ലോകം ഓൺലൈനിൽ ആയതുമുതൽ, പല ബിസിനസുകളെയും (ബിസിനസ്സ് മോഡലുകളെയും) നയിക്കുന്ന ഏറ്റവും സാധാരണമായ അനുമാനങ്ങളിലൊന്ന് ഉപഭോക്തൃ ഡാറ്റ ഒരു വിലയേറിയ സ്വത്താണ്, മാത്രമല്ല അതിന്റെ വലിയ അളവിലുള്ള ആർക്കും ഇത് വലിയ രീതിയിൽ ധനസമ്പാദനം നടത്താൻ കഴിയും എന്നതാണ്. കൂടുതൽ ഡാറ്റ, മികച്ച ധനസമ്പാദന സാധ്യത.

ഇത് കേൾക്കുമ്പോൾ, എല്ലാ ഇ-കൊമേഴ്സ് കമ്പനികളും പണം സമ്പാദിക്കുന്നുണ്ടെന്നും എല്ലാ ഭൗതിക റീട്ടെയിൽ ശൃംഖലകളും അടച്ചുപൂട്ടാൻ ആലോചിക്കുന്നുണ്ടെന്നും ഒരാൾ അനുമാനിക്കും.

ഒരു വെഞ്ച്വർ ക്യാപിറ്റൽ സ്ഥാപനത്തിലെ അനലിസ്റ്റ് മുതൽ ബി സ്കൂളിലെ ഒരു വിദ്യാർത്ഥി വരെ എല്ലാവരും നിങ്ങളോട് പറയും, നിങ്ങൾക്ക് വീട്ടിൽ ഒരു കുഞ്ഞ് ഉണ്ടോ എന്ന് ഒരു ഇ-കൊമേഴ്സ് കമ്പനിക്ക് കണ്ടെത്താൻ കഴിയുമെന്നും (നിങ്ങൾ ഡയപ്പറുകൾ ഓർഡർ ചെയ്യുന്നതിനാൽ) മറ്റ് ബേബി ഉൽപ്പന്നങ്ങൾ വാങ്ങാൻ നിങ്ങളെ പ്രേരിപ്പിക്കാൻ ഈ അറിവ് ഉപയോഗിക്കാമെന്നും. ഇതുപോലുള്ള പ്രസ്താവനകൾ സാധാരണമാണ്, നിങ്ങൾ ആഴത്തിൽ കുഴിക്കുന്നതുവരെ രസകരമാണ്.

ഈ ഇ-കൊമേഴ്സ് പ്ലാറ്റ്ഫോമിൽ ഈ ഉൽപ്പന്നങ്ങൾ ഉണ്ടെന്ന് നിങ്ങൾക്കറിയാത്തതിനാൽ നിങ്ങൾ നിലവിൽ ഈ ഉൽപ്പന്നങ്ങൾ മറ്റേതെങ്കിലും സ്റ്റോറിൽ നിന്ന് വാങ്ങുന്നു എന്നതാണ് ഇതുപോലുള്ള പ്രസ്താവനയ്ക്ക് പിന്നിലെ അടിസ്ഥാന അനുമാനം; മറ്റൊരു സ്റ്റോർ സന്ദർശിക്കാൻ നിങ്ങൾ കഠിനമായി പരിശ്രമിച്ചു, പക്ഷേ തിരയൽ ഓപ്ഷൻ ഉപയോഗിച്ച് പ്ലാറ്റ്ഫോമിൽ പരിശോധിക്കാൻ പോലും മിനക്കെട്ടില്ല. അല്ലെങ്കിൽ, ഒരുപക്ഷേ, നിങ്ങളുടെ കുഞ്ഞിന് ഈ ഉൽപ്പന്നങ്ങൾ ആവശ്യമാണെന്ന് ഒരു രക്ഷിതാവെന്ന നിലയിൽ നിങ്ങൾക്ക് അറിയില്ലായിരിക്കാം, ഈ ഉൽപ്പന്നങ്ങൾ നിങ്ങൾക്ക് കാണിച്ചാൽ നിങ്ങൾ അവ വാങ്ങും.

