7 مشخصه کسب‌وکارهای داده‌محور در سال 2025

تا سال 2025، گردش کارهای هوشمند (smart workflows) و تعامل یکپارچه انسان‌ها و ماشین‌ها احتمالاً به اندازه ترازنامه در شرکت‌ها استاندارد خواهد شد و بیشتر کارمندان از داده‌ها برای بهینه‌سازی همه جنبه‌های فعالیت خود استفاده خواهند کرد.

7 ویژگی، شرکت‌ها و کسب‌وکارهای داده‌محور در آینده نزدیک را تعریف می‌کنند. در حال حاضر، شرکت‌های متعددی برخی از این ویژگی‌ها را محقق نموده‌اند و بسیاری دیگر نیز در مسیر تحقق این ویژگی‌ها گام نهاده‌اند. در این بین، شرکت‌ها و کسب‌وکارهایی که بتوانند سریع‌ترین پیشرفت را داشته باشند، بالاترین ارزش را از قابلیت‌های داده‌محور به دست می‌آورند. به عنوان مثال، شرکت‌هایی که در حال حاضر ۲۰ درصد از درآمد خود قبل از کسر بهره و مالیات (EBIT) را توسط هوش مصنوعی (AI) محقق می‌کنند، در میان چابک‌ترین کسب‌وکارهای داده‌محوری هستند که زیربنای این ویژگی‌ها را محقق نموده‌اند.

این راهنما برای کمک به مدیران اجرایی در درک ویژگی‌های کسب‌وکارهای داده‌محور در آینده نزدیک تهیه شده است.

1. تصمیم‌گیری، تعامل و فرآیندهای داده‌محور

وضعیت امروز

• سازمان‌ها اغلب رویکردهای داده‌محور - از سیستم‌های پیش‌بینی‌کننده گرفته تا اتوماسیون مبتنی بر هوش مصنوعی - را به‌طور پراکنده به‌کار می‌گیرند، از این راه تولید ارزش کرده و در کنار آن ناکارآمدی هم ایجاد می‌کنند.
• بسیاری از مشکلات تجاری هنوز با رویکردهای سنتی حل می‌شوند و حل آن‌ها ماه‌ها یا سال‌ها طول می‌کشد.

سال 2025

• تقریباً همه کارمندان به طور روتین و منظم از داده‌ها برای پشتیبانی از کار خود استفاده می‌کنند.
• به‌جای دنبال کردن پیش‌فرض حل مشکلات با تهیه نقشه‌های راه طولانی (گاهاً چندساله)، آن‌ها این اختیار را دارند که بپرسند چگونه روش‌های نوآورانه داده‌محور می‌تواند چالش‌ها را در بازه چند ساعت، روز یا هفته حل کند.
• سازمان‌ها قادر به تصمیم‌گیری منظم‌تر، بهتر و خودکارسازی فعالیت‌های اصلی روزانه و هستند.
• کارمندان آزادند تا بر حوزه‌های انسان‌محور بیشتری مانند نوآوری، همکاری‌ها و ارتباطات تمرکز کنند.
• فرهنگ سازمانی مبتنی بر داده، موجب بهبود مستمر عملکرد و ایجاد تجربیات متمایز برای مشتریان و کارکنان شده و امکان رشد برنامه‌های پیچیده و جدید را فراهم می‌کند.

کاربردهای روزانه

• مدیران فروشگاه با استفاده از تحلیل بلادرنگ، تجربه خرید متفاوتی را برای مشتریان رقم زده و مشتریان عضو برنامه وفاداری را به سمت محصولاتی که برایشان بیشتر مورد پسند است، هدایت می‌کنند.
• کارکنان عملیات شبکه در شرکت‌های مخابراتی با استفاده از شبکه‌های هوشمند به طور خودکار بخش‌های نیازمند تعمیر و نگهداری و همچنین، و فرصت‌های توسعه شبکه را بر اساس میزان استفاده شناسایی می‌کنند.
• مدیران تدارکات شرکت‌های بزرگ با اعمال منظم فرآیندهای داده‌محور در خصوص اخذ تأییدیه خریدها، قادر خواهند بود تا با استفاده از داده‌ها استراتژی مؤثرتری برای تعیین شریک تجاری توسعه دهند.

عوامل توانمندساز

• یک چشم‌انداز و برنامه راهبردی داده برای برجسته کردن و اولویت‌بندی موارد استفاده تحول‌آفرین از داده‌ها
• توانمندسازهای فناوری برای موارد استفاده پیچیده از هوش مصنوعی مانند زیرساخت‌های مبتنی بر ابر؛ معماری‌های مبتنی بر تحلیل بلادرنگ داده و ابزارهای انعطاف‌پذیر برای پشتیبانی از داده‌های بدون ساختار
• سواد داده‌ای سازمانی گسترده و فرهنگ داده‌محور که در آن همه کارکنان به ارزش داده‌ها واقف هستند و از آن استقبال می‌کنند.

چگونه شروع کنیم؟

• کسب اطلاعات در خصوص نحوه گذار به یک سازمان مبتنی بر هوش مصنوعی و نحوه جذب قدرت داده‌ها
• ارتقاء توانمندی نیروی انسانی در استفاده از داده‌ها و هوش مصنوعی
• یادگیری بازاندیشی و بازمهندسی گردش کارها، تجربه مشتری و ابزارهای اهرم‌سازی داده
• تبیین دیدگاه برای یک سازمان داده‌محور

2. پردازش و تحویل بلادرنگ داده‌ها

وضعیت امروز

• به‌دلیل محدودیت‌های ساختارهای فناوری قدیمی، عدم استفاده از معماری‌های مدرن و ملزومات بالای فنی مورد نیاز برای محاسبات و پردازش بلادرنگ داده‌ها، تنها بخش محدودی از داده‌های دستگاه‌های متصل به صورت بلادرنگ پردازش می‌شوند.
• شرکت‌ها اغلب باید بین سرعت و عمق محاسباتی یکی را انتخاب کنند، که می‌تواند تحلیل‌های پیچیده‌تر را به تأخیر بیاندازد و اجرای موارد استفاده بلادرنگ را متوقف کند.

سال 2025

• شبکه‌های وسیعی از دستگاه‌های متصل، داده‌ها و بینش‌ها را اغلب به صورت بلادرنگ جمع‌آوری و انتقال می‌دهند.
• نحوه تولید، پردازش، تحلیل و بصری‌سازی داده‌ها برای کاربران نهایی به‌طور چشمگیری توسط فناوری‌ها و معماری‌های جدید با هدف تحلیل بلادرنگ، تغییر می‌کند که منجر به دست‌یابی سریع‌تر به بینش‌های قدرتمندتر می‌شود.
• پیچیده‌ترین تحلیل‌های پیشرفته نیز به طور معمول در دسترس همه سازمان‌ها هستند، زیرا هزینه رایانش ابری به طور پیوسته کاهش می‌یابد و ابزارهای داده‌ای قدرتمندتر «in-memory» مانند Redis و Memcached آنلاین می‌شوند.
• در مجموع، امکان ارائه موارد استفاده پیشرفته‌تری را برای ارائه بینش به مشتریان، کارمندان و شرکا امکان‌پذیر می‌کند.

کاربردهای روزانه

• تیم‌های تعمیر و نگهداری دارایی‌های فیزیکی (به طور مثال در کارخانه‌ها)، به طور منظم از شبکه‌های حسگرهای متصل برای تشخیص نیازهای تعمیر و نگهداری به صورت بلادرنگ استفاده می‌کنند.
• توسعه‌دهندگان محصول از داده‌های بدون ساختار و الگوریتم‌های یادگیری ماشین بر روی داده‌های وب برای شناسایی الگوهای پنهان و ایجاد درک بلادرنگ بسیار غنی‌تر از رفتار و تمایلات مشتریان نسبت به سطح امروزی استفاده می‌کنند.
• تحلیلگران مالی به جای محدود شدن به داشبوردهای معمولی دو بعدی امروزی از ابزارهای بصری‌سازی جایگزین و واقعیت افزوده/واقعیت مجازی (AR/VR) برای تصمیم‌گیری‌های راهبردی استفاده می‌کنند.

عوامل توانمندساز

• نمایی از معماری کامل کسب‌وکار برای درک فرآیند یکپارچه‌سازی دارایی‌ها، فرآیندها، بینش‌ها و مداخلات در کنار شناسایی بلادرنگ فرصت‌ها
• دستگاه‌های محاسبات لبه‌ای قوی‌تر (مثلاً حسگرهای اینترنت اشیا)، به طوری که حتی ابتدایی‌ترین دستگاه‌ها، داده‌های قابل استفاده را «در منبع» تولید و تحلیل ‌کنند.
• زیرساخت‌های اتصال پیشرفته، مانند 5G برای پشتیبانی از داده‌های با پهنای باند بالا و تأخیر کم
• محاسبات در حافظه (in-memory computing) برای محاسبات سریعتر و موثرتر

چگونه شروع کنیم؟

• استفاده از معماری داده مرجع آزمایش شده و عملیاتی که ماژولار بودن، انعطاف‌پذیری و مقیاس‌پذیری مورد نیاز برای پشتیبانی از این قابلیت‌ها را امکان پذیر می‌کند.
• تبدیل به پلتفرم داده ابری با قابلیت برآورده کردن تا نیازهای داده‌محور و تحلیلی آینده، مانند قابلیت‌های بلادرنگ.
• کسب اطلاعات در مورد آینده دستگاه‌های محاسباتی مورد استفاده در شبکه‌های سلولی.

