بازار کار علم داده با چند مثال

دانشمندان داده با سؤالاتی در مورد آینده مقابله می کنند. همانطور که در مقالات قبل گفتیم، آنها با داده های بزرگ شروع می شوند که با سه کلمه شروع می‌شوند که حرف اول آن‌ها V است:

• Volume (حجم)
• Variety (نوع)
• Velocity (سرعت)

سپس از آن‌ها به عنوان خوراک الگوریتم‌ها و مدل‌ها استفاده می‌کنند. پیشرفته ترین دانشمندان داده که در زمینه یادگیری ماشینی و هوش مصنوعی کار می کنند، مدل هایی می سازند که به طور خودکار خودبهبود می شوند، اشتباهات خود را یادداشت می کنند و از آنها درس می گیرند.

دانشمندان داده تقریباً هر صنعتی دست برده‌اند. در پزشکی، الگوریتم های آنها به پیش بینی عوارض جانبی بیمار کمک می کند. در ورزش، مدل‌ها و معیارهای آن‌ها «پتانسیل ورزشی» را دوباره تعریف کرده‌اند. برنامه‌های کاربردی علم داده حتی با مدل‌های بهینه‌سازی مسیر که ساعات شلوغی معمولی و آرامش آخر هفته را به تصویر می‌کشند، با ترافیک مقابله

کرده‌اند.

25 نمونه از شغل های بازار کار علم داده

در زیر ۲۵ نمونه از کاربردهای علم داده در محل کار، در حوزه‌هایی از تجارت الکترونیک تا مراقبت‌های بهداشتی را گردآوری کرده‌ایم.

بازار کار برنامه‌های کاربردی علوم داده مراقبت‌های بهداشتی

در سال ۲۰۰۸، علم داده اولین علامت مهم خود را در صنعت مراقبت های بهداشتی ایجاد کرد. کارکنان گوگل دریافتند که می‌توانند با ردیابی داده‌های مکان در جستجوهای مربوط به آنفولانزا، شیوع آنفولانزا را در زمان واقعی ترسیم کنند. نقشه های موجود CDC از موارد ثبت شده آنفولانزا، FluView، تنها یک بار در هفته به روز می‌شد. گوگل به سرعت یک ابزار رقیب با به‌روزرسانی‌های مکرر ارائه کرد: Google Flu Trends

اما کار نکرد. در سال ۲۰۱۳، گوگل حدود دو برابر موارد آنفولانزای واقعی را تخمین زد. به نظر می رسید که روش مخفی این ابزار شامل یافتن همبستگی بین حجم عبارت جستجو و موارد آنفولانزا باشد. این بدان معناست که الگوریتم Flu Trends گاهی اوقات سهام زیادی را در عبارات جستجوی فصلی مانند "بسکتبال دبیرستان" قرار می دهد.

با این حال، پتانسیل جدی علم داده در مراقبت های بهداشتی را نشان داد.

بازار کارهای علم داده ایجاد شده توسط گوگل

در اینجا چند نمونه از ابزارهای مراقبت بهداشتی قدرتمندتر و دقیق‌تر ارائه شده است که در سال‌های پس از تلاش اولیه Google توسعه یافته‌اند. همه آنها توسط علم داده طراحی شده اند.

1. شناسایی تومورهای سرطانی

گوگل استفاده از علم داده در مراقبت های بهداشتی را رها نکرده است. در واقع، این شرکت ابزاری به نام LYNA را برای شناسایی تومورهای سرطان سینه که به غدد لنفاوی مجاور متاستاز می کنند، توسعه داد. دیدن آن برای چشم انسان دشوار است، به خصوص زمانی که رشد سرطان جدید کوچک باشد. در یک کارآزمایی، LYNA - مخفف دستیار گره لنفاوی - با استفاده از الگوریتم یادگیری ماشینی خود، ۹۹ درصد مواقع سرطان متاستاتیک را به دقت شناسایی کرد. با این حال، قبل از اینکه پزشکان بتوانند از آن در بیمارستان ها استفاده کنند، آزمایش بیشتری لازم است.

