اطلاعات بزرگ و مدیریت (مقاله ترجمه شده)

یادداشت سردبیر: این سرمقاله یک سری از نوشته‌های ویراستاران را باهمکاری مدیر اجرایی، رهبر فکری و یا محقق ارشد دیگری از زمینه‌های مختلف برای کشف زمینه‌های جدید محتوا و چالش‌های بزرگ باهدف گسترش گستره، جذابیت و ارتباط کار ارائه‌شده در مجله آکادمی مدیریت تهیه می‌کند. اصل این است که از یادداشت‌های سرمقاله به‌عنوان «تنظیم‌کننده‌های مرحله» برای کار بیشتر استفاده کنید و زمینه‌های جدیدی را برای تحقیقات مدیریت بازکنید.

داده‌های بزرگ در همه‌جا وجود دارند. در سال‌های اخیر، تأکید بیشتری بر داده‌های بزرگ، تجزیه‌وتحلیل کسب‌وکار و محیط‌های زندگی و کار «هوشمند» وجود دارد. اگرچه این مکالمات عمدتاً به‌کاررفته‌اند، سازمان‌ها در حال بررسی چگونگی استفاده از حجم گسترده داده‌ها برای ایجاد و ارزش‌گذاری برای افراد، کسب‌وکارها، جوامع و دولت‌ها هستند (موسسه جهانی مک کینزی، 2011). این‌که آیا یادگیری ماشینی و تجزیه‌وتحلیل وب برای پیش‌بینی عمل فردی، انتخاب مصرف‌کننده، رفتار جستجو، الگوهای ترافیکی یا شیوع بیماری است، داده‌های بزرگ به‌سرعت به یک ابزار تبدیل می‌شود که نه‌تنها الگوها را تجزیه‌وتحلیل می‌کند، بلکه می‌تواند احتمال یک رویداد را پیش‌بینی کند.

سازمان‌ها استفاده از حجم‌های در حال افزایش داده‌ها را، اغلب در میزان ظرفیت ذخیره‌سازی ترا یا پتا بایتی، برای پیش‌بینی بهتر و دقیق‌تر نتایج دنبال می‌کنند. به‌عنوان‌مثال، پالس جهانی سازمان ملل متحد یک ابتکار است که از منابع جدید داده‌های دیجیتال مانند تماس‌ها یا پرداخت‌های تلفن همراه، با تجزیه‌وتحلیل داده‌ها در زمان واقعی و داده‌کاوی به‌منظور کمک به تلاش‌های توسعه و درک آسیب‌پذیری‌های در حال ظهور در کشورهای درحال‌توسعه استفاده می‌کند. اگرچه «داده‌های بزرگ» در حال حاضر به‌عنوان یک اصطلاح تجاری شایع شده، اما تحقیق مدیریت منتشرشده بسیار کم است که چالش‌های استفاده از چنین ابزارهایی را به عهده می‌گیرد یا وعده و فرصت‌هایی را برای نظریه‌ها و شیوه‌های جدیدی که داده‌های بزرگ ممکن است باعث شود، موردبررسی قرار می‌دهد. در این سرمقاله، برخی از پایه‌های مفهومی و همچنین راه‌های ممکن برای تحقیق و کاربرد آینده در مدیریت و تحقیق سازمانی را بررسی می‌کنیم.

«اطلاعات بزرگ» چیست؟

داده‌های بزرگ از افزایش تعداد منابع، ازجمله اینترنت، معاملات تلفن همراه، محتوای تولیدشده توسط کاربر و رسانه‌های اجتماعی و همچنین محتوای هدفمند تولیدشده از طریق شبکه‌های حسگر یا معاملات تجاری مانند درخواست‌های فروش و معاملات خرید ایجاد می‌شود. علاوه بر این، علم ژنوم ها، مراقبت‌های بهداشتی، مهندسی، مدیریت عملیات، اینترنت صنعتی و مالی همه به فراوانی داده‌های بزرگ اضافه می‌شوند. این داده‌ها نیاز به استفاده از فن‌های محاسباتی قدرتمند برای نمایش روندها و الگوها در میان و بین این مجموعه داده‌های بسیار بزرگ اجتماعی و اقتصادی دارند. بینش‌های جدید از این استخراج ارزش داده‌ها جمع‌آوری می‌شود که می‌تواند به‌طور معناداری آمار رسمی، نظرسنجی‌ها و منابع داده‌های بایگانی را که عمدتاً ثابت باقی می‌مانند، کامل کند، با افزودن عمق و بینش از تجارب جمعی - و انجام این کار در زمان واقعی، درنتیجه اطلاعات و فاصله زمانی را کاهش می‌دهد.

