کاربردهای کلان داده و تاثیر آن بر کسب و کار — راهنمای جامع

«تحلیل کلان داده» (Big Data Analytics) توسط کسب‌و‌کارها، دولت‌ها و پژوهشگران با اهداف گوناگونی انجام می‌شود. بسیاری از کسب‌و‌کارها، به منظور افزایش فروش، از تحلیل کلان داده‌ها بهره می‌برند. اما امروزه، کاربرد تحلیل کلان داده‌ها در کسب و‌ کار، پای را فراتر از این حوزه گذاشته و حتی به منظور ساخت مدل‌های جدید کسب و کار، طراحی کارکردها و تعریف نقش‌های جدید در سازمان، از تحلیل کلان داده‌ها استفاده می‌شود.

بسیاری از دولت‌ها و پژوهشگران حوزه مطالعات اجتماعی از تحلیل کلان داده‌ها به منظور پیش‌بینی رخدادهای اجتماعی بهره می‌برند. در حوزه بهداشت و درمان، برای تشخیص، درمان و حتی پیش‌بینی وقوع و شیوع بیماری‌ از تحلیل داده‌های انبوه استفاده می‌شود. هدف از این مطلب، بررسی تاثیرات کلان داده در صنایع مختلف است. در این نوشتار، ابتدا به بررسی کاربردهای کلان داده بر اساس نوع داده پرداخته شده و سپس تاثیرات کلان داده بر حوزه‌های گوناگون مورد بررسی قرار گرفته است. در نهایت به بررسی تاثیرات کلان داده بر کارکردها و مدل‌های کسب‌و‌کار پرداخته شده است.

کاربردهای کلان داده بر اساس نوع داده

برخی از کاربردهای کلان داده بر اساس نوع داده در ادامه بیان شده‌اند.

فیلم داده های کلان و کاربردشان برای تصمیم گیرندگان (رایگان) در فرادرس

کلیک کنید

تحلیل ساختارمند: بسیاری از داده‌های دارای ساختار در حوزه‌های تجاری و علمی تولید شده‌اند. مدیریت این داده‌ها بستگی به جوابگو بودن سیستم‌های مدیریت داده رابطه‌ای و یا سایر سیستم‌های مدیریت داده دارد. برای تحلیل این داده‌ها می‌توان از روش‌های داده‌کاوی و یادگیری ماشین استفاده کرد.

تحلیل متن: متن یکی از عمومی‌ترین اشکال داده‌های ذخیره‌سازی شده است و شامل اسناد سازمان‌ها، صفحات وب، محتوای رسانه‌های اجتماعی و غیره می‌شود. بنابراین، تحلیل متون اطلاعات بسیار مفیدتری نسبت به کاوش داده‌های دارای ساختار فراهم می‌کند. «متن‌کاوی» (Text Mining) یک زمینه بین رشته‌ای است که حوزه‌های «بازیابی اطلاعات» (Information retrieval)، «یادگیری ماشین» (Machine Learning)، تحلیل و آمار، «پردازش زبان طبیعی» (Natural Language Processing | NLP) و «داده‌کاوی» (Data Mining) در آن دخیل هستند.

تحلیل وب: در دهه گذشته، بشر شاهد رشد انفجاری صفحات وب بوده است، و این خود یک زمینه جالب برای تحلیل محسوب می‌شود. تحلیل وب روی بازیابی، استخراج و ارزیابی اطلاعات برای استخراج دانش مفید از اسناد وب و سرویس‌ها تمرکز دارد. این حوزه بر اساس زمینه‌های تحقیقاتی نظیر بازیابی اطلاعات، پایگاه داده‌ها، پردازش طبیعی متن و متن‌کاوی به وجود آمده‌اند. تحلیل یا کاوش وب به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش کاربران وب تقسیم شده است.

تحلیل داده‌های چندرسانه‌ای: داده‌های چندرسانه‌ای شامل تصویر، صوت و ویدئو به صورت شگفت‌انگیزی در حال رشد هستند. تحلیل محتوای چندرسانه‌ای به استخراج اطلاعات، دانش و همچنین فهم معنای نهفته درون این داده‌ها اشاره دارد. به دلیل اینکه داده‌های چندرسانه‌ای اغلب نسبت به داده‌های ساختاریافته و متن دارای اطلاعات خیلی بیشتری هستند، بسیار مورد توجه پژوهشگران قرار می‌گیرند. پژوهش‌های مربوط به تحلیل داده‌های چندرسانه‌ای محدوده وسیعی از موضوعات را در بر می‌گیرند که خلاصه‌سازی چندرسانه‌ای، شاخص‌گذاری و برچسب‌گذاری داده‌های چندرسانه‌ای، بازیابی اطلاعات چندرسانه‌ای، پیشنهاد چندرسانه‌ای و «تشخیص رویداد» (Event Detection) از این جمله هستند.

