Applying Artificial Intelligence (AI) to software programming for forecasting and optimizing business management decisions
यह अध्ययन प्रदर्शित करता है कि सॉफ्टवेयर प्रोग्रामिंग पर आर्टिफिशियल इंटेलिजेंस, विशेष रूप से आर्टिफिशियल न्यूरल नेटवर्क को लागू करना, व्यवसायों को बिक्री प्रदर्शन का सटीक पूर्वानुमान लगाकर और इष्टतम मार्केटिंग बजट सीमा की पहचान करके प्रबंधन संबंधी निर्णयों को अनुकूलित करने और आरओआई (ROI) को अधिकतम करने में सक्षम बनाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक डिजिटल अर्थव्यवस्था में, व्यवसायों के सामने एक निरंतर चुनौती है: विकास करने के लिए अपने पैसे का बुद्धिमानी से उपयोग कैसे किया जाए। दशकों से, प्रबंधक विज्ञापन या नए उत्पादों में कितना निवेश करना है, इसका अनुमान लगाने के लिए अंतर्ज्ञान और सरल चार्ट पर भरोसा करते आए हैं। हालाँकि, आज, एक शक्तिशाली बदलाव आ रहा है। कंप्यूटर ऐतिहासिक डेटा की विशाल मात्रा में पैटर्न खोजने के लिए सीख रहे हैं, जिसे मशीन लर्निंग के रूप में जाना जाता है। यह दृष्टिकोण संगठनों को अनुमान लगाने से आगे बढ़कर भविष्य के परिणामों की भविष्यवाणी करने के लिए सिमुलेशन का उपयोग करने की अनुमति देता है। मूल विचार सीधा है: खर्च और बिक्री के पिछले रिकॉर्ड को कंप्यूटर में फीड करके, मशीन दोनों के बीच के संबंध को सीख सकती है और सबसे प्रभावी मार्ग का सुझाव दे सकती है। यह मानवीय निर्णय को बदलने के बारे में नहीं है, बल्कि प्रबंधकों को एक स्पष्ट, डेटा-संचालित मानचित्र देने के बारे में है ताकि वे एक ऐसे अस्थिर बाजार में नेविगेट कर सकें जहाँ उपभोक्ता आदतें तेजी से बदलती हैं और प्रतिस्पर्धा तीव्र है।
कैन टो विश्वविद्यालय के ट्रिनह क्वांग मिन्ह द्वारा किया गया एक हालिया अध्ययन ठीक इसी बात की जांच करता है कि इन कंप्यूटर उपकरणों को वास्तविक दुनिया के व्यावसायिक निर्णयों में कैसे लागू किया जा सकता है। शोधकर्ता ने यह देखने के लिए तीन अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल का परीक्षण करने का लक्ष्य रखा कि मार्केटिंग बजट के आधार पर बिक्री की भविष्यवाणी करने के लिए कौन सा सबसे अच्छा काम करता है। लक्ष्य खर्च के लिए "स्वीट स्पॉट" (इष्टतम बिंदु) खोजना था—पैसे की वह विशिष्ट राशि जो संसाधनों को बर्बाद किए बिना उच्चतम रिटर्न उत्पन्न करती है। ऐसा करने के लिए, टीम ने एक सिमुलेशन बनाया जिसमें ऐसा डेटा इस्तेमाल किया गया जो वियतनाम के एक मोबाइल फोन रिटेलर की नकल करता था। उन्होंने कंप्यूटर में ऐतिहासिक रिकॉर्ड फीड किए, जो दिखाते थे कि मार्केटिंग पर कितना पैसा खर्च किया गया और उसके जवाब में कितने फोन बेचे गए। डेटा में विज्ञापन पर खर्च किए गए दस बिलियन वियतनामी डोंग से लेकर पचास बिलियन डोंग तक की सीमा शामिल थी।
