«بزرگ‌ترین افتخار در زندگی شکست نخوردن نیست، بلکه مربوط به هر زمانی است که پس از شکست خوردن، دوباره از جای خودمان بلند می‌شویم.» نلسون ماندلا
گفتگوی زنده دکتر عبدی و مهندس امیرعباس دربانی در باره علم داده و تحول دیجیتال و بازاریابی مدرن

گفتگوی زنده دکتر عبدی و مهندس امیرعباس دربانی در باره علم داده و تحول دیجیتال و بازاریابی مدرن

۲۹
اسفند
توسط : فرشید عبدی

روز چهارشنبه ۲۸ اسفند ساعت ۲۲:۳۰ و در آخرین روز کاری سال ۱۳۹۸ لایو ‌مهمی‌ با حضور جناب آقای دکتر فرشید عبدی و جناب آقای مهندس دربانی برگزار شد.

آقای مهندس دربانی گفتگو را با موضوع تحول دیجیتال (Digital transformation) آغاز کردند و سپس وارد بحث دیجیتال مارکتینگ شدند و در نهایت به موضوع علم داده و داده کاوی و کاربرد آن در حوزه دیجیتال مارکتینگ پرداختند.

مهندس دربانی در ادامه مثالی از شرکت استارباکس را مطرح نمود و به موضوع استفاده از مایکروسافت آژور توسط استارباکس و جمع‌آوری داده‌های مشتریان و استفاده از نرم افزارهای مختلف مانند آژور ماشین لرنینگ (Azure Machine learning) برای آنالیز داده های مشتریان توسط دانشمندان داده و استفاده از الگوریتم های مشخص برای پاسخ به بسیاری از مسایل کسب و کار در استارباکس اشاره کرد. همچنین به موضوع اپلیکیشن های استارباکس و ذخیره داده های مشتریان اشاره نمود و به این موضوع تاکید داشت که در استارباکس تنها استفاده صرف از تکنولوژی مطرح نبوده و موضوعات مهم تری همانند طراحی تکنولوژی مطرح است که چطور این تکنولوژی قابل استفاده راحت توسط مشتریان باشد و مشتریان بتوانند با این تکنولوژی ها ارتباط برقرار کنند. در نهایت به مثال طراحی سیستم های توصیه گر توسط استارباکس را مطرح نمودند.

در ادامه مهندس دربانی به موضوع دیجیتال مارگتینگ پرداخت و بیان کرد که دیجیتال مارکتینگ واژه ای است که مدت زیادی است که در حال استفاده است. مهندس دربانی به این موضوع اشاره کرد هنگامی که در مورد تحول دیجیتال و یکپارچه سازی (integration) صحبت می کنیم و همه چیز در بستر وب است، کمی بحث دیجیتال مارکتینگ مهم تر و تاثیرگذارتر شده و به تنها محلی تبدیل می شود که تیم بازاریابی می تواند بر روی آن سرمایه گذاری کند. مهندس دربانی بحث یکپارچه سازی را مهم ترین موضوع در دیجیتال مارکتینگ دانست و به تکنولوژی های برتری همانند گوگل آنالیتیکس اشاره نمود.

دکتر فرشید عبدی گفتگو را به این ترتیب ادامه دادند که کسب و کاری را فرض کنیم که صاحب وب سایت است و قرار است که یک سری از فعالیت ها را با استفاده از وب سایت خود انجام دهد. به عنوان مثال  به کمک وبسایت به معرفی شرکت خود بپردازد و محصولات خود را بفروشد و سرنخ جمع کند و از این طریق فرصت هایی را به دست بیاورد و کارهای مالی را انجام دهد و به نوعی از طریق این وبسایت خوراک دیجیتال مارکتینگ خود را فراهم کند. دکتر عبدی در ادامه گفتگو را با این سوال ادامه دادند که داستان دیتاساینس و مدل‌های دیتاساینس در این حوزه چه کمکی می تواند به کسب و کارها بکند و از دیتابیس هایی که ایجاد شده چطور می توان به مدل دست پیدا کرد؟ و نقش داشمند داده و متخصص علم داده در این موضوع چه خواهد بود.