فیلم آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی Text Mining در فرادرس

کلیک کنید

تحلیل داده‌های شبکه و اینترنت: به دلیل رشد سریع شبکه‌های اجتماعی، «تحلیل شبکه‌های اجتماعی» (Social Network Analysis | SNA) مانند تحلیل علایق و تحلیل جامعه‌شناسی، از دهه اول سال ۲۰۰۰ میلادی پدید آمده است. معمولاً، شبکه‌های اجتماعی شامل مقدار زیادی ارتباطات، داده‌های محتوایی و داده‌های ارتباطی هستند که می‌توان آن‌ها را به صورت ساختار گرافی نشان داد. این ساختار قادر به نمایش ارتباطات میان موجودیت‌ها، محتوای متنی، محتوای تصویری و سایر داده‌های چندرسانه‌ای است. واضح است که غنی بودن داده‌های شبکه‌های اجتماعی، چالش‌ها و در عین حال امکانات بی‌نظیری برای تحلیل داده‌ها فراهم می‌کند. از دید داده‌ای، دو بحث اصلی در پژوهش‌های شبکه‌های اجتماعی وجود دارد؛ یکی تحلیل ساختار ارتباطات و دیگری تحلیل مبتنی بر داده‌های محتوایی. برخی از کاربردهای تحلیل شبکه‌های اجتماعی عبارتند از ارزیابی شبکه‌های اجتماعی، تشخیص جوامع هدف در بازاریابی، تشخیص علایق کاربران، تحلیل تاثیرات اجتماعی رویدادها. در تصویر زیر، برخی از کاربردهای کلان داده بر اساس نوع داده آمده است.

تاثیر کلان داده بر استراتژی‌های کسب و کار

کلان داده با چنان قدرت و سرعتی در کسب و کارها رخنه کرده است که شاید برخی سازمان‌ها از آن بهره نبرند و یا از آن اجتناب کنند، ولی نمی‌توانند آن را نادیده گرفته و در مقابل آن استراتژی دقیقی اتخاذ نکنند. دیر یا زود، در هر صنعتی رد پای کلان داده و تاثیرات آن در سطح کلان به جای خواهد ماند. در این میان، سازمان‌هایی که توانسته‌اند موضع درستی در مقابل این فناوری نوین اتخاذ کنند، توانایی بقا و رقابت خواهند داشت. کلان داده در هر صنعتی مراحل بلوغی دارد که در ادامه به آن پرداخته شده است.

فیلم آموزش کلان داده یا بیگ دیتا Big Data در فرادرس

کلیک کنید

سازمان‌هایی که به کلان داده اهمیت زیادی می‌دهند، بعد از مدتی از مزیت رقابتی بسیار ویژه‌ای برخوردار می‌شوند. این سازمان‌ها داده‌های خود را جمع‌آوری کرده و با ابزارهای پیشرفته، داده‌های ساختاریافته و ساختارنیافته خود را تحلیل می‌کنند و لذا پس از مدتی ابتکار عمل در صنعت را به دست گرفته و دچار دگردیسی کسب‌و‌کار می‌شوند و با ایجاد اکوسیستمی در صنعت به بستر و سکوی کلان داده تبدیل می‌شوند.

سازمان‌های دیگر باید در مقابل این بسترها استراتژی مناسبی اتخاذ کنند. چنین بسترهایی می‌توانند هزینه‌های مبادله را کاهش و یا دسترسی سازمان به مشتریان را افزایش دهند. اما در عین حال با سخت شدن شرایط رقابت، این بسترها ممکن است موجب از دست رفتن کنترل بر مشتریان، روند تغییر رفتار آن‌ها و بسیاری دیگر از داده‌های مفید شوند. برخی از پرسش‌هایی که هنگام مواجه با بسترهای کلان داده ممکن است به ذهن انسان خطور کنند عبارتند از:

• آیا باید بستر اختصاصی خود را ایجاد کرد و یا از بسترهای موجود استفاده کرد؟
• کدام ویژگی بستر را باید استفاده کرد و کدام ویژگی بستر را باید رد کرد تا مزیت رقابتی در بلند مدت از دست نرود؟

بسترها ممکن است مدل های مختلفی داشته باشند که در ادامه به آن‌ها پرداخته شده است.

بسترهای نرم افزاری و زیرساختی: این بسترها محصولات، خدمات یا فناوری‌هایی هستند که به عنوان پایه و زیربنای ساخت محصولات، خدمات، یا فناوری‌های کامل توسط دیگران محسوب می‌شوند. نرم‌افزار‌های مدیریت منابع سازمانی از این جمله هستند.

