Նախընտրելի
Ավելի քան չորս տարի առաջ Ամիր Զարեն Իրանից եկել է Հայաստան: Այսօր նա ոչ միայն ապրում է այստեղ, այլև երկու այլ մասնագետների հետ միասին կառուցում է սեփական տեխնոլոգիական ստարտափը:
Ընկերությունը կոչվում է DataLayer և զբաղվում է փոքր ու միջին բիզնեսի տվյալներով: Հնչում է որպես պատմություն բարդ ինժեներիայի մասին, սակայն խնդիրը, որը փորձում է լուծել թիմը, բավականին կենցաղային է. ձեռնարկատերը կարող է ունենալ հազարավոր պատվերներ, հարյուրավոր հաճախորդներ և վաճառքի մի քանի ալիք, և ընդ որում չիմանալ, թե որ ապրանքն է իր մոտ ամենալավը վաճառվում, և թե ինչու է հասույթն հանկարծ ընկել:
Ամիրն այս խնդիրը գիտի ոչ միայն որպես ինժեներ: Պոտենցիալ հաճախորդների հետ զրույցների ընթացքում նրա թիմը պարզել է, որ որոշ ձեռնարկատերեր սեփական տվյալների վերլուծության վրա ծախսում են չորսից մինչև 12 ժամ: Ընդ որում, բանը նրանում չէ, որ տվյալները բավարար չեն. ընդհակառակը, ամենից հաճախ դրանք չափազանց շատ են և ցրված են տարբեր համակարգերով: DataLayer-ն օգնում է հավաքել բոլոր քաոսային տվյալները մեկ պատկերի մեջ, իսկ հետո AI-ի օգնությամբ վերածում է հասկանալի պատասխանների և հանձնարարականների:
Իր ստարտափի մասին Ամիրը պատմել է NEWS.am Tech-ի թղթակցին Seaside Startup Summit Armenia 2026-ին:
Ստարտափ, որը սկսվում էր մեկ մարդուց
Ամիրը Հայաստան է տեղափոխվել ավելի քան չորս տարի առաջ, ստացել է մշտական կացության статус և երկու տարի առաջ այստեղ պաշտոնապես գրանցել է ընկերությունը: Քանի դեռ պրոդուկտը դառնում էր ավելի բարդ, առաջացավ AI-ի և մարքեթինգի մասնագետներ ներգրավելու անհրաժեշտություն:
Այժմ թիմը բաղկացած է երեք հոգուց. Ամիրը զբաղվում է data engineering-ով, երկրորդ մասնագետը պատասխանատու է AI-ի համար, երրորդը՝ մարքեթինգի: Բոլոր երեքն էլ ծնունդով Իրանից են և ապրում են Հայաստանում:
Ընդ որում, ստարտափը դեռևս գտնվում է հենց աճի փուլում. կա MVP, կան առաջին իրական հաճախորդները, սակայն առջևում դեռ տեխնիկական առաջադրանքների մի ամբողջ ցուցակ է՝ սոցիալական ցանցերի հետ ավտոմատ ինտեգրումներից մինչև AI-ասիստենտի և սեփական LLM-ի զարգացումը:
Երբ բիզնեսն ունի տվյալներ, բայց չունի պատասխաններ
DataLayer-ը փորձում է լուծել հին խնդիրը նոր տեխնոլոգիաների օգնությամբ: Ժամանակակից փոքր առցանց խանութը կարող է ունենալ տեղեկատվության միաժամանակ բազմաթիվ աղբյուրներ: Վաճառքներն ընթանում են կայքի, Instagram-ի, Facebook-ի, Telegram-ի, Shopify-ի և այլ հարթակների միջոցով: Տեղեկատվության մի մասը պահվում է տվյալների բազայում, մի մասը՝ Excel-ում կամ Google Sheets-ում, իսկ մի մասն ընդհանրապես մնում է հաճախորդների հետ նամակագրության մեջ: Արդյունքում ձեռնարկատերը կարծես թե տնօրինում է մեծ քանակությամբ տվյալներ, սակայն սեփական բիզնեսի մասին տարրական հարցերին պատասխանելը նրա համար հեշտ չի լինում:
