https://virgool.io/feed/@maryam.naaseri Data Science Enthusiast - www.linkedin.com/in/maryam-naaseri-b652b765 fa 2026-06-10 13:06:46 https://files.virgool.io/upload/users/70093/avatar/yJTvou.png?height=120&width=120 https://virgool.io/@maryam.naaseri https://virgool.io/CodeLovers/%DA%A9%D8%AA%D8%A7%D8%A8%D8%AE%D8%A7%D9%86%D9%87-seaborn-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%85%D8%B5%D9%88%D8%B1%D8%B3%D8%A7%D8%B2%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%A7-%DB%8C%DA%A9-%D9%85%D8%AB%D8%A7%D9%84-%D9%88%D8%A7%D9%82%D8%B9%DB%8C-ltemjlecdwws مصورسازی داده‌های معمولا یکی از بازیگران اصلی در علم داده هست. با کمک مصورسازی می‌تونیم متغییرهایی که داریم رو بررسی کنیم و ارتباط بین اون‌ها رو کشف کنیم. همچنین مصورسازی دید خوبی به کاربر می‌ده و قطعا از نمایش داده‌ها به صورت ستون‌های از اعداد مفیدتر هستند.معمولا یکی از مواردی که در مورد فیلدهای داده مصور می‌شه، توزیع اونها هستش، چون به عنوان مثال بعضی از مدل‌های یادگیری ماشین وقتی که متغیرها توزیع نرمال داشته باشند، بهترین عملکرد رو داشته باشند. کاربرد دیگه رسم کردن توزیع داده‌ها اینه که می تونیم اطلاعات خوبی ازشون به‌دست بیاریم؛ اطلاعاتی مثل پیدا کردن داده‌های پرت، چولگی و همچنین به دست آوردن یه دید کلی از شاخص‌های مرکزی یعنی میانگین، میانه و مد.دراین مطلب چند تا از نمودارهایی ص که با استفاده از کتابخونه seaborn می‌تونیم رسم کنیم رو معرفی می‌کنم. برای این کار از دیتاست بیمه استفاده می‌کنیم.طبق معمول اول با ایمپورت کردن کتابخونه‌هایی که لازم داریم شروع می‌کنیم:import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as pltو با این کد، بک‌گروند نمودارهاتون گریدبندی می‌شن و دید بهتری از نظر عددی می‌دن:sns.set(style='darkgrid')داده‌ها رو ایمپورت می‌کنیم و یه نگاهی به فیلدهایی که داریم می‌ندازیم. داده‌های بیمه شامل ویژگی‌های درمورد مشتری‌های یک شرکت بیمه هستند و میزان استفاده‌ای که از خدمات بیمه داشتند:داده‌ها شامل سن، جنسیت، شاخص bmi (شاخص توده بدن)، تعداد فرزندان، سیگاری بودن یا نبودن، منطقه جغرافیایی و هزینه‌های بیمه هست.اول با هیستوگرام شروع می‌کنیم. هیستوگرام، مقادیر پیوسته رو به بازه‌های گسسته تبدیل می‌کنه و نشون می‌ده که چه تعداد از مقادیر توی اون بخش قرار می‌گیرن. https://virgool.io/p/ltemjlecdwws/sns.displot(insurance,x='bmi',kind='hist',aspect=1.2) همونطور که مشاهده می‌کنید متغیر bmi توزیع نرمال داره، به جز چند داده‌ پرت که شاخص bmi بالای ۵۰ دارند.تابع displot به ما اجازه می‌ده نمودار KDE رو هم روی هیستوگرام اضافه کنیم. تابع KDE (Kernel Density Estimation) یک روش غیرپارامتری هست که تابع توزیع احتمال برای یک متغیر رندم رو تخمین بزنه. با تغییر کد به این صورت می‌تونیم این نمودار رو هم به هیستوگرام قبلی اضافه کنیم:این امکان وجود داره که فقط نمودار KDE رو رسم کنیم. برای این کار پارامتر kind رو برابر “kde” قرار می‌دیم و دیگه نیازی نیست به استفاده از پارامتر kde نیست.sns.displot(insurance, x='bmi', kind='kde', aspect=1.2)کار دیگه‌ای که می‌تونه دید خوبی از داده‌ها بهمون بده اینه که نمودارها رو بر اساس یک متغیر دیگه رسم کنیم. یک روش استفاده از پارامتر hue هست. نمودار زیر هیستوگرام bmi رو برای افراد سیگاری و غیرسیگاری به صورت جداگانه نشون می‌ده:sns.displot(insurance, x='bmi', kind='hist', hue='smoker', aspect=1.2)همچنین می‌تونیم نمودار میله‌ای رو براساس دو تا متغیر مختلف کنار همدیگه رسم کنیم:sns.displot (insurance, x='bmi', kind='hist', hue='smoker', multiple='dodge', aspect=1.2)حالا می‌تونیم یه پارامتر دیگه رو هم وارد کنیم و ببینیم زن یا مرد بودن چه تاثیری روی میزان هزینه می‌گذاره:sns.displot(insurance, x='charges', kind='hist', hue='smoker', col='sex', height=6, aspect=1)تصویر بالا توزیع میزان متغیر هزینه رو برای دو حالت مختلف نمایش می‌ده: هزینه برای زنان و مردان. و در هر نمودار هم با سیگاری بودن یا نبودن با استفاده از رنگ‌های آبی و نارنجی مشخص شده. به‌طور واضح می‌تونیم ببینیم که میزان هزینه برای افراد سیگاری بیشتر هست و تعداد افراد سیگاری در گروه مردان بیشتر از گروه زنان هست.یکی دیگه از نمودارهایی که می‌تونیم داشته باشیم یک هیستوگرام دوبعدی هست که دیدی از دو متغیر به ما می‌ده. کافیه علاوه بر x، برای بعد y هم یه متغیر تعریف کنیم:sns.displot(insurance, x='charges', y='bmi', kind='hist', height=6, aspect=1.2)یکی دیگر از ویژگی‌هایی که می‌توانیم برای دیدن توزیع داده‌ها از آن استفاده کنیم، rug plot هست. این نمودار، تمام نقاط داده‌ای رو روی محورها نشون می‌ده:sns.displot(insurance, x='charges', y='bmi', kind='hist', rug=True, height=6, aspect=1.2)حالا با اضافه شدن rug plot می‌تونیم توزیع هر داده رو هم روی محورها ببینیم و متوجه بشیم که کجاها داده‌ها متراکم‌تر هستند.. بخش‌های تیره‌تر نمودار نشان‌دهنده تعداد مشاهدات بیشتر هستند.حالا متغیر سیگاری بودن یا نبودن را هم با رنگ‌های مختلف به نمودار اضافه می‌کنیم:sns.displot(insurance, x='charges', y='bmi', kind='hist',rug=True, hue='smoker',height=6, aspect=1.2)همچنین می‌تونیم یک نمودار kde با دو متغیر رسم کنیم. به عنوان مثال، نمودار زیر، همون نمودار bmi و هزینه رو با رنگ‌های مختلف برای افراد سیگاری و غیرسیگاری نشون می‌ده:‌sns.displot(insurance, x='charges', y='bmi', kind='kde',rug=True, hue='smoker',height=6, aspect=1.2)هرجا که تراکم خط‌ها بیشتر باشه، به این معنی هست که تعداد مشاهده‌های بیشتری اونجا حضور دارند. می‌تونیم از پارامتر fill استفاده کنیم تا بیشتر شبیه هیستوگرام بشه:sns.displot(insurance, x='charges', y='bmi', kind='kde',rug=True, hue='smoker',fill=True, height=6, aspect=1.2)یکی دیگه از نمودارهای متداول برای بررسی همبستگی بین دو متغیر عددی نمودار پراکندگی یا scatter plot هست. هرچند این نمودار درمورد توزیع هم می‌تونه یه دید کلی بهمون بده.