How can we use Machine Learning Algorithms in Start up?

با توجه به ساختار و دامنه هدف در   start up به عنوان یک کارشناس یادگیری ماشین و فعال در حوزه آنالیز داده ها می توان هوشمند کردن این سیستم را به الگوریتم های یادگیر در شش حوزه زیر محدود کرد.

  • پیش بینی نیاز بازار

پیش بینی نیازهای مشتری گاهی با بررسی روزانه تقویم نیز قابل رسیدن است مثلا ایام تعطیلی عید پکیج های مناسبتی تور برای کیش و مشهد وغیره .اما آیا راهی وحود دارد که این نیاز را به صورت هوشمند برای ماه های آتی تشخیص داد و برای آن برنامه ریز کرد. بلی یادگیری ماشین الگوریتم های گسسته سری زمانی[۱] را پیشنهاد می دهد.

 

  • تبلیغات پربازده

امروزه روشهای مختلف تبلیغ مانند تبلیع در شبکه های اجتماعی، خبر- تبلیغی و غیره وجود دارد. اما روش پیشنهادی یادگیری ماشین برای این حوزه چیست. در یک کلام در این بخش وب کاوی سکاندار روش های هوشمند است. وب کاوی[۲] با ارزیابی کلیک ها و کوکی های گرفته شده از مرورگر کاربر ضمن شناخت نیاز کاربر برای مدیر وب سایت مشخص می کند کاربر به دنبال چیست.

  • تعیین نرخ لحظه ای

جذاب ترین موضوع برای سیستم های فروش بلیط و تور تعیین نرخ قیمت رقابتی با بیشترین سود می باشد.یاگیری تقویتی[۳] که یکی از زیر شاخه های یادگیری ماشین می باشد با تجربی یادمی گیرد چگونه یک بلیط را نرخ گداری کند که بیشارین سود را حاصل کند. این روش برای یک بلیط در زمان های مختلف با بررسی شرایط بازار نرخ های متفاوت ارائه می دهد. پیاده سازی این روش برای مرتبه اول زمان بر است ولی با یک بار ایجاد همیشه بهترین نرخ را مشخص می کند.

  • تحلیل رفتار مشتری

مشتری یا فردی که بیش از چند بار از سیستم ما خرید کند در سامانه ما دارای رفتار خرید است. این رفتار، پنهان در ویژگی های ثبت شده در دیتابیس می باشد که باید با استفاده از ویژگی های ثبت شده رفتارهای مشتری را خوشه بندی [۴]کنیم. به عنوان مثال پس از خوشه بندی مشتری ها دانش های ایجاد شده شبیه موارد زیر است .

  • مشتریان علاقه مند به سفرهای داخلی
    • کشف مشتریانی که همیشه در بازه های زمانی خاص پرواز رزور می کنند
    • کشف مشتریانی که لحظه های اخر اقدام به خرید می کنند
    • شناخت مبدا ها و مقصد های پروازی
    • شناخت مشتریان علاقمند به تورهای تفریحی و جدید
    • احتساب تخفیف به مشتریان وفادار به سامانه
    • وفادار کردن مشتریان جدید با کشف علاقه انها
  • مشتریان علاقه مند به سفرهای خارجی
    • مشتریان لوکس که مشکل مالی ندارند و از پیشنهادهای جدید استقبال می کنند
    • شناخت مبدا ها و مقصد های پروازی
    • کاوش بازه های زمانی مشتریان پروازهای خارجی

همه موارد بالا را می توان با کمک روش های یادگیری ماشین به خصوص الگوریتم های بدون ناظر[۵] پیاده سازی کرد.

  • بیشینه کردن سود

 

با توجه به اینکه از هنگام شروع ارتباط مشتری با سیستم start up تا زمان پایان ارتباط مشتری می توان خرید هایی مانند انتخاب بلیط هواپیما ، هتل ، قطار و غیره در بازهای چند روزه یا رفت و برگشت برای هر فرد ثبت کرد بی شک تراکنش های مالی بروی سیستم روز به روز افزایش یافته و تعیین نرخ ها ، همگام سازی نرخ با یکدیگر در صورتی که انبار داده ای هوشمند نداشته باشیم کار پیچیده ای است و مدیریت خب این هزینه ها منجر به افزایش سود می گردد.

یادگیری ماشین در اینجا پیشنهاد استفاده از درخت تصمیم را می دهد. درخت تصمیم با گرفتن ویژگی های موثر در تولید خروجی همیشه جواب بهینه را تولید می کند.

  • تحلیل هزینه ها

آخرین قدمی که در هر کسب و کاری می توان از یادگیری ماشین برای آن بهره برد فاز انتهایی و تصمیم های مدیریتی است که در سیستم های پیچیده این بخش را به عنوان سیستم های تصمیم یار نیز شناخته می شوند. به عنوان مثال تعیین بسته های تور (هتل-هواپیما –قطار-مدت زمان اقامت) چگونه منعطف و با توجه به شانس خرید توسط مشتری تعیین گردد.

طراحی و توسعه این بخش عملا به کمک یادگیری عمیق امکان پذیر است که با ساخت یک انبار داده تحلیل گرا نسبت به آزمون های مدیریتی پاسخگو می گردد.

[۱] Time Series Forecast

[۲] Web mining

[۳] Reinforcement-Learning

[۴] Clustering

[۵] Unsupervised