استراتژی بازاریابی و انتخاب بازار هدف

در زندگی روزمره و در دنیای واقعی هیچ پیش بینی نمی تواند خود را هم‌ تراز با قطعیت مطلق بداند. در بسیاری از مسائل، پیش­ گویی مبتنی بر شهود یا پیش بینی‌ هایی هر چند با احتمال اندک، نه تنها مورد توجه ما قرار می گیرند، بلکه به ما در پذیرش شرایط موجود و درک شرایط پیش رو نیز کمک می‌کنند.

Share on facebook
Share on whatsapp
Share on twitter
Share on linkedin

روبرت کینگ مرتون (Robert King Merton) به عنوان یک جامعه‌شناس در قرن بیستم با نام گذاری نوعی از پیش بینی‌ هایی با نام پیش بینی خود کام بخش یا خود محقق شونده (self-fulfilling prophecy)، این مفهوم را وارد ادبیات علوم اجتماعی کرد. مرتون معتقد است که پیش­ گویی خود محقق شونده در ابتدا نوعی برداشت از موقعیت است که منجر به بروز رفتاری می ‌شود که این رفتار در نهایت گزاره نادرست (درست) را به گزاره ای درست (نادرست) بدل می ‌کند. این فرآیند بیشتر به دلیل تاثیر ذهنیت افراد بر رفتار و تصمیمات آن‌ هاست زیرا یک پیش گویی مثبت و یا منفی می ‌تواند به شدت در اعتقادات مردم تاثیرگذار باشد. لذا رفتار مردم را به جهتی سوق می ‌دهد که نهایتا این پیش گویی به حقیقت بپیوندد و یا محقق نشود. به عنوان نمونه این نوع از پیش­بینی می ‌تواند یک ابزار سیاسی موثر در دست سیاست مداران باشد، چرا که اصولا مباحث سیاسی نوعی تبلیغات فراگیر برای افراد و احزاب هستند. لذا در صورت مقبولیت، یک سیاست مدار می ‌تواند آینده­ی مد نظرش را در یک چارچوب منطقی پیش بینی و در اختیار جامعه قرار دهد. این پیش بینی فارغ از درست یا اشتباه بودن مقدمات، می ‌تواند منجر به رفتارهایی شود که نهایتا آینده ی دلخواه طراح آن را محقق کند. البته نباید فراموش کرد که طراحی چنین پیش گویی، نیاز به دانش عمیق در علوم اجتماعی مانند روانشناسی اجتماعی، فرهنگ و اعتقادات دارد. بدین ترتیب پیش گویی خود کام بخش می ‌تواند به عنوان قسمتی از فعالیت‌ های آینده پژوهان در طراحی پروژه‌ های اجتماعی به کار گرفته شود.

از آنجایی که بر اساس مشاهده­ ها، روند کاربردهای هوش مصنوعی و یادگیری ماشین به سمت پیش بینی رفتارها و احساسات انسانی در سطح اجتماعی پیش می ­روند (انتخابات ریاست جمهوری تنها یکی از صدها مثالی است که هوش مصنوعی سعی در پیش بینی آن­ ها دارد) و به سبب ذات پیش بینی که مقوله ی جذابی است، می ­توان در مورد مفهوم پیش بینی­ های خودکام بخش، که بیشترین کاربردشان در علوم رفتاری و اخیرا در اقتصاد رفتاری بوده است، صحبت کرد. این مبحث، هم در زمینه شناخت یکی از رفتارهای انسانی و هم در زمینه معرفی یک حوزه جدید در علم داده، هوش مصنوعی و یادگیری ماشین، برای همگان مفید خواهد بود.

در آینده ای نه چندان دور، مدلسازی پیش بینی­ های خودکام بخش، موضوع حائز اهمیتی در فضای هوش مصنوعی و علم داده محسوب می ­شوند. این مدلسازی بیشتر در ساختارهای اجتماعی که در آن­ ها رفتارهای انسانی، مهمترین متغیر در آن­ ها می ­باشد کاربرد دارد.

