روز چهارشنبه 3 بهمن ماه 97 مصاحبه‌ای با آقای مهندس محمدجواد سخایی از متخصصان حوزه داده و مشاور پروژه‌های مدیریت داده در صنایع مختلف نظیر تلکام، بانکداری، خرده فروشی، صنعت نفت و پتروشیمی و ... صورت گرفت که ذیلاً در اختیار علاقه‌مندان قرار می‌گیرد.

خواهشمند است در ابتدا خودتان را معرفی بفرمایید و تجربیات و سوابق خود را در زمینه تحلیل داده و عظیم‌داده مطرح بفرمایید.

سخایی هستم. رشته تحصیلی‌ام مهندسی نرم‌افزار است و حدوداً هفت سال است که به طور کاملاً تخصصی در حوزه مدیریت داده مشغول به فعالیت هستم. در این راستا برای ایجاد و ترویج فرهنگ مبتنی بر داده و این که مدیریت داده به چه چیزی اطلاق می شود و با هدف انتقال مفاهیم بنیادین در این خصوص، تصمیم به راه‌اندازی یک سایت اطلاع‌رسانی گرفته شد و بدین منظور سایت fabak.ir راه اندازی گردید. در این سایت بر روی موضوعات مختلف مرتبط با مدیریت داده نظیر معماری داده، مدلسازی داده، کیفیت داده و ... اطلاع‌رسانی انجام می‌شود و تاکنون بیش از 120 مطلب تخصصی در این خصوص منتشر شده است. تمرکز اصلی بر روی دو چارچوب مطرح مدیریت داده و ارزیابی سطح بلوغ مدیریت داده در دنیا به نام DMBOK و CMMI DMM می‌باشد. البته از نگاه راهبردی به موضوع مدیریت داده نیز غافل نبوده‌ایم و سعی شده است که برای ورود هدفمند به این حوزه،  یک رویکرد راهبردی به درستی تبیین و به مخاطبین و علاقه‌مندان منتقل گردد .

 لطفا در خصوص پروژه‌هایی که در زمینه عظیم داده انجام داده‌اید توضیح بفرمایید.

کارهای تحقیقاتی و مطالعاتی زیادی انجام شده است. در سه سال اخیر درگیر فعالیت های آموزشی و کارهای مشاوره و انجام برخی پروژه‌ها در صنایع مختلف بوده‌ام. همین موضوع باعث شده است که با بسیاری از مشکلات انباشت شده داده در سازمان‌ها به خوبی آشنا شوم و سعی کرده‌ام که با یک نگاه کاملا راهبردی به دنبال ارائه راه حل مناسب برای بحث مدیریت داده و همچنین هریک از حوزه‌های کاری مختلف آن باشم. به عنوان نمونه با مطرح شدن بحث عظیم داده در کشور، بسیاری از سازمان‌ها با یک نگاه فناوری‌محور محض، ایجاد پلت‌فرم‌های تحلیلی را در دستور کار خود قرار دادند. به جرأت می‌توان ادعا کرد که بسیاری از این نوع پروژه‌ها به دلیل عدم ارتباط منطقی با پرسش‌های کسب و کار و علی رغم گرفتن پاسخ مناسب احتمالی در نسخه‌های پایلوت، در عمل و در زمان بهره برداری نهایی موفق نبوده‌اند و بیشتر به یک تمرین فکری شباهت داشته‌اند تا تاثیرگذاری بر کسب و کار. به عنوان مثال، نمی شود انتظار خروجی مناسب از یک موتور تجزیه و تحلیل را داشته باشیم ولی نگران کیفیت سوخت آن نباشیم. موفقیت در بحث مدیریت داده، مستلزم یک نگاه منسجم به چرخه حیات داده است و نمی شود با حذف و یا نادیده گرفتن بسیاری از مراحل و تمرکز بر یک مرحله بخصوص از چرخه حیات داده، انتظار یک خروجی مناسب، مستمر و تاثیرگذار در کسب و کار را داشته باشیم . برای خروجی حداکثری و با کیفیت در طول زنجیره ارزش داده می‌بایست اقدامات متعددی در حوزه‌های کاری مختلف داده نظیر معماری داده، مدلسازی داده، کیفیت داده، مدیریت متادیتا، امنیت داده، معماری ذخیره‌سازی داده، عملیات داده و ... صورت پذیرد. متاسفانه در حال حاضر بسیاری از سازمان‌های ما با انباشت مشکلات داده مواجه هستند و بسیاری از این مشکلات، ریشه در تصمیمات اشتباه گذشته دارد. قطعا اگر بخواهیم با همان نگاه و رویکرد گذشته به پروژه های عظیم داده ورود پیدا کنیم، در عمل موفقیت چندانی نصیب ما نخواهد شد و صرفا هزینه‌های سنگینی را به سازمان خود تحمیل خواهیم کرد . همانطور که اطلاع دارید ماهیت و جنس پروژه های عظیم داده مستلزم سرمایه‌گذاری بالایی است و همواره این پرسش از سمت کسب و کار مطرح است که به ازای این حجم سرمایه‌گذاری، به چه نتایج و یا دستاوردهایی می توان دست یافت.

ما باید به سمتی حرکت کنیم که بتوانیم چه small data و چه big data را به smart data تبدیل کنیم و در ادامه به بهترین شکل ممکن از آنها در چرخه تصمیم‌گیری در سازمان خود استفاده کنیم. با این چنین رویکردی است که می توان بینش لازم برای ارتقاء سطح هوشمندی یک کسب و کار را ایجاد کرد.   

 

وضعیت فعلی عظیم‌داده و تحلیل داده در ایران را با توجه به تجربیات خود چگونه ارزیابی می‌نمایید؟

تاکنون در این خصوص کارهای مناسب و ارزشمندی انجام شده است. به عنوان نمونه در خصوص بحث علمی و آکادمیک این موضوع کارهای نسبتا مناسبی انجام شده است و بسیاری از مراکز دانشگاهی، تحقیقاتی، صنایع و برخی افراد علاقه‌مند در این خصوص اقدامات مناسبی  به منظور شناخت عظیم‌داده‌ها انجام داده‌اند. پیش فرض استفاده درست از هر فناوری، شناخت مناسب آن فناوری در گام نخست و در گام بعد آشنایی با اکوسیستمی است که آن فناوری بخصوص در آن زیست می کند. بحث عظیم داده نیز این چنین وضعیتی دارد و خوشبختانه در این رابطه فعالیت های ارزشمندی شده است. در بحث استفاده از فناوری عظیم داده همسو با اهداف کسب و کار علی رغم این که کارهای نسبتا زیادی انجام شده است ولی در عمل و به دلیل عدم ارتباط موثر و مستمر با کسب و کار نتایج مطلوبی را شاهد نبوده‌ایم. همانگونه که اطلاع دارید ارزش داده در زمان استفاده از آن بیشتر هویدا می شود. بسیاری از کسب و کارها با صرف هزینه‌های بالایی فرآیندهای تولید و ذخیره سازی داده را به خوبی انجام می‌دهند ولی در زمان استفاده از داده برای حل یک مساله و یا خواسته کسب و کار توفیق چندانی پیدا نمی کنند و بیش تر خروجی‌ها، با تفکرات سنتی گذشته و نگاه گزارش محور نسبت به رویدادهای کسب و کار که در زمان گذشته اتفاق می‌افتد، ایجاد می‌شوند. علی رغم تلاش‌های فراوان و گسترده ای که تاکنون انجام شده است، می‌بایست با یک برنامه‌ریزی مناسب به سمت ارتقاء سطح بلوغ تجزیه و تحلیل حرکت کنیم و صرفا در سطح تحلیل های توصیفی که بیانگر توصیف اتفاقات در گذشته است، متوقف نشویم. هم اینک در بسیاری از سازمان‌ها پروژه‌های عظیم داده مختلفی در زمینه‌های متعددی نظیر کشف تقلب، پولشویی، مدیریت تجربه مشتری و ... انجام شده است و تا رسیدن به شرایط مطلوب تلاش زیادی می‌بایست صورت پذیرد .

