خطا! ورودی را کنترل کنید
خطا! ورودی را کنترل کنید
ورود خودکار ؟
اگر فرم ثبت نام برای شما نمایش داده نمیشود، اینجا را کلیک کنید.
اگر فرم بازیابی کلمه عبور برای شما نمایش داده نمیشود، اینجا را کلیک کنید.
انجمن گفتگو استارتاپ و کار آفرینی
شما در حال مشاهده انجمن گفتگو استارتاپ های ایران هستید، این انجمن با هدف ایجاد بستر گفتگو پیرامون موضوعات حوزه کارآفرینی و کسب و کار های نوپا ایجاد شده است. با عضویت در این انجمن می توانید با اعضای اکوسیستم کارآفرینی کشور در ارتباط باشید.
این انجمن همچنین مرجع کاملی از شتاب دهنده ها، مراکز رشد و پارک های علم و فناوری، استارتاپ ها، اسامی منتور ها، سرمایه گذاران و فعالان کارآفرینی کشور را گرداوری نموده است.
ما به شما این اطمینان را می دهیم که با جستجو در این انجمن بتوانید هر موضوعی را در رابطه با استارتاپ ها پیدا کنید. کارشناسان ما نیز بطور 24 ساعته پاسخگوی سوالات شما خواهند بود.
روزنامهنگاری هوش مصنوعی و رباتیک در حال فتح بازار است نمایشگاه محتوای دیجیتال DCX به نمایش این مساله خواهد پرداخت که الگوریتم ها و راه حل های خودکار به چه نحوی در حال تغییر بازار تولیدکنندگان رسانه، اخبار و محتوا هستند. در نمایشگاه محتوای دیجیتال DCX که از 10 تا 12 اکتبر در برلین برگزار شد ، تولید کنندگان زیادی به نمایش آخرین راه حل های مبتنی بر هوش مصنوعی پرداختند که در رسانه ها به کار می روند. شرکت هایی همچون Element AI, Klangoo, Norkon Computing Systems, Poool, textOmatic, Updatemi or Utopia Analytics یا Utopia Analytics به دنبال این هستند که با بهره گیری از حوزه هایی چون روزنامهنگاری و مدیریت داده های رباتیک و سفارشی سازی اخبار، به پیشتاز صنعت اخبار تبدیل شوند. از هوش مصنوعی بیش تر در نرم افزار ها و الگوریتم هایی استفاده می شود که می خواهند هوش انسان را تقلید کنند. در حوزه روزنامهنگاری، این فناوری ها وارد بخش هایی چون تولید خبر و مدیریت محتوا شده اند. بازدیدکنندگان نمایشگاه DCX از آخرین راه حل ها و پیشنهادات سیستم های هوش مصنوعی مطلع می شوند. روزنامهنگارها و متخصصان بازاریابی می توانند از این سیستم ها در کارهای خود استفاده کنند. این پیشرفت دیگر تنها منحصر به داستان های علمی تخیلی نیست. روزنامهنگاری رباتیک و وبلاگ نویسی خودکار هم در DCX وجود خواهد داشت. برای مثال، در این نمایشگاه شرکت تکستوماتیک (textOmatic) از آخرین برنامه تولید متن خودکار پرده برداری می کند. این محصول تازه که با حمایت ابتکارات دیجیتال تازه گوگل (DNI) ساخته شده است، می تواند به تولید مقاله ها و گزارش هایی درباره آب و هوا، مسائل مالی، ورزشی و رویدادهای مختلف بپردازد و هم چنین در لحظه، به صورت خودکار یک محصول یا گزارش های مالی را بررسی کند. پالس (Pulse) هم یک مثال دیگر است. یک راه حل کامل که می توان از آن برای اخبار مالی مربوط به تبادلات بازار سهام استفاده کرد. این شرکت هم چنین لایو سنتر (Live Center) را در سبد محصولات خود دارد، یک راه حل وبلاگ نویسی که آخرین اخبار را خودش می نویسد. با این سیستم، روزنامه ها و خبرسازان می توانند تصاویر بصری مناسب را به صورت مستقیم در پست های خود لحاظ کنند. شرکت المنت AI از شهر مونترال کانادا، اولین شرکتی است که بعد از این که فعالیت خود را شروع کرد، به صورت مستقیم از مایکروسافت بودجه دریافت کرد. این شرکت در نمایشگاه DCX محصولات زیادی در حوزه هوش مصنوعی ارائه می دهد. المنت AI وعده داده است که در توسعه استراتژی هوش مصنوعی خود از تمام شرکت ها حمایت کند. این شرکت موفق علاوه بر راه حل های اختصاصی، ابزارهای آماده استفاده زیادی همچون سیستم های هوش مصنوعی برای تبلیغات یا راه حل های ساخت محصولات چند رسانه ای (از صدا تا ویدئو) ارائه می دهد. شرکت کلنگو (Klangoo) یکی از تولید کنندگان راه حل های سفارشی است که محصولات مختلفی، از محصولات سفارشی گرفته تا مدیریت داده ها ارائه می دهد. مگنت (Magnet) به تولیدکنندگان رسانه امکان می دهد که خبرهای توصیه شده سفارشی و خبرنامه های ویژه در اختیار خواننده ها قرار دهند یا حتی گزینه آگاه سازی از اخبار را در اختیار کاربر قرار دهند. به همین ترتیب، پول (Pool) به ناشران تازه کمک می کند که اخباری که در اختیار خواننده قرار می گیرد را به صورت سفارشی گزینش کنند. این کار با توجه به مدل های پرداختی شخصی صورت می گیرد. این شرکت نوپای فرانسوی می تواند تعیین کند کدام کاربران کدام خبرها را بینند. این شرکت از این داده ها برای تولید محتوای ویژه و مخصوص برای این خواننده ها استفاده می کند. hyScore.io راه حل RESTful API را ارائه کرده است. این راه حل داده های خام منابع مختلف را استخراج کرده و آن ها را در قالب فرمت ها، متن ها و کلیدواژه های ساختار مند عرضه می کند. در این حوزه هدف این است که پروفایل های کاربری ویژه ای با اطلاعات و ویدئوهای متناسب تامین شود. شرکت نوپای فنلاندی اتوپیا آنالتیکس (Utopia Analytics) در بخش هایی چون تحلیل متن، ماشین یادگیری، داده های بزرگ و هوش مصنوعی فعالیت می کند. تعدیل سازی خودکار بحث هایی که در رسانه های اجتماعی شکل می گیرد، یکی از سناریوهای احتمالی مد نظر این شرکت است. علاوه بر برنامه هایی که به تامین دانش پس زمینه می پردازند، بازدید کنندگان این نمایشگاه علاوه بر این که می توانند از راه حل های واقعی ارائه شده توسط نمایش دهنده ها بهره مند شوند، هم چنین این فرصت را دارند که به جلسات سخنرانی مختلف رفته و درباره هوش مصنوعی و روزنامهنگاری رباتیک اطلاعات زیادی کسب کنند. این مساله به ویژه در روز اول نمایشگاه، یعنی سه شنبه 10 اکتبر بیش تر دیده شد. مایکل هرشبریک، مدیرعامل و یکی از بنیان گذاران شرکت نوپای Updatemi، با مقاله ای تحت عنوان «اختلال در رسانه توسط هوش مصنوعی»، این رویداد را آغاز کرد، دکتر نیل ترمن از دانشگاه لادویگ مکسیمیلیان مونیخ (LMU)، درباره «روزنامهنگاری رباتیک» و دو ویدئوی خبری که توسط کامپیوتر تولید شده اند، صحبت کرد. هم چنین ملانی راسمن از LMU، به بررسی اجمالی برنامه های فعلی این حوزه پرداخت. استیون مارل از شرکت اکس سمنتیکس (Ax Semantics) درباره تاثیرات برنامه های تخصصی بر روی آموزش روزنامهنگاری صحبت کرد ولفگانگ زیرت که یک روزنامهنگار رباتیک است، نقطه نظرات و گزارش های خود را درباره روش های عملی مواجهه با خودکارسازی در این صنعت با حاضران به اشتراک گذاشت. هرمان بنس، رئیس هیئت مدیره textOmatic AG، درباره خوراک های خبری (نیوزفید) بسیار سفارشی صحبت می کند که توسط راه حل های مبتنی بر هوش مصنوعی تولید میشود سخن گفت . روزنامهنگاری هوش مصنوعی و رباتیک در حال فتح بازار است
سیستم هوش مصنوعی کارو پژوهشکده نتورک ایران چه کاربردی دارددر راستای ارائه خدمات منحصر به فرد به جامعه کارآفرینان و نتورکرهای بزرگ ایران گروه توسعه مهر با افتخار سیستم هوشمند کارو را به محضرتان معرفی می نماید. سیستم هوش مصنوعی کارو پژوهشکده نتورک ایران چیست و چه کاربردی برای شما شبکه سازهای عزیز می تواند داشته باشد؟ این سیستم برای اولین بار در اختیار جامعه نتورک ایران قرار می گیرد. این هوش مصنوعی توانایی آنالیز دقیق مجموعه و سازمانهای کاری شما را دارد. به صورت هوشمند مجموعه و اعضای آن را پیگیری می کند. کافی ایست اطلاعات مورد نظر آن درست وارد شود. می تواند کلیه برنامه ها، اهداف و اتفاقات مورد نظرتان را به صورت هوشمند یادآوری نماید. هر شب ( به انتخاب خودتان ) قابلیت آنالیز برنامه های کاری روزانه تان را دارد. قابلیت این سیستم به این بخش ها محدود نبوده و قابلیت های بسیاری نیز دارد. سامانه هوشمند کارو توسط چند برنامه نویس صرف، خارج از نتورک، ایجاد نشده بلکه حاصل ساعتها تحقیقات گسترده و دقیق از عملکرد سازمانهای نتورکی و رفتارهای پراسپکت های مختلف آن هم نه فقط در یک شرکت، ایجاد شده است. شما رسانه ما باشید و ما را به همه نتورکرهای بزرگ ایران معرفی کنید. حمایت شما ما را در ارائه خدمات شایسته تر دلگرم تر خواهد کرد. کارو چیست ؟ كارو اولين سامانه هوشمند بازاريابي شبكه اي در جهان است كه بر اساس ساختار هوش مصنوعی ، با حمایت گروه توسعه مهر ( پژوهشکده نتورک ایران ) توسط مدیریت آی تی گروه توسعه مهر طراحي شده و داراي امكانات در حال گسترش زير مي باشد: ثبت نام افراد مجموعه ثبت ليست دعوت افراد مجموعه ثبت پرزنت هاي افراد مجموعه ارسال پیام یادآوری به پرزنتور ارسال پیام یاد آوری به فالور ارسال پيام يادآوري براي دعوت شونده ارسال پيام تشكر براي دعوت شونده آناليز عملكرد مجموعه و مقايسه تيمي صدور كارت شناسايي ارسال پیام يادآوري ارائه برنامه ارسال پیام يادآوري ليست اهداف ارسال متون انگيزشي روزانه یادآوری پیگیری اعضای مجموعه يادآوري حالت آلفا ذهني لينك اختصاصي براي ثبت نام مجموعه ارائه كاتالوگ محصولات نمايش ليست دعوت به صورت آناليز شده و دسته بندي شده پالايش هوشمند ليست دعوت بررسي هوشمند مشكلات افراد مجموعه و ارائه آناليز بررسی لحظه به لحظه عملکرد و جلوگیری از پیشروی ، قبل از رسیدن به سطح مطلوب ارائه ژنولوژی کامل ارائه مقالات آموزشی ارائه مجوزهای شرکت جهت استفاده در پرزنت و فالو ارائه کاتالوگ شرکت جهت استفاده در پرزنت و فالو بخش اختصاصی برای کاربران VIP اطلاعات محصولات شرکت نظیر (نام محصول – توضیحات – قیمت خرید – قیمت فروش – امتیاز محصول – کشور تولید کننده – لینک اعتبار سنجی و …) و… همه امكانات كاملا خودكار صورت مي پذيرد. به طور کلی این سامانه بر اساس طراحی هوشمندی که دارد ، کلیه فعالیت های شما اعم از: لیست دعوت پیگیری اهداف برنامه ها فایل های آموزشی کاتالوگ ها سمینارها جلسات سازمانی فایل ها و محتوای انگیزشی آنالیز عملکرد و ارائه راهکار را به صورت کاملا مکانیزه و خودکار مدیریت می نماید. کافیست فقط طبق اطلاعات خواسته شده در سامانه ، پیش بروید. لینک رسمی سامانه کارو پژوهشکده نتورک ایران : ( برای ورود به سامانه روی عبارت زیر کلیک نمایید ) http://karo.mlmcip.com دوست و نتورکر عزیز تجارت بازاریابی شبکه ای فعالیتی حرفه ایست. اگر قصد دارید کسب و کار بازاریابی شبکه ای را جدی و حرفه ای دنبال کنید پیشنهاد می کنیم از سامانه هوشمند کارو به درستی استفاده کنید. شک نکنید که اتفاقات بزرگی را شاهد خواهی بود. سامانه آنالیز هوشمند کارو تنها بخشی از توانایی های آی تی گروه توسعه مهر ( پژوهشکده نتورک ایران ) است. با اتفاقات بزرگتری در آینده ای نزدیک رو به رو خواهی بود. سیستم هوش مصنوعی کارو پژوهشکده نتورک ایران چه کاربردی دا
