آشنایی با علوم داده

چرایی و چیستی علوم داده؟؟

در این متن بر اساس نظرات الوین تافلر(مطرح ترین چهره آینده نگری در اقتصاد و جامعه شناسی) اهمیت و جایگاه علوم داده برای کسب درامد می پردازیم.

زمانی که در سال 1382 کتاب موج سوم الوین تافلر را می‌خواندم بیشتر برایم شبیه پیش‌گویی های نوستر آداموس بود. کمتر کسی به این مساله فکر می‌کرد که تقریبا تمام پیش بینی های وی تحقق یابند. ولی امروزه می بینیم که همانگونه که او پیش بینی کرده، دنیا سالهاست در عرصه جدیدی وارد شده ولی ما ایرانیان خبر چندانی از این قافله نداریم چه برسد به اینکه از قافله عقب نمانیم و از آن بهره ببریم. هرچند کتاب مذکور سالهاست که در دانشکده های جامعه شناسی تدریس می شود ولی با توجه به شکاف بین رشته ای در سیستم آموزشی ما، محققین و تجار ما چندان با این مباحث آشنا نیستند و عده ای هم که در عرصه تجارت الکترونیک موفق شده اند عموما به دلیل تقلید از الگوهای موفق غربی بوده است.

در سال 1980 یعنی حدود چهل سال پیش الوین تافلر که در آن زمان یه محقق اجتماعی و روزنامه نگار بود کتاب موج سوم را نگارش کرد. بخشی از این کتاب امروزه در رشته علوم اجتماعی تدریس می‌شود. در این کتاب تحولات اجتماعی سیاسی اقتصادی دنیا را به سه بخش ( یا انقلاب) تقسیم کرد؛ انقلاب کشاورزی، انقلاب صنعتی و انقلاب الکترونیک. هر چند کتاب او در مورد تمام جنبه های ذکر شده در بالاست، ما تنها پیش‌بینی‌های وی در زمینه اقتصادی را بررسی می کنیم.
در موج کشاورزی، سرمایه اصلی زمین، آب و نیروی انسانی بود. به همین دلیل است که حتی امروزه در روستاهای ما که از تکنولوژی صنعتی استفاده نمی کنند جمعیت خانوار بالاست. در موج کشاورزی هر کسی زمین بیشتر، فرزند بیشتر و آب بیشتری در اختیار داشت قدرتمند تر بود. حتما شما هم از خان های قدرتمند قدیم داستانهای زیادی شنیده اید.
در موج صنعتی، سرمایه عمده به کارخانجات، مواد خام مثل نفت و تولید انبوه تبدیل شد و علم سودآور این دوره مکانیک و فیزیک بود.
موج یا انقلاب سوم با ظهور نیمه هادی ها و اختراع کامپیوتر آغاز گردید. الوین تافلر سرمایه های این دوره را داده و دانش معرفی کرد. دانش‌های این دوره الکترونیک کامپیوتر ژنتیک و اقتصاد هستند.
اکنون پس از چهل سال مشخص است که ارزش داده و دانشی که از انبوه داده ها استخراج می شود تا چه اندازه ارزشمند است.
استخراج اطلاعات مفید چیز تازه ای نیست، مثلا جمع آوری ساختاریافته اطلاعات درون پایگاه داده و هوش تجاری سودآوری بسیار زیادی دارد. ولی بهرهوری این روش بسیار محدود است چرا که اولا بسیاری از اطلاعات نهان را به دلیل وابستگی نتایج به چندین عامل نمی توان کشف کرد و دوما اکثریت مطلق داده های موجود به صورت ساختار یافته موجود نیستند.
علوم داده با بهره گیری از یادگیری ماشین، آمار و هوش مصنوعی قادر به استخراج اطلاعاتی غنی است. اطلاعاتی که تا کنون هیچ ذهنیتی در مورد آن نبوده است. اگر می بینیم که ترجمه گوگل هر روز بهتر می‌شود به دلیل آن آست که نه تنها الگوریتم های بهتری برای ترجمه استفاده می‌کنند بلکه داده‌هایی که به وسیله آن این الگوریتم ها را آموزش می‌دهند بیشتر می‌شود. اگر به سایت‌هایی مثل آمازون و یوتیوپ مراجعه کرده باشید متوجه می شوید که پیشنهاد های کاملا مربوطی بر اساس علایق شما پیشنهاد می‌دهند. همه ی این پیشنهادها با استفاده از علوم داده و داده های جمع آوری شده توسط این سایت هاست.