2. ردیابی چرخه‌های قاعدگی

برنامه محبوب Clue از علم داده برای پیش بینی چرخه قاعدگی و سلامت باروری کاربران با ردیابی تاریخ شروع چرخه، خلق و خوی، نوع مدفوع، وضعیت مو و بسیاری از معیارهای دیگر استفاده می کند. در پشت صحنه، دانشمندان داده این انبوه داده های ناشناس را با ابزار و زبان هایی مانند پایتون و Jupyter استخراج می کنند. سپس به طور الگوریتمی به کاربران اطلاع داده می شود که بارور شوند، در آستانه قاعدگی یا در معرض خطر بالا برای شرایطی مانند حاملگی خارج از رحم باشند.

3. شخصی سازی برنامه‌های درمانی

نرم افزار Oncora از یادگیری ماشینی برای ایجاد توصیه های شخصی برای بیماران سرطانی فعلی بر اساس داده های گذشته استفاده می‌کند. امکانات مراقبت های بهداشتی با استفاده از پلت‌فرم این شرکت شامل UT Health San Antonio و Scripps Health است. تیم رادیولوژی آنها با دانشمندان داده Oncora همکاری کردند تا داده های ۱۵ ساله را در مورد تشخیص ها، برنامه های درمانی، نتایج و عوارض جانبی بیش از ۵۰۰۰۰ پرونده سرطان استخراج کنند. بر اساس این داده ها، الگوریتم Oncora یاد گرفت که رژیم‌های شیمی درمانی و پرتو درمانی شخصی را پیشنهاد کند.

4. پاک کردن داده‌های کارآزمایی بالینی

Veeva یک شرکت نرم افزار ابری است که داده ها و راه حل‌های نرم افزاری را برای صنعت مراقبت‌های بهداشتی ارائه می‌دهد. دامنه دسترسی این شرکت از طریق زمینه های پزشکی بالینی، نظارتی و تجاری گسترش می یابد. Vault EDC Veeva از علم داده برای پاکسازی یافته‌های کارآزمایی بالینی و کمک به متخصصان پزشکی در انجام تنظیمات در اواسط مطالعه استفاده می‌کند.

نمونه شغل های علم داده حمل و نقل و لجستیک

رانندگی نقش اصلی را در زندگی آمریکایی‌ها ایفا می‌کند. دیوان عالی آن را "یک ضرورت مجازی" نامیده است و اکثریت قریب به اتفاق آمریکایی‌ها - حدود ۱۳۲ میلیون خانوار - ماشین دارند یا اجاره می‌کنند. در سال ۲۰۲۱، خودروهای آمریکایی حدود ۱۳۵ میلیارد گالن بنزین سوزاندند. متأسفانه، این عادت به تغییرات آب و هوایی کمک می کند، اما علم داده اینجاست تا  به این مساله کمک کند.

در حالی که هم دوچرخه سواری و هم حمل و نقل عمومی می توانند آلایندگی‌های مرتبط با رانندگی را کاهش دهند، علم داده می‌تواند همین کار را با بهینه سازی مسیرهای جاده‌ای انجام دهد. و اگرچه تنظیمات مسیر مبتنی بر داده اغلب کوچک هستند، اما می‌توانند به صرفه جویی در هزاران گالن گاز در صدها سفر و وسیله نقلیه کمک کنند - حتی در میان شرکت‌هایی که صراحتاً روی محیط زیست متمرکز نیستند. در اینجا چند نمونه از علم داده در این زمینه وجود دارد.

1. مدل سازی الگوهای ترافیک در مشاغل علم داده

StreetLight از علم داده برای مدل‌سازی الگوهای ترافیکی خودروها، دوچرخه‌ها و عابران پیاده در خیابان‌های آمریکای شمالی استفاده می‌کند. بر اساس هجوم ماهانه تریلیون‌ها نقطه داده از تلفن‌های هوشمند، دستگاه‌های ناوبری داخل خودرو و موارد دیگر، نقشه‌های ترافیک Streetlight به‌روز می‌مانند. این برنامه‌ها نسبت به برنامه‌های اصلی نقشه‌ها نیز جزئی‌تر هستند. آن‌ها می‌توانند گروه‌هایی از مسافرانی را شناسایی کنند که از حالت‌های حمل و نقل متعدد برای رسیدن به محل کار استفاده می‌کنند، مانند قطاری که یک اسکوتر دنبال می‌کند. نقشه‌های این شرکت به شرکت‌های برنامه‌ریزی شهری مختلف، از جمله طراحی حمل‌ونقل رفت و آمد اطلاع می‌دهد.