کسبوکارهای کوچک در سال ۲۰۱۷ دستخوش چه تحولاتی خواهند شد؟ چکیده: هر کسبوکاری برای آنکه جایگاه خود را در عرصه رقابت حفظ کند، باید از گرایشهای اصلی و تحولات این حوزه باخبر باشد. آنچه میخوانید چکیدهای از دیدگاهها و پیشبینیهای کارشناسان از وضعیت کسبوکارهای کوچک در سال ۲۰۱۷ است که سایت «بیزنس نیوز دیلی» آن را به صورت یک گزارش مختصر اما مفید منتشر کرده است. اگر قصد دارید از سالی که پیش روست نهایت بهره را ببرید، از این گرایشها و پیشبینیها غافل نشوید: جو حاکم بر عرصه کسبوکار افزایش سرمایهگذاریها زیر سایه اطمینان اقتصادی: کارلا فربرگ، مدیر فروش شرکت خدمات مالی بالبوآ کپیتال: «در سال ۲۰۱۷، افزایش اطمینان کسبوکارهای کوچک نسبت به شرایط اقتصادی میتواند به شکلگیری گرایشهای جدیدی در رابطه با سرمایهگذاری منجر شود. طی هفتههای پایانی سال ۲۰۱۶ شاهد نشانههایی از قدرت گرفتن اقتصاد جهانی و بازار بورس بودهایم و این باعث افزایش خوشبینی صاحبان کسبوکارها میشود.»موفقیت کسبوکارهای «گوشه»: کایل گلدینگ، مدیر استراتژی شرکت گلدینگ گروپ: «در سالهای آینده، راز موفقیت کسبوکارها، تمرکز بر بازارهای هدف خاص و کوچک است. رویکردهای «بازاریابی انبوه» به مرور از رونق خواهند افتاد و جای خود را به پیامهای شخصیسازی شده و پلتفرمهای تخصصی خواهند داد.» کسبوکارهای گوشه یا Niche شرکتهایی هستند که بر تولید یک محصول خاص تمرکز میکنند. حوزه فعالیت آنها تخصصی است، بازار هدف آنها کوچک است و مشتریان آنها کسانی هستند که سایر محصولات بازار نمیتواند نیازهایشان را برآورده کند. سرمایهگذاری و امور مالی نقش مهم سرمایههای مردمی در تامین مالی کسبوکارهای کوچک: «مایکل بنکز»، کارشناس امور مدیریتی و بنیانگذار FortunateInvestor: «سرمایههای مردمی از ارزشمندترین منابع کارآفرینی بوده و خواهند بود. سکوها و اپلیکیشنهای جذب سرمایه به کارآفرینان این امکان را میدهد تا همزمان با افزایش پایگاه مشتریان، اعتبار مربوط به محصول یا خدمات جدید خود را تامین کنند.» جذب سرمایه مردمی (Crowdfunding) به معنای تامین اعتبار یک پروژه از طریق جمعآوری کمکهای مالی داوطلبانه از تعداد زیادی افراد است. این سرمایهها معمولا از طریق اینترنت جمعآوری میشوند. کاهش نقدینگی در استارتآپهای تکنولوژی: مت هریگن یکی از بنیانگذاران شرکت GCT: «هرچند سرمایهگذاریها در بخش تکنولوژی هنوز هم قابل توجه است، اما به نظر میرسد دوره اوج محبوبیت استارتآپها به پایان رسیده. علت این کاهش محبوبیت، ورشکستگی برخی از استارتآپهای مشهور در سالهای اخیر بوده است. حجم بالای فعالیتها نیز از دیگر دلایلی است که افراد را از سرمایهگذاری در این حوزه منصرف میکند.»افزایش معاملات ملکی صرفا بهمنظور سرمایهگذاری: دین سیاکاس، بنیانگذار شرکت Magilla Loans: «سال گذشته در ایالات متحده، بازار عرضه املاک پاسخگوی تقاضای مشتریان نبود و به همین علت، شاهد افزایش درخواست وام مسکن بودهایم. سرمایهگذاری در املاک دوباره رونق گرفته و بانکها اعتبار بیشتری را به سرمایهگذاران این حوزه اختصاص میدهند. پیشبینی ما این است که بازار املاک در ایالات متحده در سال ۲۰۱۷ همچنان گرم خواهد بود.»رواج بیشتر اقتصاد گیگی، حتی در کسبوکارهای B۲B: پاتریک لوولین، مدیر ارشد اجرایی شرکت Designs ۹۹ : «ما یکی از پیشگامان جمعسپاری (Croudsourcing) و اقتصاد مشارکتی (گیگی) هستیم. در سالهای اخیر، شاهد گسترش و رشد این مدل کسبوکار بودهایم. در حقیقت، افزایش استفاده از اپلیکیشنها و سایتهایی مثل Airbnb، Uber، Lyft و Taskrabbit باعث میشود که پای اقتصاد گیگی حتی به شرکتهای بزرگ و کسبوکارهای B۲B نیز باز شود.»حمایت سرویسهای پشتیبانی از نیروی کار مستقل: کیشا بلر، از موسسان شرکت Aspire Canada: «در سال ۲۰۱۷ بسیاری از سرویسها به یاری کارکنان مستقل خواهند شتافت تا هر نیروی کار مستقل بتواند به راحتی اعتبار دریافت کند. توصیه من به کارآفرینان این است که از این بخش رو به رشد اقتصاد غافل نشوند و به دنبال راههایی برای حمایت و خدماترسانی به کارکنان مستقل باشند. تعداد کارکنان مستقل هر روز رو به افزایش است و بیشترین رشد اقتصادی و کارآفرینی از دل همین نیروها بیرون خواهد آمد.» تکنولوژی گسترش هوش مصنوعی در کسبوکارهای کوچک: یانا اگرز، مدیر ارشد اجرایی Nara Logics: «در سال آینده، کسبوکارها بهمنظور حفظ جایگاه خود در عرصه رقابت و ارتباط با مشتریان، بیش از پیش به هوش مصنوعی روی خواهند آورد. اما پیش از انتخاب ابزارهای هوش مصنوعی، باید مدل کسبوکار خود را انتخاب کنید و بدانید که قصد راهاندازی چه نوع کسبوکاری را دارید، کسبوکارهای B۲B یا B۲C؟ چون امکان ارزیابی و اندازهگیری هر دو بهطور همزمان وجود ندارد.» دسترسی آسان از طریق تکنولوژیهای جدید؛ اولویت کسبوکارها: جول مکدونالد، بنیانگذار EnergyRates: «شرکتهایی که از تکنولوژیهای جدید پرداخت الکترونیکی مثل Square، Bitcoin یا سامانههای پرداخت گوگل و اپل استفاده میکنند، گوی سبقت را از رقبا خواهند ربود. برای یک کسبوکار نوپا که به تازگی و در یک بستر اقتصادی متغیر و مبتنی بر وب راهاندازی شده است، همگام شدن با تحولات کار سختی نیست. اما برای شرکتهای قدیمی که سالها از تاسیس آنها میگذرد، پذیرش این تحولات آسان نیست. این شرکتها حتی اگر بخواهند از حاشیه امن خود خارج شوند، ناچارند سیستمهای پرداخت خود را که سالها از عمرشان میگذرد، به کلی دگرگون کنند.» بلوغ اینترنت اشیا (IOT): لینا جاشی، معاون بازاریابی محصول شرکت Redis Labs: «مدتی است که بنگاههای اقتصادی به اینترنت اشیا توجه داشتهاند اما امسال از مرحله هیجانزدگی عبور خواهیم کرد و به مسائل مهمتری خواهیم پرداخت. از جمله اینکه، چگونه میتوانیم از این تکنولوژی بهطور موثر استفاده کنیم؟ چگونه چالشهای امنیتی را رفع کنیم؟ چگونه سرعت رد و بدل شدن دادهها را مدیریت کنیم؟ چگونه روشهای تجزیه و تحلیل و تصمیمگیری بر اساس دادههای اینترنت اشیا را بهینهسازی کنیم؟ اینها سوالاتی است که هر کسبوکاری در سال ۲۰۱۷ باید به آن پاسخ دهد.»اتوماسیون بازاریابی و کاهش نقش نیروی انسانی در بازاریابی و تبلیغات: آدام بیندر، بنیانگذار آژانس بازاریابی دیجیتال Creative Click Media: «در سال ۲۰۱۷ اتوماسیون بازاریابی بیش از پیش حائز اهمیت خواهد بود. حذف عامل انسانی و واگذاری فعالیتهای اصلی بازاریابی (مثل ارسال ایمیلهای تبلیغاتی یا پستگذاری در شبکههای اجتماعی) به کامپیوترها، باعث صرفهجویی در زمان خواهد شد. اتوماسیون به تیمهای بازاریابی این امکان را میدهد که انرژی خود را بر پروژههای مهمتر متمرکز کنند و موفقیت کمپینهای تبلیغاتی و میزان مشارکت مشتریان را به شکلی موثرتر ارزیابی کنند.»هوشمندتر شدن سیستمهای مدیریت ارتباط با مشتری (CRM): دنیل هریس، پژوهشگر بازار Software Advice: «در سال ۲۰۱۷ اکتشاف هوشمند دادهها به مهمترین ابزار در تجزیه و تحلیل مدیریت ارتباط با مشتری تبدیل خواهد شد. حالا که Salesforce، یکی از بزرگترین شرکتهای ارائهدهنده محصولات CRM، شرکت Beyondcore را خریداری کرده است، شرکتهای فروش سیستمهای CRM میدانند که باید با نسل جدید اکتشاف دادهها آشنا شوند.» اکتشاف هوشمند دادهها یعنی جستوجوی الگوهای خاص در دادهها با استفاده از ابزارهای تکنولوژی و تبدیل این الگوها به داستانهایی که برای انسانها قابل درک باشد. به این ترتیب به جای اینکه انسانها دادههای مربوط به کسبوکار را تجزیه و تحلیل کنند، این وظیفه را به ماشینها واگذار میکنند.مدلهای چند سکویی و فضای رایانش ابری (Hybrid Clouds): دن سامر، مدیر ارشد Qlik: «این روزها کاربران دوست دارند در هر کجا که هستند، به دادههای خود دسترسی داشته باشند. از این رو بسیاری از سازمانها به تکنولوژیهای ابری روی آوردهاند. این یعنی سازمانها، دیگر دادهها را تنها در یک مکان ذخیره نمیکنند و در عوض، با اتخاذ یک رویکرد ترکیبی، بهطور همزمان از فضای رایانش ابری و دادههای درونسازمانی (on-premise) برای ذخیره دادهها استفاده میکنند تا هم از راه دور به دادهها دسترسی داشته باشند و هم از داخل سازمان». امنیت سایبری کیف پولهای دیجیتال، هدف بعدی هکرها: مارچین کلچینسکی، مدیر ارشد اجرایی سایت Malwarebytes: «با گسترش اپلیکیشنهای مالی و بودجهبندی، سامانههای پرداخت مثل اپل پی (Apple Pay) و فراگیر شدن شبکههایی مثل بیتکوین، پیشبینی میشود که تعداد حملات به اپلیکیشنها، کیف پولهای دیجیتال و پلاگینها افزایش خواهد یافت. هکرهایی که سابقا به صورت سازماندهی شده به اطلاعات بانکی دستبرد میزدند، ممکن است بهزودی این تکنولوژیها را هدف حملات خود قرار دهند».حملات بیشتر به دادههای مربوط به مشتریان: کریس ریکتر، معاون ارشد سرویسهای امنیت جهانی Level۳.com: «عصر، عصر رقابت در سهولت انجام کارها است و بسیاری از خردهفروشان تلاش میکنند تا کانالهای ارتباط با مشتریان را گسترش دهند. به همین علت، شرکتها ناچارند حجم وسیعی از دادههای خصوصی مشتریان را گردآوری کنند. این دادهها فراتر از اطلاعات مربوط به کارتهای اعتباری هستند و شامل عادات خرید و محل زندگی افراد نیز میشوند. هکرها بهراحتی میتوانند با استفاده از ابزارهای دادههای بزرگ به جزئیات مربوط به قربانیان خود دست پیدا کنند. شرکتها باید به دنبال راههایی برای محافظت از دادهها باشند، حتی کسبوکارهای کوچک». بازاریابی و شبکههای اجتماعی تغییراتی در رتبه وبسایتها در موتورهای جستوجو: نوآه هندرسون، مسوول هماهنگی تیم بازاریابی Nextrend Furniture: «با روی آوردن گوگل به هوش مصنوعی و توجه به تجربه مشتری، انتظار میرود که شاهد تغییرات چشمگیری در طراحی وبسایتها باشیم. این تجربه مشتری و نحوه تعاملش با وبسایت شما است که میتواند او را از خرید منصرف کند یا برعکس، شما را از رقبایتان متمایز کند. هنگام طراحی وبسایت، تطبیقپذیری را فراموش نکنید.» در مدل تطبیقی، قالب و محتوای سایت، متناسب با نیاز بازدیدکننده و دستگاه مورد استفادهاش (موبایل یا لپتاپ) تغییر میکند.هدفمندسازی هزینهها، از ضرورتهای اصلی بازاریابی اجتماعی: راین هولمز، بنیانگذار و مدیر ارشد اجرایی Hootsuite: «روشهای سنتی دسترسی به مشتری دیگر کارآمد نیستند. الگوریتمها در حال محدود کردن درصد بازدیدکنندگان پستهای شما هستند. در سال ۲۰۱۷، کسبوکارها باید بخشی از بودجه بازاریابی خود را به تبلیغات بومی و پستهای ارتقا یافته (Promoted posts) اختصاص دهند تا بتوانند به مخاطبان دسترسی پیدا کنند. به این ترتیب، هزینهها هدفمند میشوند و بازگشت سرمایه بر اساس تعداد بازدیدها و کلیکها قابل اندازهگیری خواهد بود.»اهمیت تبلیغات ویدئویی: مایک آرسه، بنیانگذار آژانس بازاریابی Loud Rumor: «ویدئوها در سال ۲۰۱۷ فراگیر خواهند شد و کسبوکارها باید خود را با تحولات همگام کنند. فیسبوک لایو، اسنپچت، یوتیوب و ویدئو سریالها از جمله امکاناتی هستند که میتوانید استفاده کنید.» استارتآپها امکان راهاندازی کسبوکارها با حداقل تعداد افراد: دیوید راسنکو، مدیر ارشد اجرایی Weebly: «راهاندازی کسبوکار به قدری آسان شده که هر کسی میتواند به تنهایی یا با کمک یک یا دو نفر، کسبوکارش را راه بیندازد. کسبوکارهای کوچک در سال ۲۰۱۷ میتوانند با کمک یک تیم کوچک اما قدرتمند، ایدههای خود را به شغل تبدیل کنند.»