بسترهای واسط: واسط‌های بازار، موسساتی هستند که بقای خود را از طریق کاهش هزینه جست‌و‌جو و مبادله برای گروه‌های دیگر بازار تضمین می‌کنند. موتورهای جست‌و‌جو از جمله گوگل از این جمله هستند.

بسترهای ارائه‌دهنده یک خدمت: این بسترها عموما بخش خاصی از صنعت را در اختیار می‌گیرند و سعی در نظارت بر نقطه تماس با مشتری دارند. شبکه‌های پخش مانند iTuns از این دسته‌اند.

بسترهای چند سویه: این بسترها هم واسطه بازار هستند و هم بخش‌های غیر وابسته را با تاثیرگذاری شبکه‌ای و غیرمستقیم پشتیبانی می‌کنند. وب‌سایت آمازون از این جمله است. این بسترها به صورت حجیم داده‌های صنعت را به درون خود سرازیر می‌کنند و ممکن است خود بخشی از صنعت باشند و یا خدمت خاصی را ارائه دهند. به عنوان مثال، نقشه گوگل بستری است که در اقصی نقاط دنیا داده‌های مکانی در آن ذخیره می‌شوند. پس چنین بسترهایی می‌توانند به کمک یک صنعت بیایند، در حالی که خود حتی بخشی از آن صنعت نیستند.

همچنین، امکان دارد این بسترها مانند iTunes محلی برای عرضه محصولات و خدمات و کانالی برای ارتباط با مشتریان باشند و به دلیل دسترسی به مشتریان در مرکز توجه قرار گیرند و یا مانند موتور جست‌و‌جوی گوگل به تمامی مشتریان دسترسی داشته باشند و مشتریان ناگزیر با آن‌ها در تعامل باشند. حال باید دید که سازمان‌ها باید به کدام یک از این بسترها و تا چه حد اجازه دهند که داده‌های آن‌ها را در اختیار داشته باشند. برای تعیین روش استفاده از یک بستر کلان داده، شرکت‌ها باید سه پرسش زیر را برای خود طرح کنند:

• چگونه می‌توانند خود را از دیگر رقبایی که از این بستر استفاده می‌کنند متمایز کنند؟
• چگونه می‌توان ریسک گروکشی از سوی بستری که قصد استفاده از آن وجود دارد را کاهش داد؟
• با این کار (با توجه به پرسش قبل) چه بخش‌هایی از آینده کسب‌و‌کار و صنعت به دست مالکین آن بستر سپرده می‌شود؟

برای مثال، اگر شرکت تاکسیرانی بخواهد برای تعیین زمان‌بندی تاکسی‌های خود از نرم‌افزاری استفاده کند تا مانند شبکه uber پیشرفته عمل کند کافی است روی گوشی‌های هوشمند راننده‌های تاکسی این برنامه را نصب کند و از نتایج آن بهره‌مند شود. اما با این روش تنها می‌توان زمان و مسیری که هر راننده تاکسی عبور کرده است را به دست آورد و نمی‌تواند مانند uber ابتکار عمل را به دست گرفته و جریان‌های درآمدزایی بیشتری برای خود ایجاد کند. بزرگترین اشتباهی که ممکن است سازمان‌ها در حین تصمیم‌گیری برای نحوه استفاده از یک بستر مرتکب شوند، اعطای امتیازات بدون تحلیل تاثیری است که این امتیازات بر تعادل بازار چه در حال و چه در آینده می‌گذارند. این بر هم خوردن تعادل است که منجر به مزیت رقابتی می شود و سازمان‌های بستر را به سمت اقیانوس آبی برتری رقابتی سوق می‌دهد.

تاثیر کلان داده بر مدل‌های کسب و کار

واقعیت جدید داده فرصت‌های نابی را برای کسب‌و‌کارها و ساخت ارزش توسط آن‌ها ایجاد کرده است. توانایی استفاده از داده به منظور ایجاد دانش، بینش و پیش‌بینی‌هایی برای اقدامات و حتی خودکارسازی فرآیندها از قابلیت‌هایی است که با تحلیل کلان داده‌ها امکان‌پذیر شده است.

فیلم آموزش کلان داده و پایگاه داده غیر رابطه ای NOSQL در فرادرس

کلیک کنید

به عنوان مثالی برای این پیش‌بینی‌ها می‌توان به پیش‌بینی برخی از شرکت‌های بیمه آمریکایی در زمینه تعیین فصل وقوع طوفان اشاره کرد. این شرکت‌ها، به کمک داده‌های مربوط به زمان وقوع، موقعیت و سایر جزئیات مربوط به طوفان‌ها، زمان وقوع طوفان‌های سهمگین را پیش‌بینی کنند. دیگر کاربردهای مرسوم تحلیل کلان داده عبارتند از بازاریابی و فروش هدفمند، مدیریت ریسک، تشخیص بیماری و درمان هدفمند، بهینه‌سازی زنجیره ارزش و فرآیندها. در ادامه به برخی از تاثیرات واضح کلان داده بر کسب‌و‌کارها پرداخته شده است.

