قیمت‌گذاری خدمات با استفاده از هوش مصنوعی

شاید برای شما اتفاق افتاده باشد (یا شاهد باشید) بعضی از مردم کرایه‌ی مسیر را، قبل از سوار شدن به مسافرکش شخصی با اسنپ یا تپ‌سی چک می‌کنند؟

 

 

با آمدن تاکسی‌های اینترنتی اتفاق جالبی افتاد: نرخ جابجایی یک مسافر از نقطه A به نقطه B مشخص شد. قیمتی که قبلاً مشخص نبود یا مردم عادی خبرنداشتند.

چون داده‌های زیادی روی پلتفرم‌های دیجیتال جمع می‌شود می‌توان از این‌ داده‌های حجیم یا Big Data استفاده کرد و قیمت خدمات ارائه شده توسط پلتفرم را تخمین زد. فکر کنید چقدر داده‌های حمل و نقل شهری روی دیتابیس شرکت‌های مثل تپ‌سی یا اسنپ  ذخیره می‌شود و از این حجم اطلاعات چه استفاده‌های زیادی می‌شود کرد. یک نمونه اینکه این شرکت‌ها می‌توانند مرجع قیمت‌‌گذاری برای نرخ خدمات حمل و نقل مسافر درون‌شهری باشند.

قبلاً در مطلبی جداگانه درباره قیمت‌گذاری مسکن با استفاده از هوش مصنوعی توضیح دادم. اینک می‌توانیم از داده‌های عمومی (Public Data)  مثل آگهی‌های سایت دیوار  استفاده کنیم و قیمت مسکن در مناطق مختلف شهر را حدس بزنیم. مسکن بیشتر چیزی از جنس کالا هست ولی می‌خواستم اینجا در مورد کشف قیمت خدمات صحبت کنم.

قیمت‌گذاری در کل یک مساله سخت و پیچیده است به خصوص قیمت‌گذاری خدمات.

مثلاً فرض کنید من یک طراح سایت هستم برای راه اندازی یک سایت چقدر باید دریافت کنم؟ آیا نرخ دقیقی وجود دارد؟ یا یک تعمیرکار لوازم خانگی هستم چقدر باید برای تعمیر یک ماشین لباس‌شویی دریافت کنم؟ یا راننده‌‌ام، برای حمل بار از شهر الف به شهر ب چقدر کرایه از مشتری مطالبه کنم؟

اگر کالاها را در نظر بگیریم در خیلی از موارد یک قیمت مشخص وجود دارد که در سراسر کشور یکسان هست. مثلاً قیمت یک پفک در همه جای کشور ۲ هزارتومان هست. ولی برای خدمات نمی‌توان یک قیمت ثابت و واحد پیشنهاد داد. خدمت نسبت به کالا پیچیدگی بیشتری دارد. پارامتر‌های زیادی در آن دخیل هستند. هر خدمت خود یک پروژه هست و از یک مشتری به مشتری دیگر فرق می‌کند. مثلاً برای یک نقاش ساختمان هر ساختمانی که رنگ می‌کند با ملک قبلی فرق می‌کند و نمی‌توان نرخ ثابت تعیین کرد.

عصر ما عصر داده هست و با ورود تکنولوژی جدید مثل GPS و اینترنت اشیا  و گوشی‌های هوشمند بسیاری از اطلاعات مشتریان  قابل دریافت و ذخیره سازی.

اصلاً شاید یکی از دلایلی که پلتفرم‌های دیجیتال پدید آمدند به این خاطر بود که داده‌های دنیای فیزیکی را یکجا جمع‌آوری کنند. اطلاعاتی که قبلاً ذخیره نمی‌شد یا امکان ذخیره نبود.

مثلاً پلتفرم نیروی انسانی مثل پونیشا یا Fiverr را در نظر بگیرید الان مترجمی که روی این پلتفرم کسب درآمد می‌کند می‌تواند قابل ردیابی و اندازه‌گیری باشد. اینکه چند پروژه انجام داده، یا دیگران چقدر از کار او راضی هستند و چند ستاره به او داده‌اند یا زمان تحویل و تاخیر آن چقدر بوده. اینها همه داده‌های و اطلاعاتی هستند که قبلاً جایی ذخیره نمی‌شد ولی با آمدن تکنولوژی و پلتفرم‌های دیجیتال امکان ذخیره هر نوع اطلاعاتی وجود دارد.

حال نوبت این می‌رسد که یک مدل هوش مصنوعی تعریف کنیم و این داده‌های را به آن بدهیم و خروجی‌ِ قیمت خدمات بگیریم.

مثلاً در پلتفرم دیجیتال ما ثبت شده که حسن اقا، نقاش ساختمان، برای یک متر نقاشی، یکبار ۵۰ هزارتومان بار دوم ۶۰ هزارتومان و بار nام ۴۵ هزارتومان دریافت کرده که میانگین می‌شود ۵۵ هزارتومان. حال اگر میانگین تمام نقاشان ساختمان را حساب کنیم می‌توانیم با تقریب خوبی بگوییم نرخ یک متر نقاشی ساختمان در ایران فلان قدر است.

به نظرم بخشی از مدل‌های هوش مصنوعی نهایتاً کارشان دادن یک عدد به عنوان خروجی هست. مثلاً گوگل را در نظر بگیرید. یک مدل هوش مصنوعی است که یک URL را می‌گیرد و یک عدد به آن تخصیص می‌دهد. هر URL که عدد بیشتری داشت رتبه‌ بهتری می‌گیرد. پس اینجا هم با یک عدد  که همان قیمت است مواجه هستیم.

 

سایر مطالب مرتبط با هوش مصنوعی و بیگ‌دیتا:

کاربرد اینترنت اشیا در بهبود رانندگی مردم

کاربرد هوش مصنوعی در شناسایی مزاحمان پیامکی

گوکل چطور مکان شما را تشخیص می‌دهد؟

عطش شرکت‌های تکنولوژی برای جمع آوری اطلاعات

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.