کاترین کوت استاف
ترجمه پیمان پوررجب

تجزیه و تحلیل تجویزی چیست؟
تجزیه و تحلیل تجویزی فرآیند استفاده از داده‌ها برای تعیین یک مسیر بهینه عمل است. با در نظر گرفتن تمام عوامل مرتبط، این نوع تجزیه و تحلیل توصیه‌هایی را برای مراحل بعدی ارائه می‌دهد. به همین دلیل، تجزیه و تحلیل تجویزی یک ابزار ارزشمند برای تصمیم گیری مبتنی بر داده است.

الگوریتم‌های یادگیری ماشینی اغلب در تحلیل‌های تجویزی برای تجزیه مقادیر زیادی از داده‌ها سریع‌تر و اغلب کارآمدتر از انسان‌ها استفاده می‌شوند. الگوریتم‌ها با استفاده از گزاره‌های «اگر» و «دیگر»، داده‌ها را بررسی می‌کنند و توصیه‌هایی را بر اساس ترکیب خاصی از الزامات ارائه می‌کنند. به عنوان مثال، اگر حداقل 50 درصد از مشتریان در یک مجموعه داده انتخاب کنند که از تیم خدمات مشتری شما "بسیار ناراضی" هستند، الگوریتم ممکن است آموزش‌های بیشتری را توصیه کند.

توجه به این نکته مهم است: در حالی که الگوریتم‌ها می‌توانند توصیه‌های مبتنی بر داده‌ها را ارائه دهند، نمی‌توانند جایگزین تشخیص انسان شوند. تجزیه و تحلیل تجویزی ابزاری برای اطلاع رسانی تصمیمات و استراتژی‌ها است و باید با آن رفتار شود. قضاوت شما برای ارائه زمینه و ریل محافظ برای خروجی‌های الگوریتمی ارزشمند و ضروری است.

در شرکت خود، می‌توانید از تجزیه و تحلیل تجویزی برای انجام تحلیل‌های دستی، توسعه الگوریتم‌های اختصاصی یا استفاده از ابزارهای تجزیه و تحلیل شخص ثالث با الگوریتم‌های داخلی استفاده کنید.

6 نمونه از تجزیه و تحلیل تجویزی در عمل
1. سرمایه خطرپذیر: تصمیمات سرمایه گذاری
تصمیم‌های سرمایه ‌گذاری، اگرچه اغلب بر اساس احساسات درونی است، می‌توانند با الگوریتم‌هایی تقویت شوند که ریسک‌ها را ارزیابی می‌کنند و پیشنهاد می‌کنند که آیا سرمایه‌گذاری شود یا خیر.
یک مثال در فضای سرمایه گذاری خطرپذیر، آزمایشی است که در هاروارد بیزینس ریویو توضیح داده شده است که اثربخشی تصمیمات یک الگوریتم را در مورد اینکه کدام استارتاپ باید در آن سرمایه گذاری کند را در مقایسه با تصمیمات سرمایه گذاران فرشته آزمایش کرد.
یافته‌ها دارای تفاوت‌های ظریف بودند. این الگوریتم از سرمایه‌گذاران فرشته‌ای که تجربه کمتری در سرمایه‌گذاری و مهارت کمتری در کنترل سوگیری‌های شناختی خود داشتند، بهتر عمل کرد. با این حال، سرمایه گذاران فرشته زمانی که در سرمایه گذاری تجربه داشتند و قادر به کنترل سوگیری‌های شناختی خود بودند، از الگوریتم بهتر عمل کردند.
این آزمایش نقش مکملی را که تجزیه و تحلیل تجویزی باید در تصمیم‌گیری ایفا کند و پتانسیل آن برای کمک به تصمیم‌گیری در زمانی که تجربه وجود ندارد و سوگیری‌های شناختی نیاز به نشانه­گذاری دارند، روشن می‌کند. یک الگوریتم فقط به اندازه داده‌هایی که با آن آموزش داده شده است بی طرف است، بنابراین قضاوت انسان در مورد استفاده از یک الگوریتم یا عدم استفاده از آن لازم است.

