موانع میان سازمان‌ها و مزایای داده‌های بزرگ

بيشتر سازمان‌ها بر این باورند که داده‌های بزرگ می‌توانند مزیت رقابتی برای آنها به ارمغان بیاورند؛ اما حدودا ۶۰ درصد سازمان‌ها همچنين معتقدند که بهره‌گیری واقعی از داده‌های بزرگ یک چالش مهم است.

به گزارش افتانا (پایگاه خبری امنیت فناوری اطلاعات)، طی حدودا سه سال گذشته، مفهوم داده‌های بزرگ رواج بسیاری یافته است. با اینکه برخی از اصحاب کسب‌وکار این مقوله را یک هوس و اعتیاد زودگذر می‌دانند، اما سازمان‌ها همچنان توجه روزافزونی به این مفاهیم پیدا می‌کنند. شرکت مشاوره‌اي PwC در پیمایش سالانه خود دریافت که ۶۲ درصد سازمان‌ها بر این باورند که داده‌های بزرگ می‌تواند برای آنها یک مزیت رقابتی به وجود آورد.

اما باور داشتن به قدرت داده‌های بزرگ به تنهایی کافی نیست، بلکه به کارگماری داده‌های بزرگ برای دستیابی به آگاهی‌هاي عملیاتی و بهره‌برداری واقعی از این واقعیت است که در عمل می‌تواند سازمان را به مزیت رقابتی برساند. PwC همچنین دریافت که ۵۸ درصد سازمان‌ها توافق دارند که بهره برداری از داده‌های بزرگ چالش بزرگی است.

آناند رائو، از مدیران ارشد شرکت PwC معتقد است «میزان اطلاعات و داده‌هایی که ما هم اکنون در حال گردآوری آن هستیم از جهت حجم واقعا بسیار زیاد و به گونه‌ای است که از چاردیواری سازمان بسیار فراتر مي‌رود.» وی می‌افزاید: «سازمان‌ها افراد مناسب با این کار را در اختیار ندارند و همچنین فاقد ساختار مناسب برای این کار هستند و در استفاده از ابزارها و فنون دچار مشکل‌اند.»

PwC ۱۱۰۸ سازمان را از ۱۲ کشور و از صنایع مختلف مورد پیمایش قرار داد. پاسخگویان به صورتی متوازن و بین مدیران بخش IT و مدیران کل سازمان تقسیم شده بودند و بیش از ۷۵ درصد آنها در سازمان‌هایی با درآمدها بیش از یک میلیارد دلار کار می‌کردند. PwC دریافت که سازمان‌ها با چهار مانع عمده در راه دستیابی به مزایای داده‌های بزرگ روبه‌رو هستند:

۱. غفلت از اهمیت مصورسازی۱
۲. تاکید بر گردآوری داده‌ها و غفلت از تحلیل آنها
۳. وجود شکاف استعدادی و مشکل در مهارت‌هاي مورد نیاز
۴. عدم کارآیی سیستم‌هاي موجود در سازمان‌ها برای پردازش سریع اطلاعات

سازمان‌ها اهمیت مصورسازی را نمی‌دانند

مصورسازی در بهره‌گیری واقعی از مزایای داده‌های بزرگ نقش بنیادینی دارد؛ زیرا کمک می‌کند تا داده‌ها را در شرایط کاربردی قرار دهیم و مدل‌های کسب‌وکار را به صورتی واقعی در آوریم. در بسیاری از موارد قابلیت‌هاي مصورسازی پیشرفته به سازمان کمک می‌کند که آگاهی‌هايي به دست آورند و از داده‌های بزرگ تحلیل به عمل آورند که بدون آنها اين امكان وجود ندارد.

برای مثال، به خاطر کهنگی سوابق سازمانی و دقیق نبودن اطلاعات، اغلب سازمان‌هاي فراهم‌کننده خدمات زیرساخت‌عمومی نمی‌دانند که اشکال در کدام یک از تجهیزات و در چه مکانی است که منجر به قطعی سیستم می‌شود؛ امری که مصداق آن در قطع شدن اتصال برق یا خدمات ارتباطی عمومی دیگر به علت قطعی‌های تصادفی سیم‌ها و اتصالات یا ایجاد قطعی در خطوط زیر دریا رخ می‌دهد.

