ورود فناوری هوش مصنوعی به دل (Dell)

احتمالاً همه نام غول کامپیوترسازی جهان، شرکت آمریکایی دل (Dell Technologies Ins) را شنیده‌ایم. این شرکت چندملیتی در ایالت تگزاس آمریکا واقع شده است و اغلب مردم آن را با لپ‌تاپ‌ها، کامپیوترهای قدرتمند و ایستگاه‌های کاری (کامپیوترهای سطح بالای علمی) می‌شناسند. این شرکت به‌تدریج دامنه فعالیت خود را به دیگر محصولات و خدمات رایانه‌ای ازجمله تجهیزات شبکه، نرم‌افزار، راه‌حل‌های ابری و همچنین خدمات اتوماسیون گسترش داده است.

بر اساس گزارش سالانه مالی، درآمد دل در سال 2023 تقریباً 102 میلیارد دلار بود. این شرکت، حدود 133هزار نفر را در سراسر جهان استخدام کرده است. سهام دل در بورس اوراق بهادار نیویورک (NYSE) با نماد (DELL) معامله می‌شود و پیوسته بین برترین شرکت‌های فهرست سالانه «فورچون 500» قرار می‌گیرد.

شاید مهم‌ترین تغییر راهبردی عملیاتی در شرکت دل، تصمیم این شرکت برای ادغام هوش مصنوعی (Ai) و یادگیری ماشینی در محصولات و خدمات خود باشد. این حرکت در حقیقت هم‌راستا با موج جهانی استفاده از ابزارهای هوش مصنوعی انجام شده است. در دنیای امروز، شرکت‌های بزرگ رقابت داغی را بر سر استفاده از فناوری هوش مصنوعی به راه انداخته‌اند و به همین دلیل، شرکت DELL از این فرصت برای پاسخگویی به تقاضاهای مشتریان استفاده کرده است.

در این مقاله ما روی دو مورد از کاربردهای باارزش هوش مصنوعی برای مدیران صنعت فناوری تمرکز می‌کنیم:

1. بهبود تعامل با محتوای بازاریابی: پردازش زبان طبیعی (NLP) و یادگیری ماشینی برای بهینه‌سازی محتوای بازاریابی، با هدف افزایش تعامل مصرف‌کنندگان در کانال‌های بازاریابی ایمیل و فیس‌بوک.
2. پیش‌بینی تقاضا در تعامل با زنجیره تأمین: تجزیه‌وتحلیل پیشرفته و مدل‌سازی پیش‌بینی برای اصلاح پیش‌بینی‌های موجودی، بهبود در دسترس بودن محصول و کارایی عملیاتی در سراسر شبکه‌های توزیع.

در ادامه به این مسئله می‌پردازیم که چگونه شرکت دل از هوش مصنوعی برای بهبود تعامل با مشتریان و افزایش کیفیت محتوای بازاریابی استفاده کرده است.

کاربرد اول: بهبود تعامل با محتوای بازاریابی

در سال‌های اخیر، شرکت دل با کاهش تعامل ناشی از ارتباطات بازاریابی خود مواجه بود. ارتباطات بازاریابی بسیار مهمند و عاملی حیاتی در برقراری ارتباط با کسب‌وکارهای کوچک و مصرف‌کنندگان به شمار می‌روند. در عصری که تحلیل داده‌ها و یادگیری ماشینی اهمیت بازاریابی شخصی‌سازی‌شده را افزایش داده است، دل با چالش بهبود تعامل مشتری برای حفظ برتری رقابتی روبه‌رو بود.

بر اساس اعلام شرکت Persado، شریک دل در این پروژه، این چالش سه جنبه اساسی داشت:

• کاهش نرخ پاسخگویی که بر معیارهای فروش پایین‌دستی تأثیر منفی می‌گذارد.
• مشکل در سفارشی‌سازی زبان برای بخش‌های مختلف مخاطب به دلیل نیاز به بینش‌های عملیاتی.
• چالش مقیاس‌گذاری عملیات بازاریابی ناشی از منابع داده جدا از هم.

برای مقابله با این مشکلات، دل از پلتفرم هوش مصنوعی Persado استفاده کرد که به دلیل قابلیت‌های زبان و بهینه‌سازی در ارتباطات بازاریابی شهرت دارد. این پلتفرم از مجموعه داده‌های عظیم و هوش مصنوعی پیشرفته، یادگیری عمیق و موتور تصمیم‌گیری اختصاصی برای توسعه محتوای بازاریابی طراحی شده است تا مشتریان بالقوه دل را به طور مؤثرتری جذب کند.