റിയാലിറ്റി പരിശോധന

ഫുൾ ഇമേജ് കാണുക ആമസോൺ അതിന്റെ ബിസിനസിന്റെ മൂന്ന് അടിസ്ഥാന ഡ്രൈവർമാർക്കായി അതിന്റെ മുഴുവൻ ഊർജ്ജവും ചെലവഴിക്കുന്നു – ശേഖരണം വർദ്ധിപ്പിക്കുക, കുറഞ്ഞ വില വാഗ്ദാനം ചെയ്യുക, വേഗത്തിൽ ഡെലിവറികൾ നടത്തുക. (പ്രദീപ് ഗൗർ / മിന്റ്)

ബിഗ് ബാസ്ക്കറ്റ് അല്ലെങ്കിൽ ആമസോൺ പോലുള്ള ഒരു ഓൺലൈൻ ഇ-കൊമേഴ്സ് കമ്പനി എടുക്കുക. ഈ കമ്പനികളിൽ ഓരോന്നിനും അവരുടെ ഉപഭോക്താക്കളെക്കുറിച്ച് ഉള്ള ഡാറ്റയുടെ അളവ് അതിശയിപ്പിക്കുന്നതാണ്. അവരുടെ അപ്ലിക്കേഷനിലെയോ വെബ്സൈറ്റിലെയോ ഓരോ ക്ലിക്കും ബിഗ് ഡാറ്റ ചട്ടക്കൂടുകൾ ഉപയോഗിക്കുന്ന അത്യാധുനിക ടൂളുകളിലൂടെ ട്രാക്കുചെയ്യുന്നു.

വാങ്ങൽ പാറ്റേണുകൾ, ബ്രാൻഡ് മുൻഗണനകൾ, ജീവിതശൈലി തിരഞ്ഞെടുപ്പുകൾ, വില സംവേദനക്ഷമത, ഉപഭോക്താവിന്റെ വ്യക്തിത്വത്തിന്റെ മറ്റ് ഘടകങ്ങൾ എന്നിവയ്ക്കായി ഓരോ ക്ലിക്കിന്റെയും ഓരോ വാങ്ങലിന്റെയും കൃത്യമായ വിശദാംശങ്ങൾ പിടിച്ചെടുക്കുകയും വിശകലനം ചെയ്യുകയും ചെയ്യുന്നു. പ്രീമിയം ബ്രാൻഡുകൾക്കോ റെസിഡൻഷ്യൽ വിലാസത്തിനോ മുൻഗണനയുടെ രൂപത്തിൽ ഭാഗികമായി മാത്രം സൂചിപ്പിക്കുകയാണെങ്കിൽ പോലും കുടുംബ വരുമാനത്തിനായുള്ള വാടക ഡാറ്റയും ഈ കമ്പനികളിൽ ലഭ്യമാണ്.

നിലനിർത്തൽ വർദ്ധിപ്പിക്കുകയും ഉപഭോക്തൃ വാലറ്റിന്റെ ഉയർന്ന പങ്ക് നേടുകയും ചെയ്യുന്ന ഉൾക്കാഴ്ചകൾ സൃഷ്ടിക്കുന്നതിന് ഉപഭോക്തൃ ഡാറ്റയുടെ ഈ വിശാലമായ ശേഖരം ഉപയോഗിക്കുക എന്നതാണ് ആശയം. ഉൾക്കാഴ്ചകളെ അടിസ്ഥാനമാക്കി ‘വാങ്ങൽ ശുപാർശകൾ’ നടത്തുക എന്നതാണ് ഉപഭോക്തൃ വാലറ്റിന്റെ ഉയർന്ന വിഹിതം നേടുന്നതിനുള്ള ഒരു സംവിധാനം.

ബിഗ് ബാസ്കറ്റ് പോലുള്ള ഒരു ഇ-കൊമേഴ്സ് പ്ലാറ്റ്ഫോമിൽ, നിങ്ങളുടെ ഓർഡർ നൽകുന്നതിന് ‘പതിവായി വാങ്ങുന്ന ഇനങ്ങളുടെ’ പട്ടിക താഴേക്ക് സ്ക്രോൾ ചെയ്യുമ്പോൾ, നിങ്ങൾക്കായി ‘ശുപാർശ ചെയ്യുന്ന’ രണ്ട് ഇനങ്ങൾ ഉണ്ടാകും. സാധാരണയായി, ശുപാർശകളുടെ എണ്ണം പതിവായി വാങ്ങുന്ന ഇനങ്ങളുടെ പട്ടികയിലെ ഇനങ്ങളുടെ 5% ആണ്. ഉപഭോക്താവ് യഥാർത്ഥത്തിൽ വാങ്ങിയ ശുപാർശ ചെയ്ത ഇനങ്ങളുടെ ശതമാനമായി നിർവചിച്ച വിജയ നിരക്ക് ഏകദേശം 2% ആണ്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ശുപാർശകൾ കാരണം ഓർഡർ മൂല്യത്തിലെ വർദ്ധനവ് ഒരു ശതമാനത്തിന്റെ പത്തിലൊന്നാണ് (5 ൽ 2%).

