تحلیل سبد خر ید‪ ،‬اشتباهات ما به عنوان دانشمند داده میتواند در‬
‫مدت زمان کوتاهی آثار سوء خود را نشان دهند و سود نهایی کارفرما را کاهش دهند‪ .‬بنابراین پیشنهاد میگردد علم‬
‫الزم در این زمینه را پیش از انجام پروژهی کالن کسب کنید‪.‬‬

‫• سیستمهای پیشنهاد دهنده‪:‬‬

‫چه چیز ی را به چه اشخاصی پیشنهاد دهیم یا چگونه تبلیغات را کمتر و در همان حال موثرتر کنیم؟ این سوال اصلی‬
‫مدیران تبلیغاتی و مالکان کسب و کار است‪.‬‬

‫بهتر ین پیشنهاد‪ ،‬موثرتر ین تبلیغات‪ ،‬یافتن نیازمندی قطعی و یا احتمالی مشتر ی بر اساس رفتار مشتر ی‪ ،‬گروهبندی‬
‫مشتر یان بر اساس نیاز آنها‪ ،‬سالیق مشتر یان و مواردی از ین دست تماما از اهداف بهینه سازان تمامی کسب و‬
‫کارهاست‪ .‬چنانچه بتوان موارد مذکور را تا حد معقولی شناسایی کرد‪ ،‬میتوان موتورهای پیشنهاد دهندهای تولید‬
‫کرد تا با در نظرگرفتن این دادهها و الگور یتمهای مناسب بهتر ین پیشنهاد را به مشتر ی ارائه کند‪.‬‬

‫به مجموعه اقدامات فوق که درحال حاضر بازار گرمی دارد‪ ،‬سیستمهای پیشنهاد دهنده گفته میشود‪ .‬اجرای این‬
‫سیستم به دو شکل فیلتر ینگ با همکار ی و فیلتر ینگ براساس محتوا انجام میشود‪ .‬فیلتر ینگ بر اساس همکار ی‬
‫مبتنی بر شباهت سلیقه و شباهت رفتار مشتر یان به یکدیگر است و فیلتر ینگ براساس محتوا مبتنی بر پیشینه و‬
‫سالیق خود مشتر ی است‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪4 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫شاخه رسانه‪:‬‬

‫• ‪ Customer Churn‬یا نگهدار ی مشتر ی‪:‬‬

‫دو مبحث اصلی در گسترش هر کسب و کار ی اهمیت ز یادی دارد؛ جذب مشتر ی و نگهدار ی آن‪ .‬موضوعاتی که هردو‬
‫هز ینهبر هستند‪ .‬در کنار این مباحث‪ ،‬متخصصین گسترش و بهبود کسب و کار به دنبال یافتن چگونگی اجرای این‬
‫دو هستند و در مرحله بعد به دنبال بهینه کردن آنها‪.‬‬

‫بر اساس تجر یبات و مدیر یت دانش صورت گرفته توسط دانشمندان علوم داده‪ ،‬اولین شاخهی دستهبندی مشتر ی‬
‫"‪ "Customer Segmentation‬تشخیص جدید و یا قدیمی بودن مشتر ی است؛ در صورت جدید بودن مشتر ی ما‬
‫زمان محدودی برای جذب بازدید کنندهی جدید وب سایت‪ ،‬کانال و یا محصول دار یم‪ .‬بنابراین باید براساس همان‬
‫اطالعات محدود اولیه¬ی مشتر ی‪ ،‬چه به صورت خود اظهار ی و چه به صورت اطالعات در یافتی غیر مستقیم تصمیم‬
‫بگیر یم‪ .‬میتوانیم با در نظر گرفتن موقعیت جغرافیایی‪ ،‬بهتر ین مجموعه از تبلیغات و محتوا را به مشتر ی نشان دهیم‬
‫و ایشان را در فکر به محصول و اتمسفر مدنظر خودمان نگه دار یم‪ .‬در مورد نگهدار ی مشتر ی مسئله کمی قابل‬
‫تخمینتر است‪ ،‬چرا که ما رفتار مشتر یان خود را در طول حضورشان در فضای کسب و کارمان میتوانیم رصد کنیم‪.‬‬
‫در هر صورت با داشتن اطالعات رفتار مشتر ی‪ ،‬پیشبینی آنکه چه خدماتی در آینده نزدیک و دور باب میل مشتری‬
‫است‪ ،‬کار سختی نیست و با این عمل‪ ،‬احتمال وابسته شدن مشتر ی و حضور ایشان در کسب و کار مدنظر به صورت‬
‫چشمگیر ی ارتقا خواهد یافت‪.‬‬

