کاربرد هوش مصنوعی در بازاریابی

اول به بررسی تاریخچه هوش مصنوعی و بازاریابی بپردازیم و اینکه این دو تا علم چطور در کنار همدیگه قرار گرفتن؟ بعد از اون به نقش هوش مصنوعی در بازاریابی داده محور قراره بپردازیم میریم یه توضیحی راجع به خود هوش مصنوعی، یادگیری ماشین و یادگیری عمیق خدمتتون عرض می‌کنیم و در نهایت به سراغ کاربردهای هوش مصنوعی در بازاریابی و نحوه پیاده‌سازی بازاریابی هوش مصنوعی در سازمان خواهیم پرداخت.

 تاریخچه بازاریابی هوش مصنوعی را اگر بخواهیم بررسی کنیم در مرحله اول باید این را در نظر بگیریم که هوش مصنوعی و بازاریابی دو تا علم جداگانه هستند ما وقتی که میخواهیم به تاریخچه این دو تا علم بپردازیم باید هر کدومشون رو به صورت جداگانه بررسی کنیم و بعد ببینیم که اینها در کنار هم چه چیزی رو تشکیل میدن . زمانی که توی سال ۱۹۵۰ برای اولین بار آقای الن تورنینگ یک سوال رو مطرح کرد که آیا ماشین ها میتونن فکر بکنند این سوال شروع علم هوش مصنوعی بود که نقش بزرگی توی علوم کامپیوتر داشته و ماشینی که توی اون سال اختراع کرد عملاً پایه سی پی یوهایی هستند که ما امروز توی کامپیوترهامون داریم ازشون استفاده می‌کنیم ۵ سال بعد آقای جان مک کارتی برای اولین بار واژه هوش مصنوعی رو مطرح کرد و این شروع رسمی علم هوش مصنوعی بود. توی همون سال ۱۹۵۰ اگر بخواهیم وضعیت علم بازاریابی و تاریخچه علم در واقع تلویزیونی داشتیم تبلیغات به صورت پوستری داشتیم ولی رویکرد نوین بازاریابی رویکردی که ما امروز باهاش سرکار داریم دقیقاً توی سال ۱۹۵۰ مبنا قرار گرفته شده ا هوش مصنوعی رو در کنار بازاریابی داشته باشیم و بیایم علم جدیدی به نام بازاریابی هوش مصنوعی رو بخوایم شکل بدیم این رو باید مبنا قرار بدیم اینکه یک تعریف ساده از هوش مصنوعی می‌تونه این باشه که هوش مصنوعی قابلیت پردازش اطلاعات با حجم بسیار بالا رو داره که بتونه آینده رو پیش‌بینی کنه باید به عنوان مرکزیت تمامی تلاش‌های باز پس ما اگر این دو تا علم رو با همدیگه ترکیب کنیم می‌تونیم یک تعریف ساده ازشون داریم اینکه هوش مصنوعی در کنار بازاریابی این امکان را ایجاد میکنه که ما بیایم حجم زیادی از داده رو بخوایم پردازش بکنیم بر مبنای اون بخواهیم قدم بعدی وعی برای بازاریابی برای اولین بار توی سال ۲۰۱۶ توسط موسسه گاردنر توی نمودار سالیانه‌ای که در مورد تکنولوژی‌های حوزه بازاریابی منتشر می‌کنه مطرح شد این زمان در واقع پایه حضور هوش مصنوعی در بازاریابی به صورت یک تکنولوژی مهم و مفید بود توی اون سال پیش بینی می‌شد که چیزی در حدود بیش از ۱۰ سال طول می‌کشه هوش مصنوعی برای بازاریابی به نقطه‌ای برسه که کاملاً توسط همه شرکت‌ها بخواد اجرا بشه و استفاده بشه سال بعد مجدداً همین مسئله تکرار شد و هوش مصنوعی برای بازاریابی در کنار بازاریابی برخط و در کنار اینکه ما بخواهیم رفتار و سفر مشتری رو مطرح کنیم جزو علوم و جزو تکنولوژی هایی بودند که بسیار مهم بودن توی حوزه بازاری توی سال ۲۰۱۸ رشد خیلی زیادی کرد هوش مصنوعی برای بازاریابی و از نقطه‌ای که در واقع شروع یک تکنولوژی بود وارد مرحله‌ای شد که سطح تقاضا ازش افزایش پیدا کرد این موضوع در کنار مواردی مثل بازاریابی مکالمه‌ای یا در کنار مواردی مثل اینکه ما در واقع بحث کاستومر دیتا پلتفرم ها را بررسی بخواهیم بکنیم مطرح شد توی سال ۲۰۱۹ عملاً هوش مصنوعی برای بازاریابی به بالاترین نقطه و بالاترین سطح انتظارش رسید و به عنوان مهم‌ترین تکنولوژی حوزه شناخته شد و در کنار بقیه مواردی که خدمتتون عرض کردم تکنولوژی مهمی به شمار میومد و توی سال ۲۰۲۰ عملاً هوش مصنوعی دوره اوج انتظار خودش رو گذروند و وارد مرحله‌ای شد که این تکنولوژی به طور رسمی داره توی شرکت‌ها و سازمان‌های بزرگی استفاده می‌شه و نقطه‌ای هستش که نقاط ضعف و قوتش مشخص میشه ‌بینی میشه بین ۵ تا ۱۰ سال آینده این تکنولوژی برسه به نقطه‌ای که کاملاً به صورت عمومی توسط همه شرکت‌ها بخواد استفاده بشه نقش هوش مصنوعی در بازاریابی داده محور نقش بسیار استراتژیک و مهمیه ی که یک سازمان میخواد توی فرایندهای خودش تصمیم‌گیری داشته باشه بعضی از سازمان‌ها رجوع می‌کنند به اینکه تجربه قبلشون در مورد یک فرایند چیه یا اینکه قبلاً در واقع چه احساسی نسبت به اون فرایند دارند ولی نگاه درست اینه که ما در مورد یک فرایند یا در مورد یک تصمیم گیری بریم به سراغ اینکه از داده استفاده کنیم و داده‌ها به ما کمک کنند که تصمیم گیری بهتر و مفیدتری رو داشته باشیم این موضوع بیشتر و بیشتر اهمیت شناختی مدیریت دانش کنیم و تبدیل به اطلاعاتش کنیم ریسک تصمیم گیریمون رو کمتر می‌کنیم اگر شناخت کافی روی این داده پیدا کنیم و اون رو تبدیل به دانش کنیم عملاً ریسک تصمیم گیریم توی این حالت سازمان به سمت این بره که از بازاریابی داده محور استفاده کنه در درجه اول به نفع خود اون سازمانه که اون سازمان بتونه توی تصمیماتش بهتر عمل بکنه  تصمیمات جدیدی رو اتخاذ کنیم عملاً این بخش و این فعالیت‌ها توی تمامی فرایندهای بازاریابی داده محور اتفاق می‌افته حجم دیتایی که ما باهاش سروکار داریم تعداد مشتریان و تعداد دیتاهایی که در مورد هر مشتری وجود داره بسیار بالاست در مورد یک مشتری ما ممکنه تماس‌های اون مشتری رو بخوایم مبنا قرار لوکیشن وضعیت شبکه‌های اجتماعی که باهاشون در ارتباطیم میزان خریدی که انجام میده تراکنش‌هایی که اون مشتری داره ایمیل‌هایی که می‌فرسته این حجم دیتای حوزه بازاریابی بسیار بالا می‌بره و عملاً تحلیل اون دیتا رو توسط انسان بسیار مشکل می‌کنه بنابراین ما باید در نظر بگیریم که برای اینکه بخواهیم این موضوع رو انجام بدیم شاید نیاز داشته باشیم به تکنولوژی‌هایی که کمک کنه به ما که این فرایند بهتر انجام بشه نکته بعدی اینه که دیتاهای حوزه بازاریابی دیتاهای حوزه در واقع یک سازمان می‌تونه به دو دسته تقسیم بشه اولیش دیتاها داده‌های ساختار یافتن و دومیش داده‌های ساختارنیافته است به طور متوسط چیزی در حدود ۱۰ تا ۲۰ درصد حجم دیتای ساختار یافته است توی سازمان و چیزی در حدود ۸۰ درصد میشه حجم دیتای ساختارنیافته یک سازمان شتر شرکت‌ها صرفاً از دیتاهای ساختار یافته استفاده می‌کنند توی تصمیمات خودشون بیایم این دیتاها رو بررسی بکنیم با همدیگه دیتای ساختار یافته میشه دیتایی که شما توی دیتابیسون قرار داره یا به طور کلی میتونیم بگیم که دیتایی که توی یک جدول میشه قرارش داد این دیتا میشه دیتایی که ساختار داره و توی در واقع سطرها و ستون ها قابل مرتب شدن دیتای بعدی دیتاهایی مثل در واقع دیتاهای اچ تی ام ال و در واقع دیتاهای جیسان هست اهایی هستند که بهشون میگن نیمه ساختار یافته به این دلیل که در واقع دارای تگ‌هایی هستند و صرفاً یک فایل تکست نیستند حتی همون فایل تکست فایل متنی اگر دارای این باشه که مشخص باشه بخشش تیتر بخشش متن تبدیل می‌شه به دیتای نیمه ساختار یافت جلوتر که بریم می‌رسیم به دیتاهای متنی دیتاهای عکس ویدیوها و فایل‌های صوتی این‌ها کاملاً دیتاهایی هستند که دیتاهای ساختارنیافتند و عملاً بیشتر سازمان‌ها و شرکت‌ها از اون‌ها برای در واقع تصمیم گیریشون استفاده نمی‌کنند و در نهایت می‌رسیم به دیتاهای سنسورها و دیتاهای iot ها و مرحله آخر یه دیتایی رو در نظر بگیرید مثل دیتایی که توی حوزه سوشال مدیاها قرار داره توی حوزه رسانه‌های اجتماعی قرار داره دیتاهایی که ترکیبی هست از متن‌ها عکس‌ها تگ‌ها هشتگ ها اینها دیتا رو می‌بره به سمت اینکه جزو سخت‌ترین دیتاها قرار میده به لحاظ اینکه ما میخویم اونها رو تحلیل بکنیم ولی اگر یک سازمان بتونه از این دیتاها استفاده کنه مطمئناً می‌تونه سطح تصمیم گیریش رو افزایش بده و برسونه به اینکه روی داده‌های بیشتری تصمیم گیری کنیم فرضاً اگر ما بخواهیم بازاریابی رو بررسی کنیم و بیایم هفت پی بازاریابی رو بررسی کنیم می‌رسیم به اینکه در مورد محصول در مورد قیمت پروموشن مکان افراد ایندها و فیزیکال اویدنس‌ها چه داده‌هایی وجود داره داده‌هایی که هر کدوم از این‌ها می‌تونه به ما کمک کنه که هر کدوم از این فرایندها را بخواهیم بهبود بدیم