2. بهینه سازی تحویل غذا با مشاغل علم داده

دانشمندان داده در UberEats یک هدف نسبتاً ساده دارند : تحویل سریع غذای گرم. با این حال، تحقق این امر در سراسر یک کشور به یادگیری ماشینی (آموزش یادگیری ماشین در پایتون (Python Machine Learning))، مدل‌سازی آماری پیشرفته و کارکنان هواشناس نیاز دارد. برای بهینه‌سازی فرآیند تحویل کامل، تیم باید پیش‌بینی کند که چگونه هر متغیر ممکن - از طوفان گرفته تا شلوغی تعطیلات - بر ترافیک و زمان پخت و پز تأثیر می‌گذارد.

3. بهبود تحویل بسته با مشاغل علم داده

UPS از علم داده برای بهینه سازی حمل و نقل بسته از دریافت تا تحویل استفاده می کند. سیستم ناوبری یکپارچه ORION این شرکت به رانندگان کمک می کند تا بیش از ۶۶۰۰۰ مسیر کوتاه مختلف را انتخاب کنند. ORION با استفاده از الگوریتم‌های پیشرفته، هوش مصنوعی و یادگیری ماشینی، سالانه حدود ۱۰۰ میلیون مایل و ۱۰ میلیون گالن سوخت در UPS صرفه‌جویی کرده است. این شرکت قصد دارد به به روز رسانی سیستم ORION خود ادامه دهد و آخرین نسخه آن در سال ۲۰۲۱ عرضه شده است. آخرین به روز رسانی به رانندگان اجازه می دهد تا مسیرهای خود را بین دو تا چهار مایل کاهش دهند.

برنامه‌های کاربردی علوم داده‌های ورزشی و بازار کار انبوه آن

در اوایل دهه ۲۰۰۰، بودجه استخدامی Oakland Athletics آنقدر ناچیز بود که تیم نمی توانست بازیکنان باکیفیت جذب کند. حداقل، آن‌ها نمی‌توانستند بازیکنانی را برای تیم‌ باکیفیت جذب کنند. بنابراین مدیر کل، کیفیت را بازتعریف کرد و با استفاده از آمار درون بازی که تیم‌های دیگر نادیده گرفتند، پتانسیل بازیکنان را پیش‌بینی کردد و علیرغم بودجه‌شان تیمی قوی تشکیل داد.

استراتژی او به A's کمک کرد تا به مرحله پلی آف بروند. نویسنده مایکل لوئیس کتابی درباره این پدیده به نام مانی بال نوشت. از آن زمان، بازار جهانی تحلیل های ورزشی رشد قابل توجهی داشته است و انتظار می رود تا سال ۲۰۲۶ به ۸.۴ میلیارد برسد. در اینجا چند نمونه از چگونگی تغییر علم داده در ورزش آورده شده است. (مشاغل جدید علم داده در زمینه ورزش)

1. ایجاد بینش پیش بینی در بسکتبال

سیستم تجزیه و تحلیل تیراندازی RSPCT، که توسط تیم‌های NBA و کالج به کار گرفته شده است، بر روی یک سنسور روی لبه حلقه بسکتبال تکیه دارد که دوربین کوچک آن دقیقاً زمان و مکان برخورد توپ را در هر تلاش برای سبد ردیابی می‌کند. این داده ها را به دستگاهی منتقل می کند که جزئیات عکس را در زمان واقعی نمایش می‌دهد و بینش‌های پیش بینی کننده ایجاد می‌کند.

2. ردیابی داده های فیزیکی برای ورزشکاران

WHOOP دستگاه‌های پوشیدنی می‌سازد که داده‌های فیزیکی ورزشکاران مانند ضربان قلب در حالت استراحت، چرخه خواب و تعداد تنفس را ردیابی می‌کند. هدف این است که به ورزشکاران کمک کنیم تا بفهمند چه زمانی تمرینات خود را تحت فشار قرار دهند و چه زمانی استراحت کنند - و مطمئن شوند که اقدامات لازم را برای استفاده حداکثری از بدن خود انجام می‌دهند. طبق وب سایت این شرکت، ورزشکاران حرفه ای مانند گبی توماس دونده المپیک، نلی کوردا گلف باز المپیکی و نیک واتنی گلف باز PGA از جمله کاربران WHOOPS هستند.

3. جمع آوری معیارهای عملکرد برای بازیکنان فوتبال

Trace تجهیزات ضبط و سیستم هوش مصنوعی را برای مربیان فوتبال فراهم می کند که فیلم بازی را تجزیه و تحلیل می کند. بازیکنان از یک دستگاه ردیابی به نام Tracer استفاده می کنند، در حالی که دوربین مخصوص طراحی شده آن بازی را ضبط می کند. سپس ربات هوش مصنوعی آن فیلم را می گیرد و تمام لحظات مهم یک بازی را به هم می چسباند - از شوت به سمت دروازه گرفته تا لغزش های دفاعی و موارد دیگر. این فناوری به مربیان و بازیکنان اجازه می دهد تا بینش دقیق تری از فیلم بازی داشته باشند. این نرم افزار علاوه بر به هم چسباندن کلیپ‌ها، معیارهای عملکرد و نقشه گرمای میدان را نیز ارائه می‌دهد.

برنامه‌های کاربردی علم داده‌های دولتی و ایجاد اشتغال

اگرچه تعداد کمی دولت ایالات متحده را به عنوان "Extremely Online" تصور می کنند، آژانس‌های آن می‌توانند به انبوهی از داده‌ها دسترسی داشته باشند. نه تنها آژانس‌های آن پایگاه‌های اطلاعاتی (دیتابیس ابری یا پایگاه داده ابری) مربوط به عکس‌های شناسایی، اثر انگشت و فعالیت‌های تلفنی خود را نگهداری می‌کنند، بلکه مأموران دولتی می‌توانند برای به دست آوردن داده‌ها از هر انبار داده آمریکایی مجوز دریافت کنند. به عنوان مثال، بازرسان اغلب به انبار گوگل مراجعه می‌کنند تا فهرستی از دستگاه‌هایی که در صحنه جنایت فعال بودند را دریافت کنند.

اگرچه بسیاری چنین فعالیت‌هایی را تجاوز به حریم خصوصی می‌دانند، ایالات متحده حداقل مقررات حفظ حریم خصوصی را دارد و داده‌های دولت به این زودی‌ها خشک نمی‌شوند. در اینجا برخی از روش‌هایی که سازمان‌های دولتی علم داده را برای ذخیره‌های عظیم داده اعمال می‌کنند، آورده شده است.

1. پیش بینی تکرار جرم در بین زندانی

مجموعه نرم افزار نورث پوینت Equivant که به طور گسترده توسط سیستم قضایی آمریکا و مجریان قانون استفاده می شود، تلاش می کند تا خطر ارتکاب مجدد یک فرد زندانی را بسنجد. الگوریتم‌های آن این ریسک را بر اساس پرسشنامه‌ای پیش‌بینی می‌کنند که وضعیت شغلی، سطح تحصیلات و موارد دیگر را پوشش می‌دهد. هیچ مورد پرسشنامه ای به طور صریح به نژاد اشاره نمی کند، اما بر اساس تجزیه و تحلیل ProPublica که توسط نورث پوینت مورد مناقشه قرار گرفت، الگوریتم Equivant افراد سیاهپوست را در ۷۷ درصد مواقع به عنوان خطر تکرار بالاتر نسبت به سفیدپوستان مشخص می کند - حتی زمانی که آنها هم سن و هم جنس هستند. ProPublica همچنین دریافت که پیش بینی های Equivant  ۷۱ درصد دقیق بودند.