2. فروش: امتیازدهی سرب
تجزیه و تحلیل تجویزی از طریق امتیازدهی به سرنخ که به آن رتبه‌بندی سرنخ نیز می‌گویند، نقش برجسته‌ای در فروش بازی می‌کند. امتیازدهی سرنخ فرآیند تخصیص یک مقدار امتیاز به اقدامات مختلف در طول قیف فروش است که به شما یا یک الگوریتم امکان می‌دهد تا سرنخ‌ها را بر اساس میزان احتمال تبدیل آنها به مشتری رتبه‌بندی کنید.

اقداماتی که می‌توانید برای آنها مقدار تعیین کنید:
بازدید از صفحه
تعاملات ایمیلی
جستجوهای سایت
تعامل با محتوا، مانند شرکت در وبینارها، دانلود کتاب‌های الکترونیکی یا تماشای فیلم

هنگامی که به هر اقدام یک مقدار امتیاز اختصاص می‌دهید، بیشترین تعداد امتیاز را به مواردی که دلالت بر قصد خرید دارند (به عنوان مثال، بازدید از یک صفحه محصول) و امتیازات منفی را به مواردی که قصد خرید را نشان می‌دهند (به عنوان مثال، مشاهده آگهی‌های شغلی در سایت خود) اختصاص دهید. این می‌تواند به اولویت‌بندی دسترسی به سرنخ‌هایی که به احتمال زیاد به مشتریان تبدیل می‌شوند، کمک کند و به طور بالقوه باعث صرفه‌جویی در وقت و هزینه سازمان شما شود.

3. مدیریت محتوا: توصیه‌های الگوریتمی
اگر تا به حال از طریق یک پلت فرم رسانه‌های اجتماعی یا برنامه دوستیابی پیمایش کرده باشید، احتمالاً از طریق توصیه‌های محتوای الگوریتمی، تجزیه و تحلیل تجویزی را از نزدیک تجربه کرده‌اید.
الگوریتم‌های کسب‌وکارها داده‌ها را بر اساس سابقه تعامل شما در پلتفرم‌هایشان (و احتمالاً سایرین) جمع‌آوری می‌کنند. ترکیب رفتارهای قبلی شما می‌تواند به عنوان محرکی برای الگوریتمی عمل کند تا یک توصیه خاص را منتشر کند. به عنوان مثال، اگر مرتباً ویدیوهای بررسی کفش را در YouTube تماشا می‌کنید، الگوریتم پلتفرم احتمالاً آن داده‌ها را تجزیه و تحلیل می‌کند و توصیه می‌کند که بیشتر از همان نوع ویدیو یا محتوای مشابهی که ممکن است برایتان جالب باشد تماشا کنید.
در رسانه‌های اجتماعی، بازخورد "برای شما" در TikTok یک نمونه از تجزیه و تحلیل‌های تجویزی در عمل است. وب‌سایت این شرکت توضیح می‌دهد که تعاملات کاربر در برنامه، بسیار شبیه به امتیازدهی سرنخ در فروش، بر اساس نشانه‌های علاقه وزن می‌شود.
وب‌سایت TikTok می‌گوید: «به‌عنوان مثال، اگر یک ویدیو را به پایان برسانید، نشانه‌ای قوی از علاقه‌مندی شماست. سپس ویدیوها رتبه‌بندی می‌شوند تا مشخص شود که چقدر احتمال دارد به هر ویدیو علاقه مند شوید و به هر بازخورد منحصربه‌فرد «برای شما» تحویل داده می‌شود.
این مورد استفاده از تجزیه و تحلیل تجویزی می‌تواند باعث افزایش نرخ تعامل مشتری، افزایش رضایت مشتری و پتانسیل هدف‌گیری مجدد مشتریان با تبلیغات بر اساس سابقه رفتاری آنها شود.