منابع داده‌ های بزرگ

داده‌های بزرگ نیز یک بسته‌بندی برای انواع مختلف داده‌های دانه‌ای است. در زیر، ما پنج منبع کلیدی داده‌های با حجم بالا را فهرست می‌کنیم: (1) داده‌های عمومی، (2) داده‌های خصوصی، (3) خروجی داده‌ها، (4) داده‌های اجتماعی و (5) داده‌های خودکفایی.

«داده‌های عمومی» اطلاعاتی هستند که معمولاً توسط دولت‌ها، سازمان‌های دولتی و جوامع محلی نگه‌داری می‌شود که می‌تواند به‌طور گسترده‌ای برای برنامه‌های کاربردی گسترده تجارت و مدیریت تهیه شود. نمونه‌هایی از این داده‌ها شامل موارد مربوط به حمل‌ونقل، مصرف انرژی و مراقبت‌های بهداشتی است که تحت محدودیت‌های خاصی به‌منظور محافظت از حریم شخصی افراد در دسترس هستند. «داده‌های خصوصی» داده‌هایی هستند که توسط شرکت‌های خصوصی، سازمان‌های غیرانتفاعی و افرادی که اطلاعات خصوصی را منعکس می‌کنند و نمی‌توانند به‌راحتی از منابع عمومی محاسبه شوند، نگهداری می‌شود. برای مثال، داده‌های خصوصی عبارت‌اند از معاملات مصرف‌کننده، برچسب‌های شناسایی فرکانس رادیویی که توسط زنجیره‌های عرضه سازمانی استفاده می‌شود، انتقال کالاها و منابع شرکت، مرور وب‌سایت و استفاده از تلفن همراه و چندین مورد دیگر.

به اشتراک‌گذاری داده‌ها، حریم خصوصی و اخلاق

در زیرساخت‌های فن‌آوری اطلاعات فعلی، ارائه خدمات مانند اتصال به شبکه معمولاً با موافقت‌نامه سطح خدمات (SLA) مرتبط است که با تعریف ماهیت و کیفیت خدمات ارائه می‌شود. چنین SLA هایی برای محدودسازی مسئولیت، ارائه بهتر زیرساخت‌های عملیاتی برای ارائه‌دهنده و ارائه یک چارچوب برای قیمت‌گذاری تفاضلی، مهم هستند. گسترش چشمگیر اتصالات شبکه و خدمات وب به علت پیشرفت‌های قابل‌توجه فنی در خودکارسازی اجرای SLA، ازنظر نظارت و تأیید انطباق با قرارداد، به‌طور عمده صورت گرفت. در مقابل، قلمرو توافقنامه‌های به اشتراک‌گذاری داده‌های بزرگ، به‌صورت غیررسمی با ضعف ساختاری، اجرای دستی باقی می‌ماند و مرتبط با معاملات جداگانه است (کوترومپیس و لایپونن، 2013). این به‌عنوان یک مانع جدی برای بازار اطلاعات، به‌ویژه برای تحقیقات علوم اجتماعی و مدیریت است که نمی‌تواند به این داده‌های خصوصی برای ادغام با منابع عمومی دیگر دسترسی پیدا کند.