این وضعیت صرفا مختص به ایران نمی‌باشد و می‌توان به شرایط مشابهی در سایر کشورها نیز اشاره کرد. به عنوان نمونه، در گزارش اخیر شرکت Dell به این موضوع اشاره شده است که 44% سازمان‌ها در خصوص استفاده از عظیم داده شناخت مناسبی ندارند و 54% سازمان‌ها نیازمند کمک در زمینه شناخت توانمندی‌های این فناوری می‌باشند. این یک نقطه خوب برای ورود مراکز دانشگاهی و تحقیقاتی است تا بتوانند ضمن ایجاد آگاهی‌بخشی مناسب به مخاطبین مختلف در عمل آنها را با توانمندهای این فناوری به خوبی آشنا کنند. هر اندازه که دید سمت کسب و کار نسبت به فناوری عظیم داده بیشتر شود، آنها بهتر می‌دانند که چگونه از این فناوری در موضوعات مختلف کسب و کار استفاده کنند و پرسش های خود را مطرح کنند. بحث عظیم داده نمی‌بایست صرفا محدود به فناوری و قابلیت‌های آن شود و لازم است یک نهضت بزرگ فرهنگی نیز در یک سازمان انجام شود  تا بتوان تصمیم‌گیری مبتنی بر نظرات شخصی را به سمت تصمیم‌گیری مبتنی بر داده هدایت کرد. اگر قرار باشد با کلی هزینه یک سیستم ایجاد بینش مبتنی بر عظیم داده را در یک سازمان ایجاد کرد ولی در زمان بهره برداری نتوان از نتایج و دستاوردهای آن برای مواردی نظیر تصمیم‌گیری و به دنبال آن اقدام و یا اقدامات مناسب استفاده کرد، عملا در استفاده بهینه از این فناوری همسو با اهداف کسب و کار و یا بهتر بگوئیم تاثیرگذاری بر کسب و کار موفق نبوده‌ایم .

بحث عظیم داده را صرفا محدود به خود این فناوری نکنیم و برای شناخت بهتر آن می بایست آن را در یک تصویر بزرگ تر بررسی کرد تا به خوبی و با تمام وجود بتوان مفهوم انقلاب داده را درک کرد. انقلابی که بیشترین تاثیر را در حوزه های دیگر فناوری به دنبال داشته است. به عنوان نمونه می‌توان به بحث تحول دیجیتال اشاره کرد. یکی از ارکان مهم این تحول، داده و شیوه بکارگیری آن به عنوان یک دارایی ارزشمند در کنار سایر فناوری های دیجیتال برای ایجاد مدل های کسب و کار دیجیتال جدید است. هوش مصنوعی که این روزها پس از یک خواب زمستانی مجددا در عرصه جهانی مطرح شده است و هر روز شاهد استفاده از آن در زمینه های مختلفی می‌باشیم ، موفقیت‌های اخیر را مستقیم و یا غیرمستقیم مدیون داده است. چرا که بین داده و هوشمندی یک ارتباط مستقیم وجود دارد و با بکارگیری الگوریتم‌های هوشمند که خوراک اولیه آنها داده می‌باشد به دستاوردهای بزرگی دست یافت. با داشتن حجم بالایی از داده‌های متنوع می‌توان احتمال موفقیت الگوریتم‌های هوشمند و یادگیری را به شدت افزایش داد. در این رابطه می‌توان به یادگیری عمیق در بحث هوش مصنوعی اشاره کرد. در گذشته به دلیل محدودیت در فضای ذخیره‌سازی، توان پردازش و همچنین داده‌های مورد نیاز امکان عملیاتی کردن بسیاری از ایده‌های هوش مصنوعی وجود نداشت و اغلب این ایده‌ها در سطح پایلوت و آزمایشگاهی باقی می‌ماند و راه به بیرون و مصارف کاربردی و صنعتی پیدا نمی‌کرد. خوشبختانه به دلیل تحولات شگرف در سه حوزه اشاره شده (افزایش فضای ذخیره سازی، افزایش توان محاسباتی پردازشگرها و وجود عظیم داده‌ها) هم اینک هوش مصنوعی در حال ورود به جنبه‌های مختلف زندگی بشریت می‌باشد . 

