موانع میان سازمان‌ها و مزایای داده‌های بزرگ

مترجم: محمدجعفر نظری بیشتر سازمان‌ها بر این باورند که داده‌های بزرگ می‌توانند مزیت رقابتی برای آنها به ارمغان بیاورند؛ اما حدودا ۶۰ درصد سازمان‌ها همچنین معتقدند که بهره‌گیری واقعی از داده‌های بزرگ یک چالش مهم است. طی حدودا سه سال گذشته، مفهوم داده‌های بزرگ رواج بسیاری یافته است. با اینکه برخی از اصحاب کسب‌وکار این مقوله را یک هوس و اعتیاد زودگذر می‌دانند، اما سازمان‌ها همچنان توجه روزافزونی به این مفاهیم پیدا می‌کنند. شرکت مشاوره‌ای PwC در پیمایش سالانه خود دریافت که ۶۲ درصد سازمان‌ها بر این باورند که داده‌های بزرگ می‌تواند برای آنها یک مزیت رقابتی به وجود آورد. اما باور داشتن به قدرت داده‌های بزرگ به تنهایی کافی نیست، بلکه به کارگماری داده‌های بزرگ برای دستیابی به آگاهی‌های عملیاتی و بهره‌برداری واقعی از این واقعیت است که در عمل می‌تواند سازمان را به مزیت رقابتی برساند. PwC همچنین دریافت که ۵۸ درصد سازمان‌ها توافق دارند که بهره برداری از داده‌های بزرگ چالش بزرگی است. آناند رائو، از مدیران ارشد شرکت PwC معتقد است «میزان اطلاعات و داده‌هایی که ما هم اکنون در حال گردآوری آن هستیم از جهت حجم واقعا بسیار زیاد و به گونه‌ای است که از چاردیواری سازمان بسیار فراتر می‌رود.» وی می‌افزاید: «سازمان‌ها افراد مناسب با این کار را در اختیار ندارند و همچنین فاقد ساختار مناسب برای این کار هستند و در استفاده از ابزارها و فنون دچار مشکل‌اند.» PwC ۱۱۰۸ سازمان را از ۱۲ کشور و از صنایع مختلف مورد پیمایش قرار داد. پاسخگویان به صورتی متوازن و بین مدیران بخش IT و مدیران کل سازمان تقسیم شده بودند و بیش از ۷۵ درصد آنها در سازمان‌هایی با درآمدها بیش از یک میلیارد دلار کار می‌کردند. PwC دریافت که سازمان‌ها با چهار مانع عمده در راه دستیابی به مزایای داده‌های بزرگ روبه‌رو هستند: ۱. غفلت از اهمیت مصورسازی۱ ۲. تاکید بر گردآوری داده‌ها و غفلت از تحلیل آنها ۳. وجود شکاف استعدادی و مشکل در مهارت‌های مورد نیاز ۴. عدم کارآیی سیستم‌های موجود در سازمان‌ها برای پردازش سریع اطلاعات سازمان‌ها اهمیت مصورسازی را نمی‌دانند مصورسازی در بهره‌گیری واقعی از مزایای داده‌های بزرگ نقش بنیادینی دارد؛ زیرا کمک می‌کند تا داده‌ها را در شرایط کاربردی قرار دهیم و مدل‌های کسب‌وکار را به صورتی واقعی در آوریم. در بسیاری از موارد قابلیت‌های مصورسازی پیشرفته به سازمان کمک می‌کند که آگاهی‌هایی به دست آورند و از داده‌های بزرگ تحلیل به عمل آورند که بدون آنها این امکان وجود ندارد. برای مثال، به خاطر کهنگی سوابق سازمانی و دقیق نبودن اطلاعات، اغلب سازمان‌های فراهم‌کننده خدمات زیرساخت‌عمومی نمی‌دانند که اشکال در کدام یک از تجهیزات و در چه مکانی است که منجر به قطعی سیستم می‌شود؛ امری که مصداق آن در قطع شدن اتصال برق یا خدمات ارتباطی عمومی دیگر به علت