دانش محوري

مدل رابطه اي چيست؟

“مدل رابطه اي” پايگاه داده را به عنوان مجموعه اي از روابط نشان مي دهد. رابطه چيزي جز جدولي از ارزشها نيست . هر سطر در جدول مجموعه اي از مقادير داده هاي مرتبط را نشان مي دهد. اين رديف هاي جدول بيانگر يك موجوديت يا رابطه در دنياي واقعي است.

نام جدول و نام ستون براي تفسير معني مقادير در هر سطر مفيد هستند. داده ها به عنوان مجموعه اي از روابط نمايش داده مي شوند. در مدل رابطه اي ، داده ها به صورت جداول ذخيره مي شوند. با اين وجود ، محل ذخيره فيزيكي داده ها مستقل از نحوه تنظيم منطقي داده ها است.

برخي از سيستم هاي معروف مديريت پايگاه داده رابطه اي عبارتند از:

سرور DB2 و Informix Dynamic از IBM
Oracle و RDB از اوراكل
SQL Server و Access از مايكروسافت

مفاهيم مدل رابطه اي:

1. صفت: هر ستون در يك جدول. صفات خصوصياتي هستند كه رابطه را تعريف مي كنند. به عنوان مثال نام شماره دانشجويي و غيره.
2. جداول : در مدل رابطه اي ، روابط در قالب جدول ذخيره مي شوند. همراه با موجوديت هاي خود. يك جدول داراي دو رديف و ستون ويژگي است. رديف ها ركورد ها و ستون ها صفات را نشان مي دهند.
3. الگوي رابطه: الگوي رابطه، نام رابطه را با ويژگي هاي آن نشان مي دهد.
4. درجه: تعداد كل صفاتي كه در رابطه وجود دارند، درجه رابطه ناميده مي شود.
5. تعداد عناصر: تعداد كل رديف هاي موجود در جدول.
6. ستون: ستون مجموعه ي مقادير يك صفت خاص را نشان مي دهد.
7. كليد رابطه : هر سطر داراي يك ، دو يا چند صفت است كه به آن كليد رابطه گفته مي شود.
8. دامنه صفت : هر صفت مقدار و دامنه از پيش تعريف شده دارد كه به عنوان دامنه صفت شناخته مي شود

محدوديت هاي يكپارچگي مدل رابطه اي

محدوديت هاي يكپارچگي رابطه د ر سيستم مديريت پايگاه داده به شرايطي اطلاق مي شود كه بايد براي يك رابطه معتبر وجود داشته باشد. اين محدوديت هاي رابطه اي درسيستم مديريت پايگاه داده از قوانين موجود در دنياي كوچكي مشتق شده است كه پايگاه داده را نشان مي دهد.

انواع مختلفي از محدوديت هاييكپارچگي درسيستم مديريت پايگاه داده وجود دارد. محدوديت هاي موجود در سيستم مديريت پايگاه داده رابطه اي بيشتر به سه دسته اصلي تقسيم مي شوند:
محدوديت هاي دامنه
محدوديت هاي كليدي
محدوديت هاي يكپارچگي ارجاعي

محدوديت هاي دامنه

اگر مقدار صفت در دامنه مربوطه ظاهر نشود يا از نوع داده مناسب نباشد ، مي توان محدوديت هاي دامنه را نقض كرد.محدوديت هاي دامنه مشخص مي كند كه در هر ليست چه باشد و مقدار هرصفت بايد منحصر به فرد باشد. اين به عنوان انواع داده مشخص مي شود كه شامل انواع داده هاي استاندارد عدد صحيح ، اعداد واقعي ، رشته هاي طول متغير و غيره است.

محدوديت هاي كليد

صفتي كه مي تواند به صورت منحصر به فرد يك تاپل را در يك رابطه شناسايي كند ، كليد جدول ناميده مي شود. مقدار صفت براي تاپل هاي مختلف در رابطه بايد منحصر به فرد باشد.

محدوديت هاي يكپارچگي ارجاعي

محدوديت هاي يكپارچگي ارجاعي در سيستم مديريت پايگاه داده بر اساس مفهوم كليدهاي خارجي است. كليد خارجي صفت مهمي از رابطه است كه بايد در روابط ديگر به آن اشاره شود. حالت محدوديت يكپارچگي ارجاعي در جايي اتفاق مي افتد كه رابطه به يك صفت اصلي از يك رابطه متفاوت يا در همان رابطه اشاره داشته باشد. با اين حال ، آن عنصر كليدي بايد در جدول وجود داشته باشد.

منبع: گروه پژوهشي سلام علم

دنياي ديجيتال امروزي حجم بسيار بالايي از داده توليد مي‌كند. با رشد سريع رسانه‌هاي مبتني بر اينترنت و كسب‌وكارهايي كه به سمت عملكرد آنلاين پيش مي‌روند جاي تعجب ندارد كه آمريكا به تنهايي در هر دقيقه بيش از ۲.۵ ميليون گيگابايت داده توليد مي‌كند. تمام اين اطلاعات بايد در جايي ذخيره شوند. بيشتر اين‌ها حدود ۱۴۵۰ اگزابايت ظرفيت مراكز داده‌ي جهان را اشغال كرده‌اند. سازمان‌هايي كه توانايي مديريت موثر داده‌هايشان را دارند مي‌توانند بينش‌هاي ارزشمندي كسب كنند و برنامه‌هاي تجاري‌شان را بر اين اساس تطبيق دهند.

مديريت ضعيف داده‌ها موجب هزينه‌هاي قابل توجهي نه تنها براي ذخيره‌ي اطلاعات بلكه به دليل از دست دادن فرصت‌ها مي‌شود. برخورداري از بهترين اطلاعات دنيا با داشتن اطلاعات زيادي كه نمي‌توان از آنها استفاده كرد، برابر نيست. اين شبيه يك پيشنهاد ساده به نظر مي‌رسد ولي متاسفانه اطلاعات چيزي نيست كه شكل‌دهي و مديريت آن به اين سادگي باشد. يكي از بزرگ‌ترين چالش‌هايي كه سازمان‌ها در سودمندسازي اطلاعات‌شان با آن روبه‌رو هستند، مواجهه با داده‌هاي بدون ساختار است.

داده‌ي بدون ساختار چيست؟

درك تفاوت بين داده‌ي «بدون ساختار» و داده‌ي «ساختار يافته» به درك اينكه چگونه شكل‌هاي اوليه‌ي داده در اواسط قرن بيستم به فرم ديجيتال تبديل شدند، كمك مي‌كند. سوابق حسابداري و موجودي‌ها به عمده‌ي داده‌هاي اوليه‌ي كامپيوتر شكل مي‌دادند. از آنجا كه اين اطلاعات از قبل در ساختارهايي مشخص دسته‌بندي شده بودند، فرم ديجيتال آنها نيز سطحي از يكنواختي را حفظ كرده بود. فيلدهاي داده در طول‌هايي از پيش تعريف شده و ويژگي‌هاي فيلد مانند متن در مقابل رقم، با فيلدهاي خاصي كه در مكان‌هاي ثابت در هر ركورد ظاهر مي‌شوند، تنظيم شده بودند. اين شكل‌هاي دقيق طبقه‌بندي شده، امكان خواندن، جستجو و درك داده‌هاي ساختار يافته را به آساني مهيا مي‌كرد. ولي داده‌ي بدون ساختار فرمت خاصي ندارد. اين داده‌ها مي‌توانند در هر اندازه، قالب يا فرمي باشند كه مديريت و تجزيه و تحليل‌شان را به طرز باورنكردني سخت مي‌كند.

