Sunday, August 2, 2020

How to build Smart Artificial Evolution Loop with Leo Platform

Vì sao chỉ dùng ý chí quyết tâm #Freewill để thích nghi với hoàn cảnh là không đủ nếu {quốc gia, tổ chức, công ty, gia đình} của bạn có chi phí {nợ, vận hành , tiêu dùng} quá lớn ?
Tóm tắt: Thuyết tiến hoá là một lý thuyết khoa học đã thay đổi nhận thức con người về quá trình phát triển sinh học trong tự nhiên, nó cũng đúng một phần với xã hội loài người thời kỳ đầu tiên. Tuy nhiên, chúng ta với tư cách là một loài tiến hoá cao cấp trên hành tinh trái đất có đủ quyền tự do để lựa chọn phương thức tiến hoá có tính tiến bộ nhất.
bài viết trình bày quan điểm cá nhân của mình cho câu hỏi trên, cũng như vẽ tầm nhìn mà công ty công nghệ #USPA sẽ xây dựng trong 5 năm tới. Mình giải thích một số thuật ngữ chính trong hình vẽ như sau: #Evolution Loop: là vòng lặp tiến hoá mà các công ty hay sẽ phải thích nghi với hoàn cảnh. Có tất cả 3 cấp độ tiến hoá phổ biến (theo quan điểm cá nhân mình)

1️⃣ Quá trình tiến hoá sinh học để hình thành ý thức giá trị cá nhân


#Personal Thinking:
là quá trình tiến hoá, phát triển nhận thức ở cấp độ một cá nhân từ lúc sinh ra, trưởng thành và khẳng định giá trị bản thân với xã hội. Vòng lặp OODA là bản chất chính trong quá trình phát triển này. Bốn bước chính bao gồm: #Observe (quan sát), #Orient (định hướng), #Decision (quyết định con đường đi) và #Action (hành động)

2️⃣ Quá trình tiến hoá chiến lược để hình thành ý thức hệ tập thể, quốc gia


#Strategic Thinking:
là quá trình tiến hoá thứ 2 sau quá trình tiến hoá sinh học và nhận thức cá nhân. Các cá nhân sẽ liên kết với nhau trong 1 hệ thống luật lê như một nhóm (team hay business unit) để cùng nhau tồn tại và phát triển. Đây là quá trình tiến hoá hình thành các làng xã, các công ty vừa và nhỏ. Các quá trình tiến hoá chủ động, có tính chiến lược sẽ diễn ra trong 4 bước #Analytics: tổng hợp và phân tích dữ liệu và tổng quát hoá thành các quy trình. #Visual Thinking: tư duy ở mức độ quy trình với hoàn cảnh cụ thể, diễn ra trong bộ não các lãnh đạo của nhóm hay tổ chức. #Critical Thinking: các lãnh đạo sẽ tổ chức các buổi meeting để tư duy phản biện lẫn nhau #Strategy Thinking: một chiến lược cuối cùng sẽ được thông qua để giúp tổ chức từ trạng thái thích nghi bị động sang chủ động trong các tình huống đã được chuẩn bị kỹ lưỡng. Quá trình tiến hoá kiểu trên đã diễn ra trong lịch sử xã hội loài người trong 5000 năm qua ở nhiều cấp độ khác nhau.
Đây là một quá trình đẫm máu vì sự mâu thuẫn quyền lợi diễn ra giữa các lãnh đạo có tư duy chiến lược khác nhau, dẫn đến những cuộc chiến tranh đầy chết chóc. (chiến tranh tôn giáo, chiến tranh quyền lực chính trị, hay giữa các quốc gia để giành tầm ảnh hưởng quyền lực,...)

3️⃣ Quá trình tiến hoá tầm nhìn từ thông tin tri thức hay Dataism để hình thành ý thức, các giá trị đạo đức chung và niềm tin về các mô hình chân lý sự thật có giá trị vượt trên không gian và thời gian

Vì lý do tiến hoá ở mức độ 1 và 2, trong quá trình tiến hoá xã hội lịch sử, các tôn giáo lớn xuất hiện để giúp con người tiến hoá về mặt ý thức và nhận thức. Nó cân bằng và giảm tính bạo lực do quá trình tiến hoá tự nhiên tạo ra. Tiến hoá về mặt tâm linh và ý thức hệ giúp con người xây dựng những giá trị nhân sinh quan vượt thời gian trong hơn 3000 năm qua, từ Do Thái giáo, Kitô giáo, Phật giáo,... đều chứa đựng kiến thức và tri thức để giúp xã hội phát triển, giúp cân bằng giữa bản chất tiến hoá sinh học và tiến hoá nhận thức để con người bớt sống theo bản năng, lấy tri thức và đạo đức là giá trị trung tâm. VD: Kitô giáo lấy giá trị tình yêu giữa con người trong xã hội làm quan điểm trung tâm, Phật giáo lấy sự tỉnh thức trong tâm trí là khái niệm chính.
Ở thế kỷ 21, lần đầu tiên con người đang ở xu hướng kỹ thuật số #Digitalization mọi thứ. Chủ nghĩa dữ liệu #Dataism được hình thành để mang lại ý thức hệ đầu tiên ở thiên niên kỷ thứ 3. Điều này vẫn đang xảy ra nhiều tranh luận sôi nổi giữa các nhà triết học, thần học và khoa học. Tuy nhiên, mọi hệ thống kỹ thuật số phải được vận hành dựa trên dữ liệu và cuộc sống con người ngày càng phụ thuộc computer, smart phone và Internet. Đây là điều không thể phủ nhận.


Trọng tâm chính ở cấp độ thứ 3 là sử dụng ý thức con người ở thực tại kết hợp quá trình tự nhận thức trong tâm trí, tự học hỏi để tìm ra các quy luật mô hình nhân quả (Causality Model) trong một xã hội cụ thể và tổng quát hoá lên thành các quy luật có tính phổ quát cao (Universal Laws).
Ở mức độ tự nhiên, quá trình này cần những người lãnh đạo có khả năng thiên phú cao, kết hợp sự tự rèn luyện liên tục. 
Ở mức độ kỹ thuật số, câu hỏi đặt ra liệu con người kết hợp máy móc có thể hình thành một đức tin mới ?  Đó là câu hỏi mà bản thân mình cũng đang đi tìm câu trả lời 

Wednesday, July 22, 2020

Data Science Courses

Note: This section includes a lot of Massive Open Online Courses (MOOCs). If you want to enroll in a free version of a MOOC, please select the "Full Course, No Certificate" (edX) or "Audit" (Coursera) option. If you opt to take the course for a certificate/credential, you will be charged.

Tuesday, July 7, 2020

20 cách thực tế để triển khai khoa học dữ liệu (Data Science) trong Marketing


Trong thập kỷ qua, mức tiêu thụ thông tin trực tuyến đã tăng mạnh do khả năng phát triển rộng rãi của Internet. Ước tính có hơn 6 tỷ thiết bị được kết nối với internet ngay bây giờ. Khoảng 2,5 triệu terabyte dữ liệu được tạo ra mỗi ngày. Đến năm 2020, cứ mỗi một người, sẽ có 1,7 MB dữ liệu được tạo ra mỗi giây.
Đối với các nhà tiếp thị, lượng dữ liệu đáng kinh ngạc này là một mỏ vàng. Nếu dữ liệu này có thể được xử lý và phân tích chính xác, nó có thể cung cấp những hiểu biết có giá trị mà các nhà tiếp thị có thể sử dụng để nhắm mục tiêu khách hàng. Tuy nhiên, giải mã khối dữ liệu khổng lồ là một nhiệm vụ thách thức. Đây là nơi khoa học dữ liệu có thể giúp đỡ rất nhiều.

Khoa học dữ liệu là một lĩnh vực khai thác thông tin có ý nghĩa từ dữ liệu và giúp các nhà tiếp thị sáng suốt những hiểu biết đúng đắn về thị trường và khách hàng. Những hiểu biết này có thể là về các khía cạnh tiếp thị khác nhau như ý định của khách hàng, kinh nghiệm, hành vi, vv sẽ giúp họ tối ưu hóa hiệu quả các chiến lược tiếp thị của họ và thu được doanh thu tối đa.

Hãy cùng xem qua 20 cách thực tế để Khoa học dữ liệu có thể triển khai trong Marketing:

1. Tối ưu hóa ngân sách tiếp thị (Marketing Budget Optimization)
Các nhà tiếp thị luôn ở trong một ngân sách nghiêm ngặt. Mục tiêu chính của mỗi nhà tiếp thị là lấy ROI tối đa từ ngân sách được phân bổ của họ. Đạt được điều này luôn luôn là khó khăn và tốn thời gian. Mọi thứ không phải lúc nào cũng đi theo kế hoạch và việc sử dụng ngân sách hiệu quả không được thực hiện.
Bằng cách phân tích dữ liệu chi tiêu và mua lại của nhà tiếp thị, một nhà khoa học dữ liệu có thể xây dựng mô hình chi tiêu có thể giúp sử dụng ngân sách tốt hơn. Mô hình có thể giúp các nhà tiếp thị phân phối ngân sách của họ trên các vị trí, kênh, phương tiện và chiến dịch để tối ưu hóa cho các số liệu chính của họ.

2. Tiếp thị đúng đối tượng (Marketing to the Right Audience)
Nói chung, các chiến dịch tiếp thị được phân phối rộng rãi không phân biệt vị trí và đối tượng (mass targeting). Kết quả là, có nhiều cơ hội cao cho các nhà tiếp thị để vượt quá ngân sách của họ. Họ cũng có thể không đạt được bất kỳ mục tiêu và mục tiêu doanh thu nào.
Tuy nhiên, nếu họ sử dụng khoa học dữ liệu để phân tích dữ liệu của họ một cách chính xác, họ sẽ có thể hiểu vị trí và nhân khẩu học nào mang lại cho họ ROI cao nhất.

3. Xác định các kênh phù hợp (Identifying the Right Channels)
Khoa học dữ liệu có thể được sử dụng để xác định kênh nào đang mang lại lực nâng thích hợp cho nhà tiếp thị. Sử dụng mô hình chuỗi thời gian, một nhà khoa học dữ liệu có thể so sánh và xác định các loại thang máy nhìn thấy trong các kênh khác nhau. Điều này có thể rất có lợi vì nó cho nhà tiếp thị biết chính xác kênh và phương tiện nào đang mang lại lợi nhuận phù hợp.

4. Xây dựng chiến lược tiếp thị từ khách hàng (Matching Marketing Strategies with Customers)
Để có được giá trị tối đa từ các chiến lược tiếp thị của họ, các nhà tiếp thị cần kết hợp chúng với đúng khách hàng. Để làm điều này, các nhà khoa học dữ liệu có thể tạo ra một mô hình giá trị trọn đời của khách hàng có thể phân khúc khách hàng theo hành vi của họ. Các nhà tiếp thị có thể sử dụng mô hình này cho nhiều trường hợp sử dụng. Họ có thể gửi mã giới thiệu và cung cấp hoàn lại tiền cho khách hàng giá trị cao nhất của họ. Họ có thể áp dụng các chiến lược duy trì cho những người dùng có khả năng rời khỏi cơ sở khách hàng của họ, v.v.

5. Nhắm mục tiêu ở những khách hàng tiềm năng nhất (Lead Targeting)
Các nhà tiếp thị có thể sử dụng khoa học dữ liệu để nhắm khách hàng mục tiêu ở thị trường niche và biết tất cả về hành vi và ý định trực tuyến của họ. Bằng cách xem xét dữ liệu lịch sử, các nhà tiếp thị có thể xác định các yêu cầu kinh doanh của họ và loại nhãn hiệu mà họ đã liên kết trong năm qua.

6. Chấm điểm khách hàng theo hành vi tương tác (Advanced Lead Scoring)
Mỗi khách hàng tiềm năng mà một nhà tiếp thị mua sắm không chuyển đổi thành khách hàng. Nếu nhà tiếp thị có thể phân chia chính xác khách hàng theo sở thích của họ, điều đó sẽ làm tăng hiệu suất của bộ phận bán hàng, và cuối cùng là doanh thu.
Khoa học dữ liệu cho phép các nhà tiếp thị tạo ra một hệ thống chấm điểm để dự đoán giá trị khách hàng (predictive lead scoring system). Hệ thống này là một thuật toán có khả năng tính toán xác suất chuyển đổi và phân đoạn danh sách khách hàng tiềm năng của bạn. Danh sách này có thể được phân loại thành các mục sau: khách hàng háo hức, khách hàng tiềm năng tò mò và khách hàng không quan tâm.

7. Tối ưu mô hình khách hàng lý tưởng Personas (Customer Personas and Profiling)
Trong khi tiếp thị một sản phẩm / dịch vụ, các nhà tiếp thị nhìn vào việc tạo ra khách hàng. Họ liên tục xây dựng danh sách cụ thể về triển vọng để nhắm mục tiêu. Với khoa học dữ liệu, họ có thể quyết định chính xác những diện mạo nào cần được nhắm mục tiêu. Họ có thể tìm ra số lượng personas và loại đặc điểm họ cần để tạo cơ sở khách hàng của họ.

8. Sáng tạo chiến lược nội dung (Content Strategy Creation)
Các nhà tiếp thị luôn phải cung cấp nội dung có liên quan và có giá trị để thu hút khách hàng của họ. Khoa học dữ liệu có thể giúp họ kéo dữ liệu đối tượng sẽ lần lượt giúp tạo ra nội dung tốt nhất cho mọi khách hàng. Ví dụ: nếu một khách hàng đến qua Google bằng cách tìm kiếm một từ khóa nhất định, nhà tiếp thị sẽ biết sử dụng từ khóa đó nhiều hơn trong nội dung của họ.

8. Phân tích trải nghiệm và tâm lý khách hàng (Sentiment Analysis)
Các nhà tiếp thị có thể sử dụng khoa học dữ liệu để phân tích tình cảm. Điều này có nghĩa là họ có thể đạt được những hiểu biết tốt hơn về niềm tin, ý kiến ​​và thái độ của khách hàng. Họ cũng có thể theo dõi cách khách hàng phản ứng với các chiến dịch tiếp thị và liệu họ có tham gia vào hoạt động kinh doanh hay không.

9. Phát triển sản phẩm (Product Development)
Khoa học dữ liệu có thể giúp các nhà tiếp thị thu thập, tổng hợp và tổng hợp dữ liệu trên các sản phẩm của họ cho một số nhân khẩu học khác nhau. Dựa trên những hiểu biết được cung cấp bởi dữ liệu này, họ có thể phát triển sản phẩm và tạo các chiến dịch tiếp thị được nhắm mục tiêu cao theo nhân khẩu học dự định của họ.

10. Chiến lược giá (Pricing Strategy)
Khoa học dữ liệu có thể giúp các nhà tiếp thị khi cải thiện chiến lược giá của họ. Bằng cách tập trung vào các yếu tố như sở thích của khách hàng cá nhân, lịch sử mua hàng trong quá khứ và tình hình kinh tế, các nhà tiếp thị có thể xác định chính xác điều gì thúc đẩy giá và ý định mua hàng của khách hàng cho từng phân khúc sản phẩm.

11. Truyền thông sáng tạo đến khách hàng (Customer Communication)
Bằng cách phân tích dữ liệu chính xác, các nhà tiếp thị có thể xác định thời điểm thích hợp để giao tiếp với khách hàng và khách hàng tiềm năng của họ. Ví dụ, họ có thể hiểu rằng một khách hàng đọc và trả lời email nhưng họ rất dễ tiếp nhận trên SMS. Những hiểu biết như vậy có thể giúp các nhà tiếp thị hiểu đúng thời điểm và kênh để giao tiếp.

12. Tiếp thị tương tác thời gian thực (Real-Time Interaction Marketing)
Khoa học dữ liệu có thể tạo ra thông tin về các sự kiện thời gian thực và cho phép các nhà tiếp thị khai thác các tình huống đó để nhắm mục tiêu khách hàng. Ví dụ, các nhà tiếp thị của một công ty khách sạn có thể sử dụng khoa học dữ liệu trong thời gian thực để xác định khách du lịch có chuyến bay bị hoãn. Sau đó, họ có thể nhắm mục tiêu cho họ bằng cách gửi chiến dịch quảng cáo trực tiếp đến thiết bị di động của họ.

Quy trình tổng quát từ Data Science đến Machine Learning và ứng dụng Smart Logistics

13. Cải thiện trải nghiệm khách hàng từ dữ liệu phản hồi (Improving Customer Experience)
Cung cấp trải nghiệm khách hàng phong phú luôn là một yếu tố quan trọng để đạt được thành công tiếp thị. Với khoa học dữ liệu, các nhà tiếp thị có thể thu thập các mẫu hành vi người dùng sẽ dự đoán ai có thể muốn hoặc cần các sản phẩm cụ thể. Điều này cho phép họ tiếp thị hiệu quả và cung cấp cho khách hàng những trải nghiệm phong phú.