مهندس دربانی در پاسخ به این سوال به این موضوع اشاره کردند که هنگامی که ما در مورد یکپارچه سازی وب سرویس ها با دیجیتال مارکترها صحبت می‌کنیم در واقع داریم در مورد جریان داده (Data flow) صحبت می‌کنیم. این موضوع امکان داشتن یک دید یکپارچه و ۳۶۰ درجه از مشتری را به ما می دهد. هنگامی که چنین دید یکپارچه ای را حول مشتری داریم، این جریان داده از مشتری را در اختیار داریم و لحظه به لحظه به داده های مشتریان اضافه می شود این امکانات را برای ما فراهم می کند: اول اینکه ما می توانیم در مورد lead Scoring صحبت کنیم. بسیاری از کسب و کارها تمایل دارند بدانند که به کدام یک از مشتریان خود توجه بیشتری داشته باشند و به با توجه به ویژگی هایی که از سرنخ های خود جمع آوری کرده اند به کدام یک امتیاز بیشتری بدهند. این موضوع تنها با استفاده از داده کاوی و دیتاساینس استفاده از مدل های پیش بینانه قابل انجام است.

مهندس دربانی در موضوع دیجیتال مارکتینگ همچنین به موضوع marketing attribution modeling اشاره کردند و این موضوع را استفاده صریح از دیتاساینس در حوزه دیجتال مارکتینگ دانستند و بیان کرد که دیتاساینس همه جا هست و هر جا که داده وجود دارد قابل استفاده است. دیتاساینس یک متدولوژی است. سوال های کسب و کار وجود دارد و داده ها وجود دارد، و مسئله اصلی این است که آیا می توان این متدولوژی را به کار برد. مهندس دربانی در این خصوص به مثال تبلیغات مبتنی بر وب اشاره نمود و این موضوع را بیان کرد که تنها با استفاده الگوریتم های پیش بینی و استفاده از دیتاساینس است که می تواند تبلیغات هدفمندتری انجام داد. دکتر فرشید عبدی در ادامه و در تکمیل بحث به جذابیت یکپارچه سازی مفاهیم سنتی بازاریابی مانند بخش بندی، هدف گیری و موقعیت‌یابی با متدولوژی دیتاساینس و پردازش حجم زیاد از داده ها اشاره نمود.

موضوع دیگری که به بحث در مورد آن پرداخته شد موضوع marketo بود. مهندس دربانی بیان کردند که marketo سرویسی است که کمپانی Adobe آن را ارائه کرده است و یکی از سرویس هایی است که به شدت برای یکپارچه سازی (integration) و اتوماسیون (Automation) بکاربرده می شود. یکپارچه سازی به معنی این است که marketo می تواند با سرویس های دیجیتال مختلف یکپارچه شود و برای مثال از طریق این یکپارچه سازی قابلیت ردیابی سرنخ های خود را پیدا خواهید کرد.

دکتر فرشید عبدی بحث را با سوال در مورد persona ادامه داد و به این موضوع اشاره کردند که اگر در بازاریابی بتوانیم persona مشتری را به دست آوریم گام مهمی برای هدف گیری برداشته ایم و این سوال را مطرح کردند که آیا سیستم های اتوماتیک و سیستم های مبتنی بر علم داده می تواند persona  تولید کند یا همچنان یک شخص باید به سراغ persona برود؟ مهندسی دربانی در پاسخ به این سوال اشاره کردند که با استفاده از علم داده و داده کاوی این موضوع شدنی است. ولی این موضوع مهم وجود دارد که بعد از شناسایی persona باید به سوال کسب و کار و مشکل کسب و کار پاسخ داده شود.