‫پیشبینی رفتار و سلیقهی مشتر ی‪ ،‬درک نظر واقعی مشتر ی با نوع حیاتی که مشتر ی در سیستمهای مختلف دارد‬
‫میتواند‪ ،‬ما را در یافتن " مسیر زندگی مشتر ی" یار ی کند‪ .‬هر مشتر ی در سیستم ما مسیر زندگی مختص خودش را‬
‫دارد و ما انواع ز یادی از مشتر ی دار یم که هر کدام مسیر زندگی متفاوتی در سیستممان دارند‪ .‬ما میتوانیم کشف‬
‫کنیم که کدام مشتر ی‪ ،‬چقدر از مسیر زندگی پیشبینی شده فاصله گرفته و خارج از عرف عمل میکند‪ ،‬یا میتوانیم‬
‫بفهمیم کدام مشتر ی نزدیک به پایان مسیر زندگی در سیستم است و چرا‪ .‬در این مرحله با استفاده از ابزار و اطالعات‬
‫الزم از ترک سیستم توسط ایشان و از دست رفتن آنها جلوگیر ی میکنیم‪.‬‬

‫• تبلیغات هدفمند و مخاطب محور‪:‬‬

‫تبلیغات بخش موثر و پر هز ینهی گسترش کسب و کارها است‪ .‬احتماال مشاهده کردهاید که در فرمهای مختلف‬
‫سازمان ها و موسسات از شما میپرسند " از چه طر یق با ما آشنا شدید؟"‪ .‬یکی از کارکردهای این سوال تحلیل این‬
‫مسئله است که کدام یک از روشهای تبلیغاتی موثرتر از باقی آنها عمل کرده و با استفاده از این دانش‪ ،‬هز ینهی‬
‫تبلیغات با هدفمند شدنشان کاهش یابد‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪5 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫حال چگونه میتوان مخاطب را شناسایی کرد و تبلیغات هدفمندی را به ایشان ارائه داد؟ بخش ز یادی از پروژههای‬
‫دستهبندی مشتر ی‪ ،‬تحلیل احساس مشتر ی‪ ،‬سیستمهای پیشنهاد دهنده‪ ،‬نگهدار ی مشتر ی و غیره دارای تحلیلها و‬
‫فرایندهای مشترک هستند‪ .‬بنابراین اکثر آنچه در این پروژهها انجام میشود‪ ،‬در پروژههای دیگر نیز کاربرد دارد‪.‬‬

‫جهت هدفمند شدن تبلیغات محتمل است که ما تصمیم به انجام "تحلیل احساس مشتر ی" بگیر یم و خروجی این‬
‫مرحله را در ز یر سیستم نگهدار ی مشتر ی‪ ،‬پیش بینی رفتار آینده مشتر ی‪ ،‬سیستمهای پیشنهاد دهنده و تولید محتوای‬
‫آینده استفاده کنیم‪ .‬اما استفادهی نهایی ما تعیین کنندهی مسیر انجام پروژه و کنترل کیفیت ماژولهای خاص پروژه‬
‫ما است‪.‬‬

‫• تحلیل محتوای مورد استفاده در رسانه ‪:‬‬

‫به این سواالت دقت کنید‪ .‬چه میخوانند؟ چه چیز ی را دوست دارند و چه چیز ی را دوست ندارند؟ چه نظر ی دارند؟‬
‫به دنبال چه هستند؟ کدام مطلب بر سر راهشان ز یاد و اضافه است؟ و تاثیر کدام تا چه اندازه بهتر است؟‬

