დიდ მონაცემთა მეცნიერებისა და ანალიტიკის აღზევება ბიზნესში ნებისმიერი ორგანიზაციის დიდ მონაცემთა გაანალიზებისას, მანქანური სწავლებისა და ტრადიციული ალგორითმის გამოყენებას ბევრი პრობლემის მოგვარება შეუძლია
Opinions expressed by Entrepreneur contributors are their own.
You're reading Entrepreneur Georgia, an international franchise of Entrepreneur Media.
ისეთი დრო დადგა, ერთი ცნობილი გამოთქმა აუცილებლად მეორით უნდა შეიცვალოს − "ციფრულ ეპოქაში ყველაზე ძლიერი კი არა, ყველაზე ჭკვიანი გადარჩება". მსოფლიო ეკონომიკა ასტრონომიული ტემპით ვითარდება, ბიზნესსამყაროც სწრაფად მიიწევს წინ და ულტრათანამედროვე ტექნოლოგიური მიღწევები კი, მცირე კომპანიით დაწყებული, მსხვილი კორპორაციებით დამთავრებული, ყველას აიძულებს, კლიენტთა ბაზა გაზარდონ და კიდევ მეტად განავითარონ ბიზნესი.
დიდ მონაცემთა მეცნიერებამ და ანალიტიკამ საბაზრო სტრატეგიების კურსი შეცვალეს, კომპანიებს ზრდისა და მოგებისკენ მიმავალი ახალი გზები გაუკვალეს. ციფრულ ეპოქაში სულ ათი წელია შევაბიჯეთ და უახლესმა ციფრულმა ტექნოლოგიამ − დიდ მონაცემთა ანალიზმა, სრულიად დაუჯერებელი ამოცანების შესრულება შეძლო რეალური დროის რეჟიმში. დიდ მონაცემთა მოცულობა 2020 წლის ბოლოსთვის 44 ტრილიონ გიგაბაიტს მიაღწევს და ყველა წინა ტენდენციას დაამსხვრევს, ახალ ბიზნესსამყაროს შექმნის.
მსგავსი სტატია: კარგი გადაწყვეტილების მისაღებად, კარგი მონაცემებია საჭირო
ორი სისტემის თანაარსებობა
მანქანური სწავლებისა და ტრადიციული ალგორითმის გამოყენებას, ნებისმიერი ორგანიზაციის დიდ მონაცემთა გაანალიზებისას, მრავალი პრობლემის გადაჭრაც შეუძლია და მომავლის გაცილებით სწრაფი და საიმედო პროგნოზირებაც. საკმაოდ დიდი ხანია, მონაცემთა ანალიტიკა ბიზნესანალიტიკის ნაწილი გახდა და ნებისმიერ კომპანიას პრობლემების "წერტილოვანი მოგვარების" შესაძლებლობებს აძლევს.
მაგალითად, ამ ტიპის მნიშვნელოვანი გადაწყვეტილებები ისეთ სექტორებში, როგორიცაა დაზღვევა, ტელეკომუნიკაცია, ყოველდღიური მოხმარების პროდუქცია, საცალო, საბანკო და ფინანსური მომსახურების სფეროები, შემდეგია: კლიენტების გადინების პროგნოზის გაკეთება, ვალის დაფარვის რისკის შეფასება, კლიენტების დეფოლტისადმი მიდრეკილება, ფასთა სეგმენტის ოპტიმიზაცია პრომოციისთვის და ა.შ. ბიზნესანალიტიკის მომწოდებელთა ტრადიციული "მიზეზ-შედეგობრივი მოდელის" ტიპის გადაწყვეტილებები, მართალია ბიზნესპრობლემების ახსნასა და ბიზნესმაკორექტირებელი ზომების გატარებას უზრუნველყოფს, მაგრამ ამავე დროს, რეალური დროის რეჟიმში სისტემურ მიდგომას არ განაპირობებს. დიდ მონაცემთა ანალიტიკა მხოლოდ მაღალჩქაროსნულ საიმედო გადაწყვეტილებებს კი არა, კომპანიის სტრუქტურირებულსა და ნახევრადსტრუქტურირებულ წყაროებს ქმნის მრავალჯერადი სისტემური მოხმარებისთვის და გარე მონაცემებს უკეთებს ორგანიზებას.
დიდ მონაცემთა ანალიზი, მონაცემთა მეცნიერების საფუძველზე შეიქმნა და იგი მუდმივად მზარდი მონაცემების ანალიზისთვის მათემატიკას, სტატისტიკას და ბევრ სხვა სამეცნიერო ინსტრუმენტებს იყენებს. პროგნოზის ანალიზი ხელოვნური ინტელექტის აპლიკაციებისა და მანქანური სწავლების დახმარებით ხდება და მიღებული შედეგები დომენებში კლასიფიცირდება, რომლებიც სხვადასხვა ბიზნესვერტიკალის მოთხოვნებს აკმაყოფილებს. ეს ზუსტი პროგნოზები ხელს უწყობს კომპანიებს ეფექტურ ზრდაზე გაამახვილონ ყურადღება.
თუ ბოლოდროინდელ ანგარიშებს გადავხედავთ, აშკარად დავინახავთ, თუ რა ტიპის ძვრებია კომპანიებში, რომლებმაც დიდი მონაცემები და ანალიტიკა დანერგეს. ამ მხრივ ინდუსტრიის ლიდერები ტელესაკომუნიკაციო და ფინანსური მომსახურებები არიან. ფაქტობრივად, ინდუსტრიის გიგანტებმა თავიდანვე განჭვრიტეს დიდ მონაცემთა გავლენა და უპირატესობების მაქსიმალურად გამოსაყენებლად მეცნიერება და ფიზიკური საგნებისა თუ მომსახურების ინტერნეტი (IoT/IoS) გააერთიანეს. ეს ნათლად მიუთითებს იმას, რომ ანალიტიკა ადრინდელი წერტილოვანი გადაწყვეტილებების ფაზიდან ახლა უკვე მთლიანად გადავა ანტრეპრენერულ ფაზაზე.
უპირატესობანი
დიდ მონაცემთა მეცნიერებას და ანალიტიკას ორი უმთავრესი უპირატესობა აქვს: შემობრუნების სიჩქარე განაწილებული გამოთვლისას, რომელიც მონაცემთა ნებისმიერი წყაროს მიღებისას გარკვეულ ფარგლებში იცვლება, და მონაცემთა გაცილებით დიდი მოცულობების დამუშავების უნარი. თუმცა, რადგან მონაცემთა არსებული სისტემა და BI-სისტემები ამ ეტაპზე ჯერ კიდევ თანაარსებობენ, ორგანიზაციებს ვითარებაში გარკვევა უჭირთ, მაგრამ მოგების პოტენციალი აიძულებთ ინიციატივა გამოავლინონ.
დიდი მონაცემები ჯერჯერობით ვერ ჩაენაცვლება არსებულ მონაცემთა სისტემებს, ამიტომ ეს ორი სისტემა სამუშაო სივრცეში ერთდროულად იარსებებს, ვიდრე ორგანიზაციები დიდ მონაცემთა კომპლექსურ სისტემებთან არ შეძლებენ ადაპტირებას. ამას გაცილებით რთული საკითხი უკავშირდება − დიდ მონაცემთა ინფრასტრუქტურის დაყოფა და შიდა ოფშორებთან დაკავშირებული შესაძლებლობები. ორგანიზაციები კონფიდენციალობის დაცვას ცდილობენ და მთავარ ბიზნესმონაცემებს თავიანთ ტერიტორიაზე ინახავენ, ხოლო დამატებითს − ოფშორებში. ისინი ჰიბრიდულ მონაცემთა "ღრუბლებს" ნერგავენ, რომლებიც მონაცემთა და სამუშაო ზონებს შიდა და ოფშორულ ნაწილებად ყოფს. შედეგად, კომპანიების გადაწყვეტილებათა მიმღებებმა − IT-სისტემების ხელმძღვანელებმა და მომსახურების მიმწოდებლებმა აქტიურად უნდა დაამუშაონ დიდ მონაცემთა მიღების გზები, წინააღმდეგ შემთხვევაში ამან შესაძლოა ინვესტიციების ანაზღაურებადობის კოეფიციენტი შეამციროს.