دکتر فرشید عبدی در تکمیل این بحث به موضوع مهم درک کسب و کار اشاره نمودند و بیان کردند که مجهز شدن به علم داده با درک کسب و کار ارزش پیدا می کند. موضوع علم داده و استفاده از الگوریتم ها و مدل ها زمانی ارزشمند هستند که ارزش افزوده ای را برای سازمان به همراه داشته باشد و مسائل کسب و کار را حل کنند.

مهندس دربانی در ادامه به بحث مهارت های لازم برای یک دانشمند داده (Data scientist) اشاره کرد. اینکه اگر فردی بخواهد یک دانشمند داده به روز باشد باید در بحث مدل سازی مهارت خوبی داشته باشد. باید الگوریتم ها را بشناسد. همچنین به موضوع کار کردن با دیتابیس ها اشاره کرد و اینکه یک دانشمند داده باید بتواند با دیتابیس ها کار کند. یک دانشمند داده همچنین باید با موضوع API ها آشنا باشد. دانشمند داده باید با بحث تکنولوژی آشنا باشند و بتوانند با آن کار کنند و در نهایت به این موضوع اشاره کردند که دانشمند صرفا یک طراح مدل نیست. دانشمند داده کسی است که کسب و کار را می شناسد و باید زبان کسب و کار را به زبان آنالیتیکس تبدیل کند و نتایجِ تحلیل را به زبان کسب و کار برگرداند. باید تکنولوژی های اصلی را بشناسد و توانایی کار کردن با آن‌ها را داشته باشد و در نهایت حداقل با دو زبان برنامه نویسی (به عنوان نمونه R و python) آشنا باشد.

در ادامه دکتر فرشید عبدی به استفاده از ابزارها و زبان های مختلف در سطوح مختلف و کاربردهای مختلف آن ها اشاره نمودند و به نرم افزار Rapidminer و زبان های R و Python اشاده کردند. همچنین مهندس دربانی در خصوص نرم افزار رپیدماینر اشاره کردند که برای شروع می تواند انتخاب مناسبی باشد و البته به این موضوع اشاره کردند که جاهایی که بحث یکپارچه سازی مطرح نباشد نرم افزار RapidMiner بسیار قوی است. در جاهایی که بحث یکپارچه سازی مطرح می شود پای زبان هایی مثل R و Python به میان می آید. مهندس دربانی R را عنوان بهترین زبان برنامه نویسی دیتاساینس دانستند و دلیل این موضوع را وجود کتابخانه های به شدت قوی که توسط استادان آمار و یادگیری ماشین ارائه شده است دانستند. در حوزه تحقیق و توسعه، در مدلسازی‌های خیلی قوی و تست مدل ها به عنوان مدلسازی اصلی از R استفاده می شود. ولی با استفاده از R دیگر نمی توان به راحتی web crawling انجام داد. با R به راحتی نمی توان به API ها وصل شد. این جاست که Python مورد استفاده قرار می‌گیرد. کار کردن با داده های وب در python بسیار آسان تر است. بنابراین مهم این است که در کجا کار می کنیم و باید به این موضوع توجه شود.

در این گفتکو هم چنین به موضوع فرصت های شغلی دانشمندان داده اشاره نمودند.

و در نهایت به موضوع کاربرد علم داده در حوزه FMCG اشاره شد و اینکه شرکت های بزرگ خرده فروشی در حال استفاده از دیتاساینس هستند. به عنوان نمونه می توان به والمارت اشاره کرد. در حوزه FMCG می توان به کاربرد کشف قوانین انجمنی و تحلیل سبد خرید مشتریان اشاره نمود. همچنین در این حوزه مدل های RFM و توسعه مدل RFM کاربردهای فراوانی دارد.

در پایان مهندس دربانی بیان کردند که اگر به دنبال یادگیری داده کاوی به زبان ساده هستند می توانند از کتاب داده کاوی ژیاوی هان استفاده کنند. و برای بحث های دیتابیس و مارکتینگ نیز کتاب marketing in database  را معرفی نمودند.

دیدگاه بگذارید

avatar
  عضویت  
Notify of