کتابخونه seaborn درمورد ترکیب کردن نمودارهای مختلف خیلی انعطاف‌پذیره. به عنوان مثال joinplot هیستوگرام و پراکندگی رو باهم ترکیب می‌کنه:sns.jointplot(data=insurance, x='charges', y='bmi', hue='smoker', height=7, ratio=4)حالا بیاید همه نمودارهای پراکندگی رو در یک نما ببینیم:sns.pairplot(insurance, hue = 'smoker')می‌تونیم نمودارها رو به صورت جداگانه و با تمایز رنگ بر اساس شاخص‌های مختلف هم ببینیم. مثلا نمودار هزینه‌ها بر اساس سن رسم کنیم و زن و مرد بودن با رنگ‌های مختلف مشخص کنیم. همونطور که می‌شه دید، زن و مرد بودن تاثیر خاصی روی میزان هزینه‌ها نداره و به صورت یکنواخت پخش شده.plt.figure(figsize=(8,6))sns.scatterplot(data=insurance, x='age', y='charges', hue='sex',palette= ['red','green'] ,alpha=0.6)plt.show()اما برای دیدن همبستگی بین متغیرها می‌تونیم کار جالب‌تری هم انجام بدیم: ماتریس همبستگی رو روی یه hitmap‌ نمایش بدیم:sns.heatmap(insurance.corr(), annot = True)توی این نمودار می‌تونیم ببینیم که میزان هزینه‌ها بیشترین ارتباط رو با شاخص bmi و سن افراد داره. بین باقی متغیرها هم ارتباط چندانی دیده نمی‌شه.اشکالی که این نمودار داره اینه که فقط متغیرهای عددی رو بررسی کرده. برای اینکه بتونیم همبستگی داده‌های غیرعددی مثل شاخص مهم سیگاری بودن یا نبودن و جنسیت رو هم ببینیم، لازمه که تغییراتی توی داده‌ها اعمال کنیم. به این صورت که متغیرهای سیگاری بودن و جنسیت رو به وسیله ۰ و ۱ کدگذاری می‌کنیم:smoker01 = pd.get_dummies(insurance['smoker'], drop_first = True)gender = pd.get_dummies(insurance['sex'], drop_first = True)insurance.drop(['sex'], axis = 1, inplace = True)insurance = pd.concat([insurance, smoker01], axis = 1)insurance.drop(['smoker'], axis = 1, inplace = True)insurance = pd.concat([insurance, gender], axis = 1)حالا دادهامون به این شکل دراومدن:حالا برای اینکه اسم و جای ستون‌ها رو مرتب کنیم، از کدهای زیر استفاده می‌کنیم:insurance = insurance[['age', 'male', 'bmi', 'region','yes', 'charges']]insurance = insurance.rename(columns = {'male': 'sex', 'yes': 'smoker'})و یک بار دیگه نمودار hitmap رو برای همبستگی بین متغیرها رسم می‌کنیم:همونطور که می‌بینید ارتباط مستقیمی بین هزینه‌های بیمه و سیگاری بودن افراد وجود داره و بین شاخص bmi و سن افراد هم ارتباط خطی هست که منطقی به نظر می‌رسه.بریم ببینیم بین منطقه جغرافیایی افراد با هزینه‌های بیمه ارتباطی وجود داره یا نه: https://virgool.io/p/ltemjlecdwws/sns.barplot(y=insurance['charges'],x=insurance['region']) خب، تعدادی از نمودارهای مهمی که می‌تونیم ازش دید خوبی نسبت به داده پیدا کنیم بهش اشاره شد، قطعا نمودارها و تنظیمات خیلی بیشتری هم در کتابخونه seaborn وجود داره که می‌تونه به مصورسازی داده کمک کنه. مریم ناصری مریم ناصری Sun, 27 Dec 2020 14:42:59 +0330 https://virgool.io/CodeLovers/%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%A7%D8%AD%D8%B3%D8%A7%D8%B3%D8%A7%D8%AA-%DA%A9%D8%A7%D9%85%D9%86%D8%AA%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D8%A7%D8%B2%D9%88%D9%86-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%85%D8%AD%D8%B5%D9%88%D9%84%D8%A7%D8%AA-%D8%A7%D9%84%DA%A9%D8%B3%D8%A7-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%B1%D9%86%D8%AF%D9%85-%D9%81%D8%A7%D8%B1%D8%B3%D8%AA-txdcsa94xlaa 3000 Amazon comments, Sentiment Analysis with 93% accuracyتحلیل احساسات، که به اون نظرکاوی (Opinion Mining) یا هوش مصنوعی احساسات (Emotion AI) هم گفته می‌شه، به استفاده از پردازش زبان طبیعی برای تشخیص، استخراج و مطالعه متن‌های نوشته شده توسط افراد گفته می‌شه.یکی از دیتاست‌هایی که برای آموزش معمولا ازش استفاده می‌شه و در واقع از داده‌های آموزشی کگل هستش، داده‌های مربوط به نظرات خریداران محصولات الکسا از آمازون هست. هدف این هستش که با استفاده از اجرای یک الگوریتم یادگیری ماشین روی داده‌های آموزشی، بتونیم با وارد شدن هر نظر جدیدی بفهمیم اون مشتری از محصول راضی بوده یا نه.در ادامه قدم به قدم با این دیتاست آشنا می‌شیم و بعد از آماده‌سازی و کمی مصورسازی، با استفاده از الگوریتم Random Forest تسک پیش‌بینی راضی یا ناراضی بودن مشتری از روی کامنتش رو به انجام می‌رسونیم.قدم اول:‌ بررسی داده‌ها اول از همه بیاید ببینیم چه داده‌های در اختیار داریم:(من نوت‌بوکم رو توی کگل آپلود کردم و لینکش رو در انتهای مطلب قرار دادم، به خاطر همین از کدهای ساده مثل ایمپورت کردن داده و رسم نمودارها صرفه‌نظر می‌کنم و فقط بعضی از بخش‌ها که مربوط می‌شه به تنظیمات الگوریتم رو اینجا میارم.)داده‌های کامنت‌های خریدارن که از آمازون داریم شامل ۵ تا فیلد هست: رنک یا امتیازی که مشتری به محصول داده، تاریخ نوشته شدن کامنت، نظر تایید شده، نوع محصول و در آخر فیدبک که همون فیلد هدف ما هستش و مشخص می‌کنه که آیا مشتری راضی بوده یا نه (کلاس ۰ مشتری ناراضی و کلاس ۱ مشتری راضی).اول از همه بیاید ببینیم اصلا چند تا مشتری راضی و چند تا مشتری ناراضی داریم:از مجموع ۳۱۴۹ نظر، طبق فیلد فیدبک، ۲۸۹۳ مشتری راضی و ۲۵۷ مشتری ناراضی بودن (امیدوارم بایاسی در قبول کردن نظرات منفی وجود نداشته بوده باشه :) )یعنی ۹۱.۸درصد مشتری‌ها راضی و فقط ۸.۲درصد ناراضی بودن.از تعداد نظرات مثبت و منفی می‌شه فهمید که دو تا کلاس مشتری راضی و ناراضی ما به شدت نامتوازن هستند و از بعضی از الگوریتم‌ها مثل بیز نمی‌تونیم استفاده کنیم و موقع استفاده از الگوریتم‌هایی مثل رندم فارست هم با تعریف کردن وزن برای کلاس مینور می‌تونیم بخشی از این عدم توازن رو خنثی کنیم.در بین رنک‌هایی که افراد دادن هم می‌شه دید که بیشتر نظرات مربوط به مشتری‌های راضی هستند:بریم ببینم آیا نوع محصول فروخته شده از بین محصولات الکسا تاثیری داشته توی رای مشتری:خب به نظر می‌رسه که اطلاعات زیادی از نوع محصول و رضایت مشتری به دست نیاد و بشه گفت که در تمام انواع محصولات میزان رضایت تفاوت چندانی نداشته. پس احتمالا ایده بدی نباشه که از مدل خارجشون کنیم. البته فعلا نگه‌شون می‌داریم که بعدا می‌تونیم برای تست نبودنشون رو هم امتحان کنیم روی نتیجه کار.یه مورد شهودی که می‌تونیم تست کنیم و اگه معنادار بود به عنوان یک شاخص اضافه‌ش کنیم، طول کامنت‌های مثبت و منفیه.برای بررسی این موضوع، طول کامنت‌ها رو حساب‌ می‌کنیم و بعد با نمودار KDE با استفاده از دو تا نمودار مختلف از طول کامنت‌های با فیدبک مثبت و منفی مقایسه رو انجام می‌دیم.نمودار KDE از کتابخونه seaborn، نموداری مشابه هیستوگرام هستش، با این تفاوت که هیستوگرام تابع چگالی رو تخمین می‌زنه و بعد با تقسیم کردن داده به بخش‌هایی یا به اصطلاح bins، و شمردن تعداد مشاهده‌ها در هر bin، نمودار رو رسم می‌کنه. اما Kernel Density Estimation به اختصار KDE روشی متفاوت برای این کار داره؛ به این صورت که به جای استفاده از بخش‌های گسسته، با استفاده از یک کرنل گوسی، مشاهدات رو به اصطلاح smooth می‌کنه و یه تخمین از چگالی احتمال رو به صورت پیوسته تولید می‌کنه.