Lakhasly

تحليلات البيانات والبيانات الضخمة تحليلات البيانات ليست ظاهرة جديدة؛ ومع ذلك، فإن التطورات التكنولوجية الحديثة في جمع البيانات وتخزينها سمحت للشركات بإجراء تحليلات البيانات على نطاق غير مسبوق، 2020). في عام 2012، Big Impact, ”، تناقش أن البيانات هي شكل جديد من الأصول الاقتصادية ذات التأثير طويل الأمد، وفي الصين، 2015). هناك نوعان من المكونات الرئيسية للبيانات الكبيرة. أحد المكونات هو ملكية مجموعات البيانات الكبيرة والمعقدة والتحكم فيها، وتسمى "أصول البيانات": أصول البيانات هي موارد غير ملموسة وغير نقدية، وحجمها الهائل يتطلب قوة معالجة فائقة. المكون الثاني هو النهج أو الخوارزمية المستخدمة لمعالجة وتحليل مجموعة البيانات الكبيرة هذه، والتي تتضمن إجراءات بما في ذلك الاستيلاء والتخزين والتحليل والبحث والمشاركة والنقل والتصور والتحديث والحماية. يسمح النهج أو الخوارزمية المختارة لمستخدمي البيانات بالتنبؤ بسلوك المستهلك ذو القيمة الاقتصادية الكبيرة. تركز هذه الورقة على كيفية تقييم هذين المكونين من البيانات الضخمة. ممارسة تحليلات البيانات والفوائد المرتبطة بها أصبح من الممكن الآن إنشاء قواعد بيانات الأعمال وأنظمة المعلومات التي تتكون من بيانات معاملات الشركات لتحليلات الأعمال (Novikov, 2013). والصحة العامة، Chen et al. ويبني عدد متزايد من المؤسسات الجديدة في القطاع الخاص نماذج أعمالها على استخدام البيانات (Hartmann et al. على سبيل المثال تنفيذ استراتيجية التفكير في البيانات الضخمة (Xu et al. 2016). بما في ذلك على مستوى الشركات والصناعة. مثل الجغرافيا، وقنوات اكتساب المهارات (Tambe, 2013). تقوم بعض الشركات، مثل Amazon وIBM، بتحليل بيانات الموظفين والتنبؤ بتنقل الموظفين والنمو المحتمل للموظفين. يمكن أيضا تطبيق تحليلات البيانات على صناعة بأكملها، تكتسب الشركات التي تتقن هذه المعلومات ميزة عند مواجهة التغيرات الصناعية. على سبيل المثال، يمكن للصناعة المصرفية جمع وتبادل المعلومات المختلفة حول الحياة اليومية للعملاء وتطوير نظام تصنيف ائتماني يمكن أن يقلل من المخاطر التي ينطوي عليها الإقراض. يمكن لصناعة التأمين أيضا تطوير التسعير الشخصي وحساب المخاطر الشخصية بشكل أكثر دقة من خلال تحليل بيانات العملاء. بالإضافة الى ذلك، يمكن لقطاع الرعاية الصحية الاعتماد على البيانات الضخمة والذكاء الاصطناعي لبناء نظام تشغيل يمكنه تخصيص الموارد بكفاءة من خلال تناسب المستشفيات مع المرضى. جمع أصول البيانات مثل سجلات البحث، وسجل التصفح، وسجل الشراء، وعمليات الاندماج والاستحواذ للشركات (M&As)، وشراء البيانات والخدمات السحابية. يعرض الجدول (1) الطرق الشائعة التي تستخدمها العديد من شركات الإنترنت المهمة للحصول على البيانات. بالإضافة إلى الحصول على البيانات من خلال الأنشطة التجارية الحالية، حيث يمكن للشركات الوصول إلى البيانات أو تداولها مباشرة، والتي أصبحت شائعة بشكل متزايد في السنوات الأخيرة. Facebook اشترى خدمة تبادل الصور مع Instagram التي تشمل كمية هائلة من بيانات المستهلك، 2012). شراء LinkedIn من قبل Microsoft هو أكبر اندماج واستحواذ في تاريخ مايكروسوفت. يمتلك LinkedIn كمية كبيرة من بيانات الشبكة الاجتماعية التي لها قيمة تجارية كبيرة (Big Data Observation, 2016). بدأت الحكومات في اتخاذ إجراءات لتعزيز تداول أصول البيانات كنشاط تجاري مشروع. على سبيل المثال، أنشأت الحكومة الصينية أول تبادل تجاري للبيانات الضخمة في العالم في 14 أبريل 2015،