ورود کارآفرینان غیر فنی به عرصه تکنولوژی: ولادیمیر لیتس، بنیانگذار و مدیر ارشد اجرایی AirDev: «تعداد کارآفرینان غیر فنی که وارد حوزه تکنولوژی میشوند افزایش خواهد یافت. در گذشته اگر کسی کدنویسی بلد نبود یا در زمینه تکنولوژی دانش کافی نداشت، نمیتوانست یک استارتآپ تکنولوژی راهاندازی کند. اما حالا به لطف ابزارهای برنامهنویسی مثل Bubble و Zapier، کارآفرینان میتوانند بدون نیاز به کدنویسی، اپلیکیشنهای پیچیده طراحی کنند.» کارکنان و محیط کار ورود جوانان نسل هزاره به جایگاههای مدیریتی: دبورا سوئینی، مدیر ارشد اجرایی Mycorporation.com: «جوانان نسل هزاره، در حال حاضر پرجمعیتترین نسل ایالات متحده هستند. بیش از ۶/ ۳ میلیون نفر از مدیران شرکتها طی چند سال آینده بازنشسته خواهند شد و جوانان نسل هزاره، جای این مدیران را خواهند گرفت. آنها محیط کار سنتی را دگرگون خواهند کرد، با رواج دورکاری و مشاغل مستقل».گسترش ادارات بدون کاغذ (Paperless Office): سوفی نولز، طراح وب و یکی از بنیانگذاران PDF Pro: «در سال ۲۰۱۷، گرایش اداره بدون کاغذ گسترش خواهد یافت. در گذشته، کسبوکارها برای انجام امور مختلف از فایلها پرینت میگرفتند. این علاوهبر آسیب به محیط زیست، باعث کاهش بهرهوری کارکنان میشود. خوشبختانه نرمافزارهای جدید به شرکتها این امکان را میدهند تا فایلهای خود را بهصورت آنلاین و در امنیت کامل مدیریت کنند». تجربه مشتری تمایل مشتریان به تجربیات آفلاین باکیفیت: مانیکا کنگ، بنیانگذار و مدیر ارشد اجرایی InnovatorsBox: «هرچه ارتباطات ما در دنیای مجازی بیشتر میشود، ارتباطات حضوری ما کمرنگتر خواهد شد. انسان همواره در تلاش است تا با تکنولوژیهای جدید آشنا شود و همزمان با پیشرفت تکنولوژی، تمایل انسان به تجربیات آفلاین بیشتر میشود. اگر شما بخشی از زمان خود را به تجربیات آفلاین اختصاص نمیدهید، محکوم به شکست خواهید بود».تکنولوژی برای بهبود تجربه مشتری: استیون فردت، مدیر شرکت Toast، ارائهدهنده نرمافزارها و سختافزارهای مدیریت رستوران: «امسال نیز درست مثل سالهای قبل، تکنولوژیها و رویکردهای مشتریمحور در تصمیمگیریها نقش کلیدی خواهند داشت. استفاده از تکنولوژیهای موبایل، کلود و SaaS بهزودی برای همه کسبوکارها، از کوچک و بزرگ، به یک ضرورت تبدیل خواهد شد. موفقیت یا شکست کسبوکارها در گرو این تکنولوژیها است». منبع : ارانیکو / eranico.com کسبوکارهای کوچک در سال ۲۰۱۷ دستخوش چه تحولاتی خواهند شد؟ - بخش خبری سیتکسکوین
چگونه هوش مصنوعی می تواند عملکرد سئو را بهبود بخشد عصر امروز با هوش مصنوعی (AI) گره خورده است. افق های تکنولوژی ابزارها و برنامه های کاربردی بدون استفاده از سطحی از هوش مصنوعی یا منسوخ شده اند و یا بزودی خواهند شد. جمع آوری اطلاعات خام پردازش نشده سودی ندارد. به علاوه انسان ها دیگر بدون ابزارهای هوشمند نمی توانند تنها با هوش خود تمام و کمال نیازها را پاسخ داده و افق های جدید را بگشایند. رقابت در کسب و کار به همراه توسعه تکنولوژی مفهومی به نام بازاریابی دیجیتال را به ارمغان آورد. بازاریابی دیجیتال نیز فقط در همین دهه ی اخیر بسیار متحول و مدرن تر شده است. سئو دیگر محدود به پر کردن صفحات وب از کلمات کلیدی نیست. بلکه الگوریتم های هوشمند موتورهای جستجو از صاحبان وب سایت ها خلاقیت و نوآوری های منحصر به فرد را طلب می کنند. آنالیز رفتار کاربران و مشتریان می تواند به ما فرصت هایی را نشان دهد که پیش از این از آن آگاه نبوده ایم. در هر لحظه تولد یک کلمه کلیدی رقم می خورد که ما باید بتوانیم در مقابل آن چیزی ارائه دهیم. نا آگاهی از این تغییر کوچک دیگر به معنای عقب ماندگی نخواهد بود بلکه حیات کسب و کار ها به آن بستگی خواهد داشت. پس من در این مقاله از دارکوب سعی می کنم به اهمیت هوش مصنوعی در سئو بپردازم تا باشد که برای فرصت های دنیای (امروز و) آینده خود را آماده کنیم. هوش مصنوعی با توجه به اینکه این روزها همه درباره هوش مصنوعی صحبت می کنند، شما فکر می کنید این یک موضوع جدید است. اما تکنیک های پایه ای آن جدید نیستند. این رشته در اواسط قرن بیستم شروع شد و یکی از محبوب ترین روش هایش در دهه 1980 بیرون آمد. AI ابتدا در دهه 1950 به وجود آمد. در حالی که برخی از مفاهیم اصلی آن برای پیش از این تاریخ است. این اصطلاح در سال 1956 زمانی که جان مک کارتی، استاد ریاضی دانشکده دارتموت، یک طرح تحقیقاتی تابستانی را بر اساس این ایده که "هر جنبه ای از یادگیری و یا هر ویژگی دیگری از اطلاعات می تواند در اصل دقیقا توضیح داده شود و می توان یک ماشین را برای شبیه سازی آن به کار برد" بوجود آمد. در چند سال بعد هوش مصنوعی در آزمایشگاه های تحقیقاتی در موسسه فناوری ماساچوست و دانشگاه استنفورد ظاهر شد. تحقیقاتی در شطرنج کامپیوتری، روباتیک و ارتباطات زبان طبیعی صورت گرفت. علاقه به رشته در طول زمان تغییر کرد و زمستان هوش مصنوعی در دهه های 1970 و 1980 به دلیل کاهش علاقه عمومی و بودجه های خارجی ظهور کرد. چرا هوش مصنوعی امروز موضوع داغی است؟ در طی سال ها، سخت افزارها قدرتمندتر شدند و سازنده های چیپ ها از جمله Nvidia محصولات خود را برای کارکرد بهتر با محاسبات هوش مصنوعی توسعه دادند. مجموعه داده های بزرگتر در بسیاری از حوزه ها نیز برای آموزش مدل ها به طور گسترده ای در دسترس قرار گرفت. در سال 2012، گوگل با شبکه های عصبی ایی از 16000 تراشه پردازنده مرکزی (CPU) بر روی 10 میلیون تصویر از فیلم های یوتیوب را آموزش داد تا بتواند تصویر گربه را در آن ها شناسایی کند. اما بعدا در همان سال، جهان شناخت تصویر هنگامی که یک شبکه عصبی هشت لایه در دو واحد پردازش گرافیکی (GPU ها) آموزش داده شد، و دیگر رقابا را ناکام گذاشت تا بتواند طبقه بندی تصاویر بر اساس محتوای آنها را انجام دهد. چند ماه بعد، گوگل DNNresearch، تیم دانشگاه تورنتو را هم پشت سر گذاشت. از آن زمان هوش مصنوعی با سرعت بخشیدن به فعالیت هایش همراه بوده است، و شرکت های برتر فن آوری در جهان آن را رهبری می کنند. در همین حال، ارزشمند ترین شرکت های جهان (شرکت های فن آوری!) با ادامه تحقیقات خود و انتشار نتایج تحقیقات شان در مورد آخرین دستاوردها روز به روز به شور و هیجان این رشته می افزایند. گوگل و شرکت مادرش آلفابت چندین مورد از این شرکت ها را خریداری کرده اند. مهمترین آنها خرید 500 میلیون دلاری DeepMind در سال 2014 است. در حالی که AlphaGo پروژه DeepMind Alphabet توجه زیادی را به خود جلب کرده است، نرم افزار AI DeepMind به ارزش واقعی کسب و کار منجر شده است و هزینه های خنک سازی مراکز داده گوگل را تا 40 درصد کاهش داده است. در همین حال گوگل موتور جستجوی اصلی خود، Gmail، Google Street View، Google Photos، Google Translate، YouTube و سایر برنامه های کاربردی را با استفاده از A.I را بهبود داده است. شاید در چند دهه آینده سیستم های هوش مصنوعی با قابلیت های فوق العاده انسان در اکثر زمینه ها (گاهی اوقات به عنوان هوش عام مصنوعی شناخته می شود) می تواند ظهور کند. بسته به اینکه از چه کسی بپرسید، می تواند این خبری بسیار خوب یا بسیار بد باشد. در یک دید افراطی، سیستم AGI می تواند منجر به انقراض انسان شود. اما اگر همه چیز به خوبی پیش رود، شاید AGI چیزی است که مردم را بیش از حد قوی می کند و به آنها کمک می کند تا زندگی طولانی تری داشته باشند. شاید یکی از این دو سناریو باعث توجه زیاد امروز به هوش مصنوعی شده، همچنان که در گذشته الهام بخش داستان های تخیلی بودن است. سئو و AI برخی کارشناسان سئو معتقد هستند که با استفاده از قدرت هوش مصنوعی (AI) و یادگیری عمیق (Deep Learning)، بازاریابان جستجو می توانند فراتر از مشاهدات ساده حرکت کنند و الگوهای جدیدی را در رفتار کاربر پیدا کنند. در سال 2015، گوگل اعلام کرد که RankBrain را به الگوریتم خود اضافه کرده است، و اهمیت هوش مصنوعی (AI) را در جستجو افزایش می دهد. به سرعت در سال 2018، بازاریابان جستجو شروع به استفاده از AI، یادگیری ماشین و سیستم های یادگیری عمیق برای کشف بینش جدید، خودکار سازی کارهای دشوار و ارائه سطحی کاملا شخصی برای هدایت بازدید کنندگان وب سایت در مسیر قیف خرید کردند. ما اکنون به طور کامل وارد انقلاب هوش مصنوعی شده ایم. برای وضوح و چارچوب درون این مقاله، تعاریف زیر را مفید می بینم: هوش مصنوعی یک حوزه وسیع است و استفاده گستره وسیعی از برنامه های کاربردی ماشین برای انجام وظایفی که معمولا به هوش انسانی نیاز دارند. هوش انسانی طیف وسیعی از رفتارها را شامل می شود، بنابراین نباید جای تعجب باشد که اصطلاح "هوش مصنوعی" را به عنوان چتری برای طبقه بندی پردازش زبان طبیعی، بازی شطرنج، ماشین های بدون راننده و میلیون ها نمونه در میان استفاده کرد.یادگیری ماشین اغلب به AI متصل است، اما در واقع یک برنامه کاربردی (و به همین ترتیب یک فیلد) از هوش مصنوعی است. در تعریف دانشگاه استنفورد، "یادگیری ماشین علمی است که کامپیوترها را بدون برنامه ریزی صریح به عمل وا می دارد" ما می توانیم الگوریتم ها را به عنوان بلاک های ساختمان هر سیستم یادگیری ماشین در نظر بگیریم.یادگیری عمیق یک روش یادگیری ماشین بر اساس کارکرد مغز انسان است که از شبکه عصبی برای حل مشکلات پیچیده استفاده می کند. به عنوان مثال، در زمینه های تشخیص گفتار و پردازش تصویر، در این زمینه پیشرفت های زیادی صورت گرفته است. غول های تکنولوژی امروزه به شدت در توانمندی این روش های AI برای ارائه محصولات و خدمات بهتر، سرمایه گذاری می کنند؛ چرا که آنها مقیاس و قدرت محاسباتی ایی را ارائه می دهند که انسانها هرگز به تنهایی قدرت ارائه آن را ندارند. مطمئنا، این فناوری در دوره داده های بزرگ به اهمیت تبدیل شده است. به منظور فهم بهتر "داده های بزرگ" یاد آور می شوم که با توجه به جمع آوری اطلاعات انجام شده توسط Domo در سال 2017، مردم 46000 سفر اوبر و 4 میلیون جستجو در گوگل انجام دادند و 456 هزار توییت را به اشتراک گذاشتند. پشت هر یک از این تعاملات یک فرد، قصد و زمینه وجود دارد. علاوه بر این، هر یک از این تعاملات، نقاط داده ای لازم را برای درک مصرف کنندگان در سطح عمیق تر از هر زمان دیگری فراهم می کند. این نوع از دانش برای بسیار بازاریابان ارزشمند است، و بسیاری از این اطلاعات در حال حاضر مهمترین ارز موجود هستند. با این حال، اگر اطلاعات در واقع نفت جدید است، اما ما هنوز در روند اختراع موتور احتراق هستیم. یعنی بدون ابزار مناسب تمام اطلاعات ما درباره مشتریان بدون توجه نادیده انگاشته می شوند. هوش مصنوعی باعث می شود تا بازاریابی جستجو موثرتر باشد در چنین محیطی غنی از اطلاعات و زمان کم، سئوی مدرن در حال حاضر یک کار بسیار دشوار دارد. بعضی از چالش های رایج روزمره شامل موارد زیر می شوند: نظارت بر عملکرد وب سایت در سیستم های تجزیه و تحلیل برای کشف بینش جدید.درک رفتارهای مخاطبان برای کمک به ارائه تجربیات شخصی.ایجاد ایده برای محتوا که ترافیک و درآمد را موجب می شود.مدیریت بودجه برای باقی ماندن در حاشیه هدف.