3. ذخیره‌سازی انعطاف‌پذیر داده‌های یکپارچه و آماده برای استفاده

وضعیت امروز

• اگرچه رشد تولید داده‌ها با تولید داده‌های بدون ساختار (unstructured) یا نیمه‌ساختاریافته (semi-structured) هدایت می‌شود، بیشتر داده‌های قابل استفاده هنوز به شکلی ساختاریافته با استفاده از ابزارهای پایگاه داده رابطه‌ای سازمان‌دهی می‌شوند.
• مهندسان داده اغلب زمان قابل توجهی را صرف کاوش دستی مجموعه داده‌ها، ایجاد روابط بین آن‌ها و اتصال آن‌ها به یکدیگر می‌کنند.
• آن‌ها همچنین اغلب باید داده‌ها را از حالت اولیه و بدون ساختار به شکلی ساختاریافته اصلاح کنند و در این راه از فرآیندهای دستی و سفارشی که زمان‌بر هستند، مقیاس‌پذیر نیستند و مستعد خطا هستند، استفاده کنند.

سال 2025

• متخصصان داده به طور فزاینده از انواع پایگاه داده نظیر پایگاه‌های داده سری زمانی، پایگاه‌های داده گراف و پایگاه‌های داده غیرمبتنی بر SQL استفاده می‌کنند که روش‌های انعطاف‌پذیرتری را برای سازماندهی داده‌ها امکان‌پذیر می‌کند.
• این به تیم‌ها اجازه می‌دهد تا روابط بین داده‌های بدون ساختار و نیمه‌ساختاریافته را آسان‌تر و سریع‌تر برقرار کنند. این امر، توسعه قابلیت‌های جدید مبتنی بر هوش مصنوعی و کشف روابط جدید در داده‌ها را تسریع کرده و موجب هدایت جریان نوآوری می‌شود.
• ترکیب ذخیره‌سازی‌های انعطاف‌پذیر داده با پیشرفت‌های فناوری و معماری بلادرنگ، سازمان‌ها را قادر می‌سازد تا محصولات داده، مانند پلتفرم‌های داده «customer 360» و دوقلوهای دیجیتال را توسعه دهند.
• این امر شبیه‌سازی‌های پیچیده و سناریوهای what-if را با استفاده از قابلیت‌های سنتی یادگیری ماشین یا روش‌های پیشرفته‌تر مانند یادگیری تقویتی (reinforcement learning) امکان‌پذیر می‌کند.

توضیحات

پلتفرم‌های داده «customer 360»: ارائه‌دهنده نمایی 360 درجه از داده‌های مشتری مشتمل بر تعاملات، درخواست‌های ثبت شده در وب‌سایت، خرید محصول و تیکت‌های اخذ شده پشتیبانی است و هر گروه در شرکت به همان نسخه از حقیقت در مورد مشتری دسترسی دارد.

دوقلوی دیجیتال: مدل‌های داده مبتنی بر زمان و بلادرنگ از موجودیت‌های فیزیکی (مانند یک مرکز تولید، عرضه یا حتی بدن انسان)؛

داده‌های بدون ساختار (Unstructured data): داده‌های بدون ساختار به مجموعه داده‌هایی (مجموعه های بزرگ معمولی از فایل ها) اطلاق می‌شود که در قالب پایگاه داده ساختاریافته ذخیره نمی‌شوند. داده‌های بدون ساختار، دارای ساختارهای داخلی هستند که از طریق مدل‌های داده ازپیش‌تعریف‌شده ساختاردهی نشده‌اند و ممکن است توسط انسان یا ماشین در قالب‌های متنی یا غیرمتنی تولید شده باشند.

داده‌های نیمه‌ساختاریافته (Semi-structured data): داده‌های نیمه‌ساختاریافته شکلی از داده‌های ساختاریافته است که از ساختار جدولی مدل‌های داده مرتبط با پایگاه‌های داده رابطه‌ای یا سایر اشکال جداول داده تبعیت نمی‌کند، اما با این وجود حاوی برچسب‌ها یا نشان‌گرهای دیگری برای جداسازی عناصر معنایی و اعمال سلسله مراتب رکوردها و فیلدها در داخل داده است.