അതിനാൽ, നിങ്ങളുടെ ബാസ്കറ്റ് വലുപ്പം ആയിരം രൂപയാണെങ്കിൽ, ഈ ഡാറ്റാ ക്രഞ്ചിംഗ് ആൻഡ് ഇൻസൈറ്റ്സ് എഞ്ചിൻ നേടുന്നത് അത് ഒരു രൂപ വർദ്ധിപ്പിക്കുക എന്നതാണ്. ഒരു ഉപഭോക്താവിന്റെ ബാസ്കറ്റ് മൂല്യം വർദ്ധിപ്പിക്കുന്ന എന്തും ചെയ്യുന്നത് അത് ചെയ്യുന്നതിനുള്ള ചെലവ് നിസ്സാരമായിരിക്കുന്നിടത്തോളം തികച്ചും മനസ്സിലാക്കാൻ കഴിയും. അതിനാൽ, ഒരു ശുപാർശ എഞ്ചിൻ നിർമ്മിക്കുന്നതിന് ഒരു ചെറിയ ഒറ്റത്തവണ നിക്ഷേപം നടത്തുന്നത് ഒരു മോശം ആശയമല്ല, പക്ഷേ വലിയ ഡാറ്റ ക്രഞ്ചിംഗ് നിങ്ങളുടെ ബിസിനസിനെ എങ്ങനെ പരിവർത്തനം ചെയ്യുമെന്നതിനെക്കുറിച്ച് ഒരു വലിയ ശബ്ദം ഉണ്ടാക്കുന്നത്, കുറഞ്ഞത് ഈ സന്ദർഭത്തിലെങ്കിലും, അൽപ്പം അകലെയാണ്.

വ്യക്തത വരുത്താൻ, ബിഗ് ബാസ്കറ്റിന്റെ സ്ഥാപകർ മിടുക്കരാണ്, ഇത് നന്നായി മനസ്സിലാക്കുന്നവരിൽ നിന്ന് വ്യത്യസ്തമായി, ധനസമ്പാദന ഉൾക്കാഴ്ചകളുടെ മൂല്യം ഡാറ്റയുടെ അളവിന് ആനുപാതികമാണെന്ന് അന്ധമായി വിശ്വസിക്കുന്ന അല്ലെങ്കിൽ തങ്ങളെയും അവരുടെ നിക്ഷേപകരെയും ആകർഷിക്കാൻ ഈ വാദം ഉപയോഗിക്കുന്നവരിൽ നിന്ന് വ്യത്യസ്തമായി.

പുസ്തകങ്ങളുടെ പശ്ചാത്തലത്തിൽ ശുപാർശകൾ അൽപ്പം നന്നായി പ്രവർത്തിക്കുന്നു, അവിടെ ശുപാർശകളെ അടിസ്ഥാനമാക്കി ഒരു ഉപഭോക്താവ് ഒരു അധിക പുസ്തകം വാങ്ങാനുള്ള സാധ്യത കൂടുതലാണ്. എന്നിരുന്നാലും, ആമസോൺ പോലും ഇതിനെക്കുറിച്ച് അപൂർവമായി ശബ്ദമുണ്ടാക്കുന്നു, അപൂർവമായി അതിനെക്കുറിച്ച് സംസാരിക്കുന്നു, പകരം അതിന്റെ ബിസിനസ്സിന്റെ മൂന്ന് അടിസ്ഥാന ചാലകങ്ങൾക്കായി അതിന്റെ മുഴുവൻ ഊർജ്ജവും ചെലവഴിക്കുന്നു, അതായത് ശേഖരണം വർദ്ധിപ്പിക്കുക, കുറഞ്ഞ വില വാഗ്ദാനം ചെയ്യുക, വേഗത്തിൽ ഡെലിവറികൾ നടത്തുക. ഉപയോക്താക്കൾ എല്ലായ്പ്പോഴും ശ്രദ്ധിക്കുന്ന മൂന്ന് കാര്യങ്ങളാണ് ഇവയെന്ന് ആമസോൺ വ്യക്തമായി വിശ്വസിക്കുന്നു, പ്രസക്തമായി തുടരുന്നതിന് ഓരോ ദിവസവും ഇവ മെച്ചപ്പെടുത്തുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടതുണ്ട്.