‫امروزه پیشبینی رفتار مخاطبان با تحلیل فضای مجاز ی و رفتار مشتر ی در شبکهی کسب و کار شخصی قابل تشخیص‬
‫است‪ .‬با مشخص شدن پاسخ این سواالت ما میدانیم جامعهی هدفمان کیست‪ ،‬چقدر است‪ ،‬موثرتر ین عامل بر روی‬
‫آنها چیست و ‪ ...‬با دانستن این موارد با کمتر ین هز ینه‪ ،‬موثرتر ین موارد را تولید و یا به آنها پیشنهاد میدهیم و‬
‫میدانیم از چه چیز ی اجتناب کنیم‪.‬‬

‫در باب مهارت فنی الزم باید گفت که تکنینک کافی ودانش الزم درپردازش متن جزء ضرور یات ماست که ارزش آن‬
‫نیاز به یاداور ی ندارد‪ .‬درحال حاضر الیکها ‪ ،‬کامنتها‪ ،‬تار یخچهی کلیک بر روی آیکونهای سایت‪ ،‬عالقهمندی‬
‫دوستان مجاز ی و چند مورد دیگر از مواردی است که برای پیشبینی و تحلیل رفتار مشتر یان قابل دسترسی است‪.‬‬

‫• تحلیل در لحظه یا یادگیر ی جر یانی‪:‬‬

‫در برخی کسب و کارها‪ ،‬به دلیل سرعت باالی تغییرات‪ ،‬دادهها به صورت لحظهای به سیستم اضافه میشوند؛ مانند‬
‫قیمت طال و دالر در بازار بورس جهانی‪ .‬در این موارد نیاز به سیستمهای هوشمندی است که دادهها را به صورت‬
‫‪ Real Time‬پردازش و نتایج را بر روی تصمیمگیر یها اعمال کند‪ .‬هر تغییر و یا ‪ Content Drift‬در این سیستم وارد‬
‫الگور یتم شده و به طور خودکار نتایج را بهروز میکند و اگر سیستم دارای قابلیت تصمیمگیر ی خودکار باشد‪ ،‬براساس‬
‫نتایج تصمیمات جدیدی را اتخاذ میکند‪.‬‬

‫معمار ی و طراحی این سیستمها نیاز به تکنیک و پیچیدگی بیشتر دارد و چالشهای متفاوتی نسبت سیستمهای‬
‫‪ Batch‬یا پردازش دست جمعی دارد‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪6 :‬‬

 ‫کاربردهای وسیع علم داده‬
‫شماره مقاله‪57233 :‬‬

‫شاخه های بسیار ی را میتوان در کاربرد علم داده نام برد‪ .‬از جمله‪:‬‬

‫✓ نظامی ‪ :‬بهینه کردن محل برخورد موشک‪ ،‬تشخیص حمالت سایبر ی و غیره‬
‫✓ تولید محتوا‬
‫✓ بررسی وقایع اجتماعی‬
‫✓ راهانداز ی کمپین انتخاباتی و تبلیغاتی‬
‫✓ قانونگذار ی خرد و کالن‬
‫✓ پیشبینی تاثیر قوانین وضع شده در حوزهی مالی‪ ،‬اجتماعی و غیره‬

‫اما در آخر باید در نظر داشت که تمامی توانمدی دانشمند علم داده بر اساس دادهها موجود است‪ .‬متاسفانه یکی از‬
‫آفات بزرگ فعلی برای اجرای پروژه های موفق علم دادهای‪ ،‬عدم ثبت وقایع و موضوعات ارزشمند است‪ .‬این موارد‬
‫باید توسط دانشمندان علوم داده در اسرع وقت شناسایی شده و به کارفرما یا تیم تولید کننده نرم افزار گزارش شود‪.‬‬
‫اما این نکته نباید ذات کنجکاوانه و تحلیلی ما را تحت تاثیر قرار دهد‪ .‬چرا که در بسیار ی از مواقع دادههایی که مورد‬
‫نیاز هستند اما ثبت نشدهاند و یا به هر دلیل در دسترس نیستند‪ ،‬از طر یق دادههای موجود دیگر قابل احصا هستند‪.‬‬

‫‪www.nikamooz.com‬‬ ‫صفحه‪7 :‬‬