چکيده

گسترش شبکه های نشر اجتماعی، مانند «توییتر» در آمریکا و «ویبو» در چین، باعث تغییر در تولید، انتشار و مصرف اطلاعات شده است. در مورد توییتر، حجم عظیم داده‌های بلادرنگ با متن غنی و اطلاعات ساختار یافته، از توییتر سکویی می‌سازد برای ساختن سیستم های BI. اين مقاله سیستمی را برپایه توییتر وBI جهت پیش بینی فروش سینمای آمریکا طراحی کرده و به کار برده است. نتايج نشان مي‌دهد که استفاده از اطلاعات توییتر می تواند خطای پیش بینی در صنعت سینما را کاهش دهد.

مقدمه

هوش تجاري به عنوان نتيجه «جمع‌آوري، تفسير، مقايسه، تحليل و بهره‌برداري از اطلاعات» در دامنه کسب و کار تعريف مي‌شود. هر چند سازمان‌ها از منابع داده داخلي خود براي تحليل و درک الگوها بهره مي‌برند، مطالب فراواني که توسط کاربران در دهه گذشته توليد شده است، منظر جديدي را براي سازمان‌ها براي درک بهتر از کسب و کارشان به وجود آورده است. يکي از مهمترين منابعي که محتويات توليد شده توسط کاربران را در برمي‌گيرد، شبکه‌هاي نشر اجتماعي همچون تويتر و وبيو است. اين شبکه‌ها با شبکه‌هاي اجتماعي همچون فيس بوک متفاوتند. در اين شبکه‌ها کاربران مي‌توانند ايده‌ها و نظرات خود را به اشتراک بگذارند و در خصوص مطالبي که بر روي شبکه به اشتراک گذاشته شده است واکنش نشان دهند. با توجه به وجود چنين حجم عظيمي از داده، سؤال اين است: «چگونه سازمان‌ها مي‌توانند از اين داده‌ها براي ساخت سيستم هوش تجاري خود بهره ببرند؟»

خلاصه‌اي از تحقيقات انجام شده

اين مقاله، چهارچوبي مبتني بر شبکه‌هاي نشر اجتماعي، را براي سيستم‌هاي هوش تجاري پيشنهاد مي‌کند. سازمان‌ها مي‌توانند با به کارگيري اين چهارچوب، تصميمات بهتري را در مورد مشتريان و توليدکنندگان بگيرند.

به عنوان مثال تويتر را در نظر بگيريد؛ تويت‌هاي روزانه (مطالب منتشر شده توسط کاربران تويتر)، توسط سرور توييتر به يک سيستم هوش تجاري منتقل مي‌گردند و فرمت داده‌ها توسط سرور هوش تجاري شناخته شده است. از اين طريق برنامه‌هاي هوش تجاري مي‌توانند به شناسايي و جمع‌آوري داده‌ها بپردازند. در مسير معکوس سيستم‌هاي هوش تجاري مي‌توانند نيازهاي داده‌اي خود را از طريق سرور تويتر به اشتراک بگذارند و منتظر پاسخ و نظر مشتريان خود باشند. در واقع اين چهارچوب مسير ارتباطي مناسبي را براي سازمان و مشتريان فراهم مي‌نمايد و داده‌هايي که در اين تعامل شکل مي‌گيرند منبع مناسبي براي سيستم هوش تجاري خواهند بود.

شکل 1 چهارچوب پيشنهادي براي يک سيستم هوش تجاري مبتني بر شبکه اجتماعي

شکل 1 چهارچوب پايه و نقشه فرآيند سيستم هوش تجاري مبتني بر شبکه اجتماعي را نشان مي‌دهد.

جمع‌آوري محتوا و پردازش آن دو جز اصلي سيستم را تشکيل مي‌دهند، که بسيار با سيستم‌هاي هوش تجاري سنتي، که معمولا داده را از منابع داخلي استخراج مي‌نمايند، متفاوت هستند. اين اجزا بايد براي نيازهاي خاص سازمان‌ها، سفارشي شوند. به عنوان مثال ممکن است واسطه‌ها و دلالان بخواهند برنامه مشتريان را براي خريد بدانند. کارخانه‌ها ممکن است علاقه‌مند به دانستن نظر مشتري پيرامون محصولاتشان باشند. سرمايه‌گذاران ممکن است به دنبال علاقه مشتريان به يک برند خاص باشند، تا بتوانند بر اساس آن براي سرمايه‌گذاري‌هاي آتي خود تصميم بگيرند.

چهارچوب ذکر شده با هدف پيش‌بيني درآمد فيلمهاي سينمايي، مورد استفاده قرار گرفته است. در اين روش شبکه تويتر به عنوان منبع داده به کار رفته است.

