تحلیل پیشرفته1 داده‌ها علی‌رغم اینکه مزایای فراوانی را برای کسب‌وکارها فراهم می‌نماید، با چالش‌های نیز همراه است که می‌بایست مدیران داده و ریسک به آن توجه داشته باشند. در این نوشتار برخی از این چالش‌ها مطرح شده است.بهینه‌سازی عملیات، بهبود خدمات، پیش‌بینی نتایج و مدیریت بازاریابی، جلوگیری از رویگردانی مشتریان و حفظ مشتری، بررسی ریسک‌ها و جلوگیری از کلاهبرداری‌های آفلاین و آنلاین برخی از مزایا‌ی تحلیل خوب داده هستند. در مقابل داده‌ها و سامانه‌های بی‌کیفیت نه‌تنها مؤثر نیستند، بلکه اثرات سویی مانند پیش‌بینی‌ها و تصمیمات نادرست و بازاریابی بی‌فایده نیز دارند و به گزارش گارتنر کیفیت پایین داده‌ها می‌تواند سالانه 14.2 میلیون دلار هزینه برای شرکت‌ها در پی داشته باشد. مفهومی تحت GIGO3 وجود دارد که می‌گوید وقتی زباله به‌عنوان ورودی وارد شود، زباله خارج خواهد شد.کتی اونیل در کتاب «ریاضیات، سلاحی برای تخریب» می‌گوید: مدل‌های طبقه‌بندی، افراد را در گروه‌های مجزایی قرار می‌دهد؛ ممکن است سرویس‌های ویژه به طبقه خاصی داده شود که در حق بقیه اجحاف شود. وی بر این عقیده است که از علم داده می‌بایست به‌عنوان کاتالیزوری برای تقویت عدالت اجتماعی و دموکراسی استفاده کرد. اونیل از متخصصین علوم داده4 می‌خواهد تا نسبت به صحت داده‌های ورودی و اندازه کافی آنها اطمینان حاصل کنند و نتایج حاصل از مدل‌ها را کنترل کنند و بازخوردها را تطبیق دهند؛ خلاصه اینکه از مدل‌ها به‌عنوان جعبه سیاه استفاده نکنند و جواب آنها را بی‌چون‌وچرا نپذیرند.
در بخش زیر به برخی چالش‌های تحلیل پیشرفته داده اشاره شده است:

1- نقصان حاکمیت داده‌

جمع‌آوری داده‌ها بدون هدف، بدون مدیریت و صرف به‌کارگیری فناوری‌های جدید، مثمر ثمر نخواهد بود. حاکمیت داده‌ها موجب می‌شود که داده‌ها در مسیر درستی هدایت شوند. به‌عنوان نمونه هم‌زمان که به جمع‌آوری داده‌ها توجه می‌شود، می‌بایست به معماری داده توجه کرد، کیفیت داده‌ها را مدنظر قرارداد و امنیت داده‌ها را برقرار نمود. به این معنی که برای موفقیت در هدایت داده‌ها و استفاده مؤثر از آن‌ها می‌بایست تفکر راهبردی در خصوص آن وجود داشته باشد.این‌که می‌گویند داده می‌بایست مدیریت شود به این معنی است که علاوه بر تولید یا جمع‌آوری به نحوه گردش، بهره‌برداری و نگهداری و آرشیو یا امحا داده نیز توجه داشت تا بتوان از این دارایی ارزشمند حفاظت نمود، از آن خلق ارزش کرد و فرصت‌های جدید برای کسب‌وکار ایجاد کرد.

2- داده‌های بی‌کیفیت

یکی از چالش‌های مهم و جدی عدم وجود داده‌های صحیح است. به‌عنوان نمونه پروفایلی که از مشتری وجود دارد، ناقص و نادرست است یا باتوجه‌به گذشت زمان منسوخ شده است؛ نمونه آن در کسب‌وکار بانک این است که 20 سال قبلی که حساب افتتاح شده، مشتری دانشجو، بیکار و مستأجر بوده درحالی‌که در حال حاضر اوضاع کامل متفاوت شده است. یا تغییراتی در داده‌ها در یک سیستم و سرویس انجام می‌شود که به دلیل عدم وجود پایگاه یکپارچه و افزونگی، داده‌ها با هم مغایر خواهند بود.

3- ناکافی بودن داده‌های جمع‌آوری‌شده

گاهی به‌اندازه‌ای داده از درگاه‌ها و منابع مختلف جمع‌آوری می‌شوند که تحلیل‌گران به‌اصطلاح درداده غرق می‌شوند. یا برعکس ممکن است اقلام داده، حجم داده یا نوع داده برای مدل‌سازی مناسب و کافی نباشد. موارد زیادی وجود دارد که تحلیل‌گر داده به جدیدترین ابزار و مدل‌ها نیز آشنا است و کسب‌وکار را نیز به‌خوبی می‌شناسد اما پس از مدل‌سازی، خروجی‌های مفید و مؤثری حاصل نمی‌شود. برای منظور وجود یک سیستم داده جامع خودکار برای جمع‌آوری و سازماندهی مؤثر خواهد بود.از طرفی یکپارچگی در داده‌های کلان و متنوع کار چندان ساده‌ای نیست و در صورتی که ادغام درستی انجام داده نشود، شکاف‌هایی ایجاد شده و بینش درستی حاصل نخواهد شد.