پایگاه‌های داده سری زمانی (Time Series Database: TSDB): یک پایگاه داده سری زمانی به طور خاص برای رسیدگی به معیارها و رویدادها یا اندازه‌گیری‌هایی که دارای مهر زمانی هستند (time stamped) ساخته شده است. یک TSDB برای اندازه گیری تغییرات در زمان بهینه شده است. ویژگی‌هایی که داده‌های سری زمانی را بسیار متفاوت از جریان‌های کاری دیگر داده‌ها می‌کند، مدیریت چرخه عمر داده، خلاصه‌سازی، و اسکن‌های وسیع از بسیاری از رکوردها است.

پایگاه‌های داده گراف (Graph Database: GDB): پایگاه داده گراف، پایگاهی است که از ساختارهای گراف به منظور برقراری ارتباط معنایی با گره‌ها، لبه‌ها و ویژگی‌ها برای نمایش و ذخیره داده‌ها استفاده می‌کند. گراف، مفهوم کلیدی سیستم است. گراف، اقلام داده ذخیره شده را به مجموعه‌ای از گره‌ها و لبه‌ها مرتبط می‌کند. یال‌ها نشان دهنده روابط بین گره‌ها هستند. این روابط به داده‌های موجود در فروشگاه اجازه می‌دهد تا مستقیماً به یکدیگر مرتبط شوند و در بسیاری از موارد با یک عملیات بازیابی شوند. پایگاه‌های داده گراف، روابط بین داده‌ها را در اولویت قرار می‌دهند. دریافت اطلاعات سریع است زیرا به طور دائم در پایگاه داده ذخیره می‌شوند. روابط را می توان به طور شهودی با استفاده از پایگاه‌های داده گراف بصری‌سازی کرد که این کار برای داده‌هایی که ارتباط عمیقی با هم دارند، بسیار مفید است.

پایگاه‌های داده SQL: مخففStructured Query Language است و امکان دسترسی به پایگاه داده و انجام تغییرات در داده‌های آن را فراهم می‌کند. این ابزار در سال 1986 توسط مؤسسه استانداردهای ملی آمریکا (ANSI) و در سال 1987 توسط سازمان بین‌المللی استاندارد (ISO) استاندارد شد. با استفاده از SQL می‌توان درخواست‌های ورودی به پایگاه داده را اجرا کرده و داده‌ها را بازیابی کرد. با استفاده از این ابزار می‌توان رکوردها را در پایگاه داده وارد کرده، به‌روزرسانی و حذف نمود.

کاربردهای روزانه

موسسات مالی به طور منظم از فناوری پایگاه داده گراف و یک مدل مشترک برای مدیریت جریان و یکپارچه‌سازی داده‌های مشتریان از منابع متعددی نظیر سیستم‌های بازاریابی، سیستم‌های برنامه‌ریزی منابع سازمانی و داده‌های وب در یک نمای واحد، یکپارچه، 360 درجه و بلادرنگ استفاده می‌کنند.

شرکت‌های حمل‌ونقل و لجستیک از داده‌های بلادرنگ مکانی تولیدی حس‌گرهای تعبیه‌شده در وسایل نقلیه و شبکه‌های حمل‌ونقل برای توسعه دوقلوهای دیجیتالی زنجیره‌های تأمین یا شبکه‌های حمل‌ونقل، در طیف وسیعی از کاربردها (مانند شبیه‌سازی what-if، نظارت بر تعامل و تحلیل‌های مکان-زمانی) استفاده می‌کنند.

تیم‌های ساخت‌وساز، داده‌های بدون ساختار را از حس‌گرهای ساختمان‌ها دریافت کرده و با تحلیل آن‌ها به بینش‌هایی دست پیدا می‌کنند که به آن‌ها اجازه می‌دهد طراحی، تولید و عملیات را ساده‌تر کنند. مثل امکان شبیه‌سازی تاثیر مالی و عملیاتی ناشی از انتخاب انواع مختلف مصالح در پروژه‌های ساختمانی؛

عوامل توانمندساز

• معماری نوین داده که از انواع روش‌های انعطاف‌پذیر ذخیره‌سازی داده پشتیبانی می‌کند
• توسعه مدل‌های داده و دوقلوهای دیجیتالی که سیستم‌های واقعی را بر اساس داده‌های بلادرنگ شبیه‌سازی می‌کنند