جمع آوري داده

شبکه‌هاي نشر اجتماعي نظير تويتر و وبيو، APIهاي عمومي براي برنامه‌نويسان فراهم کرده‌اند، که از طريق آن‌ها مي‌توان داده‌ها را جمع‌آوري نمود. به عنوان مثال API وجود دارد که برنامه‌نويسان اجازه مي‌دهد در ميان محتويات با شرط‌هايي نظير؛ کلمات کليدي، زمان، زبان و مکان، جستجو نمايند.

به کمک اين APIها، تويت‌ها(محتواي توليد شده توسط کاربران تويتر) از تويتر خوانده شده و به سرور BI منتقل مي‌گردد.

پردازش داده

بعد از آن‌که توييت‌ها جمع‌آوري گرديد، يک برنامه فيلترينگ به صورت دوره‌اي اجرا مي‌شود و توييت‌هاي تبليغي را حذف مي‌کند. قوانين مختلفي تعبيه شده است تا تبليغات شناسايي گشته و حذف گردند.

پس از فيلترينگ، هر تويت در يکي از چهار دسته قرار مي‌گيرد؛ تصميم، مثبت، منفي و خنثي. تصميم، تويتي است که در آن يک کاربر اشاره مي‌کند که قصد تماشاي فيلمي را در آينده نزديک دارد. مثبت، تويتي است که طي آن يک کاربر نظر مثبت خود را در مورد يک فيلم اعلام کرده است. منفي، تويتي است که نظر منفي کاربر را نسبت به يک فيلم نشان مي‌دهد و خنثي، نيز شامل بقيه توييت‌هاست که در هيچکدام از دسته‌هاي بالا جاي نمي‌گيرد. شکل 2 شماي دسته‌بندي را نشان مي‌دهد.

شکل 2 شماي دسته‌بندي تويت‌ها

جدول 1 و جدول 2 دقت ابزار ما را در شناسايي تويت‌ها نشان مي‌دهد.

جدول 1 دقت Intention Classifier   دقت فراخواني مجدد تويت‌هاي قصد 98% 87% تويت‌هاي غير از قصد 93% 99%

جدول 2 دقت Sentiment Classifier   دقت فراخواني مجدد مثبت 75% 80% منفی 65% 71% خنثی 75% 68%

پس از طي مراحل فوق اين داده‌ها از طريق مدل‌هاي ساخته شده مورد ارزيابي قرار مي‌گيرد و درآمد فيلم پيش بيني مي‌شود. نمونه‌هاي انجام گرفته نشان مي‌دهد که دقت اين سيستم نسبت به روش‌هاي موجود براي پيش‌بيني درآمد فيلم‌ها دقيق‌تر است. به عنوان نمونه شکل 3 و شکل 4 پيش‌بيني درآمد توسط اين سيستم و روش قديمي و درآمد واقعي را براي دو فيلم مختلف نشان مي‌دهد.

شکل 3 نتايج بر روي فيلم نينجاي آسيايي

شکل 4 نتايج بر روي فيلم شرلوک هلمز

نتيجه‌گيري

در مقابل شبکه‌هاي اجتماعي نظير فيس بوک که بخش خصوصي زندگي اجتماعي ما را ديجيتال مي‌کنند، شبکه‌هاي نشر اجتماعي نظير تويتر بخش عمومي زندگي ما را منتشر مي‌سازند. هدف از اين مقاله به کارگيري شبکه‌هايي نظير توييتر به عنوان منبع داده هوش تجاري است. برخلاف سيستم‌هاي سنتي هوش تجاري که داده را از منابع داخلي استخراج مي‌نمايند، اين سيستم متکي به تويت‌هايي است که کاربران در تويتر منتشر مي‌نمايند.

ما در اين مقاله در مثالي که براي پيش‌بيني درآمد فيلم ذکر کرديم، نشان داديم که داده‌هاي موجود در تويتر مي‌تواند منبعي ارزشمند براي سيستم‌هاي هوش تجاري باشد.

با بهبود عملکرد سيستم‌هاي کاوش متن، اين ايده مي‌تواند به شکلي بسار مؤثرتر در سيستم‌هاي گوناگون هوش تجاري مورد استفاده قرار گيرد.

مقاله ERP , مقاله BPM , مقاله  BI , کتاب ERP , کتاب BPM  کتاب BI , درباره BPM , درباره ERP ,  درباره BI , پایان نامه ERP , پایان نامه BPM , پایان نامه BI , مقاله SOA , کتاب SOA , درباره SOA , پایان نامه SOA ,