এই ব্লগ পোস্টে আমরা দেখাবো, কীভাবে ডেটা মাইনিং ব্যবহার করে ডায়াপার ও বিয়ার বিক্রির মধ্যে সম্পর্ক খুঁজে বের করা যায় এবং কীভাবে তা কাজে লাগিয়ে বিক্রি বাড়ানো সম্ভব।
আপনি একটি বড় সুপারমার্কেট এল-মার্টের ‘এ’ শাখার ম্যানেজার। সম্প্রতি কাছাকাছি একটি প্রতিযোগী প্রতিষ্ঠান, এইচ-মার্ট, চালু হয়েছে এবং আপনি চিন্তিত যে আপনার দোকানের বিক্রি উল্লেখযোগ্যভাবে কমে গেছে। আপনি সদর দপ্তরে সাহায্য চাওয়ার সিদ্ধান্ত নেন। সদর দপ্তরের একজন কর্মচারী আপনাকে দোকানটি ঘুরিয়ে দেখান এবং তাকে গত তিন মাসের বিক্রির ইতিহাস পাঠাতে বলেন। কয়েকদিন পর, সেই কর্মচারী আপনাকে একটি কাগজ ধরিয়ে দেন, যেখানে তাকগুলোর বিন্যাস পরিবর্তন করার নির্দেশ দেওয়া ছিল। কী? বাচ্চাদের ডায়াপারের পাশে বিয়ার? ডায়াপারের পাশে বিয়ার, যা টিস্যু বা বাচ্চাদের খেলনা কোনোটিই নয়, এর কোনো মানেই হয় না। কিন্তু সদর দপ্তরে অভিযোগ করার সাহস আপনার নেই, তাই আপনি নির্দেশ অনুযায়ী জিনিসগুলো নতুন করে সাজানোর সিদ্ধান্ত নেন। এক মাস পর, আপনি আপনার বিক্রির হিসাব দেখেন এবং বুঝতে পারেন যে, যেন আগে থেকেই ঠিক করা ছিল, বিয়ারের বিক্রি নাটকীয়ভাবে বেড়ে গেছে।
এটি কোনো বাস্তব ঘটনার কাল্পনিক সংস্করণ নয়। অতীতে, মার্কিন যুক্তরাষ্ট্রের ওয়ালমার্ট তথ্য বিশ্লেষণ করে দেখতে পায় যে ডায়াপার এবং বিয়ার বিক্রির মধ্যে একটি যোগসূত্র রয়েছে, অর্থাৎ, শিশুদের বাবারা প্রায়শই ডায়াপার কেনার সময় বিয়ারও কিনতেন। তারা ডায়াপার এবং বিয়ার একসাথে রেখে এই সুযোগটি কাজে লাগাতে সক্ষম হয়, যার ফলে বিয়ারের বিক্রি উল্লেখযোগ্যভাবে বৃদ্ধি পায়।
চলুন স্টোর ‘এ’-এর উদাহরণে ফিরে যাই। সদর দপ্তরের কর্মীরা কীভাবে এই সম্পর্কটি খুঁজে পেয়েছিলেন? এর উত্তর হলো ডেটা মাইনিং। ডেটা মাইনিং হলো বিপুল পরিমাণ ডেটা থেকে সংযোগ, সাদৃশ্য, প্যাটার্ন ইত্যাদি শনাক্ত করার মাধ্যমে মূল্যবান তথ্য বের করে আনার একটি প্রক্রিয়া। আমরা প্রতিদিন যে ডেটা সংগ্রহ করি, তা নিজে থেকেই কেবল একগাদা সংখ্যার সমষ্টি, এবং একে মূল্যবান করে তোলার জন্য "প্রক্রিয়াজাত" করার প্রয়োজন হয়। এর একটি বাস্তব উদাহরণ হলো 'জাঙ্ক আর্ট'। জাঙ্ক আর্ট হলো যখন আপনি আবর্জনা বা জঞ্জাল দিয়ে শিল্পকর্ম তৈরি করেন। বাতিল টায়ার, সিগারেটের বাট, বোতলের ছিপি এবং অন্যান্য আবর্জনার স্তূপ থেকে সুন্দর ও