نظارت بر مولفه‌ها، شرایط سیستم و نگهداری مبتنی بر پیش‌بینی: شرکت‌های فعال در حوزه صنعت مانند مخابرات، خرده‌فروشی‌ها، چندرسانه‌ای، بهداشت و درمان، بیمه، حمل و نقل و تدارکات، به واسطه مجموعه داده‌های عظیم جمع‌آوری شده درباره مشتریان و فرآیندهای کاری خارجی تغییر وضعیت داده‌اند. بینش حاصل شده از این جریان‌های داده برای بهبود فرآیندها، و افزایش فروش و افزایش سهم بازار استفاده می‌شود.

بهینه‌سازی زنجیره ارزش: سازمان‌هایی مانند «فدکس» (FedEx)، «والنویس ویلهلمسن» (Wallenius Wilhelmsen) و «مرسک» (Maersk) به کمک استفاده از قابلیت‌های کلان داده از جمله داده‌های آب و هوا، ترافیک و سایر داده‌هایی که ممکن است حمل و نقل و تحویل را دستخوش تغییر کنند زنجیره ارزش خود را بهبود بخشیده‌اند.

خرده‌فروشی: شرکت‌های خرده‌فروشی مانند «والمارت» (DescriptionWalmart ) داده‌های نقطه فروش (آنچه مشتریان در سبد خرید خود قرار می‌دهند) و داده‌های کارکردی را برای افزایش تاثیرگذاری تبلیغات، بهینه‌سازی انبار و زنجیره تدارکات استفاده می‌کنند. والمارت، این اقدامات را به واسطه دادن دسترسی سیستم‌های خود به تامین‌کنندگان انجام داده و خود را به سکوی تجاری تبدیل کرده است که تا زمان وجود مشتریان برای خرید محصولات، همچنان مالک این جایگاه خواهد بود.

فیلم آموزش مقدماتی آپاچی اسپارک برای پردازش کلان داده در فرادرس

کلیک کنید

صنایع جدید و نقش‌های جدید: حجم انبوه داده‌ها و قابلیت‌هایی که تحلیل آن‌ها به دست می‌دهد، کسب‌و‌کارهای جدیدی را ایجاد کرده است. از این جمله می‌توان به شرکت‌های واسطه‌ای که اقدام به کسب و فروش داده کرده و یا حتی، گام تحلیل را نیز انجام داده و نتایج آن را به مشتریان خود عرضه می‌کنند اشاره کرد. به عنوان مثالی از این کسب و کارها می‌توان از شرکت‌های واسطه‌ای که اقدام به فروش اطلاعات کارت‌های اعتباری بانک‌های آمریکا می‌کنند نام برد.

سازمان‌های خریدار این اطلاعات به واسطه تحلیل این داده‌ها از علاقمندی‌ها و رفتارهایی که مشتریان در حوزه خرید از خود بروز می‌دهند آگاه شده و بر اساس آن فروش و تبلیغات هدفمند انجام می‌دهند. در عین حال تحلیل داده‌های کلان منجر به ایجاد نقش‌های جدید برای کارکنان در سازمان‌ها می‌شود. مشاورین و ارائه‌دهندگان پیش‌بینی‌ها، مجریان طرح‌های پیش‌بینی و تدوین شده در پی تحلیل مجموعه داده‌های خاص و گردآورندگان داده از جمله این نقش‌ها هستند.

تغییر مدل‌های کسب‌ و‌ کار: استفاده از داده‌ها، محرکی برای تغییر مدل‌های کسب و کار است. تاکنون، مدل‌های گوناگونی برای کسب و کارها ارائه شده که می‌توان از آن جمله به مدل ارائه شده توسط «چارلز.بی‌استیبل» (Charles.B.Stabell) اشاره کرد.

فیلم مجموعه آموزش داده کاوی و یادگیری ماشین – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

مقایسه چنین مواردی با مدل‌های جدید کسب و کار، به خوبی حاکی از وقوع تغییرات گسترده در سازمان‌ها با افزایش حجم داده‌ها و استفاده از آن‌ها برای تصمیم‌سازی‌ها است.

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های داده‌کاوی و یادگیری ماشین
• آموزش نرم‌افزار هوش تجاری Tableau (تحلیل داده‌ها و اخذ تصمیمات)
• مجموعه آموزش‌‌های هوش مصنوعی
• علم داده، تحلیل داده، داده‌کاوی و یادگیری ماشین ــ تفاوت‌ها و شباهت‌ها
• مفاهیم کلان‌داده (Big Data) و انواع تحلیل داده — راهنمای جامع

^^