قطعی‌های تصادفی سیم‌ها و اتصالات یا ایجاد قطعی در خطوط زیر دریا رخ می‌دهد. برای دوری از این مشکلات، شهرداری لاس‌وگاس از مزیت داده‌های هوشمند برای توسعه یک مدل زنده در مدیریت شبکه خدمات عمومی خود استفاده کرد. شرکت مشاوره‌ای VTN به این شهرداری کمک کرد که داده‌های انباشته شده از منابع مختلف را به صورت یک مدل سه بعدی بهنگام و پویا درآورد که به‌وسیله فناوری Autodesk، تجهیزات زیر زمینی و رو زمینی را تحت پوشش قرار می‌داد و برای مصور سازی مکان‌ها و عملکرد دارایی‌های حیاتی که در زیر این شهر استمرار یافته بودند مورد استفاده قرار می‌گرفت. در این پیمایش جهانی تنها ۲۶ درصد پاسخگویان بیان کرده‌اند که از مصورسازی داده‌ها استفاده می‌کنند؛ اما این تصویر وقتی روی سازمان‌هایی با عملکرد عالی تمرکز می‌کنید بسیار متفاوت است؛ یعنی پاسخگویانی که رشد درآمدی بیش از ۵ درصد را گزارش کرده‌اند و شرکت‌های آنها در ربع بالای جدول از نظر درآمد، سودآوری و نوآوری قرار گرفته‌اند، از جهت برنامه‌ریزی برای سرمایه‌گذاری بیشتر بر مصورسازی در سال ۲۰۱۳ پیشرو بوده‌اند. طبق گفته رائو، «مصورسازی که اغلب افراد به آن گرایش دارند داشتن داشبوردهایی از اطلاعات است که بتوانید روی آنها کوچک نمایی یا بزرگنمایی کنید؛ به طوری که کاربر کسب‌وکار بتواند به راحتی آن را بفهمد و با آن کار کند.» وی می‌افزاید: «این بیشتر یک تحلیل انتزاعی است و اساسا ماهیتی گذشته‌نگر دارد. اغلب سازمان‌ها در حال دستیابی به این موضوع هستند؛ اما هم‌اکنون که ما آنچه رخ داده یا نداده را بر اساس اقداماتی که انجام داده‌ایم می‌فهمیم و می‌خواهیم به آینده بنگریم، نیازمند سرمایه‌گذاری پویاتری است.» سرمایه‌گذاری بیشتر بر گردآوری و غفلت از تحلیل آنها سازمان‌هایی که طبق گفته رائو و هالتر سرمایه‌گذاری عظیمی بر گردآوری داده‌ها می‌کنند و برای یکپارچه‌سازی و تحلیل آنها سرمایه‌گذاری کمتری انجام می‌دهند در بهره‌گیری از داده‌های بزرگ دچار مشکل هستند. ۳۲ درصد از سازمان‌ها بیش از یک میلیون دلار صرف گرد آوری ذخیره‌سازی و بازاریابی داده‌های درونی کرده‌اند؛ اما تنها ۲۶ درصد آنها بیش از یک میلیون دلار در تحلیل داده‌های درونی خرج کرده‌اند. پاسخگویانی که جزو مدیران سازمان‌های خدمات مالی، بیمه یا صنایع مربوط به سلامت و پزشکی بودند در سرمایه‌گذاری بر روی یکپارچه‌سازی داده‌ها عملکرد بهتری داشتند. یک سوم سازمان‌های دارای عملکرد عالی هم بیش از یک میلیون دلار در یکپارچه‌سازی داده‌های بیرونی خرج کرده‌اند. درواقع، می‌توان گفت اکثر سازمان‌ها در حال احتکار داده‌ها هستند بدون اینکه آن را تحلیل کنند؛ زیرا مدیران بخش فناوری اطلاعات و مدیران ارشد در این سازمان‌ها همچنان در دام روش‌های سنتی استفاده از داده‌ها هستند. طبق گفته هالتر (از مدیران ارشد PwC) مدل سنتی مربوط به چگونگی همکاری بخش فناوری اطلاعات و بخش‌های دیگر سازمان دیگر در این میدان جایی