یعنی مثلاً در مورد یک محصول چه اطلاعاتی توی حوزه محصول وجود داره نظرات ماشین‌ها امکان اینو داشته باشند که فعالیت‌ها و تسک‌هایی که معمولاً نیاز به دانش انسانی وجود داره و نیاز به هوش انسانی داره رو بتونن انجام بدن یعنی هوش مصنوعی ایجاد شد مصنوعی قوی و ضعیف رو اگر ما بخواهیم بررسی بکنیم الزاماً به معنی برتری یکی بر اون یکی نخواهد بودا هوش مصنوعی در واقع ضعیف اینه که یک ماشین می‌تونه احساس کنه یک موضوع رو فرزند شما برای در واقع نمونه هوش مصنوعی ضعیف میشه مثل این دستیارهای صوتی که توی گوشی‌هامون وجود داره مثلاً شما به دستیار صوتی اپل به سیری ازش می‌خواین که بهتون نزدیک‌ترین کافی شاپ رو بهتون نشون بده و معرفی بکنه ی مرحله بعد میاد اون رو طبقه بندی میکنه کلاسیفای میکنه تو این حالت میگه که خب کافی شاپ ها مربوط میشن به یک دسته از بیزینس‌ها و وقتی که گفته می‌شه نزدیک من من باید پارامترهای سرچم رو محدود بکنم بابت اینکه فرزند توی فضای یک کیلومتری درکی از فرمان شما نداره یعنی عملاً اتفاقی که می‌افته اینه که نمی‌تونه بگه که اگر نزدیک شما کافی شاپ وجود نداره بیاد به شما یک موردی رو جایگزین معرفی بکنه اینکه بیایم پیدا بکنیم که این گزینه یا این صحبت یا این فرمان مربوط به کدوم بخش میشه اما وقتی به سراغ هوش مصنوعی قوی میرین این ارتباط یا سنس کردن وجود داره و توی مرحله بعد فرمان شما یا اطلاعات شما میاد درک میشه ارتباط باهاش برقرار میشه و ازش یادگیری میشه میره به سمت اینکه خروجی میشه خروجی بهتر توی این حالت هستش که عملاً ماشین‌ها شروع می‌کنن به اینکه فعالیت‌ها و تسک‌های هوشمندانه‌تری رو انجام بدن در واقع ازشون کارهای پیچیده‌تری رو انجام بدیم ولی در واقع هوش مصنوعی که بیس اصلیش میره به سمت در واقع شبکه‌های عصبی شبکه‌های عصبی که از در واقع شبکه‌های عصبی که توی ذهن ما وجود دارند به وجود اومدن یعنی توی ذهن ما که میلیون‌ها نیورون وجود داره و این نورون‌ها با همدیگه در ارتباط هستند و هر نورون شروع می‌کنه اطلاعات رو به نورون دیگه انتقال میده در واقع توی هوش مصنوعی هم همین هست زمانی که ما در مورد عملاً شبکه عصبی مصنوعی صحبت می‌کنیم شبکه عصبی مصنوعی دارای یک سری نوت‌های ورودی یا اینپوت هست یک سری نت‌های در واقع هیدن لیر هست لایه ای که به صورت پنهان هست و یه لایه به صورت اوت پوت یا خروجی فرض کنید شما از در واقع یک شبکه عصبی می‌خواین که بر اساس این سه دسته اطلاعاتی که بهش میدید مشتریانتونو بیاد به دو قسمت تقسیم بکنه عملاً شما ازش خواستید مثلاً بر اساس مدل rfm که به دنبال این هستش که مشتریتون کی اومده چقدر خرید کرده و چه زمانی و بازه خریدش به چه شکل بوده عملاً می‌خواین که مشتریاتونو به دو دسته تقسیم کنیدسه تای اول میشن پارامترهای ورودی و در نهایت توی اون هیدن لیر یک فرایند ریاضی انجام میشه و یه خروجی میده توی هر نیورون عملاً داره یک تابع ریاضی داره فرمان میده و وقتی که ما میریم به سمت اینکه شبکه عصبی‌مون رو ترین می‌کنیم آموزش می‌دیم عددها و وزن‌های این شبکه عصبی میاد فیکس می‌شه توی این حوزه ما عملاً می‌ریم به سراغ اینکه خب پس هوش مصنوعی که خودش زیر مجموعه علوم کامپیوتر هست برای این به وجود اومد که بتونه ارتباط برقرار کنه بتونه استن الگویی مثل در واقع ان ال پی استفاده کنیم برای اینکه داده‌های صوتی یا متنی رو بخواهیم تحلیل کنیم می‌تونه بره به سمت اینکه چت بازها رو بخواد ایجاد بکنه و بخواد با مشتریمون در ارتباط باشه می‌تونه بره سمت کامپیوتر بکنیم برای اینکه اون حجم داده بالا از داده‌های کلان رو بیایم تبدیلش کنیم به داده های معناداری که برای ما قابل درک باشن همه این فعالیت‌ها همونطور که قبلاً هم اشاره کردیم ا رو می‌بره به سمت اینکه بریم که اتوماسیون بازاریابی رو ایجاد بکنیم و این موضوع به ما کمک بکنه که تصمیم گیری داشته باشیم به صورت اتوماتیک و همینطور اجرای اون فعالیت را هم داشته باشیم به صورت اتوماتیک

 چه کاربردهای هوش مصنوعی یادگیری ماشین نقش بسیار پررنگ و مشخصی رو توی علم داده پیاده می‌کنیم یه خورده بیشتر بیایم راجع به یادگیری ماشین صحبت بکنیم و اینکه اصلاً تفاوتش با در واقع برنامه نویسی به شیوه سنتی به چه شکل هستش وی شیوه سنتی به این شکل بود که اگر ما می‌خواستیم تعریف بکنیم که یک برنامه بتونه فرضاً مشتریانمون رو بیاد تقسیمشون کنه به گروه‌های مختلف یا تقسیمشون کنه به بخش‌های مختلف برای این‌ها ما باید یک سری ورودی اطلاعات رو به ماشین می‌دادیم به کامپیوتر می‌دادیم و توی مرحله بعد میایم یک برنامه‌ای رو به ماشین می‌دادیم این برنامه تشکیل شده بود از تعداد زیادی اگر و آنگاه که بیاد مشتریا رو تقسیم بکنه توی شرایط مختلف بخش‌بندی بکنه توی شرایط مختلف توی این حالت ماشین اون ورودی و اون برنامه رو دریافت می‌کرد و در نهایت خروجی اطلاعات رو به ما می‌داد  همچین برنامه‌ای برای اینکه بخواد مشتریان رو تقسیم بندی کنه با اطلاعات پیچیده شاید چیزی در حدود ۱۰۰۰ خط برنامه ولی توی نگاه جدید نگاه یادگیری ماشین به این شکله که ما به ماشین ورودی و خروجی اطلاعات رو ورودی و خروجی اطلاعات رو در اختیار ماشین قرار میدیم و اون ماشین هستش که برنامه رو می‌نویسه این تفاوت اصلی بین در واقع برنامه نویسی برای یادگیری ماشینیه و برنامه نویسی به شیوه سنتی توی این حالت ما نیستیم که به ماشین می‌گیم که مشتریان باید چه خصوصیاتی داشته باشند که اون خصوصیات مهم باشه که بتونی توی طبقه‌بندی استفاده کنیم ما صرفاً از یه الگویی که داریم و از یک رفتاری که داریم اون رو در اختیار ماشین قرار می‌دیم و اون ماشین هستش که میاد توی خروجی اون برنامه رو تشکیل می‌ده ماشین هستش که انتخاب می‌کنه که کدوم پارامتر اهمیت بیشتری داره برای اینکه بخواد این فرایند انجام بشه ولی خود یادگیری ماشینی د به بخش‌های مختلفی تقسیم می‌شه اولین نوع یادگیری ماشینی میشه یادگیری نظارت شده یا سوپروایز لرنینگ توی یادگیری نظارت شده عملاً ما داده و لیبل مربوط به اون داده رو با همدیگه در اختیار ماشین قرار میدیم و بعد ماشین بر اساس اون میاد خروجی می‌گیره این مورد موردی هستش که ما نمونش رو می‌تونیم توی این ببینیم که فرضا می‌خوایم محصول‌های مختلفمون رو بیایم طبقه‌بندی کنیم بر اساس نوع محصول بر اساس ویژگی محصول حتی بر اساس میزان فروش  این طبقه بندی توی یادگیری نظارت شده ما می‌تونیم در واقع استفاده کنیم که پیش بینی بکنیم ببینیم که فرزند با استفاده از رگرسیون شیوه فروش ما روند فروش ما به چه شکل می‌شه یه یادگیری هم هست که نوع دوم یادگیریه به اسم یادگیری نظارت نشده یا آن سوپروایز لرنینگ توی یادگیری عملاً ما لیبلی بابت اطلاعاتمون نداریم و داده‌هامون هم به صورت عددی ممکنه نباشه تو این حالت داده‌ها رو به صورت خام بیاد بر اساس خصوصیات رفتاری مشتریانمون بیاد بخش‌بندی داشته باشیم داده‌های مشتریان رو در اختیارش می‌ذاریم و اون ماشین بیاد بخش‌بندی داشته باشه برای مشتریان و نوع سوم یادگیری ماشین قرار میدیم مثل اینکه فرضاً از ماشین می‌خوایم یک تبلیغات برنامه‌ریزی شده‌ای رو مدیریت بکنه برای اینکه ما برسیم به سطح مشخصی از آر و آی برای اینکه ما به سطح مشخصی از فرزند اورنس برسیم ین‌ها میره به سمت اینکه ما برای ماشین یک هدف رو قرار داریم و ماشین هستش که فرایندها و بخش‌های مختلف اون رو دسته‌بندی می‌کنه و انجامشون می‌ده نمونه بریم سمت کلاسیفیکیشن ای کلاسیفیکیشن بخواهیم طبقه بندی داشته باشیم توی آن سوپروایز لرنینگ ما استفاده می‌کنیم از اینکه بخواهیم ارتباطات معنادار بین داده ها را شناسایی کنیم بخواهیم داده ها را بخش بندی کنیم یا بریم به سمت اینکه بیگ دیتاها را بخواهیم آنالیز بکنیم هر کدوم از اینها توی بازاریابی میتونه کاربردهای مختلف و خروجی‌های مختلفی رو برای ما ایجاد بکنه و کسی که توی این حوزه کار می‌کنه اید با توجه به نیازی که داره و خروجی که می‌خواد بگیره بیاد بره به سمت اینکه اون شبکه عصبی که میخواد رو بسازه و اون رو پیاده سازی کنیم