محدوديت داده‌هاي ساختار يافته به گونه‌اي است كه تنها شامل نوع و مقدار خاصي از اطلاعات در زمينه‌هاي تعريف شده‌ي مربوط به آن مي‌شود ولي داده‌هاي بدون ساختار چنين محدوديتي ندارند. داده‌هاي ساختار يافته از الگوريتم‌هاي پايه‌اي استفاده مي‌كنند كه به راحتي قابليت جستجو دارند ولي داده‌هاي بدون ساختار از هيچ الگوي قابل پيش‌بيني كه قابليت پردازش توسط يك الگوريتم ساده را داشته باشد، استفاده نمي‌كنند.
داده‌هاي بدون ساختار مي‌توانند از هر جايي نشأت بگيرند ولي بيشتر آنها به صورت مدرك، تصوير، ايميل، ويديو، فايل صوتي، صفحات وب يا خبرنامه‌هاي شبكه‌هاي اجتماعي وجود دارند. همچنين به اين دليل كه سازمانهاي بيشتري استراتژي‌هاي عصر كامپيوتر را اتخاذ كرده‌اند، دستگاه‌هاي اينترنت اشيا در حال تبديل شدن به منبع اصلي داده‌هاي بدون ساختار هستند.

مديريت داده‌هاي بدون ساختار

محققات تخمين زده‌اند كه حدود ٪۸۰ داده‌هاي توليد شده، بدون ساختارند. با وجود اينكه اين داده‌ها حاوي اطلاعاتي هستند كه مي‌توانند ارزشي باورنكردني به سازمانها اعطا كنند، ولي بررسي و گزينش از ميان آنها فوق‌العاده سخت است. بيرون كشيدن بينش‌هاي مدفون در مدارك، ايميل‌ها يا انواع مختلف فايل‌هاي رسانه‌اي براي يك الگوريتم ساده‌ كه جهت جستجوي نمونه‌هاي فيلد طراحي شده، كار بسيار پيچيده‌اي است. متاسفانه داده‌هاي بدون ساختار در چنين مقياس قابل توجهي وجود دارند كه تجزيه و تحليل آنها فراتر از ظرفيت انساني هر سازماني است.

فناوري شناختي و مبتني بر هوش مصنوعي يكي از موثرترين ابزارها براي استخراج اطلاعات ارزشمند از داده‌هاي بدون ساختار است. اين برنامه‌ها از قابليت تفسير، ارزيابي، برقراري ارتباط و نتيجه‌گيري از اين داده‌ها برخوردارند كه مديريت و استفاده از آنها را آسان‌تر مي‌كند. بدون اين نوع تجزيه و تحليل، حتي دانستن اينكه احتمالاً چه اطلاعات ارزشمندي در داده‌هاي بدون ساختار نهفته است، سخت مي‌باشد. در برخي موارد، اين داده‌ها مي‌توانند مطرح كننده‌ي يك خطر امنيتي قابل توجه باشند.
شركت عظيم نرم‌افزار ارتباط با مشتري Salesforce به روش بي‌رحمانه‌اي متوجه اين خطر امنيتي شد؛ زماني كه در سال ۲۰۱۶ ايميل هك شده‌ي يكي از اعضاي هيئت مديره، اهداف دستيابي به ليست پيوست و استراتژي‌هاي بازار را صورت عمومي منتشر كرد.

متاسفانه تجزيه و تحليل داده‌هاي بدون ساختار فوق‌العاده پرتنش است. اين كار به ميزان قابل توجهي از منابع محاسباتي نياز دارد كه فراتر از توان زيرساختي اكثر شركت‌هاست. حتي مديريت ذخيره‌سازي و دسترسي براي داده‌هاي بدون ساختار در وهله‌ي اول يك مانع اصلي به حساب مي‌آيد. به اين دليل كه روزانه داده‌هاي بدون ساختار بيشتري ايجاد مي‌شوند، نيازهاي ذخيره‌سازي و محاسبه به سرعت تغيير مي‌كنند. راه‌حل‌هاي امروزي زيرساخت IT احتمالاً توانايي سازگاري با نيازهاي آتي يك شركت را ندارند، بخصوص اگر اين نيازها به سرعت در حال رشد باشند.

چگونه يك مركز داده مي‌تواند كمك‌كننده باشد

مراكز داده‌ي امروزي به شركت‌هايي كه به دنبال روش‌هاي بهتري براي مديريت داده‌هاي بدون ساختارشان هستند، راه‌حال‌هاي قابل قياس مختلفي پيشنهاد مي‌كنند. مراكز داده با استفاده از زيرساخت مبتني بر فضاي ابري مي‌توانند سياست‌هاي دقيقي را به منظور كنترل نحوه‌ي دريافت، جابه‌جايي، ذخيره، دستيابي و تجزيه و تحليل داده‌ها تنظيم كنند. توانايي بالا بردن قدرت محاسباتي و فضاي ذخيره‌سازي، اين را براي شركت‌ها ممكن مي‌سازد تا از داده‌هايي كه جمع‌آوري كرده‌اند بيشترين بهره را ببرند.

براي شركت‌هايي كه به دنبال گسترش رايانش مرزي هستند، يافتن يك مركز داده كه توانايي مديريت نيازهاي اطلاعاتي دستگاه‌هاي اينترنت اشيا را دارد، حياتي است. اكثر ساختارهاي رايانش مرزي داد‌ه‌ها را در مكان‌هاي مختلفي كه بر اساس مجموعه‌ي دقيقي از پروتكل‌هاست، ذخيره مي‌كنند. برخي از داده‌ها در مرز خود دستگاه‌ها يا در مرز مراكز داده باقي مي‌مانند، ولي برخي از آنها براي تجزيه و تحليل به يك سرور مركزي بازگردانده مي‌شوند. شبكه براي اينكه بداند اين داده‌هاي بدون ساختار را به كجا ارسال كند، بايد از مورد جستجو و آنچه در اولويت است، آگاه باشد.

همزمان كه سازمانها اطلاعات گردآوري شده و توانايي ذخيره‌سازي‌شان را گسترش مي‌دهند، داده‌هاي بدون ساختار چالش‌هاي عظيمي را در برابر آنها قرار مي‌دهند. اگر آنها راه‌حلي پايدار براي مديريت و تجزيه و تحليل اين داده‌ها كه بتواند بينش‌هاي ارزشمندي را استخراج كند، نيابند، براي موفق شدن در محيطي رقابتي كه از سرعت بالاي پيشرفت برخوردار است، تقلا خواهند كرد. خوشبختانه يك مركز داده‌ي قابل اعتماد مي‌تواند براي شركت‌ها نيروي ذخيره‌سازي و محاسباتي كه براي ساخت آينده‌شان نياز دارند را تدارك ببيند.

علم داده، كلان داده و تحليل داده

داده همه جا هست. مقدار داده‌هاي ديجيتال موجود به سرعت در حال افزايش‌اند، اين مقدار هر دو سال دو برابر مي‌شود و روش زندگي ما را تغيير مي‌دهد. در مقاله‌اي از Forbes گفته شده كه رشد داده‌ها از قبل هم سريع‌تر شده است. تا سال ۲۰۲۰، در هر ثانيه به ازاي هر شخص بر روي زمين حدود ۱.۷ مگابايت اطلاعات جديد توليد خواهد شد و به همين دليل حداقل آشنايي با اصول اين حوزه بسيار مهم است.

در اين مقاله به تفاوت بين علم داده، كلان داده و تحليل داده مي‌پردازيم.

بياييد اول با شناخت اين مفاهيم شروع كنيم.

