شاخه فروش:
– تحلیل احساس مشتری:
تحلیل احساس "Sentiment Analysis" مبحثی 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 زیاد‌تر و در زمان کمتری انجام پذیر است. این بدین معنی است که دیگر نیازی به لیست‌‌های نظر سنجی بلند بالا نیست که تقریبا هیچگاه به نتیجه صحیح و بازخورد قابل استناد نمی‌رسد؛ چرا که مشتریان علاقه به هزینه کردن زمان خود برای دادن بازخوردهای بلند بالا ندارند و اگر آن‌ها را با روشهای گوناگون و غیر مستقیم مجبور به پاسخ دادن به سوالات کنیم، از دستشان می‌دهیم. امروزه این کار با تحلیل کامنتها و لایک‌‌های مشتریان در فضای مجازی یا در محل‌‌هایی که برای "انتقاد و پیشنهاد انتخابی" در نظر گرفته شده ممکن است.
– کنترل بهینه موجودی یا انبار:
صاحبان کسب و کار همیشه به دنبال تامین محصول و یا اقلام مناسب، در زمان مناسب، با کیفیت مناسب و قیمت معقول هستند. داشن قیمت تمام شده معقول به عوامل زیادی بستگی دارد. بخشی از آن به زمان و مقدار خرید باز می‌گردد و بخشی دیگر به پیشبینی تلاطم بازار و پیشبینی نیاز مشتریان در آینده. زمانی که حرف از پیشبینی، کشف، تشخیص و یا بهینه سازی 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 آوری دادههای ما هستند. سپس روشهای آماری و الگوریتم‌های مناسب برای یادگیری ماشین و همچنین رصد بازار و تغییرات آن ما را در یافتن راه حل‌‌های مناسب در این مسئله یاری می‌دهد.
– بهینه سازی قیمت:
قطعا برای یکایک ما پیش آمده که از خریدی به علت قیمت "نامتناسب" آن منصرف شده باشیم. بر اساس آمار موجود جهانی، سیاست قیمت‌گذاری به علت پیچیده بودن و تعدد پارامترهای دخیل عمدتا به شکل ناقص تشخیص داده و وضع می‌شوند. این موضوع یکی از دلایل اصلی کم شدن سود سالانه معرفی شده است. گاهی یا بهتر است بگوییم در اکثر مواقع به علت نامعقول بودن و بالا بودن قیمت و در برخی دیگر از موارد به علت عدم سنخیت قیمت پایین و یا بالای کالا با سطح کیفی مورد انتظار، مشتری از خرید کالا منصرف می‌شود و به دنبال کالای جایگزین می‌رود. این دیدگاه از سمت خریدار، درکنار دیدگاه فروشنده که به دنبال افزایش مشتری 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، بهترین حالت فروش و رونق کسب را به همراه داشته باشد، نیازمند تحلیل‌‌های گوناگون است. رفتار خریدار، زمان خرید، قیمت خرید 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 مشتری با کمترین هزینه 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 مشتریان مورد نظر شما در نزدیکی محل کسب شماست؟
- چه مقدار ازین سود از دست رفته به علت فاصله‌ی شما از مناطق اصلی ارائه‌ی کالای 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؟
علم داده با توجه به انتخاب و نحوه تصمیم گیری مالکان کسب و کارهای مبتنی بر حضور مراجعین، بهترین راه تشخیص محل خرید و یا ساخت شعب شناخته شده است. با یک دید فنی جهت تشخیص بهترین 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 مشتریان، اطلاعات سرشماری و فراوانی تعداد اشخاص در هر محله با درنظر گرفتن ساعات حضور افراد و نوع مشغله‌ی آن‌ها می‌توان به محل جغرافیایی مناسبی که بیشترین 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 سرمایه‌گذاری اشتباه دور کرده و ایشان را به سمت بهینه‌ترین 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 هزینه نیست و بدیهی است که تخلفاتی در این زمینه به فراخور بعضی پارامترها از جمله ارزش کالا شکل می‌گیرد. کشف این گونه تخلفات و تحلیل کلیه‌ی درخواست‌های دریافت خدمات پس از فروش می‌تواند راهی برای بهینه‌سازی در زمان، هزینه، 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 مشتری، تحلیل صحت دسته بندی، کاهش آلارم های اشتباه "False Positive"، تقویت خصیصه‌های ممیزی، ذکاوت و آگاهی فرایندی و غیره می¬شود. همچنین از بعد فنی نیز پردازش متن، داده کاوی کلاسیک و آمار و احتمالات نیازمندی‌های این گونه پروژه‌ها هستند.
این روش الزاما مختص کالاهای گران قیمت و یا با تعمیرات پر هزینه نیستند. چرا که هزینه پاسخگویی، رسیدگی به درخواست‌ها، حمل و نقل و برطرف کردن مشکل احتمالی هر کالایی بخش زیادی از هزینه¬ی کسب و کارها بوده و برای کارفرمایان قابل توجه است. با استفاده از علم داده می‌توان هزینه‌های رسیدگی به درخواست‌ها را معطوف به درخواست های مشکوک کرد و با توجه به شرایط، آن‌ها را رد و یا مرتفع کرد.
– تحلیل سبد خرید:
تحلیل سبد خرید از سنتی‌ترین و ساده‌ترین مباحثی است که با علم داده بهینه شده است و شامل یادگیری از طریق روش‌هایی از جمله کشف رشته قوانین "Rule Mining" به انجام می‌رسد. در این شاخه، علاقه‌مندی و عدم علاقه‌مندی و مجموعهای از محصولاتی که بیشترین احتمال خریداری شدن را دارند قابل استخراج است. توابع وابستگی و قوانین انجمنی، عضوهای اصلی ساخت و یا کشف قوانین در این مسئله هستند. تولید محصولات در صورت وجود داده‌ی لازم در این گونه تحلیل‌ها ممکن و شدنی است.
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 مبتلا کنند. دقت داشته باشیم که در تحلیل سبد خرید، 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 لازم در این زمینه را پیش از انجام پروژه‌ی کلان کسب کنید.
– سیستم‌های پیشنهاد دهنده:
چه چیزی 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.
بهترین پیشنهاد، موثرترین تبلیغات، یافتن نیازمندی قطعی و یا احتمالی مشتری بر اساس رفتار مشتری، گروه‌بندی مشتریان بر اساس نیاز آن‌ها، سلایق مشتریان و مواردی ازین 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 الگوریتم‌های مناسب بهترین پیشنهاد را به مشتری ارائه کند.
به مجموعه اقدامات فوق که درحال حاضر بازار گرمی دارد، سیستم‌های پیشنهاد دهنده گفته می‌شود. اجرای این سیستم به دو شکل فیلترینگ با همکاری و فیلترینگ براساس محتوا انجام می‌شود. فیلترینگ بر اساس همکاری مبتنی بر شباهت سلیقه و شباهت رفتار مشتریان به یکدیگر است و فیلترینگ براساس محتوا مبتنی بر پیشینه و سلایق خود مشتری است.