 برای اینکه ما برسیم به اینکه کاربردهای هوش مصنوعی در بازاریابی بخواهیم شناسایی کنیم یک نکته‌ای که وجود داره اینه که چرا امروز زمانی هستش که ما باید به سمت این بریم که از هوش مصنوعی استفاده کنیم یعنی در نظر بگیرید از سال ۱۹۵۰ که این موضوع مطرح شده تا به امروز این همه سال که گذشته در نهایت چرا ما امروز زمانی هستش که می‌تونیم از این تکنولوژی استفاده کنیم ر درجه اول یکی از عامل‌هایی که تاثیرگذار هست برای این موضوع اینه که حجم دیتایی که در دسترس قرار داره برای تحلیل حجم دیتای بسیار بالایی هست یعنی گسترش ابزارهای دیجیتال گسترش در واقع آی تی ها باعث افزایش این حجم دیتا شد مرحله بعدی عامل تاثیرگذار بعدی قدرت پردازش هست یعنی این قدرت پردازش کمک میکنه که ما بتونیم حجم دیتای بسیار بالایی رو تحلیل بکنیم و ازش خروجی مناسبی که می‌خوایم رو بگیریم  می‌تونیم از فضای ابری استفاده کنیم برای اینکه مدل های خودمون رو گسترش بدیم پارامتر بعدی تاثیرگذار اینترنت پرسرعت هست به ما کمک می‌کنه که بتونیم به صورت برخط و به صورت ریل تایم این کار انجام بدیم و استفاده کنیم از ارسال اطلاعات به صورت سریع مطمئنا زمانی که ما بریم سمت اینترنت نسل پنجم این موضوع خیلی بیشتر گسترش پیدا در نهایت به نظر من مهمترین نکته که وجود داره در دسترس بودن دانش این فراینده یعنی امروز ما می‌تونیم همراه با سایر کشورهایی که توی این حوزه دارن کار می‌کنن و پیشرو هستند ما هم این علم رو توی کشور خودمون پیاده بکنیم و بخواهیم این ال رو گسترده کنیم این موضوع ما رو می‌بره به سمت اینکه ما می‌خوایم کاربردهای هوش مصنوعی توی بازاریابی رو بررسی بکنیم به طور کلی ما اومدیم این کاربردها را به شش دسته تقسیم کردیم اولین کاربرد میشه کاربرد هوش مصنوعی توی تحلیل کسب و کار و هوش کسب و کار یعنی داشبوردهای ریل تایمی داشته باشیم داشبوردهای بر خطی رو داشته باشید و بخواهیم داده‌مون رو به صورت در واقع توصیفی ببینیم برای اینکه بیایم داده‌هامون رو دسته‌بندی بکنیم توی مرحله بعد ممکنه لازم باشه که داده‌هامون رو بخش‌بندی کنیم و در نهایت بتونیم بخواهیم از یه الگوریتم مثل دایمنشن استفاده بکنیم که ابعاد داده‌هامون یک اتفاق ها مشخص کنه که آیا ما به اهدافی که توی سازمان داشتیم رسیدیم و این موضوع رو می‌تونیم با الگوریتم های نظارت شده و نظارت نشده یادگیری ماشینی انجام بدیم گفتیم مثل کلاسیفیکیشن مثل کلاستریشن و مثل دایمشن عد از این موضوع گفتیم می‌خوایم بریم به سراغ اینکه تحلیل پیشگویانه داشته باشیم که زیر مجموعه یادگیری نظارت شده است و رگرسیون ما رو کمک کنه که بیایم فرضاً بر مبنای روند فروشی که داریم بیایم ماه بعدی فصل بعدی یا سال بعدی رو بخوایم پیش‌بینی بکنیم نکه بیایم با استفاده از الگوریتم های حوزه اسسیشن بیایم قدم بعدی ممکنه چه کالایی رو بخره چه کالایی رو نیاز داشته باشه این کمک میکنه ما رو برای اینکه ما بخواهیم سیستمی رو درست بکنیم سیستم در واقع پیش بینی درست بکنیم و سیستم پیشنهادی یا ریکامندیشن سیستمی برای مشتری مون درست بکنیم که بتونیم به اون مشتری پیشنهادی رو بدیم که واقعاً کاربرد داشته باشه براش و بخواد استفاده کنه و در نهایت در نظر بگیریم توی حوزه‌ای که ما میریم به سمت اینکه آنالیز تجویزی داشته باشیم میتونیم از الگوریتم‌ها و در واقع تکنولوژی‌هایی مثل استفاده کنیم که ما رو کمک کنه به اینکه به اون کی پی آی یا اون هدفی که داریم برسیم یعنی توی این مرحله ما دیگه برای ماشین مشخص نمی‌کنیم که این ریز فعالیت ها رو باید به چه شکل انجام بده ما برای ماشین مشخص می‌کنیم که باید به این کی پی آی برسه و ماشین هستش که اون تسک ها و اون فرایندها را انجام میده تا اون خروجی که باید رو بگیره لی توی حوزه بیزینس اینتلیجنس یک سری فعالیت‌ها و کاربردهای دیگه ظاهر میشه یعنی ما تو این حوزه با استفاده از هوش مصنوعی گفتیم ما میتونیم دسترسی پیدا کنیم به سورس های جدید اطلاعاتی سورس های جدید اطلاعاتی مثل اطلاعاتی که بر مبنای اطلاعات صوتی هست اطلاعات متنی هست اطلاعات تصویری هست و همینطور ما رو کمک کنه برای اینکه ما بتونیم میزان و روند در واقع به روز رسانی داده‌مون رو گسترش بدیم مثل کل داده‌هایی که توی وب وجود داره یعنی این موضوع می‌تونه به نیروهای ما به پرسنل ما کمک کنه که اون پرسنل ابتدای صبح یک گزارش آماده شده از کل فعالیت‌هایی که رقباشون انجام دادند داشته باشند و بخوام بر اساس اون کاری رو انجام بدم ی مرحله بعد هوش مصنوعی می‌تونه توی یه کاربرد دیگش برای حوزه بیزنس اینتلیجنس عملاً بیاد به سمت اینکه پرابلم سالوینگ داشته باشه یک مشکلی رو بخواد حل بکنه و این موضوع کمک می‌کنه که ما بتونیم مسائل پیچیده تری رو توی کسب و کارمون حل بکنیم راه حل بعدی و کاربرد بعدی اینکه ما بتونیم تحلیل ریل تایمی داشته باشیم و هر چقدر که داده مون به روز میشه نیاز نباشه که ما دوباره یک بازه زمانی چند روزه رو بذاریم برای اون تحلیل و اون ماشین خودش می‌تونه نه تنها طبق الگوهای قبلی پیش‌بینی داشته باشه و تحلیل داشته باشه بلکه حتی بیاد الگوها و تحلیلی هم که انجام میده رو بیاد اصلاح بکنه و بره به سمت اینکه ما اگر پارامتر جدیدی بهمون اضافه میشه یا اینکه اون پارامتر اهمیت پیدا میکنه که نیاز داره مدل قبلیمون اصلاح بشه این کار بتونه انجام بده هایت می‌تونیم بگیم که توی اون حوزه ما فرایند تحلیل داده و فرایند نشون دادن داده توی یک بی آی می‌تونه فرایند پیچیده‌ای باشه هوش مصنوعی می‌تونه بیاد این فرایند رو ساده سازی بکنه از جمع‌آوری اطلاعات گرفته تحلیلش گرفته و پیش‌بینیش گرفته رو همه این‌ها حوزه‌ای هستش که می‌تونه توی بازیابی مکالمه‌ای تحلیل بشه هدف ما اینه که ما فعالیتی رو انجام بدیم که بتونه این مکالمات بتونه این متن‌ها و بتونه این محتواها رو تحلیل بکنه هوش مصنوعی چه کمکی می‌تونه به ما تو این حوزه کنه است د و نیتی که تو متن داره چیه در نظر بگیرید چه حوزه‌ای که ما بخواهیم یک متن رو خودمون منتشر کنیم مثلاً مثل اینکه امروز بخوایم یک ایمیلی رو برای مشتریمون ارسال بکنیم یا اینکه حوزه‌ای باشه که مشتری ما یک کامنتی رو برای کسب و کارمون قرار می‌گیره کامنت‌های مثبت هست ما می‌خوایم روزانه این اطلاعات رو داشته باشیم خیلی از کسب و کارها زمانی متوجه روندها میشن زمانی متوجه اطلاعاتی میشن که ممکنه خیلی مخرب باش که خیلی گذشته از اون اتفاق شاید در واقع چهار روز پنج روز و یک هفته از اون اتفاق گذشته و اون زمان هستش که تازه کسب و کار میخواد فکر بکنه و اقدام کنه ولی ما با تکنولوژی‌های حوزه هوش مصنوعی و خصوصاً بخش ان الپی می‌تونیم به طور روزانه دقیقاً ببینیم که ‌ها ریویوها متن‌هایی که مشتریانمون در مورد یا اخباری که حتی در مورد کسب و کارمون منتشر میشه به چه شکل هستش و اون‌ها چه عواطف و احساساتی پشتشون و در عین حال خودمونم اگر می‌خوایم محتوای منتشر کنیم با توجه به پرسونای مشتریمون می‌تونیم محتوا رو دقیقاً با توجه به اون پرسونا تبدیل کنیم و آماده سازی کنیم کاربرد بعدی میتونه بره سمت اینکه سمت چت بازها یا در واقع اینکه ما به ماشین این امکان رو بدیم که با مشتریمون شروع کنه مذاکره کردن ها می‌تونه کاربردهای مختلفی رو داشته باشه چت با وب میتونه حوزه باشه که توی وبسایت‌ها استفاده بشه برای اینکه ما در واقع بخوایم از اون استفاده کنیم برای اینکه یک لیتر رو یک سرنخ رو تبدیل کنیم به یک لید با کیفیت تبدیل کنیم به یه کوالیفید یا اینکه حتی اون کوالیفای دید رو تبدیلش کنیم به یک فروش قطعی چت بادها می‌تونن استفاده شن برای اینکه پشتیبانی محصولمون رو داشته باشن می‌تونن استفاده شن برای اینکه پشتیبانی مشتریان رو داشته باش این‌ها به ما این امکان رو میده که ما بتونیم به طور ۲۴ ساعته از مشتریامون حمایت کنیم و باهاشون در ارتباط باشیم کاربرد بعدی میشه بحث در واقع تشخیص صوتی اینکه ما می‌تونیم تمامی صوت‌هایی که توی کسب و کارمون وجود داره رو ببریم به سمت اینکه تحلیلشون بکنیم و اون‌ها رو تبدیل به متنشون کنیم برای فعالیت‌های بعدیمون کاربرد بعدی میشه بحث اینفورمیشن اکسترکشن اینکه ما بخوایم اطلاعات مفیدی رو بخوایم خروجی بگیریم برداشت بکنیم در نظر بگیرید که به طور روزانه چه حجم اطلاعاتی داره توی یک فضایی مثل وب منتشر میشه اینکه شما دقیقاً بدونید که روند تفکر مشتریتون به چه شکله دارن در مورد چه چیزی صحبت می‌کنن رقباتون دارن از چه موضوعی استفاده میکن چه استراتژی رو دارن چه تاکتیکی رو دارن پیاده میکن میتونه با این حوزه انجام بشه یعنی ما با میتونیم تمامی متن های که وجود داره رو تحلیلش کنیم و اطلاعات مناسب رو ازش بخوایم خروجی بگیریم ربردهای بعدی دیگه شامل این میشه که ما بحث در واقع سرچ صوتی رو داشته باشیم یا سرچ بر مبنای یک کیبورد یا کلمه کلیدی رو داشته باشیم یا بحث اینکه ما بخواهیم ترجمه ماشینی رو داشته باشیم اینکه شما ممکنه که بخواین یک اطلاعات رو برای افراد مختلفی ارسال کنید که زبان‌های مختلف داشته باش و در نهایت می‌تونیم بگیم که انرژی این امکان رو میده که ما توی فضایی مثل در واقع یادگیری ماشینی و یادگیری عمیق بتونیم متن تولید کنیم محتوا آماده بکنیم یعنی میره به سمت اینکه ما ای کپی رایت داشته باشیم اینکه یک سیستم هوش مصنوعی خودش بتونه طراحی کپشن برای سوشالمون داشته باشیم ایجاد یک مقاله برای وب سایتمون داشته باشیم و یا اینکه از ماشین بخواهیم که یک مقاله با توجه به احساسات مشتری بشه و واقعاً کاربرد داشته باشه و روی مشتریمون بخواد تاثیر بذاره