ندارد. سازمان‌ها در تعامل با بخش فناوری اطلاعات خود همواره دچار مشکل هستند، در گذشته اوضاع به این گونه بود که سازمان نیازمندی‌ها را ایجاد می‌کرد و بخش فناوری اطلاعات آن را اجرا می‌کرد. در عصر کنونی که عصر کاوش در داده‌ها است، این روش دیگر کارآمد نیست. در این عصر، بخش فناوری اطلاعات می‌گوید: ما داده‌ها را گردآوری و مدیریت می‌کنیم، شما شیوه کار با آن را خودتان بیابید. اما تحلیل پیچیده‌ای که برای درک خلق معنا و بهره‌برداری از داده‌های بزرگ مورد نیاز است معمولا فراتر از کاربران سازمانی است. هالتر می‌گوید: این چیزها پیچیده هستند و کاربران معمولی سازمان چیزی درباره آنها درک نمی کنند. من فکر می‌کنم آنچه ما دنبال آن هستیم یک رویکرد جدید سازمانی است که به معنای جست وجوی استعدادهای تازه و شیوه‌های جدید کند و کاو در داده‌ها است. رویارویی با شکاف استعدادی این امر منجر به سومین مانع بر سر راه داده‌های بزرگ می‌شود، یعنی شکاف استعدادی. همان طور که رائو و هالتر فکر می‌کنند، این یک راز نیست که سازمان‌ها معمولا استعدادها و مهارت‌های لازم را برای تفسیر داده‌های بزرگ ندارند. تنها ۴۴ درصد از پاسخگویان پیمایش PwC گفته‌اند که استعدادهای کافی برای انجام تحلیل‌های عمیق داده‌ها را درون مرزهای سازمان خود دارند. هر چند که سازمان‌های دارای عملکرد عالی در بهره‌گیری از استعدادهای ممتاز نیز عملکرد بهتری داشته‌اند.رائو و هالتر می‌گویند: «سازمان‌ها اغلب از استعدادها و شایستگی‌های موجود در سازمان خود غفلت می‌کنند. افرادی که در تحلیل بازاریابی در حال فعالیت هستند، گروه‌های آمارگیری، تیم توسعه محصول و قیمت گذاری نیروهایی هستند که می‌توانند به عنوان نقطه آغاز بسیار خوبی برای توسعه استعدادها عمل کنند و بهره‌گیری از آنها می‌تواند در تبدیل داده‌ها به آگاهی‌های قابل استفاده نقش مهمی ایفا کند. سازمان‌هایی که زودتر موفق شده‌اند آنهایی هستند که مدل‌های سازمان جدید را توسعه داده‌اند. آنها مراکزی را برای سرآمدی و تعالی سازمانی ایجاد کرده‌اند که کارکنان فناوری اطلاعات با کارکنان دیگر سازمان در چارچوب این مرکز گرد هم می‌آیند. هالتر می‌گوید: من با مشتریانی کارکرده‌ام که ساختارهای کاملا جدیدی را از جهت سازمان‌دهی فناوری اطلاعات خلق کرده‌اند؛ اما سازمان‌ها باید در این زمینه بسیار چابک‌تر باشند. رائو اضافه می‌کند که «کارکنان باید در خصوص علم تحلیل داده‌ها، مصورسازی و سایر حوزه‌های مرتبط با داده‌های بزرگ دانش و فهم بیشتری کسب کنند. شما به افرادی در سازمان نیاز دارید که سازمان را به خوبی بشناسند و بتوانند مشکلات سازمان را به راهکار تبدیل کنند. آنها باید در خصوص علم تحلیل داده‌ها دانش کافی داشته باشند تا بتوانند بفهمند که این نوع از مشکلات نیازمند چه نوع راهکار یا تکنیک تحلیلی است. اگر نتوانید یک فرد خاص را برای این کار پیدا کنید، رویکرد تیمی نیز می‌تواند کارآمد باشد. عدم کارآیی