4. بانکداری: کشف تقلب
یکی دیگر از کاربردهای الگوریتمی تجزیه و تحلیل تجویزی، شناسایی و علامت گذاری کلاهبرداری بانکی است. با حجم انبوه داده‌های ذخیره شده در سیستم بانک، تشخیص دستی هر گونه فعالیت مشکوک در یک حساب برای شخص تقریباً غیرممکن است. یک الگوریتم - آموزش داده شده با استفاده از داده‌های تراکنش تاریخی مشتریان - داده‌های تراکنش‌های جدید را برای ناهنجاری‌ها تجزیه و تحلیل و اسکن می‌کند. به عنوان مثال، شاید شما معمولاً 3000 دلار در ماه خرج می‌کنید، اما در این ماه 30000 دلار هزینه بر روی کارت اعتباری شما وجود دارد.
این الگوریتم الگوهای موجود در داده‌های تراکنش‌های شما را تجزیه و تحلیل می‌کند، به بانک هشدار می‌دهد و یک اقدام توصیه‌شده ارائه می‌دهد. در این مثال، روش ممکن است لغو کارت اعتباری باشد، زیرا ممکن است به سرقت رفته باشد.

5. مدیریت محصول: توسعه و بهبود
تجزیه و تحلیل تجویزی همچنین می‌تواند به توسعه و بهبود محصول کمک کند. مدیران محصول می‌توانند داده‌های کاربر را با نظرسنجی از مشتریان، اجرای آزمایش‌هایی با نسخه‌های بتای محصول، انجام تحقیقات بازار با افرادی که کاربران فعلی محصول نیستند، و جمع‌آوری داده‌های رفتاری هنگام تعامل کاربران فعلی جمع‌آوری کنند. همه این داده‌ها را می‌توان به صورت دستی یا الگوریتمی تجزیه و تحلیل کرد تا روندها را شناسایی کند، دلایل آن روندها را کشف کند و پیش‌بینی کند که آیا روندها تکرار می‌شوند یا خیر.
تجزیه و تحلیل تجویزی می‌تواند به تعیین اینکه کدام ویژگی‌ها را باید شامل یا حذف کرد و برای اطمینان از تجربه کاربری بهینه چه چیزی باید تغییر کند، کمک می‌کند.

6. بازاریابی: اتوماسیون ایمیل
اتوماسیون ایمیل یک مثال واضح از تجزیه و تحلیل تجویزی در محل کار است. بازاریابان از اتوماسیون ایمیل برای دسته بندی سرنخ‌ها بر اساس انگیزه‌ها، طرز فکر و اهدافشان استفاده می‌کنند و محتوای ایمیل را بر اساس آن دسته‌ها به آنها تحویل می‌دهند. هرگونه تعاملی که سرنخ‌ها با ایمیل‌ها دارند، می‌تواند آنها را در دسته‌بندی دیگری قرار دهد و در نتیجه مجموعه متفاوتی از پیام‌ها راه‌اندازی شود.
در حالی که این یک تحلیل دستوری الگوریتمی خالص است، یک فرد باید بر جریان‌های اتوماسیون برنامه ریزی، ایجاد و نظارت کند. اتوماسیون ایمیل به شرکت‌ها اجازه می‌دهد پیام‌های شخصی‌سازی شده را در مقیاس ارائه کنند و با استفاده از محتوایی که برای انگیزه‌ها و نیازهای آن‌ها اعمال می‌شود، شانس تبدیل سرنخ به مشتری را افزایش دهند.

یادداشت‌ها
سرمایه‌گذار فرشته، (به انگلیسی: Angel investor) سرمایه‌گذاری است که سرمایه یک یا چند شرکت نوپا را فراهم می‌کند. بر خلاف یک شریک، سرمایه‌گذار فرشته به ندرت در مدیریت شرکت دخالت می‌کند.