نویسنده: Gah-Yi Vahn مترجم: مریم رضایی منبع: London Business School داده‌های بزرگ پدیده‌ای ماندگار است. این پدیده یک هیجان زودگذر نیست، بلکه یک تحول تکنولوژیک اساسی برای چشم‌انداز کسب‌وکار است، درست مثل زمانی که پای کامپیوتر به دفاتر کاری باز شد. با توجه به وفور اطلاعاتی که برای هرگونه تصمیم‌گیری ارزان و دسترسی به آنها آسان است، داده‌های بزرگ در مرکز فعالیت‌های روزانه شرکت‌هایی مانند گوگل، فیس‌بوک و آمازون قرار گرفته است. استفاده از داده برای تصمیم‌گیری کار جدیدی نیست و زیر چتر تجزیه و تحلیل کسب‌وکار قرار می‌گیرد. فرقی که اکنون وجود دارد این است که امروزه به یمن روند کاهشی هزینه‌های جمع‌آوری، ذخیره‌سازی و پردازش داده، می‌توان حجم بیشتری از اطلاعات را در مورد هر عاملی که به تصمیم‌گیری مربوط می‌شود، جمع‌آوری کرد. به عنوان مثال، یک خرده‌فروشی اینترنتی امروز می‌تواند اطلاعات متنوعی مانند ویژگی‌های جمعیتی مشتری (جنسیت، مکان زندگی، سن)، تغییرات آب‌وهوایی و حتی موضوعاتی که در مورد محصولات در وبلاگ‌ها یا تصاویر ویدئویی وجود دارد، جمع‌آوری کند. وقتی در طول زمان دائما تعداد بیشتری از این اطلاعات مرتبط را ثبت می‌کنید، حجم پایگاه داده‌های شما به سرعت افزایش می‌یابد و تناوب آن حتی به چند ثانیه می‌رسد.

روش قدیمی تجزیه و تحلیل کسب‌وکار را می‌توان به چند دسته تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی تقسیم‌بندی کرد. روش توصیفی از داده‌های موجود استفاده می‌کند تا آنچه را رخ می‌دهد توصیف کند. روش پیش‌بینی‌کننده شامل استفاده از داده‌های گذشته برای پیش‌بینی آینده می‌شود و معمولا در همه جنبه‌های کسب‌وکار مورد استفاده قرار می‌گیرد. در مقابل، روش تجویزی داده‌های گذشته و مدلی را که قبلا استفاده شده به کار می‌گیرد تا توصیه‌های عملی ارائه دهد. در حالی که روش‌های توصیفی و پیش‌بینی‌کننده نیازمند حضور یک مدیر انسانی است تا نتیجه را تفسیر کند، تجزیه و تحلیل تجویزی امکان تصمیم‌گیری اتوماتیک را به وجود می‌آورد.

آینده قطعی نیست

البته در روش‌های قدیمی تجزیه و تحلیل کسب‌وکار همواره از داده استفاده شده است. به عنوان مثال، فرض کنید شما یک کتاب‌فروش بودید و نیاز داشتید برای انبار کتاب‌های خود اطلاعاتی از ناشران کتاب‌ها بگیرید. طبق تجزیه و تحلیل داده‌های کوچک، باید داده‌های قدیمی فروش را جمع‌آوری می‌کردید، روندهای موجود در آنها را بررسی می‌کردید (مثلا بیشترین فروش در دوران تعطیلات مربوط به چه کتابی بوده) و یک پیش‌بینی بر اساس سری زمانی در مورد تقاضای مشتریان در آینده انجام می‌دادید. اینها مثال‌های روش تجزیه‌های تحلیل توصیفی و پیش‌بینی‌کننده است. همچنین می‌توانید با محاسبه تعداد سفارش‌هایی که کل درآمد تخمینی آینده را بالا می‌برد، تحلیل تجویزی نیز انجام دهید.

