سمینار آشنایی با علم داده ، داده‌ کاوی و تحلیل داده‌ها به کمک نرم‌افزار رپیدماینر

مرکز دانش مدیریت ارتباط با مشتری (مدام) برگزار کرد ؛

سمینار آشنایی با علم داده، داده‌ کاوی و تحلیل داده‌ها به کمک نرم‌افزار رپیدماینر

به همت مرکز دانش مدیریت ارتباط با مشتری (مدام) و با حضور علاقمندان و متخصصان علم داده و تحلیل داده ها، سمینارآشنایی با علم داده، داده‌ کاوی و تحلیل داده‌ها به کمک نرم‌افزار رپیدماینر در ۱۶ تیر ۹۸ برگزار شد.

در این سمینار دکتر فرشید عبدی، موسس و مدیر مرکز دانش مدیریت ارتباط با مشتری (مدام) و عضو هیات علمی دانشگاه به اهمیت استفاده صحیح از داده های در دسترس کسب و کارها اشاره کرد و گفت: هرگاه که بتوان از داده ها برای تصمیم گیری های صحیح استفاده کرد به این معنی است که توانسته ایم داده ها را به اطلاعات، خرد، دانش و بینش تبدیل کنیم و این همان استفاده صحیح از داده ها است و به شرط استفاده صحیح از ابزارهای تحلیل داده ها تاثیر چشمگیری در عملکرد کسب و کارها ایجاد خواهد شد.

در این سمینار که به صورت مشارکتی و با گفتگو با حاضرین و با سخنان دکتر فرشید عبدی و دکتر شقایق ابوالمکارم ادامه یافت، با تشریح تفاوت های گزارش های عملیاتی و اهمیت گزارش های تحلیلی و توانمندی پیش بینی رفتار مشتریان، به کاربردهای علم داده و داده کاوی پرداخته شد و شرکت های بیمه، بانک ها و موسسات اعتباری، رستوران ها و کافی شاپ ها، بیمارستان ها و مراکز درمانی و دارویی، خرده فروشی ها، مخابرات، آرایشگاه ها، هتل ها و… به عنوان برخی سازمان ها و موسساتی که می توانند از این علم بهره ببرند نام برده شد و به موضوعاتی از قبیل تحلیل بازار و تحلیل رفتار مشتری، شناسایی بهترین مشتریان، پیش بینی ریسک اعتباری مشتریان، طراحی سیستم توصیه گر برای مشتریان، پیش بینی ریزش مشتریان و بهینه کردن وفاداری، تحلیل سبد بازار، تشخیص و پیش بینی تقلب و ناهنجاری، تحلیل کانال های فروش، اجرای کمپین های بازاریابی موثرتر، تحلیل ارزش طول عمر مشتری، شناسایی مشتریان احتمالی و فروش بیشتر، گروه بندی مشتریان و مدیریت مجموعه ای از مشتریان، داده کاوی در بازار سهام و پیشنهاد پرتفوی بهینه، تحلیل داده های شبکه های اجتماعی، متن کاوی و وب کاوی به عنوان نمونه هایی از کاربردهای علم داده و داده کاوی پرداخته شد.

شغل «دانشمند داده» و میانگین درآمد دانشمندان داده دیگری موضوعی بود که سخنرانان این سمینار ان را مورد بحث و بررسی قرار دادند و بازار کار این شغل را در ایران خوب ارزیابی کردند و گفتند: کشورهای خارجی شغل با عنوان «دانشمند داده» طرفداران بسیاری پیدا کرده. در کشور ایران شغل های مرتبط با علم داده با عناوینی از قبیل تحلیل گر داده ها، مهندس دانش، متخصص یادگیری ماشین وجود دارد و معمولا افراد با تخصص های مرتبط با داده در واحدهای سازمانی مانند واحد فناوری اطلاعات، آمار و انفورماتیک، سیستم ها و روش جذب می شوند.  همچنین سازمان هایی که در آن سیستم CRM وجود دارد از افرادی که دارای تخصص مرتبط با علم داده هستند به عنوان تحلیل گران داده استفاده می شود. در مجموع بازار کار وسیعی برای این علم داده وجود دارد و افرادی مختصص در حوزه داده در هر جایی که داده های بزرگ وجود داشته باشد می توانند در جستجوی شغل مرتبط با علم داده باشند.

در ادامه مهارت ها و توانمندی های مورد نیاز جهت شغل «دانشمند داده» مطرح شد و مهارت در ریاضی، آمار و یادگیری ماشین و تسلط به یکی از زبان های برنامه نویسی مانند Phyton و یا R و همچنین آشنایی با یکی از نرم افزارهای تحلیل داده ها مانند RapidMiner به عنوان ملزومات این شغل بیان شد.