علم داده چيست؟

علم داده حوزه‌اي است شامل هرچيزي كه به پاكسازي، آماده‌سازي و تحليل داده، چه داده‌ي بدون ساختار و چه ساختار يافته، مربوط مي‌شود. علم داده تركيبي است از آمار، رياضيات، برنامه‌نويسي، حل مسئله، دستيابي به داده با روش‌هايي نوآورانه، توانايي متفاوت نگريستن به مسائل، و فعاليت‌هاي مربوط به پاكسازي، تعمير و هم‌ترازي داده. به بيان ساده، علم داده پوششي است براي روش‌هايي كه در هنگام تلاش براي استخراج بينش‌ها و اطلاعات از داده‌ها به كار گرفته مي‌شود.

كلان داده چيست؟

كلان داده به حجم عظيمي از داده اشاره دارد كه پردازش موثر آن با برنامه‌هاي سنتي موجود، امكان پذير نيست. پردازش كلان داده با داده‌ي خامي كه انباشته نشده باشد شروع مي‌شود و اغلب غيرممكن است كه آن را در حافظه‌ي يك كامپيوتر ذخيره كرد.

كلان داده، لغت باب روزي كه اين روزها براي توصيف حجم عظيمي از داده، هم بدون ساختار و هم ساختار يافته، به كار مي‌رود يك تجارت روزمره را در بر مي‌گيرد. كلان داده را مي‌توان براي تحليل بينش‌هايي كه منجر به تصميمات بهتر و اقدامات تجاري استراتژيك مي‌شوند، به كار برد.

تعريفي كه گارتنر از كلان داده ارائه كرده به اين شرح است: «كلان داده، دارايي‌هاي اطلاعاتي هستند كه از حجم، سرعت يا تنوع بالايي برخوردارند. اين اطلاعت اشكال مقرون به صرفه و خلاقانه‌اي از پردازش اطلاعات را مي‌طلبند تا به بينش‌ها بيفزايند و تصميم گيري و خودكارسازي فرايند را فراهم كنند.»

تحليل داده چيست؟

تحليل داده علم بررسي داده‌هاي خام است به منظور استنتاج اطلاعات. تحليل داده شامل به كار گيري روندي الگوريتمي و مكانيكي است به منظور استباط بينش‌ها و، براي مثال، گذر از ميان چندين مجموعه داده براي يافتن ارتباطي بامعني در ميان آنها.

از تحليل داده در صنايع مختلفي استفاده مي‌شود تا به سازمانها و شركت‌ها فرصت تصميم‌گيري بهتر و همچنين تاييد و رد نظريه‌ها يا مدل‌هاي موجود را بدهد. تمركز تحليل داده بر استنباط است و اينكه روند نتيجه‌گيري تنها بر پايه‌ي آن چيزي است كه محققان در حال حاضر مي‌دانند.

حالا بگذاريد تا به كاربردهاي علم داده، كلان داده و تحليل داده بپردازيم.

كاربردهاي علم داده

. جستجوي اينترنتي

موتورهاي جستجو از الگوريتم‌هاي علم داده استفاده مي‌كنند تا بهترين نتايج جستجو را در كسري از ثانيه ارائه دهند.

. تبليغات ديجيتال

تمام طيف بازاريابي ديجيتال- از بنرهاي نمايشي تا بيلبوردهاي ديجيتال- از الگوريتم‌هاي علم داده استفاده مي‌كند. اين دليل اصلي تبليغات ديجيتال است كه به جاي تبليغات سنتي از CTR بالاتري استفاده كنند.

. سيستم‌هاي توصيه‌گر

سيستم‌هاي توصيه‌گر نه تنها يافتن محصولات مرتبط را در بين بيليون‌ها محصول موجود آسان مي‌كنند بلكه به تجربه‌ي كاربر مي‌افزايند. شركت‌هاي بسياري از اين سيستم استفاده مي‌كنند تا محصولات و پيشنهادات‌شان را مطابق با نيازهاي كاربر و در ارتباط با اطلاعات ترويج دهند. توصيه‌ها بر اساس نتايج جستجوهاي قبلي كاربر مي‌باشد.

كاربردهاي كلان داده

. كلان داده براي خدمات مالي

شركت‌هاي كارت اعتباري، بانك‌هاي خرده‌فروشي، مشاوران خصوصي مديريت ثروت، شركت‌هاي بيمه، صندوق‌هاي سرمايه‌گذاري، و بانك‌هاي سرمايه‌گذاري سازماني براي خدمات مالي‌شان از كلان داده استفاده مي‌كنند. مشكل رايج در بين تمام اين‌ها، حجم عظيم داده‌هاي چند ساختاري است كه در سيستم‌هاي مختلف چندگانه وجود دارند. اين مشكل تنها توسط كلان داده قابل حل است.

. كلان داده در ارتباطات

دستيابي به اشتراكات جديد، مشتريان خرده‌فروشي، توسعه در پايگاه‌هاي مشتركين حال حاضر براي ارائه دهندگان خدمات ارتباطات از راه دور در اولويت بالايي قرار دارند. راه‌حل اين چالش‌ها در توانايي تركيب و تحليل انبوه داده‌هايي است كه هر روز توسط مشتري و ماشين‌آلات توليد مي‌شوند.

. كلان داده در خرده فروشي

براي تجارت‌هاي خشت و ملات (تجارت‌هايي با وجود خارجي كه در مقابل سازمان‌هاي مجازي قرار دارند) يا خرده‌فروشي‌هاي آنلاين، راه‌حل ماندن در بازي و رقابت كردن، درك بهتر مشتري براي خدمت‌رساني است. اين امر به توانايي تجزيه و تحليل منابع داده‌ي مختلفي كه سازمانها هر روز با آنها سروكار دارند، از جمله وبلاگ‌ها، داده‌‌هاي دادوستد مشتريان، شبكه‌هاي اجتماعي، داده‌هاي كارت‌هاي اعتباري فروشگاه‌هاي معتبر، و داده‌هاي برنامه‌هاي وفاداري، نياز دارد.

كاربردهاي تحليل داده

. مراقبت بهداشتي

چالش اصلي بيمارستان‌هايي كه با فشار هزينه روبه‌رواند، اين است كه اكثر بيماران را تا جايي كه مي‌توانند به شكلي موثر و با حفظ بهبود كيفيت درمان كنند. بيمارستان‌ها براي رديابي و بهينه‌سازي جريان درمان بيمار و تجهيزاتي كه در بيمارستان مورد استفاده قرار مي‌گيرند، به طور فزاينده از ابزار و داده‌هاي ماشيني استفاده مي‌كنند. تخمين زده شده كه دستيابي به ٪۱ كارآيي مي‌تواند بيش از ۶۳ بيليون دلار در مراقب بهداشتي جهاني ذخيره كند.

. سفر

تحليل داده مي‌تواند تجربه‌ي خريد از طريق موبايل/ وبلاگ و تحليل داده‌هاي شبكه‌هاي اجتماعي را بهينه كند. از طريق برقراري ارتباط بين فروش‌هاي حال حاضر با جستجوهاي بعدي، كه باعث مي‌شود به وسيله‌ي بسته‌ها و پيشنهادات دلخواه تبديل جستجو به خريد را افزايش دهيم، مي‌توانيم محصولات را به مشتري بفروشيم. توسط تحليل داده‌ي شبكه‌هاي اجتماعي، همچنين مي‌توان توصيه‌هاي مسافرتي شخصي ارائه داد.