চমৎকার শিল্পকর্ম তৈরি হয়, যেগুলোর দিকে বেশিরভাগ মানুষ ফিরেও তাকায় না। জাঙ্ক শিল্পীরা তাদের কাঙ্ক্ষিত রঙ, গঠন এবং ঔজ্জ্বল্য অর্জনের জন্য এই জিনিসগুলো বাছাই ও একত্রিত করেন, এবং এর চূড়ান্ত ফল হয় একটি শিল্পকর্ম। একইভাবে, প্রচুর ডেটার নিজস্ব কোনো মূল্য নেই, কিন্তু যখন সেগুলোকে কোনো উদ্দেশ্য নিয়ে বাছাই ও একত্রিত করা হয়, তখন তা মূল্যবান কিছু তৈরি করে।
ডেটা মাইনিং-এর পাঁচটি প্রধান প্রকারভেদ রয়েছে: শ্রেণি বর্ণনা ও শ্রেণি পৃথকীকরণ, ক্লাস্টার বিশ্লেষণ, সংযোগ বিশ্লেষণ, আউটলায়ার বিশ্লেষণ এবং অনুক্রমিক প্যাটার্ন বিশ্লেষণ। যখন কোনো মানদণ্ডের ভিত্তিতে একগুচ্ছ ডেটাকে একত্রিত করা হয়, তখন তাকে একটি শ্রেণি বলা হয়; প্রদত্ত ডেটা আইটেমগুলোর বৈশিষ্ট্য খুঁজে বের করাকে বলা হয় শ্রেণি বর্ণনা; ডেটাকে দুটি দলে বিভক্ত করতে পারে এমন বিশেষ বৈশিষ্ট্য খুঁজে বের করাকে বলা হয় স্তরবিন্যাস; নতুন শ্রেণি খুঁজে বের করার জন্য ক্লাস্টার বিশ্লেষণ ব্যবহৃত হয়; এবং ডেটা গ্রুপগুলোর মধ্যে সংযোগ খুঁজে বের করার জন্য সংযোগ বিশ্লেষণ ব্যবহৃত হয়। গড় থেকে উল্লেখযোগ্যভাবে বিচ্যুত ডেটা খুঁজে বের করাকে আউটলায়ার বিশ্লেষণ বলা হয়, এবং সময়ের সাথে সাথে আচরণের ধরণ বিশ্লেষণ করাকে অনুক্রমিক প্যাটার্ন বিশ্লেষণ বলা হয়।
আমাদের উদাহরণে ব্যবহৃত ডেটা মাইনিংয়ের ধরনটি হলো অ্যাসোসিয়েশন অ্যানালাইসিস। অ্যাসোসিয়েশন অ্যানালাইসিসে, সম্পর্কের মাত্রা নির্ধারণ করতে তিনটি পরিমাপ ব্যবহার করা হয়। প্রথমটি হলো 'সাপোর্ট', যা হলো সমস্ত লেনদেনের সেই শতাংশ যেখানে দুটি আইটেম (A এবং B) একসাথে লেনদেন করা হয়। দ্বিতীয়টি হলো 'কনফিডেন্স', যা হলো A-এর মোট লেনদেনের সেই শতাংশ যা একসাথে লেনদেন করা হয়। সর্বশেষটি হলো 'এনহ্যান্সমেন্ট', যা হলো সমস্ত লেনদেনের মধ্যে যেখানে B লেনদেন হয়েছে, তার শতাংশের মধ্যে A এবং B একসাথে লেনদেন হওয়া লেনদেনের শতাংশ (কনফিডেন্স)। যদি এনহ্যান্সমেন্টের মান ১ হয়, তবে তারা একে অপরের থেকে স্বাধীন, এবং যদি এটি ১-এর বেশি হয়, তবে তারা ধনাত্মকভাবে সম্পর্কিত, এবং যদি এটি ১-এর কম হয়, তবে তারা ঋণাত্মকভাবে সম্পর্কিত। প্রথমে, সমস্ত আইটেমের জন্য সাপোর্ট গণনা করা হয়, এবং তারপরে যে আইটেমগুলির একটি নির্দিষ্ট স্তরের সাপোর্ট রয়েছে তাদের জন্য কনফিডেন্স গণনা করা হয়। সাপোর্টের স্তরটি কী হওয়া উচিত তা ডেটা মাইনার নির্ধারণ করেন। তারপর, আমরা যে আইটেমগুলিকে কিছুটা সম্পর্কিত বলে মনে করি সেগুলির জন্য এনহ্যান্সমেন্ট গণনা করি এবং তারা কীভাবে সম্পর্কিত তা খুঁজে বের করি। এভাবেই আমরা খুঁজে পেয়েছি যে ডায়াপার এবং বিয়ার সম্পর্কিত এবং ধনাত্মকভাবে সম্পর্কিত।