نمودارها رو به با استفاده از کد زیر رسم می‌کنیم:plt.figure(figsize=(14, 8))l = sns.kdeplot(df_alexa[&quotlength&quot][(df_alexa[&quotfeedback&quot] == 0)], color=&quotRed&quot, shade = True)l = sns.kdeplot(df_alexa[&quotlength&quot][(df_alexa[&quotfeedback&quot] == 1)], ax =l, color=&quotBlue&quot, shade= True)l.set_xlabel(&quotlength&quot)l.set_ylabel(&quotFrequency&quot)l = l.legend([&quotFeedback=0&quot,&quotFeedback=1&quot])همونطور که مشاهده می‌کنید طول کامنت‌های مثبت بین ۰ تا ۳۰۰ و طول کامنت‌های منفی بین ۰ تا ۵۰۰ هستش. پس می‌تونیم نتیجه بگیریم که ارتباط معناداری بین طول کامنت و مثبت یا منفی بودن کامنت وجود داره و بهتره که فیلد طول کامنت‌ها هم به داده‌های ورودی‌مون اضافه کنیم.آماده‌سازی دادهقبل از هر کاری لازمه که چک کنیم ببینیم missing value یا رکوردهای ناقص داریم یا نه. با یه دستور ساده می‌تونیم این موضوع رو بررسی کنیم:به نظر می‌رسه داده‌ها به طور کامل ثبت شدن و نیازی نیست که کاری در این مورد انجام بدیم خوشبختانه. و از اونجایی که تمام فیلدهامون هم از جنس Nominal هستن، نیازی نیست که به فکر داده‌های پرت باشیم.برای آموزش دادن الگوریتم، به یه مرحله دیگه هم نیاز داریم که کدگذاری داده‌های تکست هستش که بتونه برای الگوریتم قابل فهم باشه. برای این کار از متد get_dummies استفاده می‌کنیم. به این معنی که هر رکوردی که در دسته‌بندی یک نوع خاص از محصول قرار می‌گیره، فیلد مربوط به اون گزینه عدد ۱ و بقیه گزینه‌ها عدد صفر رو می‌گیرن. توی شکل پایین بیشتر مشخصه:حالا وقتشه که تمام کلمات استفاده شده در نظرها رو استخراج کنیم، در یک آرایه ذخیره کنیم، توی دیتافریم جاگذاریش کنیم و بعد با ران کردن رندم فارست بتونیم ارتباط بین نظرات و رضایت مشتری رو متوجه بشیم.قدم اول اینکه که متن‌ها رو استخراج کنیم. برای این کار:from sklearn.feature_extraction.text import CountVectorizervectorizer = CountVectorizer()alexa_vectorizer = vectorizer.fit_transform(df_alexa['verified_reviews'])آرایه‌ی متن‌های کلمات شده به صورت زیر هست:حالا لازمه کلمات استخراج شده رو به صورت صفر و یک کد گذاری کنیم، به دیتاست اضافه‌ش کنیم و ستون مربوط به کامنت‌ها که به صورت متنی بود رو از دیتاست حذف کنیم:encouded_reviews = pd.DataFrame(alexa_vectorizer.toarray())df_alexa.drop(['verified_reviews'], axis = 1, inplace = True)df_alexa = pd.concat([df_alexa, encouded_reviews], axis = 1)هنوز چند مرحله دیگه مونده که بتونیم الگوریتم رندم فارست رو روی داده‌ها اجرا کنیم.لازمه که فیلد تارگت رو از سایر فیلدها جذا کنیم. و در مرحله بعد داده‌های test و train رو از همدیگه جدا کنیم.X = df_alexa.drop(['feedback'], axis = 1)Y = df_alexa['feedback']from sklearn.model_selection import train_test_splitX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.25, random_state = 15)برای شروع می‌تونیم داده‌های تست رو ۲۵درصد و رندم استیت رو ۱۵ انتخاب کنیم و بعد از ران گردن الگوریتم تست کنیم که با اعداد دیگه چه نتیجه‌ای به دست خواهیم آورد.معیارهایی که برای سنجش نتایج لازم داریم و الگوریتمون رو ایمپورت می‌کنیم:from sklearn.metrics import confusion_matrix, classification_reportfrom sklearn.ensemble import RandomForestClassifierrandomforest_classifier = RandomForestClassifier(n_estimators =25, criterion = 'entropy', class_weight={0:8, 1: 1})همونطور که می‌دونید رندم فارست یکی از مدل‌های ensemble است که حاصل نتایج چند درخت رو با هم ترکیب می‌کنه و ارائه می‌ده. شاخصی که انتخاب شده برای جدا کردن شاخه‌ها، آنتروپی هست،۲۵ درخت تصمیم ران می‌شن و همونطور که قبل‌تر گفتم چون کلاس‌ها فیدبک به شدت نامتوازن هستند، وزن‌ ۶ رو برای کلاس ۰ و وزن ۱ رو برای کلاس ۱ درنظر می‌گیریم. البته من چند با تست کردم و این اعداد بهترین نتایج رو می‌دادن.ران کردن الگوریتم حالا وقتشه که الگوریتمون رو با داده‌های train‌ آموزش بدیم:randomforest_classifier.fit(X_train, Y_train)و بعد با استفاده از الگوریتم آموزش‌دیده، فیدبک رو برای داده‌های تست مورد بررسی قرار بدیم:Y_t_P = randomforest_classifier.predict(X_train)بررسی نتایج می‌رسیم به قسمت هیجان انگیز ماجرا: یعنی بررسی اینکه مدلمون چقدر دقت داشته! این کار رو با استفاده از confusion matrix انجام می‌دیم.ماتریس confusion یا درهم‌ریختگی برای داده‌های آموزشی:ماتریس confusion یا درهم‌ریختگی برای داده‌های تست:خب، نتایجی که به دست آوردیم بد هم نبودن! تونیستیم با محاسباتی ساده به دقت ۹۳ درصد برسیم. قطعا می‌شه بهترش کرد؛ ولی هدف از این مطلب یه گزارش ساده از یه پروژه آموزشی بود و بهتره بریم سراغ پروژه‌های دیگه. .لینک نوت‌بوک در کگل:https://www.kaggle.com/maryamnaaseri/alexa-amazon-sentimentخیلی خوشحال می‌شم اگه جایی اشکالی دیدین بهم بگی که اصلاح کنم. مریم ناصری مریم ناصری Thu, 24 Dec 2020 16:26:35 +0330 https://virgool.io/@maryam.naaseri/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%88-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%DA%86%D9%87-%D8%AA%D9%81%D8%A7%D9%88%D8%AA%D9%87%D8%A7%DB%8C%DB%8C-%D8%AF%D8%A7%D8%B1%D9%86%D8%AF-owmnclt5k7yf هوش مصنوعی (Artificial intelligence)، یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) سه عبارتی هستند که خیلی زیاد و گاهی به اشتباه به جای یکدیگر استفاده می‌شوند تا نرم‌افزاری را توصیف کنند که هوشمندانه عمل می‌کند. اما بهتر است افرادی که می‌خواهند در این حوزه حرفه‌ای شوند، فرق آنها را بدانند.یک راه ساده برای فهمیدن تفاوت این سه موضوع این است که آنها را مانند یک سری عروسک‌های روسی تصور کنیم که هر کدام داخل دیگری جای می‌گیرند. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است، و یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی. در واقع هوش مصنوعی چتری است که تمام برنامه‌های کامپیوتری که کاری هوشمندانه انجام می‌دهند را در زیر خود جا می‌دهد. به عبارت دیگر، هر نوع یادگیری ماشین خودش هوش مصنوعی به حساب می‌آید، اما هر هوش مصنوعی‌ای یادگیری ماشین نیست.هوش مصنوعی، هوش مصنوعی نمادین و هوش مصنوعی قدیمیجان مکارتی (John McCarthy) که او را پدرخوانده هوش مصنوعی می‌دانند، AI را به عنوان دانش و مهندسی ساختن ماشین‌های هوشمند تعریف می‌کند.چند تعریف دیگر از هوش مصنوعی:· شاخه‌ای از علوم کامپیوتر که با شبیه‌سازی رفتارهای هوشمندانه در کامپیوترها سروکار دارد.· قابلیت یک ماشین برای اینکه رفتار هوشمندانه انسان را تقلید کند.