تحلیل گری داده؛ روند توسعه، زنجیره ارزش و کاربردها

در بیست سال گذشته حجم داده‌های تولیدشده در حوزه‌های مختلف افزایش چشمگیری یافته است.  بر اساس گزارش سازمان بین‌المللی داده در سال ۲۰۱۱، حجم کلی داده تولیدشده و کپی شده در دنیا برابر ۱ زتابایت، معادل ده به توان بیست‌ویک بایت بوده که این مقدار در مدت پنج سال، نه برابر شده و بر اساس پیش‌بینی‌های انجام‌گرفته، هر دو سال دو برابر خواهد شد.

عبارت کلان‌داده به دلیل این افزایش عظیم داده‌ها مطرح گردیده و در حالت کلی برای توصیف داده‌هایی با حجم، تنوع و سرعت تغییر زیاد استفاده می‌گردد. به عبارت دقیق‌تر، کلان‌داده در مقایسه با تعاریف سنتی داده عبارت است از مقادیر بسیار زیادی از داده‌های بدون ساختار و دسته‌بندی نشده که نیاز به تحلیل بلادرنگ دارند و درصورتی‌که با استفاده از الگوریتم‌ها و روش‌های کارآمد، طبقه‌بندی‌شده و پردازش گردند، اطلاعات مفیدی از آن‌ها استخراج خواهد گردید. تاکنون تعاریف متعددی برای این فناوری بیان‌شده است که در ادامه دو نمونه از آن‌ها مطرح می‌شوند:

• تعریف مکنزی: کلان‌داده، مجموعه داده‌هایی هستند که اندازه آن‌ها فراتر از ظرفیت پایگاه داده‌های معمول برای جمع‌آوری، ذخیره‌سازی، مدیریت و پردازش داده‌ها در یک زمان مناسب است.
• تعریف گارتنر: کلان‌داده، دارایی‌های اطلاعاتی با حجم، تنوع و سرعت ایجاد بسیار بالایی هستند که نیازمند شکل‌های جدیدی از پردازش‌اند تا باعث بهبود تصمیم‌گیری، کسب بینش و بهینه‌سازی شوند.

عبارت «کلان‌داده» مدت‌هاست که برای اشاره به حجم عظیمی از داده‌ها که توسط سازمان‌های بزرگی مانند گوگل یا ناسا ذخیره و تحلیل می‌شوند، مورداستفاده قرار می‌گیرد؛ اما به‌تازگی، این عبارت بیشتر برای اشاره به مجموعه‌های داده‌ای بزرگی استفاده می‌شود که به‌قدری بزرگ و حجیم هستند که با ابزارهای مدیریتی و پایگاه‌های داده سنتی و معمولی قابل مدیریت نیستند.

می‌توان گفت کلان‌دادها، داده‌هایی هستند که مقیاس، تنوع و پیچیدگی آن نیاز به معماری، فن، الگوریتم، و روش‌های تجزیه‌وتحلیل جدید برای مدیریت و استخراج ارزش و دانش پنهان دارد. تجزیه‌وتحلیل کلان‌داده فرصت‌های جدید قابل‌توجهی برای سازمان‌ها جهت استخراج اطلاعات و ایجاد ارزش‌های نو و مزیت رقابتی از باارزش‌ترین دارایی خود، ایجاد می‌کند. برای کسب‌وکارها، تجزیه‌وتحلیل کلان‌داده به ایجاد بهره‌وری، کیفیت، محصولات و خدمات شخصی به‌منظور بالا بردن رضایت و بهره‌مندی مشتری کمک می‌کند. ازنظر کاوش و تلاش‌های علمی، تجزیه‌وتحلیل کلان‌داده راه جدیدی از پژوهش‌ها با نتایج بالقوه غنی‌تر و بینش عمیق‌تر از آنچه قبلاً در دسترس بود، ترسیم می‌کند. تجزیه‌وتحلیل کلان‌داده در بسیاری از موارد داده‌های ساخت‌یافته و غیر ساخت‌یافته را با تغذیه و پرسش بدون درنگ، گشایش مسیرهای جدید به نوآوری و بینش، ادغام می‌کند.

مشکلات اصلی در کار با این نوع داده‌ها مربوط به برداشت و جمع‌آوری، ذخیره‌سازی، جست‌وجو، اشتراک‌گذاری، تحلیل و نمایش آن‌ها است. حجم داده‌های ذخیره‌شده در مجموعه‌های کلان‌داده، عموماً به خاطر تولید و جمع‌آوری داده‌ها از مجموعه بزرگی از تجهیزات و ابزارهای مختلف مانند گوشی‌های موبایل، حسگرهای محیطی، لاگ نرم‌افزارهای مختلف، دوربین‌ها، میکروفون‌ها، دستگاه‌های تشخیص، آر.اف.آی.دی شبکه‌های حسگر بی‌سیم و غیره با سرعت خیره‌کننده‌ای در حال افزایش است. این داده‌ها از تراکنش‌های برخط، پست‌های الکترونیکی، ویدئوها، صوت‌ها، کلیک کردن‌ها، لاگ‌ها و ارسال‌ها، درخواست‌های جستجو، تعاملات شبکه‌های اجتماعی، داده‌های علمی، سنسورها و تلفن‌های همراه و برنامه‌های کاربردی آن‌ها تولید می‌شوند.