14. Lòng trung thành của khách hàng (Customer Loyalty)
Khách hàng trung thành là những người giúp duy trì dòng tiền (cash flow) trong một doanh nghiệp. Họ ít tốn kém hơn so với việc tìm kiếm khách hàng mới. Khoa học dữ liệu có thể giúp các nhà tiếp thị cải thiện tiếp thị cho khách hàng hiện tại và do đó thúc đẩy lòng trung thành của họ. Ví dụ: Target đã sử dụng khoa học dữ liệu để có được hồ sơ của phụ nữ mang thai dựa trên giao dịch mua trước khi mang thai. Công ty sau đó nhắm mục tiêu những khách hàng này với lời đề nghị sản phẩm trong thời gian mang thai của họ. Chiến lược tiếp thị này hóa ra là một thành công lớn về mặt mua hàng và lòng trung thành cho công ty.

15. Tiếp thị truyền thông xã hội (Social Media Marketing)
Ngày nay, khách hàng rất tích cực trên các trang truyền thông xã hội như Facebook, LinkedIn và Twitter. Các nhà tiếp thị có thể sử dụng khoa học dữ liệu để xem khách hàng tiềm năng nào đang khám phá trang truyền thông xã hội của họ, nội dung họ đã nhấp và hơn thế nữa. Với những hiểu biết như vậy, họ có thể xây dựng một chiến lược tương tác truyền thông xã hội phù hợp.

16. Nhóm cộng đồng (Community Groupings)
Khoa học dữ liệu có thể được sử dụng để nhắm mục tiêu các nhóm phương tiện truyền thông xã hội cụ thể để truy cập phản hồi của khách hàng. Điều này được thực hiện bằng cách giúp các nhà tiếp thị xác định các chủ đề được thảo luận thường xuyên nhất dựa trên tần suất từ ​​khóa.

17. Hiểu biết sâu sắc các từ khoá mà khách hàng thường tìm kiếm (Going Beyond Word Clouds)
Để phân tích các cuộc trò chuyện xã hội, các nhà tiếp thị luôn dựa vào các đám mây từ khoá. Tuy nhiên, các đám mây từ khoá rất hữu ích khi có mức độ hoạt động xã hội cao. Nếu mức độ hoạt động xã hội ít hơn, các nhà tiếp thị thường kết thúc bằng cách sử dụng các từ khóa không liên quan. Với khoa học dữ liệu và thuật toán xử lý ngôn ngữ tự nhiên, chúng có thể vượt ra khỏi đám mây từ khoá bằng cách bối cảnh hóa việc sử dụng từ và cung cấp những hiểu biết có ý nghĩa.

18. Tối ưu tỉ lệ chuyển đổi quảng cáo
Các nhà tiếp thị có thể sử dụng khoa học dữ liệu để nhắm mục tiêu quảng cáo cụ thể đến khách hàng và đo lường số lần nhấp và kết quả của các chiến dịch. Nó có thể đảm bảo rằng đúng người đang xem quảng cáo biểu ngữ và cải thiện cơ hội được click.

19. Chiến dịch email marketing 
Khoa học dữ liệu có thể được sử dụng để tìm ra email nào thu hút khách hàng nào. Các email này thường được đọc như thế nào, khi nào gửi chúng ra, loại nội dung nào cộng hưởng với khách hàng, v.v ... Những hiểu biết như vậy cho phép các nhà tiếp thị gửi các chiến dịch email theo ngữ cảnh và nhắm mục tiêu khách hàng với các ưu đãi phù hợp để cá nhân hoá thông tin (Personalization)

20. Nền tảng tiếp thị kỹ thuật số
Nền tảng tiếp thị kỹ thuật số phát triển mạnh về dữ liệu. Các nhà tiếp thị có thể thu thập những hiểu biết tốt hơn bằng cách cung cấp cho các nền tảng này dữ liệu chi tiết. Khoa học dữ liệu có thể cải thiện các nền tảng tiếp thị kỹ thuật số bằng cách cung cấp dữ liệu phù hợp và từ đó cho phép các nhà tiếp thị xác định những gì họ phải làm để đạt được mục tiêu tiếp thị của họ.

Để có tiếp cận kiến thức Data Science chuyên sâu và các công nghệ Marketing Analytics, bạn hãy cập nhật thêm tại fanpage sau 
https://www.facebook.com/USPA.tech/

Dịch từ:

Featured Post

How to build Unified Experience Platform (CDP & DXP)

What is USPA framework ? The USPA framework is conceptual framework, to develop Unified Experience Platform (the unified of CDP &...