যদিও আমরা কেবল বিপণনে ডেটা মাইনিং কীভাবে ব্যবহার করা যেতে পারে তা নিয়ে আলোচনা করেছি, এটি আরও অনেক ক্ষেত্রে ব্যবহার করা যেতে পারে। অর্থায়নে, এটি ক্রেডিট স্কোরিং, ক্রেডিট কার্ড জালিয়াতি সনাক্তকরণ এবং শেয়ারের দামের পূর্বাভাসের জন্য ব্যবহৃত হয়; টেলিযোগাযোগে, এটি গ্রাহক হারানো প্রতিরোধ, বৈশিষ্ট্য ও প্যাটার্ন শনাক্তকরণ এবং নিরাপত্তা ব্যবস্থাপনার জন্য ব্যবহৃত হয়; স্বাস্থ্যসেবায়, এটি রোগ নির্ণয় এবং জিনগত বিশ্লেষণের জন্য ব্যবহৃত হয়; শক্তিক্ষেত্রে, এটি বিদ্যুতের চাহিদার পূর্বাভাস এবং সম্পদ অনুসন্ধানের জন্য ব্যবহৃত হয়; এবং উৎপাদনে, এটি নতুন পণ্য/নতুন পরিষেবা উন্নয়ন, ত্রুটির পূর্বাভাস, ফ্যাক্টরি অটোমেশন, ইনভেন্টরি এবং চাহিদা ব্যবস্থাপনার জন্য ব্যবহৃত হয়। এছাড়াও, প্রদত্ত ডেটা থেকে অতীত বা বর্তমান পরিস্থিতি বোঝা বা ভবিষ্যতের পূর্বাভাস দেওয়ার একটি উপায় হিসাবে এটি ব্যবহার করা যেতে পারে।
আজকাল বিশ্বজুড়ে বিগ ডেটা ব্যাপক জনপ্রিয়। তথ্যপ্রযুক্তি ডিভাইসের সর্বব্যাপী ব্যবহারের ফলে ক্রমাগত ডেটা তৈরি হচ্ছে। একটি পরিসংখ্যান অনুসারে, শুধুমাত্র ২০২৪ সালেই বিশ্বব্যাপী প্রায় ১২০ জেটাবাইট (ZB) ডেটা উৎপাদিত ও ব্যবহৃত হয়েছিল। এই ডেটাকে নষ্ট হতে না দিয়ে কাজে লাগানোর জন্য ডেটা মাইনিং অপরিহার্য, এবং ভবিষ্যতে ইন্টারনেট-ভিত্তিক জীবনযাত্রার আরও বিকাশের সাথে সাথে ডেটা মাইনিংয়ের গুরুত্ব আরও বাড়বে বলে আশা করা হচ্ছে।
ডেটা মাইনিং শুধুমাত্র বিক্রয় বাড়ানোর জন্যই নয়, বরং গ্রাহকের ক্রয়ের ধরণ শনাক্ত করতে, কাস্টমাইজড মার্কেটিং পরিচালনা করতে, ইনভেন্টরি ব্যবস্থাপনার দক্ষতা বাড়াতে এবং গ্রাহক সন্তুষ্টি সর্বাধিক করার জন্য বিভিন্ন কৌশল তৈরি করতেও ব্যবহার করা যেতে পারে। ডেটা হলো আধুনিক বিশ্বের অপরিশোধিত তেল, এবং আপনি কতটা ভালোভাবে এটি সংগ্রহ ও প্রক্রিয়াজাত করেন তা আপনার ব্যবসার সাফল্য বা ব্যর্থতার কারণ হতে পারে। এ কারণেই ডেটা মাইনিং-এর গুরুত্ব অনুধাবন করা এবং এর সদ্ব্যবহার করা অত্যন্ত জরুরি।
