دیتا ماینینگ در بازاریابی و کسب و کار

داده کاوی یا دیتا ماینینگ (Data Mining) موضوعی نیست که بتوان در دنیای کسب و کار از آن چشم‌پوشی کرد. درست است که اقتصاد و بازار ایران نسبت به سایر کشورهای توسعه‌یافته، بسیار عقب بوده اما این دلیل نمی‌شود که چشممان را به آینده بازاریابی داده‌محور و نقش داده در رشد کسب و کارها ببندیم. مقدمه‌ای بر داده‌کاوی داده‌کاوی (Data mining) برخلاف چیزی که به نظر می‌رسد، اختراع و نوآوری چندان تازه‌ای در عصر دیجیتال به شمار نمی‌رود. از قدمت داده‌کاوی بیش از یک قرن می‌گذرد، با این حال، در دهه 1930 مورد استقبال عمومی قرار گرفت. از اولین مواردی که داده‌کاوی به صورت عملی مورد استفاده قرار گرفته می‌توان به ایده ماشین همه‌کاره آلن تورینگ اشاره کرد؛ عملکرد این ماشین چیزی شبیه به رایانه‌های امروزی بود که توانایی انجام انواع محاسبات را داشت. از زمان آلن تورینگ تاکنون، این مفهوم دستخوش پیشرفت‌های بسیاری شده است. مشاغل و کسب و کارهای امروزی از داده‌کاوی و یادگیری ماشین (Machine Learning) برای بهبود موارد بسیاری از جمله فرایند فروش و تفسیر منابع مالی در حوزه سرمایه‌گذاری استفاده می‌کنند. به همین خاطر است که در مقایسه با گذشته، دانشمندان داده (Data scientist) نقش به مراتب مهم‌تری را در سازمان‌ها ایفا می‌کنند زیرا کلیه مشاغل به دنبال تحقق اهداف بزرگ‌تری به کمک علم داده (Data science) هستند.

داده کاوی یا دیتا ماینینگ چیست؟

داده‌کاوی فرایندی است که ضمن آن، حجم عظیمی از داده‌های آماری مربوط به وضعیت کسب و کار (یا هر نوع داده دیگری مثلاً داده‌های اجتماعی) آنالیز می‌شوند تا هوش تجاری را بتوان کشف کرد (هوش تجاری یا BI: به مجموعه ابزارها، برنامه‌های کاربردی و روش‌هایی گفته می‌شود که به سازمان‌ها کمک می‌کند تا داده‌ها را از منابع داخلی و خارجی گردآوری و آنها را آماده آنالیز کنند). به کمک هوش تجاری می‌توان مشکلات کسب و کار را حل کرد، خطرات را کاهش داد و فرصت‌های تازه را پیدا کرد. نام این شاخه از علم داده (Data Mining)، از شباهتی که میان جستجوی اطلاعات ارزشمند در پایگاه داده و حفاری در دل کوه (Mining) وجود دارد نشات گرفته است چون ارزش پنهان درون داده‌ها را تنها از طریق غربال مقادیر عظیم داده یا سنگ می‌توان یافت.

داده‌کاوی قادر است به راحتی به پرسش‌های مرتبط با کسب و کار پاسخ دهد، حال آنکه در گذشته زمان زیادی صرف پاسخگویی به آنها می‌شد. کاربران می‌توانند با استفاده از انواع تکنیک‌های آماری و آنالیز داده، الگوها و گرایش‌های تکرارشونده و روابط بین پارامترها را شناسایی کنند. با به‌کارگیری نتایج و یافته‌های آنالیز، می‌توان به پیش‌بینی آینده پرداخت و تاثیراتی عمیق را بر حوزه کسب و کار مربوطه رقم زد.