چند وظیفه ای بودن در بسیاری از جنبه های یک کمپین جستجوی ارگانیک. اغلب این عوامل محدود کننده می توانند سئوکاران را تا رسیدن به اهدافشان مجبور به قربانی کردن جنبه هایی کنند. منابع برای کشف و استفاده از قدرت اطلاعات مشتریان، مدیریت بودجه و انجام هم زمان عملیات ها در دسترس نیست. با این وجود، با استفاده از هوش مصنوعی، تمام این اهداف را می توان بسیار موثر و سودمند تر مدیریت کرد. اگر ما به هر یک از این چالش ها اشاره کنیم، AI می تواند راه حل سریع و موثری را برای هر یک ارائه دهد: مانیتورینگ عملکرد: AI می تواند داده ها را پردازش کند، کاربر را به هر گونه ناهنجاری و برای عملکرد برای برد سریع هشدار دهد.ارائه تجارب شخصی: آموزش ماشین به طور خودکار می تواند پیام را براساس رفتار تاریخی و پیش بینی شده کاربر تنظیم کند.ايجاد ايده هاي محتوا: آموزش عميق مي تواند مباحث پيشرفته و نقاط ضعف در بازار را تشخيص دهد و سپس عناوين مطالب جديدي را ارائه دهد.مدیریت بودجه: هوش مصنوعی به طور خودکار مناطقی را پیشنهاد می دهد که ما می توانیم وقت و پول خودمان را با سود آور بودن آن صرف کنیم.چند وظیفه: یکی از نقاط عالی فروش AI، توانایی آن است که میلیون ها توپ را مانند آکوربات همزمان بازی کند. ما می توانیم چند وظیفه ای را به فناوری مبتنی بر AI منتقل کنیم تا بتوانیم کار خلاقانه و استراتژیک بیشتری را انجام دهیم. قدرت AI برای ارائه بینش موضوع متحد از طریق همه ی این ها، این واقعیت است که AI می تواند به طور خودکار بینش های مربوطه را در مقیاس وسیعی ارائه دهد و به راحتی بتواند با سایر بخش های سازمان ما به اشتراک بگذارد. بدون فناوری مناسب، ما تنها با حمایت صدها تحلیلگر و بودجه بی نهایت می توانیم این کار را انجام دهیم. شایان ذکر است که تفاوت میان بینش ارزشمند و مشاهدات ساده برای هر کسب و کار بسیار مهم است. بینش واقعی چیزی جدیدی را روشن می کند و اقدامات آینده را بر اساس لحظات و معیارهایی که مهم است را هدایت می کند. به عنوان مثال، دانش از مصرف کنندگان که در تلاش برای دسترسی به محتوای ما هستند، ما را به تغییرات فنی در URL های مورد نظر می رساند. تأثیر این را می توان بسیار واضح کنترل کرد، و ما می توانیم ارزش مادی را به هر بینش اورجینال لحاظ کنیم. برعکس، بسیاری از آنچه که از طریق تحقیق دستی بوجود می آید، وارد دسته مشاهده می شود. آگاهی از اینکه ترافیک تلفن همراه کاربران در شهری خاص از هفته گذشته افزایش یافته است ممکن است جالب باشد، اما بدون زمینه یا وضوح، هیچ هدفی را ارائه نمی دهد. بازاریابان جستجو باید به دنبال پلتفرمی باشند که تکنولوژی یادگیری عمیق را برای تجزیه و تحلیل داده های بازاریابی جستجو، اجتماعی و محتوایی از طیف وسیعی از سیستم های تجزیه و تحلیل برای تولید این بینش استفاده کند. این باید در تمام زمینه ها، دستگاه ها و جمعیت ها به دست آید، که اطلاعات جدید را تنها از یک شکاف کوچک به سطح رساند. هنگام ارزیابی تکنولوژی برای این اهداف، بازاریابان باید از این پرسش ها بپرسند: سود آن چیست؟ چگونه صرفه جویی در وقت را افزایش می دهد؟چه منابع داده ها و مجموعه داده هایی در همه محاسبات شامل جستجو، اجتماعی و محلی درگیر است؟چگونه URL ها را فهرست می کند؟ آیا داده ها تازه، دقیق و مدام جمع آوری شده برای پیگیری چشم انداز SEO هستند؟چقدر AI پیشرفته است؟ برنامه های یادگیری ماشین و یادگیری عمیق برای شناسایی الگوها در اطلاعات مصرف کننده چیست؟چگونه توانایی های کسب و کار ما را تغییر می دهد؟چه مشکلی تجاری مشخصی را حل می کند؟آیا شامل داشبورد های بصری وجود دارد که تمام یافته ها را به روش قابل هضم نشان دهد که بتواند با مخاطبان غیر فنی و در سراسر یک سازمان دیجیتالی به اشتراک گذاشته شود؟ نتیجه در تمام حوزه های زندگی، از جمله بازاریابی جستجو، یادگیری ماشین می تواند منجر به نتایج بهتر شود به شرط آنکه اگر ما بدانیم چگونه از آن به نفع خود استفاده کنیم. این با درک اینکه اطلاعات از کجا می آید و برای چه چیزی قابل استفاده هستند، و سپس تصمیم می گیریم کدام مشکلات کسب و کار مان را می خواهیم با استفاده از این امکانات یا ابزارها حل کنیم، ممکن می شود. https://sitedar.com/blog/791-seo-and-ai.html
هوش مصنوعی و تجربه ی رفتار مصرف کنندهمقدمهسلام و وقت بخیر حضور همراهان عزیز هایپرنوا۲۴٫ امروز با مقاله ی هوش مصنوعی و تجربه ی رفتار مصرف کننده در خدمت شما عزیزان هستیم. این مقاله به همت دوماهنامه توسعخ مهندسی بازار تهیه شده است. هوش مصنوعی و تجربه ی رفتار مصرف کنندهامروزه ما به دوران جدیدی از فناوری و هوش مصنوعی وارد شده ایم و فرصت های هیجان انگیزی برای بازاریابی و تجربه ی مصرف کنندگان به وجود آمده است. این امر مزایای قابل توجهی برای مصرف کنندگان دارد و خدماتی که از این طریق به آنها ارائه می شود، بسیار سریع تر از روش سنتی است. ایده ی پیشنهادهای ابرشخصی سازی شده مانند آمازون گو (Amazon Go) که در آن فرد وارد فروشگاه می شود، آنچه می خواهد انتخاب می کند و بدون آنکه در صف معطل بماند هزینه ی آن ها را پرداخت می کند، رو به گسترش است. همه از ورود هوش مصنوعی به عرصه ی بازاریابی و خدمات مصرف کنندگان صحبت می کنند، اما باید دید واقعیت ورای این استقبال هیجان زده چیست. مشارکتهوش مصنوعی اکنون در میان ما است و فناوری آینده نیست. این فناورری هم اکنون به کار برده می شود. خدمات مبتنی بر هوش مصنوعی مانند آمازون گو نحوه ی تعامل ما با رسانه ها را دگرگون ساخته اند و با شناخت نیازهای ما پیش از بروز آن ها، زندگی ما را متحول کرده است. زمانیکه با شرکت مدنظر خود وارد گفت و گوی مستقیم میشویم و یک خدمت کاملا شخصی سازی شده دریافت می کنیم، احساس می کنیم که به معنای واقعی کلمه به ما اهمیت داده شده است. به این ترتیب آمازون گو را نباید یک محصول در نظر گرفت بلکه، بستری است که کسب و کارها می توانند در آن مشارکت کنند تا خدمات خود را به نحو اثربخشتری ارائه دهند. شرکت ها باید خود را به مرحله ی جدید هوش مصنوعی برسانند و استراتژی دیجیتال را سرلوحه ی کارها قرار دهند. هوش مصنوعی ملموس استبا توجه به اینکه هوش مصنوعی تا حد زیادی ار دید مصرف کنندگان پنهان است، شرکت ها چگونه باید از آن استفاده کنند؟ بسیاری از شرکت ها حجم عظیمی از داده ها را در اختیار دارند، بدون آنکه استفاده ای از آنها بکنند. آنها باید این داده ها را به کار گیرند. از داده هایی که به وسیله هوش مصنوعی تحلیل می شوند، می توان برای طراحی و ارائه ی محصولات و خدمات منطبق با رفتارها و اولویتهای مشتریان استفاده کرد. شرکت ها باید تصمیماتی که در مورد محصولات جدید خود می گیرند را بر پایه ی چنین تحلیل هایی قرار دهند. هر کسب و کاری باید از هوش مصنوعی برای حل مشکلان و مسائل خاص خود استفاده کند و انسان در تحلیل داده های ساختار نیافته عملکرد چندان موفقی ندارد. بنابراین بهتر است این کار توسط هوش مصنوعی انجام شود. هوش مصنوعی و تجربه ی رفتار مصرف کننده | هایپرنوا24 - آموزش بازاریابی
هوش مصنوعی و دیجیتال مارکتینگ در سال ۲۰۱۸ از دستیار صوتی هوشمند “سیری” گرفته تا ماشین های بدون راننده “تسلا” و AI شرکت “گوگل” که در مدت زمان بسیار کم می تواند بازی های ویدئویی را یاد بگیرد، از نمودهای هوش مصنوعی Artificial Intelligence اند، هوش مصنوعی در حال ایجاد انقلابی عظیم در صنایع مختلف است. در واقع هوش مصنوعی یا همان AI به سیستم هایی گفته می شود که می توانند واکنش هایی مشابه رفتارهای هوشمند انسانی نظیر یادگیری، شبیه سازی فرآیندهای تفکر، شیوه های استدلال انسانی و … را داشته باشند. هدف بعدی هوش مصنوعی (AI) در سال ۲۰۱۸، رشته بازاریابی دیجیتال خواهد بود که پیش از این بصورت کاملا پویا در مرحله تکامل و رشد قرار داشته است. هوش مصنوعی پتانسیل عظیمی در رشته بازاریابی دیجیتال ایجاد کرده است که با دسترسی به رسانه های اجتماعی و حجم بالایی از داده ها که در جستجوهای اینترنتی ایجاد می شود، در ارتباط است. استفاده از هوش مصنوعی در ایجاد تجربه ای بهتر برای مشتری، تحلیل های پیش بینی کننده و بازاریابی هدفمند یقینا نرخ بازگشت سرمایه (ROI) خوبی را برای کسب و کار ایجاد خواهد کرد. رابطه بین هوش مصنوعی و بازاریابی دیجیتال در طول سالیان گذشته، بازاریاب ها از اینکه بخواهند هوش مصنوعی را در استراتژی هایشان به کار ببرند، اجتناب می کردند. اما در طول این دو سال اخیر، اطمینان قابل توجهی نسبت به کاربردهای آن در بین بازاریاب ها شکل گرفته است، به گونه ای که به شدت مورد استقبال و توجه بازاریاب ها قرار گرفته است. دلیل این امر، ابهام کاسته شده نسبت به نتایجی است که بخش های بسیار بیشتری قبلا از مزایای قابل توجه آن بهره برده اند. هوش مصنوعی در طول چند سال اخیر حضور خود را از طریق فرآیندهای تکمیلی اش نظیر کلان داده ها (Big Data)، اینترنت اشیا (IOT-Internet of Things) و یادگیری ماشینی (Machine Learning) ایجاد کرده است. اما این ها تنها اجزایی هستند که نهایتا به آزادسازی پتانسیل کامل هوش مصنوعی کمک می کنند. روندها نشان می دهد که در سال ۲۰۱۸ تغییرات و اثرات قابل مشاهده ای را در فضای کسب و کارها و بخصوص بازاریابی به سبب کاربرد هوش مصنوعی (AI) شاهد خواهیم بود. اما اجازه دهید نگاهی بیندازیم به اینکه احتمالا هوش مصنوعی از چه طریقی در سال ۲۰۱۸ بر بازاریابی دیجیتال اثر می گذارد. در زیر برخی از مواضع بالقوه که هوش مصنوعی می تواند به شدت بازاریابی دیجیتال را تحت تاثیر قرار دهد، ذکر شده است. می توان گفت این فرصت ها در مرحله شکل گیری هستند، اما سال ۲۰۱۸ می تواند مسیر تازه ای برای بازاریابی دیجیتال مبتنی بر هوش مصنوعی باشد. ۱ ) هوش مصنوعی تجربه کاربری را با وسعت بیشتری شخصی سازی می کند این قسمت مهم ترین بخشی است که هوش مصنوعی (AI) می تواند در آن وارد شود و تاثیر قابل توجهی خلق کند. مشتری هسته یا به اصطلاح پادشاه هر کسب و کاری است و محتوا نیز جز اصلی، مارکتینگ است. اگر بازاریابان قادر باشند، استراتژی بازاریابی محتوا را با هوش مصنوعی هم راستا و هماهنگ کند، این کار می تواند بسیار خلاقانه باشد و منجر به پیشتازی برند شود. اگرچه قابلیت هوش مصنوعی از این توانایی به دور است که وبسایت های جدیدی را از پایه تا بالا بسازد، اما قابلیت این را دارد که به شما کمک کند تا تجربه بازدید کنندگان را از طریق شخصی سازی هوشمند در وبسایت تان ارتقا دهید. این الگوریتم های هوشمند می توانند در قالب های زیر به شخصی سازی کمک کنند : • تجربه کاربری (UX) : با استفاده از تحلیل داده ها درباره هر کاربر (داده هایی نظیر موقعیت مکانی، ویژگی های جمعیت شناختی، ابزار مورد استفاده، تعامل با وبسایت و …) ابزار هوش مصنوعی می تواند بهترین پیشنهادها و محتوا را به نمایش بگذارد. • اطلاع رسانی رو به جلو : این شیوه از اطلاع رسانی می تواند به صورت اختصاصی برای کاربران فردی طراحی شود و پیام درست را در زمان درست به دست آنها برساند. می توانید، بر مبنای داده های گردآوری شده از قبیل جستجوهای مشتری، علایق و رفتار خرید، کمپین های محتوایی سفارشی ایجاد کنید. نکته این کار در آن است که می