· یک سیستم کامیپوتری که می‌تواند کارهایی انجام دهد که در حالت طبیعی به هوش انسانی نیاز دارد؛ مانند درک دیداری، تشخیص صدا، تصمیم‌گیری و ترجمه.راه‌های زیادی برای شبیه‌سازی هوش انسانی وجود دارد و برخی از روش‌ها هوشمندانه‌تر از بقیه هستند.هوش مصنوعی می‌تواند تعدادی جمله «اگر-آنگاه» باشد (if-then statement)، یا یک مدل آماری پیچیده باشد که داده‌های خام حسی را به صورت گروه‌هایی مدل می‌کند. جمله‌های اگر آنگاه به سادگی قانون‌هایی هستند که به دست انسان برنامه‌ریزی شده‌اند. وقتی این اگر-آنگاه‌ها کنار هم قرار بگیرند به آنها موتور قوانین، سیستم‌های خبره، گراف دانش یا هوش مصنوعی نمادین می‌گویند. و در مجموع به تمام آنها هوش مصنوعی قدیمی یا به انگلیسی Good, Old-Fashioned AI (GOFAI) گفته می‌شود.هوشی که به ماشین‌ها دیکته می‌کند کاری را تقلید کنند را می‌تواند مشابه حسابداری دانست که دانش محاسبه مالیات را دارد. یعنی این نوع از هوش، اطلاعاتی که شما برایش تامین می‌کنید را می‌گیرد، آن اطلاعات را از میان یک سری قانون ثابت عبور می‌دهد و میزان مالیاتی که باید بپردازید را به عنوان خروجی به شما باز می‌گرداند.معمولا وقتی کامپیوتری توسط محققان طراحی شده تا کار مشخصی را انجام دهد، مثل بردن در بازی شطرنج، خیلی از افراد آن را واقعا هوشمندانه نمی‌دانند، چون الگوریتم داخلی چنین برنامه‌ای کاملا قابل درک است. برخی منتقدان فکر می‌کنند هوش باید چیزی غیرقابل‌لمس باشد، چیزی شبیه هوش انسان. برخی می‌گویند هوش مصنوعی واقعی چیزی است که کامپیوترها هنوز قادر به انجام آن نیستند.یادگیری ماشین:‌ برنامه‌هایی که خودشان را تغییر می‌دهندیادگیری ماشین یکی از زیرمجموعه‌های هوش مصنوعی است. به این معنی که تمام یادگیری ماشین‌ها، هوش مصنوعی به حساب می‌آیند، اما تمام هوش مصنوعی‌ها، یادگیری ماشین حساب نمی‌شوند. به عنوان مثال، منطق نمادین، سیستم‌ها خبره و گراف‌های دانش، می‌توانند هوش مصنوعی نامیده شوند، اما هیچ‌کدام یادگیری ماشین نیستند.یکی از ویژگی‌هایی که یادگیری ماشین را از گراف دانش و سیستم‌های خبره متمایز می‌کند این است که قادر است خودش را با در اختیار داشتن داده‌های بیشتر بهتر کند. به عبارت دیگر، یادگیری ماشین پویا است و برای ایجاد برخی تغییرات به دخالت انسان نیاز ندارد.به گفته تام میشل:یک برنامه‌ کامپیوتری که با انجام تسک‌های T و معیار عملکرد P در انجام این تسک‌ها، تجربه E را یاد می‌‌گیرد و با بهبود تجربه E، معیار عملکرد P هم بهبود پیدا می‌کند.آرتور سمئول، یکی از پیشکسوتان یادگیری ماشین، آن را به این صورت تعریف می‌کند: «یک شاخه مطالعه که به کامپیوترها این قدرت را می‌دهد که بدون اینکه به طور صریح برنامه‌نویسی شوند، می‌توانند یاد بگیرند». به این معنی که برنامه‌های یادگیری ماشین، مثل جملات «اگر-آنگاه» به طور صریح به کامپیوتر داده نشده‌اند. به عبارتی می‌توان گفت برنامه‌های یادگیری ماشین، می‌توانند خودشان را در مواجهه با داده تنظیم کنند (مثل بچه‌ای که زمان به دنیا آمدن هیچ دانشی ندارد و درکش را از دنیا در پاسخ به تجربه‌ها شکل می‌دهد).سمئول به یک برنامه کامپیوتری یاد داد شطرنج بازی کند. هدفش این بود که برنامه بتواند از خود او بهتر بازی کند، که به طور واضح چیزی نبود که بتوان به طور صریح آن را برنامه‌نویسی کرد. او موفق شد، و در سال ۱۹۶۲، برنامه‌اش موفق شد قهرمان شطرنج در ایالت کنتیکت را ببرد.واژه «یادگیری» در یادگیری ماشین به این معنی است که الگوریتم‌های یادگیری ماشین سعی می‌کنند در یک بعد خاص خودشان را بهبود دهند. به این معنی که معمولا سعی می‌کنند خطا را حداقل کنند، یا احتمال درست بودن پیش‌بینی‌ها را حداکثر کنند. معمولا از سه اسم برای بیان این موضوع استفاده می‌شود: تابع خطا، تابع ضرر یا تابع هدف، چون هر الگوریتم یادگیری ماشین باید یک هدف داشته باشد.حالا خطا چگونه کمینه می‌شود‌؟ یکی از راه‌ها این است که چارچوبی بسازیم که ورودی‌هایی را در هم ضرب کند تا بتواند حدس‌هایی با همان طبیعت ورودی‌ها بزند. خروجی‌/حدس‌های متفاوت، محصول ورودی‌ها و الگوریتم هستند. معمولا حدس‌های اولیه تا حد زیادی اشتباه هستند، و اگر خوش‌شانس باشید و به برچسب‌های درستی برسید که متناظر با ورودی باشند، می‌توانید با حساب کردن تفریق حدس‌ها از مقدار واقعی بفهمید که چقدر خطا داشته‌اید و بعد، از آن خطا برای بهینه کردن الگوریتم استفاده کنید. این کاری است که یک شبکه عصبی انجام می‌دهد. شبکه عصبی آنقدر به محاسبه خطا و بهتر کردن پارامترها ادامه می‌دهد که دیگر نتوانند به میزان خطای کمتری برسد.به این نوع الگوریتم‌ها، الگوریتم‌های بهینه‌سازی هم می‌گویند. اگر بتوانید آنها را به درستی تنظیم کنید، می‌توانند میزان خطایشان را با حدس‌زدن و حدس‌زدن و بازهم حدس‌زدن بهبود دهند.یادگیری عمیق: دقت بیشتر، ریاضی بیشتر و محاسبات بیشتریادگیری عمیق یکی از زیرمجموعه‌های یادگیری ماشین است. معمولا افراد وقتی از عبارت یادگیری عمیق استفاده می‌کنند، منظورشان شبکه‌های عصبی مصنوعی عمیق است و گاهی هم یادگیری تقویتی عمیق.شبکه‌های عصبی مصنوعی عمیق، مجموعه‌ای از الگوریتم‌ها هستند که رکوردهای جدیدی برای مسائل مهمی مثل تشخیص تصویر، تشخیص صدا، سیستم‌های پیشنهاد‌دهنده، پردازش زبان طبیعی و... ثبت کرده‌اند. به عنوان مثال، یادگیری عمیق بخشی از الگوریتم معروف DeepMind به اسم AlohaGo است، که قهرمان سابق جهان، لی سدول و قهرمان فعلی کی‌جی را در Go شکست داده است.عمیق یک عبارت فنی است و به تعداد لایه‌ها در یک شبکه عصبی اشاره دارد. یک شبکه سطحی، فقط یک لایه پنهان دارد، و یک شبکه عمیق بیش از یک لایه دارد. لایه‌های پنهان چندگانه به شبکه‌های مصنوعی عمیق این امکان را می‌دهند که ویژگی‌های داده از نوع ویژگی‌های سلسله‌مراتبی را یاد بگیرند. چراکه ویژگی‌های ساده مانند دو پیکسل، از یک لایه به یک لایه دیگر ترکیب می‌شوند و یک ویژگی پیچیده‌تر می‌سازند، مثل یک خط. شبکه‌هایی با چندین لایه، داده‌های ورودی (ویژگی‌ها) را از عملیات ریاضی پیچیده‌تری، نسبت به شبکه‌هایی با لایه‌های کمتر عبور می‌دهند؛ بنابراین به توان محاسباتی زیادی برای یادگیری نیاز دارند. محاسبات زیاد یکی از مشکلات سر راه یادگیری عمیق است و یکی از دلایلی است که چیپ‌های جدیدی به نام GPU برای آموزش مدل‌های یادگیری عمیق مورد استفاده قرار می‌گیرند.