4- استفاده از ابزار، سیستم و مدل نادرست

گاهی تنها نیاز به تحلیل ساده و بصری‌سازی داده‌هاست که ابزارهای تحلیل داده به‌خوبی آن را انجام می‌دهند و نیازی به نوشتن برنامه‌‌های پیچیده روی پلتفرم‌‌ها نیست و گاهی از مدل‌های مناسبی استفاده نمی‌شود که به‌این‌ترتیب خروجی‌ها نیز مفید و مؤثر نخواهند بود. از مشکلات دیگر مدل‌سازی ناموفق آن است که پس از تحلیل داده می‌بایست بازخورد دریافت شده و بر مبنای آن تنظیمات انجام شود.

5. کمبود مهارت

در حوزه تحلیل داده پیشرفته، ابزارها، روش‌ها، مدل‌ها و پلتفرم‌های متعددی وجود دارد که بسته به نیاز، کاربرد پیدا می‌کنند. کمبود استعداد و تخصص کافی در این زمینه یکی از مشکلات اساسی در این حوزه می‌باشد. ضمن اینکه تخصص بر روی ابزار کافی نیست. یکی از نیازهای اصلی تسلط بر کسب‌وکار و مسائل موجود در آن است. متخصص داده‌ای برای سازمان ارزشمند است که از طرفی به کسب‌وکار و مسائل آن و از طرفی دیگر به ابزارها و مدل‌های روز مسلط باشد و بتواند با قدرت تحلیل پیشرفته برای سازمان ارزش ایجاد کند.

6- تحلیل داده در زمان نامناسب

برخی مواقع تصمیم‌گیرندگان و مدیران ریسک بسته به مورد کاربرد، نیاز دارند که در لحظه نتایج تحلیل و مدل‌ها را داشته باشند. در ارتباطات بین شرکتی در سازمان‌های کنونی، معمول است که داده‌ها از طریق فایل و با تأخیر زمانی تبادل می‌شود.

7- نقصان مدیریت دانش

مدیران هوش تجاری می‌بایست طوری برنامه‌ریزی بفرمایند که دانش کسب‌وکار و داده فقط برای یکسری نیروهای کلیدی نباشد. دیده شده که با ترک نیرو از سازمان، دانش و تسلط بر تحلیل ازهم‌گسیخته می‌شود.

8- مسائل فرهنگی و عدم اعتقاد و حمایت مدیران ارشد

نمونه‌های زیادی وجود دارد که متخصصین داده و نیروهای تحلیلگر با تحلیل پیشرفته، راهکار حل مسائل را پیدا نموده که منجر به ایجاد تغییرات می‌شود یا خدمات جدیدی را پیشنهاد می‌دهند، اما مدیریت ارشد استقبالی از نتایج و خدمات نوین ننموده و موارد ناکام باقی می‌مانند. مدیران ارشد می‌بایست نقش داده و تحلیل داده را در تصمیم‌های استراتژیک خود درک کرده و به قضاوت‌های تیم هوش تجاری خود اعتماد کنند.

9- عدم حفظ حریم خصوصی

برای حفظ حریم خصوصی و محافظت از داده‌های شخصی می‌بایست مقرراتی تدوین شود که محدودیت‌ها و مرزها را مشخص کند. اتحادیه اروپا در سال 2016 آیین‌نامه‌ای را تحت عنوان جی‌دی‌پی‌آر (آیین‌نامه عمومی حفاظت از داده‌ها)5 تصویب کرد. این مقررات یک گام اساسی برای تقویت حقوق اساسی افراد در عصر دیجیتال و تسهیل تجارت از منظر پردازش اطلاعات شخصی است. این آیین‌نامه در مورد چگونگی حفظ انطباق با قوانین محافظت از اطلاعات و حریم خصوصی می‌باشد. برخی شرکت‌ها راهکارهایی را برای ناشناس نمودن داده‌ها ارائه نمودند که نمونه آن مورد زیر می‌باشد:
در ماه مارس 2018 شرکت آی‌بی‌ام و مستر کارت شرکتی مستقل تحت عنوان ترواتا6 را تأسیس کردند. این شرکت یک ساختار اعتماد (از طریق ناشناس‌سازی داده‌ها) برای پشتیبانی از شرکت‌ها در هنگام تحلیل پیشرفته ایجاد کرد.
در تحلیل پیشرفته نکات و مسائل فنی دیگری نیز وجود دارد که به‌صورت زیر هستند:
معماری مقیاس‌پذیر برای پردازش داده‌های موازی
مدیریت تحلیل ویدئو در زمان واقعی در یک کلود توزیع شده
پردازش مؤثر گراف در تحلیل پیشرفته داده‌های شبکه‌های اجتماعی
رویکردهای کاهش ابعاد برای داده‌های مقیاس بالا
تحلیل داده‌های صوتی در مناطق پرسروصدا
درنظرداشتن چالش‌های مکالمات بی‌درنگ در مقیاس‌های بالا
امید است متخصصین داده در کنار تقویت تخصص و دانش کسب‌وکار خود، برای چالش‌های خوانده شده، راه‌حل‌هایی را تدوین نمایند تا تحلیل پیشرفته داده به‌صورت مؤثری تحقق پیدا کند.

 


 

منابع:

Sunil Kumar Vuppala, 2020, «Top 20 Latest Research problems in Big Data and Data Science»
Rebecca Webb, 2020, «12 Challenges of Data Analytics and How to fix them»
Cathy O›Neil, 2016, «Weapons of Math Destruction»

پی‌نوشت:

1- Analytics
2- Garbage In, Garbage Out(GIGO)
3- Data Scientist
4- General Data Protection Regulation (GDPR)
5- Truata

آخرین مقالات منتشر شده

ورود / عضویت