دانش محوري

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