مفهوم داده‌هاي بزرگ براي کسب‌ و کار

شنبه 16 شهريور 1392
 مفهوم داده‌هاي بزرگ براي کسب‌ و کار

«داده‌هاي بزرگ» مفهومي است که در بازارهاي امروز رواج زيادي يافته است. مديران عامل و متخصصان IT شايد اين مفهوم را بيش از هر چيز ديگري در اينترنت و سايت‌هايي مانند موسسه «گارتنر» جست‌وجو مي‌کنند و همان‌طور که شرکت GLM اعلام کرده، پيچيده‌ترين اصطلاح سال ۲۰۱۲ بوده است. اما از آنجايي که اين مفهوم ممکن است براي بسياري از افراد گيج‌کننده باشد، براي بسياري ديگر پولساز است.

  • 0



به گزارش اپليکيشن ايراني، روزي مي‌رسد که همه داده‌ها به داده‌هاي بزرگ تبديل خواهند شد. جمع‌آوري، پردازش و تحليل حجم بالاي داده‌هاي ساختاربندي شده و بدون ساختار در مدت زمان کم، رويکردهاي منحصر به فردي را براي ما به وجود مي‌آورد و شايد امکان پيش‌بيني آينده نيز فراهم شود.

اما از آنجايي که هر اصطلاح تازه‌اي در بازار هيجان ايجاد مي‌کند، فروشندگان کسب‌وکار چشم‌انداز آينده را با راهکارهاي داده‌هاي بزرگ اشباع مي‌کنند و سرمايه‌گذاران به سوي آن هجوم مي‌آورند.
درست است که بسياري از سازمان‌ها منابع قابل توجهي را صرف پروژه‌هاي «داده‌هاي بزرگ» مي‌کنند، به طوري که طبق مطالعات موسسه گارتنر، ۴۲ درصد اين سازمان‌ها تا پايان سال ۲۰۱۲ از تکنولوژي‌هاي داده‌هاي بزرگ استفاده کرده‌اند، اما کمتر از ۱۵ درصد آن‌ها در حال حاضر استراتژي بنگاهي در اين حوزه دارند.
بنابراين، بايد بدانيم که وعده حقيقي داده‌هاي بزرگ چيست و مديران IT چگونه بايد استراتژي، اجراي آن و منابع را برنامه‌ريزي کنند تا اقدامات خود در اين زمينه را توسعه داده و فرصت‌هايي براي مزيت‌ رقابتي سازمانشان را بيابند.
اين مثال را در نظر بگيريد: يک شرکت مخابراتي قصد دارد ريسک از دست دادن مشتري را کاهش دهد و بنابراين جزييات ميليارد‌ها مکالمه ثبت‌شده را تحليل مي‌کند تا دريابد کدام مشتري‌ها بيشترين ارتباط تلفني را برقرار مي‌کنند.
پس از آن، اين شرکت امکانات ويژه‌اي را براي اين دسته از مشتريان در نظر مي‌گيرد تا آن‌ها را راضي نگه دارد، چون اگر آن‌ها از امکانات اين شرکت استفاده نکنند، ممکن است بسياري از دوستاني را که با آن‌ها ارتباط دارند، ‌با خود ببرند. اين نوع رويکردهاي پنهان نشان مي‌دهد داده‌هاي بزرگ چگونه دامنه اطلاعات مورد استفاده در تصميم‌گيري را توسعه مي‌دهند. بنگاه‌هاي اقتصادي اکنون مي‌توانند با تقويت منابع داده‌اي که قبلا دسترسي و تحليل آن‌ها به دليل حجم بالا، سرعت کم و ساختار آن‌ها مشکل بود، ارزش‌هاي جديدي براي سازمان خود ايجاد کنند. به عبارت ساده‌تر، داده‌هاي بزرگ طبق تعريف موسسه گارتنر عبارتند از: دارايي‌هاي اطلاعاتي پرحجم، پرسرعت و پرتنوع که پردازش اطلاعات نوآورانه و مقرون به صرفه را براي تصميم‌گيري بهتر مطالبه مي‌کند.

