Οδηγώντας την 4η βιομηχανική επανάσταση

Οδηγώντας την 4η βιομηχανική επανάσταση
ΔΑΜΙΑΝΟΣ ΧΑΤΖΗΑΝΤΩΝΙΟΥ*

Η ​​χρήση δεδομένων στη λήψη έγκυρων και έγκαιρων αποφάσεων έχει αναχθεί σε εκ των ων ουκ άνευ παράγοντα επιτυχίας για τις περισσότερες επιχειρήσεις και οργανισμούς. Ο όγκος των δεδομένων που συλλέγεται και επεξεργάζεται καθημερινά είναι πολύ μεγάλος και αντιστοιχεί και στην πιο μικρή δραστηριότητά μας: τραπεζικές συναλλαγές, πιστωτικές κάρτες, δίκτυα αισθητήρων, κοινωνικά δίκτυα, δεδομένα τηλεφωνικών κλήσεων, δεδομένα Διαδικτύου, Google, έξυπνα τηλέφωνα, wearable devices. Oι όροι επιχειρηματική αναλυτική (business analytics) και μεγάλα δεδομένα (big data) βρίσκονται στο επίκεντρο των δραστηριοτήτων των τμημάτων τεχνολογίας μεγάλων και μικρών οργανισμών. Οπως έχει επανειλημμένως αναφερθεί σε επιστημονικά περιοδικά –αλλά και σε καθημερινά άρθρα σε εφημερίδες και ΜΜΕ– τα μεγάλα δεδομένα και τα analytics οδηγούν την 4η βιομηχανική επανάσταση.

Η διαθεσιμότητα των δεδομένων επέφερε μεγάλες αλλαγές στο πώς αντιλαμβάνονται τη λήψη αποφάσεων οι επιχειρήσεις και οι οργανισμοί, ιδιωτικοί αλλά και δημόσιοι. Πλέον, ξεκινούν από το σύνολο των δεδομένων που κατέχουν, τα συνδυάζουν με αλλά που συλλέγουν από διάφορες πηγές, εντός και εκτός οργανισμού, και τα μοντέλα προκύπτουν αυτόματα με τη χρήση αλγορίθμων στατιστικής και εξόρυξης δεδομένων. Οπως διατύπωνε με ακρίβεια το Wired Magazine, ήδη από τον Αύγουστο του 2008, «η αναζήτηση της γνώσης άρχιζε με “μεγάλες” θεωρίες. Πλέον ξεκινά με τεράστιους όγκους δεδομένων» και συνέχιζε: «Παντού αισθητήρες. Απεριόριστος χώρος αποθήκευσης. Σύννεφα επεξεργαστών. Η ικανότητά μας να καταγράφουμε, αποθηκεύουμε και κατανοούμε μεγάλους όγκους δεδομένων αλλάζει την επιστήμη, την ιατρική, τις επιχειρηματικές διαδικασίες και την τεχνολογία».

Η μεγάλη διαφορά σε σχέση με πριν από λίγα χρόνια ως προς τις εφαρμογές επιχειρηματικής ευφυΐας είναι ο όγκος (volume), η διαθέσιμη μορφή (variety) και ο ρυθμός παραγωγής (velocity) των δεδομένων, τα 3Vs όπως αναφέρονται. Είναι εύκολα κατανοητό ότι ο όγκος δεδομένων που συλλέγονται είναι πλέον σε επίπεδο petabytes και exabytes. Τα δεδομένα αυτά μπορεί να είναι σε δομημένη μορφή (structured data, π.χ. πίνακες) ή αδόμητη μορφή (unstructured data, π.χ. emails σε μορφή κειμένου, συνομιλίες από το call center σε ηχητική μορφή, εικόνες). Πλέον υπάρχουν αξιόπιστοι και ταχύτατοι αλγόριθμοι τεχνητής νοημοσύνης μέσω των οποίων μπορούμε να εξάγουμε δομημένη πληροφορία από αδόμητα δεδομένα, η οποία να χρησιμοποιηθεί στη φάση της στατιστικής ανάλυσης. Για παράδειγμα, μπορεί να εξάγεται αυτόματα σε ποιο προϊόν αναφέρεται ένα tweet και αν το συναίσθημα είναι θετικό ή αρνητικό, μπορεί να εξάγεται αυτόματα η γεωγραφική περιοχή μιας φωτογραφίας, να αναγνωρίζεται ένας πελάτης με βάση τη φωτογραφία του. Τέλος, τα δεδομένα μπορεί να παράγονται με μεγάλο και συνεχή ρυθμό, σε ροές δεδομένων όπως καλούνται (data streams), όπως είναι, για παράδειγμα, η γεωγραφική θέση ενός συνδρομητή κινητής τηλεφωνίας ή η τιμή μιας μετοχής. Σε αυτές τις περιπτώσεις ενδιαφέρουν η άμεση παραγωγή αποτελεσμάτων και η συνεχής ανανέωσή τους (π.χ. ποια είναι η μέση τιμή μιας μετοχής τα τελευταία πέντε λεπτά). Τα 3Vs αλλάζουν θεμελιωδώς τον τρόπο διαχείρισης και ανάλυσης αυτών των δεδομένων.

Οι εφαρμογές επιχειρηματικής αναλυτικής αποτελούνται από μια ακολουθία φάσεων και δεν πρόκειται απλώς για εφαρμογή στατιστικών μοντέλων. Αυτό καλείται «big data lifecycle» ή «data analysis pipeline» [1]. Ως εκ τούτου, τα έργα επιχειρηματικής αναλυτικής απαιτούν ένα ευρύ φάσμα ικανοτήτων και δεξιοτήτων που περιλαμβάνει γνώσεις σε διοίκηση επιχειρήσεων, διαχείριση δεδομένων, τεχνητή νοημοσύνη, στατιστική, κατανόηση των εννοιών καινοτομία και επιχειρηματικότητα, νομικές γνώσεις που αφορούν την ιδιωτικότητα και την προστασία των δεδομένων, ακόμα και μαθήματα σε δημιουργικότητα. Επίσης χρειάζονται εκπαίδευση και εξάσκηση σε μία νέα γενιά γλωσσών προγραμματισμού, συστημάτων και εργαλείων σχετικά με τη διαχείριση, ανάλυση και οπτικοποίηση των δεδομένων. Το τμήμα Διοικητικής Επιστήμης και Τεχνολογίας του Οικονομικού Πανεπιστημίου Αθηνών (ΟΠΑ) κατανόησε από πολύ νωρίς, ταυτόχρονα με τα μεγάλα πανεπιστήμια των ΗΠΑ και τη βιομηχανία της Silicon Valley, την αξία της επιχειρηματικής αναλυτικής και την επανάσταση που φέρνει. Εφαρμόζοντας την αριστεία και την εξωστρέφεια που διέπει τα μεταπτυχιακά του ΟΠΑ, δημιούργησε ένα ποιοτικό, ανταγωνιστικό και απαιτητικό διεθνές μεταπτυχιακό πρόγραμμα σπουδών, πλήρως διασυνδεδεμένο με την αγορά.

Καταλήγοντας, ο κόσμος κινείται προς μία data-driven οικονομία, μία οικονομία όπου η κάθε απόφαση θα υποστηρίζεται από δεδομένα. Δεν υπάρχει καμία αμφιβολία ότι η καταγραφή της πληροφορίας θα βαίνει ολοένα συχνότερη και λεπτομερέστερη. Είναι σημαντικό λοιπόν για τους οργανισμούς, ιδιωτικούς και δημόσιους, να επενδύσουν σε αυτές τις τεχνολογίες, καθώς στο μέλλον η ανταγωνιστικότητα θα εξαρτάται από την αποτελεσματικότητα στην επιχειρηματική αναλυτική [2]. Ειδικά στη λειτουργία του κράτους, η χρήση αυτών των τεχνολογιών είναι απαραίτητη. Παιδεία, υγεία, κοινωνική ασφάλιση, μεταφορές, δημόσια διοίκηση μπορούν να ωφεληθούν σημαντικά ως προς τη χάραξη στρατηγικής, την αξιολόγηση και την αξιοποίηση των διαθέσιμων πόρων. Αλλωστε, προσφάτως η κυβέρνηση των ΗΠΑ, αναγνωρίζοντας την αξία της επιχειρηματικής αναλυτικής και των μεγάλων δεδομένων, θέσπισε αντίστοιχη κυβερνητική θέση (US Chief Data Scientist).

* Ο κ. Δαμιανός Χατζηαντωνίου είναι αναπληρωτής καθηγητής ΟΠΑ, διευθυντής Μεταπτυχιακού Προγράμματος στην Επιχειρηματική Αναλυτική (Business Analytics).

[1] Challenges and Opportunities with Big Data, A community white paper developed by leading researchers across the United States (http://cra.org/ccc/wp-content/uploads/sites/2/2015/05/bigdatawhitepaper.pdf)
[2] Competing on Analytics, T. H. Davenport, Harvard Business Review, Jan 2006 (https://hbr.org/2006/01/competing-on-analytics)

Πηγή

© 2017, . Για την αναδημοσίευση της είδησης από άλλες ιστοσελίδες είναι απαραίτητη η αναφορά του link προς το άρθρο του sep4u.gr

Print Friendly, PDF & Email

Leave a Comment

2 × 4 =