این کاربرد میاد به طور مستقیم استفاده می‌کنه از تکنولوژی‌های حوزه بینایی ماشینی یا کامپیوتر میشه کامپیوتر یابی ایجاد بکنه  توی حوزه تولید محتوا هستند رو بسیار باز می‌ذاره که اونها بتونن تعداد محتوای بیشتری رو تولید بکنن و تعداد محتوایی رو تولید کنند که بتونه به درد مشترشون بخوره و مشترشون اون موضوع رو بیشتر بپسند کاربرد بعدی این موضوع میشه اینکه ما بخواهیم از تصاویر برند آبجکت‌ها رو بخوایم شناسایی بکنیم در نظر بگیرید که می‌تونه این شما از در واقع عکس‌هایی که مشتریان شما براتون ارسال می‌کنند یا توی فضایی مثل رسانه‌های اجتماعی دارن به اشتراک می‌ذارن تحلیل کنید که اینها از چه برندهایی استفاده می‌کنند سلیقه مشتریتون رو شناسایی کنید یه فضایی مثل یک فروشگاه فیزیکی رو در نظر بگیرید از تصویری که داره دوربین‌های در واقع اون فروشگاه ثبت می‌کنه  می‌تونید دقیقاً تشخیص بدید که مشتریتون از چه محصولی استفاده میکنه چه برندیو استفاده می‌کنید و اگر قراره پیشنهادی رو بهش بدین یا سلیقه اون رو شناسایی کنید بتونید از این فایل‌های تصویری استفاده کنید کاربرد بعدی این موضوع میره به سمت اینکه ما سرچ بر مبنای عکس داشته باشیم این موضوع می‌تونه با تشخیص یک محصول و سرچ کردن با استفاده از پیدا کردن شباهت‌ها اتفاق می‌افته یعنی ما استفاده بکنیم از اینکه اگر فرضاً یک عکسی دیده می‌شه یک کالایی دیده میشه مشتری به راحتی بتونه با گرفتن یک عکس ازش اون کالا رو بتونه که از کجا خرید بکنه و چطور میتونه اون کالا رو به دست بیاره این موضوع خیلی کمک میکنه توی فروشگاه‌های الکترونیک که بخوان این امکان رو برای مشتریشون ایجاد کاربرد بعدی این هستش که ما بیایم توجه مشتری و عواطف و احساسات مشتری رو تشخیص بدیم درخواست خود در تاریخ ۲۲۵ ۲۴ در مورد درخواست اخیر برای بایومتریک شما علی رغم اینکه قبلاً آن را انجام دادید دریافت کردند ضمیمه استعلام ما و پاسخ آنها را خواهید دید ریسپانس ایندیکی ردا اومد من فکر می‌کردم امروز بیاد دیگه جدی میگم آها این اکسپلنیش که ایشون فرستاده اینه به اسم من فرستاده چیز با دیدن

دیدن اون خوشحال اصلاً و  میام می‌تونیم تحلیل عواطف و احساسات رو بر مبنای تصویر مشتریمون داشته باشیم می‌تونیم ما چک کنیم که واکنششون نسبت به اون تبلت چیه این موضوع می‌تونه کاربرد داشته باشه توی بیزینس‌هایی مثل در واقع بیزینس‌های وی ها که اون در واقع کسب و کارها بتونن با استفاده از این ببینن که مشتریی‌شون نسبت به یک محتوا نسبت به یک فیلم چه واکنشی رو داره نشون میده کاربرد بعدی می‌تونیم باشه که در نظر بگیرید ا میایم کارهای مختلفی مثل فرزند ای بی تست ما می‌تونیم تحلیلون رو توی یک سطح بالاتری هم انجام بدیم این سطح بالاتر این هستش که همه تبلیغ ها عکس هایی که توی سوشال داره منتشر میشه خود اون عکس هم شامل اطلاعات خیلی زیادی هست در نظر بگیرید که ماشین این امکان رو به شما میده که شما بتونید تحلیل بکنید که چه عکسیو منتشر کردید و اون عکس دارای چه خصوصیاتی بوده چه ترکیب رنگی بوده چه متن توش بوده چه نوع عکسی توش بوده چه حسی به مشتریتون می‌رسونه و ببینید که چه محتوایی از شما اثربخشی بیشتری روی مشتریتون داشته  بعدی و کاربرد بعدی میره سمت اینکه ما تشخیص چهره داشته باشیم این موضوع می‌تونه کمک کنه توی اپلیکیشن‌ها که ما بتونیم با استفاده از تشخیص چهره ما بخواهیم خدمات خاصی رو به مشتریمون بدیم یا حتی توی یک فروشگاه فیزیکی بخوایم تشخیص بدیم وقتی مشتری وارد فروشگاه ما میشه مشتری رو بشناسیم و بیایم پروموشن های شخصی سازی تری شده رو بهشون معرفی کنیم بخوایم کاربردهایی رو تو این حوزه بهشون نشون بدیم تشخیص چهره توی هر نقطه‌ای میتونه به ما این کاربرد رو بده به ما این کارایی رو بده که بتونیم تشخیص بدیم که مشتری ما کیه چه خصوصیتی داره سابقه خرید قبلیش چیه و در نهایت کاربرد آخر این حوزه این هستش که خیلی وقتا ما این امکان رو میتونیم ایجاد بکنیم که مشتری محصول رو توی یک فضای مجازی بخواد تست بکنه فرض کنید که شما محصول شما می‌تونه حوزه‌ای مثل زیورآلات باشه مثل حوزه‌ای مثل آرایشی باشه مثل حوزه‌ای مثل در واقع پوشاک باشه این موضوع کمک می‌کنه که مشتری بدون اینکه محصول رو به صورت واقعی تست بکنه بتونه ببینه که آیا اون محصول خوبه براش کاربرد داره اون محصول مورد پسندش هست یا نه و این موضوع کاربردهای تصویر رو توی فضایی مثل کسب و کار ما گسترده می‌کنه 