2. پایگاه‌های داده استخراج با نرم افزار تشخیص چهره

اداره مهاجرت و گمرک ایالات متحده از فناوری تشخیص چهره برای استخراج پایگاه داده عکس گواهینامه رانندگی با هدف اخراج مهاجران غیرقانونی استفاده کرده است. این عمل - که از دیدگاه اخلاقی و تکنولوژیکی انتقاداتی را برانگیخته است (فناوری تشخیص چهره همچنان متزلزل است) - در زیر چتر علم داده قرار می گیرد. تشخیص چهره بر اساس عکس‌های چهره‌ها، که داده‌های خام نامیده می‌شود، با هوش مصنوعی و قابلیت‌های یادگیری ماشینی ساخته می‌شود.

3. کشف تقلب مالیاتی

طبق یک برآورد، فرار مالیاتی سالانه یک میلیارد دلار برای دولت ایالات متحده هزینه دارد، بنابراین جای تعجب نیست که IRS پروتکل های کشف تقلب خود را در عصر دیجیتال مدرن کرده است. برای ناراحتی حامیان حریم خصوصی، آژانس با ساخت پروفایل های مالیات (مالیات فروشگاه های اینترنتی + نحوه محاسبه و نکات) دهندگان چند بعدی از داده های رسانه های اجتماعی عمومی، متادیتاهای مختلف، تجزیه و تحلیل ایمیل، الگوهای پرداخت الکترونیکی و موارد دیگر، کارایی را بهبود بخشیده است. بر اساس آن مشخصات، آژانس اظهارنامه های مالیاتی فردی را پیش بینی می کند.

نمونه‌های علوم داده‌های بازی در بازار کار علم داده

صنعت بازی در حال رشد است و از علم داده برای کمک به گسترش استفاده می کند. ارزش بازار جهانی بازی های ویدیویی در سال ۲۰۲۱ به ۱۹۵.۶۵ میلیارد دلار رسید و انتظار می رود تا سال ۲۰۳۰ نزدیک به ۱۳ درصد رشد کند.

علم داده و هوش مصنوعی از اوایل دهه ۱۹۵۰ و با ایجاد Nim - یک بازی استراتژی ریاضی که در آن دو بازیکن به نوبت اشیاء را از انبوه‌ها حذف می‌کنند، در بازی‌های ویدیویی استفاده شده است. این نوآوری با Pac-Man ادامه یافت که در آن از هوش مصنوعی و علم داده در پیچ و خم های بازی استفاده شد و به ارواح شخصیت های متمایز داد.

صنعت بازی‌های ویدیویی همچنان به یافتن راه‌های خلاقانه برای پیاده سازی علم داده و هوش مصنوعی برای بهبود بازی و سرگرمی میلیون‌ها نفر در سراسر جهان ادامه می‌دهد. در اینجا فقط چند نمونه از نحوه استفاده از علم داده در بازی های ویدیویی آورده شده است.

1. بهبود بازی‌های آنلاین

اکتیویژن بلیزارد که به عنوان شرکت پشت بازی هایی با پیروان فرقه مانند Call of Duty، World of Warcraft، Candy Crush و Overwatch شناخته می شود، از داده های بزرگ برای بهبود تجربیات بازی آنلاین خود استفاده می کند. یکی از نمونه‌های آن، بخش علوم بازی این شرکت است که داده‌های بازی را برای جلوگیری از توانمندسازی - تلاش برای بهبود امتیازات ورزشی دیگران از طریق ابزارهای منفی - در بین بازیکنان COD تجزیه و تحلیل می‌کند. این شرکت همچنین از یادگیری ماشینی برای شناسایی افزایش قدرت و شناسایی و ردیابی شاخص های کلیدی برای افزایش کیفیت زمان بازی استفاده می‌کند.

2. ارائه پیشنهاداتی به گیمرها برای بهبود بازی

2k Games یک استودیوی بازی های ویدیویی است که عناوین محبوبی مانند Bioshock و Borderlands و همچنین سری بازی های WWE و PGA را ایجاد کرده است. تیم رو به رشد علم بازی این شرکت بر استخراج داده های بازی و ساخت مدل ها تمرکز دارد تا بازی های ورزشی خود مانند NBA2K را بهبود بخشد. دانشمندان داده در بازی‌های 2K، داده‌های تله‌متری اقتصادی و گیم‌پلی بازیکن را تجزیه و تحلیل می‌کنند تا رفتار بازیکن را درک کنند و اقداماتی را برای بهبود تجربه بازیکن پیشنهاد کنند.