هنر نوآوري داده‌هاي بزرگ
در کسب‌وکار معمولا با اغراق حول گرايش‌هايي در جامعه، سياست، اقتصاد و تکنولوژي روبه‌رو هستيم. هميشه منتظر هستيم که فناوري بزرگ بعدي در کوچک‌ترين حجم ممکن ساخته شود و در ضمن بايد مراقب باشيم که انتظارات زيادي نداشته باشيم. اما در مورد داده‌هاي بزرگ اين موضوع برعکس است. اغراقي که در بطن داده‌هاي بزرگ وجود دارد، عظمت اثر آن را بر نحوه انجام کسب‌وکار ما مي‌پوشاند.
براي درک ارزش داده‌هاي بزرگ، مهم است بدانيم که اين مفهوم نه صرفا در مورد «بزرگ بودن» است و نه در مورد «داده». وقتي با مديران IT صحبت مي‌کنيم، يکي از مسايلي که عنوان مي‌کنند، همين اشتباه در درک اين مفهوم است.
در اين ترکيب مفهوم «بزرگ» به حجم بالا، سرعت زياد و تنوع زياد ماهيت دارايي‌هاي اطلاعاتي اشاره دارد. اما حجم و سرعت تنها يک جنبه از اين مفهوم است که در بيشتر موارد غلبه بر آن سخت نيست.
براي کنترل اين موضوع تکنولوژي‌هايي وجود دارد که ممکن است همه افراد با آن‌ها آشنايي نداشته باشند. در عوض، بيشترين ارزش و چالش ممکن اين است که از داده نوع جديد، بيشترين استفاده ممکن را ببريم.
داده‌هاي بزرگ در کسب‌وکارهاي فعلي، ترکيب معناداري از داده‌هاي مکاني گوشي‌هاي هوشمند، تصاوير ويدئويي، داده‌هاي فرآيند داخلي، اسناد متني و پيش‌بيني‌ آب‌وهوا هستند. البته اين‌ها تنها چند نمونه از انواع داده‌هاي بزرگ دسترس‌پذير در دنياي امروز محسوب مي‌شوند.
وقتي به مفهوم «داده» اشاره مي‌کنيم، مهم است بدانيم که تاکيد روي درک متفاوت ارزش اطلاعات است. براي داشتن چنين درکي، بايد از شيوه قديمي سلسله مراتبي «بالا به پايين» تغيير رويه داد.

«داده‌ها» چه زماني به موفقيت مي‌رسند؟
موسسه گارتنر، سال ۲۰۱۳ را سال آزمايش داده‌هاي بزرگ ناميده است – سالي که در آن همه شرکت‌ها به ارزش داده‌هاي بزرگ براي سازمان‌هاي خود پي مي‌برند. در اين مدت، صد‌ها موقعيت ارزشمند کسب‌وکار ظهور کرده است. واضح است که سازمان‌ها بزرگ‌ترين پتانسيل را در توسعه بينش و تعامل مشتري مي‌دانند. اما وقتي به راهي که سرمايه‌گذاري‌ها تاکنون رفته‌اند نگاه مي‌کنيم، متوجه مي‌شويم که توسعه فرآيند پيشتاز است.

مزيت عملياتي
 بهتر است کشف فرصت‌هاي داده‌هاي بزرگ را قبل از حرکت به سوي ارزش مشتري، براي توسعه فرآيند شروع کنيم. هميشه بهتر است قبل از اينکه تبليغات را شروع کنيد، نظم را در فروشگاه خود برقرار کنيد.
صنايع دارايي‌محور مانند مخابرات، توليد صنعتي، تاسيسات و حمل‌ونقل مي‌توانند يک موقعيت کسب‌وکار قوي به وجود آورند، به طوري که تجهيزات آن‌ها به سنسورهايي مجهز شود که امکان «پشتيباني دارايي پيشگويانه» را فراهم کنند. پشتيباني تجهيزات با اندازه‌گيري ميزان لرزش، صدا يا تغييرپذيري، کار شگفت‌آوري نخواهد بود. همچنين در اين صورت هزينه پشتيباني‌هاي برنامه‌ريزي نشده کاهش مي‌يابد. اين حوزه، تکنولوژي عملياتي يا OT ناميده مي‌شود.
رهبران اين حوزه، ديگر شرکت‌هاي IT نيستند، بلکه توليدکنندگان هستند. به عنوان مثال، شرکت‌هاي جنرال الکتريک و زيمنس را در نظر بگيريد. جنرال الکتريک به طور خاص، اقدام استراتژيک قابل توجهي انجام داده و به جاي تثبيت موقعيت ويژگي‌هاي يک موتور جديد، پيشنهاد ارزشي بر مبناي جريانات داده‌هاي سنسور-محور ايجاد کرده است.
ديگر موقعيت‌هاي کسب‌وکار مانند فروش و پيش‌بيني توليد هم از داده‌هاي بزرگ عمر تازه‌اي مي‌گيرند. اطلاعات بيشتر در مورد جمعيت‌شناسي مخاطب هدف، وضعيت آب‌وهوا و فعاليت رسانه‌هاي اجتماعي در مورد موضوعات خاص، کيفيت پيش‌بيني‌ها و نيز دوره تناوب آن‌ها را افزايش مي‌دهد. در اين شرايط، پيش‌بيني‌هاي ماهانه مي‌توانند روزانه و يا حتي لحظه‌اي شوند.

صميميت با مشتري
تاکنون گسترده‌ترين موقعيت کسب‌وکار که براي داده‌هاي بزرگ شناسايي شده، تحليل احساسات است. سازمان‌ها از طريق تحليل ساختاريافته داده‌هاي بدون ساختار مانند رسانه‌هاي اجتماعي، مي‌توانند اعتبار خود يا اعتبار محصولات و خدماتشان در بازار را تعيين کنند و راهنمايي‌هايي در مورد تغيير شرايط اين اعتبار به دست آورند. گاهي اوقات اين فرآيند به سرعت اتفاق مي‌افتد و واکنش فوري هم مورد نياز است. تبليغات و پيشنهادهاي هدفمند نيز مقوله عامه‌پسند ديگري است. تحليل احساسات به قدري دسترس‌پذير است و سرويس‌هاي زيادي آن را ارائه مي‌دهند که هر سازمان، بخش خصوصي يا تجاري به سختي مي‌تواند عدم استفاده از آن را توجيه کند.