آن‌ها بر روی پایگاه داده‌هایی که به شکل حجیم رشد می‌کنند، ذخیره می‌شوند و ضبط، شکل‌دهی، ذخیره‌سازی، مدیریت، به اشتراک‌گذاری، تحلیل و نمایش آن‌ها از طریق پایگاه داده‌ها، دشوار می‌شود. مفهوم داده‌های بزرگ فرهنگی را در سازمان‌ها ایجاد می‌کند که از طریق آن کسب‌وکارها و مدیران فناوری اطلاعات را به سمت استفاده از تمامی ارزش‌های پنهان در داده‌ها سوق می‌دهد. ادراک این ارزش‌ها به همه کارکنان سازمان‌ها این امکان را می‌دهد که با بینش وسیع‌تری تصمیم‌گیری کنند، نزدیکی بیشتری با مشتریان سازمان داشته باشند، فعالیت‌های خود را بهینه کنند، با تهدیدات مقابله کنند و درنهایت سرمایه‌های خود را بر روی منبع جدیدی از سود سرشار پنهان در داده‌ها متمرکز سازند.

سازمان‌ها برای رسیدن به این مرحله نیازمند معماری جدید، ابزارهای نو و فعالیت‌ها و تلاش‌های مستمری هستند تا بتوانند از مزیت‌های چهارچوب‌های مبتنی بر داده‌های بزرگ بهره‌مند گردند. در بحث کلان‌داده، ما نیاز داریم که داده‌ها را به‌منظور استخراج اطلاعات، کشف دانش و درنهایت تصمیم‌گیری در خصوص مسائل مختلف کاربردی به‌صورت صحیح مدیریت کنیم. مدیریت داده‌ها عموماً شامل ۵ فعالیت اصلی می‌باشد:

• جمع‌آوری
• ذخیره‌سازی
• جستجو
• به اشتراک‌گذاری
• تحلیل

داده‌ها امروزه عنصری رو به رشد در زندگی هستند که هرچه میزان رشد آن‌ها بیشتر شود، ادبیات بیشتری درزمینه کلان‌داده ایجادشده، کاربرد آن فراگیرتر شده و لزوم سیاست‌گذاری در آن افزایش می‌یابد. به‌طورکلی می‌توان گفت کلان‌داده دارای چهار ویژگی اصلی هستند:

• حجم: به میزان داده‌های مربوط اشاره دارد. مقیاس مجموعه داده‌ها از گیگابایت تا زتابایت در حال افزایش است.
• تنوع: نشان‌دهنده پیچیدگی انواع مختلف کلان‌داده است. درگذشته، نوع داده‌هایی که ایجاد و پردازش می‌شدند ساده‌تر بوده و عمده آن‌ها ساختاریافته بودند. اما امروزه با ظهور کانال‌ها و فناوری‌های جدید مانند شبکه‌های اجتماعی، اینترنت اشیا، رایانش موبایل و تبلیغات آنلاین، داده‌های نیمه ساختاریافته یا ساختار نیافته بیشتر، با فرمت‌های جدیدی مانند ایکس‌ام‌ال، ایمیل، بلاگ و پیام‌های کوتاه ایجادشده‌اند. بنابراین سازمان‌ها نیاز دارند تا داده‌های به‌دست‌آمده از منابع اطلاعاتی سنتی و غیر سنتی، مانند داده‌های درون و بیرون از سازمان را یکپارچه و تحلیل کنند. به سبب رشد فزاینده سنسورها، دستگاه‌های هوشمند و فناوری‌های تعامل اجتماعی، نوع داده‌های تولیدشده غیرقابل‌شمارش می‌شود؛ مانند متن، میکروبلاگ، داده‌های سنسورها، صدا، ویدئو، جریان کلیک‌ها، لاگ فایل‌ها و…
• سرعت: سرعت تولید، پردازش و تحلیل‌گری داده‌ها به‌طور مستمر در حال افزایش است. سه دلیل اصلی برای این موضوع عبارت‌اند از ماهیت در لحظه بودن ایجاد داده‌ها، وجود تقاضا برای ترکیب جریان داده‌ها با فرایندهای کسب‌وکار و فرایندهای تصمیم‌گیری. سرعت پردازش داده‌ها باید بالا بوده و ظرفیت پردازش باید از پردازش دسته‌ای به سمت پردازش جریان پیش رود.
• ارزش: به سبب مقیاس رو به رشد داده‌ها، ارزش کلان‌داده به ازای هر واحد داده دائماً در حال کاهش است. بااین‌حال، ارزش کلی داده‌ها رو به افزایش است. کلان‌داده حتی با طلا و نفت نیز مقایسه می‌شوند که این نشان‌دهنده ارزش اقتصادی نامحدود آن‌هاست. درواقع با پردازش کلان‌داده و شناسایی ارزش اقتصادی بالقوه آن‌ها، می‌توان منافع اقتصادی جالب‌توجهی را به دست آورد. درواقع تحلیل‌گری، پردازش و استفاده از داده‌ها برای سازمان‌ها منجر به استخراج دانش و اطلاعات مهم شده که تبدیل آن به مدل‌های مهم و اعمالشان بر فرایندهای تحقیقی تولید، فرایندهای عملیاتی و فروش می‌تواند سودآوری به همراه داشته باشد.

روند توسعه تحلیل‌گری داده

• تحلیل هایپ سایکل گارتنر

همان‌طور که در شکل ۱ نشان داده شده است، فناوری کلان‌داده، از سال ۲۰۱۱، تحت عنوان “Big Data and extreme information processing & management” در هایپ سایکل گارتنر به‌عنوان یک فناوری جدید معرفی و زمانی ۲ تا ۵ سال برای بالغ شدنش در نظر گرفته شد.

شکل۱. نمودار هایپ سایکل گارتنر سال ۲۰۱۱

از سال  ۲۰۱۲، تحت عنوان “Big Data” در ابتدای مرحله «نقطه اوج» قرار گرفت و در ۲۰۱۳، جزو فناوری‌هایی بود که ۵ تا ۱۰ سال دیگر به بلوغ خود می‌رسند. رشد این فناوری روی هایپ تا سال ۲۰۱۴ ادامه داشت که در مرز مرحله «سیر نزولی» قرار گرفت (شکل ۲).