چگونه شروع کنیم؟

• پیاده‌سازی تغییرات مورد نیاز در فرهنگ سازمانی و فناوری‌های مورد استفاده با هدف ارتقاء و به‌روزرسانی معماری داده‌ها
• شناسایی مجموعه داده‌های حیاتی (مانند دفعات خرید مشتری و ویژگی‌های آن) که بعداً می‌توانند در دارایی‌های داده‌ای سازماندهی شوند (به طور مثال دست‌یابی به نمای کاملی از مشتری) و ایجاد یک طبقه‌بندی برای این دارایی‌های داده‌ای با استفاده از پلتفرم‌های customer 360
• ترسیم گراف کلاس‌های مختلف داده و ارتباط معنایی داده‌ها
• ارتقاء شبیه‌سازهای دیجیتال و قراردادن آن‌ها در محیط ابری و به‌روزرسانی APIها با هدف پشتیبانی از قابلیت‌های پیچیده‌تر هوش مصنوعی مانند یادگیری تقویتی

4. مدل عملیاتی داده و تحقق مفهوم داده به عنوان یک محصول

وضعیت امروز

• بخش عملیاتی یک سازمان در حوزه داده، اگر خارج از بخش فناوری اطلاعات باشد، داده‌ها را با استفاده از استانداردها، قوانین و ابزارهای کنترلی از بالا به پایین مدیریت می‌کند.
• داده‌ها اغلب «مالک» واقعی ندارند که از به‌روزشدن و آماده استفاده بودن آن اطمینان حاصل کند.
• مجموعه داده‌ها نیز - گاهی اوقات به صورت تکراری - در محیط‌های پرهزینه ذخیره می‌شوند و یافتن، دسترسی و یکپارچه‌سازی سریع داده‌ها را برای کاربران درون سازمان (مانند دانشمندان داده‌ای که به دنبال داده‌ها برای ساخت مدل‌های تحلیلی هستند) دشوار می‌کند.

سال 2025

• داده‌ها به عنوان دارایی‌های سازمان صرف نظر از اینکه توسط تیم‌های داخلی یا مشتریان خارجی استفاده می‌شوند، به عنوان محصولات سازماندهی و پشتیبانی می‌شوند.
• این محصولات داده دارای تیم‌های اختصاصی هستند که بر امنیت داده‌ها، توسعه مهندسی داده (مثلاً تبدیل داده‌ها یا یکپارچه‌سازی مداوم منابع جدید داده) و پیاده‌سازی ابزارهای دسترسی و تحلیل سلف‌سرویس، تمرکز دارند.
• محصولات داده به طور مداوم و به شیوه‌ای چابک تکامل می‌یابند تا نیازهای مصرف‌کنندگان را برآورده کنند و از DataOps (DevOps برای داده‌ها) و فرآیندها و ابزارهای یکپارچه‌سازی و تحویل مستمر استفاده کنند.
• در مجموع، این محصولات راه‌حل‌های مبتنی بر داده‌ای را ارائه می‌کنند که می‌توانند آسان‌تر و به طور مکرر برای مقابله با چالش‌های مختلف تجاری و کاهش زمان و هزینه ارائه قابلیت‌های جدید مبتنی بر هوش مصنوعی مورد استفاده قرار گیرند.

کاربردهای روزانه

• تیم‌های اختصاصی در شرکت‌های خرده‌فروشی محصولات داده‌ای مانند «product 360» را توسعه می‌دهند و از تکامل دارایی داده برای فراهم شدن امکان پاسخگویی به نیازهای عملیاتی اطمینان حاصل می‌کنند.
• سازمان‌ها و ذی‌نفعان حوز مراقبت‌های بهداشتی و درمانی، از جمله پرداخت‌کنندگان و شرکت‌های ارائه‌دهنده خدمات تحلیلی، تیم‌های محصول را برای توسعه، نگهداری و تکامل محصولات داده «patient 360» برای بهبود نتایج سلامت تشکیل می‌دهند.

عوامل توانمندساز

• راهبرد داده‌ها که موارد تجاری بهره‌برداری از داده‌ها را شناسایی و اولویت‌بندی می‌کند
• درک منابع داده‌ای و انواع داده‌های در اختیار سازمان
• یک مدل عملیاتی که مالک داده و تیم محصول داده را ایجاد می‌کند – و شامل متخصصان تحلیل، مهندسان داده، متخصصان امنیت اطلاعات و سایر نقش‌ها است.

