ثورة الذكاء الاصطناعي: كيف ساعدت Databricks فريق Pacers في تقليل تكاليف التعلم الآلي بنسبة 12,000% وتسريع الحصول على الرؤى!
إحصائيات كرة السلة قد تكون كل شيء — لكن بالنسبة لشركة Pacers Sports and Entertainment (PS&E)، فإن البيانات حول المشجعين لها نفس القيمة.
بينما كانت الشركة الأم لفريق Indianapolis Pacers (NBA) وIndiana Fever (WNBA) وIndiana Mad Ants (NBA G League) تضخ كميات هائلة من البيانات في منصة تعلم الآلة بقيمة 100,000 دولار سنويًا لإنشاء نماذج تنبؤية حول عوامل مثل التسعير وطلب التذاكر، لم تكن الرؤى تأتي بالسرعة الكافية.
جارد شافيز، مدير هندسة البيانات والاستراتيجية، قرر تغيير ذلك وانتقل إلى Databricks على Salesforce قبل عام ونصف.
الآن؟ فريقه يقوم بنفس مجموعة المشاريع التنبؤية مع تكوينات حساب دقيقة للحصول على رؤى حاسمة حول سلوك المشجعين — مقابل 8 دولارات فقط في السنة. إنها انخفاض مذهل وغير متوقع يعزو شافيز الفضل فيه بشكل كبير إلى قدرة فريقه على تقليل تكلفة حساب تعلم الآلة إلى كميات شبه ضئيلة.
قال شافيز لـ VentureBeat: “نحن جيدون جدًا في تحسين حساباتنا ومعرفة مدى إمكانية دفع الحدود لتشغيل نماذجنا”. “هذا هو ما عُرفنا به مع Databricks.”
خفض النفقات التشغيلية بنسبة 98%
بالإضافة إلى فرق كرة السلة الثلاثة، تدير PS&E التي تتخذ من إنديانابوليس مقرًا لها أعمال ألعاب esports تحت اسم Pacers Gaming، وتستضيف مباريات March Madness وتدير أعمال فعاليات مشغولة لأكثر من 300 يوم عبر ساحة Gainbridge Fieldhouse (حفلات موسيقية وعروض كوميدية وروديو وأحداث رياضية أخرى). علاوة على ذلك، أعلنت الشركة الشهر الماضي عن خطط لبناء مركز أداء رياضي بقيمة 78 مليون دولار لـ Indiana Fever Sports Performance Center، والذي سيكون متصلًا بجسر علوي بالساحة وموقف سيارات (من المتوقع افتتاحه في عام 2027).
كل هذا ينتج عنه كمية هائلة من البيانات — وفوضى بيانات. ومن منظور بنية البيانات، أشار شافيز إلى أنه حتى قبل عامين كان لدى المنظمة مستودعين مستقلين تمامًا مبنيين على Microsoft Azure Synapse Analytics. كانت الفرق المختلفة تستخدم أشكالها الخاصة من التحليلات وكانت الأدوات ومجموعات المهارات تختلف بشكل كبير.
بينما كان Azure Synapse يؤدي عملًا رائعًا في الاتصال بالمنصات الخارجية، إلا أنه كان مكلفاً للغاية بالنسبة لمنظمة بحجم PS&E. كما أن دمج منصة تعلم الآلة الخاصة بالشركة مع Microsoft Azure Data Studio أدى إلى تفتيت المعلومات.
لمعالجة هذه المشاكل، انتقل شافيز إلى استخدام Databricks AutoML و Databricks Machine Learning Workspace في أغسطس 2023. وكان التركيز الأولي هو تكوين وتدريب ونشر النماذج المتعلقة بتسعير التذاكر وطلب المباريات.
وجد المستخدمون الفنيون وغير الفنيين المنصات مفيدة على الفور وسرّعت العملية بشكل كبير وخفضت التكاليف.
قال شافيز: “إنها تحسن dramatically أوقات الاستجابة لفريقي التسويق لأنهم لا يحتاجون لمعرفة كيفية البرمجة”. كل ما عليهم فعله هو الضغط على الأزرار وكل تلك البيانات تعود مرة أخرى إلى Databricks كسجلات موحدة.”