شکل ۲. نمودار هایپ سایکل گارتنر سال ۲۰۱۲

شکل ۳. نمودار هایپ سایکل گارتنر سال ۲۰۱۴

شکل ۴. نمودار هایپ سایکل گارتنر سال ۲۰۱۵

از سال ۲۰۱۵، کلان‌داده از هایپ سایکل گارتنر حذف می‌شود. کلان‌داده برای چندین سال متوالی در هایپ سایکل فناوری‌های نوظهور وجود داشت. در سال ۲۰۱۳، با ایجاد Big data-mania، این فناوری به مرحله نقطه اوج نزدیک شد. یک سال بعد، با کاهش تب آن، کلان‌داده به سیر نزولی لغزش پیدا کرد. اگر الگو حفظ می‌شد، انتظار می‌رفت که در سال ۲۰۱۵، کلان‌داده در انتهای این بخش یا در آغاز مرحله «رونق دوباره» دیده شود. اما چنین اتفاقی نیفتاد و در سال ۲۰۱۵ به‌کلی از هایپ حذف شد. بتی برتون، تحلیلگر گارتنر و منتشرکننده این هایپ، علت این موضوع را چنین بیان می‌کند:

«دو تغییر بسیار مهم وجود دارد: ما هایپ سایکل کلان‌داده را کنار گذاشتیم. این موضوع ممکن است باعث تعجب باشد؛ زیرا برای مدت‌ها چرخه بسیار مهمی بود. اما آنچه اتفاق افتاد این بود که کلان‌داده خیلی سریع از نقطه اوج گذشت و در میان هایپ سایکل‌های بسیاری، در زندگی ما شایع شد. بنابراین کلان‌داده به بخشی از هایپ سایکل‌ها تبدیل شده است.

من کلان‌داده را به‌عنوان یک فناوری جدید نمی‌شناسم. این هایپ سایکل بسیار متمرکز است و به دنبال روندهای نوظهور است. امسال فناوری‌های کمتری نوظهور شناخته شدند. در هایپ سال ۲۰۱۵، ۳۷ فناوری نوظهور وجود دارند، درحالی‌که در سال ۲۰۱۴، ۴۴ فناوری، در سال ۲۰۱۳، ۴۳ فناوری و در سال ۲۰۱۲، ۴۶ فناوری وجود داشت. حذفیات جالب‌توجه دیگر این هایپ را می‌توان تحلیل‌های توصیفی، علم داده‌ها و پردازش رویدادهای پیچیده دانست. موارد اضافه‌شده نیز شامل یادگیری ماشین، علم داده‌های شهروندان و تحلیل‌های پیشرفته با ارائه سلف‌سرویس می‌باشند.»

تاکنون، کلان‌داده مگاترندی بوده که جنبه‌های مختلفی از تعاملات افراد با رایانه‌ها را تحت تأثیر قرار داده است- از اینترنت اشیا و تحلیل محتوا تا رایانش ابری و واقعیت مجازی. اما برای افرادی که در صنایع ذخیره‌سازی داده‌ها و تجزیه‌وتحلیل آن‌ها فعالیت داشته و از عبارت کلان‌داده استفاده می‌کنند، حذف شدن آن از هایپ سایکل ممکن است زود به نظر برسد.

• هایپ سایکل کلان‌داده

شکل ۵. نمودار هایپ سایکل کلان‌داده در سال ۲۰۱۳

با توجه به گسترده بودن حوزه فناوری کلان‌داده و فناوری‌های متنوع زیرمجموعه آن، از سال ۲۰۱۳، برای این فناوری، هایپ سایکل خاصی ارائه شد و پس از حذف آن از هایپ سایکل گارتنر در سال ۲۰۱۵، رشد و توسعه فناوری‌های مرتبط با آن، از طریق هایپ خودش مورد بررسی و تحلیل قرار گرفت.

• تحلیل پتنت

رشد مهم‌ترین پتنت‌ها در حوزه کلان‌داده از سال ۲۰۰۷ تا ۲۰۱۶ به صورت صعودی بوده و افزایش داشته و پس از آن، از سال ۲۰۱۶ تا ۲۰۱۹، با کاهش چشمگیری مواجه بوده است. علت این کاهش را می‌توان رشد فناوری‌های مرتبط با کلان‌داده و انتشار پتنت‌های خاص در مورد هر فناوری دانست. درواقع می‌توان چنین برداشت کرد که در ۱۰ سال اخیر، مهم‌ترین پتنت‌ها در سال‌های ۲۰۱۳ تا ۲۰۱۶ ثبت‌شده‌اند که از بزرگ‌ترین شرکت‌های ثبت‌کننده آن‌ها می‌توان به اوراکل، آی.بی.ام و سامسونگ اشاره کرد.

شکل ۶. تحلیل مهم‌ترین پتنت‌های فناوری کلان‌داده

شکل ۷ نمودار رشد پتنت‌های ثبت‌شده در حوزه فناوری کلان‌داده را به صورت کلی نشان می‌دهد. همان‌طور که مشاهده می‌شود، این رشد صعودی بوده و با مرور زمان، تعداد پتنت‌های ثبت‌شده در این حوزه افزایش می‌یابد. 