• چرا داده را با نفت مقایسه می کنند!!!

با توجه به پیش بینی الوین تافلر سرمایه اساسی در حال انتقال از نفت به داده  است و به همین دلیل است که از داده به عنوان نفت جدید نام می‌برند. البته واضح است که داده نه تنها تمام شدنی نیست بلکه با انجام هر تراکنش مالی، هر کلیک یک کاربر، نوشتن هر پیغام در شبکه‌های اجتماعی، بارگزاری هر تصویر جدید به حجم آن اضافه می‌شود. از سوی دیگر، تحلیل های نتیجه شده از تحلیل داده‌ها خود نیز داده‌های جدید هستند. حجم داده‌های موجود در جهان هر دو سال دو برابر می‌شوند. همین حقیقت ساده نشان می‌دهد که ما تا چه حد به دانش داده و دانشمند داده در آینده نیاز خواهیم داشت.

بهره‌بری از این موج جدید نیاز به سرمایه چندانی ندارد و بازار بسیار بکری برای فعالان اقتصادی است. تنها مساله حال حاضر کشور، آشنا کردن صاحبان کسب و کار های فن‌آوری اطلاعات با سودهای سرشاری است که در شرکت هایشان راکد مانده است. اما خصوصیت موج الگترونیک باعث می‌شود که اینها به زودی و به صورت گسترده این دانش را استفاده کنند. و برای افراد جویای کار این نوید را می‌دهد که با کسب دانش در علوم داده بتوانند مشاغل با حقوق‌های بالا را به دست آورند. برای اثبات این نظرات کافیست یکی از پیش‌بینی‌های مجله هاروارد بیزنس ریویو را بیان کنیم: "آمریکا تا پایان سال 2018 با کمبود نیروی کار صد و نود هزاری علوم داده مواجه خواهد بود."

 

• علم داده را مثل فیل مولوی تعریف می کنند!!!

برای اینکه واقعا شناخت درستی از علم داده پیدا کنیم بهتر است ابتدا معنی و تعریف علم را بررسی کنیم.

علم گزاره ها یا گفته‌ها یی است که واضح نیستند ولی با آزمایش نشان می‌دهیم که درست هستند. برای اینکه یک علم درست بنا نهاده شود، باید با استفاده از روش علمی استخراج شود. روش علمی شامل گام‌های ذیل است:

1. مشاهدات و دسته بندی مشاهدات
2. حدس زدن یک فرضیه یا ارتباطی خاص بین آزمایش ها
3. آزمودن فرضیه
4. اگر درستی فرضیه با آزمایش های جدید هم  تایید شد آنگاه فرضیه به مدل و آنگاه به نظریه ارتقاء پیدا می‌کند و مجموعه ای از این فرضیه ها را علم می‌نامند
5. اگر فرضیه تایید نشد باید دوباره از گام اول شروع کنیم

نکته اینکه بعضی افراد به اشتباه علم (science) و دانش (knowledge) که آموخته های ضمنی و غیر دقیق است را یکسان تعبیر می کنند (در واقع همانند فرایند روش علمی که از مشاهده و فرضیه تا نظریه پیش می‌رود و سپس نظریه موجود را بهبود می یابد). علم داده نیز با جستجو در داده (گام 1)، فرض‌هایی را بنا می نهد (گام 2) و سپس به روش‌های آماری و آزمودن پیش بینی ها این فرضیه ها را می آزماید (گام 3)  و در صورت درست بودن، نتیجه بدست آمده را در قالب تحلیل، نمودار یا یک جمله بیان می‌کند (مرحله 4). اگر نتایج با آزمایش ها در تضاد بود یا دقت کافی به دست نیاید کل فرآیند تکرار می شود (مرحله 5).  در حقیقت هدف این علم، استخراج مفهوم از داده و تبدیل داده به اطلاعات است. به شاغلین در حوزه‌ی علم داده، داده پژوه یا دانشمند داده (data scientist) می‌گویند.

• اکنون به ابزار های هر کدام از این مراحل اشاره خواهیم کرد؛ با این روش هم با تکنولوژی های مورد استفاده در علوم داده آشنا خواهیم شد و هم متوجه می شویم چرا علوم داده با تحلیل داده و هوش تجاری متفاوت است.

• مرحله اول (مشاهده) ممکن است به وسیله پرس و جو (Query) از یک پایگاه داده یا استخراج داده از وب (web Scraping) باشد. حتی ممکن است این مشاهدات به وسیله برگه‌های نظر سنجی جمع‌آوری شده باشند.
• مرحله دوم (فرضیه) گاهی گمان مدیران و برنامه نویسان ارشد و گاهی هم به وسیله تحلیل های مقدماتی توسط تحلیلگران داده ، گزارش‌ها (reporting) و نمودار‌های مربوط به داده‌ها (pre-presentation) شکل می‌گیرد.
• مرحله سوم (مدل) به وسیله الگوریتم های یادگیری ماشین(Machine Learning) و روش های آماری انجام می شود.
• برای مرحله چهارم (آزمایش) در هوش مصنوعی و یاد گیری ماشین بخشی از داده به عنوان داده آزمون (test set) را از ابتدا جدا می کنند و پس از ایجاد مدل، با استفاده از داده آزمون درستی مدل را می‌سنجند. اگر نتیجه فرآیند رضایت بخش نباشد، مرحله پنجم (تکرار کل فرآیند) اجرا می شود.

• اینک برای روشن تر شدن موضوع یک مثال مطرح می کنیم:

اگر به سایت یوتیوپ مراجعه کرده باشید، می‌بینید بعد از دیدن چند فیلم، در قاب کناری وبسایت پیشنهاد‌هایی به شما می‌شود که به احتمال زیاد علاقه دارید آنها را نیز ببینید. در اینجا به عنوان یک فرآیند فرضی روند علم داده برای ایجاد این امکان را بررسی می کنیم:

تمام وب سایت هایی مثل فیس‌بوک و یو‌تیوپ، اطلاعات کاربران و صفحاتی که کاربران به آن مراجع می‌کنند را ثبت می‌کنند. فرض کنید مدیر یوتیوپ از برنامه نویسان خود می‌خواهد تا گزارشی از پر بیننده‌ترین فیلم ها و کسانی که بیشترین فیلم را دیده‌اند تهیه کند. پس از دیدن گزارش می‌خواهد بداند این افراد چند تا از پربیننده ترین فیلم‌ها را دیده‌اند (مرحله اول). بعد از دیدن این گزارش به این فکر می کند که آیا ممکن است ارتباط خاصی بین ببینده ها و فیلم ها وجود داشته باشد (مرحله دوم). سپس از دانشمندان داده می خواهد تا فیلم هایی  را که با هم دیده شده اند در گروه های مختلف طبقه بندی کنند. دانشمندان داده ممکن است این کار را به وسیله نظریه گراف (Graph theory) یا خوشه بندی (clustering) انجام دهند(مرحله سوم). سپس برای آزمایش با استفاده از بخشی از داده که از آن در تحلیل استفاده نکرده اند، درستی حدس خود را می سنجند و نتیجه آن چیزی است که ما در یو تیوپ می بینیم(مرحله چهارم).

اکنون می دانیم علم داده چیست و به هیچ وجه با تحلیل داده یکی نیست. برای سادگی و قابل فهم شدن مطلب از بخشهایی از فرآیند علم داده صرف نظر کرده ام. در ضمن اگر کسی شما را به اشتباه متخصص علم داده خطاب می کند، به او یادآوری کنید که عالم داده هستید.