هر کسب و کاری به یک موتور تولید بینش (insight generator)  نیاز دارد که سوخت آن داده و توان کارکردی این موتور وابسته به تجزیه و تحلیل و سطح بلوغ آن است. اگر این موتور تولید بینش را به یک لامپ فرضی متصل نمائیم، میزان روشنایی تولید شده در موفقیت هر کسب و کار تاثیر گذار خواهد بود. قطعا احتمال موفقیت کسب و کارهایی که 1 کیلومتر جلوتر خود را می بینند نسبت به کسب و کارهایی که به زحمت 1 سانتی متر خود را می توانند مشاهده نمایند، بیشتر خواهد بود و قطعا ایجاد روشنایی به تنهایی موثر نخواهد بود و شما به افرادی نیاز دارید که بتوانند و بلد باشند در زمان مناسب و با سرعت مناسب مجموعه اقدامات لازم برای نیل به موفقیت را انجام دهند. توقف در زمان و مکان و توصیف روشنایی ایجاد شده، هیچ کسب و کاری را موفق نخواهد کرد چرا که شما در یک مسیر رقابتی در حال حرکت می باشید و هر لحظه امکان سبقت دیگران از شما وجود دارد. ایجاد مزیت رقابتی برای کسب و کار و حفظ این مزیت، مستلزم افزایش توان خروجی موتور ایجاد بینش و انجام اقدامات متناسب با آن می باشد.

برای استفاده درست از فناوری عظیم داده می‌بایست قادر به طرح صحیح پرسش‌های خود در کسب و کار باشیم تا در ادامه بتوان از فناوری فوق به درستی استفاده کرد. سوال درست پرسیدن در فضای کسب و کار خودش یک هنر است و برای پاسخ مناسب به آن نیز می‌بایست تمامی الزامات مربوطه را پذیرفت . به عنوان نمونه اگر پرسش یک کسب و کار این باشد که نرخ ریزش مشتریان چه اندازه است می‌بایست به رعایت الزامات و ایجاد توانمندی‌های لازم برای پاسخ به این پرسش در عمل اعتقاد داشت. نمی‌توان خروجی پروژه‌های چندین ساله یک کسب و کار را بدون هیچگونه بسترسازی و توانمندسازی بخواهیم در کسب و کار خود کپی کنیم. ایجاد فونداسیون لازم برای پاسخ صحیح به پرسش‌های کسب و کار الزامات مختص به خود را دارد و اگر پرسش به درستی مطرح شود، برای پاسخ‌گویی به آن می‌بایست  فونداسیون و یا توانمندی لازم را ایجاد کرد. ایجاد فونداسیون‌های صحیح احتمالی،  بدون مشخص بودن پرسش‌های کسب و کار صرفا باعث اتلاف منابع انسانی و غیرانسانی در یک سازمان می‌گردد. ایجاد یک فونداسیون با نگاه ابزار محور به تنهایی پاسخ نخواهد داد و در این خصوص لازم است با ترکیب People، Process و فناوری در مسیر ایجاد توانمندی‌های مورد نیاز در یک مدل عملیاتی حرکت کرد . 