کاربرد بعدی هوش مصنوعی میاد توی حوزه بازاریابی عملکرد به طور کلی بازاریابی دیجیتال به این دلیل به وجود اومد که ما بتونیم ارتباط دو طرفه‌ای با مخاطبمون داشته باشیم و بتونیم تحلیل داشته باشیم از رفتار سال‌های اخیر بازاریابی عملکردی به قدری گسترش پیدا کرده که داره به جایی می‌رسه که عملاً بخش‌های زیادی از بازاریابی دیجیتال رو در بر می‌گیره و این موضوع بسیار مهم شده باشیم اینکه ما چطور می‌تونیم عملکرد بسیار مهمیه اما هوش مصنوعی می‌تونه چه کمکی بهش بکنه  از از هوش مصنوعی می‌تونیم توی این استفاده کنیم که بیایم تبلیغات برنامه‌ریزی شده از چه چنلی استفاده کنیم از چه کانالی استفاده کنیم در چه جایی از وبسایتمون چه رفتاری رو به خرج داده ما باید چه مواردی رو اصلاح بکنیم برای اینکه نرخ تبدیل بهتری داشته باشیم چه فعالیتی رو باید انجام بدیم که این نرخ تبدیل بخواد بهبود پیدا کنه و گسترش  بعدی اینه که هوش مصنوعی می‌تونه کمک کنه که ما مدیریت کانال‌ها رو داشته باشیم یعنی فرض کنیم که شما توی یک حوزه کار می‌کنید که هم دارید از ایمیل مارکتینگ استفاده می‌کنید هم دارید ترافیک به صورت مستقیم دارید ترافیک از طریق سرچ انجین‌ها رو دارید همه این‌ها می‌تونه توسط هوش مصنوعی مدیریت بشه و تعیین کنه که کدوم یکی از این حوزه‌ها باید بهبود پیدا بکنه توی کدوم یکی از این حوزه‌ها باید سرمایه‌گذاری بشه و کدوم یکیشون نیاز به تغییر و اصلاح خواهد داشت کاربرد بعدی میشه اینکه ما بخواهیم از هوش مصنوعی استفاده کنیم که توی بودجه بازاریابی به ما کمک بکنه و نرخ‌های برگشت سرمایه‌مون رو بخواد بهبود بده توی بازاریابی عملکردی یعنی اینکه ما پرداخت‌هایی که به افراد ذینفع این حوزه هستند رو داریم این پرداخت‌ها میاد با توجه به عملکردشون اتفاق می‌افته بتونیم اون عملکرد رو بهبود بدیم توی این حوزه پس می‌تونیم اون پرداخت‌ها رو هم متغیر کنیم و بریم به سمت اینکه هوش مصنوعی در نهایت بتونه به ما کمک کنه که ما بازگشت سرمایه بازاریابی بهتری داشته باشیم و در کل بتونیم از کمپین‌های بازاریابی خروجی بهتری رو بگیریم و مشتریان بیشتری رو تحت تاثیر قرار بدیم فروش بیشتری رو داشته باشیم پس به طور کلی می‌تونیم بگیم که هوش مصنوعی توی بازاریابی عملکردی توی بحث تحلیل اطلاعات و تصمیم گیری بر اساس اونها میتونه به ما کمک کنه که به طور کلی ما بتونیم نرخ های مختلف فعالیت‌های مختلف کانال‌های مختلف و پیام‌های مختلفمون رو بیایم بهینه‌سازی کنیم و بهبود بدیم کاربرد بعدی هوش مصنوعی میاد توی بحث تحلیل رفتار مصرف کننده ی عصر حاضر مشتریان رفتارهای پیچیده‌تری رو دارند نسبت به زمان‌های گذشته این به این دلیل هستش که میزان دسترسی مشتریان به اطلاعات تغییر کرد امکاناتی که در اختیار دارند تغییر کرد و این رفتار اون‌ها رو تحت تاثیر قرار می‌ده تصمیم‌گیری مشتریان پیچیده‌تر شده و اگر ما بخواهیم استفاده کنیم از تکنولوژی‌های نوین برای اینکه تحلیل بهتری از اون رفتار داشته باشیم باید داده‌های بیشتری رو بررسی بکنیم بیایم بررسی کنیم که یک خبر یک روند یک نرخ در واقع رسمی چه تاثیری توی رفتار مشتریون ایجاد میکنه طلاعاتی که توی شبکه های اجتماعی و رسانه‌های اجتماعی منتقل میشن و به دست مشتریمون میرسند چه تاثیری ایجاد نگاه کنیم ببینیم که وضعیت بازار میتونه چه تغییری رو ایجاد بکنه  به طور کلی اگر در واقع ما بحث بخشبندی و رفتارشناسی مشتری داشته باشیم بر اساس اینکه می‌خوایم اون‌ها رو بر مبنای پارامترهایی مثل جمعیت شناسی جغرافیایی رفتاری و روانشناسی تحلیل کنیم هوش مصنوعی میتونه اینجا کمک زیادی رو به ما کنه توی بحث جمعیت شناسی و بحث جغرافیایی عملاً به این دلیل که ما با دیتای بسیار در دیتای ساختار یافته سر کار داریم شاید این تحلیل راحت تر باشه اما زمانی که می‌رسیم به حوزه رفتارشناسی و علی‌الخصوص به حوزه روانشناسی این کار بسیار مشکل می‌کنه یعنی ما توی نگاه در واقع سنتی به بازاریابی و اون فروشگاه تشخیص میده که اون شخص وارد فروشگاه شده و دقیقاً همون جا یک پروموشنی رو برای اون شخص می‌فرسته با توجه به اینکه می‌دونه مشتری قبلاً چی خرید کرده و قدم بعدیش چیه چی می‌خواد خرید کنه چه محصولی رو با چه ویژگی می‌خواد خرید کنه به همه افراد ه که بتونیم از پارامترهای بیشتری استفاده کنیم و تحلیل مناسب‌تری هم داشته باشیم با جمع آوری داده‌های ساختار یافته و ساختار نوین بازاریابی رویکردی که دقیقاً توی همون سال ۱۹۵۰ مطرح شده بود این بود که اگر ما می‌خواهیم محصولی رو وارد بازار بکنیم این محصول باید بر اساس خصوصیاتی باشه که مشتری می‌خواد رفتاری باشه که مشتری ارائه میده و با توجه به اون ما باید محصولمون رو ایجاد کنیم و به بازار عرضه بکنیم ما تو این حوزه داده‌های مختلفی رو در اختیار داریم داده‌هایی مثل در واقع اینکه مشتریانمون چطور دارن از یک محصول استفاده می‌کنند توی بیزینس‌های حوزه دیجیتال توی کسب و کارهای حوزه دیجیتال این افراد نوع استفاده از محصول داره ثبت میشه و ما رفتار مشتریان رو در مقابل محصولمون دقیقاً داریم مشاهده می‌کنیم این موضوع به ما کمک می‌کنه که ما دقیقاً ببینیم که کدوم مشتری مون چطور دارن محصولمون استفاده می‌کنه کدوم مشتری میره به سمت اینکه ممکنه ما از دستش بدیم کدوم مشتری ممکنه که مشتری باشه که برگرده کدوم مشتری ممکنه که کسب و کار ما رو به شخص دیگه‌ای معرفی کنه این‌ها باعث می‌شه که ما ویژگی‌ها شرایط محصول پیام‌هایی که آماده می‌کنیم رو با توجه به این خصوصیات آماده می‌کنیم هوش مصنوعی همونطور که تا الان صحبت کردیم به ما این امکان رو میده که داده‌های زیادی رو تحلیل بکنیم توی بیزنس های حوزه دیجیتال که مشتریان مختلف و داده‌های مختلفی رو در اختیار داریم دیگه نیازی نیست ما به سمت این بریم که صرفاً بخش بندی داشته باشیم ما می‌تونیم برای هر یک از مشتریان این تحلیل رو داشته باشیم و می‌تونیم برسیم به جای اینکه ما در واقع به صورت کلی تصمیم گیری کنیم محصول ویژگی‌ها فیچرهامون رو بر اساس اون آماده بکنیم و به مشتریمون  کنیم در عین حال زمانی که ما میریم به سمت اینکه بخواهیم از تکنولوژی‌های دیگه‌ای در کنار در واقع هوش مصنوعی استفاده کنیم مثل تکنولوژی‌هایی مثل رو بر اساس خواسته مشتری و با استفاده از نیاز بازار طراحی بکنیم و خود هوش مصنوعی بیاد این طراحی محصول رو داشته باشه و بتونیم محصولی رو به بازار عرضه کنیم که واقعاً کاربرد داشته باشه بتونیم به جای اینکه صرفاً ۱۰ گروه محصول داشته باشیم شاید ۱۰۰ گروه محصول داشته باشیم پس ما توی این حوزه هم میتونیم فیچرها و خصوصیاتی که اون محصول یا اون خدمات باید داشته باشه که مشتری اون رو بپسنده بازگشت بیشتری داشته باشه و جلوگیری کنه و از دست دادنش رو داشته باشیم و هم می‌تونیم کلاً بحث طراحی محصول رو ببریم به سمت اینکه از هوش مصنوعی استفاده کنیم ی پروموشن‌هامون باید چه قیمتی داشته باشیم و اینکه ما چطوری می‌تونیم سبد محصول درست کنیم چطوری میتونیم باندل برای محصول اطلاعات رفتاری مشتریان اطلاعات خرید مشتریان توی فروشگاه‌های مختلف در حال ثبت شدن یه فروشگاه الکترونیک دقیقاً می‌دونه که من در چه زمانی چه محصولی رو با چه محصولی خرید نم می‌تونه پیش‌بینی کنه که من چه رفتاری بکنم بنابراین این فروشگاه توی بهترین حالتش می‌تونه به من پیشنهادی بده که کاملاً شخصی سازی شده بر اساس نیاز من میتونه به من پروموشن پیشنهاد بده که محصول اول و محصول دوم 

