«داده‌های بزرگ» مفهومی است که در بازارهای امروز رواج زیادی یافته است. مدیران عامل و متخصصان IT شاید این مفهوم را بیش از هر چیز دیگری در اینترنت و سایت‌هایی مانند موسسه «گارتنر» جست‌وجو می‌کنند و همان‌طور که شرکت GLM اعلام کرده، پیچیده‌ترین اصطلاح سال ۲۰۱۲ بوده است. اما از آنجایی که این مفهوم ممکن است برای بسیاری از افراد گیج‌کننده باشد، برای بسیاری دیگر پولساز است.
روزی می‌رسد که همه داده‌ها به داده‌های بزرگ تبدیل خواهند شد. جمع‌آوری، پردازش و تحلیل حجم بالای داده‌های ساختاربندی شده و بدون ساختار در مدت زمان کم، رویکردهای منحصر به فردی را برای ما به وجود می‌آورد و شاید امکان پیش‌بینی آینده نیز فراهم شود.
داده‌های بزرگ دارایی‌های اطلاعاتی پرحجم، پرسرعت و پرتنوع است که پردازش اطلاعات نوآورانه و مقرون به صرفه را برای تصمیم‌گیری بهتر مطالبه می‌کند.
اما از آنجایی که هر اصطلاح تازه‌ای در بازار هیجان ایجاد می‌کند، فروشندگان کسب‌وکار چشم‌انداز آینده را با راهکارهای داده‌های بزرگ اشباع می‌کنند و سرمایه‌گذاران به سوی آن هجوم می‌آورند.
درست است که بسیاری از سازمان‌ها منابع قابل توجهی را صرف پروژه‌های «داده‌های بزرگ» می‌کنند، به طوری که طبق مطالعات موسسه گارتنر، ۴۲ درصد این سازمان‌ها تا پایان سال ۲۰۱۲ از تکنولوژی‌های داده‌های بزرگ استفاده کرده‌اند، اما کمتر از ۱۵ درصد آن‌ها در حال حاضر استراتژی بنگاهی در این حوزه دارند.
بنابراین، باید بدانیم که وعده حقیقی داده‌های بزرگ چیست و مدیران IT چگونه باید استراتژی، اجرای آن و منابع را برنامه‌ریزی کنند تا اقدامات خود در این زمینه را توسعه داده و فرصت‌هایی برای مزیت رقابتی سازمانشان را بیابند.
این مثال را در نظر بگیرید: یک شرکت مخابراتی قصد دارد ریسک از دست دادن مشتری را کاهش دهد و بنابراین جزییات میلیارد‌ها مکالمه ثبت‌شده را تحلیل می‌کند تا دریابد کدام مشتری‌ها بیشترین ارتباط تلفنی را برقرار می‌کنند.
پس از آن، این شرکت امکانات ویژه‌ای را برای این دسته از مشتریان در نظر می‌گیرد تا آن‌ها را راضی نگه دارد، چون اگر آن‌ها از امکانات این شرکت استفاده نکنند، ممکن است بسیاری از دوستانی را که با آن‌ها ارتباط دارند، با خود ببرند. این نوع رویکردهای پنهان نشان می‌دهد داده‌های بزرگ چگونه دامنه اطلاعات مورد استفاده در تصمیم‌گیری را توسعه می‌دهند. بنگاه‌های اقتصادی اکنون می‌توانند با تقویت منابع داده‌ای که قبلا دسترسی و تحلیل آن‌ها به دلیل حجم بالا، سرعت کم و ساختار آن‌ها مشکل بود، ارزش‌های جدیدی برای سازمان خود ایجاد کنند. به عبارت ساده‌تر، داده‌های بزرگ طبق تعریف موسسه گارتنر عبارتند از: دارایی‌های اطلاعاتی پرحجم، پرسرعت و پرتنوع که پردازش اطلاعات نوآورانه و مقرون به صرفه را برای تصمیم‌گیری بهتر مطالبه می‌کند.
هنر نوآوری داده‌های بزرگ
در کسب‌وکار معمولا با اغراق حول گرایش‌هایی در جامعه، سیاست، اقتصاد و تکنولوژی روبه‌رو هستیم. همیشه منتظر هستیم که فناوری بزرگ بعدی در کوچک‌ترین حجم ممکن ساخته شود و در ضمن باید مراقب باشیم که انتظارات زیادی نداشته باشیم. اما در مورد داده‌های بزرگ این موضوع برعکس است. اغراقی که در بطن داده‌های بزرگ وجود دارد، عظمت اثر آن را بر نحوه انجام کسب‌وکار ما می‌پوشاند.
برای درک ارزش داده‌های بزرگ، مهم است بدانیم که این مفهوم نه صرفا در مورد «بزرگ بودن» است و نه در مورد «داده». وقتی با مدیران IT صحبت می‌کنیم، یکی از مسایلی که عنوان می‌کنند، همین اشتباه در درک این مفهوم است.