3. نظارت بر معیارهای کسب و کار در صنعت بازی‌های ویدیویی

یونیتی بستری برای ایجاد و اجرای محتوای سه بعدی تعاملی و بلادرنگ از جمله بازی ها است. طبق وب سایت آن، این پلتفرم توسط شرکت های بازی مانند Riot Games، Atari و Respawn Entertainment استفاده می شود. یونیتی از داده‌های بازی برای تصمیم‌گیری مبتنی بر داده در تیم توسعه محصول خود و نظارت بر معیارهای تجاری استفاده می‌کند.

کاربردهای علم داده تجارت الکترونیک (بازار کاری که در این حوزه ایجاد شد)

روزی روزگاری، همه در یک شهر خاص از یک مرکز خرید، خرید می کردند: یک مکان فیزیکی با چند فواره سرپوشیده، یک کیوسک جواهرات و احتمالاً یک فروشگاه بدنه. امروزه، شهروندان همان شهر می توانند هر یک از مرکز خرید دیجیتال شخصی خود خرید کنند - که به نام اینترنت نیز شناخته می‌شود. خرده فروشان آنلاین اغلب به طور خودکار ویترین فروشگاه های وب (طراحی فروشگاه اینترنتی) خود را بر اساس پروفایل داده های بینندگان تنظیم می‌کنند. این می‌تواند به معنای اصلاح طرح‌بندی صفحه و سفارشی‌سازی محصولات برجسته، از جمله موارد دیگر باشد. برخی فروشگاه‌ها ممکن است قیمت‌ها را بر اساس آنچه که مصرف‌کنندگان به نظر می‌توانند بپردازند، تنظیم کنند، عملی که قیمت‌گذاری شخصی نامیده می‌شود. حتی وب سایت هایی که چیزی نمی فروشند دارای تبلیغات هدفمند هستند. در اینجا چند نمونه از شرکت‌هایی وجود دارد که از علم داده برای شخصی‌سازی خودکار تجربه خرید آنلاین استفاده می‌کنند.

1. ایجاد تبلیغات هدفمند

کارگزاران Sovrn بین تبلیغ‌کنندگان و رسانه‌هایی مانند Bustle، ESPN و دایره‌المعارف بریتانیکا معامله می‌کند. از آنجایی که این معاملات میلیون‌ها بار در روز اتفاق می‌افتد، Sovrn داده‌های زیادی را برای بینش استخراج کرده است که در فناوری تبلیغات هوشمند آن استفاده می‌شود. این رابط که با پلتفرم‌های پیشنهادی سرور به سرور گوگل و آمازون سازگار است، می‌تواند از رسانه‌ها با حداقل نظارت انسانی کسب درآمد کند - یا از طرف تبلیغ‌کننده، کمپین‌هایی را برای مشتریانی با اهداف خاص هدف قرار دهد.

2. مدیریت اجاره محل اقامت برای تعطیلات

علم داده به Airbnb کمک کرد تا عملکرد جستجوی خود را کاملاً اصلاح کند. روزی روزگاری، اجاره محل اقامت برای تعطیلات با رتبه برتر را که در فاصله معینی از مرکز شهر قرار داشتند، در اولویت قرار می‌داد. این بدان معناست که کاربران همیشه می‌توانند محل‌های اجاره‌ای زیبا پیدا کنند، اما نه همیشه در محله‌های خنک. مهندسان این مشکل را با اولویت بندی رتبه بندی جستجوی اجاره‌ای که در منطقه‌ای است که دارای تراکم رزرو Airbnb بالایی است، حل کردند. در الگوریتم نیز هنوز جا برای نفس کشیدن وجود دارد، بنابراین شهرها بر شهرها اولویت ندارند و کاربران می‌توانند خانه‌های درختی اجاره‌ای بر حسب فرصت پیدا کنند.