از طرف دیگر، در دوران جدید تجزیه و تحلیل داده‌های بزرگ، نه تنها علاوه بر داده‌های قدیمی فروش، می‌توانید از داده‌های دیگر مرتبط با تقاضا استفاده کنید. تنها فرضیه تضعیف‌کننده برای انجام این کار این است که آینده به هیچ وجه قطعی نیست. در یک سیستم بسیار ساده مثل افتادن سیب از درخت، ثبت چند داده کلیدی (موقعیت فعلی و سرعت افتادن سیب) برای پیش‌بینی دقیق آینده کافی است. این پیش‌بینی امکان‌پذیر است چون سیستم به اندازه کافی ساده است و ما از قوانین فیزیک و ارتباط آن با آینده اطلاعات داریم.

اما وقتی می‌خواهیم تقاضا برای یک محصول یا میزان انتشار یک ویروس را پیش‌بینی کنیم، شرایط پیچیده‌تر می‌شود. با این حال، چون آینده همیشه تابعی از وضعیت حال است (مثلا مبتلا شدن به ویروس آنفلوآنزا وقتی در معرض عطسه فردی در اتوبوس هستید)، جمع‌آوری و ثبت اطلاعات به اندازه کافی، می‌تواند کمک کند مسائل آینده را بهتر حل کنید و این توجیه مناسبی برای جمع‌آوری داده‌های بزرگ است؛ انبوه اطلاعات مناسبی که به اشکال مختلف، به دقت و به صورت متناوب در دسترس قرار می‌گیرند.

اجازه مانور به داده‌ها

برای اینکه از داده‌های بزرگ ارزش به دست آورید، هنوز هم باید تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی انجام دهید. البته با توجه به حجم مجموعه داده‌های امروز، ابزارهای قدیمی تجزیه و تحلیل ممکن است دیگر کاربرد نداشته باشند. در این صورت، محاسبات کندتر شده و حافظه بیشتری مورد نیاز است. اگر به اندازه کافی مراقب نباشید، احتمالا بین ویژگی‌های متنوع و ناشناخته روابطی ساختگی پیدا می‌کنید و آینده را با اطمینان بیش از حد پیش‌بینی می‌کنید. به هر حال، تجزیه و تحلیل‌های توصیفی و پیش‌بینی‌کننده داده‌های بزرگ بیش از پیش در صنایع مختلف رواج پیدا کرده است. بیمارستان‌ها از سوابق پزشکی الکترونیکی برای شناسایی بیمارانی که ریسک پذیرش بالاتری دارند استفاده می‌کنند، خرده‌فروشی‌های بزرگی مانند والمارت با کندوکاو در مورد داده‌های خرید مشتریان بازاریابی هدفمند انجام می‌دهند و سرویس درآمد داخلی دولت آمریکا (IRS) از الگوریتم‌های پیچیده پیش‌بینی‌کننده استفاده می‌کند تا کلاهبرداری‌ها را شناسایی کند.

به‌کارگیری داده‌های بزرگ

چگونه باید داده‌های بزرگ را وارد عملیات روزانه سازمان خود کنید؟ اول و مهم‌تر از همه، باید ظرفیت تحلیلی فعلی سازمان خود را تشخیص دهید. اگر در حال حاضر سیستم جمع‌آوری و تحلیل چندان نظام‌مندی ندارید، در آن صورت حتی تحلیل داده‌های کوچک نیز می‌تواند ارزش زیادی ایجاد کند. عجیب است که این مساله مهمی برای بسیاری از سازمان‌های امروزی است. همهمه‌ای که این روزها در مورد داده‌های بزرگ وجود دارد، به ارزشی جهانی و عملی شدن تجزیه و تحلیل کسب‌وکار، فارغ از اندازه داده‌ها منجر خواهد شد. در این زمینه، داستان‌های موفقیت زیادی را از تجارت الکترونیک گرفته تا بهداشت و امور دولتی شاهد بوده‌ و خواهیم بود.