Ո՞ր ապրանքն է վաճառվում ամենալավը: Ո՞վ է ամենաարժեքավոր հաճախորդը: Ե՞րբ են եղել պիկային վաճառքները: Ինչո՞ւ է վերջին շաբաթվա հասույթն նվազել: Ո՞ր ապրանքները վաղուց չեն վաճառվում: Ո՞ր հաճախորդների վրա արժե ուղղել մարքեթինգային ջանքերը:
Ամիրի խոսքով՝ պոտենցիալ հաճախորդների հետ հարցազրույցների ընթացքում թիմը հայտնաբերել է, որ որոշ ձեռնարկատերեր իրենց տվյալների վերլուծության վրա ծախսում են չորսից մինչև 12 ժամ: Պատճառը հաճախ տեղեկատվության բացակայությունը չէ, այլ ընդհակառակը՝ դրա ավելցուկն ու քաոսայնությունը:
«Նրանք կարող են ունենալ բազմաթիվ Excel-աղյուսակներ, որոնցում շատ բարդ է ամեն ինչ համակարգելն ու գլուխ հանելը՝ ով է լավագույն հաճախորդը, որ ապրանքն է լավագույնը, որքան պատվեր է եղել և երբ է եղել վաճառքների պիկը», — բացատրում է Ամիրը: DataLayer-ը փորձում է վերացնել հենց այս պատնեշը:
Ինչ է անում DataLayer-ը
Նրա խոսքով՝ հարթակի հիմքում ընկած է տվյալների մշակումը data engineering-մոտեցումների կիրառմամբ: Թիմն օգտագործում է ETL և ELT, ինչպես նաև այնպիսի գործիքներ, ինչպիսիք են DBT-ն և BigQuery-ն, որպեսզի տարբեր աղբյուրներից հավաքի տեղեկատվությունը, կառուցվածքավորի այն և վերածի հասկանալի վերլուծության:
Ընդ որում, ընկերությանը պարտադիր չէ ունենալ կատարյալ կազմակերպված տվյալների բազա: Եթե բիզնեսն ունի կայք, DataLayer-ը կարող է աշխատել նրա բազայի հետ: Եթե վաճառքներն իրականացվում են Instagram-ի, Facebook-ի կամ Telegram-ի միջոցով, տվյալները կարելի է արտահանել այնտեղից: Եթե ձեռնարկատերը երկար տարիներ տեղեկատվությունը պահում է Excel-ում, CSV-ում կամ Google Sheets-ում, համակարգը կարող է ընդունել նաև այդ ձևաչափերը: Հենց «կեղտոտ» տվյալների հետ աշխատանքն է, Ամիրի խոսքով, հանդիսանում պրոդուկտի կարևոր մասերից մեկը:
Մշակումից հետո համակարգը ոչ թե պարզապես ցույց է տալիս թվերը, այլև ձեռնարկատիրոջը տալիս է կատարվողի ավելի հասկանալի պատկերը: Օրինակ, DataLayer-ը կարող է որոշել թոփ-ապրանքը, թոփ-հաճախորդին, ինչպես նաև ցույց տալ փոփոխությունները վաճառքներում և այլ հանգուցային ցուցանիշներում:
Մոտեցումներից մեկը, որն օգտագործվում է հաճախորդների վերլուծության համար, RFM-վերլուծությունն է: Այն թույլ է տալիս գնահատել գնորդներին այնպիսի բնութագրերով, ինչպիսիք են գնման վաղեմությունը, գնումների հաճախականությունը և դրանց դրամական արժեքը: Այսպիսով, ձեռնարկատերը ստանում է ոչ թե պարզապես հաճախորդների ցուցակ, այլ հնարավորություն՝ հասկանալու, թե դրանցից որոնք են առավել կարևոր բիզնեսի համար և ում վրա իմաստ ունի ուղղել մարքեթինգային ջանքերը:
Ոչ միայն վերդիկտ, այլև հանձնարարականներ
Ամիրի համար սկզբունքորեն կարևոր էր, որպեսզի DataLayer-ը չվերածվի հերթական դաշբորդի, որտեղ ձեռնարկատիրոջը ցույց են տալիս տասնյակ գրաֆիկներ և թողնում նրան մեն-մենակ թվերի հետ: Համակարգը պետք է օգնի որոշումներ կայացնել: Օրինակ, եթե որոշակի կապույտ մարզաշապիկ չի վաճառվել վերջին 90 օրվա ընթացքում, հարթակը կարող է դրա վրա հրավիրել խանութի տիրոջ ուշադրությունը: Հնարավոր է՝ ապրանքն այլևս չարժե գնել: Հնարավոր է՝ այն անհրաժեշտ է ավելի լավ գովազդել: Հնարավոր է՝ խնդիրն ընդհանրապես այլ բանում է:
Հակառակ իրավիճակում համակարգը կարող է ցույց տալ, որ կարմիր մարզաշապիկը հանդիսանում է ամենալավ վաճառվող ապրանքներից մեկը: Այդ ժամանակ ձեռնարկատիրոջ համար իմաստ ունի ավելացնել դրա գնումները: Բիզնեսի տարբեր տեսակների համար հանձնարարականները կլինեն տարբեր: Հենց սրանում է, Ամիրի խոսքով, կայանում DataLayer-ի աշխատանքի իմաստը. բիզնեսին ընձեռել ավելի «խելացի» որոշումներ կայացնելու հնարավորություն՝ հենվելով ոչ թե ինտուիցիայի, այլ սեփական տվյալների վրա:
Վերլուծական վահանակից մինչև AI-ասիստենտ
Պրոդուկտի զարգացման հաջորդ մակարդակը կապված է արհեստական բանականության հետ: DataLayer-ում արդեն աշխատում է AI assistant, որի մշակմամբ զբաղվում է թիմի AI-ինժեները:
Գաղափարը կայանում է նրանում, որպեսզի ձեռնարկատիրոջը չստիպեն ինքնուրույն փնտրել անհրաժեշտ ցուցանիշը աղյուսակներում կամ վերլուծական վահանակում: Նա կկարողանա պարզապես հարց տալ սովորական լեզվով: Օրինակ՝ «Ո՞վ է իմ լավագույն հաճախորդը», «Ինչո՞ւ է իմ հասույթն ընկել անցյալ շաբաթ» կամ «Ո՞ր ապրանքն է ցույց տալիս լավագույն արդյունքները»:
Համակարգը պետք է ինքնուրույն դիմի տվյալներին և ձևավորի պատասխանը: Այսպիսով, ինտերֆեյսը աստիճանաբար վերածվում է վերլուծության սովորական գործիքից ընկերության տվյալների հետ յուրօրինակ երկխոսության:
Հենց այդ պատճառով էլ թիմի համար կարևոր են ինտեգրումները տարբեր հարթակների հետ: Այժմ DataLayer-ը գտնվում է MVP-ի փուլում, որի հետ արդեն աշխատում են իրական հաճախորդներ Հայաստանում: Հաջորդ տարբերակում մշակողները ցանկանում են ավելացնել ավտոմատ ինտեգրումներ Telegram-ի, Instagram-ի, Facebook-ի և այլ հարթակների հետ:
Սա պետք է լուծի ևս մեկ խնդիր: Այսօր սոցիալական ցանցերից տվյալները կարելի է արտահանել և հետո բեռնել համակարգ: Ապագայում թիմը ցանկանում է, որպեսզի այդ գործընթացը տեղի ունենա ավտոմատ կերպով: Օրինակ, Instagram-ում կամ Telegram-ում հաճախորդի հետ նամակագրությունը կկարողանա դառնալ վաճառքների և բիզնեսի արդյունավետության ընդհանուր պատկերի մաս, իսկ տվյալները կթարմացվեն առանց ձեռքով արտահանման անհրաժեշտության:
Ամենաբարդ առաջադրանքը Հայաստանի համար՝ լեզուն
Բայց երբ խոսքը վերաբերում է հայաստանյան հաճախորդների հետ աշխատանքին, հայտնվում է խնդիր, որը դժվար է լուծել միայն ինտեգրմամբ: Հայաստանում շատ օգտատերեր գրում են հայերեն՝ լատինատառ տառերով: Ընդ որում, անում են դա սխալներով, կրճատումներով և հայերեն ու անգլերեն բառերի խառնուրդով: Մարդու համար նման նամակագրության իմաստը սովորաբար հասկանալի է: AI-համակարգի համար՝ նշանակալիորեն ավելի բարդ:
Այժմ DataLayer-ի առաջին հաճախորդներն աշխատում են հարթակի հետ անգլերեն լեզվով: Սակայն թիմը պլանավորում է ավելացնել հայերենը: Եվ այստեղ Ամիրը խոստովանում է, որ առաջադրանքն այնքան պարզ չէ, որքան ուղղակի «ևս մեկ լեզու ավելացնելը»: Եթե օգտատերը գրի հայերեն բառն անգլիական տառերով, համակարգին սկզբում անհրաժեշտ է ճանաչել, որ դա ընդհանրապես հայերեն լեզու է, հետո ճիշտ մեկնաբանել գրվածը և արդեն դրանից հետո օգտագործել ստացված տեղեկատվությունը վերլուծության մեջ:
Դրա համար, Ամիրի խոսքով, կպահանջվեն լրացուցիչ մասնագետներ և առանձին աշխատանք AI-մոդելի հետ: Թիմը դիտարկում է RAG-ի՝ Retrieval-Augmented Generation-ի օգտագործումը. մոտեցում, որը թույլ է տալիս լեզվական մոդելին դիմել արտաքին տվյալներին և օգտագործել դրանք պատասխանը ձևավորելիս: Բայց սա առաջադրանքի միայն մի մասն է:
DataLayer-ը ցանկանում է ստեղծել սեփական LLM-ը
Թիմի պլաններում է սեփական լոկալ LLM-ի ստեղծումը, և պատճառն այստեղ միայն տեխնիկական չէ: DataLayer-ի համար հատկապես կարևոր է անվտանգության հարցը:
Հարթակն աշխատում է կոմերցիոն տվյալների հետ՝ վաճառքների, հաճախորդների, հասույթի, պատվերների և գնորդների վարքագծի մասին տեղեկատվության: Սրանք զգայուն տվյալներ են, որոնք բիզնեսը միշտ չէ, որ պատրաստ է փոխանցել կողմնակի խոշոր լեզվական մոդելներին:
Ուստի թիմը ցանկանում է, որպեսզի AI-մոդելն աշխատի լոկալ: Այժմ DataLayer-ն արդեն օգտագործում է լոկալ LLM, սակայն այն դեռևս գոյություն ունի հավելվածի հիմնական մասից առանձին: Հետագայում թիմը ցանկանում է ավելի խորը ինտեգրել մոդելը պրոդուկտի մեջ և ուղղորդել (ուսուցանել) նրան աշխատել անհրաժեշտ լեզվական և բիզնես-սցենարների հետ:
Այդ թվում սա պետք է օգնի լուծել հայերեն լեզվի և լատինատառ գրված հայերեն տեքստի խնդիրը: Ամիրն ասում է, որ տեխնիկապես դա հնարավոր է, բայց իրականացման համար կպահանջվի թիմի ընդլայնում:
