امروزه شرکت‌ها و سازمان‌ها از هر ترفندی برای جمع‌آوری اطلاعات و داده و به کارگیری آن بهره می‌‌برند تا از این طریق و به واسطه ارائه خدمات بهتر به مشتریان‌شان برای خود ارزش‌آفرینی کنند. به‌عنوان مثال، شرکت‌های بیمه عمر می‌‌کوشند با همکاری بیمارستان‌ها و پزشکان یا شرکت‌های استخراج معدن با بررسی آزمایش‌های دوره‌ای بیماران و افراد سالخورده یا کارگران معادن، هرگونه علائم غیرعادی در وضعیت سلامت افراد یا خطرات احتمالی را رصد کرده و با ارائه هشدارهای سریع و پیشگیرانه جلوی ضررهای احتمالی برای خود و به خطر افتادن زندگی بیمه گذاران را بگیرند.

   چالش‌های داده‌های بزرگ در یک شرکت مدرن

امروزه شرکت‌ها با انبوهی از سیستم‌ها، منابع اطلاعاتی و فرمت‌های مختلف داده سر و کار دارند. در دنیای پررقابتی که ما در آن به سر می‌‌بریم هر گونه ارزش‌آفرینی نیازمند درک و فهم کامل داده و ربط دادن آن با فرآیندهای کاری ‌‌است. در این میان، ترکیب دیتای موجود با تکنیک‌های محاسباتی و فرآیندهای سازمانی می‌تواند به پیشرفت‌های بزرگی منتهی شود که البته به آسانی قابل تحقق نیستند و مدیران در برخورد با دیتای مورد نیاز خود با چالش‌های بسیاری روبه‌رو هستند که به پنج مورد از مهم‌ترین آنها در ادامه اشاره خواهد شد:

۱-  مدیریت سیستم‌ها و منابع اطلاعاتی متعدد سازمانی

تحقیقات نشان داده در تمام شرکت‌هایی که در فهرست ۵۰۰شرکت برتر فورچون قرار دارند به‌طور میانگین چندصد سیستم IT شرکتی وجود دارد. این سیستم‌ها شامل سیستم‌های منابع انسانی، حسابداری، پردازش سفارش‌ها، موجودی انبار، مدیریت روابط مشتریان، برنامه‌ریزی منابع شرکتی، سیستم مدیریت زنجیره تامین و ... می‌شوند و علاوه بر آنها در یک شرکت بین‌المللی بزرگ ممکن است بیش از ۲هزار اپلیکیشن خاص و جداگانه مورد استفاده قرار گیرند. و ناگفته پیداست که مدیریت و هماهنگ‌سازی این همه سیستم مستقل و متفاوت از‌‌ هم به همراه حجم عظیم دیتایی که هر کدام از آنها تولید می‌کنند کاری طاقت‌فرسا و پیچیده است که همین امر امروزه به یکی از چالش‌‌های اصلی فراروی مدیران و رهبران سازمان‌های متکی به داده و سیستم‌ها تبدیل شده است.

۲- تلفیق و زمینه‌سازی برای داده‌های پرتکرار

در حالی که مدیریت دیتاهای برآمده از سیستم‌های مختلف به خودی خود یک چالش بزرگ محسوب می‌شود شرایط هنگامی پیچیده‌تر می‌شود که ما با وضعیتی روبه‌رو می‌‌شویم که یکسری دیتاهای پرتکرار و کلیدی در سیستم‌های مورد استفاده‌مان وجود دارند که به تنهایی فاقد ارزش هستند اما در صورت تلفیق شدن با سایر داده‌ها و فراهم بودن زمینه برای اثربخشی آنها می‌توانند ارزش‌آفرینی کنند. به عنوان مثال، دیتای مربوط به دمای یک کمپرسور نصب شده در تاسیسات نفت و گاز به تنهایی چندان ارزشمند و مهم به حساب نمی‌‌آید اما همین داده درصورت ترکیب شدن با سایر داده‌های مربوط به تجهیزات نصب شده در این تاسیسات می‌تواند موجب شود تا مثلا امکان پیش‌بینی احتمال بروز خرابی در کمپرسورهای نصب شده در آنجا با کمک هوش مصنوعی افزایش یابد.

۳- کار کردن با انبوهی از داده‌ها

یکی از ویژگی‌های بارز و متفاوت کارکردن در عصر دیجیتالی امروز این است که شرکت‌ها و سازمان‌هایی که به دنبال پیشرفت و نوآوری‌های بزرگ هستند خود را با انبوهی از دیتاهای جمع‌آوری شده روبه‌رو می‌‌بینند که هم از منابع مختلفی جمع‌آوری شده‌اند و هم ظاهرا هیچ ارتباطی به هم ندارند و برای استفاده بهینه از آنها چاره‌ای غیر از طبقه‌بندی و پردازش هوشمندانه و نوآورانه آنها وجود ندارد و همین جاست که پای هوش مصنوعی و یادگیری ماشینی به میان کشیده می‌شود که قادر است با طبقه‌بندی و به‌‌هم‌‌ربط دادن منحصر به‌فرد دیتاهای به ظاهر بی‌‌ربط به هم، ارزش‌آفرینی کند و این همان کاری است که اگر قرار بود توسط انسان‌ها انجام شود به زمان، انرژی و هزینه بسیار زیادی نیاز داشت و در بسیاری موارد نیز ممکن بود غیرممکن و دور از ذهن باشد.

۴- اطمینان از تناسب داده با تصویر عمومی سازمان

اینکه دیتای جمع‌آوری شده از طریق سیستم‌های گوناگون موجود در یک سازمان با همدیگر تناسب و همگونی داشته باشند و یک ترکیب موفق و ارزش‌آفرین را پدید آورند یک چالش و مشکل است و اینکه انواع مختلف این داده‌ها تا چه حد با تصویر عمومی از سازمان تناسب و همگونی دارند چالش دیگری است که باید با آن به درستی برخورد کرد. در واقع در دنیای دیتازده امروز انبوهی از داده‌‌‌ها وارد سازمان‌ها می‌شوند که با وجود مفید بودن و کاربردهای فراوانی که می‌توانند برای سازمان داشته باشند در راستای تقویت تصویر عمومی سازمان و ارزش‌آفرینی برای آن نیستند چرا که عمدتا از منابع اطلاعاتی مختلفی سرچشمه می‌گیرند که چندان با ارزش‌های مورد قبول سازمان همگون نیستند.

 ۵-  نیاز به ابزارها و مهارت‌های جدید به واسطه شکل‌گیری نیازهای جدید

هنگامی که انواع جدیدی از داده وارد سیستم‌های مورد استفاده شرکت‌ها می‌شود مهارت‌های جدیدی نیز برای استفاده بهینه از آنها مورد نیاز خواهد بود. به عنوان مثال تا چندی پیش تحلیلگران در شرکت‌ها و سازمان‌ها عادت کرده بودند که از ابزارهایی مانند نرم‌افزار Tableau برای تصویرسازی داده‌های پرکاربرد در سازمان استفاده کنند که این ابزار آنها را قادر می‌ساخت تا گزارش‌هایی را به همراه نمودار و جدول تهیه و به مدیران مافوق خود ارائه کنند. امروزه اما با پیشرفت‌های صورت گرفته در زمینه یادگیری ماشینی می‌توان مدل‌هایی را برای پیش‌بینی عملکردهای کلیدی شرکت موسوم به KPIs تهیه کرد. بنابراین هم تحلیلگران شرکت‌ها و هم مدیران مافوق آنها باید دانش و مهارت‌های خود برای کار کردن با این مدل‌ها را ارتقا دهند و این همان نیاز به افزایش مهارت‌های جدید به واسطه ورود دیتای جدید و متنوعی است که هر روز بیشتر از دیروز به سوی ما سرازیر می‌شوند.