شکل ۷. نمودار خطی رشد پتنت‌های فناوری کلان‌داده

• تحلیل علم‌سنجی

بررسی انجام‌شده روی موضوعات مقالات منتشرشده در این حوزه نشان می‌دهد که بیشترین مقالات منتشرشده پیرامون موضوعاتی نظیر مهندسی برق، علوم کامپیوتر و سیستم‌های اطلاعاتی، علوم کامپیوتر و تئوری‌های مرتبط با آن، هوش مصنوعی، ارتباط از راه دور و مهندسی نرم‌افزار بوده است.

شکل ۸. تعداد مقالات منتشرشده در حوزه کلان‌داده، در زمینه‌های مختلف

همان‌طور که در شکل ۸ نشان داده شده است، رشد مقالات در این حوزه از سال ۲۰۱۰ آغاز شده و در سال ۲۰۱۷ به نقطه اوج خود می‌رسد. سپس نرخ نزولی داشته و از تعداد آن‌ها کاسته می‌شود.

شکل ۹. نمودار تعداد مقالات منتشرشده در سال‌های مختلف در حوزه کلان‌داده

رابطه تحلیل‌گری داده با سایر حوزه‌های فناوری

در جدول ۱، اثراتی که فناوری کلان‌داده بر سایر حوزه‌های فناوری تحول دیجیتال دارند، مورد بررسی قرار می‌گیرند:

جدول ۱. رابطه تحلیل‌گری داده با حوزه‌های فناوری دیجیتال

 

زنجیره ارزش تحلیل‌گری داده

بر اساس جمع‌بندی نمونه زنجیره‌ارزش‌های مشاهده‌شده و چارچوب طراحی‌شده در پروژه، زنجیره ارزش کلان‌داده به شکل ۱۰ ارائه می‌گردد.

شکل ۱۰. زنجیره ارزش کلان‌داده بر اساس الگوی پروژه

کاربردهای تحلیل‌گری داده

حجم وسیعی از داده‌های ایجادشده، ذخیره‌شده و تحلیل‌شده برای کسب بینش، از لحاظ اقتصادی به کسب‌وکار، دولت و مصرف‌کنندگان مرتبط است. در زمینه سیاست‌گذاری، از کلان‌داده می‌توان برای بهبود آگاهی (مثلاً درک احساسات عموم)، دانستن (برای مثال علت تغییر در قیمت مواد غذایی) و پیش‌بینی (برای مثال پیش‌بینی الگوهای مهاجرت افراد)، استفاده کرد. در بیشتر کشورها، بخش دولتی نیز حجم عظیمی از داده‌ها را از سرشماری، مالیات‌ها و بررسی‌های مربوط به سلامت جامعه به دست می‌آورد. بیشتر این داده‌ها «عمومی» هستند اما دسترسی به آن‌ها همیشه آسان نیست و تحلیل آن‌ها برای رسیدن به بینش درست، نیازمند تخصص فنی است. استفاده درست از کلان‌داده نیازمند همکاری نقش‌های مختلف مانند دانشمندان و فعالان در زمینه داده و استفاده از قدرت آن‌ها در درک امکانات فنی و زمینه‌ای است که بینش‌های به‌دست‌آمده را می‌توان در آن پیاده‌سازی کرد.

بخش دولتی نمی‌تواند بدون همراهی بخش خصوصی، به‌طور کامل از کلان‌داده بهره‌برداری کند. مباحث انجام‌شده پیرامون به اشتراک‌گذاری داده‌های بخش خصوصی، به همکاری بخش خصوصی با دولت اشاره دارد که از آن می‌توان در ردیابی بیماری‌ها، جلوگیری از بحران‌های اقتصادی و کاهش ترافیک بهره گرفت. بااین‌حال، منفعت به اشتراک‌گذاری چنین داده‌هایی تنها برای دولت نیست؛ بلکه سازمان‌هایی که داده‌های خود را به اشتراک می‌گذارند نیز می‌توانند از منافع آن بهره گیرند، به‌ویژه شرکت‌هایی که به اقتصاد پایدار علاقه‌مند هستند. این شرکت‌ها می‌توانند نقش خود را در مسئولیت اجتماعی بالاتر برده و به‌این‌ترتیب نام تجاری خود را بهتر شکل دهند. کلان‌داده به تصمیم گیران کمک می‌کنند تا هدفمندتر عمل کرده و قسمت‌هایی که قبلاً نادیده می‌گرفتند را موردتوجه قرار دهند.

• حوزه ارتباطات

از کاهش نرخ مصرف‌کنندگانی که از ادامه استفاده از خدمات سرویس ارتباطی خود منصرف شده‌اند تا بهبود شرایط مصرف‌کنندگان و همچنین انجام فعالیت‌هایی در جهت بهبود کارایی عملیات قسمت‌های مختلف، نمونه‌هایی از استفاده کلان‌داده در حوزه مرتبط با فراهم‌کنندگان خدمات ارتباطی می‌باشند. بر اساس تحقیقات انجام‌شده در این حوزه، با استفاده از فناوری کلان‌داده، حوزه‌های مرتبط با افزایش نرخ مصرف‌کنندگان خدمات، تقسیم‌بندی مناسب مصرف‌کنندگان، برنامه‌ریزی و بهینه‌سازی شبکه، امکان فروش خدمات متفاوت به کاربران را تحت تأثیر قرار داده و استفاده مناسب از قابلیت فناوری کلان‌داده، باعث بهبود این حوزه‌ها می‌گردد. با توجه به شرایط موجود در جهان، کاربردهای فناوری کلان‌داده در حوزه فراهم‌کنندگان خدمات ارتباطی به چند گروه اصلی تقسیم می‌گردند. این کاربردها به شرح زیر می‌باشند:

• • مدیریت تجربه مصرف‌کنندگان
    • بازاریابی هدف و شخصی‌سازی
    • تحلیل نحوه استفاده کاربر
    • مراقبت‌های پیش فعال
    • تحلیل پیش‌گویانه نرخ قطع همکاری کاربران
  • تحلیل و بهینه‌سازی شبکه
    • برنامه‌ریزی و بهینه‌سازی ظرفیت شبکه
    • توسعه شبکه و برنامه‌ریزی سرمایه‌گذاری آتی
    • تحلیل بلادرنگ شبکه
  • تحلیل‌های عملیاتی
    • کاهش درآمد/ تضمین درآمد
    • امنیت فضای مجازی و مدیریت اطلاعات
    • درآمدزایی از اطلاعات
      • ارائه سرویس تحلیل‌گری داده‌ها
      • اینترنت اشیا و ارتباط ماشین با ماشین
    • صنعت پست
    • علوم و ارتباطات فضایی

• حوزه آموزش

استفاده از فناوری کلان‌داده، باعث تحول شگرفی در حوزه آموزش‌وپرورش شده است. شباهت اساسی روش‌هایی که امروزه در ۳۵ مدرسه شهر نیویورک استفاده می‌شود، نشان می‌دهد که یکی از پنج سیاست اصلی مؤثر بر تحصیلات آکادمیک، استفاده از داده‌ها برای جهت‌دهی به دستورالعمل‌ها می‌باشد.

از جمله روش‌های مورداستفاده بر کلان‌داده، محاسبات ابری بوده که این فنّاوری با ایجاد دسترسی دانشجویان به محتوای ارزان و برخط و امکان ایجاد ارتباط بین دانشجویان، کیفیت و کمیت خدمات آموزشی را بهبود می‌بخشد. فناوری کلان‌داده قادر است در سیستم آموزش کلاسیک از طریق ارائه تحلیل‌هایی به مدرس، در مورد معلومات دانش‌آموزان و روش‌های مؤثر برای هر دانش‌آموز کمک‌رسانی کرده و حتی معلمان نیز قادر به یادگیری روش‌های جدید در مورد تدریس خود خواهند بود. همچنین، فناوری‌هایی مانند داده‌کاوی و تحلیل‌گری داده قادرند تا در مورد بازدهی تحصیلی، بازخوردی سریع به دانش‌آموزان و معلمان ارائه نمایند. این روش‌ها قادر به انجام تحلیلی دقیق از الگوهای آموزشی و استخراج اطلاعات ارزشمند از آن‌ها هستند. دراین‌باره، مجموعه کلان‌داده‌ها، می‌توانند دانش‌آموزانی که نیازمند کمک بیشتری هستند را تعیین نموده تا با توجه بیشتر به آن‌ها شرایطی مهیا گردد که با توجه به نیازهای هر دانش‌آموز، کیفیت تحصیلی آن‌ها بهبود پیدا کند. همان‌طور که مشاهده می‌گردد، در دهه اخیر آموزش برخط، پیشرفت به سزایی کرده و تأثیری شگرف در حوزه یادگیری ایجاد نموده است.

آموزش الکترونیکی، در واقع مجموعه‌ای از داده‌ها و تحلیل‌ها بوده که می‌تواند برای تدریس و یادگیری بکار گرفته شود. در این راستا بسیاری از دانشجویان در کلاس‌های آنلاین یا یادگیری مجازی شرکت کرده و این فرآیند منجر به تولید داده‌هایی جدید می‌گردد. این داده‌های جدید با کمک شبکه‌های اجتماعی به دانشجویان کمک می‌کنند تا با هر پیش‌زمینه‌ای که دارند خود را هم‌سطح بقیه کرده و مفاهیم اساسی درسی را بهتر فراگیرند.

• حوزه سلامت

امروزه کاربرد فناوری کلان‌داده در حوزه بهداشت و درمان درحال‌توسعه بوده و خدمات ارائه‌شده در این حوزه با استفاده از قابلیت‌های این فناوری، از دو جنبه کمی و کیفی پیشرفت بسزایی کرده است. در دهه اخیر داده‌های پزشکی موجود در حال دیجیتالی شدن بوده و شرکت‌های داروسازی و پزشکی، بیمارستان‌ها و مراکز درمانی، داده‌ها و تحقیقاتی که در طی سال‌ها به دست آورده‌اند را در پایگاه داده‌های الکترونیکی گردآوری می‌نمایند. حکومت‌ها و سایر ذینفعان نیز با افزایش دسترسی‌پذیری، جستجوپذیری و حتی قابلیت پیگیری قضایی داده‌های بخش بهداشت و درمان، حرکت به سمت شفافیت را سرعت می‌بخشند که این تغییرات به توسعه این حوزه کمک بسزایی می‌کند.

ذینفعان بهداشت و درمان هم‌اکنون به دلیل استفاده از فناوری کلان‌داده به سود بیشتری دست یافته‌اند. در نتیجه متخصصان صنعت داروسازی، پرداخت‌کنندگان و تأمین‌کنندگان منابع برای تضمین ادامه این روند سود ده، در مسائل مختلف شروع به تحلیل‌گری کلان‌داده نموده‌اند. هرچند این تلاش‌ها در گام‌های اولیه قرار دارد اما نتایج اولیه حاصل نیز، به حل مشکلات گوناگون صنعت بهداشت و درمان در زمینه کیفیت و کاهش مخارج یاری رسانده است. برای مثال محققان می‌توانند با تحلیل‌گری کلان‌داده، مناسب‌ترین راه درمان ممکن را انتخاب کرده و همچنین برای شناسایی الگوهای مرتبط با تأثیرات جانبی داروها، اقدامات اولیه بیمارستانی را مورد کاوش قرار دهند و با کسب اطلاعات مفید در این زمینه باعث کمک به بیماران و کاهش هزینه‌ها می‌گردند. خوشبختانه پیشرفت‌های اخیر سبب بهبود توانایی متخصصان این حوزه در به‌کارگیری کلان‌داده شده است.