برای دوری از این مشکلات، شهرداری لاس‌وگاس از مزیت داده‌های هوشمند برای توسعه یک مدل زنده در مدیریت شبکه خدمات عمومی خود استفاده کرد. شرکت مشاوره‌ای VTN به این شهرداری کمک کرد که داده‌های انباشته شده از منابع مختلف را به صورت یک مدل سه بعدی بهنگام و پویا درآورد که به‌وسیله فناوری Autodesk، تجهیزات زیر زمینی و رو زمینی را تحت پوشش قرار مي‌داد و برای مصور سازی مکان‌ها و عملکرد دارایی‌هاي حیاتی که در زیر این شهر استمرار یافته بودند مورد استفاده قرار می‌گرفت.

در این پیمایش جهانی تنها ۲۶ درصد پاسخگویان بیان کرده‌اند که از مصورسازی داده‌ها استفاده می‌کنند؛ اما این تصویر وقتی روی سازمان‌هایی با عملکرد عالی تمرکز می‌کنید بسیار متفاوت است؛ یعنی پاسخگویانی که رشد درآمدی بیش از ۵ درصد را گزارش کرده‌اند و شرکت‌هاي آنها در ربع بالای جدول از نظر درآمد، سودآوری و نوآوری قرار گرفته‌اند، از جهت برنامه‌ریزی برای سرمايه‌گذاری بیشتر بر مصورسازی در سال ۲۰۱۳ پیشرو بوده‌اند.

طبق گفته رائو، «مصورسازی که اغلب افراد به آن گرایش دارند داشتن داشبوردهایی از اطلاعات است که بتوانید روی آنها کوچک نمایی یا بزرگنمایی کنید؛ به طوری که کاربر کسب‌وکار بتواند به راحتی آن را بفهمد و با آن کار کند.» وی مي‌افزاید: «این بیشتر یک تحلیل انتزاعی است و اساسا ماهیتی گذشته‌نگر دارد. اغلب سازمان‌ها در حال دستیابی به این موضوع هستند؛ اما هم‌اکنون که ما آنچه رخ داده یا نداده را بر اساس اقداماتی که انجام داده‌ایم می‌فهمیم و مي‌خواهیم به آینده بنگریم، نیازمند سرمایه‌گذاری پویاتری است.»

سرمايه‌گذاری بیشتر بر گردآوری و غفلت از تحلیل آنها

سازمان‌هايي که طبق گفته رائو و هالتر سرمايه‌گذاری عظیمی بر گردآوری داده‌ها مي‌کنند و برای یکپارچه‌سازی و تحلیل آنها سرمايه‌گذاری کمتری انجام می‌دهند در بهره‌گیری از داده‌های بزرگ دچار مشکل هستند. ۳۲ درصد از سازمان‌ها بیش از یک میلیون دلار صرف گرد آوری ذخیره‌سازی و بازاریابی داده‌های درونی کرده‌اند؛ اما تنها ۲۶ درصد آنها بیش از یک میلیون دلار در تحلیل داده‌های درونی خرج کرده‌اند.

پاسخگویانی که جزو مدیران سازمان‌هاي خدمات مالی، بیمه یا صنایع مربوط به سلامت و پزشکی بودند در سرمايه‌گذاری بر روی یکپارچه‌سازی داده‌ها عملکرد بهتری داشتند. یک سوم سازمان‌های دارای عملکرد عالی هم بیش از یک میلیون دلار در یکپارچه‌سازی داده‌های بیرونی خرج کرده‌اند.

درواقع، می‌توان گفت اکثر سازمان‌ها در حال احتکار داده‌ها هستند بدون اینکه آن را تحلیل کنند؛ زیرا مدیران بخش فناوری اطلاعات و مدیران ارشد در این سازمان‌ها همچنان در دام روش‌هاي سنتی استفاده از داده‌ها هستند. طبق گفته هالتر (از مدیران ارشد PwC) مدل سنتی مربوط به چگونگی همکاری بخش فناوری اطلاعات و بخش‌هاي دیگر سازمان دیگر در این میدان جایی ندارد.