یادگیری نظارت شده عملاً ما داده و لیبل مربوط به اون داده رو با همدیگه در اختیار ماشین قرار می‌دیم و بعد اشین بر اساس اون میاد خروجی می‌گیره در واقع استفاده کنیم که پیش‌بینی بکنیم ده‌هامون هم به صورت عددی ممکنه نباشه تو این حالت داده‌ها رو به صورت خام در اختیار ماشین قرار می‌دیم و ماشین بر اساس اون میاد پیش‌بینیش را انجام میده ماشین بر اساس اون میاد خروجی مناسب را به ما میده مثل اینکه ما از ماشین می‌خوایم که بیاد بر اساس خصوصیات رفتاری مشتریانمون بیاد بخش‌بندی داشته باشه داده‌های مشتریان رو در اختیارش می‌ذاریم و اون ماشین بیاد بخش‌بندی داشته باشه برای مشتریان سوم یادگیری ماشینی میشه یادگیری تقویت شده یا رینفرسمنت لرنینگ تو این حالت ما داده رو در کنار یک هدف در اختیار ماشین قرار می‌دیم و ماشین بر اساس اون میاد خروجی رو به ما میده توی این حالت چیزی هستش که ما از ماشین می‌خوایم تعداد یا در واقع فرایندهای مختلفی رو بیاد اجرا با شرایط مختلف داشته باشه برای اینکه ما رو به اون هدفی که براش مشخص کردیم برسونه به اون کیپی‌هایی که براش مشخص کردیم برسونیم مثل اینکه فرضاً از ماشین می‌خوایم یک تبلیغات برنامه‌ریزی شده‌ای رو مدیریت بکنه برای اینکه ما برسیم به سطح مشخصی از فرزند اورنس برسیم ه اینها میره به سمت اینکه ما برای ماشین یک هدف رو قرار دادیم و ماشین هستش که فرایندها و بخش‌های مختلف اون رو دسته بندی میکنه و انجامشون می‌ده نمونه‌های مختلفی هم وجود داره هر کدوم از اینها کاربردهای مختلفی میتونه داشته باشه که قابل بررسی توی بحث سوپروایز لرنینگ ما ممکنه بریم سمت رگرسی بریم سمت کلاسیکیشن برای اینکه توی رگرسیون فرضا پیش بینی داشته باشیم و توی کلاسیفیکیشن بخواهیم طبقه بندی داشته باشیم توی آن سوپروایز لرنینگ ما استفاده میکنیم از اینکه بخوایم ارتباطات معنادار بین داده ها رو شناسایی کنیم بخواهیم داده ها را بخش بندی کنیم یا بریم به سمت اینکه بیگ دیتاها رو بخوایم آنالیز بکنیم هر کدوم از اینها توی بازاریابی می‌تونه کاربردهای مختلف و خروجی‌های مختلفی رو برای ما ایجاد بکنه  کسی که توی این حوزه کار می‌کنه باید با توجه به نیازی که داره و خروجی که می‌خواد بگیره بیاد بره به سمت اینکه اون شبکه عصبی که می‌خواد رو بسازه و اون رو پیاده سازی ر بازاریابی رو بخوایم شناسایی کنیم یک نکته‌ای که وجود داره اینه که چرا امروز زمانی هستش که ما باید به سمت این بریم که از هوش مصنوعی استفاده کنیم یعنی در نظر بگیرید از سال ۱۹۵۰ که این موضوع مطرح شده تا به امروز این همه سال که گذشته در نهایت چرا ما امروز زمانی هستش که میتونیم از این تکنولوژی استفاده کنیم در درجه اول یکی از عامل‌هایی که تأثیرگذار هست برای این موضوع اینه که حجم دیتایی که در دسترس قرار داره برای تحلیل حجم دیتای بسیار بالایی هست یعنی گسترش ابزارهای دیجیتال گسترش در واقع آیتی ها باعث افزایش این حجم دیتا شد رحله بعدی عامل تاثیرگذار بعدی قدرت پردازش هست یعنی این قدرت پردازش کمک میکنه که ما بتونیم حجم دیتای بسیار بالایی رو تحلیل بکنیم و ازش خروجی مناسبی که می‌خوایم رو بگیریم پارامتر بعدی که خیلی تاثیرگذاره بحث پردازش ابری هست و اینکه ما دیگه محدود به یه دیتابیس و یک پایگاه داده برای تحلی 

محدود به یه دیتابیس و یک پایگاه داده برای اون تحلیلمون نیستیم و می‌تونیم از فضای ابری استفاده کنیم برای اینکه مدل‌های خودمون رو گسترش بدیم پارامتر بعدی رو بررسی بکنیم به طور کلی ما اومدیم این کاربردها رو به شش دسته تقسیم کردیم اولین کاربرد میشه کاربرد هوش مصنوعی توی تحلیل کسب و کار و هوش کسب و کار یعنی ما میایم کاربرد توی مرحله بعد می‌تونیم می‌تونیم هوش مصنوعی رو توی تحلیل تصویر بررسی

 بکنیم بعد از اون به سراغ کاربرد هوش مصنوعی توی بازاریابی عملکرد یعنی ما باید یک تحلیل این مرحله ما دیگه برای ماشین مشخص نمی‌کنیم که این ریز فعالیت‌ها رو باید به چه شکل انجام بدیم ما برای ماشین مشخص می‌کنیم که باید به این کی پی آی برسه و ماشین هستش که اون تسک‌ها و اون فرایندها را انجام میده تا اون خروجی که باید رو بگیره نی این موضوع می‌تونه به نیروهای ما به پرسنل ما کمک کنه که اون پرسنل ابتدای صبح یک گزارش آماده شده از کل فعالیت‌هایی که رقباشون انجام دادن داشته باشن و بخوان بر اساس اون کاری رو انجام بدم و این موضوع کمک می‌کنه که ما بتونیم مسائل پیچیده‌تری رو توی کسب و کارمون حل بکنیم قدر که داده‌مون به روز می‌شه نیاز نباشه که ما دوباره یک بازه زمانی چند روزه رو بذاریم برای و اون ماشین خودش میتونه نه تنها طبق الگوهای قبلی پیش‌بینی داشته باشه و تحلیل داشته باشه بلکه حتی بیاد الگوها و تحلیلی هم که انجام میده رو بیاد اصلاح بکنه و بره به سمت اینکه ما اگر پارامتر جدیدی بهمون اضافه می‌شه یا اینکه اون پارامتر اهمیت پیدا می‌کنه که نیاز داره مدل قبلیمون اصلاح بشه این کار رو بتونه انجام بده و در نهایت می‌تونیم بگیم که توی اون حوزه ما فرایند تحلیل داده و فرایند نشون دادن داده توی یک bi می‌تونیم فرایند پیچیده‌ای باشه هوش مصنوعی می‌تونه بیاد این فرایند رو ساده سازی بکنه از جمع آوری اطلاعات گرفته تحلیلش گرفته و پیش‌بینیش گرفته رو بخواد به طور کامل انجام بده و نیاز نباشه که ما صرفاً از bi اون استفاده کنیم برای اینکه یه حجم داده رو نشون بدیم ما توی این مرحله ما از biی‌ها استفاده می‌کنیم برای اینکه آنالیز تشخیصی رو بخوایم انجام بدیم پس باید برسیم به چرایی و هوش مصنوعی میتونه این فرایند رو کاملاً ساده‌سازی کنه

کاربرد بعدی هوش مصنوعی میاد توی حوزه محتوا و توی حوزه بازاریابی مکالمه‌ای مطرح می‌شه حوزه بازاریابی محتوایی یه حوزه در حال رشد هستش توی کسب و کارهای مختلف و ما امروز نمی‌تونیم کسب و کاری رو در نظر بگیریم که توی فرایندهای مختلفش محتوای مربوط به خودش رو تولید نمی‌کنه برای مشترش ایمیل نمی‌فرسته توی فضایی مثل رسانه داریم محتواهای مختلفی رو تولید می‌کنیم و اون محتوا رو ممکنه توی فعالیت‌های مختلف کسب و کارمون استفاده کنیم یه فعالیتی حتی مثل حوزه سئو رو اگر در نظر بگیریم ما عملاً داریم از بازاریابی محتوایی درون فعالیت حوزه سئون استفاده ازاریابی مکالمه‌ای در کنارش میشه اینکه ما چه فعالیت‌ها و چه مکالماتی توی کسب و کار ما وجود داره از زمانی که یک فروشندمون داره با یک مشتریمون صحبت میکنه بازاریابی مکالمه ای هست تا ممکنه اینکه ما یک مشتری ما تماس بگیره با واحد امور مشتریان و بخواد شکایت خودش رو مطرح بکنه همه این‌ها حوزه‌ای هستش که می‌تونه توی بازاریابی مکالمه‌ای تحلیل بشه هدف ما اینه که ما فعالیتی انجام بدیم که بتونه این مکالمات بتونه این متن‌ها و بتونه این محتواها رو تحلیل بکنه هوش مصنوعی چه کمکی می‌تونه به ما تو این حوزه کنه در نظر بگیرید که ما با استفاده از الگوریتم های حوزه ان الپی یا در واقع پردازش زبان طبیعی این امکان رو داریم که بیایم یک آنالیز عواطف و احساسات رو داشته باشیم مشتری ما یک کامنتی رو برای کسب و کارمون گذاشت مثلاً شما می‌خواین تحلیل کنید ببینید که چند درصد از کامنت‌هایی که توی در واقع سوشالتون قرار می‌گیره کامنت‌های مثبت هست که ممکنه خیلی مخرب باشهمون در مورد یا اخباری که حتی در مورد کسب و کارمون منتشر میشه به چه شکل هستش و اون‌ها چه عواطف و احساساتی پشتشونه و در عین حال خودمونم اگر می‌خوایم محتوای منتشر کنیم با توجه به پرسونای مشتریمون می‌تونیم محتوا رو دقیقاً با توجه به اون پرسونا تبدیل کنیم و آماده‌سازی کنیم مذاکره کردن زه‌ای باشه که توی وبسایت‌ها استفاده بشه برای اینکه ما در واقع بخوایم از اون استفاده کنیم برای اینکه یک لید رو یک سرنخ رو تبدیل کنیم به یک لید با کیفیت تبدیل کنیم به یه کوالیفید یا اینکه حتی اون کوالیفای دید رو تبدیلش کنیم به یک فروش قطعی چتبات‌ها می‌تونن استفاده شن برای اینکه پشتیبانی محصول ۲۴ ساعته از مشتریامون حمایت کنیم و باهاشون در ارتباط باشیم دی میشه بحث در واقع تشخیص صوتی اینکه ما می‌تونیم تمامی صوت‌هایی که توی کسب و کارمون وجود داره رو ببریم به سمت اینکه تحلیلشون بکنیم و اون‌ها رو تبدیل به متنشون کنیم برای فعالیت‌های بعدیمون کاربرد بعدی میشه اطلاعات مفیدی رو بخواهیم خروجی بگیریم برداشت بکنیم در نظر بگیرید که به طور روزانه چه حجم اطلاعاتی داره توی یک فضایی مثل وب منتشر میشه اینکه شما دقیقاً بدونید که روند تفکر مشتری‌تون به چه شکله دارند در مورد چه چیزی صحبت می‌کنن رقباتون دارن از چه موضوعی استفاده می‌کنن چه استراتژی رو دارن چه تاکتیکی رو دارن پیاده می‌کنن می‌تونه با این حوزه انجام بشه یعنی ما با ان ال پی میتونیم تمامی داشته باشیم یا بحث اینکه ما بخواهیم ترجمه ماشینی رو داشته باشیم اینکه شما ممکنه که بخواین یک اطلاعات رو برای افراد مختلفی ارسال کنید که زبان‌های مختلفی داشته باشند و در نهایت می‌تونیم بگیم که انرژی این امکان رو میده که ما توی فضایی مثل در واقع یادگیری ماشینی و یادگیری عمیق بتونیم متن تولید کنیم محتوا آماده بکنیم طبق پرسنایی که برای مشتریمون مشخص می‌کنیم و بتونه این کار رو  توجه به عواطف و احساساتش داشته باشه این موضوع ما رو بسیار کمک می‌کنه که ما بتونیم عملاً محتوایی که تولید می‌کنیم شخصی سازی شده با توجه به نیاز مشتری با توجه به احساسات مشتری بشه و واقعاً کاربرد داشته باشه و روی مشتریمون بخواد تاثیر بذاره کاربرد بعدی ن کاربرد میاد به طور مستقیم استفاده می‌کنه از تکنولوژی های حوزه بینایی ماشینی یا کامپیوترژن مثل در واقع nlp برای متن ما با استفاده از اون می‌تونیم اطلاعاتی که توی یک عکس یا توی یک ویدیو وجود داره رو استخراج بکنیم تحلیل کنیم و بتونیم با توجه به اون کاری را انجام بدیم این موضوع می‌تونه کاربردهای زیادی رو توی حوزه بازاریابی ایجاد بکنه توای تصویری که می‌تونه با فضاهای مختلف لوکیشن‌های مختلف برای ما ایجاد بشه بدون اینکه نیاز باشه عملاً ما بخواهیم هزینه زیادی بابت این کار داشته باشیم این محتوای تصویری دست در واقع افرادی که توی حوزه تولید محتوا هستند رو بسیار باز می‌ذاره که اون‌ها بتونن تعداد محتوای بیشتری رو تولید بکنن و تعداد محتوایی رو تولید کنند که بتونه به درد مشترشون بخوره و مشتریشون اون موضوع رو بیشتر بپسده کاربرد بعدی این موضوع میشه اینکه ما بخوایم از تصاویر برند آبجکت‌ها رو بخوایم شناسایی بکنیم در نظر بگیرید که می‌تونه شما از در واقع عکس‌هایی که مشتریان شما براتون ارسال می‌کنند یا توی فضایی مثل رسانه‌های اجتماعی دارن به اشتراک می‌ذارن تحلیل کنید که این‌ها از چه برندهایی استفاده می‌کنند یقه مشترتون رو شناسایی کنید یه فضایی مثل یک فروشگاه فیزیکی رو در نظر بگیرید از تصویری که داره دوربین‌های در واقع اون فروشگاه ثبت می‌کنه شما می‌تونید دقیقاً تشخیص بدید که مشتری‌تون از چه محصولی استفاده می‌کنه چه برندیو استفاده می‌کنیم و اگر قراره پیشنهادی رو بهش بدین یا سلیقه اون رو شناسایی کنید بتونید از این فایل‌های تصویری استفاده کنید رد بعدی این موضوع می‌ره به سمت اینکه ما سرچ بر مبنای عکس داشته باشیم این موضوع می‌تونه با تشخیص یک محصول و سرچ کردن با استفاده از پیدا کردن شباهت‌ها اتفاق می‌افته یعنی ما استفاده بکنیم از اینکه اگر فرضا یک عکسی دیده میشه یک کالایی دیده میشه مشتری به راحتی بتونه با گرفتن یک عکس ازش اون کالا رو بدونه که از کجا خرید بکنه و چطور می‌تونه اون کالا رو به دست بیاره این موضوع خیلی کمک می‌کنه توی فروشگاه‌های الکترونیک که بخوان این امکان رو برای مشترشون ایجاد اربرد بعدی این هستش که ما بیایم توجه مشتری و عواطف و احساسات مشتری رو تشخیص بدیم در نظر بگیرید زمانی که یک مشتری داره در واقع یک تبلیغیو نگاه می‌کنه اون مشتری ممکنه با دیدن اون تبلیغ خوشحال بشه ناراحت بشه اصلاً واکنشی نشون نده عصبانی بشه حوزه‌ای مثل زیورآلات باشه مثل حوزه‌ای مثل آرایشی باشه مثل حوزه‌ای مثل در واقع پوشاک باشه

