علم داده راه حلی برای مشکلات تجاری

به وسیله ی علم داده با مشکلات تجاری مقابله کنید! در دنیای واقعی، پروژه هایی که از علم داده استفاده می کنند با یک موضوع تجاری شروع می شوند. آنها به طور طبیعی یک معیار مهم تجاری (KPI) را تغییر می دهند.

تبدیل یک مشکل تجاری به مشکل علم داده *درست* و سپس یافتن راه حل آن *دقیقا* مسئولیت یک دانشمند داده است.

برای تبدیل یک چالش تجاری به مشکل علم داده *درست* باید دو کار انجام دهید:

• سوالات را مطرح کنید
• داده ها را برای نکات بررسی کنید.

ایجاد یک راه حل عالی علم داده برای مشکل تجاری *اشتباه*، آزاردهنده ترین چیز در جهان است.

بیایید یک تصویر ارائه دهیم. به عنوان مثال:

خود را یک دانشمند داده در یک کسب و کار معتبر اپلیکیشن ride-sharing (اپلیکیشن هایی مثل اسنپ و تپسی و … )در نظر بگیرید. همچنین رئیس شما می‌گوید: “ما می‌خواهیم ریزش کاربران را تا 3 درصد در این سه‌ماهه کاهش دهیم”

هنگامی که کاربر تصمیم می‌گیرد استفاده از سرویس ride-sharing ما را متوقف کند، ما به او تذکر می دهیم که “او اشتباه فکر می کند”. عوامل مختلفی در گردش مالی کاربر (user turnover) نقش دارند.

برای مثال:

• یکی دیگر از ارائه‌دهنده اپلیکیشن ride-sharing (یعنی رقیب مستقیم) هزینه‌های بهتری را برای آن منطقه فراهم می‌کند. (مسئله قیمت)
• مدت زمان انتظار در صف دریافت خودرو بسیار طولانی است. (مسئله تامین)
• نسخه اندروید برنامه کاملاً کند است. (مشکل عملکرد با برنامه مشتری)

با طرح سوالات مناسب برای سایر اعضای تیم، می توانید این لیست را ایجاد کنید. شما باید تجربه کاربر برنامه را از دیدگاه او درک کنید.

ریزش کاربر اغلب به دلیل ترکیبی از این عوامل (به جای هر یک از آنها به تنهایی) ایجاد می شود. پس باید روی کدام یک تمرکز کنید؟

این زمان مناسب برای کشف داده ها و استفاده از توانایی های عالی علم داده خود است. شما داده ها را بررسی می کنید تا مشخص کنید هر یک از احتمالات فوق چقدر محتمل است. نتیجه این تحلیل یک نظریه واحد است که باید بیشتر بررسی کنید.

رویکرد شما برای حل مشکل علم داده بسته به فرضیه متفاوت خواهد بود.

مثلا:

سناریوی 1: قیمت های بهتر توسط رقیب ارائه می شود (مشکل قیمت گذاری)

یکی از گزینه‌ها شناسایی یا پیش‌بینی گروه های کاربری که احتمال ریزش آنها  بیشتر است (شاید با استفاده از یک مدلML) و سپس یک پیام‌ یا نوتیفیکیشن تخفیف‌ مناسب برای آن گروه ارسال شود.

برای تعیین اینکه آیا راه حل شما موثر است یا خیر، باید یک تست A/B انجام دهید، بنابراین باید بخشی از کاربران برنامه را به دو گروه تقسیم کنید:

تیم  A: این مجموعه از کاربران مشمول هیچ گونه تخفیفی نخواهند بود.

تیم  B: کاربرانی از این گروه که مدل پیش‌بینی می‌کند احتمالاً از این گروه خارج می‌شوند، در بازدید بعدی خود تخفیف قیمتی دریافت خواهند کرد.

ممکن است گروه های بیشتری (مانند C، D، و E …) برای آزمایش نقاط مختلف قیمت اضافه شوند.

سناریو 2: زمان انتظار برای خودروها بیش از حد است. (مسئله تامین)

به جای مشکل قیمت‌گذاری، راننده کافی برای جذب مشتریان در این شرایط وجود ندارد. از آنجایی که مشکل منحصر به فرد است، راه حل نیز باید باشد.

می‌توانید با شناسایی مکان و زمانی که عرضه بسیار کم است و ارائه یک انگیزه قیمت‌گذاری، رانندگان را تشویق کنید تا این جایگاه‌ها را پر کنند.

با انجام این کار، می توانید تعادل بیشتری بین عرضه و تقاضا ایجاد کنید و در عین حال خطوط خودرو را کاهش دهید.

سناریوی 3: “نسخه اندروید برنامه بسیار کند است” (مشکل با عملکرد برنامه)

تصور کنید که داده‌های استفاده از حافظه برنامه را بررسی می‌کنید و یاد می‌گیرید که جدیدترین نسخه برنامه تقریباً دو برابر نسخه‌های قدیمی‌تر از حافظه استفاده می‌کند.

استفاده از حافظه برنامه باید بر اساس نسخه برنامه تقسیم شود. شما از کارکنان خدمات مشتری پرس و جو کنید تا ببینید آیا از کاربرانی شنیده اند یا خیر.

به نظر می رسد که اکثر مشتریان استفاده از برنامه را متوقف می کنند و به جای تماس از یک اپلیکیشن جایگزین استفاده می کنند.

با این حال، تعدادی از مشتریان همچنان نارضایتی خود را ابراز می کنند و ادعا می کنند که آخرین نسخه برنامه “به ویژه پاسخگو” نبوده است.

برای رسیدگی به این موضوع ، استفاده از برنامه را به صورت نسخه به نسخه به کاربران ارائه دهید و آنها را متقاعد کنید که نسخه جدید اپلیکیشن کارآمدتر است.

خلاصه

شایستگی اساسی علم داده که یک دانشمند ارشد داده را از یک دانشمند داده جوان متمایز می کند، توانایی تبدیل مشکلات تجاری به مشکل علم داده *درست* است.