توانید آن را برای هر مشتری یا متقاضی به صورت مجزا و شخصی انجام دهید. هوش مصنوعی همچنین می تواند شما را قادر سازد تا تشخیص دهید چه زمانی جریان داده ها متوقف می شود یا ترافیک غیر قابل انتظار در حال بازدید از سایت شما است. این اطلاعات به شما کمک می کند تا بتوانید وبسایت خود را در رده های بالا و با عملکردی عالی نگه دارید. اگر اخیرا بصورت آنلاین با واحد خدمات مشتری یک شرکت چت کرده باشید، طرف مکاتبه شما یک راز کوچک دارد – آن هم این است که، یک ربات می باشد. ربات های چت یا همان چت بات (Chatbot) نمونه دیگری از مداخله های هوش مصنوعی در ارتقای تجربه مشتری هستند. چت بوت ها برای این کار برنامه ریزی شده اند که بر مبنای داده هایی که دریافت می کنند با مشتریان تعامل برقرار کنند. در واقع این چت بوت ها به میلیون ها نقاط داده ای مشتری محور دسترسی دارند. آنها همچنین می توانند درخواست های مربوط به موقعیت های مکانی خاص را تجمیع کنند تا الگوها را مشخص سازند، مشکلات تکراری را کشف کنند و پیش بینی کنند که چه چیزی سبب مسائلی برای یک کاربر بخصوص می شود. چت باکس(Chat box) و ارتباطات متنی به زودی جای خود را به یک سیستم ارتباطی چند بعدی با قابلیت های حسی، نظیر صدا و لمس می دهد. این کار تجربه کاربران را شخصی سازی می کند، چرا که آنها این احساس را دریافت می کنند که با شخصیتی واقعی و با آگاهی در حال صحبت هستند. واقعیت افزوده، جنبه دیگری از هوش مصنوعی است که این امکان و اختیار را برای مصرف کنندگان فراهم می کند تا بتوانند محصول را قبل از خرید واقعی ببینند و تجربه ی استفاده از آن را احساس کنند. این کار تصمیم گیری را برای مشتریان آسان می کند، چرا که به این صورت قادر خواهند بود حتی قبل از خرید محصول آن را مشاهده کنند. این عمل باعث تحریک پاسخ های سریع تری از مشتریان می شود و به نوبه خود درآمد را نیز افزایش می دهد. ۲ ) بازاریابی پیش بینی کننده با کمک هوش مصنوعی تصمیم گیری را راحت تر و آسان تر می سازد هر زمان که یک کاربر در اینترنت به مرور صفحات می پردازد، داده های جدیدی ایجاد شده و برای تحلیل هوش مصنوعی جمع آوری می شوند. این داده ها، اطلاعاتی از قبیل نیازهای کاربر، رفتارها و اقدامات آتی او را افشا می کند. بر مبنای این اطلاعات، بازاریابی می تواند برای تامین مرتبط ترین اطلاعات بهینه سازی شود. دسترسی و تماس بواسطه شبکه های اجتماعی نیز اطلاعات شخصی درباره متقاضیان را افشا می کند که این کار ایجاد یک کمپین هدفمند را برای بازاریاب ها آسان می سازد. همچنین به کاربردن هوش مصنوعی در بازاریابی چرخه فروش را در زمانی که اطلاعات مرتبط بین مشتریان دست به دست می شود، کاهش می دهد. این کمپین های ” پیش بینی کننده ” می توانند به طور چشمگیری تحقیق مشتری درباره محصول را کاهش دهند و تصمیم گیری را راحت تر کنند. همینطور بازاریاب ها، می توانند از طریق داده ها به تحلیل خریدار ادامه دهند و حتی باعث شوند مشتری برگردد! این نوع از الگوریتم هایی که به واسطه هوش مصنوعی ایجاد می شوند شیوه های متداول و فعلی در بازاریابی را به چالش خواهد کشید. حتی می توان گفت الگوریتم های یادگیری ماشین می تواند به بازاریاب ها کمک کند تا بتوانند آن قشر از مشتریان که در حال ترک و جدا شدن از برند و رفتن به سوی رقبا هستند را، شناسایی کند. در واقع ابزارهای مبتنی بر هوش مصنوعی در این حوزه، می توانند در زمینه جمع آوری داده ها، ایجاد یک مدل پیش بینی کننده، تست و تایید اعتبار آن مدل بر روی مشتریان واقعی، کمک کننده و مفید باشد. با استفاده از قدرت هوش مصنوعی، احتمال بسیار بالایی وجود دارد که ابتکارات بازاریابی دیجیتال در سطح بهینه سازی موتور جستجو (SEO) و یا تبلیغات بنری منسوخ شوند. از این گذشته، واقعا چه کسی به بهینه سازی موتور جستجو (SEO) و ترافیک وبسایت نیاز دارد زمانی که شما گزارشی با جزئیات کامل از متقاضیان خود دارید؟ ۳ ) استفاده از تشخیص تصویر از طریق هوش مصنوعی برای بیشینه سازی نرخ بازگشت سرمایه(ROI) اگر اخیرا از عکس های گوگل استفاده کرده باشید، ممکن است به این مورد اشاره کنید که سیستم در شناسایی و تشخیص افراد و تصاویر چقدر خوب شده است. پیش از این، تشخیص تصویر تنها محدود به شناسایی اجزا جداشده در یک تصویر بود. اما با استفاده از هوش مصنوعی – که با استفاده از نرم افزار قابل اجرا و استفاده است، اکنون این امکان وجود دارد تا توصیف دقیق تری از یک تصویر به دست بیاید. این تکنولوژی می تواند به روش های مختلفی برای بخش های متفاوت مورد استفاده قرار بگیرد. برای بانکداری و بخش مالی، تشخیص تصویر با استفاده از هوش مصنوعی می تواند برای تسریع فرآیندهای پرداختی و ارتقای امنیت مشتری به کار گرفته شود. رسانه های اجتماعی یکی از منابع عظیم تصویرها می باشند. بدین صورت که نرم افزار هوش مصنوعی در رسانه های اجتماعی به دنبال تصویر خواهد گشت و آن را با کتابخانه و منبع بزرگی از تصاویر مقایسه می کند تا نتایجی را از آن استخراج کند. از نقطه نظر بازاریابی، تشخیص تصویر به معنای همگام سازی بهتر بین محتوای آنلاین و بازدیدهای فروشگاه است. بسیاری از فروشگاه ها از نرم افزار تشخیص چهره استفاده می کنند تا مشتریان را در بازدیدهای درون فروشگاه ردیابی و دنبال کنند و این ویدئوها را به پروفایل های مشتریان متصل کنند. دانستن اینکه فرد چگونه خرید می کند، شما را قادر می سازد تا پیام های فردی هدفمند بیشتری را ایجاد و به دست مشتریان برسانید. از سوی دیگر نرم افزار تشخیص چهره همچنین می تواند به عنوان یک ابزار اندازه گیری مورد استفاده قرار بگیرد – اکنون شما می توانید نرخ بازگشت سرمایه (ROI) آفلاین را برای کمپین های آنلاین خود ردیابی کنید. در کنار این ها، همانطور که بیان شد، هوش مصنوعی جایگاه خود را پیدا کرده است و بسیار مورد توجه بازاریاب ها و صاحبان کسب و کارها قرار گرفته است. از این رو زمینه های دیگری نیز وجود دارد که هوش مصنوعی به کمک بازاریاب ها آمده است. از جمله این موارد می توان به تبلیغات کلیکی(Pay Per Click) که توسط هوش مصنوعی ارتقا پیدا کرده است، اشاره کرد، به گونه ای که بیشتر بازاریاب ها بودجه های پرداخت به ازای هر کلیک خودشان را به ادوردز(AdWords) و فیس بوک اختصاص می دهند. بسیاری از کمپین های تبلیغاتی پرداخت به ازای هر کلیک توسط تیم های درخانه و یا یک موسسه تبلیغات کلیکی مدیریت می شوند. به عبارت دیگر، این افراد هستند که کار را انجام می دهند. اما این نکته مهم است که هوش مصنوعی به شما کمک می کند تا کانال های تبلیغاتی جدیدی را کشف کنید که ممکن نیست توسط رقبایتان استفاده شود. خلق محتوا توسط هوش مصنوعی کاربرد دیگری است که بازاریاب ها از آن بهره می برند، به گونه ای که پیش بینی شده است تا سال ۲۰۱۸ در حدود ۲۰% از محتوای کسب و کارها توسط ماشین ها نوشته شوند. این در حالی است که ابزارهای هوش مصنوعی می توانند به صورت خودکار محتوای ایمیل، پیام ها یا گزارش های شخصی سازی شده ایجاد کنند و یا به مرتب سازی محتوا برای رسانه های اجتماعی بپردازند. در کنار این ها هوش مصنوعی حتی می تواند به شما کمک کند تا بر مبنای اینکه بازدید کننده چگونه با شرکت شما تعامل داشته است، قادر باشید از طریق وبسایت یا واحد حمل و نقل، مرتبط ترین محصولات یا محتوا را به نمایش بگذارید. با توجه به آنچه گفته شد، هوش مصنوعی بازاریاب ها را قادر می سازد تا رویاهایی را که قبلا غیر ممکن می دانستند – درگیر شدن با هر مشتری فردی به روشی شخصی شده و با مفهوم – جامه عمل بپوشانند. در نهایت با اثرات و روندی که برای هوش مصنوعی در سال ۲۰۱۸ پیش بینی کرده اند، هوش مصنوعی و تکنولوژی های وابسته به آن خواهند توانست در سال جاری بازاریاب ها و مشتریان را به هم نزدیک تر سازد. به گونه ای که مشتریان درک بهتری از یک محصول داشته باشند و بازاریاب ها نیز درک بهتری از مصرف کنندگان داشته باشند و با اثربخشی بیشتری بتوانند به بازار هدف خود خدمت و محصول ارائه دهند. تصمیم گیری بهینه شده، چرخه فروش بهتر و خرید “پیش بینی کننده” و فرآیندهای فروش به عنوان نتایج و خروجی های قطعی این جنگ روباتیک هستند. اما این نکته مهم است که مشتریان و برندها هر دو در طرف برنده قرار دارند. http://www.kalaghe-sefid.ir/blog/2-%...B0%DB%B1%DB%B8
کاربرد هوش مصنوعی در تجارت B2B آغاز چهارمین انقلاب صنعتی به همراه ابداعات و پیشرفتهای تکنولوژیکی، صنایع و تجارتهای بسیاری از جمله تجارت B2B و تجارت الکترونیک را به بازبینی و بازتولید پروسههایی به منظور ممانعت از منسوخ شدن آنها کرده است. اگر چه این امر سبب اختلالاتی عظیم شده است اما فرصتهای حاصل شده از آن به ویژه تحولاتی که توسط نرمافزار و صنعت فناوری به وجود آمدهاند، به خوبی این امر را ارزشمند کرده است. فناوری AI در بازاریابی B2B یکی از پیشرفتهای اخیر در طی انقلاب صنعتی، افزایش استفاده از AI در برنامههای بازاریابی و تجارت B2B است. اگرچه بازاریابان دیجیتال قبلاً دست به کاوش درباره مزایای الگوریتمهای یادگیری ماشین زدهاند، اما هنوز فرصتهایی برای اجرای AI در بازاریابی و تجارت b2b وجود دارد. بعضی از زمینههایی که هنوز باید مورد بررسی قرار بگیرند عبارتند از بلوک چین، تجزیه و تحلیل پیشبینی، شخصیسازی، مدلسازی گرایش و ارزیابی سرب. در این بخش میخواهیم با ABC2World همراه شویم تا نگاهی به نحوه استفاده از AI در این زمینهها بیاندازیم. بلوک چین یکی از استانداردهایی که اخیراٌ برای استفاده در صنعت تجارت B2B طراحی شده است، بلوک چینی میباشد. به جرأت میتوان گفت که اکثر زنجیرههای عرضه شامل خریدار، فروشنده و یک فراهم کننده تدارکات میباشد و جریان اطلاعات بین این اشخاص معمولاً نقطه به نقطه یا به طور یک طرفه از طریق پیام های مبتنی بر XML یا EDI صورت میگیرد. هر یک از طرفین دیدگاه خود را از جریان اطلاعات حفظ میکند و از طریق استفاده از مکانیسمهایی مانند اسناد تصدیق، تلاش میکنند جریان اطلاعات را در زنجیره عرضه همگام کنند. با این حال، هماهنگ سازی درستی وجود ندارد، زیرا جریان اطلاعات یک طرفه یا نقطه به نقطه است و قوانین پیچیدهای برای انواع مصالحه وجود دارد. بلوک چین برای شبکه های تجارت B2B میتواند به عنوان یک الگوی توزیع شده مشاهده شود که یک رکورد قابل اطمینان و مطمئن از وقایع را برای بهبود دید در جریان اطلاعات در شبکه های زنجیره تأمین فراهم میکند. این امر اجازه میدهد تا چندین طرف به اطلاعاتی که در یک فروشگاه داده متمرکز و غیر قابل تغییر ذخیره شدهاند، دسترسی داشته باشند. از آنجایی که احزاب فردی نمیتوانند این دادهها را در اختیار داشته باشند، احزاب متعددی با همکاری در انجمنهای ارزیابی دیجیتالی میتوانند دادههای شخص ثالث را که از بلوک چینی به دست آمده، با دادههای شخص ثالث در حال ردیابی، وفق دهند. بلوک چین به طور همزمان پاسخگویی به حریم خصوصی دادهها، مالکیت دادهها، امنیت دادهها و شناسایی را مطرح میکند. اگر چه صنعت بازاریابی بلوک چین هنوز در دوران اولیه خود قرار دارد، اما آماده