تجزیه‌وتحلیل داده‌های بزرگ

همانند منابع داده مربوط، روش‌هایی برای تحلیل آن‌ها و استانداردهای مدرکی وجود دارد که برای دانشمندان مدیریت برای انتشار کار آن‌ها قابل‌قبول است. همان‌طور که با هر علم نوآورانه، احتمال دارد که مشارکت تئوریک و تجربی باشد و سختگیری که داده‌ها تجزیه‌وتحلیل می‌شوند. شاید با داده‌های بزرگ، در ابتدا با استانداردهای شواهدی که باید انتظار رود، گیج شویم. روش معمول آماری وابسته بر ارزش p به‌منظور تعیین اهمیت یک یافته بعید است مؤثر باشد، زیرا حجم فراوان داده‌ها بدین معنی است که تقریباهمه‌چیز قابل‌توجه است. استفاده از ابزارهای آماری معمول ما برای تجزیه‌وتحلیل داده‌های بزرگ، به دست آوردن همبستگی‌های غلط بسیار آسان است. بااین‌حال، این لزوماً بدان معنا نیست که ما باید به‌سوی فن‌های پیچیده‌تر و پیچیده‌تر اقتصادسنجی برای مقابله با این مشکل حرکت کنیم؛ درواقع، چنین واکنشی، یک خطر اساسی افزودن اطلاعات را به وجود می‌آورد. در عوض، آمار پایه بیزی و روش‌های رگرسیون گام‌به‌گام ممکن است رویکردهای مناسبی باشند. فراتر از این روش‌های آشنا، طیف وسیعی از فن‌های تخصصی برای تجزیه‌وتحلیل داده‌های بزرگ وجود دارد که هرکدام برای درک بهتر کسانی که در این زمینه وارد می‌شوند، هرچند فراتر از محدوده این سرمقاله، مهم است. این فن‌ها از چندین رشته، ازجمله آمار، علوم رایانه، ریاضیات کاربردی و اقتصاد، به دست می‌آید. آن‌ها شامل (اما نه محدود به) آزمون A / B، تحلیل خوشه‌ای، تلفیق داده‌ها و ادغام، داده‌کاوی، الگوریتم ژنتیک، یادگیری ماشینی، پردازش زبان طبیعی، شبکه‌های عصبی، تجزیه‌وتحلیل شبکه، پردازش سیگنال، تجزیه‌وتحلیل فضایی، شبیه‌سازی، تجزیه‌وتحلیل سری و تجسم هستند (موسسه جهانی مک کینزی، 2011).

داده‌های بزرگ در تحقیقات مدیریت

هدف ما در این سرمقاله، تشویق به زمینه‌های جدیدی از تحقیقات علمی است؛ این امر ارائه یک بازنگری منظم از برنامه‌های داده بزرگ نیست؛ ما تظاهر نمی‌کنیم که یک راهنمای قطعی برای تحقیقات آینده ارائه کنیم. در عوض، هدف ما این است که مباحث وسیع‌تری از داده‌های بزرگ در جامعه و پیامدهای آن برای تحقیقات مدیریتی را دنبال کنیم. محیط مدام در حال تغییر در اقتصاد دیجیتال، مفاهیم اقتصادی و تجاری سنتی را به چالش کشیده است. حجم زیادی از داده‌های تولیدشده توسط کاربر منتقل و تجزیه‌وتحلیل شده و در اطراف بخش‌های مختلف، به‌تدریج وابستگی بازار به خدمات اطلاعات دقیق و به‌موقع را افزایش می‌دهد. فقط یک توییت از یک منبع قابل‌اعتماد می‌تواند باعث تلفات یا سود میلیارد دلاری و واکنش زنجیره‌ای در مطبوعات، شبکه‌های اجتماعی و وبلاگ‌ها شود. این وضعیت باعث می‌شود که کالاهای اطلاعاتی حتی ارزش بیشتری به دست آورند، زیرا آن‌ها تأثیرات کاتالیزوری بر تصمیم‌گیری در زمان واقعی دارند. در همین حال، کارآفرینان و نوآوران داده‌های باز و عمومی را جمع و همچنین داده‌های جامعه، خودکفایی و خروجی را برای ایجاد محصولات و خدمات جدید که قدرت تغییر صنایع رادارند، جمع‌آوری کرده‌اند. در حوزه‌های خصوصی و عمومی، داده‌های بزرگ از فناوری‌های تلفن همراه و خدمات بانکی مانند پول دیجیتال/ موبایل، زمانی که با خدمات با فنّاوری پایین، مانند آب و برق، همراه می‌شوند، می‌توانند جوامع و جوامع را دگرگون کنند. کمی تردید هست که در دهه آینده داده‌های بزرگ چشم‌انداز سیاست و تحقیقات اجتماعی و اقتصادی را تغییر خواهند داد.

این مقاله ISI در سال 2014 در نشریه AOM و در مجله آکادمی مدیریت، توسط کالج لندن منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله اطلاعات بزرگ و مدیریت در سایت ای ترجمه مراجعه نمایید.