لازم به ذکر است که داده‌کاوی در بخش‌های مختلف تحقیقات بازار مانند فروش، بازاریابی، توسعه محصول و حوزه‌های مختلفی نظیر بهداشت و درمان و نیز آموزش کاربرد دارد. استفاده صحیح از داده‌کاوی می‌تواند مزیت بزرگی در مقایسه با رقبای شما برایتان ایجاد کند؛ زیرا به شما کمک می‌کند تا اطلاعات بیشتری از مشتریان خود کسب کنید، استراتژی‌های بازاریابی موثرتری را ارائه کنید، درآمدتان را افزایش دهید و هزینه‌های اضافی را حذف کنید.

نکات کلیدی مفهوم دیتا ماینینگ

• داده‌کاوی فرایند آنالیز حجم عظیمی از داده‌ها به منظور کشف گرایش‌های رایج و الگوهای تکرارشونده است.
• داده‌کاوی کاربردهای متعددی برای سازمان‌ها دارد از جمله شناسایی علاقه‌مندی‌های مشتریان، رفتار خرید آنها و یا کالاهای محبوب آنها. به این ترتیب می‌توان موارد تقلب و تخلف و نیز اسپم‌ها راهم تشخیص داد و جلوی آنها را گرفت.
• داده‌کاوی بر مبنای اطلاعاتی که کاربران تقاضا یا فراهم می‌کنند، الگوها و روابط معمول را بر هم می‌زند.
• کمپانی‌های شبکه‌های اجتماعی به کمک داده‌کاوی و تبدیل داده‌های کاربران به یک محصول قابل فروش، درآمد خود را چند برابر می‌کنند. به تازگی این کاربرد داده‌کاوی با انتقادهای فراوانی همراه شده است؛ چرا که اطلاعات شخصی کاربران این شبکه‌ها بدون آگاهی آنها و جهت شناسایی اولویت‌هایشان تحت آنالیز قرار می‌گیرد.

تاریخچه داده‌کاوی و پیشرفت‌های اخیر آن

همان‌طور که در ابتدای مقاله گفتیم، دانش کند و کاو در داده‌های بی‌شمار به منظور کشف ارتباطات مخفی و پیش‌بینی گرایش‌های آتی، قدمتی طولانی دارد. قبلاً از آن به عنوان «کشف اطلاعات موجود در پایگاه‌های داده» یاد می‌شد ولی بعدتر در دهه 1990، عبارت آشناتر «داده‌کاوی» جایگزین آن شد. این دانش از همپوشانی سه شاخه علمی مختلف تشکیل شده است:‌ آمار (مطالعه آمار و ارقام مربوط به روابط داده‌ها)، هوش مصنوعی (هوشی انسان‌نما که توسط نرم‌افزارها یا ماشین‌ها به نمایش گذاشته می‌شود)، و یادگیری ماشین (الگوریتم‌هایی که با استفاده از داده‌ها به پیش‌بینی می‌پردازند). تکنولوژی داده‌کاوی سعی دارد تا پا به پای کلان‌داده‌ها (بیگ دیتا) و توان محاسباتی قابل‌ دسترس، به رشد و تکاملش ادامه دهد.

در طول یک دهه گذشته، به کمک پیشرفت چشمگیر توان و سرعت پردازند‌ه‌ها توانسته‌ایم تا از فرایند دستی، کند و به شدت زمان‌بر تحلیل داده فراتر برویم و به تحلیل داده‌ای سریع، آسان و مکانیزه دست پیدا کنیم. هر چقدر مجموعه داده‌ها یا دیتا ست‌ها (data set)‌ پیچیده‌تر باشند، احتمال کشف حقایق سودمند پنهانی نیز بیشتر خواهد بود. فروشگاه‌های زنجیره‌ای، بانک‌ها، کارخانجات، شرکت‌های مخابراتی و بیمه‌ای از داده‌کاوی برای کشف تاثیر بهینه‌سازی قیمت‌ها، ترویج فروش (Promotion)، و اطلاعات جمعیت‌شناختی (Demographics)‌، ریسک، رقابت و شبکه‌های اجتماعی بر مدل‌های کسب و کار، درآمد، عملیات‌ها و ارتباط با مشتریان کسب و کارشان استفاده می‌کنند.