است که وضعیت موجود را مختل کند. هنگامی که این صنعت به طور کامل در سیستمهای موجود توسعه یافته و یکپارچه میشود، بازاریابان را قادر میسازد تا بدون نیاز به آژانس ها و واسطهها به طور مستقیم به مشتریان دسترسی پیدا کنند. شخصی سازی دادههای بزرگ، همگی در مورد درک بینش الگوهای رفتاری مشتریان موجود و بالقوه نیستند؛ همچنین دادهها برای شخصی سازی استراتژی های بازاریابی فرد شامل استفاده از این بینش میشوند. جالب است بدانید که در گذشته، بازاریابان مجبور بودند تلاشهای بازاریابی خود را با اصلاح یک بخش خاص یا جمعیت شناختی تطبیق دهند، اما با ظهور تکنولوژی AI، اکنون میتوانند بنگاههای تجاری را براساس یک مورد بر حسب دیگر موارد تقسیم کنند. این امر باعث افزایش شخصی سازی محصولات و خدمات ارائه شده و در نهایت موجب افزایش نرخ تبدیل میشود. همچنین تجربه مشتری را بهبود میبخشد زیرا مشتریان بالقوه پیامهای بازاریابی را نشان دادهاند که در جهت ارائه راه حلهای مناسب برای نیازهای خاص طراحی شدهاند. با استفاده از فن آوریهای AI با دقت بهتر در هوش تجاری، بازاریابی شخصی برای هر دو تجارت B2B و B2C افزایش خواهد یافت. ارزیابی سرب جدا از راهنمایی مشتریان موجود، کسب و کارهایی که تمایل به حفظ و بهبود موقعیت خود در بازار دارند، باید دائماً در حال تولید و ارزیابی سرب یا مقیاسهای جدید باشند. زمانی که به درستی یکپارچه شدند، الگوریتمهای یادگیری- ماشینی به بازاریابان اجازه میدهد تا سرب و مقیاسی را با بیشترین احتمال تبدیل، مشخص کنند. در این زمینه، AI را میتوان به یک ابزار جستجوی دقیق ارتباط داد که از طریق اطلاعات خام (که توسط دادههای بزرگ ارائه میشود) به دست میآیند و برای یافتن منافع احتمالی که به خوبی تبدیل میشوند، کاربرد دارد. این امر برای تیمهایی که در ابتدا نگران بازاریابی مبتنی بر حساب کاربری هستند، سودمند است؛ زیرا به آنها کمک میکند تا چشماندازهای داغ را شناسایی و محتملترین حسابها را اولویتبندی کنند. ماهیت محکم و سخت AI ترکیب دادههای به دست آمده از منابع مختلف و همچنین جمعآوری هوش تجاری را که بر اساس آن بینش عملی را میتوان کشف کرد، ممکن میسازد. مطالعات انجام شده توسط گروه ابردین نشان میدهد که اکثریت تجارتها (61 درصد از پاسخ دهندگان تحقیق) ارزیابی سرب را به عنوان دلیل اصلی سرمایهگذاری در هوش مصنوعی در نظر گرفتهاند. اگر چه در حال حاضر تکنولوژیای برای تولید و ارزیابی سرب AI وجود دارد، اما ادغام آن با راه حلهای موجود کسب و کار، بیشترین نگرانی را به وجود آورده است. مدل سازی گرایش مدل سازی گرایش به استفاده از الگوریتمهای یادگیری مبتنی بر ماشین برای پردازش مقادیر فراوان از دادههای تاریخی میپردازد که در واقع موجب ایجاد یک مدل گرایش میشود که میتواند پیشبینیهای دقیقی در مورد مواردی مانند اطلاعات تماس و عناصر سرب داشته باشد. همچنین خودکار سازی کارهای دستی مانند هدایت سرب و همچنین برنامهنویسی و شخصی سازی وب را نیز امکانپذیر میکند. تجزیه و تحلیل پیشبینی استفاده از مدل سازی گرایش در زمینههای مربوط به پیشبینی الگوهای رفتاری مشتریان موجود و بالقوه به عنوان تحلیل پیشبینی شده در نظر گرفته میشود. هنگامی که با مدل سازی گرایش همراه شود، تحلیلهای پیشبینی شده برآوردهای دقیق از احتمال دستیابی به یک نتیجه خاص را ارائه میدهند. این امر میتواند پیشبینی دقیقی را از طیف وسیعی از قیمتهایی که مشتریان به احتمال زیاد تمایل دارند آنها را تبدیل کنند، فراهم کند. این مسئله میتواند برای مشتریانی که خریدهای تکراری و غیره را انجام میدهند، بسیار کاربردی باشد. باید به این نکته توجه کرد که فن آوریهای AI (به ویژه در مدل سازی گرایش و تجزیه و تحلیل پیشبینی شده) تنها در صورتی میتوانند مؤثر باشند که دادهها قابل اعتماد و دقیق باشند. دادههای مبهم، ورودیهای ناقص در پایگاههای داده یا دادههایی با درجه احتمال بالا ممکن است الگوریتمهای AI را به نتایج نادرست سوق دهند. با این حال، سازگاری افزایش یافته AI در صنعت بازاریابی تجارت الکترونیکی و تجارت B2B تأکید بیشتری بر بهترین شیوههای مدیریت پایگاه داده در سازمانهای بازاریابی و تجارت B2B خواهد داشت. https://abc2world.com/%DA%A9%D8%A7%D...%B1%D8%AA-b2b/
استارتآپهای دستیار دیجیتال و ربات هوش مصنوعی، انجام وظایف گوناگونی را هوشمند میکنند؛ از خدمات مشتریان و بازاریابی گرفته تا ردیابی اموال شخصی و ... نوپانا: احتمالا شما نیز حداقل یک ربات انساننمای مبتنی بر هوش مصنوعی را میشناسید که اسامی انسانی و یا به عبارتی، بچهگانه دارند. به نظر میرسد که اسامی بچهگانه در اغلب استارتآپهای دستیاران دیجیتال و رباتها استفاده شدهاند. برای مثال میتوان از آیدن (Aiden) و رایلی (Riley) گفت که از هوش مصنوعی برای کمک به بازاریابان استفاده میکنند. یا استارتآپ مایا (Mya) که میتواند در استخدام کردن نیرو استفاده شود. و آوا (Ava) که به حل اختلالات شنوایی کمک میکند. احتمالا حالا بهتر درک کردهاید که منظور از بچههای باحال چیست! به گزارش نوپانا، اینها بعضی از ۲۰ استارتآپی هستند که اخیرا در کرانچبیس (Crunchbase) روی آنها سرمایهگذاری شده و در حال توسعه نوعی دستیار دیجیتال یا ربات هوش مصنوعی هستند. آنها برای طیف وسیعی از وظایف مصرف کنندهها و سازمانها کار میکنند: از تولید سرب و خدمات مشتریان گرفته تا ردیابی اموال شخصی. تا کنون، این بچههای محبوب، سرمایهگذاری جسورانهای نداشتهاند. حداقل سه چهارم شرکتهای موجود، در لیست مرحله «کشت ایده» هستند و موارد دیگر هنوز خصوصی هستند و مجموعا در سال مالی گذشته، حدود ۳۵ میلیون دلار افزایش در بودجه آنها ایجاد شده است. مطمئنا، استارتآپهای دیگری هم هستند که در حال توسعه فناوریهای رباتها با اسامی متفاوت (غیر از نامهای مختص انسانها) هستند، و سرمایهگذاری در این حوزه را به حداقل ۶۲ میلیون دلار افزایش میدهند. با این حال، این مقدار برای صنعت ویسی (VC) یا سرمایهگذاری جسورانه بسیار ناچیز است. برای مثال، این مقدار سرمایهگذاری جسورانه در حوزه رباتها کمتر از پنج درصد از کل میزانی است که در سال گذشته در حوزه غذا وجود داشته است. (همچنین بخوانید: مکاترونیک، رباتیک و بازار فردا) اما دلیلی وجود دارد که رباتها و دستیارهای دیجیتالی، ارزش سرمایهگذاری دارند. دلیل اول: سرمایهگذاران مرحله کشت ایده، با اطلاعات و گزارشهای بهروز از صنعت فناوری، در این حوزه فعال هستند. شتابدهنده Y Combinator، که با کمک آن Airbnb ،Dropbox و Stripe به بازار معرفی شدند، در چند سال گذشته سرمایهگذاریهای متعددی در استارتآپهای مرتبط با دستیار دیجیتالی و ربات هوش مصنوعی، انجام داده است که از جمله این سرمایهگذاریها میتوان به Claire برای خردهفروشان، Penny برای امور مالی شخصی، Ross برای وکالت، Luka برای برنامهریزی فعالیتها، و Riley اشاره کرد. اسوی انجل (SV Angel)، یکی از قدیمیترین و مشهورترین شرکتهای سرمایهگذاری مرحله «کشت ایده» در سیلیکونولی نیز رباتهای Ava و Polly را برای اضافه کردن ممیزی به پلتفرمهای پیامرسانی به کار گرفته است. ویسيهای بزرگی که اغلب سرمایهگذاری خود را در مرحله «رشد ایده» انجام میدهند، در مرحله سرمایهگذاری «کشت ایده» نیز از این استارتآپها حمایت میکنند. برای مثال Kleiner Perkins در استارتآپ Riley سرمایهگذاری کرده است، در حالیکه Greylock Partners در طول یک مرحله، ۱۳ میلیون دلار برای Ozlo، یک توسعه دهنده فناوری مکالمه هوش مصنوعی، هزینه کرده است. در عین حال General Catalys، سه میلیون دلار برای مرحله کشت ایده Butter.ai، (که خود را به عنوان دستیار شخصی برای بهره برداری از دانش شرکتی معرفی می کند)، به صورت مشترک سرمایهگذاری کرده است. احتمالا فعالترین شرکت سرمایهگذار در این حوزه، Slack، (پلتفرم پیامرسان گروهی رایج) است. تاکنون Slack حداقل بر چهار شرکت، از جمله سرمایهگذاری مشترک با General Catalyst روی Butter.ai، سرمایهگذاری کرده است. استارتآپهای دستیار دیجیتال و ربات هوش مصنوعی علاوه بر جذب سرمایه، نیازمند جلب رضایت سهامداران نیز هستند. این حوزه موفق شده است در سال گذشته یکی از بهترین خروجیهای خود به نام Viv، استارتآپ دستیار هوش مصنوعی تاسیس شده توسط خالق Siri اپل، را با سهامدار سامسونگی خود عرضه کند. سامسونگ ۲۱۵ میلیون دلار برای Viv، که قبلا ۳۰ میلیون دلار درآمد داشته، پرداخت کرده است. برخی شرکتهای سهامی و با ارزش فناوری، از جمله فیسبوک، آمازون، گوگل، تنسنت و اپل، بیشتر از سایر شرکتهای این حوزه در زمینه چتباتها و فناوری دستیار مجازی فعالیت میکنند. با در نظر گرفتن مقادیر نسبتا ناچیزی که در استارتآپهای چتبات هوش مصنوعی و دستیار دیجیتال سرمایهگذاری میشود، تنها چند مورد خرید سهام از سوی این شرکتها میتواند برای به دست آوردن درآمد بسیار زیاد کافی باشد. علاوه بر این، رباتهای انساننمای هوش مصنوعی میتوانند از شخصیتهای جدیدی استفاده کنند. در حال حاضر اکثر مردم فقط Alexa و Siri را میشناسند. جالبتر خواهد بود که بالغ شدن بچههای دیگر را نیز شاهد باشیم و ببینیم که هر کدام از آنها رشد کرده تا نامهای خانوادگی مختص خودشان را گسترش دهند. وضعیت سرمایهگذاری در استارتآپهای ربات هوشمصنوعی | نوپانا
تکنیک های هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار مقدمه توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی که کاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامکان استفاده اخلاقی از شبکه های عصبی و الگوریتم ها ی ژنتیک که به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می کند . برای این منظور لازم است که بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تأکید شده است . همچنین در کنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است : -1آیا کاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شرکت شما پشتیبانی کند ؟ -2آیا اسناد ودلایل و مدارک معتبری برای اثبات این ادعا وجود دارد ؟ -3آیا اینها تنها یک تئوری و ایده دانشگاهی است یا دارای قابلیت کاربرد و تعمیم نیز هست؟ به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در کسب و کار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاکسیوس و پساراس 2003 ) . یکی از مهم ترین و بحثبرانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (2001) است که نتیجه آن تحت عنوان «سیستمهای خبره و کاربرد آنها» مطرح شد . ساختار این مقاله به صورت زیر است: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند . فناوری شبکه عصبی شبکه های عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون ) مرتبط با شبکه ها تشکیل شده اند. سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون ازبخشهای اصلی زیر تشکیل شده است : 1) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است . 2) هسته 3) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است . 4) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است یک سیستم شبکه عصبی از تکنیکهای مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده میکند (هایکین ،1994 ) . هر نورون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع می شوند .اگر در یک لحظه تعداد ورودی های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می کند . در غیر اینصورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یک یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشکیل شده است . عملکرد اساسی این مدل مبتنی بر جمع کردن ورودیها و به دنبال آن به وجود آمدن یک خروجی است . ورودیهای نورون از طریق دندریت ها که به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی کلیه این ورودیها را دریافت می کند و چنانچه جمع این مقادیراز مقداری که به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می کند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد. امروزه شبکه های عصبی در کاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری که خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به کار می روند .به مثابه سیستم های بیولوژیکی ، آموزش شامل تنظیم پیوندهای بین سیناپسها که درهر نورون وجود دارند است. به عبارت دیگر، اطلاعات آموخته شده به شکل ارزشهای عددی بهنام «وزن» که به هر واحد پردازش شبکه اختصاص داده میشود ،ذخیره می شوند .به طور کلی ، شبکه های عصبی می توانند بین :روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبکه و روشهای یادگیری آنها که شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبکه های لایه دار و بدون لایه تمایز قایل شد . شبکه های لایه دار گروهی ازنورون ها هستند که در لایه هایی مجتمع گردیده اند که بین لایه ورودی و خروجی - که تنها پیوند خارجی دارند - یک یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به لایه خروجی منتقل میشوند . سیگنالها ی جاری در شبکه های لایه دار به سمت جلو حرکت می کنند که در اصطلاح فنی به آنها پیش خور گفته می شود در حالی که شبکه های بدون لایه دارای گره های اضافی بازخور هستند که از تقسیمات درست لایه ها جلوگیری می کنند . ساختار پیوندها و تماسها و تعداد لایهها و نورون ها تعیین کننده معماری شبکه است که بایستی قبل از استفاده از شبکههای عصبی تنظیم شود .اگرچه در موارد مشخصی می توان با موفقیت از شبکه های عصبی تک لایه استفاده کرد اما رسم بر این است که شبکه های عصبی حداقل دارای 3 لایه باشند ( لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی . قبل از آنکه شبکه آموزش داده شود، اوزان اختصاصی کوچک و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدریجی تعدیل می شود تا جایی که محرز شود که کاملاً روابط فرا گرفته شده است . این شکل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یک الگو در لایه ورودی بهکار گرفته می شود تا آن جا جلو می رود که ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبکه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه میشود .این خطاها مجدداً به عنوان بازخورد به شبکه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای کاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مکرراً ارائه می شود. تا جایی که مجموع امتیازات خطا به سطح قابل قبولی کاهش یابد . در این جایگاه م توان آن شبکه را به عنوان شبکه ای آموزش دیده در نظر گرفت . اما در روش دیگری که یادگیری بدون سرپرست نامیده می شود، شبکه عصبی باید بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعیت آن است که در عمل ازروش یادگیری باسرپرست و یا حداکثر از روشهای ترکیبی استفاده می شود و فرایند آموزش بدون سرپرست به شکل خالص تنها وعدهای است که شاید بتواند در آینده تحقق یابد . در حال حاضر و در کاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبکه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد . حوزه های کاربردی شبکه های عصبی در موضوعات زیر است : _ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (جایی که راه حل مسائل ناشناخته است. _ مسائلی که دارای راه حل الگوریتم نیستند. _ جایی که داده های ناقص وجود دارد. مزیت اصلی شبکه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، 1994) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .درنتیجه ، تاکید ما بر این حقیقت است که انتخاب شبکه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملکرد است . فناوری الگوریتم ژنتیک الگوریتم های ژنتیک روش قدرتمندی را برای توسعه اکتشافی مسائل بهینه سازی ترکیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه عنوان شودکه «تکامل تدریجی» به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکانیزم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو کمک کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975 ) از نخستین کسانی هستندکه با معرفی مفهوم الگوریتم ژنتیک به عنوان یک تکنیک جستجوی عمومی - که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می کند - درصدد پاسخگویی به این سوال برآمدند . یک الگوریتم ژنتیک مسئله را به صورت مجموعه ای از رشته ها که شامل ذرات ریزهستند کد گذاری می کند ، سپس برای تحریک فرایند تکامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال میدارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی که تنها یک راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیک جامعه ای از افراد را در نظر میگیرند . کـــار با مجموعه ای از افراد، امکان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را که منجر به شناسایی و کشف راه حلهای کارآمد تر می شود، فراهم میسازد . در طی مطالعه ، الگوریتم ژنتیک رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشتههایی را که تنــاسب کمتری با جمعیت مورد بررسی دارند حذف میکنند . مروری بر کاربردهای تجاری بعد از مروری بر پیشینه شبکه های عصبی و الگوریتم های ژنتیک و پیشرفتهای آنها ، می توان حوزه های کاربردی آنها را در کسب و کار شناسایی کرد . بنابر این در این قسمت به بررسی انواع مسائل تجاری که به شکلی مناسب بهوسیله شبکه های عصبی و الگوریتم های ژنتیک قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد . بازاریابی «انجمن بازاریابی آمریکا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می کند : بازاریابی یک فرایند اجتماعی و مدیریتی است که بهوسیله آن، افراد و گروهها ، نیازها و خواسته ها ی خود را از طریق تولید ، عرضه و مبادله کالاهای مفید و با ارزش با دیگران ، تأمین می کنند . به طور کلی ، بازاریابی دانشی ناشناخته است که با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناکامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه کاربرد شبکه های عصبی و الگوریتم های ژنتیک در بازاریابی نسبت به سایر حوزه های علم دشوارتر است . در سال 1991 ، کاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را بهوسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همکارانش در سال 1991 گزارشی از پیشرفتهای کاربرد مدل های شبکه عصبی در مواجهه با استراتژی قیمت گذاری کششی ارائه کردند در حالیکه پراکتر در سال 1992 چگونگی کاربرد تکنولوژی شبکه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 کاری و ماتین هو از تکنولوژی شبکه های عصبی در مدل سازی واکنش مصرف کننده به محرک تبلیغات استفاده کردند . رای و همکارانش در سال 1994 شبکه های عصبی را در کمّی سازی فاکتورهای موثر در کیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبکه ای با دو عنصر خروجی کیفیت روابط (رضایت از روابط و اعتماد ) و پنج ورودی ( گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط ) شکل گرفت . در مقایسه با رگرسیون های چند متغیره، تکنیک شبکه های عصبی به نتایج آماری قابل قبول تری دست یافت . از سوی دیگر ، هارلی و همکاران (1994) استفاده از الگوریتم های ژنتیک را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، کاربردهای بالقوه الگوریتم های ژنتیک در بازاریابی می تواند شامل موارد زیر باشد : 1- رفتار مصرف کننده _ یادگیری مدل های انتخاب مصرف کننده _ پردازش اطلاعات مصرف کننده _ تاثیر گروههای مرجع 2- بخش بندی،انتخاب بازار هدف، جایگاه یابی _ بهینه سازی ساختارهای محصول – بازار _ تجزیه و تحلیل فاکتورهای کلیدی خرید _ جایگاه یابی محصول 3-مدیریت عناصر آمیخته بازاریابی _ بهینه سازی چرخه حیات محصول _ طراحی محصول _ استراتژی تبلیغات و برنامه ریزی رسانهای _ مدیریت فروش گرین و اسمیت (1987) یک سیستم ژنتیک را برای یادگیری مدل های انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مکانیزم تکامل تدریجی داروین ارائه کردند . در سال 1992 بالاک ریشمن و جاکوب یک الگوریتم ژنتیک مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه کردند . از سوی دیگرو در حرکتی نوین وناگوپال و بیتز (1994) ازاشتراک شبکه های عصبی و تکنیکهای آماری در تحقیقات بازاریابی استفاده کردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شکل زیر ارائه کرد : _ STRATEX _ یک سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991) ) _ ADDUCE _ سیستمی در توجیه واکنش مصرف کننده به تبلیغات (بارک ، 1991) ) _ COMSTRAT _ سیستمی برای تصمیمات استراتژیک بازاریابی با تاکید ویژه بر جایگـاه یابی رقابتی ( ماتین هو و همکاران 1993 ( _ MARSTRA _ سیستم هوش شبکه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاکتورهای بازاریابی استراتژیک _ GLOSTRA _ سیستم هوش شبکه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی ( لی و دیویس، 2001 ( بانکداری و حوزه های مالی از کاربردهای مهم و مطرح شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و حوزه مسائل مالی می توان به این موارد اشاره کرد : کاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به بررسی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیکبخت به بحث در ارتباط با استفاده از شبکه های عصبی توسط سازمانها وشرکتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یک تحقیق ابتدایی در استفاده از شبکه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود . همچنین دیویس و همکاران نیز در 1996 به بررسی نگرشهای سیستمهای خودپرداز براساس تجزیه و تحلیل شبکههای عصبی پرداختند .ازسوی دیگر، شناسایی کاربردهای متنوع الگوریتم های ژنتیک از سوی افراد مختلف به صورت زیر ارائه شده است : انتخاب استراتژی های بازار انحصاری چند جانبه ( مارکز ، 1989 ) ، توسعه استراتژیهای سرمایه گذاری مالی(باور،1994 ) ،جستجو برای یافتن قوانین تکنیکی برای اعمال آنها در بازارسرمایه ( کارجالایننن، 1994 ) ، تجزیه و تحلیل ریسک در بانکداری ( وارتو ،1998 ) . علاوه بر این، در سال 1999 کارجالایننن و آلن از الگوریتمهای ژنتیک در پیدا کردن قوانین تکنیکی تجاری استفاده کردند. در همین زمان نیز آندرا و همکارانش (1999) از الگوریتم های ژنتیک در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده کردند .