ഓഫ് ലൈൻ റീട്ടെയിൽ ശൃംഖലയായ ഡിമാർട്ടിന് 30 ബില്യൺ ഡോളർ വിപണി മൂലധനമുണ്ട്. വലുതോ ചെറുതോ ആയ എല്ലാ ഇ-കൊമേഴ്സ് കമ്പനികൾക്കും അവരുടെ ഉപഭോക്താക്കളെക്കുറിച്ച് ഡിമാർട്ടിന് അവരുടെ ഉപഭോക്താക്കളെക്കുറിച്ച് ഉള്ളതിനേക്കാൾ നൂറുകണക്കിന് മടങ്ങ് ഡാറ്റയുണ്ട്. അവർ വലിയ പണം കത്തിക്കുന്നതിനാൽ ബിഗ് ഡാറ്റ ക്രഞ്ച് ചെയ്യുന്നത് അവരെ സഹായിക്കുമെന്ന് തോന്നുന്നില്ല. ആമസോണിനെപ്പോലെ ഡിമാർട്ടും വളരെ നന്നായി പ്രവർത്തിച്ചത്, ടാർഗെറ്റ് ഉപഭോക്താക്കളെക്കുറിച്ച് ആഴത്തിലുള്ള ധാരണയെ അടിസ്ഥാനമാക്കി തന്ത്രപരമായ തിരഞ്ഞെടുപ്പുകൾ ബുദ്ധിപൂർവ്വം നടത്തുകയും തുടർന്ന് ഫാൻസി ആശയങ്ങളിൽ നിന്ന് വ്യതിചലിക്കാതെ ഇവ നിർദയമായി നടപ്പിലാക്കുകയും ചെയ്തു എന്നതാണ്.

അതുപോലെ, ടാക്സി അഗ്രഗേഷന്റെ ലോകത്ത്, ഓലയ്ക്കും യൂബറിനും ടൺ കണക്കിന് ഉപഭോക്തൃ ഡാറ്റ ഉണ്ടായിരുന്നു – അവരുടെ വീട്, ഓഫീസ് സ്ഥലങ്ങൾ, ഏറ്റവും പതിവായി സന്ദർശിക്കുന്ന സ്ഥലങ്ങൾ, ഉപയോഗത്തിന്റെ ആവൃത്തി, സർജ് വില നൽകാനുള്ള അവരുടെ സന്നദ്ധത മുതലായവ. എന്നാൽ ഈ ഡാറ്റ അവരെ സഹായിച്ചില്ലായിരിക്കാം, രണ്ട് അഗ്രഗേറ്റർമാരും ഉപഭോക്തൃ അനുഭവത്തിൽ അതിവേഗം താഴേക്ക് വഴുതിവീണു. ഇത് ഒരു പുതിയ കളിക്കാരനുള്ള ഇടം സൃഷ്ടിച്ചു.

ടാർഗെറ്റ് കസ്റ്റമർ ഗ്രൂപ്പ് അടിസ്ഥാനകാര്യങ്ങൾ ശരിയായി ചെയ്യുന്നതിലാണ് ബ്ലൂസ്മാർട്ടിന്റെ വിജയം. ഡിമാർട്ട്, ബിഗ് ബാസ്കറ്റ്, ആമസോൺ എന്നിവയെപ്പോലെ, ബ്ലൂസ്മാർട്ടും തന്ത്രപരമായ തിരഞ്ഞെടുപ്പുകൾ ബുദ്ധിപൂർവ്വം നടത്തുകയും അവയിൽ നന്നായി നടപ്പിലാക്കുകയും ചെയ്തു. ഡാറ്റ ഉപയോഗിച്ച് ഏതെങ്കിലും തരത്തിലുള്ള വ്യക്തിഗതവൽക്കരണം ഉണ്ടെങ്കിൽ, അത് ശരിക്കും കുറവായിരുന്നു, മാത്രമല്ല അതിന്റെ വിജയത്തിന് പ്രധാനമല്ല. മറുവശത്ത്, ഓലയും യൂബറും തങ്ങളുടെ ടാർഗെറ്റ് ഉപഭോക്താക്കളുടെ വേദന പോയിന്റുകൾ മറന്നു, പകരം ഉപഭോക്താവിന്റെ പണമടയ്ക്കാനുള്ള കഴിവിനെ അടിസ്ഥാനമാക്കി റൈഡുകൾക്ക് വില നിശ്ചയിക്കാൻ കഴിയുന്ന അൽഗോരിതങ്ങൾ ആവിഷ്കരിക്കുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിച്ചു (ഫോൺ മരണം, പിക്കപ്പ് പോയിന്റ്, മഴയുള്ള കാലാവസ്ഥ, ഡ്രോപ്പ് ഓഫ് വിലാസം മുതലായവ).

സ്മാർട്ട് കമ്പനികൾ അവരുടെ ടാർഗെറ്റ് ഉപഭോക്താക്കളുടെ ആവശ്യങ്ങൾ മൊത്തത്തിൽ ആഴത്തിൽ മനസ്സിലാക്കുന്നതിലും അവരെ പൂർണ്ണമായും സന്തോഷിപ്പിക്കുന്നതിനായി ശരിയായ എല്ലാ കാര്യങ്ങളും (തന്ത്രത്തിന്റെയും നിർവഹണത്തിന്റെയും കാര്യത്തിൽ) ചെയ്യുന്നതിലും എല്ലായ്പ്പോഴും ശ്രദ്ധ കേന്ദ്രീകരിക്കും. ഏതൊരു വ്യക്തിഗതവൽക്കരണവും സാലഡിലെ അലങ്കാരം മാത്രമാണ്.