در این ترکیب مفهوم «بزرگ» به حجم بالا، سرعت زیاد و تنوع زیاد ماهیت دارایی‌های اطلاعاتی اشاره دارد. اما حجم و سرعت تنها یک جنبه از این مفهوم است که در بیشتر موارد غلبه بر آن سخت نیست.
برای کنترل این موضوع تکنولوژی‌هایی وجود دارد که ممکن است همه افراد با آن‌ها آشنایی نداشته باشند. در عوض، بیشترین ارزش و چالش ممکن این است که از داده نوع جدید، بیشترین استفاده ممکن را ببریم.
داده‌های بزرگ در کسب‌وکارهای فعلی، ترکیب معناداری از داده‌های مکانی گوشی‌های هوشمند، تصاویر ویدئویی، داده‌های فرآیند داخلی، اسناد متنی و پیش‌بینی آب‌وهوا هستند. البته این‌ها تنها چند نمونه از انواع داده‌های بزرگ دسترس‌پذیر در دنیای امروز محسوب می‌شوند.
وقتی به مفهوم «داده» اشاره می‌کنیم، مهم است بدانیم که تاکید روی درک متفاوت ارزش اطلاعات است. برای داشتن چنین درکی، باید از شیوه قدیمی سلسله مراتبی «بالا به پایین» تغییر رویه داد.
«داده‌ها» چه زمانی به موفقیت می‌رسند؟
موسسه گارتنر، سال ۲۰۱۳ را سال آزمایش داده‌های بزرگ نامیده است – سالی که در آن همه شرکت‌ها به ارزش داده‌های بزرگ برای سازمان‌های خود پی می‌برند. در این مدت، صد‌ها موقعیت ارزشمند کسب‌وکار ظهور کرده است. واضح است که سازمان‌ها بزرگ‌ترین پتانسیل را در توسعه بینش و تعامل مشتری می‌دانند. اما وقتی به راهی که سرمایه‌گذاری‌ها تاکنون رفته‌اند نگاه می‌کنیم، متوجه می‌شویم که توسعه فرآیند پیشتاز است.
داده‌های بزرگ فقط مربوط به مدیریت حجم داده یا خود داده‌ها نیستند، بلکه به خلاقیت مربوط می‌شوند. ترکیب پیشرفت‌های تکنولوژی با نبوع انسان، احتمالات بی‌پایانی را به وجود می‌آورد.
مزیت عملیاتی
بهتر است کشف فرصت‌های داده‌های بزرگ را قبل از حرکت به سوی ارزش مشتری، برای توسعه فرآیند شروع کنیم. همیشه بهتر است قبل از اینکه تبلیغات را شروع کنید، نظم را در فروشگاه خود برقرار کنید.
صنایع دارایی‌محور مانند مخابرات، تولید صنعتی، تاسیسات و حمل‌ونقل می‌توانند یک موقعیت کسب‌وکار قوی به وجود آورند، به طوری که تجهیزات آن‌ها به سنسورهایی مجهز شود که امکان «پشتیبانی دارایی پیشگویانه» را فراهم کنند. پشتیبانی تجهیزات با اندازه‌گیری میزان لرزش، صدا یا تغییرپذیری، کار شگفت‌آوری نخواهد بود. همچنین در این صورت هزینه پشتیبانی‌های برنامه‌ریزی نشده کاهش می‌یابد. این حوزه، تکنولوژی عملیاتی یا OT نامیده می‌شود.
رهبران این حوزه، دیگر شرکت‌های IT نیستند، بلکه تولیدکنندگان هستند. به عنوان مثال، شرکت‌های جنرال الکتریک و زیمنس را در نظر بگیرید. جنرال الکتریک به طور خاص، اقدام استراتژیک قابل توجهی انجام داده و به جای تثبیت موقعیت ویژگی‌های یک موتور جدید، پیشنهاد ارزشی بر مبنای جریانات داده‌های سنسور-محور ایجاد کرده است.
دیگر موقعیت‌های کسب‌وکار مانند فروش و پیش‌بینی تولید هم از داده‌های بزرگ عمر تازه‌ای می‌گیرند. اطلاعات بیشتر در مورد جمعیت‌شناسی مخاطب هدف، وضعیت آب‌وهوا و فعالیت رسانه‌های اجتماعی در مورد موضوعات خاص، کیفیت پیش‌بینی‌ها و نیز دوره تناوب آن‌ها را افزایش می‌دهد. در این شرایط، پیش‌بینی‌های ماهانه می‌توانند روزانه و یا حتی لحظه‌ای شوند.