. بازي

تحليل داده كمك مي‌كند به منظور بهينه‌سازي و مصرف داده در سراسر بازي‌ها آنها را جمع‌آوري كنيم. شركت‌هاي بازي توسط مواردي كه مورد پسند كاربران نيست، روابط يا موارد مورد پسندشان، بينش‌هايي را كسب مي‌كنند.

. مديريت نيرو

اكثر شركت‌ها از تحليل داده براي مديريت نيرو، شامل مديريت شبكه هوشمند، بهينه‌سازي نيرو، توزيع نيرو، و اتوماسيون ساختمان در شركت‌هاي خدماتي استفاده مي‌كنند. كاربرد در اينجا بر كنترل و نظارت دستگاه‌هاي شبكه‌اي، اعزام افراد و مديريت قطع خدمات متمركز است. خدمات رفاهي اين توانايي را فراهم مي‌كند تا ميليون‌ها نقاط داده را در عملكرد شبكه ادغام كرد و به مهندسان فرصت داد تا از تحليل‌ها براي نظارت بر شبكه استفاده كنند.

منبع: گروه پژوهشي سلام علم

همانطور كه اهميت اطلاعات در كسب‌وكار امروزي بيشتر مي‌شود، استراتژي‌هاي توسعه‌يافته براي پشتيبان‌گيري موثر اين اطلاعات به يكي از بزرگ‌ترين نگراني‌هاي سازمان‌ها تبديل شده است. با وجود اينكه شركت‌ها اطلاعات حياتي‌شان را به سادگي نزد خودشان ذخيره مي‌كردند، اما حالا بيش از پيش براي تهيه‌ي سرويس‌هاي پشتيبان‌گيري به مراكز داده رو مي‌آورند.
تاثير اين كار زماني است كه مراكز داده متعارف و نرم‌افزار محور بتوانند براي سازمان‌هايي كه توانايي رسيدگي به حوادث رخ‌داده براي اطلاعات‌شان را ندارند، آسودگي خاطر به همراه داشته باشند.

۱- نقص هارد درايو

بيشتر سازمان‌ها متوجه اهميت پشتيبان‌گيري از اطلاعات هستند. حتي اگر اين كار توسط يك مركز داده‌ي نرم‌افزار محور يا ديگر گزينه‌هاي سرويس مركز داده (DcaaS) انجام شود، تعداد بي‌شماري هستند كه روش‌هاي قديمي را رها نمي‌كنند.
پشتيبان‌گيري از اطلاعات بر روي هارد درايوهاي خارجي نه تنها براي مديريت ناخوشايند است بلكه نتايج فاجعه‌باري به همراه دارد. به وجود ذخيره‌ي اطلاعات بر روي دستگاه‌هاي مكانيكي درايو هارد ديسك يا دستگاه‌هاي درايو حالت جامد جديد، خطر از دست رفتن اطلاعات به دليل نقص فني يا سانحه حائز اهميت است. هر هفته در آمريكا حدود ۱۴۰۰۰۰ هارد درايو از كار مي‌افتند كه تقريباً ۳۰ درصد اين خرابي‌ها به دليل خطاي انساني است.
پشتيبان‌گيري اطلاعات بر روي يك هارد درايو محلي حتي براي يك تجارت كوچك هم حفاظت موثري به حساب نمي‌آيد. با اينكه هارد درايوها راه‌حلي ارزان، ساده و مطمئن به‌نظر مي‌رسند ولي بازيابي اطلاعات از يك دستگاه از كار افتاده اغلب غيرممكن است. علاوه‌براين هارد درايوها معمولاً به موقع پشتيبان‌گيري نمي‌شوند. در نتيجه در موقعيتي كه اطلاعات از دست رفته‌اند، اگر براي بازيابي مورد استفاده قرار بگيرند به اطلاعات ناقصي دست مي‌يابيم.
مراكز داده مي‌توانند بلافاصله در يك فضاي ابري به عنوان بخشي از پيشنهادات سرويس مركز داده (DcaaS) از اطلاعات پشتيبان‌گيري كنند. همچنين براي تضمين دسترس‌پذيري هميشگي به اطلاعات حتي در زمان نقص هارد درايو، قدرت پردازش چندگانه‌ي بيشتري تهيه كنند.

۲- بلاياي طبيعي

مردم هنگام وقوع بلاياي طبيعي معمولاً به خطر خسارت‌هاي فيزيكي فكر مي‌كنند. سيل و طوفان مي‌تواند منجر به خرابي ادارات شود و براي تداركات انبارها ويراني به‌بار آورد. با اين حال، بلاياي طبيعي براي بيشتر شركت‌ها خطراتي بلندمدت و جدي‌تر به همراه دارند: از دست رفتن اطلاعات.
بر طبق اطلاعات فما (سازمان مديريت بحران فدرال) ۴۰ تا ۶۰ درصد كسب‌وكارها بعد از متحمل شدن خسارات ناشي از بلاياي طبيعي هرگز بازگشايي نشدند. با اينكه دليل اين كار تاحدودي به هزينه‌هاي خالص بازسازي زيرساخت حياتي كسب‌وكار برمي‌گردد ولي از دست رفتن اطلاعات عامل اصلي ديگري در اين شكست‌هاست.
بدون مركز داده پشتيبان‌گيري، امكان دارد كه شركت‌ها زماني كه بلاياي طبيعي قسمتي از ساختار IT آنها را نابود مي‌كند، اطلاعت مهم تجاري‌شان را براي هميشه از دست بدهند. بازسازي يك اداره، يك چيز است ولي بازسازي يك پايگاه داده‌ي مرتبط با مشتري كه به دقت دسته‌بندي شده و گردآوري آن سالها زمان برده است، همه چيز است ولي غيرممكن.
اين شركت‌ها با محروميت از اطلاعاتي كه براي كار به آنها نياز دارند هيچ انتخابي ندارند جز اينكه يا درهايشان را تخته كنند يا از اول شروع كنند. با پشتيبان‌گيري اطلاعات توسط مراكز داده‌ي DcaaS كه قابليت تحمل شديدترين بلاياي طبيعي را دارند، شركت‌ها مي‌توانند آسوده خاطر باشند كه اطلاعاتشان بعد از اين بلايا هم در دسترس خواهند بود.

۳- امنيت فيزيكي

يك اداره‌ي معمولي ازديدگاه امنيت چندان مرعوب كننده نيست. حتي اگر ساختمان به سيستم امنيت يا نگهباني مجهز باشد، نمي‌تواند جلوي كسي را بگيرد كه وارد اداره مي‌شود و يك هارد درايو به سرقت مي‌برد يا اطلاعات حياتي را داخل يك كارت حافظه بارگذاري مي‌كند. مهم‌تر اينكه چه چيزي مانع يكي از كارمندان همان شركت مي‌شود كه به چنين كاري دست نزند؟
حتي امن‌ترين ادارات هم از نظر ميزان امنيت فيزيكي با يك مركز داده‌ي متداول يا نرم‌افزار محور برابري نمي‌كنند. مراكز داده‌ي DcaaS با لايه‌هاي چندگانه‌ي امنيت كه دو عامل معتبر زيست‌سنجي و ليست‌هاي محدودكننده‌ي دسترسي را در هم مي‌آميزند، بالاترين سطح از امنيتي را كه سازمان‌ها خواستار آنند، ارائه مي‌دهند. اين امر تضمين مي‌كند كه حتي در مواجهه با اتفاقات كم‌احتمال كه اطلاعات حياتي از در اداره خارج مي‌شوند، هميشه در پشت ديوارهاي يك مركز داده‌ي امن، يك پشتيبان مطمئن وجود دارد.