പല ഓൺലൈൻ കമ്പനികളും വരുത്തുകയും വാങ്ങുന്നവർ ഉള്ളിടത്തോളം കാലം അത് തുടരുകയും ചെയ്യുന്ന മാരകമായ തെറ്റാണ് സാലഡിനുള്ള അലങ്കാരത്തെ ആശയക്കുഴപ്പത്തിലാക്കുന്നത്.

ധനസമ്പാദന മോഡലുകൾ

അടുത്തിടെ, ഉപയോക്താക്കളെ ഉൽപ്പന്നമായി പരിഗണിക്കുന്ന ബിസിനസ്സ് മോഡലുകളെക്കുറിച്ച് സംശയം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്, ഉപയോക്താക്കൾ / ഉപയോക്താക്കൾ പണമടയ്ക്കാത്ത ഒരു സൗജന്യ സേവനം വാഗ്ദാനം ചെയ്യുന്നതിലൂടെ, അവരുടെ ഡാറ്റ ഒരു ദിവസം ധനസമ്പാദനം നടത്താമെന്ന പ്രതീക്ഷയോടെ.

എല്ലാ ധനസമ്പാദനവും ഒടുവിൽ പരസ്യ വരുമാനത്തിലേക്കോ പലിശ വരുമാനത്തിലേക്കോ (വായ്പയിലൂടെ) ചുരുങ്ങുന്നു.

പരസ്യ-വരുമാന മോഡൽ ഫേസ്ബുക്ക്, ഗൂഗിൾ തുടങ്ങിയ വന്യ വിജയകരമായ ചില കമ്പനികളെ സൃഷ്ടിച്ചു. മാന്യമായ വരുമാനം സൃഷ്ടിക്കുന്നതിനായി ആമസോൺ അതിന്റെ ഉപഭോക്തൃ അടിത്തറ ധനസമ്പാദനം ചെയ്തു. ഗൂഗിൾ, ഫേസ്ബുക്ക് തുടങ്ങിയ കമ്പനികൾ ഒരു അപവാദവും അപൂർവവുമാണ് എന്നതാണ് സത്യം. ഗൂഗിൾ അല്ലെങ്കിൽ ഫെയ്സ്ബുക്ക് പോലെ ധനസമ്പാദനം പ്രതീക്ഷിച്ച് ഒരു ബിസിനസ്സ് കെട്ടിപ്പടുക്കുന്നത് അങ്ങേയറ്റം അപകടകരവും നിഷ്കളങ്കവുമാണ്. ഉപഭോക്തൃ അടിത്തറയുള്ള (അല്ലെങ്കിൽ വായനക്കാരുടെ അടിത്തറ) മറ്റെല്ലാ പ്ലാറ്റ്ഫോമുകളും പരസ്യ വരുമാനം നേടാൻ പാടുപെടുകയാണ്. മിക്ക വായനക്കാരും പരസ്യങ്ങൾ ഒഴിവാക്കുന്ന പ്രവണത കാണിക്കുന്നു, കൂടാതെ പരസ്യങ്ങളുടെ തത്സമയ പ്ലേസ്മെന്റിനെ നയിക്കുന്ന അൽഗോരിതങ്ങളുടെ ഫലപ്രാപ്തി വളരെ സംശയാസ്പദമാണ്. ഫേസ്ബുക്ക്, ഗൂഗിൾ പരസ്യങ്ങളുടെ ഗുണഭോക്താക്കൾ ഫേസ്ബുക്കും ഗൂഗിളും മാത്രമാണെന്ന തിരിച്ചറിവും വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്.