دلیل اهمیت و مزایای داده‌کاوی چیست؟

با این همه، هنوز آن‌طور که باید، دلیل اهمیت داده‌کاوی برای افراد روشن نیست. جالب است بدانید که هر دو سال، حجم داده‌های جهان دو برابر می‌شود. 90 درصد فضای دیجیتال را اطلاعات سازمان‌نیافته تشکیل می‌دهد؛ اما این حجم عظیم اطلاعات نباید فریبمان بدهد، زیرا اطلاعات بیشتر لزوماً به معنای دانش کاربردی بیشتر نیست. داده‌کاوی این امکان را به شما می‌دهد که:

• داده‌های تکراری و بی‌نظم را غربال کنید.
• اطلاعات مرتبط را شناسایی کرده و از آنها در راستای ارزیابی نتایج مناسب استفاده کنید.
• سرعت تصمیم‌گیری آگاهانه را افزایش دهید.

سرعت ورود داده‌ها به عرصه کسب و کارها بی‌سابقه است. امروز دیگر کسب و کاری داده‌محور بودن، یک انتخاب نیست؛ اکنون موفقیت کسب و کارها تا حد زیادی به کشف یافته‌ها و اطلاعات ارزشمند از دل کلان داده‌ها و به‌کارگیری آنها به بهترین شکل در تصمیمات و فرایندهای کسب و کار بستگی دارد؛ اما مشکل اینجاست که حجم بالای داده‌ها، مدیریت آنها را به کاری طاقت‌فرسا تبدیل کرده است.

داده‌کاوی به کسب و کارها کمک می‌کند تا با درک گذشته و حال، آینده‌ای بهینه‌تر را خلق کنند و پیش‌بینی دقیق‌تری از اتفاقات آتی داشته باشند. برای مثال، داده‌کاوی به کمک ارزیابی تاریخچه مشتریان به شما می‌گوید که کدام مشتریان سودآورتر هستند و کدام مشتریان در صورت ارائه پیشنهادی ویژه رغبت نشان می‌دهند. این مساله به صاحبان کسب و کار کمک می‌کند تا نرخ بازگشت سرمایه (ROI)‌ خود را ارتقا دهند، زیرا می‌توانند محصولات پیشنهادی و آفرهای تخفیف را تنها برای آن دسته از مشتریان ارائه کنند که به احتمال قوی، پاسخ‌شان به آن پیشنهاد مثبت است. از داده‌کاوی برای حل بسیاری از مشکلات داده‌محور کسب و کارها استفاده می‌شود، از جمله:

• افزایش درآمد.
• آشنایی با دسته‌های مختلف مشتریان و سلایق آنها.
• جذب مشتریان جدید.
• افزایش آمار فروش مکمل (Cross-selling) و بیش‌فروشی (Up-selling).
• نگهداشت مشتریان کنونی و بهبود قابل‌ توجه وفاداری آنها.
• ارتقای نرخ بازگشت سرمایه در کمپین‌های بازاریابی.
• تشخیص تقلب و کلاهبرداری.
• شناسایی ریسک اعتباری.
• نظارت بر عملکرد عملیاتی (Operational performance).

با به‌کارگیری تکنیک‌های داده‌کاوی، کلیه تصمیمات بر مبنای هوش تجاری خواهند بود، به جای آنکه واکنش‌های غریزی و احساسی خود را در آنها دخیل کنیم و از این رو، نتایج معتبرتری به دست می‌آیند و کسب و کارها را از رقبایشان پیش می‌اندازند. خوشبختانه امروزه، تکنولوژی‌های بزرگ مقیاس پردازش‌کننده داده مانند یادگیری ماشین و هوش مصنوعی، به مراتب قابل‌دسترس‌تر از گذشته هستند که این مساله باعث شده کسب و کارهای بزرگ بتوانند حجم بسیار عظیمی از داده‌ها را در چند دقیقه یا ساعت آنالیز کرده (در گذشته این فرایند روزها و هفته‌ها زمان می‌برد) و سریع‌تر رشد کنند.

