top of page

AI ქართული ბიზნესისთვის: დაინახეთ მომავალი

პროგნოზირების AI მოდელები ქართულ ბიზნესში


ქართული ორგანიზაციები AI მოდელებს საკმარისად არ იყენებენ. კომპანიების უმეტესობაში  მოკვლევის პროცესიც არაა დაწყებული იმაზე, თუ როგორ დანერგონ AI ინსტრუმენტები შიდა ბიზნეს პროცესებში. ამის ერთ-ერთი უმთავრესი მიზეზი კი ბუნდოვანებაა - უმაღლესი და საშუალო რგოლების მენეჯერებს არ აქვთ მკაფიო წარმოდგენა, რა გამოყენებები შეიძლება ჰქონდეს AI სისტემებს და სად შეიძლება შექმნან სარგებელი კომპანიებისთვის.


ამ სტატიაში ერთ-ერთ ყველაზე გავრცელებულ მოდელზე, Predictive Model-ზე მოგიყვებით, რომლის საშუალებითაც ბიზნესებს სხვადასხვა სცენარების პროგნოზირება შეუძლიათ.


შინაარსით საპროგნოზო მოდელი არის მათემატიკური ალგორითმი, რომელიც სწავლობს ისტორიულ მონაცემებს და მის საფუძველზე აკეთებს მომავლის პროგნოზს. მოდელი ახერხებს, დაადგინოს კორელაციები (ურთიერთკავშირი ორ მაჩვენებლს, ცვლადს შორის), მიმართებები, მსგავსებები სხვადასხვა მონაცემებს შორის და ისწავლოს, როგორ გავლენას ახდენს ერთი ცვლადი მეორეზე. ახალი მონაცემების შეყვანისას კი მოდელი ხვდება, როგორი გავლენა ექნებათ ამ ცვლადებს სამიზნე მაჩვენებელზე.





ამ ერთი შეხედვით მარტივ მოდელს ბიზნესში, მათ შორის საქართველოშიც, შეიძლება ძალიან ბევრი ღირებული გამოყენება ჰქონდეს.


კლიენტების გადინების პროგნოზირება (Churn Prediction): თუ კომპანიას აქვს მომხმარებლის ქცევაზე მონაცემები და ამ მონაცემების საფუძველზე მოდელს ვასწავლით იმ მომხმარებლების ქცევას, ვინც წავიდა (მაგ. რა სიხშირით ახდენდა კომპანიაში შესყიდვებს, როგორი იყო მისი კმაყოფილების დონე და ა.შ.), მიმდინარე რეჟიმში ამ მონაცემების განახლება არსებულ კლიენტებზეც დააგენერირებს გადინების ალბათობებს. კომპანია შეძლებთ გაიგოს, ვინ რა ალბათობით შეწყვეტს მასთან თანამშრომლობას. ეს კი საშუალებას მისცემს ორგანიზაციებს, ამ კლიენტებზე დამატებით და განსხვავებულად იმუშაოს და გაააქტიუროს შეთავაზებებით, შეხსენებებით, უკმაყოფილების მიზეზების აღმოფხვრით და სხვა ინსტრუმენტებით. გადინების პროგნოზირება განსაკუთრებით კრიტიკულია საცალო მომხმარებლებზე ორიენტირებული ბიზნესებისთვის, რომლებიც შეიძლება აქტიურად იყენებდნენ CRM სისტემებს და ჰქონდეთ კარგი მონაცემები არსებულ კლიენტების შესახებ.


ფასწარმოქმნა (Pricing): ამ მიმართულებით AI მოდელებს უდიდესი შესაძლებლობები აქვს და გაყიდვების ტრენდების და კონკურენტების ფასებიდან გამომდინარე რეალური ფასდადება შეუძლია. ამ მოდელებით ასევე შესაძლებელია ფასების ოპტიმიზაცია ყველაზე მომგებიანი/ოპტიმალური ფასის დასაწესებლად, სეგმენტების მიხედვით ფასების მორგება და ა.შ. ამ მოდელის გამოყენება განსაკუთრებით მსხვილი წარმოებებისთვისაა საინტერესო, რომლებსაც დიდი დამოკიდებულება აქვთ ნედლეულის ფასებზე. ფასწარმოქმნის მოდელების გამოყენება ასევე მნიშვნელოვანია რითეილ ბიზნესებისთვისაც, რომლებთაც პროდუქტების დიდი ჩამონათვალი და შესაბამისად, კომპლექსური ფასწარმოქმნის სისტემა აქვთ.


გაყიდვების დაგეგმვა (Sales Forecasting): აქაც, მოდელი სწავლობს ისტორიულ მონაცემებს, როგორიცაა გაყიდვების მოცულობა, ეკონომიკური პარამეტრები, კვალიფიციური გაყიდვების თანამშრომლების რაოდენობა, მარკეტინგული ბიუჯეტი, სეზონურობა. ამ მონაცემებში აღმოჩენილი ლოგიკის საფუძველზე კი, მოდელი აგენერირებს გაყიდვების სამომავლო ტრენდს. ესეთი მოდელები ძალიან  ღირებულია კომპანიებისთვის, რომლებსაც გაყიდვების დივერსიფიცირებული არხები/განსხვავებული კლიენტების კატეგორიები და გაყიდვების დიდი გუნდი ჰყავთ და სჭირდებათ პროგნოზირება და ერთიანი სურათის დანახვა სხვადასხვა ჭრილში.


მოთხოვნების პროგნოზირება და შესყიდვების დაგეგმვა (Demand Forecasting for Supply Chain Management): დიდ ქსელურ სავაჭრო ორგანიზაციებში პროდუქტების გაყიდვებზე, ფასებზე, სეზონურობაზე, აქციებზე და ა.შ. ინფორმაციის საფუძველზე მოდელს შეუძლია სამომავლო მოთხოვნები დააგენერიროს, რაც შესყიდვების პროცესს მნიშვნელოვან ოპტიმიზაციას უკეთებს. განსაკუთრებით კრიტიკულია იმპორტიორი და მწარმოებელი კომპანიებისთვის, რათა ერთი მხრივ, კომპანიას მარაგებში დეფიციტი არ შეექმნას და მეორე მხრივ კი, ნაღდი ფულის (Cash) დეფიციტი არ წარმოექმნას მარაგების სიჭარბის გამო.



მომხმარებლის ქცევის პროგნოზირება (Customer Next Best Offer/Action):  ამ შემთხვევაში მოდელს შეუძლია დააპროგნოზოს, რა პროდუქტი შეიძლება იყიდოს მომხმარებელზე შემდეგზე ან რა სერვისით ისარგებლოს. ეს ეხმარება ბიზნესს, რომ თან პროაქტიულად შესთავაზოს კონკრეტული პროდუქტი ან სერვისი, და თან მომზადებული დახვდეს მომხმარებლის ქცევას. ამ ტიპის მოდელებს იყენებენ ბიზნესები დიდი სამომხმარებლო ბაზით და პროდუქტების და სერვისების ფართო ასორტიმენტით, რათა გაზარდონ ერთ კლიენტზე შემოსავლების მოცულობა და ქროს სელინგი.


წარმოებაში ინვენტარის დაზიანების პროგნოზირება (Equipment Failure Prediction): ისტორიული მონაცემების შეყვანით - დატვირთვები, სენსორების მონაცემები, შეკეთების ისტორია - შესაძლებელია პროგნოზირება, თუ როდის შეიძლება გამოვიდეს მწყობრიდან კონკეტული დანადგარი. ასეთი მოდლის დანერგვა მსხვილი წარმოებებისთვის დიდი ღირებულების შემქმნელია, რადგან მნიშვნელოვნად ამცირებს წარმოების შეფერხებებიდან გამოწვეულ დანაკარგებს.


რა თქმა უნდა, AI მოდელების დანერგვა მარტივი პროცესი არაა. ყველაზე კრიტიკული კი სწორედ მონაცემების სწორი ფორმით მოგროვებაა, მაგრამ ეფექტურობისა და მოქნილობის შენარჩუნება ამ ინსტრუმენტების გარეშე თანდათან შეუძლებელი ხდება. თქვენს კომპანიაში პროგნოზირების პირველი მოდელის დანერგვისთვის ძირითადი ნაბიჯებია:


  1. მიზნების განსაზღვრა - აუცილებელია გვესმოდეს, რა პრობლემა ან ამოცანა უნდა გადაიჭრას მოდელით და როგორ, რა მაჩვენებლებით გაიზომება მისი ეფექტურობა.

  2. მონაცემების მოგროვება და გაწმენდა - მონაცემების ხარისხი პირდაპირ განსაზღვრავს მოდელის ეფექტურობას. ეს მონაცემები იყოფა სატრენინგო და სატესტო ნაწილებად, რათა შემდგომ მოდელის ხარისხი შეფასდეს.

  3. სწორი მოდელის შერჩევა - ბევრნაირი მოდელი არსებობს თავისი ძლიერი და სუსტი მხარეებით, შესაბამისად სწორი მოდელის შერჩევა კრიტიკულია.

  4. დატრენინგება და ტესტირება - როდესაც მოდელი სწავლობს ისტორიული მონაცემების ნაწილს, იტესტება დამატებით მონაცემებზე და ფასდება მისი ეფექტურობა.

  5. ბიზნეს პროცესებში ინტეგრაცია - მოდელი არ უნდა იყოს ამოვარდნილი პროცესებიდან და აქტიურად ხდებოდეს ამ მონაცემების გამოყენება ყოველდღიურ საქმიანობაში. მისი შედეგები მხოლოდ რეპორტად არ უნდა დარჩეს და მენეჯმენტი და თანამშრომლები მას აქტიურად უნდა იყენებდნენ.

 

bottom of page