علاوةً على ذلك ، نظم فريقه أنظمة الشركة البالغ عددها حوالي 60 نظاماً ضمن Salesforce Data Cloud. والآن ، أفاد بأن لديهم بيانات أكثر بمقدار 440 مرة مخزنة وثمانية أضعاف مصادر بيانات قيد الإنتاج.
اليوم تعمل PS&E بأقل قليلاً من 2% من نفقات التشغيل السنوية السابقة لها. قال شافيز: “لقد وفرنا مئات الآلاف سنويًا فقط بسبب العمليات”. “أعدنا استثمارها في إثراء بيانات العملاء وفي أدوات أفضل ليس فقط لفريقي ولكن لوحدات التحليلات عبر الشركة.”
تحسين مستمر وفهم عميق للبيانات
كيف تمكن فريقه من خفض التكلفة بهذا الشكل المذهل؟ أوضح شافيز أن Databricks قامت باستمرار بتحسين تكوينات الكتل وتعزيز خيارات الاتصال بالمخططات وإعادة دمج مخرجات النماذج مرة أخرى في جداول بيانات PS&E. المحرك القوي لتعلم الآلة يقوم بـ”إثراء وتحسين ودمج والتنبؤ” بسجل العملاء الخاص بـPS&E عبر جميع الأنظمة ومصادر الإيرادات.
هذا يؤدي إلى توقعات أفضل معلوماتياً مع كل تكرار – وفي الواقع ، فإن نموذج AutoML العرضي يصل أحياناً مباشرةً للإنتاج دون أي تعديل إضافي من فريقه ، حسبما أفاد شافيز.
قال: “بصراحة ، الأمر يتعلق بمعرفة حجم البيانات الداخلة وكذلك تقريباً كم سيستغرق التدريب.” وأضاف: “إنها أصغر حجم ممكن للكتل التي يمكنك تشغيلها؛ قد تكون مجرد كتلة محسّنة لذاكرة الوصول العشوائي ولكن الأمر يتعلق بمعرفة Apache Spark جيداً ومعرفة كيف يمكن تخزين واسترجاع البيانات بطريقة مثلى.”
من الأكثر احتمالاً لشراء تذاكر الموسم؟
أحد الطرق التي يستخدم بها فريق شافيز البيانات والذكاء الاصطناعي وتعلم الآلة هو تقييم احتمالية شراء حزم تذاكر الموسم. كما قال: “نحن نبيع عدد لا يُصدق منها.”
الهدف هو تحديد الخصائص العميلة التي تؤثر أين يختارون الجلوس. أوضح شافيز أن فريقه يقوم بتحديد المواقع الجغرافية للعناوين الموجودة لديهم لإجراء ارتباط بين الديموغرافيات ومستويات الدخل والمسافات السفرية . كما أنهم يحللون تاريخ شراء المستخدمين عبر التجزئة والطعام والمشروبات والانخراط بالتطبيق المحمول وغيرها الأحداث التي قد يحضرونها داخل حرم PS&E .
علاوةً على ذلك ، يجمعون بيانات من Stubhub وSeat Geek وبائعين آخرين خارج Ticketmaster لتقييم نقاط الأسعار وتحديد مدى حركة المخزون . يمكن دمجه جميعا مع كل ما يعرفونه عن عميل معين لمعرفة أين سيجلس .
مدفوعين بهذه المعلومات ، يمكنهم بعد ذلك مثلاً ترقية عميل معين للانتقال من القسم رقم 201 الى القسم رقم101 وسط الملعب . قال الشافي : “الآن نحن قادرون ليس فقط إعادة بيع مقعده الموجود أعلى المدرجات بل أيضاً بيع حزمة أصغر لنفس المقاعد التي اشتراها خلال منتصف الموسم باستخدام نفس الخصائص لشخص آخر”.
وبالمثل يمكن استخدام البيانات لتعزيز الرعايات والتي تعتبر ضرورية لأي علامة تجارية رياضية.
