تحلیل داده با هوش مصنوعی
قبل از نتیجهگیری از یک عدد، گروه مقایسه، ردیفهای جاافتاده و روش محاسبه رو چک کنید تا دیگران هم بتونن نتیجه رو دوباره به دست بیارن.
تحلیل داده با هوش مصنوعی وقتی ارزش داره که علاوه بر عدد پایانی، بدونید اون عدد دقیقا جواب کدوم سواله. اسکیل data-analysis به ایجنتتون کمک میکنه قبل از شروع محاسبه روشن کنه چه چیزی رو میشمرید، مخرج کسره چیه و نتیجه قراره روی چه تصمیمی اثر بذاره. بعد نوبت شناخت خود جدوله. یک ردیف ممکنه یک سفارش باشه یا یکی از چند قلم همون سفارش، و اشتباه گرفتن این دو جواب رو عوض میکنه.
فرض کنید پیامهای ثبتشده درباره یک مشکل این ماه بیشتر شدن. برای اینکه ببینید تجربه مشتری واقعا بدتر شده یا نه، باید حجم استفاده، مدت دوره و تغییر احتمالی روش ثبت پیامها رو هم ببینید. ممکنه تعداد پیامها بالا رفته باشه ولی سهم موارد مشکلدار از کل سفارشها کمتر شده باشه. اینجا یک مقایسه ساده و درست بیشتر از نموداری که با مخرج نامعلوم ساخته شده به کار تصمیم میآد.
کاربردها
- برای بررسی کیفیت داده تعداد ردیفهای تکراری، مقدارهای خالی و تاریخهای خارج از دوره رو پیدا کنید.
- در مقایسه دو بازه زمانی، چک کنید تعریف شاخص و روش جمعآوری برای هر دو دوره یکیه.
- قبل از محاسبه نرخ تبدیل مشخص کنید چه کسانی یا چه سفارشهایی میتونستن وارد مخرج بشن.
- برای توضیح تغییر شاخص، برداشت احتمالی رو از چیزی که داده مستقیما نشون داده جدا کنید.
- عبارت محاسبه و فیلترها رو نگه دارید تا یک همکار بتونه با همون ورودی نتیجه رو تکرار کنه.
نصب و استفاده
- به یک ایجنت و دادهای نیاز دارید که اجازه تحلیلش رو دارید. برای جدول بزرگ، ابزار محاسبه یا دسترسی خواندن به پایگاه داده هم آماده کنید.
- مثلا بگید «نرخ پیامهای مشکل سفارش رو در دو ماه مقایسه کن و قبل از نتیجه، واحد هر ردیف و مخرج نرخ رو مشخص کن».
- چند ردیف نمونه رو دستی چک کنید، بازه زمانی و فیلتر رو تایید کنید و محدودیت مهم رو کنار عدد بنویسید.
سوالات متداول
منبع
ساخته Arjun Prabhulal. نام اصلی: data-analysis، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub