هرچه فناوری بیشتر پیشرفت می کند، جمع آوری داده ها نیز آسان تر می شود. امروزه کسب وکارها داده ها را در مقادیر بسیار بیشتر و با سرعتی بی سابقه جمع آوری می کنند؛ به طوری که ۵۳ درصد از کسب وکارها در حال حاضر از تحلیل کلان داده ها (Big Data Analytics) استفاده می کنند. این موضوع نه تنها برای کسانی که زیرساخت های ذخیره سازی داده را توسعه می دهند یک چالش بزرگ است، بلکه چالش اصلی متوجه کسانی است که باید از این حجم عظیم اطلاعات، معنا و مفهوم استخراج کنند.
از داده تا تصمیم: نقش حیاتی متخصصان کلان داده
این وظیفه بر عهده متخصصان کلان داده است تا داده ها را تفسیر کرده و آن ها را به شکل هایی درآورند که کسب وکارها بتوانند آن ها را درک کرده و برای تقویت مزیت رقابتی خود به کار گیرند. از آنجایی که حجم داده ها بسیار زیاد است و متخصصان کافی برای بهره گیری از پتانسیل آن ها وجود ندارد، دوره های آموزش تحلیل داده به وفور یافت می شوند و محبوبیت آن ها روزبه روز در حال افزایش است.
این دوره ها، متخصصان کلان داده یا تحلیل گران را برای فعالیت در صنایع زیر آماده می کنند:
- تولید
- خرده فروشی
- بانکداری
- خدمات
- لجستیک و حمل ونقل
- اجرای قانون (پلیس و امنیت)
- مدیریت بحران
- بهداشت و درمان
- آموزش
- دولت و نهادهای حاکمیتی
در اقتصاد امروز ایران، صنایع مالی، بورس، و فین تک ها به شدت تشنه متخصصان کلان داده هستند. بانک های ایرانی و شرکت های سرمایه گذاری برای سنجش ریسک اعتباری مشتریان، کشف تقلب های مالی و پیش بینی روندهای بازار بورس، وابستگی شدیدی به تحلیل گران داده پیدا کرده اند. ورود به این حوزه در ایران، به معنای تضمین امنیت شغلی در بالاترین سطوح درآمدی است.
اگر می خواهید چنین مسیر شغلی را دنبال کنید، باید دقیقاً بدانید کلان داده چیست، کسب وکارها چگونه می توانند از آن استفاده کنند و مهارت های لازم برای کمک به این کسب وکارها را بیاموزید.
مناسب بخش مربوط به بازار کار ایران در بانک، بورس و فین تک
کلان داده دقیقاً چه اهمیتی دارد؟
کلان داده بر اساس منبعی که از آن جمع آوری می شود تعریف می گردد؛ این منابع می توانند ماشین آلات یا تجهیزات مورد استفاده در عملیات یک کسب وکار، تراکنش های مالی با تأمین کنندگان یا مشتریان، و یا حتی شبکه های اجتماعی و سایر پلتفرم های دیجیتال باشند. همچنین منابع اطلاعاتی دولتی و عمومی نیز وجود دارند که قابل دسترسی هستند.
آنچه کلان داده را از «داده های معمولی» متمایز می کند، حجم (Volume)، سرعت (Velocity) و تنوع (Variety) یا فرمت های مختلفی است که داده ها در آن ها جمع آوری می شوند. این موارد همان «سه V» معروف در تعریف داگ لانی، تحلیل گر موسسه گارتنر (Gartner) هستند. البته ارزش داده (Value) و قابلیت راستی آزمایی آن (Veracity/Verified)، دو V دیگری هستند که از آن زمان به این تعریف محبوب اضافه شده اند (مدل 5V).