داده‌هایی که با پلتفرم Persado پردازش می‌شوند، شامل موارد زیر است:

• معیارهای تعامل با مشتری، مانند نرخ تعامل ایمیل و آمار تبدیل، برای بهبود اثربخشی کمپین‌های ایمیل.
• داده‌های فروش، ازجمله درآمد و ارزش طول‌عمر مشتری، برای پیوند دادن انتخاب‌های خاص زبان با رفتارهای خرید.
• نتایج حاصل از آزمایش‌های A/B برای پالایش و بهبود مستمر زبان استفاده‌شده در پیام‌های بازاریابی.
• بازخورد حاصل از نظرسنجی‌های مشتری و تعاملات رسانه‌های اجتماعی برای تنظیم فراخوان برای اقدام و سبک‌های پیام‌رسانی با ترجیحات مخاطب.

خروجی هوش مصنوعی Persado

خروجی هوش مصنوعی Persado به تیم بازاریابی DELL، بینش‌های پیش‌بینی‌کننده‌ای برای ایجاد پیام‌های بازاریابی ارائه می‌دهد. این فناوری داده‌های تاریخی را برای شناسایی الگوها تجزیه‌وتحلیل می‌کند. این کار در حقیقت به پیش‌بینی زبانی کمک می‌کند و از طرفی ممکن است با ترجیحات گروه‌های خاص مخاطب همسو باشد؛ درنتیجه این فرایند مجموعه‌ای از پیام‌های بازاریابی را برای افزایش تعامل و پتانسیل تبدیل ایجاد می‌کند.

از دیدگاه کاربر، این فناوری با کاهش جنبه آزمون‌وخطا در فرایند ایجاد محتوا، جریان کاری را کاملاً دگرگون می‌کند. متخصصان بازاریابی اکنون می‌توانند برای تهیه پیام‌ها بر توصیه‌های مبتنی بر هوش مصنوعی تکیه کنند، فرایند توسعه محتوا را ساده کرده و ارتباطات هدفمندتری را امکان‌پذیر سازند. رابط کاربری این پلتفرم امکان انتخاب و استقرار آسان‌تر این پیام‌های بهینه‌سازی‌شده را فراهم می‌کند و اساساً رویکرد تیم بازاریابی را از رویکردی مبتنی بر شهود به رویکردی مبتنی بر داده تغییر می‌دهد.

اگرچه جزئیات مالی سرمایه‌گذاری دل فاش نشده است، بهبودهای گزارش‌شده در معیارهای تعامل، تأثیر مثبتی بر تلاش‌های بازاریابی دل را نشان می‌دهد:

• افزایش ۵۹ درصدی در نرخ کلیک کمپین‌های ایمیل
• افزایش ۷۹ درصدی در نرخ تبدیل کمپین‌های ایمیل
• افزایش ۲۴ درصدی در نرخ کلیک تبلیغات فیس‌بوک، به همراه دو برابر شدن نرخ تبدیل

این معیارها نشان می‌دهند که استفاده دل از پلتفرم هوش مصنوعی Persado به بهبود استراتژی بازاریابی دیجیتال این شرکت کمک کرده است.

کاربرد دوم: پیش‌بینی تقاضا در مدیریت زنجیره تأمین

با توجه به گستردگی فعالیت‌ها در شرکت دل، درک عرضه و تقاضا در خطوط مختلف کسب‌وکار گاهی اوقات به مشکل می‌خورد. متغیرهای نوسانی، روندهای بازار، رفتار مصرف‌کنندگان، شرایط اقتصادی، رقابت، پیشرفت‌های تکنولوژیکی و رویدادهای غیرمنتظره به شکل قابل‌توجهی بر دقت پیش‌بینی تقاضا تأثیر می‌گذارد. این چالش‌ها مخصوص شرکت‌هایی مثل دل نیست بلکه در سراسر بخش‌های کسب‌وکارها رایج است.

این شرکت به دنبال راهی برای بهبود سیگنال‌های پیش‌بینی‌شده تقاضا بود، ازجمله:

• واحدهای خدمات فعال (ASU): تعداد محصولاتی را که در حال حاضر تحت قراردادهای خدمات هستند، پیش‌بینی می‌کند.
• اعزام‌ها: پیش‌بینی قطعات موردنیاز را برای ارائه خدمات انجام می‌دهد.
• قراردادها: فروش یا تمدید آینده قراردادهای خدمات را برآورد می‌کند.
• مقدار حمل‌ونقل: تعداد محصولاتی را که قرار است ارسال شوند، پیش‌بینی می‌کند.
• درخواست‌های خدمات (SR): پیش‌بینی پرسش‌های خدمات مشتری را انجام می‌دهد و نیازهای پرسنلی را برای مراکز پشتیبانی اطلاع‌رسانی می‌کند.

برای غلبه بر این چالش‌های زنجیره تأمین، گفته می‌شود که دل، تیم مهندسی و علم داده کاربردی خود را برای یافتن راه‌حلی عملی مأمور کرده است. این تیم به‌تدریج، الگوریتم یادگیری ماشین را با استفاده از مدل پیش‌بینی تقاضای سری زمانی ARIMA توسعه داد.