قال الشافي : “بالطبع هم يريدون الارتباط بمنظمات تتداخل معهم”. “هل نستطيع تحسين الإثراء؟ هل نستطيع تحسين التنبؤ؟ هل نستطيع القيام بالتجزئة المخصصة؟”
في النهاية الهدف هو واجهة حيث يستطيع أي مستخدم طرح أسئلة مثل: ‘أريد قسم مشجعو Pacers الذين تتراوح أعمارهم بين العشرينيات المتوسطة والمتأخرة ولديهم دخل قابل للتصرف.’ وحتى أبعد: ‘ابحث عن أولئك الذين يتجاوز دخلهم الـ100 ألف دولار سنوياً ولديهم اهتمام بالمركبات الفاخرة.’ ثم تستطيع الواجهة إرجاع نسبة تتداخل مع بيانات الرعاة.
قال الشافي : “عندما تحاول فرق الشراكة لدينا إغلاق هذه الصفقات يمكنهم الحصول عليها عند الطلب دون الحاجة للاعتماد علي وحدة التحليلات للقيام بذلك نيابة عنهم”.
لدعم هذا الهدف أكثر, يسعى الفريق لبناء غرفة نظيفة للبيانات أو بيئة آمنة تسمح بمشاركة المعلومات الحساسة وهذا سيكون مفيد جداً للرعاة وكذلك التعاون مع فرق أخرى والرابطة الوطنية لرياضة الجامعات NCAA والتي يقع مقرها الرئيسي بإنديانابوليس .
“اسم اللعبة بالنسبة لنا الآن هي وقت الاستجابة سواء كان أمام العملاء أو داخلي” قال الشافي . “هل نستطيع تقليل المعرفة المطلوبة بشكل كبير لفرز المعلومات واستخدام الذكاء الاصطناعي لذلك؟
جمع البيانات والذكاء الاصطناعي لفهم أنماط الحركة وتحسين اللافتات
مجال آخر يركز عليه فريق الشافي هو فحص أماكن وجود الأشخاص في أي وقت داخل حرم PS&E الذي يتكون من ساحة ثلاث طبقات وساحة خارجية . شرح الشافي بأن قدرات التقاط البيانا موجودة طوال بنيتهم الأساسية للشبكة عبر نقاط وصول الواي فاي .
“عندما تدخل الساحة أنت تقوم بإرسال إشارات لجميع النقاط حتى لو لم تسجل دخولك إليها لأن هاتفك يتحقق بحثا عن الواي فاي” قال . ”يمكنني رؤية مكان تحركك ولا أعرف هويتك لكنني أستطيع رؤية مكان تحركك”.
يمكن لهذا eventually مساعدة توجيه الناس حول الساحة – إذا أراد شخص ما شراء بريزل ويبحث عن كشك تقديم الطعام – ويساعد الفريق الخاص به تحديد أماكن وضع أكشاك الطعام والبضائع .
وبالمثل, تساعد بيانات الموقع تحديد الأماكن المثلى للافتات , وفقاً لما شرحه الشافي . إحدى الطرق المثيرة للاهتمام لتحديد عدد الانطباعات للافتة هي وضع تدرجات بصرية عند النقاط المعادلتان لارتفاع متوسط المشجع .
“ثم دعونا نحسب مدى جودة رؤية شخص ما لهذا أثناء مروره وعدد الأشخاص المحيط بهم” قال الشافي . ”حتى أتمكن أخبر راعيكم أنك حصلت علي5000 انطباع بشأن هذا وأن1200 منهم كانوا جيديين جداً”.
وبالمثل عندما يكون المشجعون جالسواً محاطيين بلافتاتهم وشاشاتهم الرقمية , تساعد معلومات الموقع تحديد الجودة(والكمية) الانطباعات بناءً علي الزاوية حيث يجلسوا فيها , كما لاحظ الشافي : ”إذا كانت هذه الإعلان موجود لمدة10 ثوانٍ فقط علي الشاشة خلال الربع الثالث فمن سيراه ؟”
بمجرد حصول PS&E علي معلومات موقع كافية للمساعدة بالإجابة علي هذه الأنواع الأسئلة , يخطط الفريق للعمل مع مختبر VR بجامعة إنديانا لنموذج الحرم الجامعي بالكامل.”ثم سيكون لدينا صندوق رمل ممتع للغاية لنذهب إليه والإجابة علي جميع أسئلة الفضاء ثلاثي الأبعاد التي كانت تؤرقني خلال العاميين الماضيين” يقول تشavez