പരസ്യങ്ങൾ വ്യക്തിഗതമാക്കാനുള്ള കഴിവ് സംശയാസ്പദമാണ്. അവരുടെ പ്രൊഫൈലുകളുടെ വ്യാഖ്യാനത്തെയും ഓൺലൈൻ പ്രവർത്തനത്തെയും അടിസ്ഥാനമാക്കി ലിങ്ക്ഡ്ഇൻ അവർക്കായി ശുപാർശ ചെയ്യുന്ന ജോലികളിൽ വളരെയധികം രസിക്കുന്ന നിരവധി സുഹൃത്തുക്കളെയും സഹപ്രവർത്തകരെയും ഈ ലേഖകൻ കണ്ടുമുട്ടിയിട്ടുണ്ട്. ശുപാർശകൾ അവർക്ക് താൽപ്പര്യമുള്ളതിനടുത്ത് എവിടെയും എത്തുന്നില്ല. ലോകത്തിലെ ഏറ്റവും മികച്ച ചില സാങ്കേതിക പ്രതിഭകളിലേക്ക് പ്രവേശനമുള്ളതും ഒരു ഉപഭോക്താവിന്റെ ഓരോ ‘ലൈക്കും കമന്റും’ പിടിച്ചെടുക്കാനുള്ള കഴിവുള്ളതുമായ ഒരു പ്രശസ്ത ഓൺലൈൻ സോഷ്യൽ മീഡിയ പ്ലാറ്റ്ഫോം ഇതാണ്. ഇത് ലിങ്ക്ഡ്ഇനിന്റെ ശുപാർശ എഞ്ചിന്റെ ഗുണനിലവാരത്തെക്കുറിച്ചുള്ള ഒരു അഭിപ്രായമല്ല, മാത്രമല്ല ഉപഭോക്തൃ പ്രവർത്തനവും പ്രൊഫൈലുകളും സൃഷ്ടിച്ച ഡാറ്റയുടെ വലിയ ശേഖരങ്ങളിൽ നിന്ന് ശരിക്കും അർത്ഥവത്തായ ഉൾക്കാഴ്ചകൾ സൃഷ്ടിക്കുന്നതിലെ അന്തർലീനമായ പരിമിതികളെക്കുറിച്ചല്ല.

മിക്ക ഫിൻടെക് കമ്പനികളുടെയും ബിസിനസ്സ് മോഡൽ വായ്പക്കാരുടെ ക്രെഡിറ്റ് യോഗ്യത കൃത്യമായും വേഗത്തിലും വിലയിരുത്താൻ കഴിയുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. ഇത് വീഴ്ചകൾ കുറയ്ക്കുമെന്നാണ് വിശ്വാസം. വിജയകരമായ വായ്പ നൽകുന്നത് എല്ലായ്പ്പോഴും നല്ല വായ്പക്കാർക്ക് വായ്പ നൽകാതിരിക്കുന്നതും (ചില തെറ്റായ ചുവപ്പ് പതാക കാരണം) മോശം വായ്പക്കാർക്ക് വായ്പ നൽകുന്നതും തമ്മിലുള്ള ഒരു വ്യാപാരമാണ് ( കാരണം ചുവന്ന പതാക ഉയർന്നുവന്നിട്ടില്ല). ഈ ട്രേഡ്-ഓഫ് കൈകാര്യം ചെയ്യുന്നതിന് അൽഗോരിതങ്ങൾ മികച്ചതും വേഗത്തിലുള്ളതുമായ ജോലി ചെയ്യുമോ? കാലം മാത്രമേ പറയൂ.

അൽഗോരിതം ക്രെഡിറ്റ് വിലയിരുത്തൽ മനുഷ്യരെ മാറ്റിസ്ഥാപിക്കുന്നത് അത് മികച്ചതുകൊണ്ടാണോ, അതോ ശരിയായ കഴിവുകളും വില പോയിന്റും ഉള്ള ആളുകളുടെ അഭാവം മൂലമാണോ എന്നതാണ് യഥാർത്ഥത്തിൽ ചോദ്യം. കാര്യങ്ങൾ കൂടുതൽ ബുദ്ധിമുട്ടാക്കാൻ, ഫിൻടെക് കമ്പനികൾക്ക് കുറഞ്ഞ ചെലവിലുള്ള ഫണ്ടുകളിലേക്ക് പ്രവേശനമില്ല, ബാങ്കുകളിൽ നിന്നും എൻബിഎഫ്സികളിൽ നിന്നും ഉയർന്ന നിരക്കിൽ വായ്പയെടുക്കുന്നു.

ഡാറ്റയ്ക്ക് അതിന്റെ ഉപയോഗങ്ങളുണ്ട്

പൊതുവായ തട്ടിപ്പ് പാറ്റേണുകൾ കണ്ടെത്താൻ ഇ-കൊമേഴ്സ് കമ്പനികൾ അൽഗോരിതം വിന്യസിച്ചിട്ടുണ്ട്. ആരെങ്കിലും ഒരു ഉൽപ്പന്നം മൊത്തത്തിൽ ഓർഡർ ചെയ്താൽ ഒരു അലേർട്ട് ഉണ്ട്, കാരണം ഇത് ചില്ലറ ഉപഭോക്താവാണെന്ന് നടിക്കുന്ന ഒരു കിരാന സ്റ്റോർ ഉടമയായിരിക്കാം.

ഇതെല്ലാം ഡാറ്റ സഹായകരമല്ലെന്ന് പറയുന്നില്ല. പത്തൊൻപതാം നൂറ്റാണ്ടിന്റെ മധ്യത്തിൽ ലണ്ടനിലെ കോളറയുടെ ഉറവിടം കണ്ടെത്താൻ ജോൺ സ്നോ എന്ന ഇംഗ്ലീഷ് ഡോക്ടർ ഡാറ്റയുടെ ശക്തി ഉപയോഗിച്ചു. ഇതുപോലുള്ള നൂറുകണക്കിന് ഉദാഹരണങ്ങളുണ്ട്.