 ا بتونیم ارتباط دو طرفه‌ای با مخاطبامون داشته باشیم و بتونیم تحلیل داشته باشیم از رفتار توی سال‌های اخیر بازاریابی عملکردی به قدری گسترش پیدا کرده که داره به جایی می‌رسه که عملاً بخش‌های زیادی از بازاریابی دیجیتال را در بر می‌گیره و این موضوع بسیار مهم شد یه فعالیتی رو در نظر بگیرید مثل اینکه شما تبلیغاتتون رو از طریق دیسپلی بنرها داشته باشید  فعالیتی رو در نظر بگیرید مثل اینکه ما می‌خوایم امروز سئو وبسایتمون رو بهبود بدیم یه فعالیتی مثل اینکه ما می‌خوایم بحث بازاریابی شبکه اجتماعی چه کمکی بهش بکنه از از هوش مصنوعی می‌تونیم توی این استفاده کنیم که بیایم تبلیغات برنامه‌ریزی شده‌ای رو داشته باشیم یعنی هوش مصنوعی بیاد تعیین بکنه که ما کی تبلیغ کنیم کجا تبلیغ کنیم چه پیامی رو بخوایم به مشتریمون منتقل بکنیم از چه چنلی استفاده کنیم از چه کانالی استفاده کنیم توی اون کانال چه چه پیامی رو بخوایم منتقل بکنیم چه چیزی رو بخوایم با مشتریمون برسونیم اصلاً برای چه مشتریون باید امروز اطلاعات بفرستیم فاز هوش مصنوعی می‌تونه این موضوع رو مدیریت بکنه کاربرد دیگر نرخ تبدیل بهتری داشته باشیم چه فعالیتی رو باید انجام بدیم که این نرخ تبدیل بخواد بهبود پیدا کنه و گسترش بشه بعدی اینه که هوش مصنوعی می‌تونه کمک کنه که ما مدیریت کانال‌ها رو داشته باشیم یعنی فرض کنیم که شما توی یک حوزه‌ای کار می‌کنید که هم دارید از ایمیل مارکتینگ استفاده میکنید هم دارید ترافیک به صورت مستقیم دارید ترافیک از طریق سرچ انجین ها رو دارید ترافیک از طریق سوشال رو دارید همه اینها میتونه توسط هوش مصنوعی مدیریت بشه و تعیین کنه که کدوم یکی از این حوزه‌ها باید بهبود پیدا بکنه توی کدوم یکی از این حوزه‌ها باید سرمایه‌گذاری بشه و کدوم یکیشون نیاز به تغییر و اصلاح خواهد داشت کاربرد بعدی میشه اینکه ما بخواهیم از هوش مصنوعی استفاده کنیم که توی بودجه بازاریابی به ما کمک بکنه و نرخ‌های برگشت سرمایه‌مون رو بخواد بهبود بده توی باز در کل بتونیم از کمپین‌های بازاریابی خروجی بهتری رو بگیریم و مشتریان بیشتری رو تحت تاثیر قرار بدیم فروش بیشتری رو داشته باشیم فعالیت‌های مختلف کانال‌های مختلف و پیام‌های مختلفمون رو بیایم بهینه‌سازی کنیم و بهبود بدیم کاربرد بعدی هوش مصنوعی میاد توی بحث تحلیل رفتار مصرف کننده ه تاثیری توی رفتار مشتریمون ایجاد می‌کنه اطلاعاتی که توی شبکه‌های اجتماعی و رسانه‌های اجتماعی منتقل میشن و به دست مشتریمون می‌رسن چه تاثیری ایجاد می‌کنه یایم نگاه کنیم ببینیم که وضعیت بازار می‌تونه چه تغییری ایجاد بکنه هوش مصنوعی می‌تونه اینجا کمک زیادی رو به ما کنه ی ساختار یافته سروکار داریم شاید این تحلیل راحت‌تر باشه اما زمانی که می‌رسیم به حوزه رفتارشناسی و علی‌الخصوص به حوزه روانشناسی این کارو بسیار مشکل می‌کنه و این صحبت ما رو ببره به سمت اینکه ببینیم که چه دلیلی پشت اون رفتارشون هستش ولی عملاً ما با استفاده از تکنولوژی‌های حوزه هوش مصنوعی ما می‌تونیم از روی نتیجه کار آنها بخواهیم این تحلیل رو انجام بدیم و بیایم تحلیل رفتاری و تحلیل روانشناسی رو توی سطح بهتری انجام بدیم داده‌های بیشتری در دسترسمونه از روی نوع محصولی که شخص خرید می‌کنه از روی رفتاری که تو یک فضایی مثل در واقع سوشال داره فضایی مثل شبکه‌های اجتماعی داره از روی متن که می‌نویسه کامنتی که می‌ذا نظری که میده مکالمه تلفنی که انجام میده ما می‌تونیم برسیم به اینکه رفتار اون مشتری رو بهتر تحلیل کنیم و بخوایم خروجی و پیش‌بینی بهتری بر مبنای اون رفتار ایجاد بکنیم می‌تونیم اینجوری نتیجه بگیریم که کاربرد هوش مصنوعی توی تحلیل رفتار مصرف کننده ما رو به سمت این می‌بره که ما بتونیم بخشبندی بازار بهتری رو داشته باشیم قدر که ما بخش‌بندی و به صورت کوچک‌تر داشته باشیم می‌تونیم رفتار اون مشتری رو بهتر بشناسیم و بر مبنای اون رفتار بیایم پیشنهاد بهتری به مشتریمون ارائه بدیم این موضوع ما رو کمک می‌کنه که ما بتونیم در نهایت به سمت این بریم که شخصی سازی تر عمل بکنیم و پیشنهادها محصول‌ها و خدمات خودمون رو به اون مشتریمون به صورت شخصی سازی شده ارائه بدیم  مشتری که امروز یک پروموشن شخصی سازی دریافت می‌کنه وقتی که وارد یک فروشگاه میشه و اون فروشگاه تشخیص میده که اون شخص وارد فروشگاه شده و دقیقاً همون جا یک پروموشنی رو برای اون شخص می‌فرسته با توجه به اینکه می‌دونه مشتری قبلاً چی خرید کرده و قدم بعدیش چیه چی می‌خواد خرید کنه چه محصولی رو با چه ویژگی می‌خواد خرید کنه اون پروموشن پروموشنی هستش که واقعاً اثرگذاره ما به جای اینکه بیایم بودجه پروموشن و بودجه در واقع بازاریابی‌مون رو اختصاص بدیم به همه افراد و اثربخشی مشتریانمون چطور دارن از یک محصول استفاده می‌کنند این موضوع به ما کمک می‌کنه که ما دقیقاً ببینیم که کدوم مشتری ممکنه که برگرده ما این امکان رو میده که داده‌های زیادی رو تحلیل بکنیم توی بیزینس‌های حوزه دیجیتال که مشتریان مختلف و داده‌های مختلفی رو در اختیار داریم دیگه نیازی نیست ما به سمت این بریم که صرفاً بخش‌بندی داشته باشیم ما می‌تونیم برای هر یک از مشتریان این تحلیل رو داشته باشیم و می‌تونیم برسیم به جای اینکه ما در واقع به صورت کلی تصمیم‌گیری کنیم محصول ویژگی‌ها فیچرها ین حال زمانی که ما می‌ریم به سمت اینکه بخواهیم از تکنولوژی‌های دیگه‌ای در کنار در واقع هوش مصنوعی استفاده کنیم مثل تکنولوژی‌هایی مثل خواسته مشتری و با استفاده از نیاز بازار طراحی بکنیم و خود هوش مصنوعی بیاد این طراحی محصول رو داشته باشه و بتونیم محصولی رو به بازار عرضه کنیم که واقعاً کاربرد داشته باشه بتونیم به جای اینکه صرفاً ۱۰ گروه محصول داشته باشیم شاید ۱۰۰ گروه محصول داشته باشیم پس ما توی این حوزه هم می‌تونیم فیچرها و خصوصیاتی که اون محصول یا اون خدمات باید داشته باشه که مشتری اون رو بپسنده بازگشت بیشتری داشته باشه تو پروموشن‌هامون باید چه قیمتی داشته باشیم و اینکه ما چطوری می‌تونیم سبد محصول درست کنیم چطوری می‌تونیم باندل برای محصولمون درست بکنیم اطلاعات رفتاری مشتریان اطلاعات در حال ثبت شدن یه فروشگاه الکترونیک دقیقاً می‌دونه که من در چه زمانی چه محصولی رو با چه محصولی خرید می‌کنم می‌تونه پیش‌بینی کنه ر واقع اون پروموشن‌ها به صورت کلی طراحی بشه در عین حال که توی فروشگاه‌های الکترونیک وجود داره اطلاعاتی که روی فضای وب وجود داره اطلاعاتی که توی وبسایت‌های یمت وجود داره همه این اطلاعات قابلیت جمع‌آوری داره توسط هوش مصنوعی فعالیت‌هایی مثل وب اسکپینگ و وب‌پرالینگ و استفاده بکنیم ما بتونیم قیمت اون سبد و باندل را هم برای مشتریمون با توجه به سطح خریدش با توجه به میزان آمادگیش و با توجه به ارزیابی که از قیمت داره به صورت اثربخش قیمت ارمون پیاده کنیم باید موارد مختلفی رو در نظر بگیریم تو این قسمت می‌خوایم به این اشاره کنیم که چطور می‌تونیم این کارو انجام بدیم چه نیازمندی‌هایی داریم و در نهایت چه فعالیت‌هایی رو باید برای این به کارگیری انجام بدیم توی سال ۲۰۱۸ رئیس هیئت مدیره نوکیا یک مصاحبه‌ای رو انجام داد و توی اون مصاحبه اعلام کرد که تمامی پرسنل شاغل توی شرکت نوکیا از جمله خود اون باید دانش هوش مصنوعی داشته باشه دانش یادگیری ماشین داشته باشه این موضوع نشون دهنده اینه که ما باید دانش حوزه هوش مصنوعی رو توی سازمان خودمون گسترش بدیم به این دلیل که افراد در فعالیت‌ها و فرایندهای مختلف پاد از این دانش به ما نشون بدن که چه کاری می‌تونه بهبود پیدا کنه چه فضایی می‌تونه تغییر پیدا کنه چه روندی می‌تونه تغییر داده بشه نایع مختلف توی حوزه در واقع حوزه‌های مختلف کاری ممکنه انرژی مثل اتومبیل صنایع مثل در واقع حوزه رسانه‌ها مثل حوزه در واقع فروشگاه‌ها حوزه‌های سلامت حوزه‌های مشتریان اینها هم حوزه‌هایی هستند که توی لول دوم دارن کار می‌کنن توی بهکارگیری هوش مصنوعی و در نهایت صنایع مثل آموزش مثل ساختمان مثل تولید مثل در واقع حمل و نقل سفری و این صنایع وجود داره متفاوته هرچقدر این اطلاعات اطلاعاتی باشند که ساختار یافته تر به کارگیری هوش مصنوعی هم راحت‌تر می‌شه تو اون صنایع و هر چقدر این اطلاعات بره به سمت اینکه اطلاعات ساختار نیافته باشه سرمایه‌گذاری بیشتری باید انجام بشه و در عین حال باید فعالیت بیشتری انجام بشه که بخواد هوش مصنوعی تو اون صنعت پیاده‌سازی بشه موسسه مکن پروژه اجرای این حوزه را هم داشته باشد و باید بتونن این موضوع را پیاده سازیش کنند ببینند که برای اینکه یک پروژه حوزه بازاریابی هوش مصنوعی توی سازمانی ایجاد بشه چه نیازهایی داره چه فرایندهایی داره چه منابعی رو نیاز داره حالا این برنامه نویسی ممکنه با زبان‌های مختلفی انجام بشه بهترین نامه‌ریزی حوزه هوش مصنوعی زبان برنامه‌نویسی پایتونه که افراد کسب و کار داریم چه علاقه‌ای داریم برای یادگیری چه توانمندی‌هایی داریم برای یادگیری و در نهایت چه روند شغلی رو برای خودمون مدظر قرار داده تحلیلگران

