«اوبر» و پیش‌بینی از طریق تحلیل داده‌ها

به گزارش می متالز، شرکت اوبر این روزها از روش پیش بینی داده‌ها یا پیش‌بینی از طریق علم داده‌ها برای مدیریت تولید محصولات و ارائه سرویس‌های بهتر، زیاد استفاده می‌کند. در سال‌های اخیر، تکنولوژی‌های یادگیری ماشینی، یادگیری عمیق و برنامه‌ریزی بر اساس اصول علم احتمال، توانسته دستاوردهای بسیار موفقی در زمینه پیش‌بینی داده‌ها ارائه کند. اوبر، علاوه بر استفاده از الگوریتم‌های آماری استاندارد، امکانات پیش‌بینی مختلفی تولید می‌کند که از تکنیک‌های متنوعی بهره می‌برند.

پیش‌بینی‌های استراتژیک در مواردی مانند گمانه زدن درباره درآمد، تولید محصول و میزان خرج و مخارج به کار می‌آید. شرکت‌های مختلف با استفاده از شیوه‌های پیش‌بینی، می‌توانند دریابند که محصولات خود را باید دقیقا تا چه اندازه‌ای تولید کنند یا اینکه مثلا در بخش‌های مختلف چه تعداد کارمند مورد نیاز است. Franziska Bell، مدیر بخش علم داده‌های شرکت اوبر است. وی از تمام کارمندان این شرکت درخواست کرده که اطلاعات بیشتری درباره «علم داده‌ها» کسب کنند. Bell معتقد است: «ما با دسترسی به تخصص در زمینه علوم داده‌ها می‌توانیم ارائه خدمات را ساده‌تر و با نتایج مطلوب‌تر تجربه کنیم.» خانم بل، تیمی را در شرکت اوبر مدیریت می‌کند که همه اعضای آن قابلیت‌هایی در زمینه‌های مهندسی، طراحی و تولید محصولات دارند. این تیم در زمینه توسعه پلت‌فرم‌های Forecast یا پیش‌بینی داده‌ها نیز فعالیت دارد. اوبر با کمک ابزارها و پلت‌فرم‌هایی که این تیم ارائه می‌کنند، قصد دارد خدمات بهتری برای مشتریان ارائه کرده و همچنین به کارمندان بخش‌های مختلف خود نیز کمک کند تا دید بازتری نسبت به نتیجه کار خود داشته باشند.

خانم بل می‌گوید: «ایده بزرگی که هدف ماست ایجاد یک پلت‌فرم پیش‌بینی‌کننده است که کاربرد راحتی داشته باشد. البته تخصص خاصی در زمینه این مدل پیش‌بینی نیاز نیست. تنها چیزی که نیاز داریم، داده‌های ورودی است که توسط کاربر ارائه می‌شود. همچنین باید دورنمایی نیز برای پیش‌بینی خود داشته باشید، مثلا اینکه قرار است تا چه زمانی را پیش‌بینی کنیم.» خانم بل قبل از استفاده از این پلت فرم، جواب به سه سوال را ضروری می‌داند تا مشخص شود که انجام هرگونه سرمایه‌گذاری در هر قسمتی، ارزش دارد یا خیر. سوال شماره یک: آیا این حیطه، می‌تواند به افزایش کیفیت تجربه کاربران کمک کند؟ سوال شماره دو: آیا حیطه مدنظر، موارد مصرف دیگری نیز در شرکت دارد؟ و سوال سوم: روش‌ها و مدل‌های مورد استفاده، چه میزان قابل استفاده دوباره هستند. بل توانست روش خود را در حوزه‌هایی مانند عرضه و تقاضا، تشخیص نقاط ضعف و برنامه‌ریزی ظرفیت‌های سخت‌افزاری، به کار ببندد و نتایج خوبی هم دریافت ‌کند.

بل توضیح می‌دهد: «ارائه تجربه‌های مثبت‌تر برای کاربر، در اولویت ماست و برای رسیدن به این هدف، باید بتوانیم کاملا صحیح، معیارهای عرضه و تقاضا را پیش‌بینی کنیم.» تشخیص نقاط ضعف و موارد دردسرآفرین در کسب و کار شرکتی مانند اوبر، بسیار حیاتی است. این شرکت مدام باید در تلاش باشد که اپلیکیشن برنامه درست کار کند و سفرهای مسافران با مشکلی روبه‌رو نشود. برنامه‌ریزی ظرفیت سخت‌افزاری نیز، یکی از پایه‌ای‌ترین مراحل فرآیند پیش‌بینی با علم داده‌ها است. با استفاده از این پلت‌فرم‌های پیش‌بینی‌کننده، نظارت دقیق روی میزان خرید سخت‌افزارها ممکن می‌شود. خانم بل توضیح می‌دهد: «میزان تقاضا، در کسب و کار ما گاهی اوقات بسیار بالاست و ما نیز شرکت نسبتا جدیدی هستیم. دسترسی به یک پلت‌فرم پیش‌بینی‌کننده و تخصصی در این زمینه می‌تواند به ما بسیار کمک‌کند. این دستاورد به ما کمک می‌‌کند که درصد اشتباه و خطای کمتری داشته باشیم.»