എല്ലാത്തരം തട്ടിപ്പുകളെക്കുറിച്ചും അലേർട്ടുകൾ സൃഷ്ടിക്കാൻ അൽഗോരിതങ്ങളുടെ സഹായത്തോടെ ഡാറ്റാ വിശകലനം ഉപയോഗിക്കുന്നു, പക്ഷേ യഥാർത്ഥ തട്ടിപ്പ് ഉണ്ടോ എന്ന് വിലയിരുത്താൻ മനുഷ്യ ഇടപെടലും അന്വേഷണവും ആവശ്യമാണ്. ഇ-കൊമേഴ്സ് കമ്പനികളും ചില സാധാരണ തട്ടിപ്പ് പാറ്റേണുകൾ കണ്ടെത്താൻ അൽഗോരിതം വിന്യസിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, ആരെങ്കിലും ഒരു ഉൽപ്പന്നം മൊത്തത്തിൽ ഓർഡർ ചെയ്യുകയാണെങ്കിൽ ഒരു അലേർട്ട് ഉണ്ട്, കാരണം ഇത് പലപ്പോഴും ഒരു കിരാന സ്റ്റോർ ഉടമയാണ്, ചില്ലറ ഉപഭോക്താവാണെന്ന് നടിച്ച്, എംആർപിയിൽ (പരമാവധി റീട്ടെയിൽ വില) വീണ്ടും വിൽക്കാൻ ഡിസ്കൗണ്ടിൽ വിൽക്കുന്ന പ്ലാറ്റ്ഫോമിൽ ഒരു ഉൽപ്പന്നം ഓർഡർ ചെയ്യുന്നു.

ഡാറ്റാ അനലിറ്റിക്സ് വളരെ വികസിച്ച ഒരു ശാസ്ത്രമാണ്, ഇത് നിരവധി സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് സ്ഥിതിവിവരക്കണക്കുകളുടെയും കമ്പ്യൂട്ടിംഗ് ശക്തിയുടെയും കവലയിൽ അറിവ് പ്രയോഗിക്കുന്നതിന്റെ ഫലമാണ്. ഉദാഹരണത്തിന്, മെഡിക്കൽ സ്കാനുകൾ മുതൽ നമ്മുടെ പ്രപഞ്ചത്തിന്റെ വിദൂര ഭാഗങ്ങളുടെ ചിത്രങ്ങൾ വരെയുള്ള ചിത്രങ്ങൾ വ്യാഖ്യാനിക്കുന്നതിൽ ഇത് വളരെ സഹായകരമാണ്. മെഷീൻ ലേണിംഗ് വഴി ഇമേജ് തിരിച്ചറിയലിന്റെ മുഴുവൻ ശാസ്ത്രവും ഡാറ്റ ക്രഞ്ചിംഗിന്റെ ശക്തിയെ ആശ്രയിച്ചിരിക്കുന്നു.

ഡാറ്റയുടെ ഉപയോഗത്തിലൂടെ ഉപയോഗപ്രദമായ പാറ്റേണുകളും സിഗ്നലുകളും കണ്ടെത്താനുള്ള കഴിവ് ഒരിക്കലും ചോദ്യം ചെയ്യപ്പെട്ടിട്ടില്ല. വലിയ ഡാറ്റ ഞെരുക്കിക്കൊണ്ട് കാര്യമായ ധനസമ്പാദന ഉൾക്കാഴ്ചകൾ നേടാനുള്ള കഴിവാണ് ചോദ്യം ചെയ്യപ്പെടുന്നത്.

ഉപസംഹാരത്തിൽ

വലിയ ഡാറ്റ ക്രഞ്ച് ചെയ്യുന്നത് മികച്ച ഇമേജ് റെസല്യൂഷൻ സൃഷ്ടിക്കുന്നതിന് തുല്യമാണ്. എന്നാൽ ഇത് ബിസിനസ്സിൽ പ്രയോഗിക്കുമ്പോൾ, ഏതെങ്കിലും ഉപകരണത്തിന്റെയോ സാങ്കേതികതയുടെയോ ഫലപ്രാപ്തി വിലയിരുത്തുന്നതിനുള്ള സാർവത്രിക അളവുകോലിന്റെ പരിശോധനയിൽ നിൽക്കേണ്ടതുണ്ട്, അതായത് ടോപ്പ് ലൈനിലോ താഴത്തെ ലൈനിലോ അത് സൃഷ്ടിക്കാൻ കഴിയുന്ന സ്വാധീനം. മെച്ചപ്പെട്ട റെസല്യൂഷൻ കുറഞ്ഞ ഡാറ്റ ഉപയോഗിച്ച് കുറഞ്ഞ റെസല്യൂഷനിൽ ദൃശ്യമാകാത്ത പുതിയ പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിൽ കലാശിക്കുന്നില്ലെങ്കിൽ, ഈ വലിയ ഡാറ്റ ക്രഞ്ച് ചെയ്യുന്നതിന്റെ പ്രയോജനമില്ല. ചില അധിക പാറ്റേണുകൾ കാണിക്കുന്നുവെന്ന് നിങ്ങൾ അനുമാനിച്ചാലും, അവ ധനസമ്പാദനം നടത്തുന്നതിന്റെ നിസ്സാരമല്ലാത്ത പ്രശ്നമുണ്ട്.