اهمیت کلان داده بیشتر از اینکه به چیستی آن مربوط باشد، به امکاناتی بستگی دارد که برای بهبود کارایی و سودآوری در اختیار کسب وکارها قرار می دهد. اگر یک کسب وکار بداند چگونه از داده های خود به درستی استفاده کند، قادر خواهد بود:
- راه هایی برای صرفه جویی در زمان و کاهش هزینه های عملیاتی پیدا کند.
- ناهنجاری های عملیاتی (از جمله تقلب و کلاهبرداری مالی) را شناسایی کرده و راه حل هایی پیشنهاد دهد.
- فرآیندهای تعمیر و نگهداری پیش بینانه را تسهیل کند.
- پیش بینی های دقیقی انجام داده و مدیریت ریسک را بهبود بخشد.
- محصولات و خدمات جدید توسعه دهد یا نمونه های موجود را ارتقا بخشد.
- یادگیری ماشین (Machine Learning) را به جای «برنامه نویسی صرف» فعال کند.
- تصمیمات استراتژیک آگاهانه تر و مبتنی بر شواهد اتخاذ کند.
این توانایی در استفاده از داده ها، کاملاً به این بستگی دارد که متخصصان تا چه حد بتوانند آن ها را به خوبی پردازش، تحلیل و به ذی نفعان ارائه کنند تا همه بتوانند به بینش های ارزشمندی دست یابند و اقدامات لازم را پیشنهاد داده یا عملی کنند. «بزرگیِ» کلان داده همچنین ایجاب می کند که این متخصصان در تشخیص اینکه دقیقاً کدام مجموعه های خاص از داده ها باید جمع آوری و متعاقباً استفاده شوند، بینش و دقت بالایی داشته باشند.
آماده سازی برای یک شغل بزرگ در دنیای کلان داده
مانند هر مسیر شغلی «بزرگ» دیگری، منطقی است که از «گام های کوچک» شروع کنید. به طور کلی، یک شغل در حوزه IT ریشه در مدرک کارشناسی در رشته هایی مانند علوم کامپیوتر یا مهندسی کامپیوتر دارد. اگر از قبل مدرکی در زمینه دیگری دارید و به فکر تغییر مسیر شغلی هستید، داشتن یک مدرک مرتبط با ریاضیات مانند امور مالی یا آمار می تواند این تغییر را بسیار آسان تر کند.
برای تبدیل شدن به یک متخصص کلان داده یا تحلیل گر، قطعاً به پیش زمینه ای در ریاضیات و کامپیوتر نیاز خواهید داشت. اگرچه داشتن مدرک کارشناسی ارشد یا دکترا در علوم داده الزامی نیست، اما زمانی که پای کاریابی به میان می آید، در صورت تمایل به احراز پست های مدیریتی، می تواند تفاوت چشمگیری ایجاد کند. تجربه کاری که شامل کار با داده ها باشد (مانند راه اندازی پایگاه های داده یا برنامه نویسی) نیز یک مزیت بزرگ محسوب می شود.
مهارت های خاصی که باید توسعه دهید شامل دانستن نحوه مدیریت سیستم ها و چارچوب های پایگاه داده است که در پردازش و جریان سازی کلان داده ها ضروری هستند. تسلط بر جبر خطی و آمار، به ویژه احتمالات، متغیرها و آزمون فرضیه ها نیز از الزامات قطعی برای متخصصان کلان داده است.
در مشاوره های مالی و سرمایه گذاری (مانند خدماتی که در کیان مشاوران ارائه می شود)، توانایی آزمون فرضیه (Hypothesis Testing) به تحلیل گر اجازه می دهد تا تأثیر اخبار کلان اقتصادی (مثل تغییر نرخ بهره) را بر بازارهای محلی به صورت کمی و دقیق بسنجد، نه صرفاً بر اساس حدس و گمان.