3. پیش بینی علایق محصول مصرف کنندگان

اینستاگرام از علم داده برای هدف قرار دادن پست‌های حمایت‌شده خود استفاده می‌کند، که همه چیز را از کفش‌های ورزشی مد روز گرفته تا تأثیرگذاران تبلیغاتی منتشر می‌کند. دانشمندان داده این شرکت داده‌ها را از اینستاگرام و همچنین مالک آن متا می‌گیرند که زیرساخت جامع ردیابی وب و اطلاعات دقیق بسیاری از کاربران از جمله سن و تحصیلات را در بر دارند. از آنجا، این تیم الگوریتم‌هایی ایجاد می‌کند که لایک‌ها و نظرات کاربران، استفاده از برنامه‌های دیگر و تاریخچه وب‌شان را به پیش‌بینی‌هایی درباره محصولاتی که ممکن است بخرند تبدیل کند.

به گفته آماندا مول از آتلانتیک، اگرچه الگوریتم های تبلیغاتی اینستاگرام در هاله ای از ابهام قرار دارند، اما به طرز چشمگیری خوب کار می کنند: من اغلب احساس می‌کنم اینستاگرام محصولات را تحت فشار قرار نمی‌دهد، اما به عنوان یک خریدار شخصی دیجیتال عمل می‌کند که می‌توانم به آن فرمان بدهم.

4. ایجاد فرصت‌های تبلیغات دیجیتال

Taboola از یادگیری عمیق، هوش مصنوعی و مجموعه داده‌های بزرگ برای ایجاد فرصت‌های تعامل برای تبلیغ کنندگان و دارایی‌های دیجیتال استفاده می‌کند. پلت‌فرم کشف آن با قرار دادن تبلیغات در سراسر انواع ناشران آنلاین و سایت‌ها، کسب درآمد، مخاطب و تعامل جدیدی را ایجاد می کند. پلت‌فرم کشف آن می‌تواند خوانندگان را در معرض اخبار، سرگرمی‌ها، اطلاعات یا توصیه‌های موضوعی و همچنین محصول یا خدمات جدید قرار دهد. طبق وب سایت خود، این شرکت با رسانه هایی مانند USA Today، Bloomberg، Insider و MSN شریک است.

نمونه‌ مشاغل علوم داده پلتفرم اجتماعی

ظهور شبکه های اجتماعی (مشاوره شبکه های اجتماعی: ارائه راهکار + تبلیغات هدفمند) به طور کامل نحوه معاشرت افراد را تغییر داده است. روابط عاشقانه به طور عمومی در Venmo آشکار می‌شود. مهندسان متا می‌توانند فهرست دعوت‌های مهمانی تولد کاربران را بررسی کنند. دوستی، آشنایی و همکاری همگی ردپای داده های آنلاین گسترده ای را به جا می گذارند.

برخی استدلال می‌کنند که این مسیرها - لیست دوستان فیس بوک یا کانکشن‌های لینکدین - معنی زیادی ندارند. به عنوان مثال، رابین دانبار، انسان شناس، دریافته است که افراد می‌توانند در هر زمان تنها ۱۵۰ ارتباط معمولی را حفظ کنند. از نظر شناختی، انسان‌ها نمی توانند خیلی بیشتر از این را تحمل کنند. از نظر دانبار، ایجاد بیش از ۱۵۰ کانکشن دیجیتالی چیز کمی در مورد زندگی اجتماعی روزمره یک فرد می گوید.

 هر چند کاتالوگ آشناترین کاربران شبکه‌های اجتماعی از اهمیت دیگری برخوردار است. اکنون که بسیاری از روابط به صورت آنلاین شروع می‌شوند، داده‌های مربوط به دنیای اجتماعی شما بر افرادی که بعداً می‌شناسید تأثیر می‌گذارد. در اینجا چند نمونه از علم داده است که ارتباط انسانی را تقویت می کند.

1. انتخاب همسر در برنامه‌های دوستیابی

وقتی کسی در Tinder همسر آینده خود را می‌یابد، می‌توانند از دانشمندان علم داده این شرکت تشکر کنند. یک الگوریتم با دقت ساخته شده در پشت صحنه کار می‌کند و احتمالا ارتباطات را افزایش می دهد. روزی روزگاری، این الگوریتم به امتیازات Elo کاربران متکی بود که اساساً یک رتبه بندی جذابیت بود. اکنون، مطابقت بین کاربران فعال و کاربران نزدیک به یکدیگر را اولویت بندی می‌کند.

