یک تجارت یا بیزنس کوچک معمولا به معنی وجود داده‌های کوچک است. اما می‌توان از همین ریز داده‌ها در کسب و کار هم ارزش به دست آورد. دنیای داده‌ها بسیار گسترده است و شاید ارزش گیگابایت کمتر از چند شاهی باشد. اما تغییرات گسترده می‌توانداین مقدار را در کسب‌وکارهای کوچک به دلار برساند. فروشگاه‌های آنلاین دیجیتال mom-and-pop با همان چالش تحلیلی رقبای غول‌پیکر خود روبرو هستند: اینکه بفهمند چه کسانی بهترین مشتری‌ها هستند و چگونه باید به آنها محصول را فروخت.
ممکن است مشاغل کوچک مقدار داده - یا وسیله‌ای - برای استفاده از تکنیک‌های کلان داده نداشته باشند. اما می‌توانند راه‌حلی برای ارزش آفرینی از داده‌های کوچک (small data) پیدا کنند. اما این کار چگونه انجام می‌شود.
میل چیمپ (Mailchimp)، یکی از شرکت‌های معروف ارائه راه‌حل‌های بازاریابی ایمیلی به مشاغل کوچک است. این شرکت دانشمندان داده، دانشمندان کامپیوتر و ریاضیدانان خاص خود را دارد و یکی از شرکت‌های مهم در رابطه با داده‌ها است. داده‌های مشتریان میل چیمپ در دسترس این شرکت است و دیوید دیوی، مدیر ارشد علوم داده در این شرکت می‌گوید که بدون استخدام افراد، از توانایی‌های آنها استفاده می‌شود.
گرچه این شرکت از حریم خصوصی مشتریان محافظت می‌کند، اما داده‌ها برای تجزیه و تحلیل در دسترس هستند. Mailchimp از مدل ماشین لرنینگ خود به عنوان ورودی طرح کسب و کار (بیزنس مدل) کوچک مشتری عمل کند. دیوید دیوی همچنین گفته است که ورودی داده‌های بزرگ به عنوان یک مرکز ثقل عمل می‌کند و طرح کسب و کار (بیزنس مدل) کوچک را در مسیر نگه می‌دارد. مشاغل کوچک می‌توانند عملکرد خود را با میانگین جمع‌آوری شده توسط پایگاه مشتری میل چیمپ مقایسه کنند تا ببینند چگونه رتبه‌بندی می‌شوند. این الگوها می‌توانند زمینه‌هایی برای بهبود و بهترین روش‌هایی را که می‌توان برای افزایش فروش آنلاین استفاده کرد، ایجاد کنند. به طور کلی میل چیمپ تلاش می‌کند با جمع‌آوری داده‌های کوچکی که در اختیار دارد، از مزایای ماشین لرنینگ مبتنی بر کلان داده به کسب‌وکارهای کوچک کمک کند.
محاسبه مجدد برای ترسیم مجدد تصویر کسب و کار، یکی دیگر از روش‌های استفاده از جریان داده در زمان واقعی است. این گفته مارک استوس، رئیس و مدیرعامل Proof Analytics است. وی می‌گوید استفاده از داده‌ها در زمان جمع‌آوری آنها کار سختی نیست. این کار به شما کمک می‌کند مشاهدات بهتری داشته باشید و اعتماد بیشتری نسبت به نتایج به دست آمده کسب کنید.
طبق گفته او، اگر مدیران کسب و کارها تا 50، 60 یا 70% به نتایج اعتماد کنند، کافی است. در واقع اعتماد کسب وکارها هرگز و در هیچ شرایطی به 95٪ نمی‌رسد و حتی به آن نیاز هم ندارد. توانایی محاسبه مجدد در زمان پرواز، داده‌های کوچک را بسیار شبیه به GPS می‌کند. وی می‌گوید این موضوع به شما این امکان را می‌دهد مشکلات پیش آمده را حل کنید. این موضوع هیچ تفاوتی با تغییر مسیر در سفر جاده‌ای ندارد.
کار با داده‌های کوچک باید کاملاً آشنا باشد. داده‌های کوچک همیشه وجود دارند؛ حتی اگر از سیستم عامل یا سرویسی برای تحلیل آن استفاده نمی‌کنید. این موضوع ارتباط کمی به الگوریتم دارد و بیشتر در مورد محتوا است. اینکه چه مقدار از مطالب خوب است؟
الگوریتم‌های داده‌های بزرگ می‌توانند از طریق میلیون‌ها فرآیند جایگشت مرتب شوند تا پیش‌بینی کنند که بهترین پیام ممکن از بهترین پاسخ گروهی مشتریان چیست. مشتری دقیقاً کسی است که می‌تواند راهنمایی بهتری ارائه دهد. این در واقع یک مدل داده کوچک به جای الگوریتم داده‌های بزرگ در ذهن بازاریاب است.
نمره پروموتر خالص (Net promoter score or NPS) به سادگی می‌تواند بازخورد مشتری را از پنجره‌های پاپ-آپ پیمایشی بگیرد. به این صورت که می‌توان از مشتری یا کاربر در مورد یک سرویس یا محصول در مقیاس 1-10 نظرسنجی کرد. نمره‌های 9 و 10 مروج (promoters) هستند و نمره‌های زیر 6 نشان از مخالف‌ها دارند. این نوع داده‌ها مقدار زیادی پاسخ ایجاد می‌کنند که با وجود مقدار بالا، داده‌های بزرگی محسوب نمی‌شوند.