سازمان‌ها در تعامل با بخش فناوری اطلاعات خود همواره دچار مشکل هستند، در گذشته اوضاع به این گونه بود که سازمان نیازمندی‌ها را ایجاد مي‌کرد و بخش فناوری اطلاعات آن را اجرا مي‌کرد. در عصر کنونی که عصر کاوش در داده‌ها است، این روش دیگر کارآمد نیست. در این عصر، بخش فناوری اطلاعات مي‌گوید: ما داده‌ها را گردآوری و مدیریت می‌کنیم، شما شیوه کار با آن را خودتان بیابید. اما تحلیل پیچیده‌اي که برای درک خلق معنا و بهره‌برداری از داده‌های بزرگ مورد نیاز است معمولا فراتر از کاربران سازمانی است.

هالتر مي‌گوید: این چیزها پیچیده هستند و کاربران معمولی سازمان چیزی درباره آنها درک نمی کنند. من فکر می‌کنم آنچه ما دنبال آن هستیم یک رویکرد جدید سازمانی است که به معنای جست وجوی استعدادهای تازه و شیوه‌هاي جدید کند و کاو در داده‌ها است.

رویارویی با شکاف استعدادی

این امر منجر به سومین مانع بر سر راه داده‌های بزرگ می‌شود، یعنی شکاف استعدادی. همان طور که رائو و هالتر فکر می‌کنند، این یک راز نیست که سازمان‌ها معمولا استعدادها و مهارت‌هاي لازم را برای تفسیر داده‌های بزرگ ندارند. تنها ۴۴ درصد از پاسخگویان پیمایش PwC گفته‌اند که استعدادهای کافی برای انجام تحلیل‌هاي عمیق داده‌ها را درون مرزهای سازمان خود دارند. هر چند که سازمان‌هاي دارای عملکرد عالی در بهره‌گیری از استعدادهای ممتاز نیز عملکرد بهتری داشته‌اند.

رائو و هالتر می‌گویند: «سازمان‌ها اغلب از استعدادها و شایستگی‌هاي موجود در سازمان خود غفلت می‌کنند. افرادی که در تحلیل بازاریابی در حال فعالیت هستند، گروه‌هاي آمارگیری، تیم توسعه محصول و قیمت گذاری نیروهایی هستند که می‌توانند به عنوان نقطه آغاز بسیار خوبی برای توسعه استعدادها عمل کنند و بهره‌گیری از آنها می‌تواند در تبدیل داده‌ها به آگاهی‌هاي قابل استفاده نقش مهمی ایفا کند.

سازمان‌هايي که زودتر موفق شده‌اند آنهایی هستند که مدل‌های سازمان جدید را توسعه داده‌اند. آنها مراکزی را برای سرآمدی و تعالی سازمانی ایجاد کرده‌اند که کارکنان فناوری اطلاعات با کارکنان ديگر سازمان در چارچوب این مرکز گرد هم مي‌آیند. هالتر مي‌گوید: من با مشتریانی کارکرده‌ام که ساختارهای کاملا جدیدی را از جهت سازمان‌دهی فناوری اطلاعات خلق کرده‌اند؛ اما سازمان‌ها باید در این زمینه بسیار چابک‌تر باشند.

رائو اضافه می‌کند که «کارکنان باید در خصوص علم تحلیل داده‌ها، مصورسازی و سایر حوزه‌هاي مرتبط با داده‌های بزرگ دانش و فهم بیشتری کسب کنند. شما به افرادی در سازمان نیاز دارید که سازمان را به خوبی بشناسند و بتوانند مشکلات سازمان را به راهکار تبدیل کنند. آنها باید در خصوص علم تحلیل داده‌ها دانش کافی داشته باشند تا بتوانند بفهمند که این نوع از مشکلات نیازمند چه نوع راهکار یا تکنیک تحلیلی است. اگر نتوانید یک فرد خاص را برای این کار پیدا کنید، رویکرد تیمی نیز می‌تواند کارآمد باشد.