به طور کلی پیش بینی در مدلسازی­ هایی که متغیر­های وابسته و مستقل، هر دو نقش دارند به مراتب آسان­تر از زمانی است که متغیرها هم روی یکدیگر تاثیر می ­گذارند و هم از یکدیگر تاثیر می ­پذیرند. به عنوان مثال در پیش بینی وضعیت آب و هوا، می ­توان سری زمانی از داده­ های موجود تهیه و وضعیت آب و هوا در چند روز آینده را با استفاده از رویکردهای موجود پیش بینی کرد. در این نوع مدلسازی، متغیرهای مستقل ممکن است بر روی متغیرهای وابسته­ تاثیر نگذارند، و این درحالی است که در برخی از مسائل متغیرهایی وجود دارند که علاوه بر تاثیر پذیری از دیگر متغیرها، تاثیر گذار نیز می ­باشند. در این گونه مسائل با تغییر یکی از عوامل می ­توان پیش بینی­ های انجام شده را مطابق میل خود دستخوش تغییر کرد. به همین خاطر است که رویدادهای سیستم­ های اجتماعی، مانند بحران­ های مالی یا انقلاب­ های جوامع، با وجود داده­ های لازم عملا غیر قابل پیش بینی هستند.

به طور کلی نمی ­توان برای سیستم­ های اجتماعی، پیش­بینی دقیقی داشت و عدم این توانایی به دلیل عواملی همچون مشخص نبودن مساله، آگاهی نداشتن و در دسترس نبودن تمام متغیرهای موثر، وابستگی پیچیده­ی متغیرها به یکدیگر و همچنین تغییر میزان وابستگی آن­ ها در طول زمان و مهمترین علت، نقش انسان­ ها در ساختارهای اجتماعی است. شناخت دقیق رفتار انسان­ ها و تصمیم­ هایی که در مواقع مختلف، با انگیزه­ های متفاوت اتخاذ می ­کنند، غیر قابل پیش بینی است. بعلاوه، رفتارهای افراد در محافل شخصی و در مجامع عمومی می ­تواند بسیار متفاوت باشد. لذا، مدلسازی تک تک افراد جامعه موجب شناخت کل آن جامعه نمی ­گردد.

در یادگیری ماشین، فرض اساسی بر این اصل استوار است که گذشته، چراغ راه آینده است. اما این اصل در مسائل اجتماعی قابل استناد نیست و الگوی رفتاری هر رویدادی در گذشته، نمی ­تواند به طور قطع الگوی رفتاری آیندگان باشد، زیرا برآیندی از تغییرات روی متغیرهای موجود مسائل اجتماعی اعمال می ­شوند که هیچ کس شناخت کاملی نسبت به آن­ ها ندارد و پیش بینی آن رفتارها نیز به مراتب سخت و پیچیده خواهد بود.

برخی از افراد بر این باورند که می ­توان از رویکرد System Dynamic در مدلسازی ساختارهای اجتماعی بهره برد. اما مساله ای که وجود دارد این است که در این رویکرد، این متخصصین هستند که به مدلسازی مساله دست می یابند اما هدف هوش مصنوعی و یادگیری ماشین شناخت ساختار و مدل­سازی توسط ماشین است؛ روندی که اکنون در حوزه یادگیری ماشین در حال وقوع است و دنیا به سرعت در حال حرکت به این سمت می باشد. البته ظهور یادگیری عمیق (Deep Learning) نوید بخش این موضوع است که می توان سیستم­ هایی را طراحی و مدلسازی نمود که انواع متغیرها را جمع آوری، تقویت و ساختارهای آن­ ها را شناسایی کرده و همچنین سیستم­ های اجتماعی را به صورت خودکار و بدون حضور انسان­ ها تغییر دهند و به روز­رسانی کنند. این مدلسازی­ ها می توانند نکات کلیدی را برای اخذ بهترین تصمیم­ ارائه دهند، هرچند که در این مواقع، بحث تهدید انسان­ ها توسط هوش مصنوعی پیش می­آید…

منابع:

https://iranianfuturist.com

haragroup.ir

شـرکـت مهنـدسـی
صنایع یاس ارغوانی

 آدرس: تهران خیابان پاسداران، خیابان گلستان ششم، پلاک 53، ساختمان اداری بانک ملت طبقه چهارم

تلفن: 27318001-021    

نمابر: 225701932-021