 تیم توی یک شرکت بزرگ ممکنه این فعالیت توسط ۲۰ نفر انجام بشه توی شرکتی مثل یک شرکت نه با یک شرکت استارت‌آپی ممکنه همه این فعالیت رو یک نفر انجام بدن اینکه شما امروز تصمیم بگیرید که چه فعالیتی رو انجام بدید چه روندی رو توی کسب و کارتون پیش بگیرید مشخص می‌کنه که باید چه چیزی رو یاد بگیرید و چه چیزی رو توی چه سطحی بخواین فرا بگیرید یه فردی که می‌خواد به عنوان یک دانشمند داده باشه با یه فردی که می‌خواد به عنوان یک مهندس داده فعالیت بکنه با یه فردی که می‌خواد به عنوان یه تحلیلگر داده کار بکنه این‌ها دانش‌های متفاوتی رو نیاز دارند برای اینکه بخوان کار بکنن یک تحلیلگر داده باید بدونه باید آمار بلد باشه باید بدونه چطور دیتا رو تبدیل به چارت کنه به صورت ویژوال نشونش بده یه کسی که به عنوان مهندس داده کار میکنه باید حوزه داده‌های کلان حوزه‌های نرم‌افزاری رو بلد باشه یه شخصی که به عنوان دانشمند داده کار میکنه علاوه بر اینکه باید اون دانش رو داشته باشه باید اطلاعات خوبی هم توی حوزه کسب و کار داشته باشه و روندهای اون کسب و کار رو بشناسه در نهایت می‌تونیم این تقسیم بندی رو داشته باشیم که ما برای کار به کارگیری بازاریابی هوش مصنوعی توی کسب و کارمون ز به داشتن دانش حوزه هوش مصنوعی و تئوری‌های اون نیاز به داشتن دانش حوزه بازاریابی و تئوری‌های اون نیاز به داشتن روحیه حل مسئله و دانش فرایندی داریم این چهار تا در کنار هم هستش که یک شخص می‌تونه توی حوزه بازاریابی هوش مصنوعی به عنوان یک متخصص کار بکنه باید چه مراحلی رو انجام بده یک سازمان باید چه کاری انجام بده ما توی قدم اول باید بیایم استراتژی‌مون رو مشخص کنیم توی اون استراتژی یا حوزه هوش مصنوعی بیایم مشخص کنیم که چه فعالیت‌هایی رو می‌خوایم انجام بدیم اون رو با چه تاکتیک‌هایی می‌خوایم بیایم انجام بدیماین موضوع رو در نظر داشته باشید که امکان اینکه یک کسب و کاری که در حال فعالیت هست به طور یک مرحله‌ای بخواد هوش مصنوعی توی تمامی ابعاد سازمانش پیاده کنه شاید بسیار پایین باشه و شاید اصلا صحیح نباشه یعنی ما بهتره که بیایم قدم به قدم و بخش بخش این موضوع رو پیاده بکنیم برای اینکه افراد مختلف بدونند که باید چه کارهایی را انجام بدن چه بخش‌هایشونو با هوش مصنوعی بهبود بدن پس توی قدم دوم ما میایم پروژه‌هایی رو به صورت پایلوت اجرا می‌کنیم که ببینیم که کدومشون ایراد داره کدومشون خوب انجام میشه و خروجی‌های مختلفش رو بخوایم

 قسمت بعدی ما سعی می‌کنیم بریم به سراغ اینکه تیم های حوزه بازاریابی هوش مصنوعی پیاده کنیم تیم های که میتونن کمک بکنند که ما بتونیم اون روند رو پیاده کنیم توی مرحله بعدی ما باید آموزش و دانش حوزه هوش مصنوعی رو توی سازمان خودمون گسترش بدیم و در نهایت بخواهیم ارتباطات داخلی و ارتباطات بیرونی سازمانمون رو بر مبنای حوزه هوش مصنوعی تغییر بدیم فردی که قراره این کار توی سازمان پیاده کنه و بازاریابی 

با آزمایشی که انجام میده بتونه اون فعالیت رو بهبود بده اون شخص باید ریسک‌پذیر باشه و ریسکو درک بکنه و در نهایت ارتباط خوبی با مدیران ارشد سازمان داشته باشه برای اینکه اون‌ها رو به سمت این ببره که تصمیم‌گیری بهتری و شخصی باشه که از چالش و جنگیدن با یک مسئله نترسه و چه فعالیتی رو باید انجام بده .

مطالب مرتبط در همین سایت

بیوگرافی احمد خیامی 55 ایده کسب و کار خانگی که می توانید از آن ها کسب درآمد کنید بیوگرافی محمد عصارزادگان زندگی نامه وارن بافت ، ثروتمندترین فرد جهان در سال 2008 بیوگرافی حسین ثابت بکتاش راه های کسب درآمد: 24 راه اثبات شده برای کسب درآمد سریع بیوگرافی بیژن پاکزاد بیوگرافی اسدالله عسگراولادى کودک محمد گرامی؛ تاجر و سرمایه‌گذار ایرانی بیوگرافی شکوه السادات هاشمی درس‌ زندگی از میشل اوباما