 

فواید علوم داده برای شرکت‌ها و نهادها:

1. تصمیم گیری:

بسیاری از مدیران تنها با استفاده از غریزه و حس ششم تصمیمی را اخذ یا رد می کنند و غیر معمول نیست که آینده یک شرکت با توجه به این تصمیات به خطر بیفتد. یکی شرکت‌هایی که از این روش استفاده می‌کند شرکت فورد است. آنها در سال 2006 حدود 13 میلیارد دلار ضرر دادند. در حالی که جمع آوری دادهاز روش های مختلفو بررسی آن توسط یک دانشمند داده می تواند مدیران را از اخذ تصمیم های پر خطر نجات دهد. پس از تصمیم شرکت فورد برای استفاده از علوم داده و اجرای تصمیمات داده محور، در سال 2009، 3/2 میلیون خودرو فروخت.

2. اندازه گیری اثرات یک تصمیم:

تصمیم گیری برای مدیران تنها نیمی از کارزار است و بسیار مهم است که دریابند که تصمیم اخذ شده چه تاثیری روی شرکت خواهد داشت. با استفاده از علوم داده می توان تاثیر این تصمیمات بصورت کمی اندازه گرفت. به عنوان مثال، شرکت الکترونیک آرتس با استفاده از آزمون آ-ب توانست درآمد خود را 44 درصد افزایش دهد.

3. شناسایی مخاطبان و مشتریان کسب و کار:

گوگل آنالیتیک، شبکه های اجتماعی، نظرسنجی از مشتریان، برنامه وفاداری و کسب و کارهای دیگر همه داده هایی مانند جواهر دارند. اما بدون استفاده از آن برای کشف سلایق مشتریان تاریخ مصرفآنها تمام می شود. آن زمان گذشته است که به یک نابغه با ریختی مانند دیوانگان الهام شود که مشتری یک کالای خاص کدام است. اکنون بر اساس پروفایل شما در شبکه های اجتماعی و به کمک کامپیوتر تشخیص می دهند که شما تا چه اندازه به یک محصول خاص نیاز دارید.

4. ترجمه داده به یک دیدگاه عملی و شدنی:

بسیاری از کش مکش های اداری بر سر اتخاذ یک تصمیم به استفاده از داده و با دستان یک دانشمند داده حل می شود.

5. استعداد یابی برای سازمان ها

تصمیم و دودلی برای انتخاب بین رزومه های مختلف به وظایف روزانه مدیران تبدیل شده است. با وجود دریایی از رزومه های قوی در شبکه های اجتماعی و وب سایت های کاریابی، داننشمند داده می تواند بهترین استعداد ها را با بهترین سطح انطباق با شرکت شما استخدام کند و بار زمانی این کار را از دوش مدیران بردارد.

 

•  

بر اساس این واقعیت هاست که نیاز به دانشمندان داده به صورت روزافزون بیشتر می شود:

براساس تحقیقات شرکت آی بی آم نیاز به دانشمند داده تا سال 2020 به میزان 28 درصد رشد خواهد کرد. همچنین مجله فوربز حقوق متوسط سالانه یک دانشمند داده را بین 114 و 118 هزار دلار اعلام کرده. این مجله همچنین اعلام کرده است که این کمبود برای مدیران آشنا به علوم داده حدود یک میلیون نفر خواهد بود.

https://www.forbes.com/sites/louiscolumbus/2017/05/13/ibm-predicts-demand-for-data-scientists-will-soar-28-by-2020/#4e974e567e3b

شرکت مک-کنزی اعلام کرده تا پایان سال 2018 امریکا به تنهایی بین 140 تا 190 هزار کمبود دانشمند داده خواهد داشت. البته جای شکرباقیست کشور ما هیچ کمبودی در این زمینه ندارد چراکه اصلا نیازی به دانشمند داده احساس نمی کنیم.

https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation

 مجله هاروار بیزنس ری-ویو، علوم داده را داغ ترین شغل قرن بیست و یکم اعلام کرده است.

https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century

#فواید_علوم_ داده_برای_شرکتها #رشد_علوم_داده

افشین امیری