چگونه شروع کنیم؟

• تیم‌های هوش مصنوعی را در کسب‌وکار خود مستقر کنید و به آن‌ها قدرت طراحی، توسعه، استقرار و ارتقای محصولات جدید مبتنی بر هوش مصنوعی با استفاده از محصولات داده را بدهید.
• از یک مدل عملیاتی حکمروایی داده استفاده کنید که کیفیت داده‌ها را تضمین می‌کند و با داده‌ها مانند یک محصول رفتار می‌کند

5. توسعه نقش مدیر ارشد داده در تولید ارزش اقتصادی

وضعیت امروز

• مدیران ارشد داده (CDOها) و تیم‌های آنان در قالب یک یک فعالیت هزینه‌محور، مسئول توسعه و ردیابی مطابقت با سیاست‌ها، استانداردها و رویه‌ها برای مدیریت داده‌ها و اطمینان از کیفیت آن عمل می‌کنند.

سال 2025

• مدیران ارشد داده و تیم‌های آنان به عنوان یک واحد تجاری عمل کرده و نسبت به سود و زیان عملکرد خود مسئول هستند.
• این واحد با مشارکت تیم‌های تجاری، مسئول ایده‌پردازی راه‌های جدید برای استفاده از داده‌ها، توسعه یک برنامه راهبردی کل‌نگر مرتبط با داده‌های سازمانی (و استقرار آن به عنوان بخشی از راهبرد تجاری) و ایجاد منابع جدید درآمد از طریق کسب درآمد از خدمات و اشتراک‌گذاری داده است.

کاربردهای روزانه

• مدیران ارشد داده (CDOها) در حوزه مراقبت‌های درمانی و بهداشتی با هدف بهبود سطح سلامت بیماران با واحدهای تجاری برای ارائه خدمات جدید مبتنی بر اشتراک به بیماران، پرداخت‌کنندگان و ارائه‌دهندگان مشارکت می‌کنند. این خدمات شامل تنظیم طرح‌های درمانی، شناسایی تراکنش‌های پزشکی اشتباه و بهبود ایمنی دارو است.
• مدیران ارشد داده (CDOها) در حوزه بانکی خدمات داخلی داده‌محور مانند جلوگیری از کلاه‌برداری و خدمات ضد پولشویی را به نمایندگی از سازمان‌های دولتی و سایر ذی‌نفعان تجاری می‌کنند.
• مدیران ارشد داده (CDOها) در حوزه محصولات مصرفی با تیم فروش همکاری می‌کنند تا از داده‌ها برای افزایش فروش و اشتراک‌گذاری مسئولیت‌ها به منظوررسیدن به اهداف اقتصادی استفاده کنند.

عوامل توانمندساز

• ارتقاء سواد داده در میان مدیران واحدهای تجاری و تیم‌های آن‌ها برای ایجاد انرژی و درک فوریت تعامل باCDO ها و تیم‌های آن‌ها
• یک مدل اقتصادی، مانند یک ردیاب خودکار سود و زیان، برای شناسایی و برقراری ارتباط بین داده‌ها و هزینه‌ها
• استعدادهای برتر داده با محوریت نوآوری
• اتخاذ مدل‌های عملیاتی انکوباتور به سبک سرمایه‌گذاری خطرپذیر برای حمایت از آزمون و خطا و نوآوری

چگونه شروع کنیم؟

• مدیران ارشد داده گفتگو با رهبران واحدهای تجاری را شروع کنند تا فرصت‌های بهره‌برداری از داده‌ها برای افزایش ارزش کسب‌وکار را شناسایی کنند.
• اولویت‌های کل‌نگر را با کارت‌های امتیازی و معیارهایی که سلامت، استعداد و فرهنگ سازمانی و همچنین کیفیت داده‌ها را پوشش می‌دهند، ایجاد کنید.
• تقویت استفاده اخلاقی از داده‌ها برای اطمینان از همسویی سرویس‌های داده‌ای جدید و درآمدزا با ارزش‌ها و فرهنگ سازمانی

6. عضویت در زیست‌بوم داده

وضعیت امروز

• داده‌ها اغلب به صورت جزیره‌ای و در داخل سازمان‌ها ذخیره می‌شوند.
• در حالی که اشتراک‌گذاری داده با شرکای خارجی و رقبا در حال افزایش است، اما هنوز امری غیرمعمول تلقی شده و اغلب محدود هستند.