در حوزه بهداشت و درمان، چندین شرکت نوآور در بخش خصوصی (به‌صورت رسمی یا داوطلبانه)، برنامه‌ها و ابزارهای تحلیلی را توسعه می‌دهند که به بیماران، پزشکان و سایر ذینفعان بهداشت و درمان کمک می‌نماید تا ارزش‌ها و فرصت‌ها را شناسایی نمایند. ارزیابی اخیر از بازار نشان می‌دهد که از سال ۲۰۱۰ بیش از ۲۰۰ کسب‌وکار مرتبط با ایجاد ابزارهای بدیع برای استفاده بهتر از اطلاعات حوزه بهداشت و درمان ایجاد گردیده است. با رشد ظرفیت فناوری، انتظار می‌رود تا متخصصان ایده‌هایی جذاب‌تر برای بهره‌برداری از کلان‌داده بیابند تا با استفاده از نتایج حاصل از به‌کارگیری آن‌ها، هزینه‌های این حوزه نیز کاهش یابد. البته شایان‌ذکر است که برای استفاده موفق از فناوری کلان‌داده در حوزه بهداشت و درمان نکات مهمی باید مدنظر قرار گیرند. برای مثال به دلیل شفافیت معاملات انجام‌شده در صورت استفاده صحیح از فناوری کلان‌داده، ارتباطات مشکوک میان واسطه‌ها در زنجیره ارزش تولید محصولات و خدمات حوزه بهداشت و درمان باید به حداقل برسند. به‌علاوه ذینفعان بهداشت و درمان باید حریم خصوصی بیماران را هنگام انتشار عمومی اطلاعات رعایت کرده و اطمینان حاصل نمایند که اقدامات امنیتی لازم برای محافظت از سازمان‌ها، هنگام انتشار اطلاعات در نظر گرفته شود. در ادامه تعدادی از مهم‌ترین کاربردهای عملیاتی شده فناوری کلان‌داده در این حوزه بیان می‌گردند:

• • تحلیل‌گری داده‌های آزمایش‌های بالینی
  • تحلیل الگوهای بیماری
  • تحلیل برنامه کیفیت سلامت بیماران
  • تشخیص الگوی گسترش بیماری‌های واگیردار
  • کشف و توسعه داروهای جدید
  • استفاده از روش‌های درمانی خاص هر بیمار

• حوزه انرژی

فناوری کلان‌داده در حوزه انرژی و حمل‌ونقل به فراوانی مورد استفاده قرار می‌گیرد. امروزه به دلیل اهمیت استفاده بهینه از انرژی در راستای کاهش خطرات زیست‌محیطی، بررسی و تحلیل‌گری داده‌های در دسترس کمک شایان توجهی به توسعه راه‌کارهای بهینه در این حوزه می‌کند. در این راستا تحلیل‌گری داده‌های مرتبط با نحوه استفاده مصرف‌کنندگان، راه‌های ممکن برای استفاده بهینه از منابع موجود و کاهش هزینه‌های بخش تولید و توزیع، باعث توسعه راهکارها و روش‌های نوینی در این حوزه شده است. در ادامه به‌طور خلاصه به کاربردهای مطرح این فناوری در حوزه انرژی اشاره می‌گردد:

• • نگهداری پیش‌گویانه
  • ترکیب اطلاعات با مشخصات مکانی
  • شبکه‌های هوشمند
  • ارزیابی هوشمند

• خدمات مالی

فناوری کلان‌داده در حوزه تجارت و تعاملات مالی کاربردهای فراوانی دارد. با استفاده از قابلیت‌های این فناوری، بازیگران این حوزه سود بیشتری کرده و با استفاده از اطلاعات در دسترس، روش‌ها و راهکارهای نتیجه‌بخش‌تری مورداستفاده قرار می‌گیرند. نمونه‌هایی از کاربردهای فناوری کلان‌داده در این حوزه عبارت است از:

• • بهبود رضایت مشتری
  • تشخیص تقلب
  • مدیریت ریسک
  • شفاف‌سازی تعاملات
  • پیش‌بینی رفتار مشتری
  • ارتباط مؤثرتر بین بازیگران این حوزه
  • بورس

• امنیت ملی

امروزه با توجه به اهمیت مقابله با تهدیدات خارجی، جرائم سازمان‌یافته، تهدیدهای امنیت ملی، فساد مالی در مقیاس بزرگ، تهدیدهای اقتصادی و یا جاسوسی، دولت‌ها هزینه بسیار زیادی در راستای حل این مشکلات پرداخت می‌کنند. با افزایش نرخ تولید داده‌ها، امکان استفاده از روش‌های سنتی برای تحلیل آن‌ها و شناسایی تهدیدهای محتمل، امکان‌پذیر نیست. درنتیجه کشورهای پیشرفته با استفاده از فناوری کلان‌داده، راه‌کارهای کارآمدی را برای حل مسائل مرتبط با امنیت ملی خود، توسعه داده‌اند. داده‌های قابل‌دسترس از دوربین‌های امنیتی سطح شهر، اطلاعات هویتی افراد، پرونده‌های قضایی موجود و حتی تعاملات مشکوک بین افراد جامعه در شبکه‌های مجازی می‌توانند به‌عنوان منابع ارزشمندی برای شناسایی تهدید علیه امنیت ملی مورداستفاده قرار گیرند. بررسی‌های به‌عمل‌آمده نشان می‌دهد که کشورهای پیشرفته از کاربردهای فناوری کلان‌داده در این حوزه استفاده می‌کنند ولی متأسفانه به دلیل محرمانه بودن جزئیات آن‌ها، اطلاعات دقیقی در رابطه با نحوه عملکرد و جزئیات سازمان‌های مورداستفاده در دسترس نمی‌باشد. به‌طور خلاصه کاربردهای فناوری کلان‌داده را در مبحث امنیت ملی می‌توان به شرح زیر تقسیم‌بندی کرد:

• • تشخیص هویت افراد در مقیاس کلان
  • شناسایی افراد مظنون
  • رصد اطلاعات شبکه‌های فضای مجازی

• هواشناسی

به دلیل تأثیر پارامترهای مختلف بر تغییرات آب و هوایی، داده‌ها و اطلاعات موجود در زمینه هواشناسی بسیار جامع و پرحجم بوده و به‌صورت لحظه‌ای در حال تغییر می‌باشند. فناوری کلان‌داده به دلیل قابلیت‌های منحصربه‌فرد خود، در جهت تحلیل و بررسی اطلاعات به‌دست‌آمده از داده‌های خام این حوزه مورداستفاده قرار می‌گیرد. اصلی‌ترین بخش استفاده از این فناوری‌ها، مبحث پیش‌بینی وضعیت آب‌وهوا بوده که نیازمند بررسی و تحلیل حجم بسیار بالایی از داده‌ها می‌باشد. در ادامه به دو کاربرد مهم فناوری کلان‌داده در این حوزه اشاره می‌گردد:

• • پیش‌بینی بلادرنگ شرایط آب‌وهوایی: با استفاده از فناوری کلان‌داده و تحلیل‌گری داده‌های به‌دست‌آمده از حسگرها و همچنین نتایج مدل‌سازی‌های کامپیوتری می‌توان به‌صورت بلادرنگ تغییرات آب‌وهوایی را با دقت بالایی پیشگویی کرد. با استفاده از این فناوری، بسیاری از بلایای طبیعی را می‌توان قبل از وقوع شناسایی کرد و با اتخاذ تدابیر مناسب از بروز حوادث جبران‌ناپذیر جلوگیری نمود.
  • بررسی تغییرات ناشی از گرمایش جهانی: با تحلیل‌گری داده‌های قابل‌دسترس، می‌توان با استفاده از فناوری‌های کلان‌داده تأثیر پارامترهای مختلف بر روی افزایش دمای جهانی را موردبررسی قرار داده و با اتخاذ سیاست‌های مناسب، از افزایش نرخ رشد دمای کره زمین جلوگیری به عمل آورد.

• راهنمایی و رانندگی

امروزه در زمینه ترافیک و حمل‌ونقل، موضوع «حمل‌ونقل هوشمند» به یکی از موارد پراهمیت تبدیل‌شده است و به‌منظور اجرا و پیاده‌سازی طرح‌های این حوزه، حجم عظیمی از داده‌ها باید مورد تحلیل قرار گیرند. با توجه به قابلیت‌های بالای فناوری کلان‌داده، استفاده از کاربردهای مبتنی بر آن، در این حوزه می‌تواند بسیار مثمرثمر باشد. در ادامه به تعدادی از کاربردهای مهم فناوری کلان‌داده در این حوزه اشاره می‌گردد:

• • بهینه‌سازی مدیریت ترافیک: با استفاده از فناوری کلان‌داده و داده‌های مرتبط با ترافیک خودروها در سطح شهر، سرعت حرکت آن‌ها، اطلاعات منتشرشده توسط کاربران بر روی فضای مجازی، اطلاعات مکانی به‌دست‌آمده از تلفن‌های هوشمند افراد در حال تردد در معابر و شرایط آب‌وهوایی می‌توان با کنترل بهینه چراغ‌های راهنمایی و همچنین اطلاع‌رسانی بلادرنگ به رانندگان، به کاهش ترافیک شهری کمک نمود.
  • ایجاد شهر هوشمند: با اتصال خودروها، علائم راهنمایی و رانندگی، خیابان‌ها و معابر و همچنین جاده‌های بین‌شهری به اینترنت می‌توان با استفاده از فناوری کلان‌داده و تحلیل بلادرنگ اطلاعات به‌دست‌آمده، امکان تردد خودروهای بدون سرنشین که به‌طور خودکار حرکت می‌کنند را فراهم نمود.

• حوزه انتظامی

یکی از کاربردهایی که به‌تازگی توسط پلیس مورداستفاده قرارگرفته است، سامانه DAS می‌باشد. این سامانه با استفاده از دریافت اطلاعات ترافیکی و همچنین اطلاع‌رسانی سریع به شهروندان، کمک شایانی در دستگیری مجرمین می‌کند. مأموران پلیس با استفاده از این سامانه، حجم عظیمی از اطلاعات ترافیکی را تحلیل کرده و بر اساس نتایج حاصل، بهترین و کوتاه‌ترین مسیر را انتخاب می‌نمایند. نمونه‌های دیگری از کاربردهای موفق فناوری کلان‌داده در این حوزه عبارت‌اند از:

• • حل سریع‌تر پرونده‌های قضایی: با استفاده از فناوری کلان‌داده و تحلیل حجم بالایی از اطلاعات، می‌توان اطلاعات مفیدی را از داده‌های موجود استخراج کرد که تحلیل دقیق آن‌ها به حل سریع‌تر و دقیق‌تر پرونده‌های جنایی کمک شایانی می‌کند.
  • روش‌های پیشگیری از وقوع جرم: با استفاده از بررسی دقیق کلان‌داده، می‌توان شرایط و موقعیت‌های جرم خیز را با تحلیل بلادرنگ داده‌های عظیم شناسایی کرد و با اتخاذ تدابیر مناسب از وقوع احتمالی اعمال خلاف قانون جلوگیری نمود.
  • شناسایی الگوهای وقوع جرم: با تحلیل‌گری داده‌های در دسترس مرتبط با پرونده‌های جنایی، رفتارها و موقعیت مجرمان سابقه‌دار و داده‌های تولیدشده توسط مأموران انتظامی، می‌توان الگوهای وقوع جرم را تعیین کرد و با توجه به این الگوها، سیاست‌های مناسبی جهت مقابله با مجرمان اتخاذ نمود.

