Artificial Intelligence - هوش مصنوعی - هوش مصنوعی در تجارت الکترونیک

نقل قول:

نوشته اصلي بوسيله sam_fisher_440 (پست 2186)

ممنون واقعاً
اگه چیز دیگه ای هم به پستتون خورد بذارید مخصوصاً در مورد سیستم های خبره ...
مرسی ...

اين موضوع براي منم خيلي جذاب شده!:rolleyes:
در مورد موضوعاتي که شما ميخوايد چيزي پيدا نکردم!
واقعاً چرا مطلب فارسي نيست!:D:(

ولي کاش تو اين سخنراني شرکت ميکرديم!!:cool::p

داده کاوی در تجارت الکترونیک : فواید ، چالش ها و راهکارها
نوشته شده توسط اشکان سامی – دکتری فنآوری اطلاعات
تجارت الکترونیک به سرعت در حال توسعه و گسترش است و در این راستا سازمان ها به دنبال توسعه و بهبود تجربیات برخط(آنلاین) خود می باشند. ابزارهای داده کاوی جهت کشف الگوهای جدید در داده ها به کار گرفته می‌شوند . هر سازمانی که به نحوی تجارت الکترونیک انجام می دهد می تواند از الگوها و اطلاعاتی که داده کاوی در اختیارش قرار می دهد بهره گیرد . این اطلاعات می تواند شامل نکاتی برای بهبود web site ، رویکردهای شخصی سازی ، حفظ مشتری و سود دهی باشد . داده کاوی با نرخی صعودی به جزئی لاینفک از شرکت ها و سازمان های دولتی تبدیل شده و می شود . تعداد و تنوع برنامه های داده کاوی چندین سال است که با نرخ صعودی در حال افزایش است و پیش بینی می شود در چند سال آتی شاهد این رشد باشیم .
بانک ها ، شرکت های بیمه ، مراکز فروش و شرکت های مخابراتی خیلی سریع تکنیک های داده کاوی را در سازمان های خود وارد کرده و از آنها بهره جستند . در حال حاضر شاهد رشد روز افزون حرکت شرکت های دارویی ، بیمارستان ها و مراکز درمانی و هر گونه e-Business در بکارگیری این تکنیک ها می باشیم .

تجارت الکترونیک یک حوزه اساسی برای داده کاوی می باشد. با توجه به فاکتورهای تضمین موفقیت (Critical Success Factors) مربوط به پیاده سازی داده کاوی موفق ، تجارت الکترونیک یک بستر ایدآل را فراهم می کند زیرا تمام جزئیات مورد نیاز به سادگی در دسترس می باشند: رکوردهای داده به وفور ، مشخصه های زیاد در هر مورد ، ضریب اطمینان بالا در داده ها به علت جمع آوری داده ها بصورت خودکار و الکترونیکی ، قابل عملیاتی شدن بینش ها به راحتی (Actionable domain) و قابلیت محاسبه بازگشت سرمایه به سادگی . در حقیقت وب یک آزمایشگاه عملی است . آزمایشگاهی که سازمان قادر است در آن هر فرضیه و تصوری را به راحتی به جدل بکشد .

بیان این نکته نیز لازم می باشد که عملیاتی کردن داده کاوی در تجارت الکترونیک چالش هایی را نیز به همراه خواهد داشت که برای مثال میتوان به نکات زیر در مورد داده های موجود در log های سرور وب پرداخت : در اینگونه داده ها اطلاعات کاربرها و یا session ها وجود ندارد و هر گونه پیش فرض در این زمینه می تواند خود تولید خطا کند . web server log ها به تنهایی شامل اطلاعات خاصی نمی باشند . در ضمن داده های بیان شده شامل اتفاقات حساس مانند “add to cart” یا “delete item” نیستند . همچنین URL موجود در این log ها فاقد اطلاعات معناگرا ست . علاوه بر این ، اطلاعات به صورت پویا در website ها نیز ایجاد می شوند که فقط با بررسی داده های log شده در وب سرور ها به آنها دسترسی نخواهیم داشت . مسائل بیان شده اگرچه چالشهایی در بکارگیری مستقیم داده کاوی سر راه قرار می دهد ، اما با در نظر گیری نکات ساختاری (Architectural solution) مسائل اصلی بیان شده فوق را تا حد زیادی میتوان مرتفع کرد . بیان مطالب فوق در راستای توسعه این طرز فکر است که داده کاوی جعبه جادو نیست که بتوان با وارد کردن داده ها به آن ، نیازهای اطلاعاتی خود را مرتفع کرد . داده کاوی کاری مهندسی – تحقیقاتی است که بایستی مراحل آن طی شود تا اطلاعات مورد نیاز (Actionable Knowledge) بدست آید .

در این سخنرانی ضمن مروری اجمالی بر معروف ترین کاربردهای داده کاوی در تجارت الکترونیک مانند بازاریابی ، مدیریت مشتری مداری و تشخیص خلاف ، به معرفی کاربردهای دیگر مانند توسعه محصول ، مشاهده و برنامه ریزی پروسه ها ، استخراج دانش و آنالیز ریسک می پردازیم

داده کاوی رشته ای است که تحقیق و عملیاتی شدن از قدیم الایام با هم و کنار هم بوده اند . به عبارت دیگر ، تقاضا و نیاز سوخت اصلی تحقیقات بوده است . برای مثال شرکت Netflix جایزه ای یک میلیون دلاری برای ارائه راه حل برای مساله سیستم های توصیه در نظر گرفته است که این جایزه به القوه باعث حرکتهایی بسیار قوی در این راستا بوده و می باشد . بر عکس نتایج تحقیقات تئوریک در داده کاوی در اکثر موارد کاربردهایی برای خود در دنیای واقعی پیدا می کنند . حتی کنفرانس های اصلی داده کاوی محلی برای تعامل بین محققین و مهندسین این رشته می باشد . تعداد کثیری از افرادی که در اینگونه کنفرانس ها شرکت می کنند افرادی هستند که از جنبه کاربردی به داده کاوی می نگرند .

بر خلاف قرابت بین تحقیق و کاربرد و حتی حجم بسیار بالای اطلاعات (شامل مقالات ، کتب و مطالب موجود در اینترنت ) درمورد داده کاوی ، هنوز بسیار سخت است که اطلاعاتی در مورد مسایل اصلی عملیاتی کردن تکنیک های داده کاوی در مسائل واقعی بدست آورد .