پیشنهادات شما برای چند گام عملی در راستای بهبود سطح بلوغ صنایع و سازمان‌ها در این حوزه چیست؟

قبل از هر چیز در بالاترین سطح سازمان می بایست اعتقاد به مدیریت داده ایجاد و متناسب با این باور، اقدامات ضروری در بالاترین سطح یک سازمان انجام شود. بسیاری از فعالیت‌های مدیریت داده را نمی‌توان به منزله یک پروژه در نظر گرفت که دارای یک زمان شروع و پایان مشخص می‌باشند. این نوع فعالیت‌ها، برنامه‌های مستمری می‌باشند که می‌بایست بر اساس یک تفکر راهبردی ایجاد و استقرار یابند. به عنوان نمونه شاید برای بهبود کیفیت داده مشتریان بر روی بانک اطلاعاتی مربوطه متمرکز شد و تغییرات مورد نظر را در آن اعمال کرد ولی مدیریت کیفیت داده مستلزم یک نگاه برنامه محور در سازمان است که از مرحله برنامه‌ریزی برای ایجاد و یا به دست آوردن داده شروع می‌شود و تمامی مراحل دیگر در طول چرخه حیات داده را نیز در بر می‌گیرد. همچنین لازم است این تفکر ذهنی در لایه‌های راهبردی ، تاکتیکی و عملیاتی یک سازمان ایجاد شود که داده می‌تواند به یک دارایی ارزشمند تبدیل شود و هر یک به درستی به نقش خود در این زمینه آگاه شوند.

برای ورود به حوزه تجزیه و تحلیل داده که شاید ملموس‌ترین و تاثیرگذارترین حوزه کاری داده می‌باشد، می‌بایست دقیقا مشخص شود که قرار است داده در زمین کسب و کار چه نقشی را بازی کند. این مهم حاصل نمی‌شود مگر این که به دقت بر روی زنجیره ارزش هر کسب و کار متمرکز گردید تا بتوان بهترین نقطه نقش‌آفرینی تجزیه و تحلیل داده در آن را شناسایی کرد. بسیاری از شرکت‌های تازه وارد در این حوزه سعی می‌کنند با شناسایی بهترین نقطه تاثیرگذاری در زنجیره ارزش که اغلب نقاط نزدیک به سمت مشتری است، سرویس‌های راحت‌تری را با هدف افزایش سطح رضایت‌مندی مشتری و مدیریت بهتر تجربه مشتری داشته باشند. به عنوان نمونه در صنعت بانکداری ما شاهد ورود رقبای جدی و قدرتمندی می‌باشیم که به شرکتهای فین‌تک معروف شده‌اند. این شرکت‌ها با تمرکز بر زنجیره ارزش صنعت بانکداری و بکارگیری فناوری‌های مختلف دیجیتال، از توان تجزیه و تحلیل داده و استفاده از داده‌ها به بهترین شکل ممکن استفاده می‌نمایند. چیزی که امروز همه از آن با نام تحول دیجیتال یاد می‌کنیم به دنبال آن است که با ایجاد مدل‌های کسب و کار دیجیتال فاصله خود را از مدل‌های کسب و کار آنالوگ و به لطف فناوری‌های مختلف دیجیتال بیشتر کند و بتواند از این طریق برای خود یک مزیت رقابتی ایجاد نماید.

قطعا برای مدیریت داده نیازمند ایجاد یک چشم انداز مناسب و برخورد اصولی و منطقی با موانع و چالش‌های پیش رو می‌باشیم. به عنوان نمونه بد نیست اشاره‌ای داشته باشیم به برخی از موانع ایجاد یک چشم‌انداز مناسب برای مدیریت داده در یک سازمان که دارای تاثیر مستقیم بر تجزیه و تحلیل داده، فرهنگ داده محور، تصمیم‌گیری داده محور و ... می باشد:

·        اطلاعات به عنوان منبع (مظهر) قدرت دیده می‌شود.

·        اطلاعات به صورت جزیره‌ای مدیریت می‌شود.

·        اطلاعات به عنوان حوزه استحفاظی خصوصی برخی افراد و یا واحدهای کسب و کار در نظر گرفته می‌شود.

