عملیترین کاربردهای کلان دادههادر سال ۲۰۱۶
مترجم: امیر شاملویی
کلان دادهها بسیار شگفتانگیز هستند. دانشمندان علم اطلاعات اکنون در بازار کار یکهتازی میکنند. برخی از روزها، به نظر میرسد که گویی ما درست در حاشیه یک داستان علمی تخیلی از آرمانشهری در آینده زندگی میکنیم. با این وجود، صرف نظر از تمامی این موارد، برای کسب و کار اجرای چیزی همانند یک استراتژی کلان داده و استفاده از آن باید کاربردی باشد. در کتاب «کاربرد کلان دادهها» ۴۵ کاربرد عملی مختلف که شرکتها با موفقیت از تحلیلهای مربوط به آن استفاده کردهاند تا نتایجی خارقالعاده کسب کنند، ذکر شده است.
مترجم: امیر شاملویی
کلان دادهها بسیار شگفتانگیز هستند. دانشمندان علم اطلاعات اکنون در بازار کار یکهتازی میکنند. برخی از روزها، به نظر میرسد که گویی ما درست در حاشیه یک داستان علمی تخیلی از آرمانشهری در آینده زندگی میکنیم. با این وجود، صرف نظر از تمامی این موارد، برای کسب و کار اجرای چیزی همانند یک استراتژی کلان داده و استفاده از آن باید کاربردی باشد. در کتاب «کاربرد کلان دادهها» ۴۵ کاربرد عملی مختلف که شرکتها با موفقیت از تحلیلهای مربوط به آن استفاده کردهاند تا نتایجی خارقالعاده کسب کنند، ذکر شده است. در اینجا به برخی از این موارد میپردازیم.
چگونه کلان دادهها برای عملکردهای سوپرمارکتها مورد استفاده قرار میگیرند؟
والمارت را میتوان بزرگترین خردهفروش در جهان و بزرگترین شرکت جهان از نظر درآمد دانست که بیش از ۲ میلیون نفر کارمند و ۲۰ هزار مغازه در ۲۸ کشور جهان دارد. با عملیاتی در این مقیاس، جای شگفتی نیست که آنان مدتهای طولانی است که ارزش تحلیل اطلاعات را درک کرده باشند. در سال ۲۰۰۴، وقتی توفان سندی به ایالاتمتحده آمریکا خساراتی وارد کرد، آنان دریافتند که آگاهی و بینشهای غیرمنتظره میتواند زمانی که اطلاعات بهطور کلی مورد مطالعه قرار گیرند، بیش از مطالعه مجموعه افراد به تنهایی مثمرثمر باشد. در تلاش برای پیشبینی تقاضا برای میزان عرضه اضطراری در هنگام مواجه شدن با توفان سندی، رئیس بخش اطلاعات، لیندا دیلمن، آمار شگفتانگیزی ارائه کرد. علاوه بر چراغقوهها و تجهیزات اضطراری، هوای بد مورد انتظار منجر به افزایش فروش تارتهای توت فرنگی در چند منطقه شده بود. مقدار بیشتر از این اجناس در توفان سندی سال ۲۰۱۲ به فروشگاهها ارسال شدو تقریبا تمام آن به فروش رفت.
تحلیل زمانی اطلاعات واقعی بهعنوان کلیدی برای پیشتازی در عملکرد کسب و کارها شناخته شده است، درست همان طور که تحلیلگر ارشد آمار والمارت در مورد سیستم اطلاعاتی خود میگوید: «اگر شما برآوردهایی در تحلیل فروش خود برای یک هفته یا یک ماه بهدست نیاورده باشید، فروش آن زمان را از دست دادهاید. هدف ما این است که همیشه اطلاعات را برای شرکای تجاری خود تا حد امکان سریع به دست بیاوریم، بنابراین آنها میتوانند اقداماتی صورت دهند و زمان واکنش خود را کمتر کنند. این تجزیه و تحلیل فعال و واکنشپذیر است.»«پدامیل» مثالی از یک تلاش تیمی خواربارفروشی برای درک این است که چرا فروش یک محصول خاص بهطور غیرمنتظرهای کاهش مییابد. وقتی اطلاعات آنها در دست تحلیلگران مربوطه قرار گرفت، بسیار سریع دریافتند که این کاهش مستقیما به دلیل خطا در قیمتگذاری بوده است. این خطا فورا اصلاح شد و فروش در طول چند روز به وضع سابق برگشت.
