دانش محوري

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