پس می‌توانیم همان تعریف آرتور سمئول را برای یادگیری عمیق هم به کار ببریم: «یک حوزه مطالعه که به کامپیوترهای این قدرت را می‌دهد که بدون اینکه به طور صریح برنامه‌نویسی شوند بتوانند یاد بگیرند» و به این تعریف اضافه کنیم: هدف آنها دقت بیشتر است و به سخت‌افزار یا زمان یادگیری بیشتری هم نیاز دارد، و در تسک‌های درک ماشین که شامل داده‌های غیرساختارمند مانند تعدادی پیکسل یا متن هستند، فوق‌العاده عمل می‌کنند. مریم ناصری مریم ناصری Sun, 06 Dec 2020 23:15:54 +0330 https://virgool.io/@maryam.naaseri/%D8%AE%D9%88%D8%B4%D9%87%D8%A8%D9%86%D8%AF%DB%8C-%D9%85%D8%B4%D8%AA%D8%B1%DB%8C%D9%87%D8%A7-%D8%A8%D8%B1-%D8%A7%D8%B3%D8%A7%D8%B3-%D8%B4%D8%A7%D8%AE%D8%B5%D9%87%D8%A7%DB%8C-rfm-ftytoqirhvqc بخش‌بندی مشتری‌ها چیست؟بخش‌بندی مشتری‌ها فرآیندی است که طی آن مشتری‌ها بر اساس‌ رفتارهایشان در گروه‌های مختلفی قرار می‌گیرند. این گروه‌های مشتری در کمپین‌های بازاریابی، پیدا کردن مشتری‌هایی با سود بیشتر و به دست آوردن مشتری‌های وفادار می‌تواند سودمند باشد.انواع متداول بخش‌بندی مشتری‌هامشتری‌ها را می‌توانیم بر اساس ویژگی‌های زیر گروه‌بندی کنیم:بخش‌بندی جغرافیاییبخش‌بندی جمعیت شناختیبخش‌بندی رفتاریبخش‌بندی روانشناسیبخش‌بندی براساس مسیر خریدتحلیل RFMیکی از محبوب‌ترین، آسان‌ترین و در عین حال موثرترین روش‌های بخش‌بندی بازار تحلیل RFM است که در میان روش‌های «بخش‌بندی رفتاری» جای می‌گیرد. این روش در بازاریابی مدرن و برای کسب‌وکارهای آنلاین بسیار متداول است و به بازاریاب‌ها کمک می‌کند رفتار مشتری را تحلیل کنند.شاخص RFM مخفف واژه‌های R (Recency) به معنی تازگی، F (Frequency) به معنی دفعات و M (Monetary) به معنی ارزش مالی است. این معیارها شاخص‌های مهمی درمورد رفتار مشتری هستند، چون دفعات و ارزش مالی خرید روی ارزش چرخه عمر مشتری تاثیرگذار است و تازگی روی نگهداری مشتری تاثیر می‌گذارد.فاکتورهای RFM بیانگر این موارد هستند:هرچه از آخرین خرید مشتری زمان کمتری گذشته باشد، مشتری پاسخگویی بیشتری به پروموشن خواهد داشت.هرچه تعداد دفعات خرید مشتری بیشتر باشد، مشتری با شما تعامل بیشتری دارد و راضی‌تر است.ارزش مالی، مشتری‌هایی که پول زیادی خرج می‌کنند را از مشتری‌هایی با ارزش مالی پایین‌تر تفکیک می‌کند.همچنین تحلیل RFM به بازاریاب‌ها کمک می‌کند پاسخ سوالات زیر را پیدا کنند:چه کسانی بهترین مشتری‌های شما هستند؟کدام مشتری‌ها احتمالا شما را ترک خواهند کرد؟کدام مشتری‌ها این پتانسیل را دارند که به مشتری‌های ارزشمندی تبدیل شوند؟‌کدام مشتری‌ها را می‌توانید حفظ کنید؟کدام مشتری‌ها با احتمال بیشتری به کمپین‌های تعاملی شما پاسخ خواهند داد؟‌امتیازبندی RFMهمانطور که اشاره شد،RFM به معنای تازگی، تعداد دفعات و ارزش خرید است:ارزش مالی: به این معنی که مشتری در یک بازه زمانی مشخص چقدر پول خرج کرده است.تازگی: از آخرین خرید مشتری چقدر زمان می‌گذرد.تعداد دفعات: مشتری در یک بازه مشخص زمانی چند بار خرید کرده است‌.در این مدل ایده اصلی این است که به هر مشتری ۳ عدد یا امتیاز نسبت داده شود که از روی آنها مشخص شود به چه گروهی تعلق دارند. اعدادی که برای امتیاز بندی به هر معیار انتخاب می‌شود عددی بین ۱ تا ۳ است. به این معنی که برای هر مشتری یک مجموعه عدد سه تایی برای معیارهای تازگی، تعداد و ارزش مالی وجود دارد.اختصاص دادن امتیازها چگونه انجام می‌شود؟برای تقسیم کردن مشتری‌ها به ۵ دسته و اختصاص دادن عددی بین ۱ تا ۵ چندین راه وجود دارد. یکی از روش‌ها این است که مشتری‌ها به ۵ دسته تقریبا مساوی تقسیم شوند. اگر مشتری در ۲۰ درصد بالای مشتری‌ها باشد عدد ۵ و اگر در ۲۰ درصد انتهایی مشتری‌ها باشد عدد ۱ به او اختصاص پیدا می‌کند. به عنوان مثال اگر اعداد RFM مربوط به یک مشتری 512 باشد، به این معنی است که از نظر تعداد تازگی آخرین خرید در ۲۰ درصد برتر مشتری‌‌ها، اما از نظر ارزش مالی خریدهایش در ۲۰ درصد انتهایی مشتری‌ها قرار دارد. از روی شاخص‌های RFM برای این مشتری می‌توانیم به این نتیجه برسیم، که این مشتری، یک مشتری جدید است که به تازگی اولین خریدش را انجام داده است.دسته‌بندی مشتری‌ها بر اساس شاخص‌های RFMبراساس امتیاز RFM، می‌توانیم مشتری‌ها را به ۱۱ بخش تقسیم کنیم:شناخت دیتاست مورد مطالعهدر دیتاستی که در اختیار داریم، فیچرهای زیر برای در مجموع ۱۲۱۳۱۷ رکورد وجود دارد:آی‌دی مشتریآی‌دی‌ خریدآی‌دی محصولتعداد محصول خریداری شدهقیمت هر واحد کالاسود واحد هر واحد کالاتاریخ خریدآماده‌سازی داده‌ها و ساختن شاخص‌ها RFMبرای خوشه‌بندی داده براساس مدل RFM، لازم است شاخص‌های R، F و M را با استفاده از فیچرهای تعداد محصول خریداری‌شده، قیمت هر واحد کالا و تاریخ خرید استخراج کنیم.شاخص R: فاصله آخرین خرید مشتری تا آخرین روزی که داده‌ ثبت‌شده داریم.شاخص F : تعداد دفعاتی که هر مشتری خرید انجام داده است (چون هر آیتم در هر بار خرید به صورت مجزا آورده شده است، لازم است روی آیتم‌ها هر بار خرید تجمیع انجام شود).شاخص M: جمع کل خریدهای مشتری.امتیازبندی مشتری‌ها براساس شاخص‌های RFMبرای امتیازبندی مشتری‌ها از همان روش ۲۰درصد که در ابتدا گفته شد استفاده شد. با این استثنا که درمورد تعداد دفعات خرید، به خاطر اینکه تعداد مشتری‌هایی که فقط ۱ بار خرید کرده بودند خیلی بیشتر از مشتری‌هایی بود که دفعات بیشتری خرید کرده‌اند این توازن به هم ریخت.تعداد و درصد مشتری‌ها برای تعداد خریدهای ۱، ۲، ۳، ۴، ۵ و بیشتر خرید انجام داده‌اند و به‌ترتیب امتیازهای ۱ تا ۵ را دریافت کرده‌اند:همانطور که پیداست حدود ۶۰درصد مشتری‌ها فقط یک بار خرید انجام داده‌اند. حدود ۳۰درصد مشتری‌ها ۲ بار و ۱۰ درصد مشتری‌ها بیش از ۲ بار خرید کرده‌اند. افرادی که فقط یک بار خرید کرده‌اند، امتیاز ۱،‌ افرادی که دو بار خرید کرده‌اند امتیاز ۲، و به همین ترتیب افرادی که ۵ یا تعداد بیشتری خرید کرده‌اند، امتیاز ۵ دریافت کرده‌اند.درمورد تازگی آخرین خرید، مشتری‌ها به ۵ قسمت ۲۰ درصدی تقسیم شدند. به‌طوری که افرادی که بین ۱ تا ۷۲ روز از آخرین خریدشان گذشته امتیاز ۵، بین ۷۲ تا ۱۳۱ امتیاز ۴، بین ۱۳۱ تا ۲۰۶ امتیاز ۳، بین ۲۰۶ تا ۲۹۰ امتیاز ۲ و بیش از ۲۹۰ روز امتیاز ۱ را دریافت می‌کنند.درمورد مجموع خرید هم افرادی که بین ۱.۳۷ دلار تا ۴۰ دلار خرید کرده‌اند امتیاز ۱، افرادی که بین ۴۰ تا ۱۰۰ دلار خرید کرده‌اند امتیاز ۲، افرادی که بین ۱۰۰ تا ۱۲۲۸ دلار خرید کرده‌اند امتیاز ۳، بین ۱۲۲۸ تا ۳۵۷۸ امتیاز ۴ و بین ۳۵۷۸ تا ۸۸۲۲۷۳.۵۳ دلار امتیاز ۵ را دریافت می‌کنند.حالا که امتیازها را داریم، قدم بعدی استفاده از الگوریتمی مانند K-means‌ برای خوشه‌بندی مشتری‌ها است.الگوریتم K-meansبه زبان ساده، نحوه کار الگوریتم K-means به این صورت است که ابتدا از مراکز خوشه‌ها که به صورت رندم انتخاب شده‌اند شروع می‌کند و فاصله بین اعضای هر خوشه با نقطه مرکزی را حساب می‌کند، و بعد با انجام محاسبات تکرارشونده سعی می‌کند مکان مراکز خوشه‌ها و داده‌هایی که به هر خوشه تعلق دارند را بهینه کند.