2. پیشنهاد دوستان در فیس بوک

البته پلتفرم فیس بوک متا از علم داده به طرق مختلف استفاده می کند، اما یکی از ویژگی های داده محور آن، نوار کناری «People You May Know» است که در صفحه اصلی شبکه اجتماعی ظاهر می شود. اغلب به طرز وحشتناکی پیش‌بینی می‌شود، بر اساس لیست دوستان کاربر، افرادی که در عکس‌ها با آنها تگ شده‌اند و جایی که کار کرده‌اند و به مدرسه رفته‌اند. به طور خاص، نوعی از علم داده معروف به علم شبکه است که اساساً رشد شبکه اجتماعی کاربر را بر اساس رشد شبکه‌های کاربران مشابه پیش‌بینی می‌کند.

برنامه‌های کاربردی علم داده فین‌تک (سرمایه گذاری)

فین‌تک و علم داده دست به دست هم می‌دهند، زیرا شرکت‌های مالی معمولاً از بینش‌های استخراج‌شده از داده‌های خام برای تصمیم‌گیری وام‌دهی و ایجاد گزارش‌های اعتباری استفاده می‌کنند. علم داده همچنین برای پیش بینی رفتار مصرف کننده، ارزیابی ریسک و بهینه سازی دارایی‌های مالی استفاده می شود. در اینجا برخی از شرکت هایی که از علم داده در برنامه های کاربردی فین تک استفاده می کنند آورده شده است.

1. تسریع پذیره نویسی برای بیمه عمر

Bestow راه حل های بیمه عمر را هم برای افراد و هم برای شرکت‌ها ارائه می‌دهد. هدف این شرکت این است که بیمه عمر در دسترس و مقرون به صرفه برای همه باشد. این شرکت از علم داده برای تقویت فرآیند تعهد نویسی سریع خود استفاده می کند، که داده ها را از منابع خارجی مانند گزارش های اعتباری، سوابق وسایل نقلیه موتوری یا دفتر اطلاعات پزشکی استخراج می‌کند. پذیره نویسی تسریع شده توسط الگوریتم های پیش بینی علم داده به تعیین عوامل خطر متقاضی کمک می‌کند.

2. ایجاد گزارش‌های اعتباری

TransUnion یک آژانس گزارش اعتباری است که به دلیل ارائه گزارش های اعتباری، خدمات نظارت بر تقلب و وام های مالی شناخته شده است. تیم علم داده این شرکت مسئول ایجاد مدل‌های پیش بینی بر اساس گزارش داده‌ها از فروشندگان خودرو به خرده فروشان و شرکت‌های وام مسکن است. این شرکت از علم داده برای استخراج بینش از داده‌های اعتباری افراد و داده‌های سوابق عمومی استفاده می‌کند. این بینش توسط مؤسسات مالی و وام دهندگان برای تصمیم گیری آگاهانه در مورد تمدید پیشنهادات اعتباری و فرصت‌های وام استفاده می‌شود.

3. جمع آوری داده های حقوق و دستمزد

Pinwheel از علم داده برای ارائه راه حل های حقوق و دستمزد در صنعت بانکداری و وام استفاده می کند. جریان درآمد Pinwheel به مؤسسات مالی داده‌های مربوط به زمان حضور و غیاب مشتریانشان و همچنین داده‌های تاریخچه حقوق و دستمزد، درآمدهای انباشته و درآمدهای پیش‌بینی‌شده را در اختیار مؤسسات مالی قرار می‌دهد. این سیستم پیش‌بینی‌ها را بر اساس داده‌های تاریخی جمع‌آوری شده استوار می‌کند و به شرکت‌های مالی اجازه می‌دهد تا در مورد درآمد و سابقه اشتغال مشتریان خود به‌روز باشند.

در پایان به یاد داشته باشید که مجموعه جاب تیم با استفاده از هوش مصنوعی در حال توسعه سیستم های سازمانی مختلفی است یکی از این موارد که می تواند برای سازمان شما کاربردی باشد erp است برای مطالعه و آشنایی با این نرم افزار قدرتمند وارد لینک شوید : طراحی و پیاده سازی ERP (نرم افزار مدیریت منابع انسانی و مشتریان)