آزمایش A/B یا همان «A/B test» یکی دیگر از تکنیک‌های داده است. این روش یک روش بهینه‌سازی نرخ تبدیل است که عمری بیشتر از یک دهه دارد. فرآیند این آزامیش به این صورت است که می‌توانید طی آن مخاطبان را به دو دسته تقسیم کنید و به هر گروه پیشنهاد متفاوتی ارائه دهید و ببینید کدام یک واکنش بهتری از سمت مشتریان دارد. البته این مورد هم به صدها یا هزاران شرکت‌کننده که نظراتشان را ارائه دهند، نیاز دارد.
بازاریابی محتوا و بهینه‌سازی موتور جستجو (SEO) هم نمایشی از داده‌های کمی هستند. مثلا اینکه کدام محتوا و کدام کلمات کلیدی باعث ایجاد ترافیک ارگانیک در وب‌سایت شما شده‌اند یا خواهند شد؟ در بازاریابی هم می‌توان با استفاده از داده‌های کوچک ارزش زیادی به دست آورد.
داده‌های بزرگ تنها به دلیل اندازه بزرگی که دارند، ممکن است باعث انسداد خودشان بشوند. در واقع بین دقت در علم داده و واقعیت عملی کسب و کار تفاوت اساسی وجود دارد. در دسترس بودن داده‌ها مسئله‌ای مهم و واقعی است و همیشه داده‌های کوچک نسبت به داده‌های بزرگ در دسترس‌تر‌اند و راحت‌تر جمع‌آوری می‌شوند.
گویی دنیای تجارت یک جهان داده‌های موازی به معنای یک جهان بزرگ و دقیق از علم داده و یک جهان تقریبی اما فوری از نیازها و نتایج کسب و کاردارد. بسیاری از مجموعه‌های بزرگ داده یا انبار داده در حال از بین رفتن هستند؛ زیرا نگهداری و ایمن‌سازی آنها بسیار گران تمام می‌شود. از طرفی ارزش استخراج کمتر از حد مورد نظر است. تجزیه و تحلیل می‌تواند نگاهی کلی به تصویر داده‌های سازمان بیندازد و داده‌های عملی جمع‌آوری شده در زمان واقعی می‌تواند مفیدتر باشد.
در حالی که مجموعه داده‌های بزرگ، نتایج تحلیلی ایجاد می‌کنند و بعید به نظر می‌رسد که این نتایج توسط افراد دور از دسترس تحت تأثیر قرار بگیرند، نمونه‌های کوچک در برابر داده‌های خارج از محدوده (outlier) آسیب‌پذیر هستند. معمولا نتیجه‌گیری‌های نادرستی ایجاد می‌شود که می‌تواند تأثیر زیادی بر نتایج داشته باشد. مثلا میل چیمپ یک فرآیند دقیق انجام می‌دهد تا تعیین کند آیا یک outlier نتیجه‌ای ناخواسته برای کاربر دارد یا نه و در صورتی که تاثیر منفی نداشته باشد، به مشتری گزارش می‌شود.
البته طبیعت هنوز هم راه‌هایی برای خلق outlier خاص خود دارد. اپیدمی Covid-19 شدیدا به اقتصاد ضربه زده است؛ تا جایی که پیش‌بینی‌های مبتنی بر مجموعه داده‌های بسیار بزرگ را مختل کرده است. مثلا در این مدت کلمات کلیدی جدیدی در جستجوی آنلاین ایجاد شده‌اند.
رویکرد Proof Analytics برای نظارت بر داده‌ها در زمان واقعی به کاربران این امکان را می‌دهد که مشکل در حال توسعه را مشاهده کنند و با آن روبرو شوند. مثلا اتفاقاتی که در گذشته به وقوع پیوسته‌اند، لزوما در حال حاضر درست نیستند. شرکت‌ها هنوز هم باید پیش‌بینی خود را با داده‌هایی که در اختیار دارند انجام دهند. اما اگر این برنامه‌ریزی‌ها در محیط فعلی کار نمی‌کنند، باید متناسب با واقعیت در حال تغییر تنظیم شوند.
میل چیمپ امکان برون‌سپاری تخصصی را برای تجارت کوچک آنلاین را فراهم می‌کند. چنین بنگاه‌های اقتصادی توسط چند نفر یا حتی یک نفر اداره می‌شوند و به دنبال علاقه خود یا حفظ تمرکز روی یک بازار گسترده هستند. آنها اغلب فاقد وقت و تخصص لازم برای انجام تجزیه و تحلیل به منظور شناسایی بهترین مشتریان، برآورد ارزش مادام‌العمر مشتری و یا حتی نحوه و زمان یادآوری ایمیل‌ها برای فروش بیشتر هستند.
اما این هوش مصنوعی میل چیمپ است که می‌تواند تجزیه و تحلیل کند، برنامه را طراحی کند و آن را به مشتری کوچک تجاری ارائه دهد.
Proof Analytics ترجیح می‌دهد راهنمایی‌هایی ارائه دهد که به اخذ تصمیم بهتر می‌انجامند. اگر اتوماسیون کافی وجود داشته باشد، به دانشمند داده احتیاجی نیست و تنها یک تحلیلگر کافی است. حتی ممکن است یک تحلیلگر نیمه وقت هم کافی باشد. البته همیشه باید تصمیم بهتر را گرفت. زیرا ممکن است یک تصمیم بد هزینه زیادی داشته باشد. در هر صورت مشتری می‌تواند روی اداره کسب و کار هوشمند خود تمرکز کند.
منابع: marketingland | cyfe | talend