فرآیند یادگیری زمانی به پایان می‌رسد که مراکز به پایداری رسیده باشند، یعنی دیگر با محاسبات بیشتر تغییری در مکان آنها اتفاق نمی‌افتد و خوشه‌یابی با موفقیت انجام شده است. یا تعداد تعیین‌شده‌ای تکرار اتفاق بیفتد.در الگوریتم K-means تعداد خوشه‌ها را باید به صورت ورودی تعیین کنیم؛ که در این بررسی تعداد خوشه‌های ۳ تا ۱۱ خوشه آزمایش شد تا براساس بهترین شاخص Silhouette به‌دست آمده و ترجیحی که خود ما نسبت به تعداد مناسب خوشه‌ها داریم، تعداد مطلوب خوشه‌ها انتخاب شود.خوشه‌بندی توسط الگوریتم K-meansبرای این خوشه‌بندی از ۸ خوشه استفاده شده و شاخص سیلووت ۴.۷ بوده است.تصویر از نرم‌افزار مدلردر این ۸ خوشه، شاخص‌های RFM به صورت زیر می‌باشد:حالا که در نهایت امتیازهای RFM مشتری‌ها را می‌دانیم و آنها را به ۸ خوشه تقسیم‌ کرده‌ایم، باید تعیین کنیم که هر کدام از این خوشه‌ها مطابق با کدام دسته از مشتری‌ها هستند که در جدول دسته‌بندی مشتری‌های براساس شاخص RFM ذکر شدند.می‌توانیم خوشه‌های به‌دست آمده را به این شکل با دسته‌بندی مشتری‌ها تطبیق بدهیم:نمایش Tree Map خوشه‌های مشتری‌هانمودار میله‌ای خوشه‌های مشتری‌هانتیجه‌‌گیریمدل RFM یک روش بازاریابی قوی است، این روش در دنیایی که تجربه مشتری مهم‌ترین مساله‌ در بازاریابی است، می‌تواند یک برگه برنده باشد.از طرفی وقتی از مدل RFM به همراه مدل‌ها سنتی بخش‌بندی بازار استفاده کنیم، در واقع به کسب‌وکار کمک کرده‌ایم که نگاه‌ تازه‌ای به مشتری‌ها فعلی و مشتری‌های جدیدش داشته باشد و شرایط بهینه‌ای ایجاد کند که ارزش طول عمر مشتری را به حداکثر برساند. یافتن تعادل مناسب بین تمرکز روی مشتری‌ها جدید و مشتری‌ها فعلی، به همراه تشخیص جزییات رفتار هر کدام از آنها، به کسب‌وکار کمک می‌کند بتواند طرح‌ها و برنامه‌های شخصی‌سازی‌شده برای مشتری‌ها داشته باشد و در نتیجه بتواند اعتماد و وفاداری مشتری‌ها را به دست بیاورد. مریم ناصری مریم ناصری Sat, 28 Nov 2020 16:12:25 +0330 https://virgool.io/@maryam.naaseri/%D8%A7%D8%B3%D8%AA%D8%B1%D8%A7%D8%AA%DA%98%DB%8C-go-to-market-%DB%8C%D8%A7-%D8%A7%D8%B1%D8%A7%D8%A6%D9%87-%D8%A8%D9%87-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D9%BE%DB%8C%D8%A7%D8%AF%D9%87-%D9%85%DB%8C%D8%B4%D9%88%D8%AF-txenfrb5oswq استراتژی ارائه به بازار یا به اختصار GTM روشی است که یک شرکت محصولی را به بازار ارائه می‌کند. در کل استراتژی GTM شامل کلیتی از طرح کسب‌وکار مشتری هدف، طرح بازاریابی و استراتژی فروش است. هر محصول و بازارش منحصر‌به‌فرد هستند، بنابراین هر GTM باید برای هر بازار و محصول به طور کامل نوشته شود و بتواند مشکلات بازار و راه‌حل‌های ارائه شده توسط محصول را تصویر کند.هدف از استراتژی ارائه به بازار چیست‌؟اگر استراتژی ارائه به بازار به درستی اجرا شود، اهداف تمام سهام‌داران را همراستا می‌کند و این اطمینان را ایجاد می‌کند که سهامداران به نقاط عطف و خروجی‌هایی که تعیین کرده‌اند خواهند رسید. در واقع این استراتژی بستری قابل‌دسترس برای رسیدن به موفقیت در بازار ایجاد می‌کند.در کل، استراتژی‌های ارائه به بازار به منظور خلق مزایای زیر به سازمان‌ها مورد استفاده قرار می‌گیرند:‌ایجاد یک برنامه و مسیر مشخص برای تمام سهامدارانکاهش مدت زمان ارائه به بازار محصولات یا خدماتافزایش شانس موفقیت ارائه محصول یا خدمتکاهش احتمال هزینه‌های اضافه به خاطر شکست محصول یا خدمتبهبود امکان واکنش به تغییرات و تمایلات مشتریبهبود مدیریت چالش‌هاتعیین یک مسیر مشخص برای رشداطمینان از خلق یک تجربه مشتری موثربا اینکه استراتژی‌های ارائه به بازار معمولا همراه با ارائه محصول به بازار همراه هستند، اما همچنین می‌توانند برای توصیف مراحل مشخصی که یک سازمان باید بردارد تا بتواند تعاملات مشتری با محصول ارائه شده را هدایت کند مورد استفاده قرار گیرد.چه چیزهایی داخل یک GTM وجود دارد؟هدف نهایی استراتژی GTM بهبود خروجی‌های اصلی کسب‌وکار است. این هدف در نهایت با رفع نیازهای مشتریان به دست می‌آید.برای ایجاد یک استراتژی GTM برای کسب‌وکار، بهتر است برنامه‌ای داشته باشیم که شامل موارد زیر باشد:بازارها: کدام‌ بازارها را دنبال خواهید کردمشتری‌ها: به چه کسی می‌خواهید بفروشید؟ مشتری‌های هدف شما چه کسانی هستند؟‌کانال‌ها: محصولاتان را کجا به مشتری می‌فروشید؟ محصولتان را کجا پروموت می‌کنید؟‌محصول: چه محصولی یا خدمتی می‌فروشید؟ چه ارزش منحصربه فردی را به هر گروه از مشتری‌های هدف پیشنهاد می‌کنید‌؟قیمت: برای محصولتان از هر کدام از گروه‌های مشتری چه هزینه‌ای دریافت می‌کنید؟جایگاه‌یابی:‌ ارزش منحصربه‌فرد یا تفاوت اصلی شما چیست‌؟ شما چطور درمورد چیزی که برای مشتری اهمیت دارد برخورد می‌کنید و چطور جایگاه برندتان را در میان مشتری‌ها باز می‌کنید‌؟اگر بتوانیم با دقت به این سوالات پاسخ دهید، در جایگاهی خواهید بود که بتوانید یک استراتژی ارائه به بازار خوب بنویسید.بپردازیم به اینکه هر کدام از موارد بالا چطور تعریف می‌شوند:تعریفی که بازار ارائه می‌دهیم، بازارهای خاصی را مشخص می‌کند، یا گروه‌هایی از افراد را تعریف می‌کند که توانایی و تمایل پرداخت برای یک محصول یا خدمت خاص را دارند. بازارها باید به طور مشخص و واضح تعریف شده باشند، اما در عین حال باید طوری تعریف شوند که شامل تعداد زیای مخاطب باشند که بتواند اهداف درآمدی و سوددهی آن محصول یا خدمت را پوشش دهد. اگر می‌خواهید چندین بازار را هدف قرار دهید، باید یکی از آن نسبت به بقیه اولویت بیشتری داشته باشد و این هدف اولیه به طور واضح اطلاع‌رسانی شود.مولفه مشتری‌ها به جمع‌آوری اطلاعات و تحقیقاتی نیاز دارد که بازار را تعریف کرده است تا از آن استفاده کند و بتواند به طور مشخص‌تر مخاطبان هدف برای آن بازار یا سرویس را مشخص کند. شرکت باید تصمیم بگیرد که می‌خواهد مشتریان فعلی با احتمال خرید دوباره را نگه دارد یا می‌خواهد دنبال یک سری کاملا جدید از مشتریان باشد. شرکتی که قصد دارد یک استراتژی GTM خلق کند و فرایند مالکیت مشتریش را بهبود دهد باید حتما روی این هم تمرکز کند که خریدارانش چه کسانی خواهند بود. به عنوان مثال، در یک استراتژی GTM بنگاه به بنگاه (B2B)، خریدار می‌تواند یک مدیر IT، مدیر یک خط از کسب‌وکار (LOB) یا عضوی از C-suite باشد.بخش‌بندی مشتری‌ها روشی متداول است که برای تقسیم کردن مشتری‌ها به گروه‌هایی با ویژگی‌های مشابه با اهداف بازاریابی مرتبط است، چیزهایی از قبیل سن، جنسیت، علائق و عادات خرج کردن پول. پرسونای خریداران نیز باید مشخص شود تا به شرکت کمک کند بفهمد چگونه برای این بخش‌های مختلف مشتری‌ها بازاریابی و فروش انجام دهد و تشخیص دهد که مناسب‌ترین مشتری‌ها برای یک محصول یا سرویس خاص چه کسانی هستند.