بهبود دقت پیش‌بینی تقاضا در مدیریت زنجیره تأمین دل

دقت پیش‌بینی تقاضا برای مدیریت مؤثر زنجیره تأمین، اهمیت زیادی دارد. شرکت دل با چالش‌هایی در درک الگوهای تقاضا در سراسر خطوط مختلف کسب‌وکار خود مواجه بود. دل برای بهبود دقت پیش‌بینی تقاضا، مدل یادگیری ماشینی را مبتنی بر الگوی پیش‌بینی سری زمانی ARIMA توسعه داد.

مدل یادگیری ماشینی، داده‌ها را از محیط Hadoop استخراج می‌کند. این داده‌ها با استفاده از ابزارهای شناخته‌شده به‌عنوان Hive و Impala پردازش و تحت عنوان «دارایی‌ها و قراردادها» دسته‌بندی می‌شوند. داده‌های ورودی شامل موارد زیر است:

• ویژگی‌های جغرافیایی، جزئیات محصول، ضمانت‌نامه‌ها، اطلاعات کانال فروش و زمینه‌های مرتبط با اعزام‌ها و درخواست‌های خدمات.
• تعداد کل قراردادهای فعال در یک هفته مالی خاص.
• سیگنال‌های مختلف تقاضا شامل واحدهای خدمات فعال (ASU)، قراردادها، حمل‌ونقل، درخواست‌های خدمات (SR)، اعزام‌ها و تمدیدها.

داده‌ها با طی کردن مراحل متعددی به‌دقت مورد پردازش قرار می‌گیرند تا سیگنال‌های تقاضا را به طور دقیق پیش‌بینی کنند. مدل با بررسی داده‌های ورودی که شامل ویژگی‌های دقیق و کل قراردادها است، از الگوی سری زمانی ARIMA برای برآورد تقاضای آینده به صورت هفتگی استفاده می‌کند.

فرایند پیش‌بینی شامل مراحل مختلفی است که با پیش‌بینی اولیه قرارداد آغاز می‌شود. سپس تیم‌های تجاری این پیش‌بینی اولیه را بررسی و اصلاح می‌کنند. پس‌ازآن پیش‌بینی‌ها برای واحدهای خدمات فعال، اعزام‌ها و درخواست‌های خدمات انجام می‌شود. نتایج نهایی در قالبی به نام «مکعب میانی» (Intermediate Cube) ارائه می‌شود تا توسط تیم‌های تجاری موردبررسی و تجزیه‌وتحلیل بیشتر قرار گیرد.

مدل همچنین شامل چندین تکنیک اصلاحی است:

• پیش‌بینی حجم بالا و پایین
• استانداردسازی
• تحلیل اهمیت تعطیلات
• تشخیص و اصلاح عدم تداوم

خروجی برای کاربر، پیش‌بینی جامعی از سیگنال‌های تقاضای مختلف است که در قالب یک مکعب ارائه می‌شود. جریان کاری کاربر نهایی، بهبودیافته است زیرا نمای پیش‌بینی تقاضا در سراسر پنج سیگنال تقاضا ارائه می‌شود.

با فرض اینکه دل در مورد عملکرد مدل دقیق باشد و این مدل از روش‌های قبلی پیش‌بینی تقاضا عملکرد بهتری داشته باشد، می‌توان انتظار مشاهده تأثیرات تجاری زیر را داشت:

• کارایی عملیاتی: مدل ARIMA می‌تواند با مقادیر پایین‌تر ME، RMSE و MAE، پیش‌بینی‌های دقیق‌تری ارائه دهد. این بهبود می‌تواند به مدیریت بهتر موجودی، کاهش کمبود و مازاد کالا، صرفه‌جویی بالقوه در هزینه و تخصیص کارآمدتر منابع منجر شود.
• برنامه‌ریزی مالی: امتیاز پایین MASEنشان‌دهنده دقت مدل نسبت به مدل پایه است؛ بنابراین پیش‌بینی‌های اقتصادی و تعدیل‌های بودجه‌ای ممکن است قابل‌اعتمادتر باشند.
• رضایت مشتری: پیش‌بینی دقیق درخواست‌های خدمات و اعزام‌ها اطمینان می‌دهد که دل بتواند منابع مناسب را برای پاسخگویی به نیازهای خدمات مشتری به‌سرعت اختصاص دهد.
• انعطاف‌پذیری زنجیره تأمین: پیش‌بینی دقیق سیگنال‌های تقاضا به معنای توانایی بهتر دل برای پاسخگویی به روندهای بازار، رفتار مصرف‌کنندگان، شرایط بازاریابی و رویدادهای غیرمنتظره است.
• تصمیم‌گیری استراتژیک: پیش‌بینی‌های جامع تقاضا، تصمیم‌گیرندگان را قادر می‌سازد تا برای تدارکات، نیروی انسانی و سایر نیازهای عملیاتی برنامه‌ریزی مؤثرتری داشته باشند.