این سمینار با معرفی ابزارها و زبان های تحلیل داده ها مانند Phython، R، Oracle data mining، Kinme، Orange، SAS، IBM Modeler و RapidMiner ادامه یافت و از این بین نرم افزار رپیدماینر را ابزاری قوی در حوزه تحلیل داده ها معرفی شد و سه ویژگی مهم آن را افزایش سرعت عمل تحیلی گر، سادگی و یادگیری آسان عنوان شد. همچنین قابلیت های نرم افزار رپیدماینر و دسته بندی های مربوط به اپراتورها در این نرم افزار منطبق با چارچوب کریسپ اشاره شد و توضیحاتی کلی در خصوص محیط نرم افزار و کاربرد آن در درک داده ها، مصورسازی داده ها، پاکسازی داده ها، پیش پردازش داده ها و مدلسازی از نوع رده بندی، پیش بینی، خوشه بندی و کشف قوانین انجمنی ارائه گردید.

بخش پایانی این سمینار با سخنرانی دکتر لیونل کوک تپه از دانشگاه لیدز انگلستان که به میهمان ویژه این نشست بود پی گرفته شد. وی به سئوالات شرکت کنندگان در خصوص موضوع سمینار پاسخ داد و گفت تفاوت های زیادی در کشور ما و خارج از کشور وجود دارد. در کشور ما بیشتر به ابزارها اهمیت و بها داده می شود و علم داده می تواند از بعد ریاضی و یا از بعد کسب و کار مدنظر قرار بگیرد.
وی افزود : وقتی صحبت از بازاریابی یا مارکتینگ به میان می آید بهتر است از لفظ مشتری استفاده نکینم، در واقع هنگامی که به بازاریابی می پردازیم بیشتر نگاهمان جامعه محور هست و وقتی به جامعه نگاه می کنیم، در هر کسب و کاری که هستیم، برای مثال در خودروسازی، صنایع فولاد، بهداشت و درمان، مسائل اجتماعی و …. در درجه اول نمی دانیم که دنبال چه هستیم. باید به این نکته توجه داشته باشیم که معمولا هنگامی که به عنوان یک مشاور از خارج از یک سازمان وارد آن می شویم از مسائل مربوط به آن سازمان اطلاعی نداریم و در درجه اول به درستی نمی دانیم که به دنبال چه هستیم، به عنوان مثال شاید مسئله ای در بخش مالی وجود داشته باشد که ریشه آن مربوط به بخش نوآوری و تحقیق و توسعه می باشد و بنابراین نمی دانیم که به دنبال چه نوع داده هایی می خواهیم برویم. نمی دانیم دقیقا با چه سوالی روبرو هستیم و مسئله ای که وجود دارد دقیقا مشخص نیست و مسئله مهمی که در حوزه کلان داده وجود دارد این است که نه تنها با حجم داده های بالا سروکار داریم بلکه با انواع داده مختلفی از داده نیز مواجه هستیم. وقتی وارد یک تحقیق می شویم امکان تشخیص انواع داده هایی که قرار است با آن سروکار داریم نیز وجود ندارد. امکان پیش بینی روش کار و ابزار کار از همان ابتدا وجود ندارد، ما نمی توانیم از پیش تعیین کنیم که از چه متدولوژی و ابزاری استفاده کنیم. در حالیکه متدولوژی، مسئله مهمی است و اینکه چطور می خواهیم مسئله را حل کنیم نیز باید در نظر گرفته شود.

اطلاعاتی که از طریق مارکتینگ جمع آوری می شود در اختیار بخش های مختلف سازمان از قبیل بخش مالی، تولید و عملیات، تحقیق و توسعه و نوآوری، لجستیک و …. قرار می گیرد و هدف از مارکتینگ فقط این نیست که برای مثال ببینیم مشتری ارزشمند چه کسی بوده، چه محصولی خریده و چه محصولی را خریداری نکرده و …. در واقع مارکتینگ با این هدف صورت می گیرد که در درازمدت پیش تر و فراتر از روندها حرکت کنیم. باید توجه داشته باشیم که نمی توانیم از جامعه محدود اطلاعات جمع کرد و سهم بزرگی از بازار را تصاحب کرد. بنابراین هنگامی که صحبت از یادگیری ماشین و تحلیل داده و استفاده از زبان های برنامه نویسی مختلف همچون پایتون و R می شود به این معنی است که داده هایی که به ظاهر بی ربط هستند را از جاهای مختلف جمع آوری کنیم و ارتباطی بین آن ها برقرار کنیم و به سازمان انتقال دهیم. در واقع بدانیم که چه داده هایی را لازم داریم و به چه صورتی می خواهیم سوال و مسئله مان را مطرح کنیم. سوالاتی که به عمق مطالب اشاره دارند. سوالاتی از نوع چرا و چگونه (How and Why) که سوالات بسیار ارزشمندی هستند و به عمق مطالب اشاره دارند. در این صورت اگر بخواهیم که به چنین سوالاتی پاسخ دهیم باید داده های متفاوتی را با هم ادغام کنیم و تئوری های مختلف دانش را بشناسیم. همچنین باید توجه داشته باشیم که تمام کاری که در داده کاوی انجام می شود روی جامعه انسانی و افراد شکل می گیرد. بنابراین روانشناسی هم از اهمیت برخوردار بوده و تئوری های روانشناسی به ما کمک می کنند که چطور متدولوژی حل مسئله خود را انتخاب کنیم.
این سمینار با سخنان پایانی دکتر فرشید عبدی و تاکید بر کار تیمی و بهره مندی از تخصص های مختلف در تیم های کاری و هم افزایی بین اعضا پایان یافت.