عدم کارآیی سیستم‌ها برای پردازش سریع اطلاعات

چهارمین مانع بر سر راه داده‌های بزرگ، ناکارآمدی سیستم‌هاي کنونی سازمان است. رائو و هالتر تاکید می‌کنند که داده‌های بزرگ نیازمند افزایش قدرت پردازش و رایانش است تا گردآوری، ذخیره‌سازی و تحلیل حجم عظیمی از داده‌ها. اما بسیاری از سازمان‌ها به قابلیت خود برای انجام این کار با سیستم‌هاي کنونی خودشان شک دارند.

41درصد از پاسخگویان پیمایش جهانی PwC در قاره آمریکا، ۳۳درصد از پاسخگویان در اروپا و ۹درصد از پاسخگویان در آسیای جنوب شرقی گفته اند که سیستم‌هاي آنها نمی‌تواند حجم عظیمی از داده‌ها را که از منابع مختلف مي‌آیند به خوبی پردازش کنند. حتی سازمان‌هايي که عملکرد بسیار خوبی داشته‌اند هم در این زمینه دچار مشکل هستند.

اما به باور رائو و هالتر، سازمان‌ها عمدتا به این علت با این مشکل روبه‌رو هستند که نگاهشان به تمام داده‌های در دسترس است و نه تمرکز بر یک مشکل خاص. یعنی آنها هدف خود را از تحلیل داده‌ها به درستی مشخص نکرده اند. در واقع، وقتی سازمان‌ها پیش از اقدام به بهره‌گیری از داده‌ها فرضیه یا مشکلی را در ذهن نداشته باشند که در جست و جوی حل آن باشند، این مشکل رخ می‌دهد.

چیزی که اتفاق مي‌افتد آن است که آنها با همه این اطلاعات حجیم مواجه‌اند، اما نمی دانند که با آنها چه کنند. اگر شما برای حل یک مشکل خاص به داده‌ها نزدیک شوید مانند آنکه بگویید من مي‌خواهم یک بازار فروش را در یک تکه خاص از بازار برای سازمان و شرکت خود توسعه دهم.

در این صورت شیوه استفاده از داده‌ها روشن‌تر می‌شود. اغلب سازمان‌ها در مواجهه با حجم عظیم داده‌ها دچار سردرگمی و دستپاچگی شده‌اند؛ در حالی که با تمرکز بر مسائل خاص و جهت دهی تحلیل‌هاي خود می‌توانند بهره‌گیری خوبی از داده‌ها به عمل آورند.

این کار به باور رائو بهترین و سریع‌ترین راه برای اخذ بازگشت سرمايه‌گذاری (ROI) در زمینه داده‌های بزرگ است: «بهترین راه برای بهره برداری از سرمايه‌گذاری خود بر داده‌های بزرگ تمرکز بر مشکلات کلیدی است. که با استفاده از داده‌های بزرگ مي‌خواهیم آن را حل کنیم.» به باور وی، سازمان‌ها باید گروهی از افراد را بر تعیین این مشکلات کلیدی متمرکز کنند.

هالتر اضافه می‌کند که «یکی از ویژگی‌هاي مشترک موفق ترین سازمان‌ها در بهره‌برداری از داده‌های بزرگ این است که همه آنها یک مدیر ارشد اجرایی دارند که ظرفیت داده‌های بزرگ را زود فهمیده و آن را وارد سازمان کرده است. من فکر می‌کنم که داده‌های بزرگ در حال تبدیل شدن به یک امر فراگیر و فزاینده هستند؛

اما تنها داده‌های بزرگ نیست که مزیت را به ارمغان مي‌آورد؛ بلکه چگونگی استفاده از داده‌های کوچک و بزرگ برای رقابت با رقبا است که تعیین کننده موفقیت است و کلیدی ترین نکته در این موضوع تغییر فرهنگ سازمان و حرکت به سمت یک فرهنگ تحلیلی بر مبنای مهارت‌هاي تحلیل و تعامل در جهت تحلیل هدفمند داده‌ها خواهد بود.»