अध्ययन ने तीन अलग-अलग दृष्टिकोणों की तुलना की। पहला एक लीनियर रिग्रेशन मॉडल था, एक सरल विधि जो मानती है कि जैसे-जैसे खर्च बढ़ता है, बिक्री एक स्थिर, अनुमानित दर पर बढ़ती है। दूसरा एक डिसीजन ट्री (निर्णय वृक्ष) था, जो एक फ्लोचार्ट की तरह काम करता है, जो व्यवहार में अचानक परिवर्तनों या उछाल को संभालने के लिए डेटा को शाखाओं में विभाजित करता है। तीसरा एक आर्टिफिशियल न्यूरल नेटवर्क था, जो मानव मस्तिष्क की जटिल, गैर-रैखिक पैटर्न को पहचानने की क्षमता की नकल करने के लिए डिज़ाइन किया गया एक जटिल सिस्टम है। जब शोधकर्ताओं ने अपने सिमुलेशन चलाए, तो परिणामों से पता चला कि सबसे अच्छा उपकरण पूरी तरह से स्थिति पर निर्भर करता है। सरल लीनियर मॉडल स्थिर, अनुमानित विकास के लिए अच्छा काम करता था, जिसने भविष्यवाणी की कि पचास बिलियन डोंग खर्च करने से लगभग 236 यूनिट बेची जाएंगी। हालाँकि, अधिक जटिल न्यूरल नेटवर्क ने भविष्यवाणी की कि समान निवेश से 240 यूनिट प्राप्त होंगी, जिससे पता चलता है कि यह बाजार की सूक्ष्म, अव्यवस्थित वास्तविकताओं को पकड़ने में बेहतर है।
सिमुलेशन ने सफलता के लिए एक विशिष्ट सीमा (थ्रेशोल्ड) की पहचान की। इसने निर्धारित किया कि दक्षता को अधिकतम करने के लिए पचास से सत्तावन बिलियन वियतनामी डोंग के बीच खर्च करना इष्टतम स्तर है। इस स्तर से नीचे, जैसे कि केवल पैंतीस बिलियन खर्च करना, मॉडल ने काफी कम बिक्री की भविष्यवाणी की, जो एक छूटे हुए अवसर का संकेत था। इस स्तर से ऊपर, रिटर्न कम होने लगा, जिसका अर्थ था कि अतिरिक्त खर्च किया गया पैसा अतिरिक्त बिक्री उत्पन्न करने के लिए पर्याप्त नहीं था ताकि लागत को उचित ठहराया जा सके। डिसीजन ट्री मॉडल विशेष रूप से अचानक बदलावों को समझने के लिए उपयोगी साबित हुआ, जैसे कि किसी फ्लैगशिप उत्पाद का लॉन्च या बड़ी छुट्टी की सेल, जहाँ उपभोक्ता व्यवहार धीरे-धीरे बढ़ने के बजाय अचानक बदल जाता है। इन परिदृश्यों में, ट्री मॉडल चालीस बिलियन डोंग के खर्च पर 200 यूनिट की बिक्री की भविष्यवाणी कर सकता था, जो सरल लीनियर मॉडल से बेहतर था जिसने केवल 190 यूनिट की भविष्यवाणी की थी।
निष्कर्ष व्यावसायिक नेताओं के लिए एक स्पष्ट मार्गदर्शिका प्रदान करते हैं। सीमित डेटा और स्थिर बाजारों वाले छोटे व्यवसायों के लिए, सरल लीनियर मॉडल अक्सर पर्याप्त और समझने में आसान होता है। अस्थिर बाजारों का सामना कर रहे व्यवसायों के लिए, जहाँ ग्राहक व्यवहार अप्रत्याशित रूप से उछलता है, डिसीजन ट्री एक अधिक लचीला और सहज दृष्टिकोण प्रदान करता है। भारी मात्रा में जटिल डेटा वाले बड़े संगठनों के लिए, न्यूरल नेटवर्क उच्चतम सटीकता प्रदान करता है, भले ही यह समझाना कठिन हो कि वह अपने निष्कर्षों तक कैसे पहुँचता है। अध्ययन निष्कर्ष निकालता है कि हर स्थिति के लिए कोई एक "सर्वश्रेष्ठ" मॉडल नहीं है। इसके बजाय, प्रबंधकों को वह उपकरण चुनना चाहिए जो उनके विशिष्ट डेटा और बाजार की स्थितियों के अनुकूल हो। इस चुनाव को करके, वे अपनी अंतरात्मा की भावना (गट फीलिंग) पर निर्भर रहने के बजाय अत्यधिक तर्कसंगत, डेटा-समर्थित निर्णय लेने की ओर बढ़ सकते हैं जो उनके निवेश पर रिटर्न को अनुकूलित करते हैं और तेजी से बदलती डिजिटल अर्थव्यवस्था में उनकी स्थिति सुरक्षित करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।