·        صرف زمان زیاد در خصوص درست بودن اطلاعات و افزایش اصطکاک سازمانی

·        صرف زمان زیاد در خصوص مالکیت داده در یک سازمان

·        عدم وجود یک رویه مناسب برای دسترسی به اطلاعات (دسترسی سلیقه ای)

·        اذعان عمومی به این موضوع که مدیریت اطلاعات (یا عدم آن) یک مشکل جدی است.

·        برخورد با موانع مختلف، علی رغم تلاش‌های متعدد واحد فناوری اطلاعات برای به رسمیت شناختن اهداف جهت دسترسی به اطلاعات:

فرهنگ

انگیزه های متضاد

موانع سازمانی

فقدان رهبری و پشتیبانی اجرایی 

·        مدیریت و برخورد جداگانه با نوع های مختلف داده

·        آگاهی رسانی ضعیف در خصوص داده‌های خارجی نظیر داده‌های باز (منابع داده عمومی) یا شبکه‌های اجتماعی

·        اطلاعات به عنوان کالای یک بار مصرف دیده می‌شود.

·        ارتباط ضعیف و نامستحکم اطلاعات بین واحدهای کسب و کار و یا برنامه‌ها

·        عدم درک مناسب جایگاه اطلاعات در نوآوری و تحول

·        عدم درک مناسب جایگاه اطلاعات به عنوان یک تمایز رقابتی

·        عدم ارتباط مناسب و اساسی اطلاعات با استراتژی کسب‌وکار و معماری سازمانی

·        عدم درگیر شدن مناسب مشتریان و شرکاء در تعریف استفاده از اطلاعات

·        عدم وجود یک زبان مشترک در خصوص اطلاعات و وجود گویش‌های مختلف در سازمان

مدیران و کارشناسان حرفه ای اطلاعات و یا داده یک سازمان می‌بایست با پیش بینی و بررسی چالش‌ها و موانع اشاره شده، اقدامات لازم جهت جلوگیری و برخورد مناسب با آنها را با الویت بالا در دستور کار خود قرار دهند.

پس از ایجاد یک چشم انداز مناسب، می‌بایست استراتژی مدیریت داده تدوین گردد، تا به دقت مشخص گردد برای تبدیل داده به یک دارایی ارزشمند و همسویی داده با اهداف کسب و کار بر روی چه حوزه‌های کاری داده و به چه صورت می‌بایست متمرکز گردید. با شناسایی نقاط درد فعلی سازمان و همچنین وضعیت مطلوب مورد انتظار، می توان نقشه راه مناسبی را برای اجرای استراتژی ترسیم کرد.

بد نیست به این موضوع مهم نیز اشاره کنیم که داده متعلق به کسب و کار است و نمی‌توان گفت که صرفا بخش IT آنرا بر عهده بگیرد. هنوز سمت کسب و کار در کشور ما فکر می‌کند داده یک مشکل IT است که این نیازمند یک تغییر نگرش جدی است. ده سال پیش از IT  انتظار می‌رفت فرآیندها را اتوماتیک کند اما اکنون انتظار می‌رود که فرآیندها هوشمند شوند و سرعت و چابکی و ... به آن اضافه شود و دیتا خیلی می‌تواند کمک کند به عنوان نمونه می توان به فرآیند هوشمند تعمیر و نگهداری شرکت کاترپیلار اشاره کرد که با ایجاد بستر مناسب، حداکثر استفاده از داده و تجزیه‌وتحلیل را با هدف هوشمند سازی فرآیندهای تعمیر و نگهداری خود انجام می‌دهد. این شرکت حتی دارای یک آزمایشگاه نوآوری داده است که به طور مستمر به دنبال ایجاد نوآوری در خصوص بکارگیری داده در فرآیندهای عملیاتی مختلف خود می باشد.  