صمیمیت با مشتری
تاکنون گسترده‌ترین موقعیت کسب‌وکار که برای داده‌های بزرگ شناسایی شده، تحلیل احساسات است. سازمان‌ها از طریق تحلیل ساختاریافته داده‌های بدون ساختار مانند رسانه‌های اجتماعی، می‌توانند اعتبار خود یا اعتبار محصولات و خدماتشان در بازار را تعیین کنند و راهنمایی‌هایی در مورد تغییر شرایط این اعتبار به دست آورند. گاهی اوقات این فرآیند به سرعت اتفاق می‌افتد و واکنش فوری هم مورد نیاز است. تبلیغات و پیشنهادهای هدفمند نیز مقوله عامه‌پسند دیگری است. تحلیل احساسات به قدری دسترس‌پذیر است و سرویس‌های زیادی آن را ارائه می‌دهند که هر سازمان، بخش خصوصی یا تجاری به سختی می‌تواند عدم استفاده از آن را توجیه کند.
مدیریت ریسک
یکی از کاربردهای رایج داده‌های بزرگ، مدیریت و جلوگیری از کلاهبرداری است. به خصوص تحلیل‌های گرافیکی می‌تواند به کشف حلقه‌های کلاهبرداری کمک کند. با شناخت روابط موجود در داده‌ها، می‌توان ویژگی‌های مشترک پنهان در آن‌ها را شناسایی کرد؛ به ویژه آنکه در برخی موارد، افراد متقلب مکان مشترکی دارند یا از یک گروه سنی مشابه هستند یا شرکت‌های مجزایی هستند که مالکیت مشترک دارند. نتایجی که از این روش به دست می‌آید، واقعی است و به تاثیر اجتماعی مثبتی منجر می‌شود. طبق گزارشی که روزنامه‌ها به تازگی منتشر کرده‌اند، در اروپا که مراقبت‌های بهداشتی معمولا خصوصی نیست، شرکت‌های مختلف بیمه‌ای از کلاهبرداری تعدادی از دندانپزشک‌ها و دیگر خدمات‌دهندگان درمانی پرده برداشته‌اند. آن‌ها از نوعی کدهای تشخیصی استفاده می‌کردند که با شیوه‌های واقعی همخوانی نداشته است.
بانک‌ها معمولا از داده‌های بزرگ برای افزایش رتبه اعتباری خود استفاده می‌کنند و تحلیل‌های گرافیکی را برای دربرگرفتن روابط اجتماعی به عنوان نشانه ریسک یا حتی اعتبارپذیری به کار می‌گیرند. تکنولوژی مدرن در یک تغییر روند طعنه‌آمیز، ارزش‌های قدیمی در بانکداری جامعه‌ای را بازآفرینی کرده تا اطلاعاتی را فراهم کند که مثلا یک خانواده خاص برای سرمایه‌گذاری مناسب است، حتی اگر اعضای آن خانواده رفتاری در این راستا از خود به نمایش نگذاشته باشند.
کسب‌وکار جدید
شاید هیجان‌انگیز‌ترین موقعیت‌های کسب‌وکار از یک نظم ارزشی جدید – یعنی رفتار با اطلاعات به عنوان یک محصول – ظهور کنند. تاسیسات و بانک‌ها در حال حاضر داشبوردهای شخصی‌شده را به مشتریان خود در مورد استفاده از محصولات مالی یا انرژی ارائه می‌کنند. مثلا نظارت بر بیماران از راه دور، کسب‌وکار در حال رشدی برای صنایع خدمات بهداشتی و درمانی یا شرکت‌های علمی است. کامپیوترهای پوشیدنی، مقوله‌ای را به نام «آنالیزهای شخصی» معرفی کرده‌اند که طی آن مصرف‌کنندگان می‌توانند مثلا با در دست داشتن یک ساعت هوشمند، شاخص‌های سلامت مانند نبض، فشار خون یا میزان مصرف کالری را اندازه بگیرد.
القای صنعت
موفقیت از آن سازمان‌هایی است که از داده‌های بزرگ به شکل خلاقانه‌ای استقبال می‌کنند. اما این نکته هم مهم است که بدانیم انگیزه معمولا از صنایع دیگر به دست می‌آید. مثلا می‌توان سناریوی داده‌های بزرگ را در صنایع حمل‌ونقل یا در یک خرده‌فروشی برای مدیریت کار فروشگاه به کار گرفت. در این مثال‌ها، یک شرکت راه‌آهن می‌تواند از تصاویر دوربین‌های نصب شده در کابین‌های مسافران استفاده کند تا به مسافران ایستگاه‌های بعدی اطلاع دهد که کدام کابین‌ها صندلی خالی دارند.
خرده‌فروشی هم می‌تواند از این کار برای شمردن تعداد مشتریانی که وارد سوپرمارکت می‌شوند استفاده کند، این آمار را با میانگین تعداد دفعات خرید در یک روز تعطیل بارانی تلفیق کند و از آن برای پیش‌بینی افتتاح یک صندوقداری جدید استفاده کند.
در نهایت باید گفت که داده‌های بزرگ فقط مربوط به مدیریت حجم داده یا خود داده‌ها نیستند، بلکه به خلاقیت مربوط می‌شوند. ترکیب پیشرفت‌های تکنولوژی با نبوع انسان، احتمالات بی‌پایانی را به وجود می‌آورد.
منبع:
ft.com