۴- حفاظت از باج‌افزار

در سالهاي اخير حملات سايبري رشد روزافزون و پيچيده‌اي داشته‌اند. يكي از موفق‌ترين استراتژي‌هايي كه امروزه استفاده مي‌شود، باج‌افزار است. باج‌افزار از بدافزارهايي استفاده مي‌كند كه در سيستم جا مي‌گيرند و اطلاعات را رمزگذاري مي‌كنند. بنابراين صاحب اطلاعات و ديگر كاربران مجاز، نمي‌توانند به آنها دسترسي پيدا كنند.
به محض رمزگذاري اطلاعات، هكرها با قربانيان تماس برقرار مي‌كنند و پيشنهاد مي‌دهند كه اطلاعات را در ازاي پرداخت پول قفل‌گشايي مي‌كنند. با اين حال جاي تعجب ندارد كه در مواردي با وجود پرداخت باج، اطلاعات اغلب رمزگذاري شده باقي مي‌مانند.
حفظ يك پشتيبان جداگانه در يك محيط امن مركز داده تضمين مي‌كند كه شركت‌ها حتي زماني كه سيستم‌هاي اصلي‌شان قرباني باج‌افزارها شده است، قادر به دسترسي به اطلاعات باشند و تجارت‌شان را سرپا نگه دارند. با وجود اين حملات كه در سالهاي اخير فزوني يافته‌اند، سازمان‌ها در هر اندازه‌اي بايد به فكر استراتژي‌هاي پشتيبان‌گيري باشند تا اثرات اين حملات را تخفيف دهند.

۵- دسترس‌پذيري اطلاعات

امروزه مشتريان خواستار دسترسي فوري به توليدات و خدمات هستند. اين امر به شركت‌ها فشار زيادي وارد مي‌كند تا زيرساخت‌هاي شبكه‌اي را طوري بسازند كه سطح بالايي از زمان كاري را براي پاسخگويي به نياز مشتريان ارائه دهد. زماني كه سيستم‌ها خاموش مي‌شوند و دسترس‌پذيري به خدمات قطع مي‌شود، مشتريان ايمان‌شان را به شركت از دست مي‌دهند و جاي ديگري به دنبال چاره مي‌گردند. بازسازي اعتماد مشتريان به يك نشان تجاري حتي اگر عملي هم باشد، سالها زمان مي‌برد.
پشتيبان‌گيري از اطلاعات از طريق امكانات امن DcaaS كه زمان كار بالايي ارائه مي‌دهد مي‌تواند به شركت‌ها كمك كند تا از خودشان در برابر شكست‌هاي احتمالي در زيرساخت‌هاي IT، محافظت كنند. همچنين تضمين مي‌كند كه اطلاعات بر اثر تجاوز يا كمبودي كه باعث از دست رفتن آنها مي‌شود، هنوز هم در دسترس باشند. اين كار شركت‌ها را قادر مي‌سازد سريعاً پس‌روي‌ها را جبران كنند تا بتوانند با كمترين ميزان قطع خدمات، به نيازهاي مشتريان پاسخ دهند.
مراكز داده در استراتژي پشتيبان‌گيري هر سازماني نقشي حياتي ايفا مي‌كنند. چه اين‌ها، شركت‌هايي در سطح پرمخاطره باشند يا شركت‌هايي نوپا و كوچك با تعداد كمي مشتري. فكر كردن به شكل‌دهي برنامه‌هاي احتمالي براي رسيدگي به حادثه‌ي از دست رفتن اطلاعات، به دليل اهميت روزافزون اطلاعات براي تحويل توليدات و خدمات در امروز و آينده، مي‌تواند براي شركت و مشتريان آسايش خاطر به همراه داشته باشد.

۵ نمونه كلان داده در دنياي واقعي و چگونگي تبديل آنها به سرمايه

سازمانها از مدت‌ها پيش متوجه شده‌اند كه اطلاعات براي تصميم‌گيري مناسب حياتي‌اند. اما اين قضيه در حوزه‌ي كلان داده، بسيار مهم‌تر از قبل است. روش جمع‌آوري و تجزيه و تحليل داده‌ها توسط شركت‌ها با پيشرفت در هوش مصنوعي، محاسبه‌ي ابري و دستگاه‌هاي اينترنت اشيا، اساساً تغيير كرده است.
طبقه‌بندي سرراست داده‌هاي جمع‌آوري شده، مرتب‌سازي دستي را براي انسان‌ها غير ممكن مي‌كند. آنها مجبورند به منظور شناسايي الگوها، گرايش‌ها و بينش‌هاي فوق‌العاده‌اي كه شكل دهنده‌ي تصميمات تجاري‌اند، به الگوريتم‌هايي پيشرفته روي آورند.
پياده‌سازي نيازهاي سيستم به جمع‌آوري و تجزيه و تحليل كلان داده يكي از بزرگ‌ترين چالش‌هايي است كه شركت‌ها امروزه با آن روبه‌رو هستند. به دليل مزاياي قابل توجه به دست آمده از يك استراتژي كلان داده خوب، بيشتر صنايع سعي در انجام اين كار دارند. در اينجا تعدادي نمونه‌ي كلان داده در كسب و كار امروزي بيان شده است.

مراقبت‌هاي بهداشتي

صنعت مراقبت‌هاي بهداشتي هرگز از نظر داده كسري نداشته است. مشكل اينجاست كه سازمان‌هاي مراقبت بهداشتي براي استفاده‌ي موثر از اين داده‌ها در پيكار بوده‌اند.
قسمتي از اين چالش به طبيعت بدون ساختار داده‌ها برمي‌گردد.
تركيب سنجه‌هاي ساختار يافته مانند هزينه‌هاي سربار و ميزان داروهاي تجويز شده در يك الگوريتم، واقعا ساده است ولي توجيه داده‌هاي ارزشمند موجود در منابعي مانند نمودارهاي پزشكي (كه برخي از آنها هنوز هم به صورت دست نوشته‌اند) بسيار سخت‌تر است و حتي قبل از مسائل مربوط به انطباق با حريم خصوصي بيمار، كه يكي از چالش‌هاي اصلي كلان داده در مراقبت‌هاي بهداشتي است، مورد توجه قرار مي‌گرفتند.
همانطور كه بهبود تجزيه و تحليل كلان‌ داده‌ها با استفاده از هوش مصنوعي و يادگيري ماشيني ادامه دارد، با اين حال سازمان‌هاي مراقبت‌هاي بهداشتي در حال يافتن راه‌هاي متعددي هستند تا از اين مجموعه داده‌ها سود ببرند.
نمونه‌هاي مختلفي از كلان داده در مراقبت‌هاي بهداشتي وجود دارد كه ارزش اشاره دارند. تجزيه و تحليل طولاني مدت روال تشخيص بيماري، درمان و نتايج سلامتي مي‌تواند در نهايت هزينه‌ي مراقبت را از طريق حذف عادات بي‌فايده يا زائد، به طور قابل ملاحظه‌اي كاهش دهد.
متخصصان مراقبت‌هاي بهداشتي نيز مي‌توانند مدل‌هاي پيش‌بيني دقيق‌تري براي انواع مختلف شرايط و درمان‌ها ايجاد كنند كه به آنها اجازه مي‌دهد در زمان مراقبت از بيمار، تصميماتي آگاهانه‌تر بگيرند.
با افزايش دستگاه‌هاي پزشكي اينترنت اشيا كه قابليت پوشيدن دارند، سازمانها قادر خواهند بود كه حتي داده‌هاي بيشتري از بيماران جمع‌آوري كنند تا تجزيه و تحليل كلان داده‌هايشان را به طور مداوم بهبود بخشند.

رسانه و سرگرمي

ديجيتالي كردن محتواي سرگرمي در مسير توسعه‌ي شركت‌ها و خريد و فروش توليدات و خدمات آنها تحولي عظيم به بار آورده است. با اين حال تجارت الكترونيك تنها ۱۴.۳ درصد خرده فروشان آمريكا را شامل مي‌شود. اين رقم نمي‌تواند از چگونگي عملكرد مردم به عنوان مشتري يا تاثير كل نمونه‌هاي كلان داده در خرده فروشي، تصويري كلي برساند.
بر طبق داده‌هاي نيلسن (Nielsen)، جوانان (افراد بين سنين ۱۸-۳۴ سال) ۴۳ درصد از وقتي را كه صرف رسانه‌ها مي‌كنند، در پلتفورم‌هاي ديجيتال به سر مي‌برند كه تقريبا به يك سوم اين رسانه‌ها از طريق گوشي‌هاي هوشمندشان دسترسي دارند.
اين تعاملات يك صف طولاني از سطوح داده مي‌سازد كه مي‌تواند به شركت‌ها كمك كند تا توليدات و خدمات‌شان را در موقعيت موثرتري قرار دهند.
با تحليل كلان داده‌ها كه قابليت يافتن الگو در اين داده‌ها را ميسر مي‌سازد، توليدكنندگان محتوا مي‌توانند علايق و تقاضاهاي مخاطبان را خيلي دقيق‌تر از قبل پيش‌بيني كنند. آنها به جاي اينكه محتوايشان را در رابطه با يك سري از گروه‌هاي تمركز بسازند كه ممكن است نشاني از مخاطبان واقعي نداشته باشند، مي‌توانند از روند داده‌ها استفاده كنند تا محتواي بخصوصي را براي جمعيت خاصي هدف قرار دهند.
شركت‌ها با درك اينكه كاربران چگونه وقت‌شان را صرف رسانه و سرگرمي مي‌كنند، همچنين مي‌توانند از سيستم عامل‌هاي توزيع‌شان حداكثر استفاده را ببرند تا مشتريان‌شان را همانجايي كه هستند ملاقات كنند.

حمل و نقل

تركيب تگ‌هاي هوشمند بازشناسي با امواج راديويي، رديابي GPS و سنسورهاي اينترنت اشيا «شهر هوشمند» در حال تغيير روشي است كه شركت‌ها و برنامه‌ريزان شهري از زيرساخت‌هاي حمل و نقل استفاده مي‌كنند.
اين دستگاه‌ها حجم عظيمي از داده توليد مي‌كنند كه از نحوه‌ي استفاده‌ي مردم از اين زيرساخت‌ها و نحوه‌ي تاثيرگذاري متغيرهايي مانند آب و هوا، تصادفات و تعميرات بر روي الگوهاي ترافيك، تصويري واضح ارائه مي‌دهد.
با اتومبيل‌هاي خودران كه در شرف وقوع هستند، كارايي بالقوه‌ي اين داده‌ها در سال‌هاي پيش رو به طور قابل توجهي افزايش مي‌يابد. برنامه‌ريزان شهري مي‌توانند از داده‌هاي دقيق جمع‌آوري شده از سنسورهاي اينترنت اشيا استفاده كنند تا بزرگراه‌هاي بهتري طراحي كنند و زيرساخت موجود را بهينه كنند تا حمل و نقل را به يكي از ساده‌ترين نمونه‌هاي تجسم كلان داده تبديل كنند.
الگوريتم‌هاي پيشرفته‌ي محاسبه‌ي ابري مي‌توانند داده‌هاي جمع‌آوري شده توسط سنسورها و رفت و آمدهاي مكرر را تجزيه و تحليل كنند تا افراد را از اينكه چگونه مي‌توانند مقرون به صرفه‌تر به مقصد برسند آگاه كنند و از مناطق پرترافيك دور بمانند.
قدرت پيش‌بيني ناشي از تجزيه و تحليل كلان داده‌ها همچنين مي‌تواند خطرات بالقوه را قبل از اينكه تبديل به تهديد شوند، شناسايي كند و به رانندگان يا مهندسان شهري هشدار دهد كه وسيله‌ي نقليه يا پلي نياز به تعمير دارد.

خدمات مالي

جاي تعجب ندارد كه صنايع بانكداري و خدمات مالي در استفاده از تجزيه و تحليل كلان داده سريع عمل كرده‌اند. چه اين داده‌هاي مالي از مشتريان جمع‌آوري شده باشند يا گزارشاتي از بازارهاي مختلف سرمايه‌گذاري باشند، اين سازمانها حجم بالايي از داده را در اختيار دارند.
سرعت بالاي كوچك‌سازي سخت‌افزارهاي پردازش و رشد محاسبات ابري منجر شده تا شركت‌هاي خدمات مالي ديگر نيازي نداشته باشند تا بر ابر رايانه‌هاي قديمي تكيه كنند. در عوض با استفاده از جديدترين امكانات در محاسبات عملكرد بالا، به غربال كردن كوهي از داد‌ه‌هايي كه روزانه گردآوري مي‌كنند، مي‌پردازند.
جنبه‌هاي مختلف صنعت مالي اين را به مثال خوبي از كلان داده تبديل مي‌كند. اكثر معاملات سهام جهان در حال حاضر توسط الگوريتم‌هاي معاملات بسامد بالا (HFT) مديريت مي‌شوند كه سيگنال‌هاي بازار را از منابع مختلف دريافت مي‌كنند و براي خريد يا فروش در چند صدم ثانيه تصميم مي‌گيرند.
شركت‌هاي بانكداري و كارت‌هاي اعتباري همچنين مي‌توانند با استفاده از تحليل كلان داده، فعاليت‌هاي مربوط به خريد را كنترل و مديريت كنند و با شناسايي كلاهبرداران به طور بالقوه از هزاران دلار پس‌انداز مشتريان حفاظت كنند. همين روش مي‌تواند براي اقدامات امنيت سايبري نيز به كار گرفته شود.

توليد

دركي كه اغلب از صنعت توليد وجود داشت، بخشي بود كه در حال زوال سريع است. ولي در دهه‌هاي اخير به لطف خودكارسازي و ديگر فناوري‌هاي هوشمند كه كارخانه‌ها را كارآمدتر و سودمندتر ساخته، اين صنعت بازگشت لذت‌بخشي را تجربه كرده است.
ماشين‌آلات صنعتي امروزي با دستگاه‌هاي مختلف اينترنت اشيا تجهيز شده است كه داده‌هاي ارزشمندي را براي شركت‌ها تهيه مي‌كند كه مي‌تواند جهت ساده‌سازي عمليات و كاهش چشمگير هزينه‌ها مورد استفاده قرار گيرد.
گردآوري داده‌هاي بيشتر در هر سطح از روند توليد، ديد بهتري در عملكرد و نحوه‌ي دريافت محصولات و استفاده توسط مصرف‌كنندگان تدارك مي‌بيند كه نمونه‌اي مهم از كلان داده است.
در تحليل كلان داده‌ها مي‌توان از اين داده‌ها به منظور طراحي توليدات بهتر كه با نيازهاي مشتريان هم‌ترازي بيشتري دارند، استفاده كرد.
به جاي سرمايه‌گذاري در تحقيقات فشرده، گردآوري مداوم داده‌ها رويكردي تكراري را براي پاسخگويي سريع به نيازهاي بازار طراحي مي‌كند.
سازمانها با تجهيزات توليد مجهز شده به اينترنت اشيا، مي‌توانند از داده‌هاي حاصل براي پيش‌بيني زماني كه ماشين‌آلات نياز به تعمير يا جايگزيني دارند استفاده كنند و به سمت برنامه‌ي توليد موثرتري بروند.
گردآوري داده‌ها در طي فرايند توزيع و ذخيره‌سازي كمك مي‌كند تا زنجيره‌هاي تامين را به منظور جلوگيري از تاخيرهاي هزينه‌بر و خطاهاي انساني بهبود بخشيم.
حوزه‌ي كلان داده در حال حاضر روي كار است. سازمانهايي كه به منظور سرمايه‌گذاري بر روي فرصت‌هاي ارائه شده قدم برمي‌دارند، بدون شك از مزيت‌هاي رقابتي در سالهاي آينده لذت خواهند برد.

منبع: گروه پژوهشي سلام علم 

معماري پايگاه داده چيست؟

معماري سيستم مديريت پايگاه داده به طراحي ، توسعه ، پياده سازي و نگهداري پايگاه كمك مي كند. ميدانيم كه پايگاه داده اطلاعات مهم براي كسب و كار ها را ذخيره مي كند. انتخاب “معماري پايگاه” صحيح به دسترسي سريع و ايمن داده ها كمك مي كند.

معماري يك سطحي:

ساده ترين معماري پايگاه داده يك سطحي است ،كه مشتري ، سرور و پايگاه داده همه در يك ماشين قرار دارند. در هر زمان ، شما پايگاه را در سيستم خود نصب مي كنيد و در ان با زبان sql تمرين مي كنيد ، اين معماري يك سطحي است. اما چنين معماري به ندرت در توليد استفاده مي شود.

معماري دو سطحي:

معماري دو سطحي مدلي از معماري پايگاه داده است كه در آن سطح نمايشي بر روي رايانه شخصي ، موبايل ، تبلت و غيره اجرا مي شود و داده ها در يك سرور جدا ذخيره مي شوند.
يك رابط برنامه در سمت مشتري به او امكان مي دهد تا سيستم مديريت پايگاه را فراخواني كند. امروزه بيشتر سيستم هاي رابط كاربري مخصوص خود را ارائه مي دهد. معماري دو سطحي امنيت بيشتري را به ايجاد مي كند زيرا مستقيماً در معرض استفاده كاربر نهايي نيست.نمونه اي از معماري دوسطحي ، يك سيستم مديريت تماس است كه با استفاده از MS- Access ايجاد شده است.

در معماري دو سطحي تصوير مي توان مشاهده كرد كه يك سرور به كاربر هاي ۱ ،۲ و ۳ متصل است.

معماري سه سطحي:

طرح سه سطحي توسعه ي معماري دو سطحي است. اين معماري داراي سطوح زير است:

1. سطح نمايش كه در رايانه شخصي ، رايانه لوحي ، تلفن همراه و غيره توسط كاربر ديده ميشود.
2. سطح برنامه (سرور).
3. سطح سرور اطلاعات پايگاه داده.

اين معماري شامل سطح برنامه بين كاربر و سيستم مديريت پايگاه است كه وظيفه انتقال درخواست كاربر به سيستم و ارسال پاسخ از سيستم به كاربر را بر عهده دارد.
سطح برنامه ، منطق عملكردي ، محدوديت ها و قوانين را قبل از انتقال داده به كاربر را پردازش مي كند.معماري سه لايه محبوب ترين معماري سيستم مديريت پايگاه داده است.

اهداف معماري سه سطحي:

1. جدا كردن سطح برنامه كاربر و پايگاه داده فيزيكي
2. پشتيباني از ويژگي هاي سيستم مديريت پايگاه داده مطرح شده است.
3. استقلال برنامه و داده ها
4. پشتيباني از نماهاي انواع داده ها

نمونه اي از معماري سه سطحي را ميتوان هر وبسايت بزرگي در اينترنت را نام برد.

مديريت اطلاعات شبكه‌هاي اجتماعي در عصر كلان داده (Big data)

در طي پانزده سال اخير، شبكه‌هاي اجتماعي كه چيزي بي‌سابقه بودند، به يك ويژگي همه‌گير در دنياي مدرن تبديل شده‌اند.
داده‌هاي نظرسنجي تحقيق پيو (Pew) بر روي استفاده از شبكه‌هاي اجتماعي نشان مي‌دهد كه اين پلتفرم‌ها به چه ميزان جهاني شده‌اند. گزارش شده است كه ميانگين بزرگسالان آمريكايي از بين هشت پلتفرم معروف، حداقل از سه تاي آنها به‌طور منظم استفاده مي‌كنند.
داده‌هاي توليد شده از طريق شبكه‌هاي اجتماعي، با وجود كاربران فراوان، فرصت‌هاي بسياري را به شركت‌هايي با استراتژي‌هايي در محل براي مديريت كلان داده‌هاي بدون ساختار، ارائه مي‌دهد.

داده‌هاي شبكه‌هاي اجتماعي

كاربران شبكه‌هاي اجتماعي همانند ديگر كاربران به طور مداوم با جنبه‌هاي مختلفي از هر پلتفرم مواجه مي‌شوند. هركس از اين تعاملات يك مقدار داده‌ي قابل اندازه‌گيري مي‌سازد كه قابليت پيگيري، تقسيم و تجزيه و تحليل براي بينش‌ها را دارد.
داده‌هاي شبكه‌هاي اجتماعي مرتباً رفتار كاربر را ثبت مي‌كنند. اين امر به شركت‌ها اجازه مي‌دهد تا استراتژي‌هاي مشاركتي بسازند كه به آنها در ارتقاي تجارت‌شان كمك مي‌كند.
يكي از مزاياي اصلي اين داده‌ها اين است كه به سادگي مقدار زيادي از آنها را بدست خواهيد آورد. رقم سرسام‌آور ۲.۶۲ بيليون كاربر كه در سال ۲۰۱۸ از برخي از پلتفرم‌هاي شبكه‌هاي اجتماعي استفاده مي‌كردند. انتظار مي‌رود كه اين رقم تا سال ۲۰۲۱ به ۳ بيليون برسد. فيس بوك، محبوب‌ترين پلتفرم شبكه‌ي اجتماعي تابه‌حال، به تنهايي كمي بيشتر از ۲ بيليون كاربر فعال دارد.
داده‌هاي توليد شده با اين پلتفرم‌ها نه تنها وسيع هستند بلكه يك نگاه اجمالي از آنچه كاربرها در حال انجام هستند، ارائه مي‌دهند.
شركت‌ها به جاي اينكه منتظر گزارش‌هاي سالانه يا فصلي از رفتار مشتريان باشند مي‌توانند گرايش‌ها و واكنش‌ها را به محض اتفاق دنبال كنند.

سنجه‌هاي عملكرد

به طور طبيعي، داده‌هاي شبكه‌هاي اجتماعي شامل سنجه‌هاي مختلفي مي‌شوند كه به راحتي قابليت جمع‌آوري دارند:
·       پسنديدن‌ها (Likes)
·       به اشتراك‌گذاري‌ها (Shares)
·       نام بردن (Mentions)
·       اثرگذاري‌ها (impressions)
·       كليك‌هاي URL
·       نظرات (comments)
·       استفاده از هشتگ
·       استفاده از كلمات كليدي
قطعاً بسياري از اين مقادير داده بدون انواعي از محتوا، بي‌معني هستند. استراتژي‌هاي شبكه‌هاي اجتماعي اوليه بر روي سنجه‌هاي «پوچي» تمركز كرده بود؛ مانند تعداد دنبال كنندگان (follower) و مشاركت‌هاي سطحي در پسنديدن يا به اشتراك‌گذاري.
مشكل اين سنجه‌ها اين است كه نتيجه‌گيري عملي از آنها بدون تحليل و بررسي‌هاي اضافي سخت است. داشتن دنبال كنندگان زياد در يك پلتفرم عملاً به معناي موفقيت در كسب‌وكار نيست.

مديريت داده‌هاي بدون ساختار

با وجود اينكه تجزيه و تحليل‌هاي كلان داده اغلب با ديگر صنايع داراي داده‌هاي سنگين مانند مراقبت‌هاي بهداشتي مرتبط است، ولي اين را براي شركت‌ها ممكن ساخته است كه بينش‌هايي بامعني از سنجه‌هاي عملكرد شبكه‌هاي اجتماعي بيرون بكشند.
گرچه شبكه‌هاي اجتماعي داده‌ي ساختارمند فراواني در ارتباط با كاربران تهيه مي‌كنند (اطلاعات پايه‌اي مانند نام، آدرس الكترونيك، جنسيت و غيره) ولي اكثريت قريب به اتفاق آنها، بدون ساختارند. به اين معني كه با هيچ نوع بخصوصي سازگار نيستند و تقريبا مي‌توانند شامل هر اطلاعاتي باشند. از آنجا كه حدود ۸۰ درصد همه‌ي داده‌هاي توليد شده بدون ساختارند، اين نبايد جاي تعجب داشته باشد.
روش شناسي‌هاي كلان داده با استفاده از الگوريتم‌هاي قدرتمند به شركت‌ها اجازه مي‌دهد تا اين داده‌ها را به شكلي موثرتر مديريت كنند. اكثر پلتفرم‌هاي شبكه‌هاي اجتماعي شكلي از ابزارهاي تجزيه و تحليل ارائه مي‌دهند كه ايجاد محتوا براي ديگر كلان داده‌هاي بدون ساختار و گسترده را تسهيل مي‌كند.
اين امر براي توسعه و بهبود استراتژي شبكه‌ي اجتماعي كمك‌كننده است ولي تنها خراشي بر پوشش گنجينه‌ي بينش‌هاي پنهان در داده‌هاي شبكه‌هاي اجتماعي ايجاد مي‌كند.

داده كاوي

داده‌هاي بدون ساختار فراتر از سنجه‌هاي عملكرد و مشاركت را در بر مي‌گيرند. فايل‌ها، تصاوير، ويديوها، فايل‌هاي صوتي، نظرات و پيام‌هاي به اشتراك گذاشته شده، همه نوعي داده‌ي بدون ساختار هستند. زماني كه كاربران در يك پلتفرم شبكه‌ي اجتماعي چيزي را منتشر مي‌كنند، نگاهي اجمالي از زندگي‌شان را در معرض ديد قرار مي‌دهند.
اين اطلاعات براي جستجوي سازمانها جهت توسعه‌ي توليدات و خدماتي كه پاسخگوي نياز مشتريان‌اند و سطوح درد مخاطبان هدف را مورد توجه قرار مي‌دهند، ارزشمندند.
در واقع مشخص كردن مخاطبان هدف هم چالشي است كه امكان حل آن از طريق تجزيه و تحليل رفتار كاربر در پلتفرم‌هاي شبكه‌هاي اجتماعي به صورت بالقوه وجود دارد.
ولي با بيش از دو بيليون كاربر كه از شبكه‌هاي اجتماعي استفاده مي‌كنند، اطلاعات بسيار زيادي براي تجزيه و تحليل وجود دارد. اوضاع زماني بدتر مي‌شود كه درصد بالايي از اين داده‌هاي بدون ساختار، پارازيت باشند.
اينجاست كه ابزارهاي تحليل و بررسي كلان داده تغذيه شده توسط هوش مصنوعي و يادگيري ماشيني براي سازمانها ارزشمند مي‌شوند. اين برنامه‌ها مي‌توانند بيليون‌ها تكه‌ي اطلاعات را به منظور استخراج بينش‌هاي بامعني در مورد مشتريان سازمانها تجزيه و تحليل كنند.
به عنوان يك مثال قابل توجه كلان داده، مطالعه‌ي استفاده از توييتر در متروي لندن به مدت يك سال، محتواي توييت‌‌ها را در زمان‌هاي خاصي از روز تجزيه و تحليل كردند و نتايج را با استفاده از ويژگي نشانه‌گذاري جغرافيايي (geotagging) پلتفورم، ارجاع متقابل دادند تا مشخص كنند كجا، كِي و كدام كاربران در اين باره پست گذاشته‌اند. نتايج منجر به توصيه‌اي از سوي محققان شد كه چه نوع تبليغاتي بايد بر روي بيلبوردهاي ديجيتال گردان هر ايستگاه در ساعات مختلف روز نمايان شوند تا تاثيرگذاري‌شان به حداكثر برسند.
اين تنها يكي از نمونه‌هاي كلان داده است كه نشان مي‌دهد داده‌هاي شبكه‌هاي اجتماعي چگونه مي‌توانند اطلاعاتي عملي ارائه دهند. همين فناوري‌هاي داده كاوي مي‌توانند به شركت‌ها كمك كند تا محصولات و خدمات بهتري توليد كنند.
تقاضاهاي ثابت براي ويژگي‌هاي جديد بر روي يك محصول يا شكايات از يك خدمت مي‌توانند رهنمودي براي محققان و مهندسان باشند كه با كار جدي‌تر تجربيات بهتري براي مشتري به ارمغان آورند.

راه‌حل‌هاي چندگانه

كلان داده به دليل مقادير عظيم ذخيره‌سازي و قدرت محاسباتي مورد نياز براي اجراي برنامه‌هاي قدرتمند تجزيه و تحليل، بيشتر شركت‌ها را با چالش روبه‌رو كرده است.
خوشبختانه مراكز داده‌ي اشتراك فضا (colocation) از توانايي‌هاي ارتباطي برخوردارند تا براي ساخت شبكه‌هاي ابري چندگانه به شركت‌ها كمك كنند تا سرورهاي آنها را با قدرت محاسباتي مقياس‌پذير پلتفرم‌هاي خدمات ابري كامل كنند.
اين خدمات به سازمانها اجازه مي‌دهد تا انواع داده‌هاي بدون ساختارشان را موثرتر مديريت كنند، امنيت و كنترلي را كه براي زيرساخت‌هايشان نياز است، حفظ كنند در حالي كه ابزارهاي قدرتمند تجزيه و تحليل پيشنهاد شده توسط بسياري از خدمات پايه‌ي ابري را در دسترس آنها قرار مي‌دهند.
همانطور كه داده‌هاي شبكه‌هاي اجتماعي پيچيده‌تر مي‌شوند، شركت‌ها نياز پيدا مي‌كنند تا راه‌هاي مديريت اين اطلاعات مختلف را بهبود بخشند. آنها با تنظيم شبكه‌هايي كه مي‌توانند تجزيه و تحليل كلان داده را تسهيل كنند، مي‌توانند بينش‌هاي عملي را سريع‌تر از قبل دريافت كنند. اين امر به آنها اجازه مي‌دهد تا استراتژي‌هاي انعطاف‌پذير را به منظور بهبود پاسخگويي به نيازهاي مشتري‌شان توسعه دهند.
مراكز داده مي‌توانند به شركت‌ها در ايجاد اين شبكه‌ها كمك كنند و با گزينه‌هاي اتصال به هم و گسترش‌هاي مبتكرانه‌ي فضاي ابري چندگانه، آنها را قادر به دگرگوني ديجيتال كنند.

 منبع: گروه پژوهشي سلام علم