سیستم‌ها برای پردازش سریع اطلاعات چهارمین مانع بر سر راه داده‌های بزرگ، ناکارآمدی سیستم‌های کنونی سازمان است. رائو و هالتر تاکید می‌کنند که داده‌های بزرگ نیازمند افزایش قدرت پردازش و رایانش است تا گردآوری، ذخیره‌سازی و تحلیل حجم عظیمی از داده‌ها. اما بسیاری از سازمان‌ها به قابلیت خود برای انجام این کار با سیستم‌های کنونی خودشان شک دارند. ۴۱ درصد از پاسخگویان پیمایش جهانی PwC در قاره آمریکا، ۳۳درصد از پاسخگویان در اروپا و ۹درصد از پاسخگویان در آسیای جنوب شرقی گفته اند که سیستم‌های آنها نمی‌تواند حجم عظیمی از داده‌ها را که از منابع مختلف می‌آیند به خوبی پردازش کنند. حتی سازمان‌هایی که عملکرد بسیار خوبی داشته‌اند هم در این زمینه دچار مشکل هستند. اما به باور رائو و هالتر، سازمان‌ها عمدتا به این علت با این مشکل روبه‌رو هستند که نگاهشان به تمام داده‌های در دسترس است و نه تمرکز بر یک مشکل خاص. یعنی آنها هدف خود را از تحلیل داده‌ها به درستی مشخص نکرده اند. در واقع، وقتی سازمان‌ها پیش از اقدام به بهره‌گیری از داده‌ها فرضیه یا مشکلی را در ذهن نداشته باشند که در جست و جوی حل آن باشند، این مشکل رخ می‌دهد. چیزی که اتفاق می‌افتد آن است که آنها با همه این اطلاعات حجیم مواجه‌اند، اما نمی دانند که با آنها چه کنند. اگر شما برای حل یک مشکل خاص به داده‌ها نزدیک شوید مانند آنکه بگویید من می‌خواهم یک بازار فروش را در یک تکه خاص از بازار برای سازمان و شرکت خود توسعه دهم. در این صورت شیوه استفاده از داده‌ها روشن‌تر می‌شود. اغلب سازمان‌ها در مواجهه با حجم عظیم داده‌ها دچار سردرگمی و دستپاچگی شده‌اند؛ در حالی که با تمرکز بر مسائل خاص و جهت دهی تحلیل‌های خود می‌توانند بهره‌گیری خوبی از داده‌ها به عمل آورند. این کار به باور رائو بهترین و سریع‌ترین راه برای اخذ بازگشت سرمایه‌گذاری (ROI) در زمینه داده‌های بزرگ است: «بهترین راه برای بهره برداری از سرمایه‌گذاری خود بر داده‌های بزرگ تمرکز بر مشکلات کلیدی است. که با استفاده از داده‌های بزرگ می‌خواهیم آن را حل کنیم.» به باور وی، سازمان‌ها باید گروهی از افراد را بر تعیین این مشکلات کلیدی متمرکز کنند. هالتر اضافه می‌کند که «یکی از ویژگی‌های مشترک موفق ترین سازمان‌ها در بهره‌برداری از داده‌های بزرگ این است که همه آنها یک مدیر ارشد اجرایی دارند که ظرفیت داده‌های بزرگ را زود فهمیده و آن را وارد سازمان کرده است. من فکر می‌کنم که داده‌های بزرگ در حال تبدیل شدن به یک امر فراگیر و فزاینده هستند؛ اما تنها داده‌های بزرگ نیست که مزیت را به ارمغان می‌آورد؛ بلکه چگونگی استفاده از داده‌های کوچک و بزرگ برای رقابت با رقبا است که تعیین کننده موفقیت است و کلیدی ترین نکته در این موضوع تغییر فرهنگ سازمان و حرکت به سمت یک فرهنگ تحلیلی بر مبنای مهارت‌های تحلیل و تعامل در جهت تحلیل هدفمند داده‌ها خواهد بود.» پاورقی: ۱- visualization