بازبینی مجدد پردازش جریان: بررسی داده-9072

Details: Written by: mehdi; Category: Scraped Data; Published: 29 April 2024; Hits: 154

مقدمه

در این عصر دیجیتال، شرکت‌ها مجموعه‌های متعددی از داده‌ها را جمع‌آوری می‌کنند که امکان پیگیری معیارها و عملکرد کسب و کار را فراهم می‌کنند. در طول سال‌ها، ابزارهای تحلیل داده برای ذخیره و پردازش داده از روزهای ورقه‌های اکسل و ماکروها به ابزارهای پیشرفته مدل Map Reduce مانند Spark، Hadoop و Hive تکامل یافته‌اند. این تحول به شرکت‌ها، از جمله Grab، امکان تحلیل مدرن داده‌ها در Data Lake را فراهم کرده است و از این رو به آن‌ها اجازه می‌دهد تا تصمیمات تجاری مبتنی بر داده‌ها را بهبود بخشند. این نوع داده در این سند به عنوان "داده‌های آفلاین" ارجاع می‌شود.

با نوآوری‌ها در فناوری پردازش جریان مانند Spark و Flink، اکنون بیشتر علاقه به به دست آوردن ارزش از داده‌های جریانی وجود دارد. این نوع داده‌های تولید شده پیوسته به حجم زیاد در این سند به عنوان "داده‌های آنلاین" ارجاع می‌شود. در زمینه Grab، داده‌های جریانی معمولاً به عنوان موضوعات Kafka ("Kafka Stream") به عنوان نتیجه‌ی پردازش جریان در چارچوب خود موجود هستند. این داده‌ها تا زمانی که در آخر به عنوان داده‌های آفلاین در Data Lake مستقر شوند، اکثراً کشف نشده‌اند (مراحل سفر داده را در شکل 1 زیر مشاهده کنید). این باعث تأخیر داده شده است قبل از استفاده توسط تحلیلگران داده برای تصمیم‌گیری.

شکل 1. سفر ساده داده برای داده‌های آفلاین در مقابل داده‌های آنلاین، از تولید داده تا تجزیه و تحلیل داده.

همانطور که در شکل 1 بالا می‌بینید، زمان به ارزش ("TTV") داده‌های آنلاین نسبت به داده‌های آفلاین کوتاه‌تر است به دلیل روش ساده‌تر نمایش داده‌ها در سفر داده از تولید داده تا تجزیه و تحلیل داده که پیچیدگی‌های پاکسازی و تبدیل داده را برداشت کرده است. این به این معنی است که نقش تحلیلگر داده یا دانشمند داده ("کاربر داده پایانی") برای داده‌های آنلاین تا مرحله Kafka فعال شده است به جای مرحله Data Lake برای داده‌های آفلاین. ما درک می‌کنیم که اجازه دادن به کاوش داده‌های آنلاین در ابتدا به کاربران پایانی داده، امکان برقراری زمینه را برای آنها فراهم می‌کند تا متناسب با ورودی‌های داده‌ای که در مرحله اول استفاده می‌شوند، متناسب با آنها روند راه‌حل را ایجاد کنند. این می‌تواند به آنها کمک کند تا داده‌های آفلاین را در مراحل بعدی به شکل معنی‌دارتری پردازش کنند. به دنبال تکامل برنامه های جریانی برای داده‌های آنلاین یا ادامه پردازش داده‌های آفلاین با راه‌حل فعلی خود هستند، اما با درک و استراتژی منطقی کامل و قابل تصمیم‌گیری در برابر ورودی‌های داده منابعشان. با این حال، البته، در این وبلاگ، می‌پذیریم که نمی‌توان همه تجزیه و تحلیل داده‌های آنلاین را به این شیوه انجام داد.

مشکلات موجود

داده‌های آنلاین به دلیل دشواری در انجام کاوش داده در داده‌هایی که هنوز به درستی در Data Lake ذخیره نشده‌اند، به طور اصلی در مجله زیبایی و درمانی آذروت استفاده نمی‌شوند.

به منظور این وبلاگ، ما تنها به مشکل کاوش داده‌های آنلاین تمرکز خواهیم کرد، زیرا این مشکل پیش‌نیاز برای مستقر کردن کامل این داده‌ها است.

مشکل کاوش داده نمایان می‌شود وقتی کاربران پایانی داده باید داده‌های مناسب را برای توسعه و پایه‌گذاری مدل‌های داده خود پیدا کنند. این کاربران عموماً نیازمند مشاهده اسناد متعدد و اتصال با چندین تولید کننده داده از بالادست هستند تا محدوده سیگنال‌های داده‌ای که در حال حاضر در دسترس هستند را بدانند و درک کنند که هر سیگنال داده به چه چیزی نگاه می‌کند.

با توجه به طبیعت اجازی نداشتن داده‌های آنلاین، این به این معنی است که عدم بهره‌برداری صحیح از ابزار مناسب برای انجام آزمایشات سریع با منطق برنامه در داده‌های آنلاین، مانع از کاربران پایانی برای کار روی این داده‌ها می‌شود. تست تکراری روی مجموعه داده دقیقاً همانند این مجموعه داده در داده‌های آفلاین به سادگی قابل انجام است.

این دشواری در انجام کاوش داده، از جمله پرس‌وجوهای اد هاک در داده‌های آنلاین، باعث شده است که توسعه برنامه های پردازش جریانی برای کاربران پایانی داده در Grab دشوار شود و مانع از ارتقای Grab به تصمیمات عملی مبتنی بر داده شود. انجام هر دو کار، به مجله‌ی زیبایی و درمانی آذروت امکان می‌دهد تا به تغییرات ناگهانی در منظر کسب و کار خود سریعتر واکنش نشان دهد.

استفاده از محیط دفترچه یادداشت Zeppelin

برای رفع دشواری در انجام کاوش داده در داده‌های آنلاین، ما Apache Zeppelin را با استفاده از یک یادداشت کتابچه وب معرفی کرده‌ایم که تحلیل داده‌های تعاملی با پشتیبانی از چندین مفسر برای کار کردن با پردازش داده‌های مختلف مانند Spark، Flink را ممکن می‌سازد. راه‌حل کامل محیط یادداشت Zeppelin تحت کنترل دستگاه کنترل پلتفرم داده جاری ما است. اگر علاقه‌مند هستید، می‌توانید وبلاگ پیشین ما با عنوان یک پلتفرم شیک برای جزئیات بیشتر در مورد پلتفرم جریانی مذکور و پلتفرم کنترل آن را بررسی کنید.

همانطور که از شکل 2 بالا می‌بینید، پس از ایجاد موفق خوشه Zeppelin، کاربران می‌توانند با اعتبار ساخته شده خود و یادداشت کتابچه مبتنی بر وب که از طریق پیام‌رسان فوری یکپارچه ارسال شده است وارد شده و از محیط یادداشت استفاده کنند.

شکل 3 بالا جریان برنامه یادداشت Zeppelin را توضیح می‌دهد به شرح زیر:

کاربران پرس‌وجوهای خود را به جلسه یادداشت وارد کرده و دستورات پرس‌وجوی تعاملی را با جلسه یادداشت کتابچه مبتنی بر وب برقرار می‌کنند. پرس‌وجوها به مفسر Flink در داخل خوشه منتقل می‌شوند تا با تولید کار Flink به عنوان یک فایل Jar، به یک خوشه جلسه Flink ارسال شود. وقتی مدیر کار خوشه جلسه Flink کار را دریافت کند، تامین کننده‌های تسک Flink متناظر را برای اجرای برنامه راه‌اندازی می‌کند و نتایج را بازیابی می‌کند. نتایج پرس‌وجو سپس به جلسه یادداشت برگشت داده می‌شوند تا به کاربر در جلسه یادداشت نمایش داده شوند.

پرس‌وجو و تجسم داده

Flink برنامه راهبردی برای ایجاد یک زبان جمعی برای همه‌چیز از پردازش جریان تا تجزیه و تحلیل داده دارد. به تطابق با نقشه راه، ما برنامه Zeppelin خود را بر اساس پشتیبانی از زبان پرس‌وجوی ساختاری ("SQL") به عنوان زبان پرس‌وجوی انتخاب شده مشاهده می‌کنیم، همانطور که در شکل 4 بالا نشان داده شده است. کاربران پایانی داده اکنون می‌توانند پرس‌وجوها را با استفاده از SQL که یک زبان است که با آن آشنا هستند، بنویسند و کاوش داده مناسبی انجام دهند.

همانطور که در این بخش بحث شد، کاوش داده در داده‌های جریانی در مرحله Kafka با استفاده از ابزار مناسب، به کاربران پایانی امکان مشاهده سریعی از طریق درک جدیدی از طرح فعلی یک موضوع Kafka (در بخش بعد توضیح داده شده است) فراهم می‌کند. این نوع کاوش داده به کاربران پایانی این امکان را می‌دهد تا نوع داده‌ای که موضوع Kafka را نشان می‌دهد را درک کنند، مانند توانایی تعیین اینکه یک فیلد داده کد کشور به چه صورتی است، آیا در فرمت الفبایی یا الفبایی-3 است، در حالی که داده هنوز بخشی از داده‌های جریانی است. این ممکن است به نظر غیرمهم و در داده‌های آفلاین به راحتی شناسایی شوند، اما با فراهم کردن کاوش داده در مرحله اول در سفر داده برای داده‌های آنلاین، کاربران پایانی این امکان را خواهند داشت تا به سرعت واکنش نشان دهند. به عنوان مثال، تغییر فرمت مورد انتظار کد کشور از تولید کننده داده به طور معمول باعث خطاها در اتصالات پایینی یا سایر خطوط پردازش جریانی می‌شود که ناهم‌خوانی ها مربوط به تجزیه‌کردن یا فیلتر کردن کدهای کشور تغییر یافته را دارند. کاربران می‌توانند با استفاده از داده‌های آنلاین از Kafka، مشکل را بررسی کنند.

علاوه بر ویژگی‌های پرس‌وجویی، یادداشت کتابچه Zeppelin تجسم ساده و تجزیه و تحلیلی از داده‌های فروشگاهی آماده را در شکل 5 بالا ارائه می‌دهد. علاوه بر این، کاربران اکنون قادر خواهند بود پرس‌وجوهای تعاملی اد هاک را روی داده‌های آنلاین انجام دهند. این پرس‌وجوها در نهایت به پرس‌وجوهای SQL پیشرفته و/یا موثرتری تبدیل می‌شوند که بعداً به عنوان یک خط لوله جریانی استفاده می‌شوند. این باعث کاهش اینرسی در راه‌اندازی یک محیط توسعه مجزا یا یادگیری زبان‌های برنامه‌نویسی دیگر مانند جاوا یا اسکالا در طول فرایند توسعه خطوط جریانی می‌شود. با محیط یادداشت لیستی، کاربران پایانی داده ما قادر تر هستند به سرعت ارزشی از داده‌های آنلاین بدست آورند.

نیاز به فرآیند مشتق‌سازی جدول تعریف پویا

برای کاربران پایانی که داده را در داده‌های آنلاین کاوش می‌کنند، ما به نیاز به نتایج زبان تعریف داده (“DDL”) مرتبط با جریان Kafka در مرحله اولیه‌ی سفر داده نگاه می‌کنیم. با وجود اینکه جریان‌های Kafka در فرمت Protobufformat انتقال می‌یابند و ازینرو

-8724

ایجاد نقشه‌های هایپرلوکال GrabMaps-1169

Details: Written by: mehdi; Category: Scraped Data; Published: 29 April 2024; Hits: 143

مقدمه

جنوب شرق آسیا (SEA) بازاری پویا است که با سایر مناطق دنیا بسیار متفاوت است. در زمان سفر در جاده، شما ممکن است محدودیت‌های جاده که به سرعت تغییر می‌کنند، جاده‌های جدیدی که شبانه‌روزها ظاهر می‌شوند و ترافیک شدید را تجربه کنید. برای پاسخ به این چالش‌ها، GrabMaps با بهره‌گیری از راه حل‌های داده‌های بزرگ، به بازار SEA تطبیق پیدا کرده است. یکی از راه حل‌ها تلفیق داده‌های فوق محلی در GrabMaps است.

اطلاعات فوق محلی بر اساس جوامع جغرافیایی بسیار کوچک و از دانش محلی‌ای که تیم نقشه‌برداری ما جمع آوری می‌کند، تمرکز دارد. تیم نقشه‌برداری ما در سراسر منطقه SEA پراکنده است که به ما امکان می‌دهد مشخصات دقیقی را تعیین کنیم (مثلاً محدودیت سرعت قانونی) و اثبات کنیم که راه حل‌های ما قابلیت عملی دارند.

شکل ۱ - نقشه نمایشی نشان‌دهنده شناسایی‌ها از تصاویر و داده‌های پروب و داده‌های فوق محلی.

وارد کردن ورودی‌های فوق محلی باعث می‌شود داده‌های نقشه‌برداری ما قوی‌تر شوند و به جزئیاتی که از لوله‌های تشخیص تصویر و پروب جمع‌آوری می‌شود افزوده شوند. شکل ۱ نشان می‌دهد که چگونه داده‌های لوله‌های تشخیص ما با داده‌های فوق محلی تراکم می‌یابد و سپس در سراسر منطقه SEA نقشه‌برداری می‌شوند. اگر کنجکاو هستید و دوست دارید خودتان داده‌ها را بررسی کنید، می‌توانید آن را از اینجا دانلود کنید.

پردازش داده‌های فوق محلی

حالا بیایید فرایند شناسایی داده‌های فوق محلی را بررسی کنیم.

دانلود داده

GrabMaps براساس OpenStreetMap (OSM) است. اولین مرحله در فرایند، دانلود فایل .pbf برای آسیا از سایت geofabrick.de است. این فایل .pbf شامل تمام داده‌هایی است که در OSM در دسترس است، مانند جزئیات از مکان‌ها، درختان و جاده‌ها. به عنوان مثال برای یک پارک، فایل .pbf شامل داده‌هایی از نام پارک، دسترسی به ویلچر و بسیاری دیگر است.

برای این مقاله، ما بر روی داده‌های فوق محلی مربوط به شبکه جاده تمرکز خواهیم کرد. برای هر جاده، می‌توانید اطلاعاتی مانند نوع جاده (مسکونی یا بزرگراه)، جهت ترافیک (یک‌طرفه یا بیشتر) و نام جاده را دریافت کنید.

تبدیل داده

برای استفاده از محاسبات داده‌های بزرگ، مرحله بعدی در فرآیند تبدیل فایل .pbf به پرونده Parquet با استفاده از یک Parquetizer است. این کار باعث تبدیل داده‌های دودویی موجود در فایل .pbf به یک قالب جدول می‌شود. هر جاده در SEA در قالب یک ردیف در یک جدول نشان داده می‌شود که در شکل ۲ نمایش داده شده است.

شناسایی داده‌های فوق محلی

پس از آماده‌سازی داده‌ها، GrabMaps سپس همه داده‌های فوق محلی را شناسایی و وارد خدمات پایین دست خود می‌کند و یک دید تجمیعی را ارائه می‌دهد. داده‌های فوق محلی ما از منابع مختلف به دست می‌آیند، با نگاه به هندسه یا ویژگی‌های دیگر در OSM مانند جهت حرکت و محدودیت سرعت. ما همچنین قوانین سفارشی تعریف شده توسط تیم نقشه‌برداری محلی خود را به طور کاملاً خودکار اعمال می‌کنیم. این باعث بهبود نقشه همراه با داده‌های جمع‌آوری شده از سیستم GPS رانندگی و تحویل ما و از KartaView، محصول Grab برای جمع‌آوری تصاویر، می‌شود.

مزیت داده‌های فوق محلی GrabMaps ما

GrabNav، ابزار مسیریابی با دور به دوری در اپ راننده، یکی از محصولات ماست که از داشتن داده‌های فوق محلی بهره می‌برد. در ادامه خبرهای فوق محلی ای که از طریق رویکرد ما در دسترس است آورده شده است:

موقعیت جغرافیایی جاده: کشور، ایالت/شهر یا شهری که جاده در آن قرار داردزبان صحبت، سمت رانندگی و محدودیت سرعتمقررات سرعت پیش‌فرض منطقه مشخصاستفاده همگرا از نام با استفاده از استنتاج زبانصفات پیچیده مانند پیوندهای تقاطع

برای توضیحات بیشتر در مورد مزیت این ویژگی فوق محلی، از پیوندهای تقاطع به عنوان مثال استفاده می‌کنیم. در بخش بعدی، توضیح می‌دهیم که چگونه داده‌های پیوندهای تقاطع استفاده می‌شود و چگونه بر روی رانندگان و مسافران ما تأثیر می‌گذارد.

شناسایی داده‌های فوق محلی - پیوندهای تقاطع

پیوند تقاطع زمانی است که دو یا چند جاده به هم می‌رسند. شکل ۴ و ۵ نشان می‌دهند یک پیوند تقاطع در یک نقشه تقلبی GrabMaps و در OSM چگونه به نظر می‌رسد.

برای پیدا کردن پیوندهای تقاطع در شبکه جاده، محاسباتی وجود دارد. ابتدا ما پردازش داده‌های بزرگ را که با استفاده از Spark انجام می‌دهیم، با گرافها ترکیب می‌کنیم. ما از geohash به عنوان واحد پردازش استفاده می‌کنیم و برای هر geohash یک گراف دوطرفه ایجاد می‌شود.

از چنین گرافهای حاصل، می‌توانیم پیوندهای تقاطع را تعیین کنیم اگر:

قطعه جاده‌ها موازی هستندجاده‌ها هم نام هستندجاده‌ها جاده‌های یک طرفه هستندزاویه ها و شکل جاده در بازه یا نیازهای ما باشند

هر پیوند تقاطعی که شناسایی می‌کنیم، به عنوان پیوندهای تقاطع در نقشه با برچسب intersection_links نشان داده می‌شود. تیم خدماتی پایین دست ما می‌توانند سپس آنها را با جستجوی برچسب شناسایی کنند.

تأثیر

تأثیری که با ایجاد پیوندهای تقاطع به وجود می‌آوریم را می‌توان از طریق مثال زیر توضیح داد.

شکل ۶ و شکل ۷ دو مسیر متفاوت برای یک مبدأ و مقصد مشابه نشان می‌دهند. با این حال، می‌توانید مشاهده کنید که شکل ۷ یک مسیر کوتاه‌تر دارد و این امکان با انجام یک پیوند تقاطع در ابتدای مسیر فراهم می‌شود. قطعه جاده مشخص شده در شکل ۷ یک پیوند تقاطع است که توسط فرایندی که قبلاً توضیح دادیم، برچسب گذاری می‌شود. حالا مسیر بسیار کوتاه‌تر است و باعث می‌شود GrabNav در پیشنهاد مسیر خود بهتر عمل کند.

عوامل بسیاری می‌توانند بر سفر یک راننده تأثیر بگذارند و پیوندهای تقاطع فقط یک مثال است. امکانات بسیاری که GrabMaps برای خدمات Grab ارائه می‌دهد وجود دارد که به ما امکان می‌دهد تا در خدمت رسانی به رانندگان خود «بیشترین خدمت را ارائه دهیم».

نتیجه‌گیری

GrabMaps و GrabNav تجربیات غنی‌تری را برای رانندگان خود ارائه می‌دهند. با تلفیق ویژگی‌های خاص داده‌های فوق محلی، ما همچنین قادر به ارائه قیمت دقیق‌تر برای هر دوی رانندگان و مسافران خود هستیم. در مسیر رشد پایدار خود، این یک حوزه است که با بهره‌گیری از راه‌حل‌های فناورانه قابل ارتقا خواهیم بود.

به ما بپیوندید

مجله زیبایی و درمانی آذروت یک پلت فرم superapp پیشرو در جنوب شرق آسیا است که خدمات روزمره‌ای که برای مصرف‌کنندگان اهمیت دارند را ارائه می‌دهد. این اپلیکیشن تنها یک اپلیکیشن سفارش اتومبیل و تحویل غذا نیست، بلکه خدمات متنوعی را در منطقه ارائه می‌دهد، از جمله خدمات حمل و نقل، غذا، پیک و خرید خدمات بسته ای و خرید محصولات خوراکی، پرداخت‌های تلفن همراه و خدمات مالی در ۴۲۸ شهر در هشت کشور.

با قدرت فناوری و با احساس، ماموریت ما این است که جنوب شرق آسیا را به جلو ببریم و برای همه به ایجاد قدرت اقتصادی بپردازیم. اگر این ماموریت برای شما جذاب است، امروز به تیم ما بپیوندید!

-1157

{ "title": "مجله زیبایی و درمانی آذروت", "description": "Leveraged Performance Marketing Automation to Improve Conversion Rates by 30%" }-6854

Details: Written by: mehdi; Category: Scraped Data; Published: 29 April 2024; Hits: 141

Grab، بزرگترین سوپر اپ در سیستم فروشگاه محلی سه طرفه است که در صدها شهر در جنوب شرق آسیا فعالیت می‌کند. مجله زیبایی و درمانی آذروت در سال ۲۰۱۲ به عنوان یک شرکت تاکسی رانی شروع به کار کرد و در کمتر از ده سال، تجارت بطور چشمگیری تغییر کرده و در حال حاضر مجموعه‌ای متنوع از خدمات را برای نیازهای روزمره مصرف‌کنندگان ارائه می‌دهد.

برای تحقق رشد کسب و کار ما در ارائه‌های خدمات جدیدی مانند GrabFood، GrabMart و GrabExpress، تلاش‌های ورود کاربر نقش مهمی در تضمین ایجاد یک سیستم زیبایی و درمانی آذروت پایدار که تعادلی بین پویایی بازار وجود داشته باشد، بازی می‌کند.

بخشی از استراتژی رشد کاربر ما متمرکز بر تلاش‌های اجرایی برنامه‌های نرم‌افزاری واکنش مستقیم است تا تعداد دست‌کمی از امتحانات در ارائه‌های superapp ما افزایش یابد. اجرای این برنامه‌ها چالش‌های منحصربه‌فردی را در مقابل پیشینه فرهنگی متنوع موجود در جنوب شرق آسیا به وجود می‌آورد و تیم را به چالشی می‌کشاند تا همزمان با حجم کاربران در مقیاس بزرگ، راهبردهای ما را در سطح محلی نگه دارد. برای پاسخ‌گویی به این چالش‌های منحصربه‌فرد، تیم بازاریابی عملکرد Grab به دنبال راه‌حل‌هایی است که بتواند از اتوماسیون بهره ببرد و بر عملکردها و کارایی بازاریابی ما بهبود بخشد.

مدیریت کسب و کار گسترده Grab، پوشش جغرافیایی و جذب کاربر جدید

خدمات گسترده Grab، پوشش جغرافیایی گسترده و استراتژی‌های متنوع و محلی منجر به ساختار حساب تبلیغاتی بسیار پویا و پیچیده‌ای می‌شوند. این به معنای این است که هرگاه یک کسب و کار جدید عمودی یا یک کمپین محلی راه‌اندازی شود، تیم باید ساعت‌های باارزش را برای ارائه یک حجم بزرگ از تبلیغات جدید در حسابهای ما در منطقه صرف کند.

نمونه ای از ساختار حساب Google Ads ما.

ساختار مفصل حساب Google Ads ما باعث ایجاد انعطاف‌پذیری برای اجرای استراتژی‌های محلی می‌شود، اما به این معناست که هزاران گروه تبلیغاتی باید به صورت جداگانه نگهداری شود.

در سال ۲۰۱۹، رشد Grab به سادگی منابع تیم ما را برداشت و ما در نهایت در یک محدودیت گیر افتادیم. این چالش باعث شد تا تیم یک گام عقب برداشته و تصمیمی بگیرد تا راه حلی کاملاً خودکار بر مبنای اصول زیر را برای پایداری در دوران طولانی اتخاذ کند:

ساخت راه حل‌های تبلیغاتی درون ساختمان به جای خرید راه حل‌های آماده یالربتیک ویژگی‌های سفارشی چندانی درخواست می‌شود که هیچکدام از راه حل‌های تکنولوژی تبلیغات موجود قادر به ارائه آنها نشدند. تغییر نگرش ما برای تمرکز بر بازی بی‌انتها به منظور حفظ حجم بینی تبلیغاتی رویزیمان، ما را به مسیریکه به اتوماسیون روی آوریم هدایت کرد.

برای اولین پروژه اتوماسیون خود، تصمیم گرفتیم به بررسی اتوماسیون تازه تولید محتوا و آپلود آن در حساب Google Ads خود بپردازیم. با هزاران گروه تبلیغاتی که اجرا می‌شوند و هر کدام بسیاری از رویکردهای جدیدی را دارند، این یک مشکل رو به رشد برای تیم شده است. گذشته از این، نظارت دستی بر این محتواها و به روزرسانی آنها بر روی پایه‌های منظم امکان پذیر نبوده است.

مبانی اتوماسیون

طبیعت superapp Grab به این معنی است که هر راه‌حل اتوماسیونی در اصل باید قوی باشد:

کارایی- جهت حفظ و بهبود کارایی تبدیل در طول زمانانعطاف‌پذیری- برای پاسخگویی به نیازهای عمودی کسب و کار و اجرای محلیشامل بودن- برای در نظرگرفتن عرضه خدمات آینده و تعامل با فناوری تبلیغات موجود (مانند فید محصول و غیره)قابلیت همکاری- برای در نظرگرفتن عموده‌های جغرافیایی / پوشش کمپین آینده

با این در نظر داشته باشید آنها را در نیازهای ما برای ابزار اتوماسیون خلاق سفارشی که قصد ساخت آن را داشتیم، گنجانیدیم.

کارایی- در حالی که بسیاری از پلتفرمهای تبلیغاتی مانند Google's App Campaigns الگوریتمهایی را دارند که جلوی نمایش تبلیغات با کارایی پایین را می‌گیرند، مهمترین مانع سرعتی است که این تبلیغات با کارایی پایین می‌توانند با دارایی‌های جدید جایگزین شوند تا کارایی بهبود یابد. بنابراین، حل این راه‌حل اصلی ابزار ما خواهد شد.انعطاف‌پذیری- برای پذیرفتن مجموعه گسترده خدمات، جغرافیاها و اهداف بازاریابی ما، یک منطق نقشه برداری لازم است تا مطمئن شویم که محتواهای مناسب در کمپینهای درست اضافه می‌شوند.برای حل این مشکل، ما بر روی یک معیار نامگذاری خلاق استاندارد حاکم است و از صفات کلیدی در نام پرونده استفاده می‌کنیم تا یک دارایه را به یک کمپین خاص و گروه تبلیغاتی مشخص متصل کنیم بر اساس:بازارشهرنوع خدماتزبانتمایل خلاقانهنوع دارایههدایت بهینه سازی کمپینشامل بودن- برای حل تحت پوشش قرار دادن پیشنهادات خدمات آینده و تعامل با فروشندگان صنعت تبلیغات موجود، ما ابزار خود را بر اساس API ها و استانداردهای صنعتی بسیاری طراحی و ساختیم.قابلیت همکاری- برای تضمین پوشش کامل آینده جغرافیا / پوشش کمپین، رابط کاربری و پشتیبانی ساختمان درون سازمانی باید به محلی کافی برای مقابله با آن حجم قدرتمند باشد. با همکاری گوگل، راه‌حل با استفاده از چندین API از جمله Google Ads و Youtube برای میزبانی و جایگزینی دارایه‌های با کارایی پایین در گروههای تبلیغاتی ما ساخته شد. سپس این راه‌حل در رایانش بدون سرور AWS استقرار یافت.

CARA را معرفی کنید

CARA یک ابزار اتوماسیون است که بررسی می‌کند که آیا هر تبلیغی در سطح پایین عملکرد دارد و به جای آن دارایی‌های جدیدی را از کتابخانه خلاقانه‌ی ما جایگزین می‌کند.

یک نگاهی به نحوه کار CARA

در یک راه‌اندازی آزمایشی کنترل شده، تقریباً ۲۰۰۰ مورد با کارایی پایین به صورت خودکار در بیش از ۸۰۰۰ گروه تبلیغاتی فعال جایگزین شد که به افزایش ۱۸-۳۰٪ در نرخ کلیک و نرخ تبدیل ترجمه شد.

زیرمجموعه‌ای از نتایج راه‌اندازی آزمایشی CARA

با استفاده از اتوماسیون، تیم بازاریابی عملکرد Grab توانسته است نرخ کلیک و نرخ تبدیل را به طور قابل توجهی بهبود بخشد در حالی که ساعت‌های ارزشمندی را صرفه‌جویی کند. ما همچنین یک پایه پایدار برای رشد آینده ایجاد کرده‌ایم. بهترین قسمت؟ ما هنوز فقط شروع کرده‌ایم.

در نیابت از تیم بازاریابی عملکرد @ Grab. تشکر ویژه از تیم آنالیز داده CRM

-5024

طراحی محصولات و خدمات بر اساس کارهایی که باید انجام شوند-9411

Details: Written by: mehdi; Category: Scraped Data; Published: 29 April 2024; Hits: 129

مقدمه

در سال 2016، کلیتون کریستنسن، استاد دانشکده کسب و کار دانشگاه هاروارد، یک کتاب به نام رقابت با شانس نوشت. در این کتاب، او درباره نوع شغل هایی که در زندگی روزمره ما وجود دارد و چگونگی کشف شغل های پنهان از طریق عدم مصرف صحبت کرد. عدم مصرف، ناتوانی مصرف کننده برای انجام یک شغل بزرگ برای انجام دادن است.

JTBD یک چارچوب است؛ این یک روش متفاوت برای نگاه کردن به اهداف مشتری است و بر این اصل استوار است که افراد محصولات و خدماتی را می خرند تا یک شغل را انجام دهند. در این مقاله، به چارچوب JTBD نگاه می کنیم، نمونه ای از یک JTBD محبوب را مورد بررسی قرار می دهیم و نحوه استفاده از چارچوب JTBD را در یکی از خدمات Grab بررسی می کنیم.

چارچوب JTBD

کلیتون کریستنسن در کتاب خود، مثالی از شیره شکمگیری به عنوان مثالی از JTBD می آورد. در اواسط دهه 90، یک زنجیره غذای سریع داشتند تلاش می کردند تا درک کنند چگونه می توانند شیره های شکمگیری خود را بهبود دهند و چگونه می توانند بیشترین تعداد شیره شکمگیری را بفروشند. برای فروش بیشتر، آنها بهبود محصول نیاز داشتند. برای درک شغل شیره شکم، از مشتریان خود مصاحبه کردند. آنها از مشتریان خود پرسیدند که چرا شیره شکم می خریدند و چه پیشرفتی شیره شکم به آنها کمک می کند.

شغل 1: پر کردن شکم خود

یکی از نقاط کلیدی این بررسی، شغل اول بود، مشتریان به دنبال چیزی بودند که در طول سفر صبحانه خود به دفتر بتوانند شکم خود را پر کنند. معمولاً این سفرهای خودرویی یک تا دو ساعت طول می کشد، بنابراین آنها نیاز به چیزی داشتند که آنها را بیدار نگه دارد و شکمشان را پر کند.

در این حالت، می توان میوه مثالی برای رقابت بود، اما درباره ویژگی های یک موز فکر کنید. موز می تواند شکم شما را پر کند، اما دستان شما پس از خلوص آن کثیف و دارای لزجی می شود. موزها نمی توانند در اینجا کار خوبی انجام دهند. رقیب دیگری می تواند یک نوار سنیکرز باشد، اما میزان سلامتی آن نسبتاً پایین است و به تعداد لقمه هایی که می خورید بستگی دارد، شما می توانید آن را در یک دقیقه تمام کنید.

با درک شغلی که شیره شکم انجام می داد، اکنون رستوران راهکار خاصی برای بهبود محصول داشت. شیره شکم می توانسته بهتر شود تا زمانی که آن را از طریق یک خیس کردن لوله بنوشید. مشتری می تواند در طول سفر به شیره شکم لذت ببرد؛ شیره شکم برای شغل بهینه شده است.

شغل 2: خوشحال کردن کودکان

در این مطالعه، نیز والدینی که در بعدازظهر، حدود ساعت 3:00 به شیره شکم می آمدند را مصاحبه کردیم. متوجه شدیم که والدین شیره شکم را برای خوشحال کردن کودکان خود خریداری می کردند.

با اطلاع از این موضوع، توانستیم شغل را با ارائه نسخه کوچکتری از شیره شکم بهینه سازی کنیم که در طعم های مختلف مانند توت فرنگی و شکلات ارائه می شد. از این مثال شیره شکم می توانیم بیاموزیم که چندین شغل می تواند برای یک محصول وجود داشته باشد. از آن می توانیم تغییراتی را در یک محصول انجام دهیم تا این شغل های مختلف را برآورده کنیم.

JTBD در GrabFood

یک تیم در GrabFood می خواستند که کدام ویژگی ها یا محصولات را بسازند و یک تمرین اولویت بندی انجام دادند. اما، درک اساسی از اینکه مصرف کنندگان ما از GrabFood یا هر سرویس دلیوری غذایی دیگری چرا استفاده می کنند، وجود نداشت. برای به دست آوردن اطلاعات عمیق تر در این زمینه، یک مطالعه JTBD انجام دادیم.

ما چارچوب JTBD را در مطالعه تحقیقاتی خود به کار بردیم. ما از چارچوب نمودار نیرو برای به دست آوردن شغلی که مصرف کننده می خواست تا راهکارهای فشار و جذب مصرف کننده را که تصمیم مصرف کننده را هدایت می کند، استفاده کردیم. یک شغل در اینجا به عنوان پیشرفتی که مصرف کننده در یک زمینه خاص در حال ساختن می باشد تعریف می شود.

در نمودار نیرو چهار نکته کلیدی وجود دارد:

چه شغل هایی افراد از GrabFood استفاده می کنند؟قبل از استفاده از GrabFood، افراد چه عملیاتی انجام می دادند تا شغل را انجام دهند؟چه چیزی آنها را به جستجوی یک راه حل جدید ترغیب کرد؟ چه چیزی در مورد این راه حل جدید جذاب است؟چه چیزهایی باعث می شود آنها به محصول قبلی بازگردند؟ چه مراقباتی درباره محصول جدید وجود دارد؟

با استفاده از این چارچوب، به تدریج این سوالات را در جلسات مصاحبه ما پیشنهاد دادیم:

می توانید به ما یادآوری کنید که آخرین باری که از GrabFood استفاده کردید، چه بود؟ - این برای کشف شرایط و زمینه است.چرا این غذا را سفارش دادید؟ - این برای رسیدن به هسته نیاز است.می توانید به ما بگویید، قبل از استفاده از GrabFood، شما چه چیزی برای انجام همان شغل استفاده می کردید؟

از جلسات مصاحبه، ما تعدادی JTBD را پیدا کردیم، یک مثال آن خرید غذا برای خانواده هایی بود که والدین کار کردند. قبل از استفاده از GrabFood، بیشتر آنها از طریق فروشگاه های غذایی مستقیماً خرید می کردند، اما این فعالیت زمان بری است و اصطکاک اضافی را به یک روز پرکار اضافه می کند. این مسئله باعث شد آنها به دنبال یک راه حل جدید بگردند و GrabFood این راه حل را ارائه داد.

بیایید به عمق این JTBD نگاه کنیم. یکی از نگرانی های والدین هنگام سفارش دادن از GrabFood، تعداد زیادی انتخاب برای انجام دادن سفارشاتشان بود:

برای این مشکل قبلاً یک راه حل وجود داشت: باندل ها! بسته های غذایی یک مفهوم جالب در صنعت غذا و نوشیدنی هستند؛ اقلامی که به یکدیگر تکمیل می کنند به طور همزمان به صورت یک بسته برای یک تجربه پرداخت موثرتر.

با این حال، همه فروشندگان GrabFood باندل ها را برای حل این مشکل برای مصرف کنندگان خود ایجاد نمی کردند. این یک فرصت برای فروشندگان برای حل یک مشکل اساسی مصرف کنندگان بود که استفاده نشده بود. یو ریکا! ما می دانستیم که باید به فروشندگان کمک کنیم تا در راه حلی کارآمد برای حل JTBD مصرف کننده کمک کنند.

ما تصمیم گرفتیم یک قابلیت به برنامه GrabMerchant اضافه کنیم که فروشندگان بتوانند باندل ها را ایجاد کنند. ما الگوریتمی ساختیم که موارد تکمیل کننده را تطبیق داده و به طور خودکار باندل های پیشنهادی را به فروشندگان پیشنهاد می داد. فروشنده تنها باید یک دکمه را لمس کند تا به طور فوری یک باندل ایجاد شود.

این ویژگی منتشر شد و هزاران رستوران آنها را به منوی خود اضافه کردند. تحلیل JTBD ما به درستی ثابت شد: کارآفرینان غذا و نوشیدنی حالا با یک ابزار اساسی برای رشد مجهز هستند و ما یک مانع برای انتخاب GrabFood برای حل JTBD آنها را برداشت کردیم.

نتیجه

در Grab، ما اهمیت تحقیق را درک می کنیم. ما طراحان و کارمندان غیر تحقیقی را برای اجرای مطالعات تحقیقاتی آموزش می دهیم. همچنین، به اشتراک گذاری یافته های تحقیق را تشویق می کنیم و اطمینان حاصل می کنیم که بینش های تحقیق به طور قابل مصرفی ارائه می شوند. با استفاده از چارچوب JTBD و پرسش سوالات به طور خاص برای درک شغل مصرف کنندگان و شرکای ما، قادر به به دست آوردن درک اساسی از اینکه مصرف کنندگان چرا از محصولات و خدمات ما استفاده می کنند. این کمک به ما برای بهبود محصولات و خدماتمان و بهینه سازی آن برای کارهایی که در سراسر جنوب شرق آسیا باید انجام شود، می کند.

این مقاله براساس یک قسمت از پادکست طراحی مجله زیبایی و درمانی آذرود Design - گفتگو با پژوهشگر اصلی مجله زیبایی و درمانی آذرود Soon Hau Chua نوشته شده است. می خواهید پادکست طراحی مجله زیبایی و درمانی آذرود را گوش کنید؟ به تیم بپیوندید، ما استخدام می کنیم!

تشکر ویژه از آمیراخزالی وایرنا از Tech Learning.