فروش در مغازههای مختلف در مناطق جغرافیایی متفاوت را میتوان در طول زمان مورد نظارت قرار داد. طبق اطلاعات پدامیل، در یک هالوین، وقتی که تحلیلگران دیدند که چند موقعیت وجود داشت که در آنها هیچ فروشی رخ نداده بود، ارقام فروش کلوچههای تازه مورد بررسی قرار گرفت. این بررسی آنان را قادر ساخت تا به تیمهای بازرگانی که مسوول این فروشها بودند، هشدار دهند و به سرعت پی بردند که این محصولات در قفسهها قرار داده نشده بودند. این دقیقا نیازمند یک الگوریتم پیچیده نیست، اما بدون چنین تحلیلگرانی، این کار ممکن نمیشد. والمارت میگوید که سیستم اطلاعاتی آن منجر به کاهش زمان شناسایی مشکل و یافتن پاسخهای پیشنهادی از مدت دو تا سه هفته به حدود ۲۰ دقیقه شده است.
چگونه کلان داده منجر به موفقیت در ساخت میشود؟
شرکت رولز رویس موتورهای بزرگی می سازد که توسط ۵۰۰ خطوط هوایی و بیش از ۱۵۰ نیروی مسلح مورد استفاده قرار میگیرند. این موتورها مقادیر زیادی نیرو خلق میکنند و جای شگفتی نیست که این شرکت با کلان دادهها سروکار داشته باشد. در ساخت و سازهای پرمخاطره، شکستها و خطاها میتوانند هزینهای در حدود میلیاردها دلار و در مواردی حتی خسارات جانی داشته باشند. بنابراین بسیار حیاتی است که این شرکت بتواند سلامت محصولاتش را برای جلوگیری از مشکلات احتمالی قبل از آنکه رخ بدهند، مورد نظارت قرار بدهد. رولز رویس از فرآیندهای کلان داده در ۳ حوزه از عملیات خود استفاده کرده است: طراحی، ساخت و خدمات پس از فروش. پل اشتاین، رئیس بخش علمی این شرکت میگوید: «ما خوشههای عظیمی از محاسبات با قدرت بالا داریم که در فرآیند طراحی مورد استفاده قرار میگیرند. ما دهها ترابایت اطلاعات با هر شبیهسازی برای هر موتور جت خود ایجاد میکنیم. سپس باید از برخی تکنیکهای رایانهای تقریبا پیچیده استفاده کنیم تا این مجموعه اطلاعات گسترده را مورد بررسی قرار داده و مشاهده کنیم که آیا آن محصول خاصی که طراحی کردهایم خوب است یا بد.»
سیستمهای ساخت شرکت بهطور فزایندهای در حال تبدیل شدن به شبکه هستند و با یکدیگر به طرق مختلف از جمله اینترنت اشیا (IOT) در محیطهای صنعتی ارتباط برقرار میکنند. اشتاین میگوید: «ما به تازگی دو کارخانه در سطح جهانی در روترهام و ساندرلند بریتانیا باز کردهایم که دیسکهایی برای موتورهای جت و تیغههای توربین میسازند. ما با سرعت زیاد به طرف راهحل مبتنی بر اتصال به اینترنت همه اشیا حرکت میکنیم.»
در مورد خدمات پس از فروش، موتورهای رولز رویس و سیستمهای پیشران همگی مجهز به صدها حسگر هستند که حتی جزئیات بسیار کوچکی را در مورد عملیات آنها ثبت کرده و هر تغییری در اطلاعات را به مهندسان گزارش میکنند و سپس این مهندسان در مورد بهترین اقدام تصمیم میگیرند. رولز رویس مراکز خدمات عملیاتی در سراسر جهان دارد که در آن مهندسان متخصص اطلاعات بازخورد داده شده از موتورهایشان را تحلیل میکنند.آنها میتوانند اطلاعات را از موتورهایشان بهدست آورند تا بر عوامل و شرایطی که تحت آنها موتورها ممکن است نیاز به نگهداری داشته باشند، تاکید کنند. در برخی از وضعیتها، انسانها برای جلوگیری یا کاهش آنچه که احتمالا موجب مشکلی میشود، مداخله میکنند. رولز رویس بهطور فزایندهای انتظار دارد که رایانهها خودشان مداخله را به عهده بگیرند.
اگرچه آمار دقیقی در دسترس نیست، شرکت عنوان کرده است که تطبیق دادن این رویکرد کلانداده با پیدا کردن خطاها، تصحیح آنها و جلوگیری از روی دادن مجدد آنها، بهطور معناداری موجب کاهش هزینهها شده است. این قضیه همچنین منجر به یک مدل تجاری جدید برای شرکت شده است. بهدست آوردن این سطح از آگاهی و بینش در عملیات مربوط به محصولات آنها به این معنی است که رولز رویس قادر به ارائهدادن یک مدل خدمات جدید به مشتریان بوده است که از آن تحت عنوان «مراقبت کامل» یاد میشود، که در آن موتورهای مشتریان در هر ساعت بررسی میشود و تمام هزینههای مربوط به خدمات نیز از سوی رولز رویس تقبل میشوند. اشتاین معتقد است که این نوآوری در خدمات مانند تغییردهنده بازی بود و بسیار راضی است که چنین حرکت خاصی را در این صنعت ایجاد کرده است. وی میگوید: «صرفنظر از خردهفروشی، این یکی از پیچیدهترین کاربردهای بیگ دیتا است که من از آن آگاهم.»
