آرزو کشاورز، راهبر فنی سابق گوگل که به‌شکل آنلاین در دومین رویداد تجربه‌محور هوش‌مصنوعی در صنعت حاضر شده بود، سخنان خود را با یک سؤال شروع کرد: سؤالی که شاید در ذهن ما مطرح شود این است که اصلاً دیتا ساینس یا تحلیل چیست؟ کشاورز با پاسخ به این سؤال گفت: برنامه‌نویسی، آمار و جبر خطی در کنار هم جمع شده و رشته دیتاساینس یا تحلیل داده را به وجود آورده‌اند. دیتاساینس حجم داده‌ای از داده‌ها را جمع‌آوری کند و آن‌ها را تحلیل می‌کند.
کشاورز بعد از پاسخ سؤال اول، سؤال دیگری مطرح کرد: آیا تحلیل داده‌ها اتفاق عجیب و جدیدی است؟ آیا در گذشته ابزاری وجود داشته که بتوانیم حجم زیادی از داده را پیدا و روی آن‌ها کار کنیم؟ جواب این سؤال بله است. از روزگار قدیم، این ابزار وجود داشته و ماتریس و وکتور نام داشته‌اند. مهم نبود داده ما چند بعدی است؟ این کار را ماتریس و وکتور انجام می‌دادند و همچنان می‌دهند.
راهبر سابق گوگل توضیح داد: اما امروز تکنولوژی به وجود آمده که ما از علم تحلیل در همه علوم و به‌شکل کاربردی‌تر استفاده کنیم. حالا دیتا ساینس می‌تواند به ما کمک کند که دید بهتر و جامع‌تری در علم روانشناسی، جامعه شناسی، زیست‌شناسی و… داشته باشیم.
کشاورز گفت: دیتاساینتیس می‌تواند داده‌های قابل استناد با اهمیت آماری را جمع‌آوری کند. در قدم بعدی می‌خواهیم اینسایت‌های مختلفی از داده‌ها دریافت کنیم و آن را به تصویر بکشیم. نوشتن قصه با داده‌ها هنر است. هنری که باید دیتاساینس داشته باشد.
به‌گفته کشاورز، دیتاساینتیس باید یک ابزار برای آدم‌های دیگر می‌سازد که بتواند تصمیم‌های هوشمندانه‌تر بگیرند. او با استفاده از چارت‌های مختلف ابزاری برای متخصصان در رشته‌های مختلف طراحی می‌کند تا آن‌ها بهترین خروجی را برای حوزه کاری خود فراهم کنند.
او درباره چالش‌های تحلیل‌گرهای داده توضیح داد: سختی کار تحلیلگر داده این است که یک تابع هدف در مسیر کاری او وجود ندارد و جنبه‌های مختلفی از هدف باید در نظر گرفته شود. آیا نتایج ناشی از استراتژی من کیفیت دارد؟ آیا مواردی که پیدا کردم تازگی دارد؟ آیا کابران من با محتوا و منابع من درگیر می‌شوند؟
کشاورز افزود: تحلیل داده یک ابزار کمکی برای تصمیم‌گیری برای کسب‌وکارهاست و افراد مختلف است. از یک شرکت بسیار بزرگ که کارمندان و دپارتمان‌های مختلفی دارد تا یک تراپیست که نیاز به‌روش‌های جدید روان‌درمان‌گری دارد.
او درباره کاربردهای هوش مصنوعی در تحلیل داده‌ها افزود: هوش مصنوعی می‌تواند در علم دیتاساینس، فرآیندها را تسهیل کند. شما می‌توانید کمپین‌هایی را که در مارکتینگ و بازاریابی اجرا می‌شوند با هوش مصنوعی تحلیل کنید. فراموش نکنیم همیشه مدیرهای محصول به تحلیل دیتا و داده نیاز دارند که باید از علم دیتا ساینس استفاده کنند. چه موقع طراحی محصول چون موقع تحلیل محصول عملکرد و نتایج محصول تولید شده.