کاربردهای عظیم داده و تحلیل‌های داده در صنعت مخابرات به نظر شما چه می‌تواند باشد و در حال حاضر در ایران از کدام کاربردها استفاده می‌شود؟

در حال حاضر در حوزه تضمین درآمد (revenue assurance) یا مدیریت تقلب (fraud management)، بهینه‌سازی شبکه و بهینه‌سازی ترافیک می‌تواند استفاده شود. در تلکام TM Forum در حوزه شرکت‌های تلکام یک پلتفرم مرجع برای تجزیه و تحلیل را ارائه داده است که به همراه آن 60 الی 70 use case دارد در حوزه مالی، OSS، BSS و ... که همه‌ی مستندات برای آن وجود دارد. در دنیا هم اینک در شرکت‌های مخابراتی از عظیم‌داده در موارد متعددی نظیر کاهش نرخ ریزش مشتریان، بهبود تجربه مشتری و افزایش بازدهی عملیاتی استفاده می‌گردد. ارائه دهندگان سرویس های ارتباطی یا CSPها، از هدوپ به عنوان یک راه حل عظیم‌داده در موارد کاری متعددی و جهت تامین اهداف کسب و کار استفاده می‌کنند. برخی از شرکت‌های تلکام، از هدوپ صرفا به عنوان یک بانک اطلاعاتی عملیاتی و با هدف ارتقاء بازده عملیاتی در مواردی نظیر افزایش ظرفیت ذخیره‌سازی، بهبود عملکرد و کاهش هزینه‌ها استفاده می‌کنند. برخی دیگر، با ایجاد برنامه‌های داده بخصوص و بکارگیری توان هدوپ، به دنبال تجزیه و تحلیل بلادرنگ و بینش قابل اقدام می‌باشند. همچنین شرکت‌های تلکام می‌توانند با استفاده از راه‌حل های عظیم‌داده، نقاط مستعدی که دارای پتانسیل بالقوه نشت درآمد می‌باشند را از طریق شبکه سیستم‌های در ارتباط مستقیم با مشتری تشخیص و قبل از ارسال اطلاعات به سیستم صورت حساب، داده مربوطه را تصحیح نمایند. راه‌حل‌های مبتنی بر هدوپ می‌توانند به ارائه‌دهندگان سرویس‌های ارتباطی کمک کنند تا هم داده ساخت‌یافته و هم داده غیرساخت‌یافته را پردازش و تحلیل نمایند و با بررسی اطلاعات در سال‌های گذشته در مقابل چندین ماه گذشته، درک بهتری از رفتار مشتریان داشته باشند. در حال حاضر با استفاده از راه‌حل‌های مبتنی بر هدوپ و بکارگیری روش‌هایی نظیر بازرسی عمیق بسته یا  Deep Packet Inspection)  DPI) به منظور تشخیص تقلب و نشت درآمد و همچنین شناسایی فرصت های جدید درآمدی، این کار مقرون به صرفه شده است. فرآیند DPI ، حجم بالایی از داده را تولید می‌کند و میلیون‌ها رکورد در هرثانیه پردازش می‎شود، کاری که قبلا بدون استفاده از راه حل نوین بیگ‌دیتا نظیر هدوپ امکان جمع آوری و تحلیل آنها وجود نداشت. از سوی دیگر، مخابرات یکی از صنایعی است که از دو جهت به شدت به مدیریت داده نیاز دارد. یکی به لحاظ جنس داده‌ها که در واقع از صنایعی است که داده‌ها در آن به مفهوم عظیم‌داده تولید می‌شوند و از سوی دیگر به شدت تحت تاثیر نهادهای رگولاتوری است و باید دائم یکسری نیازهای رگولاتوری را مشخص نماید و لازم است از تکنولوژی روز دنیا برای پاسخ هوشمندانه به نیازهای رگولاتوری استفاده شود که اکنون در حوزه مالی ایجاد شده است که به آن regtech میگویند. یعنی مجموعه‌ای از فناوری‌هایی که ایجاد شده‌اند که بتوانند به سرعت به نیازهای رگولاتوری پاسخ بدهند و حتی مقداری هم هوشمند شود در سمت کسب و کار یعنی به طور مثال حدس بزنیم احتمال دارد هفته آینده رگولاتوری این نیازها را از من بخواهد و چند قدم جلوتر باشیم. کلا صنایعی که وابسته به رگولاتوری هستند باید به حوزه مدیریت داده ورود کنند و استراتژی را دربیاورند. استراتژی مدیریت داده دو بعد تهاجمی و تدافعی دارد که هرکدام الزامات خاص خودش را دارد.