مفاهیم اصولی دیتا ماینینگ

دستیابی به بهترین نتایج ممکن به کمک داده‌کاوی، نیازمند ابزارها و تکنیک‌های مختلفی است. برخی از رایج‌ترین این تکنیک‌ها در زیر آمده است:

• پاک‌سازی داده (Data cleansing) یا آماده‌سازی: جایگذاری داده‌ها در چارچوبی مناسب جهت آنالیز و پردازش بیشتر. داده‌کاوی از این طریق به شناسایی اشتباهات و اطلاعات گم‌ شده و برطرف کردن اشتباهات می‌پردازد.
• هوش مصنوعی (AI): به کمک این دانش می‌توان اقدامات تحلیلی مختص انسان نظیر برنامه‌ریزی، یادگیری، استدلال و حل مساله را انجام داد.
• یادگیری قواعد وابستگی (Association rule learning): این ابزار که به نام آنالیز سبد بازار (Market basket analysis)‌ نیز شناخته می‌شود، به جستجوی روابط میان متغیرهای مجموعه داده‌ها (مانند شناسایی محصولاتی که غالباً یک جا خریداری می‌شوند) می‌پردازد.
• خوشه‌بندی (Clustering): به بخش‌بندی مجموعه داده‌ها به طبقات کوچکتر معنادار (خوشه‌ها) گفته می‌شود. کاربران به کمک این تکنیک می‌توانند دسته‌های طبیعی یا ساختاری داده‌ها را درک کنند.
• طبقه‌بندی (Classification): این تکنیک هر شیء‌ مجموعه داده را به یک دسته یا گروه هدف نسبت می‌دهد. از این تکنیک برای پیش‌بینی دقیق جایگاه هر بخش داده استفاده می‌شود.
• آنالیز داده‌ها (Data analytics): فرایند ارزیابی اطلاعات دیجیتال و تبدیل آن به مجموعه داده‌های سودمند هوش تجاری است.
• انبار داده‌ها (Data warehousing): مجموعه‌ایست عظیم از اطلاعات تجاری که برای تصمیم‌گیری‌های سازمان مورد استفاده قرار می‌گیرد. انبار داده‌ها یکی از بنیادی‌ترین اجزاء داده‌کاوی‌های کلان مقیاس است.
• یادگیری ماشین: الگوریتم‌های یادگیری ماشین به رایانه‌ها کمک می‌کنند تا بدون نیاز به برنامه‌ریزی شدن، بر مبنای احتمالات آماری موضوعات مختلف را «یاد بگیرند».
• رگرسیون (Regression)– این تکنیک بر مبنای مجموعه داده‌ها اقدام به پیش‌بینی ارزش‌های عددی مانند آمار فروش، درجه حرارت یا قیمت سهام می‌کند.

داده‌کاوی چطور کار می‌کند؟

داده‌کاوی به منظور جمع‌آوری الگوها و گرایش‌های تکرارشونده و سودمند به بررسی دقیق و آنالیز حجم عظیمی از اطلاعات می‌پردازد. از داده‌کاوی در حوزه‌های مختلفی همچون بازاریابی پایگاه داده (Database marketing: دیتابیس مارکتینگ با جمع‌آوری اطلاعات مشتریان شامل نام، آدرس، ایمیل و… و تجزیه و تحلیل آنها، برای هر مشتری تجربه شخصی منحصربفردی را ایجاد می‌کند.)، مدیریت ریسک اعتباری (Credit risk management: ریسک اعتباری زمانی رخ می‌دهد که توانایی یکی از طرفین قرارداد در انجام تعهداتش تغییر کند، به عنوان مثال یکی از دریافت‌کنندگان تسهیلات توانایی بازپرداخت اقساط بدهی خود به نظام مالی را نداشته باشد.)، تشخیص تقلب و تخلف، محدودسازی ایمیل‌های اسپم و حتی شناسایی احساسات و نظرات کاربران استفاده می‌شود.