اما احتمالاً مهم ترین مهارت هایی که در مسیر شغلی کلان داده به آن نیاز خواهید داشت، کدنویسی و برنامه نویسی است. به هر حال، نمی توانید انتظار پیشرفت در صنعتی را داشته باشید که در آن قادر به «صحبت کردن با زبان آن صنعت» نیستید. با پیشرفت مداوم فناوری، پردازش کلان داده ها نیز باید به طور پیوسته همگام با آن سفارشی سازی شود و اینجاست که دانش شما در زبان های برنامه نویسی وارد میدان می شود.
برای توضیح منابع گوناگون داده و تفاوت آن با داده های معمولی
آیا برای شروع با زبان R آماده اید؟
زبان های برنامه نویسی متعددی در تحلیل کلان داده استفاده می شوند، اما زبان R یکی از مهم ترین زبان هایی است (اگر نگوییم اصلی ترین زبان) که یک متخصص معتبر باید آن را بلد باشد. به عنوان نرم افزار منتخب برای تحلیل و گرافیک، زبان R توسط ۴۰ درصد از دانشمندان داده به دلیل توانایی آن در تسهیل تحلیل ها و ساخت ارائه های مؤثر، ترجیح داده می شود.
زبان R بسیار انعطاف پذیر است، به این معنا که می توان عملکردهای آماری جدیدی به آن اضافه کرد و در صورت نیاز، نقاط داده بیشتری را مدیریت نمود. کدنویسی در R نیز نسبتاً آسان است؛ زیرا می توان کدهای آن را در محیط های پردازش موازی مبتنی بر ابر (Cloud) نوشت، بدون اینکه نیازی به خرید کامپیوترهای فوق پیشرفته و گران قیمت باشد. R به راحتی می تواند مجموعه های عظیمی از داده ها را مدیریت کند و به سادگی با پلتفرم های آنلاین برای ساخت اپلیکیشن های تحلیلی یکپارچه می شود.
استفاده از R مزایای متعددی دارد، از جمله: استفاده گسترده آن در میان محققان و تحلیل گران؛ سرراست بودن آن به عنوان یک زبان برنامه نویسی؛ و مجموعه جامع ابزارهای آن برای دستکاری و مرتب سازی داده ها (Data Wrangling). علاوه بر آسان کردن بصری سازی و تحلیل داده ها، زبان R استفاده از روش های آماری جدید و پیاده سازی یادگیری ماشین را نیز ساده می کند.
زبان R همچنین متن باز (Open-Source) و استفاده از آن کاملاً رایگان است که همین امر آن را از نظر اقتصادی مقرون به صرفه، به طور گسترده در دسترس و در سطح فردی، سازمانی و صنعتی بسیار مقیاس پذیر می سازد.
اکنون، با وجود اینکه یادگیری R برای کسانی که با برنامه های محبوب صفحات گسترده (مانند اکسل) آشنا هستند باید نسبتاً ساده باشد، اما سرعت یادگیری آن به میزان تسلط قبلی شما بر برنامه نویسی و آمار بستگی دارد. از دیگر چالش های یادگیری R می توان به نیاز بالای آن به حافظه کامپیوتر و لزوم تهیه کپی از داده های در حال پردازش اشاره کرد.
نتیجه گیری
ورود به دنیای کلان داده (Big Data) تنها تسلط بر ابزارها و کدهای برنامه نویسی نیست، بلکه هنر ترجمه اعداد به استراتژی های سودآور است. همان طور که بررسی کردیم، از یادگیری مدل های ۵V تا تسلط بر زبان قدرتمندی مانند R، همگی ابزارهایی هستند تا شما بتوانید در صنایع مختلف (از جمله بازارهای مالی و مشاوره مدیریت) مزیت رقابتی خلق کنید. اگر قصد دارید در این مسیر قدم بگذارید، به یاد داشته باشید که موفقیت شما در گرو ترکیب دانش فنی (برنامه نویسی و آمار) با بینش تجاری و درک درست از اهداف سازمان است. دنیای فردا متعلق به کسب وکارهایی است که داده های خود را می فهمند و متخصصانی که این فهم را ممکن می سازند.