مولفه‌های مدل توزیع تعیین می‌کند که کانال‌ها یا مسیرهای که محصول طی می‌کند تا به مشتری نهایی می‌رسد چه چیزهایی هستند. کانال‌های غیرمستقیم اغلب به عنوان بخشی از برنامه ارائه به بازار تامین‌کننده قرار می‌گیرند. کانال غیرمستقیم توزیع معمولا شامل این می‌شود که محصول از مراحل بیشتری گذر می‌کند تا از سازنده به مشتری برسد. به عنوان مثال، یک محصول در کانال غیرمستقیم ممکن است قبل از اینکه به فروشگاه خرده‌فروشی برسد، از سازنده به یک توزیع‌کننده و بعد فروشنده عمده عبور کند.وقتی که می‌خواهید کانال‌ها را تعریف کنید، بهتر است این سوال‌ها را از خود بپرسید:مشتری‌ها چگونه خرید یک محصول یا سرویس را شروع می‌کنند‌؟محصول یا سرویس چگونه و کجا توزیع می‌شود؟اگر یک محصول فیزیکی داریم که در یک فروشگاه توزیع می‌شود، چگونه به آنجا می‌رسد؟‌اگر یک محصول نرم‌افزاری داریم، مشتری چگونه آن را دانلود می‌کند؟‌آیا محصول یا سرویس روی سایت تجارت آنلاین سازمان به فروش می‌رسد یا از طریق یک شخص ثالث آنلاین؟‌مولفه پیغام محصول و جایگاه‌یابی آن شامل این است که تعریف کنیم محصول یا سرویس چه چیزی است، چه کاری انجام می‌دهد، مشتری هدف چگونه از وجود آن آگاه می‌شود و لیدها چگونه خلق می‌شوند. پیغام محصول باید به این پرسش پاسخ بدهد که محصول شما چگونه به یک نیاز خاص در بازار اشاره می‌کند و چرا مشتری باید باور کند که آن محصول به نیازش پاسخ خواهد داد. یک گزاره ارزش باید خلق شود، به‌طوری که مشخص کند که مشتری‌ها چگونه نسبت به پولی که پرداخت می‌کنند ارزش بیشتری دریافت می‌کنند. محصول یا سرویس باید از باقی محصولات بازار هم متمایز شود و این اطمینان حاصل شود که ارزشی منحصربه‌فرد خلق می‌کند.مولفه آخر، که قیمت است. قمیت باید براساس قیمت‌های ساخت یا توسعه محصول یا خدمت باشد. درعوض، قیمت باید با گزاره ارزش و جایگاه محصول یا خدمت در بازار سازگار باشد.فرآیند توسعه استراتژی ارائه به بازار۱. تعیین کردن مراکزی که فروش در آنها اتفاق می‌افتد و پرسوناهاهرچند ممکن است کلیشه به نظر برسد، اولین کاری که باید هنگام آماده کردن محصولتان برای بازار انجام دهید این است که مشتری‌هایتان را در نظر بگیرید.معمولا ۷ نقش اساسی به صورت زیر وجود دارد که بهتر است آنها را در نظر بگیرید:آغازگر: کسی که فرآیند خرید را شروع می‌کند یا ابراز علاقه می‌کند.مصرف‌کننده: به طور متداول از محصول شما استفاده می‌کند.تاثیرگذارنده: بقیه افراد را متقاعد می‌کنند محصول شما ضروری است.تصمیم‌گیرنده: کسی که تایید نهایی برای انجام خرید را انجام می‌دهد.خریدار: بودجه در اختیار او است.تایید کننده: تاییدکننده نهایی که آغازگر یک خرید در ابعاد بزرگ‌ است (معمولا از مدیران سازمان‌ها)دروازه‌دار: کسی که مانع راه‌اندازی یا تایید محصول می‌شود.این نقش‌ها تا حد زیادی به محصول، صنعت و افرادی که به آنها می‌فروشید بستگی دارد. بهتر است درمورد هر نقش، اهدافشان و نقاط دردشان تحقیق کنید.۲. یک ماتریس ارزش رسم کنید که به تشخیص‌دادن پیغام کمک کندبعد از تعیین کردن پرسونای مشتر‌های اصلی‌تان، بهتر است سراغ ماتریس ارزش بروید.ماتریس ارزش به این معنی است که پرسونای هر کدام از مراکز مشتری‌ها را جدا کنید، اینکه مشکلات کسب‌وکارشان چه چیزهایی است، محصول شما چگونه می‌تواند برای حل کردن مشکل آنها ارزش آفرینی کند، و یک پیام بازاریابی متناسب که مشکل و راه‌حل را به یکدیگر مرتبط می‌کند.یک نمودار رسم کنید که هر پرسونا در یک ستون آن قرار دارد. زیر هر پرسونا، نقاط دردی که هر روز با آن مواجهه هستند را لیست کنید. اگر محصول شما می‌تواند هر کدام از این مشکلات را راحت‌تر یا حل کند، آنها را در یک سطر پایین‌تر بیاورید.در آخر، پیغام باید به طور معناداری نقطه درد و ارزش هم به هم وصل کند. بهترین روش برای انجام این کار تحریک کردن نقطه درد است. مردم برای درمان سردرد، مسکن مصرف می‌کنند، اما احتمالا تمایلی ندارند که برای پیشگیری از سردرد هر روز قرص ویتامین مصرف کنند. ارزشی که محصول شما به همراه دارد باید آن درد را درمان کند، نه اینکه مانند ویتامین عمل کند.نمونه‌ای از ماتریس ارزش برای خدمات هوش تجاری به صورت دورکاری:۳. پیغامتان را تست کنیدوقتی که ماتریس ارزش ایجاد شد، می‌توانید پیغامتان را مورد بررسی قرار دهید. روی پلت‌فرم‌های بازاریابی شروع کنید به استفاده از پیغامی که در مرحله قبل برای اعضای مختلف گروه‌های مشتری‌ها خلق کرده‌اید.برای این کار سه متغیر وجود دارد که باید تست کنید: کانالی که برای تبلیغ از آن استفاده می‌کنید، مشتریان هدفتان و پیغامی که می‌خواهید به اشتراک بگذارید.وقتی می‌خواهید تصمیم بگیرید که کجا می‌خواهید تبلیغ کنید، اول باید کشف کنید که مشتری‌های شما کجا هستند. لینکدین، گوگل ادز، فیسبوک، توییتر و تلگرام از جمله کانال‌هایی هستند که می‌توانید انتخاب کنید. چندین کانال مختلف را امتحان کنید و بعد روی کانالی ادامه دهید که نرخ تبدیل بالاتری از خود نشان می‌دهد. و هزینه کردن روی کانال‌هایی که بازدهی چندانی برایتان ندارند را متوقف کنید.۴. تبلیغاتتان را قبل از اینکه آنها را در ابعاد گسترده پیدا کنید بهینه‌سازی کنیدبعد مخاطبانتان را بهینه کنید. بعضی از پلت‌فرم‌های تبلیغاتی دارای تنظیماتی هستند که می‌توانید مخاطب‌هایتان را کاملا هدفمند انتخاب کنید. به عنوان مثال لینکدین گزینه‌هایی دارد که می‌توانید عنوان شغلی، شرح شغلی، اندازه و مکان شرکت را مشخص کنید. گزینه‌های مختلف را امتحان کنید تا بفهمید کدام روی کدام گزینه بیشتر کلیک می‌شود.بعد پیغامتان را تست کنید تا ببینید کدام نسخه با مخاطب‌هایتان سازگاری بیشتری دارد. نرخ تعامل و تبدیل تبلیغات مشخص کننده این هستند که کدام گزاره ارزش و نقطه درد بهترین عملکرد را دارند.وقتی این داده‌ها را جمع‌آوری کردید، می‌توانید کمپین‌های بزرگ‌ترتان را بر اساس موارد موفقیت‌آمیز بنا کنید.۵. سفر خریدار را پیدا کنیدبعد از اینکه پرسونا و ماتریس ارزش را ساختید، کمی عمیق‌تر شوید و ببینید مشتری احتمالی چه مسیرهایی را طی می‌کند؛ هم از نقطه نظر مشتری و هم از نقطه‌نظر شرکت‌تان.از نقطه‌نظر مشتری، فرآیند خرید تا حد زیای خطی و سرراست است و کم‌وبیش به صورت زیر است:۱. خریدار به مشکلی پی می‌برد و درمورد آن مشکل به جستجو می‌پردازد۲. خریدار لیستی از راه‌حل‌های احتمالی درست می‌کند۳. لیست با صحبت‌کردن با تیم‌های فروشنده و تامین‌کننده‌ها و تست کردن محصول آنها کوتاه‌تر می‌شود و در نهایت تصمیمی گرفته می‌شود.سفر خریدار از نقطه‌نظر کسب‌وکار یک قیف است؛ قیفی که در آن افراد علاقمند زیادی در بالای قیف وجود دارد و همینطور که در قیف پیش می‌روند تعداد آنها کمتر می‌شود. این سفر می‌تواند به سه بخش تقسیم شود:بالای قیف: توجه: وایت‌پیپر، چک‌لیست‌ها و ویدئوهای کوتاه.