• حوزه زیست‌محیطی

فناوری کلان‌داده کاربردهای زیادی در ارتباط با مسائل مرتبط با محیط‌زیست دارد. به‌عنوان‌مثال یکی از مسائل و موضوعات پراهمیت در حفظ محیط‌زیست، تحلیل و بررسی میزان تأثیر استفاده از مواد شیمیایی در بازه‌های زمانی متفاوت می‌باشد. محققان با استفاده از فناوری کلان‌داده می‌توانند با تحلیل دقیق پارامترهای مرتبط، تأثیرات این مواد را پیش‌بینی نمایند. مثالی دیگر در این حوزه استفاده از این فناوری برای کاهش آلودگی هوای کلان‌شهرها می‌باشد. برای این منظور با استفاده از اطلاعات به‌دست‌آمده مرتبط با شرایط ترافیکی، اطلاعات وضعیت آب‌وهوایی و میزان آلاینده‌های موجود در هوا، حجم تولیدی آلاینده‌ها توسط صنایع و میزان بارش‌های قابل پیش‌بینی، راهکاری مناسب برای تنظیم نحوه عملکرد صنایع، استانداردهای مورداستفاده و اعمال محدودیت‌های ترافیکی مناسب را در پیش گرفت. علاوه بر مثال‌های ذکرشده، کاربردهای متعددی در این حوزه پیاده‌سازی گردیده است که در ادامه این قسمت به تعدادی از آن‌ها اشاره می‌گردد:

• • کاهش میزان آلودگی کلان‌شهرها
  • کنترل و ارزیابی اکوسیستم جنگل‌های مناطق حاره‌ای
  • نظارت بر روند کاهش جنگل‌های جهانی
  • کنترل تأثیر گرمایش جهانی بر آب شدن یخ‌های قطبی
  • تأثیر استفاده از سوخت‌های فسیلی بر گرمایش جهانی
  • کنترل لایه ازن و تأثیرات مواد آلاینده بر آن
  • بهبود شرایط آب و هوایی کلان‌شهرها

• حوزه کشاورزی

با توجه به افزایش جمعیت کره زمین و تقاضای بیشتر برای محصولات کشاورزی و همچنین کمبود آب و منابع طبیعی، استفاده بهینه از منابع و معرفی راهکارهای نوین در جهت بهبود کارایی مراحل مختلف تولید محصولات، نقش بسیار مهمی در برآورده کردن نیازهای رو به رشد کشورها ایفا می‌کنند. برای نیل به این هدف، با استفاده از فناوری کلان‌داده، کاربردهای مختلفی معرفی گردیده‌اند که در ادامه این بخش به مهم‌ترین آن‌ها اشاره می‌گردد:

• • بهبود کمی و کیفی تولیدات: با استفاده از فناوری کلان‌داده و تحلیل‌گری داده‌های اخذشده مرتبط با شرایط آب‌وهوایی، اقلیمی، میزان آبیاری، کیفیت خاک، سموم استفاده‌شده و … می‌توان بهترین سناریوهای ممکن را طراحی کرد که با استفاده از آن‌ها، تولیدات کشاورزی از نظر کمی و کیفی پیشرفت فراوانی خواهند داشت.
  • کاهش میزان آب مصرفی: با بررسی دقیق داده‌های اخذشده از پارامترهای مرتبط و استفاده از روش‌های تحلیل‌گری کلان‌داده، می‌توان با بهینه‌سازی مراحل کاشت، داشت و برداشت، در میزان آب مصرفی صرفه‌جویی کرد.
  • بهبود کارایی از دید کلان: با تحلیل اطلاعات مرتبط با شرایط اقلیمی، تغییرات آب و هوایی، میزان تقاضا، قابلیت کشاورزان و سرمایه‌گذاری‌های به‌عمل‌آمده، می‌توان سیاست‌های کلان کارآمدی در حوزه کشاورزی اتخاذ کرد که باعث افزایش بهره‌وری این حوزه گردد. به‌عنوان مثال انتخاب نوع محصولات قابل کاشت، زمان برداشت مناسب و نحوه توزیع آن‌ها درصورتی‌که متناسب با نیازهای جامعه انتخاب گردند، می‌توانند به سوددهی بیشتر کشاورزان کمک کرده و نیز باعث بهبود کیفیت محصولات تولیدشده گردد.

نمونه‌های دیگری از کاربردهای فناوری کلان‌داده در این حوزه عبارت‌اند از:

• • تعیین قیمت مناسب برای تضمین فروش بالاتر
  • تقسیم‌بندی مشتریان با توجه به سلایق، شرایط اقتصادی و نیازها
  • تعیین محل قرارگیری محصولات در فروشگاه‌ها با توجه به الگوی حرکتی خریداران
  • مدیریت بهینه زنجیره عرضه

مقالات مرتبط:

کلان داده (بیگ‌دیتا) در صنعت بانکداری

چهارچوب های مطرح استراتژی و حکمرانی داده

فناوری دیجیتال چیست؟

هوش مصنوعی؛ روند توسعه، زنجیره ارزش و کاربردها