به نظر شما دانشگاه‌ها و واحدهای تحقیقاتی چه خدماتی میتوانند به کسب و کار شما ارائه دهند؟

دانشگاه‌ها و مراکز تحقیقاتی می توانند یکی از بازیگران مهم و حیاتی در حوزه عظیم‌داده و تجزیه و تحلیل داده باشند که به برخی از آنها اشاره می گردد:

·        آشنا کردن مخاطبین هدف در کسب و کارهای مختلف با توانمندی‌های عظیم‌‌داده و همچنین مزایا و دستاوردهای تجزیه و تحلیل متناسب با زنجیره ارزش هر کسب و کار، یکی از نقاط مهم و حساس ورود مراکز دانشگاهی و تحقیقاتی است.

·        کمک در شناسایی use case های تجزیه و تحلیل در هر کسب و کار متناسب با ماهیت صنعتی که آن کسب و کار در آن فعالیت می نماید.

·        ایجاد نسخه‌های پایلوت از کاربردهای عظیم داده در کسب و کارها با هدف آشنایی عملی و کاربردی مخاطبین هدف و به دنبال آن تجاری‌سازی ایده‌های مطرح شده

·        توانمندسازی مخاطبین هدف و ارائه مشاوره‌های لازم از طریق تحقیقات و ایده‌های نوآورانه

·        تاکید بر ایجاد قوانین و مقررات بالادستی و مشارکت فعال در تدوین آنها متناسب با آخرین استانداردها و چارچوب های جهانی

·        ایجاد مدل‌های بومی متاثر از مدل‌های جهانی برای ارزیابی سطح بلوغ در حوزه‌های مختلف داده نظیر تجزیه و تحلیل

·        عدم انجام کارها و فعالیت‌های موازی و غیرضروری و تمرکز بر استفاده از عظیم‌داده و تحلیل داده از منظر کسب و کار نه صرفا دیدگاه‌های آکادمیک و یا تحقیقاتی

·        برگزاری کارگاه‌های آموزشی با هدف ایجاد یک تغییر نگرش جدی در ذهن مدیران و تصمیم گیرندگان یک سازمان در خصوص نقش داده در موفقیت کسب و کار و نحوه همسویی آن با اهداف و استراتژی کسب و کار

·        توانمندسازی مدیران ارشد کشور برای افزایش مهارت‌های حل مساله و تفکر خلاقانه

توقف در ایستگاه توصیف عظیم داده‌ها با انواع و اقسام V، شاید جذابیت‌های مختص به خود را برای برخی مخاطبین داشته باشد ولی در نهایت ما باید بتوانیم با حرکت از ایستگاه توصیف عظیم داده‌ها به سمت ایستگاه تقاضا حرکت کنیم. ایستگاهی که در آن تعداد زیادی از کاربران کسب‌وکار در انتظار تأمین نیازهای داده و تحلیلی مختص به خود می‌باشند. ارزش داده در ایستگاه تقاضا بهتر آشکار خواهد شد چرا که پرسش‌های کسب و کار در این ایستگاه و با صدای کاربران کسب و کار مطرح می‌گردد. با توقف در ایستگاه توصیف داده‌ها، قادر به شنیدن صدای کاربران کسب و کار نشسته در ایستگاه تقاضا نخواهیم بود. از این رو لازم است برای پاسخ‌گویی به طیف گسترده نیازها، مدیریت داده را در طول زنجیره تامین به درستی مدیریت کرد. این کار میسر نخواهد شد مگر با کوچ از  ایستگاه توصیف عظیم داده ها به ایستگاه تقاضا. حرکت از سمت 3V به سمت 3M یعنی Monetize, Measure, Management.