فرایند داده‌کاوی به 5 مرحله تقسیم می‌شود. نخست، سازمان‌ها اطلاعات مورد نیاز خود را جمع‌آوری کرده و آن را در انبار داده خود بارگذاری می‌کنند. در گام بعدی، این اطلاعات را در سرورهای درون سازمان یا در فضای ذخیره‌سازی ابری ذخیره می‌کنند. سپس داده‌های موجود توسط آنالیزورهای کسب و کار، تیم‌های مدیریت، و متخصصان IT ساماندهی می‌شوند. در گام چهارم، داده‌ها توسط نرم‌افزارهای کاربردی (Application software) مانند Python و بر مبنای نتایج مطلوب کاربر دسته‌بندی می‌شود. در آخرین مرحله، داده‌ها در قالبی که به راحتی می‌توان آن را به اشتراک گذاشت (مانند نمودار و جدول) در اختیار کاربر نهایی (end-user)‌ قرار می‌گیرند.

معمولاً پروژه‌های داده‌کاوی با یک پرسش درست و مربوط به کسب و کار آغاز می‌شوند، برای پاسخگویی به آن به جمع‌آوری داده‌های درست می‌پردازند و در نهایت، داده‌ها را آنالیز می‌کنند. موفقیت مراحل بعدی به انجام صحیح مراحل اولیه وابسته است. به عنوان مثال اگر کیفیت داده‌ها پایین باشد، نتایج نیز ضعیف خواهند بود. به همین دلیل داده‌کاوان پیش از هر چیز از کیفیت داده‌های اولیه اطمینان حاصل می‌کنند. متخصصین داده‌کاوی برای کسب نتایج درخشان و قابل‌اعتماد، عمدتاً فرایند 6 مرحله‌ای زیر را دنبال می‌کنند:

1. درک صحیح کسب و کار (Business understanding): در این مرحله، متخصص داده به تدریج به درک کاملی از مولفه‌های کسب و کار مورد نظر می‌رسد. این مولفه‌ها شامل وضعیت فعلی کسب و کار، هدف اصلی و شاخصه‌های موفقیت پروژه می‌شوند.
2. درک داده‌ها (Data understanding): داده‌هایی که برای حل مساله مورد نظر ضروری هستند، از کلیه منابع در دسترس تعیین و جمع‌آوری می‌شوند.
3. آماده‌سازی داده‌ها (Data preparation)‌: در این مرحله سعی می‌شود تا چارچوبی مناسب جهت پاسخ‌گویی به پرسش مرتبط با کسب و کار تعریف شده و هر گونه مشکل کیفی داده‌ها مانند داده‌های از دست رفته یا تکراری برطرف شود.
4. مدل‌سازی (Modeling): در مدل‌سازی از الگوریتم‌ها و روش‌های مناسب جهت شناسایی الگوهای درون‌داده‌ای استفاده می‌شود.
5. ارزیابی (Evaluation): در این مرحله، متخصص داده به ارزیابی نتایج ارائه‌شده توسط مدل‌سازی می‌پردازد و بررسی می‌کند که آیا این نتایج، کمکی به کسب هدف مطلوب کسب و کار می‌کنند یا خیر. عموماً برای یافتن بهترین الگوریتم و نتیجه ممکن ناگزیریم که یک مرحله را تکرار کنیم.
6. پیاده‌سازی (Deployment): در اینجا کلیه نتایج مورد نظر در دسترس تصمیم‌گیران پروژه قرار می‌گیرد. این مرحله عموماً با کمک مهندسین نرم‌افزار و برنامه‌نویسان انجام می‌شود.

توصیه می‌شود که برای کسب بهترین نتایج و بهترین پاسخ به پرسش کسب و کار، متخصصان کسب و کار و داده‌کاوان در کلیه مراحل بالا با یکدیگر همکاری کنند.