چگونه بیگ دیتا به مراقبتهای پزشکی ارتباط پیدا میکند
شرکت محاسباتی شناختی آپیکسیو که مرکز آن در کالیفرنیا قرار دارد، در سال ۲۰۰۹ با هدف کشف و در دسترس قرار دادن دانش پزشکی از طریق ثبتهای پزشکی دیجیتالی شده، تاسیس شد تا مراقبتهای مربوط به سلامت را بهبود بخشد. حدود ۸۰ درصد از اطلاعات پزشکی و کلینیکی در مورد بیماران از اطلاعات فاقد ساختار تشکیل شده است، مانند نسخههای نوشته شده پزشکی. همانطور که رئیس آپیکسیو، دارن شولت توضیح میدهد: «اگر ما بخواهیم بیاموزیم که از افراد بهتر مراقبت کرده و در مورد سلامت جمعیت بهطور کلی بیشتر بدانیم، نیاز داریم اطلاعات فاقد ساختار را برای دستیابی به این بینشها بهدست آوریم.»بنابراین، مساله در حوزه سلامت فقدان اطلاعات نیست بلکه ماهیت فاقد ساختار اطلاعات آن است. فرمتها و قالبهای بسیار بسیار متفاوتی وجود دارند که از خدمات تامینکنندگان استفاده میکنند و سیستمهای متفاوت بسیاری وجود دارند که میتوان این اطلاعات را از آنها دریافت کرد. برای رفع این مشکل، آپیکسیو راهی برای دسترسی به اطلاعات کلینیکی ابداع کرد.
کار آپیکسیو با اطلاعات از روشها و الگوریتمهای متفاوت و متنوعی استفاده میکند که دارای نوعی هوش مصنوعی و قابلیتهای پردازش هستند. این اطلاعات میتواند در سطح انفرادی تحلیل شود تا مدلی براساس اطلاعات بیمار خلق کند و همچنین میتواند در مورد کل جمعیت نیز اطلاعاتی ارائه کند تا بینش و آگاهی بیشتری نسبت به شیوع بیماریها، الگوهای درمان و سایر موارد فراهم آورد.مشتریان نخستین محصولی که از کاربرد فناوری آپیکسیو بهدست آمد، به دو گروه تقسیم میشدند: طرحهای بیمه و شبکههای خدمات سلامت (شامل بیمارستانها و کلینیکها). فرمهای پزشکی بخش بزرگی از این کسب و کار را تشکیل میداد، بهخصوص در مورد آن دسته از افراد که مطابق با طرحهای سازمان حفظ سلامت (تقریبا ۱۷ میلیون نفر) در سال ۲۰۱۵ در ایالاتمتحده آمریکا بیمه شده بودند. طرحهای سلامت و سازمانهای پزشکی برای مدیریت کل هزینه مراقبت از این افراد انگیزه داشتند. برای انجام این کار، این سازمانها باید آگاهی بیشتری در مورد هر فرد کسب میکردند: چه بیماریهایی از وی فعالانه درمان شدهاند؟ شدت بیماری آنها تا چه حد بوده است؟ درمانهای متفاوت ارائه شده برای این افراد چه بودهاند؟
این کار وقتی بتوانید به ۸۰ درصد از اطلاعات پزشکی که قبلا برای تحلیل موجود نبودند، دسترسی داشته باشید و علاوه بر آن، اطلاعات را در قالب ثبتهای الکترونیکی و مجموعههای اطلاعاتی داشته باشید بسیار سادهتر است. برای درک چنین اطلاعاتی از بیمار، متخصصان تعلیم دیده برای ارزیابی نمودارها و کدبندی اطلاعات به کار میآیند که دادههای مربوط به درمان و بیماری را مورد بررسی قرار دهند. البته این راه گران و پر زحمتی است که اطلاعات را از ثبتهای بیمار استخراج کرده و همچنین گاهی امکان بروز خطای انسانی نیز در آن وجود دارد. یک مزیت دیگر توانایی رایانهها یافتن ابهامات موجود در اطلاعات بیمار مانند یافتن بیماریهای قلبی و عروقی با توجه به سابقه وی است. ابهاماتی نظیر این میتواند منجر به ارائه تصویری نادقیق از بیماری فرد و درمان وی شود که میتواند اثر منفی بر هماهنگی و مدیریت مراقبت از بیمار بگذارد. شولت میگوید: «اگر شما اطلاعات درستی را به دست نیاورید، چگونه این سیستمها میتوانند مراقبت فردی را هماهنگی و مدیریت کنند؟ اگر شما ندانید چه درمانی میکنید و به چه چیزی وابستگی دارید، نمیدانید چگونه از کل افراد موجود در شرکت خود مراقبت و کاهش هزینهها را مدیریت و پیامدهای انفرادی را بهبود بخشید.»
منبع: فوربس
ارسال نظر