مديريت ريسک
يکي از کاربردهاي رايج داده‌هاي بزرگ، مديريت و جلوگيري از کلاهبرداري است. به خصوص تحليل‌هاي گرافيکي مي‌تواند به کشف حلقه‌هاي کلاهبرداري کمک کند. با شناخت روابط موجود در داده‌ها، مي‌توان ويژگي‌هاي مشترک پنهان در آن‌ها را شناسايي کرد؛ به ويژه آنکه در برخي موارد، افراد متقلب مکان مشترکي دارند يا از يک گروه سني مشابه هستند يا شرکت‌هاي مجزايي هستند که مالکيت مشترک دارند. نتايجي که از اين روش به دست مي‌آيد، واقعي است و به تاثير اجتماعي مثبتي منجر مي‌شود. طبق گزارشي که روزنامه‌ها به تازگي منتشر کرده‌اند، در اروپا که مراقبت‌هاي بهداشتي معمولا خصوصي نيست، شرکت‌هاي مختلف بيمه‌اي از کلاهبرداري تعدادي از دندانپزشک‌ها و ديگر خدمات‌دهندگان درماني پرده برداشته‌اند. آن‌ها از نوعي کدهاي تشخيصي استفاده مي‌کردند که با شيوه‌هاي واقعي همخواني نداشته است.
بانک‌ها معمولا از داده‌هاي بزرگ براي افزايش رتبه اعتباري خود استفاده مي‌کنند و تحليل‌هاي گرافيکي را براي دربرگرفتن روابط اجتماعي به عنوان نشانه ريسک يا حتي اعتبارپذيري به کار مي‌گيرند. تکنولوژي مدرن در يک تغيير روند طعنه‌آميز، ارزش‌هاي قديمي در بانکداري جامعه‌اي را بازآفريني کرده تا اطلاعاتي را فراهم کند که مثلا يک خانواده خاص براي سرمايه‌گذاري مناسب است، حتي اگر اعضاي آن خانواده رفتاري در اين راستا از خود به نمايش نگذاشته باشند.

کسب‌وکار جديد
شايد هيجان‌انگيز‌ترين موقعيت‌هاي کسب‌وکار از يک نظم ارزشي جديد - يعني رفتار با اطلاعات به عنوان يک محصول - ظهور کنند. تاسيسات و بانک‌ها در حال حاضر داشبوردهاي شخصي‌شده را به مشتريان خود در مورد استفاده از محصولات مالي يا انرژي ارائه مي‌کنند. مثلا نظارت بر بيماران از راه دور، کسب‌وکار در حال رشدي براي صنايع خدمات بهداشتي و درماني يا شرکت‌هاي علمي است. کامپيوترهاي پوشيدني، مقوله‌اي را به نام «آناليزهاي شخصي» معرفي کرده‌اند که طي آن مصرف‌کنندگان مي‌توانند مثلا با در دست داشتن يک ساعت هوشمند، شاخص‌هاي سلامت مانند نبض، فشار خون يا ميزان مصرف کالري را اندازه بگيرد.پ
 

القاي صنعت
موفقيت از آن سازمان‌هايي است که از داده‌هاي بزرگ به شکل خلاقانه‌اي استقبال مي‌کنند. اما اين نکته هم مهم است که بدانيم انگيزه معمولا از صنايع ديگر به دست مي‌آيد. مثلا مي‌توان سناريوي داده‌هاي بزرگ را در صنايع حمل‌ونقل يا در يک خرده‌فروشي براي مديريت کار فروشگاه به کار گرفت. در اين مثال‌ها، يک شرکت راه‌آهن مي‌تواند از تصاوير دوربين‌هاي نصب شده در کابين‌هاي مسافران استفاده کند تا به مسافران ايستگاه‌هاي بعدي اطلاع دهد که کدام کابين‌ها صندلي خالي دارند.
خرده‌فروشي هم مي‌تواند از اين کار براي شمردن تعداد مشترياني که وارد سوپرمارکت مي‌شوند استفاده کند، اين آمار را با ميانگين تعداد دفعات خريد در يک روز تعطيل باراني تلفيق کند و از آن براي پيش‌بيني افتتاح يک صندوقداري جديد استفاده کند.
در ‌‌نهايت بايد گفت که داده‌هاي بزرگ فقط مربوط به مديريت حجم داده يا خود داده‌ها نيستند، بلکه به خلاقيت مربوط مي‌شوند. ترکيب پيشرفت‌هاي تکنولوژي با نبوع انسان، احتمالات بي‌پاياني را به وجود مي‌آورد.


منبع : ft.com
تا کنون نظری ثبت نشده است . شما میتوانید اولین نفر باشد .