ഇവിടെയാണ് സാർവത്രിക പാരെറ്റോ തത്വം ആരംഭിക്കുന്നത്, അതായത്, 80% പാറ്റേണുകളും 20% ഡാറ്റ ഉപയോഗിച്ച് വ്യക്തമാണ്. ഇതിനപ്പുറം വരുമാനം ഗണ്യമായി കുറയുന്ന താഴ്വരയുണ്ട്. നിങ്ങളുടെ കൈയിൽ ഒരു ചുറ്റിക ഉള്ളപ്പോൾ, എല്ലാം ഒരു നഖം പോലെ കാണപ്പെടുന്നു. ഈ സാഹചര്യത്തിൽ, ചുറ്റിക കമ്പ്യൂട്ടിംഗ് ശക്തിയാണ്.

നിങ്ങളുടെ ടാർഗെറ്റ് ഗ്രൂപ്പ് ഉപഭോക്താക്കളെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ധാരണയ്ക്കും നല്ല നിർവഹണത്തിനും മറ്റൊന്നിനും പകരമാവില്ല.

ഒരിക്കൽ ബുദ്ധിമാനായ ഒരാൾ പറഞ്ഞു, സ്വർണ്ണ തിരക്ക് ഉണ്ടാകുമ്പോൾ പണം സമ്പാദിക്കുന്നത് സ്വർണ്ണം കുഴിക്കുന്നവരല്ല, മറിച്ച് മൺവെട്ടികൾ വിൽക്കുന്നവരാണ്. വിരോധാഭാസമെന്നു പറയട്ടെ, പുതിയ മൺവെട്ടികളുടെ ശക്തി അവയെയെല്ലാം എങ്ങനെ സമ്പന്നമാക്കും എന്നതിനെക്കുറിച്ച് എല്ലായ്പ്പോഴും ഏറ്റവും കൂടുതൽ ശബ്ദമുയർത്തുന്നത് സ്വർണ്ണ ഖനനക്കാരാണ്.

ഉപഭോക്തൃ ഡാറ്റ സൃഷ്ടിക്കുന്നതിനും ധനസമ്പാദനം നടത്തുന്നതിനും തിരക്കുണ്ടാകുമ്പോൾ, പണം സമ്പാദിക്കുന്നത് അവരുടെ ഉപഭോക്തൃ ഡാറ്റ ധനസമ്പാദനം ചെയ്യാൻ ആഗ്രഹിക്കുന്ന കമ്പനികളല്ല, മറിച്ച് കമ്പ്യൂട്ടിംഗ് ശേഷി വിൽക്കുന്ന കമ്പനികളാണ്.

വ്യക്തിഗത തന്മാത്രകളുടെ സ്ഥാനങ്ങളെയും വേഗതകളെയും കുറിച്ചുള്ള ഡാറ്റ ഞെരുക്കാതെ തന്നെ ഒരു വാതകത്തെക്കുറിച്ച് പ്രാധാന്യമർഹിക്കുന്നതെല്ലാം മനസ്സിലാക്കാൻ കഴിയുമെന്ന നിഗമനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് തെർമോഡൈനാമിക്സ് ശാസ്ത്രം.

ക്വാണ്ടം കമ്പ്യൂട്ടിംഗ് യാഥാർത്ഥ്യമാകുന്ന ദിവസം ക്വാണ്ടം കമ്പ്യൂട്ടറുകളുടെ വിൽപ്പനക്കാർ ഭൗതികശാസ്ത്രത്തെ പുനർനിർമ്മിക്കുകയും നമുക്കെല്ലാവർക്കും അറിയാവുന്നത് അളക്കുന്നതിലൂടെ തെർമോഡൈനാമിക്സിനെക്കുറിച്ചുള്ള നമ്മുടെ ധാരണ എങ്ങനെ വർദ്ധിപ്പിക്കാമെന്ന് നമ്മോട് പറയുകയും ചെയ്താൽ അതിശയിക്കാനില്ല.