سال 2025

• سازمان‌های بزرگ و پیچیده از پلتفرم‌های اشتراک‌گذاری داده‌ها برای تسهیل همکاری در پروژه‌های مبتنی بر داده، هم در داخل و هم بین سازمان‌ها استفاده می‌کنند.
• شرکت‌های داده‌محور به طور فعال در اقتصاد داده و فعالیت‌هایی که یکپارچه‌سازی داده‌ها برای ایجاد بینش ارزشمندتر برای همه اعضا تسهیل می‌کند، شرکت می‌کنند.
• بازارگاه‌های داده تبادل، اشتراک‌گذاری و تکمیل داده‌ها را امکان‌پذیر کرده و شرکت‌ها را قادر می‌سازد تا محصولات داده‌محور منحصربه‌فرد و اختصاصی بسازند و از آن‌ها بینش کسب کنند.
• در مجموع، موانع تبادل و ترکیب داده‌ها بسیار کاهش می‌یابد و منابع داده‌های مختلف به گونه‌ای گرد هم جمع می‌شوند که ارزش تولید شده بسیار بیشتر از مجموع اجزای آن باشد.

کاربردهای روزانه

• تولیدکنندگان صنعتی داده‌های خود را با شرکای تجاری از طریق پلتفرم‌های تولید باز (open manufacturing platforms) به اشتراک می‌گذارند تا دیدی جامع‌تر از زنجیره‌های تأمین در سراسر جهان ایجاد کنند.
• سازمان‌های دارویی و بهداشتی داده‌های مربوطه خود را (به عنوان مثال، داده‌های کارآزمایی بالینی جمع‌آوری‌شده توسط محققان دارویی و داده‌های بیمار ناشناس جمع‌آوری‌شده توسط ارائه‌دهنده مراقبت‌های بهداشتی) با هم ترکیب می‌کنند تا هر شرکتی بتواند بهتر به اهداف خود دست یابد.
• سازمان‌های ارائه‌دهنده خدمات مالی از تبادل داده‌ها برای ایجاد قابلیت‌های جدید استفاده می‌کنند - به عنوان مثال، برای حمایت از سرمایه‌گذاران آگاه اجتماعی با ارائه امتیاز محیطی، اجتماعی و حاکمیتی (environmental, social and governance: ESG) به شرکت‌های سهامی عام.

عوامل توانمندساز

• استفاده از مدل‌های شناخته شده داده به منظور تسهیل مشارکت در حوزه‌های داده‌محور
• توسعه اتحادیه‌ها و توافق‌نامه‌های اشتراک‌گذاری داده‌ها؛ چندین پلتفرم اشتراک‌گذاری داده در سال‌های اخیر برای تسهیل تبادل داده‌ها در داخل و بین مؤسسات تولید شده‌اند

چگونه شروع کنیم؟

• کسب دانش و اطلاعات درباره انواع زیست‌بوم‌های داده و بهترین شیوه‌ها در حوزه‌های خدمات مالی، خرده‌فروشی و مراقبت‌های بهداشتی.
• انتخاب الگوهای اکوسیستم داده مهم و قابل بهره‌برداری در سازمان.
• به‌کارگیری ابزارها، پروتکل‌ها و رویه‌های اشتراک‌گذاری داده.

7. مدیریت خودکار و با اولویت بالای داده‌ها برای حفظ حریم خصوصی، امنیت و تاب‌آوری

وضعیت امروز

• امنیت و حریم خصوصی داده ها اغلب به عنوان مسائل مربوط به انطباق با قوانین و دستورات نظارتی حفاظت از داده‌ها و همچنین دغدغه کاربران در خصوص نحوه بهره‌برداری از داده‌های آن‌ها در نظر گرفته می‌شوند.
• حفاظت از امنیت داده و حفظ حریم خصوصی اغلب یا ناکافی یا غیرمنعطف هستند و برای مجموعه داده‌های فردی طراحی نشده‌اند.
• فراهم کردن دسترسی ایمن به داده‌ها برای کارمندان یک فرآیند کاملاً دستی است که آن را مستعد خطا و طولانی شدن می‌کند.
• فرآیندهای دستی ارتقاء پایداری و تاب‌آوری داده‌ها، بازیابی سریع و کامل داده‌ها را دشوار می‌کند و خطراتی را برای قطع طولانی سرویس‌های داده‌محور ایجاد می‌کند که بر بهره‌وری کارکنان تأثیر می‌گذارد.