میانه قیف: درنظر داشتن: ای‌بوک‌ها، مطالعات موردی، آموزش‌ها، وبینارها، دموانتهای قیف: تصمیم:‌ آزمایش، پروپوزال‌ها، پرس‌وجوهای تلفنی، فروش.بخش بالای قیف ، مرحله آگاهی است. محتوا در این مرحله توجه مشتری احتمالی را به خود جلب می‌کند. این محتوا می‌تواند به شکل مجله، وایت‌پیپر یا ویدئو باشد. با کلیک کردن روی یک تبلیغ، پست شبکه اجتماعی با نتیجه جستجو در یک موتور جستجو یک لید خواهیم داشت؛ هرچند این رفتارها به این معنی نیست این لید آماده است تا به یک خرید تبدیل شود.میانه قیف، مرحله در نظر داشتن است. این مرحله زمانی اتفاق می‌افتد که یک مشتری احتمالی نشان داده است که مشکلی دارد که محصول شما می‌تواند آن را حل کند. آنها این مرحله را با یک رفتار دیجیتال مانند دانلود کردن ای‌بوک یا پیوستن به یک وبینار نشان می‌دهند.در انتهای قیف، مرحله تصمیم‌گیری قرار دارد. در این زمان مشتری احتمالی احتمالا درخواست یک مرحله آزمایشی کرده است و دارد به این تصمیم نزدیک می‌شود که آیا بخرد یا نه.۶. یک یا چند تا از استراتژی‌های متداول فروش را انتخاب کنیدتا اینجا تمام کارهای اساسی مورد نیاز را انجام داده‌اید، حالا وقت آن رسیده که استراتژی‌ای انتخاب کنید که محصول شما را درون بازار هدایت می‌کند. یک متد کلی وجود ندارد که برای هر بازار یا محصولی مناسب باشد، پس خیلی مهم است که پیچیدگی، مقیاس‌پذیری و هزینه استراتژی خودتان را تعیین کنید.در کل چهار استراتژی فروش ارائه به بازار وجود دارد که هر کدام برای یک نوع مختلف از محصول یا مدل کسب‌وکار مناسب هستند.مدل سلف-سرویسمدل سلف سرویس وقتی است که مشتری خودش خریدش را انجام می‌دهد. معمولا این مدل را در خریدهای B2C می‌بینم که در آن مشتری می‌تواند محصول را از طریق یک وبسایت مثل آمازون پیدا کند و بخرد.این مدل برای محصولات ساده با هزینه پایین و خریدهایی با حجم بالا مناسب است. ساختن آن سخت است، اما وقتی موفقیت‌آمیز باشد، یک چرخه خرید کوتاه ایجاد می‌کند، استخدام کردن فروشنده هیچ هزینه‌ای ندارد و به‌شدت هم سودده است.با اینکه به تیم فروش نیاز نخواهید داست، به یک تیم بازاریابی نیاز دارید که برای سایت‌تان ترافیک و نرخ تبدیل ایجاد کند. تیم اصلی بازاریابی احتمالا شامل متخصصان بازاریابی رشد، بازاریابی عملکرد و بازاریابی محتوایی باشد.مدل کسب‌وکاری فروش داخلیمدل کسب‌وکاری فروش داخلی زمانی است که مشتری احتمالی باید تحت راهنمایی یک نماینده فروش قرار بگیرد تا به یک معامله تبدیل شود. این مدل بیشتر برای محصولاتی با پیچیدگی و قیمت متوسط کاربرد دارد.چرخه فروش بین چند هفته تا چند ماه ممکن است طول بکشد. در این مدل لازم است که روی تیم فروش سرمایه‌گذاری کنید.این مدل می‌تواند سودده باشد و ساختن و مقیاس‌پذیر کردن آن با استخدام اعضای تیم فروش کار سختی نیست.مدل کسب‌وکار فروش میدانیفروشی میدانی زمانی مناسب است که یک سازمان کامل برای فروش دارید و معامله‌های سازمانی بزرگ می‌بندید. معمولا برای محصولات پیچیده کاربرد و قیمت‌های بالا کاربرد دارد. همچنین به معنی حجم کم معاملات با چرخه فروش طولانی است.تیم فروش معمولا در این مدل بسیار پرهزینه‌ است، چون فروشنده‌های میدانی معمولا باتجربه و با حقوق بالا هستند. ساختن چنین مدلی آسان است، اما مقیاس‌پذیر کردن آن مشکل است، چون به زمان و پول زیادی برای استخدام و آموزش یک سازمان کامل فروش نیاز است.مدل کانالدر آخر، در مدل کانال یک شریک یا نماینده بیرونی فروش را برای شما انجام خواهد داد. ساختن این مدل سخت است، چون ممکن است یافتن و آموزش دادن افراد چندان آسان نباشد. معمولا آنها انگیزه کمتری نسبت به تیم داخلی خودتان برای فروش دارند.با این وجود، این مدل، مدل نسبتا ارزانی است و نیازی نیست که برای یک تیم کامل خودتان هزینه کنید. این مدل برای محصولی مناسب است که با علائق شریک شما هماهنگ باشد. به عنوان مثال، اگر شما قاب موبایل می‌فروشید، احتمالا بهتر است شریک‌هایی از جمله سازندگان موبایل پیدا کنید.در نهایت می‌توانید این استراتژی‌ها را بر اساس محصول، صنعت و اندازه مشتری‌هایتان با هم ترکیب و مورد استفاده قرار دهید. برای استارتاپ‌ها بهتر این است که به مرور مقیاس کارشان را گسترش دهند، تا اینکه در ابتدای کار سرمایه‌گذاری زیادی روی یک تیم فروش گران‌قیمت کنند.۷. با روش‌های برون‌گرا یا درون‌گرا آگاهی از برند و تقاضا ایجاد کنیدحالا باید قیف‌تان را با دست آویختن به توجه مخاطب هدفتان پر کنید. این اتفاق با ایجاد تقاضا می‌افتد، که می‌تواند با استراتژی‌های درونگرا و/یا برونگرا اتفاق بیفتد.۸. راه‌هایی پیدا کنید که تونل‌تان را بهینه و نرخ تبدیل‌تان را بالا ببریدلازمه رشد کردن بیشتر از فقط انتخاب یک استراتژی فروش و ایجاد تقاضا است. باید بهینه‌سازی انجام دهید.فروش، بازی اعداد است و فقط زمانی می‌توانید موفق باشید که بتوانید بهبودهایتان را اندازه‌گیری کنید. شاخص‌های ارزیابی عملکرد (KPI) برای مدیریت یک تیم فروش، حجم، نرخ تبدیل و زمان است.بهتر است اینکه چه تعداد فرصت وارد قیف فروش شما می‌شود هم تحت نظر داشته باشید. بعد ببینید چه تعداد از این فرصت‌ها در انتهای قیف به معامله تبدیل شده است.۹. چرخه فروش را آنالیز و بهینه کنیددر نهایت، بررسی کنید که چرخه فروش شما چقدر زمان لازم دارد. یعنی مدت زمانی که طول می‌کشد تا یک فرصت وارد قیف فروش شود و بعد به یک معامله بسته شده تبدیل شود. هدف کوتاه‌کردن زمان تبدیل بین هر مرحله است. این کار را می‌توانید با تشخیص اهداف مشترک، انجام راهنمایی‌های مدیریتی پیوسته، و ادامه دادن به جستجو برای پیدا کردن بهترین روش پیدا کردن مشتری به انجام برسانید.۱۰. هزینه یافتن مشتری را کاهش دهیدبه عنوان مالک کسب‌وکار، حتما باید هزینه تبدیل کردن افراد به مشتری را کاهش دهید. این کار در ابتدا بسیار پرهزینه است، اما با گذشت زمان، با بهینه کردن فرآیندها می‌توانید این هزینه را کاهش دهید؛ در غیراین صورت بیشتر از اینکه پول دربیاورید هزینه می‌کنید.تبدیل مشتری به این معنی است که چقدر هزینه می‌برد تا به ازای یک واحد پولی مشخص یک مشتری جدید به دست بیاورید یا یک معامله را ببندید.۱۱. برای بهره‌بری از مشتری‌های فعلی‌تان استراتژی داشته باشیدیک باور متداول در صنعت وجود دارد که پیدا کردن مشتری جدید ۷ برابر هزینه بیشتری نسبت به معامله با مشتری‌های موجود دارد. به این خاطر که شما یک تجربه خرید عالی خلق می‌کنید و مشتری قدیمی این را می‌داند؛ در واقع به شما اعتماد دارد.خیلی از افراد فکر می‌کنند که فروش مثل جعبه سیاه است. اما با آنالیز کردن و تکنولوژی‌های هوش مصنوعی برای فروش‌های جدید، مدیران کسب‌وکارهای می‌توانند فرآیندهایشان را بهینه کنند و کسب‌وکارشان را با سرعت بیشتری رشد دهند. مریم ناصری مریم ناصری Fri, 27 Nov 2020 15:21:26 +0330