کشاورز در ادامه صحبت‌های خود گفت: یک دیتاساینتیست می‌تواند استراتژی‌های شرکت‌ها را تغییر دهد و بهینه کند. یک کسب‌وکار می‌تواند با استفاده از این فناوری نقشه‌راه بهتری برای خود در نظر بگیرد.
او با اشاره به کارکردهای نوین و جدید تحلیل داده گفت: امروزه می‌توانیم برای بهبود عملکرد یک موتور جست‌وجو از علم تحلیل داده‌ها استفاده کنیم.
اما از یک تحلیلگر چطور در یک موتور جست‌وجو استفاده می‌شود؟ تحلیلگر داده می‌تواند تجربه جست‌وجو را برای کاربر دلپذیرتر کند و ترافیک داده‌ها را به فراخور درخواست کاربر مدیریت کند. تصور کنید که می‌خواهید دنبال بهترین شیرینی‌فروشی در میدان ونک بگردید. موتور جست‌وجو نتایج را به ترتیب a, b ,c نشان می‌دهد اما تحلیلگر داده تشخیص می‌دهد که الگورتیم b ,c ,a مناسبت‌تر است. تحلیلگر داده در این شرایط، با بررسی داده‌ها این تصمیم را گرفته و بهترین چینش را انتخاب کرده است.
کشاورز افزود: همچنین یک تولیدکننده می‌تواند با استفاده از تحلیل داده، پروسه خرید کردن، تهیه مواد اولیه، قرار گرفتن در خط تولید یا دپو شدن و… را آسان‌تر، بهینه‌تر و ارزان‌تر کند.
او درباره استفاده از تحلیل داده در مسئله تعمیرات و نگهداری گفت: دستگاههای مختلفی در صنایع مختلف یک کشور وجود دارد که خیلی گران‌قیمت هستند. دوباره خریدن خیلی از آن‌ها دیگر با توجه به تحریم‌ها (در ایران) ممکن نیست یا اصلاً نمونه آن دستگاه به‌سختی باز می‌شود یا قیمت آن‌طوری افزایش پیدا کرده که غیرقابل تهیه کردن است. در همه دنیا، فرهنگ تعمیر و نگهداری وجود دارد. به این معنا که صاحبان کالاها، عموماً از کالای خود جوری محافظت می‌کنند که کمتر نیاز به تعویض پیدا کند.
کشاورز ادامه داد: اگر هر کدام ازین دستگاه‌ها به‌طور ناگهانی از کار بیفتد، ممکن است آسیب‌های جبران‌ناپذیری به کسب‌وکار و خط تولید شما وارد شود چرا که همه دستگاه‌ها نیاز به تعمیر و نگهداری مداوم دارند.
و همه این‌ها در حالی است که از یک سو هزینه نیروی انسانی که به‌شکل مداوم دستگاه‌ها را چک کند و به آن رسیدگی کند، بسیار زیاد است. از سوی دیگر، دستگاه اگر مداوم چک نشود، ممکن است به‌طور کلی از کار بیفتد و موجب از کار افتادن بیزینس شود.
کشاورز در این باره توضیح داد: تحلیل داده‌ها در چنین شرایطی، بسیار می‌تواند کمک‌دهنده باشد. داده‌های مربوط به دستگاه شما، یک بار جمع‌آوری می‌شود و درباره نقاطی که نیاز به رسیدگی دارد به شما اطلاع داده می‌شود.
به‌گفته این کارشناس، یک تحلیلگر داده می‌تواند به‌کمک هوش مصنوعی یک داشبورد برای تیم تعمیر و نگهداری بسازد و عملکرد دستگاه را روزانه در آن آپدیت کند. در چنین شرایطی نه نیاز است که هر روز چند نیروی انسانی دستگاههای گران‌قیمت و حیاتی یک بیزنس را چک کنند، نه لازم است دستگاه آن‌قدر کار کند تا خودش به خرابی بیفتد. این فرایند بهینه‌ترین فرایند ممکن است.