გადაწყვეტილებების მომწოდებლები მიიჩნევენ, რომ ყველა წერტილოვანი გადაწყვეტილება დიდ მონაცემთა სისტემის ნაწილი და მომსახურების პლატფორმის სეგმენტი უნდა გახდეს. ეს პლატფორმა, როგორც მომსახურება (Paas) დიდ მონაცემთა მეცნიერებაში ხდება აქტუალური და მნიშვნელოვან როლს თამაშობს არა მხოლოდ მრავალი მნიშვნელოვანი გადაწყვეტილების მიწოდებაში, არამედ Capex-ით მართული მოდელების Opex-ით მართული მოდელებით ჩანაცვლებაში. მხოლოდ Opex-ით მართულ "ღრუბლის" მოდელშია გამართლებული ძვირადღირებული და მოძველებული ინფრასტრუქტურის − მაღალი შესაძლებლობების მქონე და ოპერატიული მეხსიერების ტექნოლოგიებთან შეწყვილებული თანამედროვე მყარი დისკების გამოყენება.
მსგავსი სტატია: მომავლის 10 სოციალური მედიატენდენცია
დიდ მონაცემთა გავლენა
დიდ მონაცემებს უზარმაზარი გავლენის მოხდენა შეუძლია ინფრასტრუქტურაზე ორიენტირებულ კომპანიებზე, რადგან მას ამ სექტორზე გაცილებით თვალსაჩინო გავლენა ექნება ფიზიკური საგნების ან მომსახურების ინტერნეტთან (IOT/IOS-თან) ერთად. დიდ მონაცემთა მეცნიერებამ შესაძლოა განსაკუთრებული სარგებელი მოუტანოს ინფრასტრუქტურის ინდუსტრიას (როგორც წარმოებას, ისე საცალო ვაჭრობას). ბიზნესშესაძლებლობების გასაფართოებლად, მანქანურ ან მომხმარებელთა ინტერფეისის დონეზე, დიდი პოტენციალი არსებობს. ეს ინტერვენციები ჩვეულებრივ მომხმარებელთა მარკეტინგულ შესაძლებლობებს და რისკის შემცირებას გულისხმობს. დიდ მონაცემთა ტექნოლოგია კიბერუსაფრთხოებისთვისაც მნიშვნელოვანია, რადგან ტრადიციულ ან ხელოვნურ ინტელექტზე დამყარებული სქემების ამოცნობის ალგორითმები და კლასტერიზაცია რეალურ დროში უსაფრთხოებისა და ტრანსაქციის რისკის შესამცირებლად ძალზე ხელსაყრელია.
მთავრობა და ეკონომიკის სახელმწიფო სექტორი
მთავრობა და ეკონომიკის სახელმწიფო სექტორის სტრუქტურები დიდ მონაცემთა ტექნოლოგიების, მანქანური სწავლებისა და მონაცემთა ანალიტიკის სფეროების ერთ-ერთი დიდი ინვესტორები იყვნენ. ამ ტექნოლოგიების რეალიზაციის ფინანსურ-საკრედიტო პოტენციალი − მაკრომოდელირებით დაწყებული (ბაზრის დონის მოდელები), მიკრომოდელირებით (საწარმოების/ტრანსაქციის დონის რისკების მოდელები) და 360-გრადუსიანი პროფილირებით დამთავრებული, ინდოეთში 2020 წლისთვის რამდენიმე მილიარდი დოლარი იქნება.
ამ ყველაფრის ღირებულება გლობალური მასშტაბებით თვით სამთავრობო და ეკონომიკის სახელმწიფო სექტორებში იზრდება და 2020 წლისთვის დიდ მონაცემთა მთლიანი ბაზრის მოცულობის USD 50 მილიარდი იქნება (წყარო: Statista 2018). რა შესაძლებლობებიც არ უნდა ჰქონდეს დიდ მონაცემთა და ანალიტიკის ტექნოლოგიებს, უდავოდ მნიშვნელოვანია პირველივე ხანებში დიდ მონაცემთა ტექნოლოგიის წარმატების დემონსტრირება, რომ ამ სფეროში ინვესტირება იქნეს გარანტირებული. მონაცემთა ტექნოლოგიის წარმატებით რეალიზაციისთვის სათანადო მაღალი ხარისხის უნარები აუცილებელია და შესაძლოა, ზრდის ამ ისტორიას ყველაზე დიდი საფრთხე სწორედ მოცემული უნარების ნაკლებობამ შეუქმნას.