از دیگر سیستمهای مالی مبتنی بر شبکههای عصبی و الگوریتم های ژنتیک می توان به موارد زیر اشاره کرد : _ KABAL _ سیستم دانشی برای تجزیه و تحلیل مالی در بانکداری (هارت ویگسن ، 1990 ( _ CREDEX _ سیستمی برای ارزیابی اعتبارات ( پینسون ، 1990 ) _ FINEVA _ سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملکرد و قابلیت حیات شرکت ( زوپونی دیس ، 1996 ) پیش بینی پیش بینی یکی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور کلی ، مدیری را می توان موفق دانست که از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح کمک می کند.روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملکرد بهتر در مواجهه بامسائل غیرخطی و سایر مشکلات مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998 ) یک سیستم خبره را برای پیش بینی کوتاه مدت طراحی کردند، این درحالی است که چیو (1997) یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . همچنین تحقیقات کانلن و جیمز (1998) نشان دادکه می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزش گذاری ای رسید که به پیش بینی کوتاه مدت نوسانات ارزش گذاری دراستفاده از شبکههای عصبی میپردازد. درنهایت بررسیهای انجام شده نشان میدهد که در این حوزه بیشتر بر کاربرد شبکه های عصبی کار شده است تا الگوریتم های ژنتیک . سایر حوزه های تجاری تا اینجا درباره کاربردهای مختلف شبکه های عصبی و الگوریتم های ژنتیک در بخشهای کلیدی تجارت صحبت کردیم : بازاریابی ، بانکداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و کسب و کارنیز وجود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از شبکه های عصبی و الگوریتم های ژنتیک منتفع شوند . به عنوان مثال می توان به کاربرد شبکه های عصبی در صنعت هتلداری ( لاو ، 1998 ) ، ارزیابی داراییها (لنک و همکاران 1997 ) و پیش بینی تورم (آیکن ، 1999) اشاره کرد . علاوه بر این ، کاملاً مشهود است که بخشهایی ( مانند تولید ، صنایع سنگین ، انرژی ، ساخت و ساز ) وجود دارند که از نظر ما دور مانده اند . مزایای استفاده از این فناوریهای هوش مصنوعی با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیک را در قالب گزاره های زیر خلاصه کرد : _ ارائه خدمات بهتر به مشتری _ تقلیل زمان انجام وتکمیل وظایف _ افزایش تولید _ استفاده اثربخش تر از منابع _ سازگاری و ثبات بیشتر در تصمیم گیری نتایج در این مقاله سعی کردیم با معرفی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در حوزه تجارت و بازرگانی بهویژه در محدوده بازاریابی، مالی و بانکداری و پیش بینی ، بعدی جدید از حوزه تجارت وکسب و کار را نمایان کنیم. نتیجه نهایی این مباحث به تنوع حوزه های کاربردی که بر مزایا و منافع شبکه های عصبی و الگوریتم های ژنتیک اشاره دارد منتهی می شود . این دو تکنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند که البته نتایج حاصل از کاربرد آنها ( همچون تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ،کیفیت بهبود یافته ، آموزش موثر) بر محبوبیت آنها افزوده است . اعتقاد ما بر این است که در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تکنیکهای تحقیق درعملیات بهویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق کتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود : -بررسی مزایای استفاده از الگوریتم های ژنتیک در بهینه سازی مسائل بازاریابی _مقایسه کاربرد شبکه های عصبی و الگوریتم های ژنتیک و سیستم های خبره برای شناسایی مزایا و ضررهای هر کدام از این فناوریها . منابع -1 جکسون . تی و بیل . آر . آشنایی با شبکههای عصبی ، ترجمه دکتر محمود البرزی – تهران : موسسه انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383 -2کاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده – تهران : آتروپات ، 1382 3- قمی ، علیرضا " شبکه های عصبی مصنوعی " ، نشریه دنیای کامپیوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69 -4 سعیدی ، مسعود " شبکه های عصبی (2) " ، نشریه شبکه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211 -5 ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، " شبکه های عصبی و کاربرد آن در بهینه سازی " ، نشریه صنایع _ شماره 30 -6 نورزاد ، غلامرضا " بیولوژی سلولی مولکولی " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول 7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242 8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20 9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48 10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38 11- Davies , F , L . Moutinho & B . Curry (1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32 دکتر حمیدرضا جعفریه، نگار معتمدی، الهه ملایی تکنیکهای هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار - Artificial Intelligence - هوش مصنوعی
چطور هوش مصنوعی به تجارت الکترونیک کمک میکند ؟ ناهید عرب 5 ماه ago 5 خوانده شده احتمالا در مورد هوش مصنوعی (AI) شنیده اید، مگر اینکه در عمق جنگل های پرو در پیله ی پروانه ای زندگی کنید! اما اگر هنوز با جریانات علمی و روباتیک در ارتباطید، وقت آن رسیده است که بیشتر به آن دقت کنید. چه شما این را بدانید یا نه ، AI به تدریج در تمام جنبه های زندگی ما سهیم می شود ، از پیشرفت UX در بررسی های امنیتی در فرودگاه گرفته تا ثبت خودکار وجهه نقد ، AI در همه جا است. به گفته Business Insider حدود ۸۵ درصد از تعاملات مشتری تا سال 2020 بدون دخالت انسان خواهد بود و چرا؟ زمانی که تماس تلفنی، ایمیل، نظرات اجتماعی و چتها به سرعت و با کارآیی بیشتر توسط یک سیستم خودکارِ آموزش دیده ، همانند عملکردهای انسان، پاسخ میدهد ، استعداد انسان باید در جایی دیگر تمرکز یابد . هوش مصنوعی ممکن است شیوه کسب و کار را برای مشتریان خود تغییر دهد اما چگونه چهره تجارت الکترونیک را تغییر می دهد؟ خلق یک تجربه کاربری شخصی تر در حالی که واژه “مصنوعی” بیشتر مناسب مفاهیم منفی و غیر انسانی است، هوش مصنوعی عملا اجازه می دهد تا فروشندگان تجربه شخصی تری برای مشتریان خود ارائه دهند. چطور؟ AI می تواند مجموعه داده های وسیع را به نحو موثرتری از یک انسان تجزیه و تحلیل کند. این بدان معنی است که می تواند به سرعت شاخه ها و الگوهای اطلاعات را شناسایی کند – مانند شباهت بین مشتریان، رفتار خرید گذشته، چک های اعتباری و سایر موضوعات مشترک. میلیون ها رقم از معاملات را می توان هر روز مورد تجزیه و تحلیل قرار داد با این هدف که پیشنهادات را به تنها یک مشتری اختصاص دهد. اطلاعات کلیدی که ممکن است قبلا در فضای مجازی باقی مانده باشد میتواند به استفاده ای مفید منجر شود. از طریق درک فروش عملیاتی ، شرکت ها به بینشی غنی در مورد رفتار مشتری قبل از خرید ، هنگام خرید و پس از خرید دست می یابند. این به آنها اجازه می دهد تا در هر نقطه ای از ارتباط با خریدار ، تجربه ای شخصی تر همراه با مشارکت هوشمندانه مشتری خلق کنند. شرکت های بازاریابی پیشگویانه مانند Mintigo راه حل های AI را برای بازاریابی ، فروش و سیستم های CRM ارائه می دهند. آتل کومار؛ مدیر عامل محصولات، توضیح می دهد : “ما اطلاعات هوشمند پیشگویانه و پیام های فروش متنی را ارائه می دهیم که به شرکت ها کمک می کند تا مشتریان خود را با شیوه ای عملی و تاثیر گذار درگیر کنند.” تیم های فروش قبل از هر چیز با کمک اطلاعات تجهیز میشوند ، آنها می توانند چرخه فروش را با استفاده از برنامه های AI هدایت کنند که “به فروشندگان کمک می کند تا با چشم انداز درست در زمان مناسب با مخاطب مناسب ارتباط برقرار کنند.” Getty image (وبسایت فروش عکس ) از Mintigo برای شناسایی مشتریان بالقوه از اطلاعاتی استفاده می کند که نشان می دهد کدام شرکت ها وب سایت هایی با تصاویری از رقبای getty دارند. این به تیم فروش getty کمک می کند تا مخاطبان بیشتری را هدف قرار دهد و کسب و کار جدید را به دست آورد. اطلاعات فروش در قالب میلیون ها سوابق مشتریان در این مقیاس به تیم فروش getty تحویل داده می شود. بدون سیستم AI و یادگیری ماشین، کاری که سیستم getty در این حجم انجام میدهد ، امکان پذیر نخواهد بود. فن آوری های AI به بازاریابی شرکت های تجارت الکترونیک کمک می کند تا برای حل و فصل چالش های کسب و کار خود اطلاعات هوشمندانه فراهم کنند. با استفاده از هوش مصنوعی، تیم های فروش می توانند کسانی که بیشترین اشتیاق را برای خرید محصولشان دارند ، شناسایی کنند (بر اساس تاریخچه خرید گذشته، جمعیت شناسی و …). به این ترتیب، هنگامی که آنها با یک خریدار آینده صحبت می کنند ، به خوبی می دانند که نیاز واقعی مشتری چیست ، بنابراین در فروش خود موفق تر اند . هدف گیری دوباره روی مشتریان بالقوه طبق گفته Conversica، حداقل یک سوم از بازاریابی کارکنان فروش منجر به شکست می شود. به این معنی است که خریداران علاقه مند پیش از اینکه واجدِ شرایط خریدِ محصول شما باشند از دست میروند . علاوه بر این، بسیاری از شرکت ها با اطلاعات اضافی و بیش از حد راجع به مشتریان خود روبرو هستند که کمکی به آنها نمیکند. راه حلش یک ذهن هوشمند طلایی ست که می تواند برای افزایش چرخه فروش استفاده شود. برای نمونه، نگاهی می اندازیم به خرده فروشی در AI : در حال حاضر اسکن تصاویر صورت فقط توسط دوربین های مدار بسته به منظور جلوگیری از دزدی در فروشگاه نیست ، تشخیص چهره در حال حاضر به منظور صرفه جویی در وقت مشتری انجام میشود به این صورت که شما کالای مشخصی مثل یک قهوه ساز می خرید و اطلاعات ذخیره شده شما (اسکن چهره ) در خرید بعدی تان استفاده میشود . همانطور که AI بهبود و توسعه می یابد، شما حتی می توانید طی زمان حضورتان در فروشگاه قادر به دیدن پیشنهادات ویژه هم باشید . به عبارت دیگر، خرده فروشان omnichannel بر قابلیت بازاریابی محصولات به مشتریان افزوده می شوند. چهره فروش در واکنش به راهنمایی و انگیزه های مشتریان تغییر می کند. تقریبا مثل خواندن ذهنشان می شود. ایجاد یک روند فروش کارآمد روزهای ورق زدن Yellow Page ( آگهی نامه مشاغل ) و تماس های سرد مشتریان، و یا رد شدن بازار یابان در آستانه در مشتریان رفته اند . خوشبختانه تکنیک های فروش فراتر از این روش های زمان گیر شده است. زندگی مصرف کنندگان اکنون تحت تاثیر بسیاری از انواع رسانه های دیگر، از آگهی های تلویزیونی بتارسانه های اجتماعی است. حتی Snapchat به یک ابزار فروش و بازاریابی قابل استفاده تبدیل شده است. منبع : forbes چطور هوش مصنوعی به تجارت الکترونیک کمک میکند ؟ – هوش مصنوعی و یادگیری ماشین | ai-man
نمایش برچسبها
مشاهده قوانین انجمن