سال 2025

• ذهنیت‌های سازمانی به طور کامل به سمت تلقی حریم خصوصی داده‌ها، اخلاق و امنیت به عنوان حوزه‌های کلیدی تغییر کرده است.
• این امر تحت تأثیر قوانین و مقرراتی نظیر قانون حفاظت از داده‌های مصرف‌کننده ویرجینیا (VCDPA)، مقررات حفاظت از داده‌های عمومی (GDPR) و قانون حفظ حریم خصوصی مصرف‌کنندگان کالیفرنیا (CCPA) و همچنین، افزایش آگاهی مصرف‌کننده از حقوق داده‌های خود و خطرات فزاینده حوادث امنیتی هدایت شده است.
• پورتال‌های خودکار (self service) ارائه داده‌ها را با استفاده از «script‌های» از پیش تعریف‌شده انجام می‌دهند تا دسترسی کاربران را به داده‌ها به طور ایمن و تقریبا بلادرنگ فراهم کرده و بهره‌وری کاربر بهبود بخشند.
• رویه‌های خودکار و تقریباً ثابت پشتیبان‌گیری، انعطاف‌پذیری و بازیابی سریع‌تر «آخرین نسخه خوب» از داده‌ها را در عرض چند دقیقه به جای چند روز یا هفته را تضمین کرده و تهدید از بین رفتن داده‌ها در نتیجه اختلال فنی را به حداقل می‌رسانند.
• ابزارهای هوش مصنوعی برای مدیریت موثرتر داده‌ها در دسترس هستند و خودکارسازی شناسایی، تصحیح و انجام اقدامات جبرانی مربوط به کیفیت داده‌ها را ممکن می‌سازند.
• در مجموع، این تلاش‌ها سازمان‌ها را قادر می‌سازد تا اعتماد عمومی در خصوص گردآوری و نحوه مدیریت داده را جلب کرده و در نهایت، پذیرش خدمات جدید مبتنی بر داده را تسریع کنند.

کاربردهای روزانه

• خرده‌فروشانی که فعالیت آنلاین نیز دارند، از داده‌های مشتریان خود را با دریافت مجوز از آن‌ها استفاده می‌کنند. برای این منظور و همچنین شخصی‌سازی خدمات، پورتال داده مشتریان ایجاد می‌شود.
• مؤسسات بهداشتی و دولتی با مؤسسه داده‌های بسیار حساس، پروتکل‌های پیشرفته تاب‌آوری داده‌ها را ایجاد می‌کنند که به‌طور خودکار چندین بار در روز از داده‌ها نسخه پشتیبان تهیه می‌کنند و در صورت نیاز، «آخرین نسخه خوب» را شناسایی کرده و به‌طور یکپارچه بازیابی می‌کنند.
• بانک‌های خرده‌فروشی به‌طور خودکار داده‌های کارت اعتباری مورد نیاز برای پشتیبانی از برنامه‌های کاربردی مشتری را، به‌ویژه در طول توسعه یا آزمایش، برای بهبود بهره‌وری توسعه‌دهندگان و دسترسی به داده‌ها کارآمدتر و ایمن‌تر از آنچه که امروزه با تلاش‌های دستی سنتی امکان‌پذیر است، ارائه می‌کنند.

عوامل توانمندساز

• ارتقاء جایگاه امنیت داده‌ها در سازمان
• ارتقاء آگاهی مشتریان و مصرف‌کنندگان در خصوص حقوق دیجیتال و مشارکت دادن فعال آن‌ها در این حوزه
• بهره‌برداری از فناوری‌های مدیریت خودکار پایگاه داده برای تهیه، پردازش و مدیریت اطلاعات به صورت خودکار
• استفاده از ابزارهای تاب‌آوری و ذخیره‌سازی داده مبتنی بر ابر برای تسهیل پشتیبان‌گیری و بازیابی خودکار داده‌ها

چگونه شروع کنیم؟

• اتخاذ یک چارچوب اخلاقی داده را برای درک و ارزیابی اخلاقیات بالقوه و در نظر گرفتن پیامدهای نظارتی داده‌ها و فعالیت‌های تحلیلی، به ویژه در خصوص داده‌های مصرف‌کننده
• استفاده از ابزارهای ابری برای ذخیره، مدیریت و ایمن‌سازی و پشتیبان‌گیری خودکار داده‌ها به عنوان بخشی از سیاست‌های امنیت سایبری
• ایجاد نقشه راه مهاجرت به نظارت خودکار جدید و قابلیت‌های انعطاف‌پذیر داده‌محور
• بهره‌برداری از یک فرآیند چرخشی و تکرارشونده برای توسعه، بازنگری و اصلاح پروتکل‌های حاکمیتی و کنترلی با هدف استفاده از فرصت‌های آتی برای خودکارسازی مدیریت پایگاه داده - به عنوان مثال، با راه‌اندازی یک پورتال ارائه خدمات خودسرویس و الزام رویه‌های پشتیبان‌گیری و بازیابی خودکار روی داده‌های سازگار.