تحليلات البيانات والبيانات الضخمة

   تحليلات البيانات ليست ظاهرة جديدة؛ لقد استخدمت الشركات دائما البيانات المتاحة لفهم المستهلكين. ومع ذلك، فإن التطورات التكنولوجية الحديثة في جمع البيانات وتخزينها سمحت للشركات بإجراء تحليلات البيانات على نطاق غير مسبوق، ومن هنا جاء المصطلح المستخدم على نطاق واسع "البيانات الضخمة" (Novikov, 2020).



   تم تقديم فكرة "البيانات الضخمة" لأول مرة من قبل Viktor and Kenneth (2013) بعد زيادة هائلة في حجم البيانات وتقنيات تحليل البيانات المتقدمة. في عام 2012، نشر المنتدى الاقتصادي العالمي (2012) ورقة بيضاء بعنوان “Big Data, Big Impact,”، تناقش أن البيانات هي شكل جديد من الأصول الاقتصادية ذات التأثير طويل الأمد، مثل البنزين والذهب (The World Economic Forum, 2012).



   وفي الصين، أكد الرئيس Xi أن تطوير البيانات الضخمة أصبح استراتيجية رئيسية للتنمية الاقتصادية وأنه من الضروري تصميم نظام يوضح ملكية البيانات وتداولها (State Council of the People’s Republic of China, 2015). 

   هناك نوعان من المكونات الرئيسية للبيانات الكبيرة. أحد المكونات هو ملكية مجموعات البيانات الكبيرة والمعقدة والتحكم فيها، وتسمى "أصول البيانات": أصول البيانات هي موارد غير ملموسة وغير نقدية، وحجمها الهائل يتطلب قوة معالجة فائقة.



   المكون الثاني هو النهج أو الخوارزمية المستخدمة لمعالجة وتحليل مجموعة البيانات الكبيرة هذه، والتي تتضمن إجراءات بما في ذلك الاستيلاء والتخزين والتحليل والبحث والمشاركة والنقل والتصور والتحديث والحماية. يسمح النهج أو الخوارزمية المختارة لمستخدمي البيانات بالتنبؤ بسلوك المستهلك ذو القيمة الاقتصادية الكبيرة. تركز هذه الورقة على كيفية تقييم هذين المكونين من البيانات الضخمة.

ممارسة تحليلات البيانات والفوائد المرتبطة بها
نتيجة لتنسيق تبادل البيانات الرقمية اليوم، أصبح من الممكن الآن إنشاء قواعد بيانات الأعمال وأنظمة المعلومات التي تتكون من بيانات معاملات الشركات لتحليلات الأعمال (Novikov, 2020). يتفق معظم الخبراء على أن أكثر من 90 ٪ من جميع البيانات في العالم قد تم إنشاؤها في السنوات القليلة الماضية (SINTEF, 2013).

   نتيجة لذلك، تظهر بيانات يحركها ذكاء الأعمال وتحليلات البيانات في العديد من المجالات الرئيسية والمتقدمة، مثل التجارة الإلكترونية، والتسويق، والحكومة الإلكترونية، والصحة العامة، والسلامة العامة، مما يفرض تأثيرات كبيرة على السلع الاجتماعية (H. C. Chen et al., 2012). ويبني عدد متزايد من المؤسسات الجديدة في القطاع الخاص نماذج أعمالها على استخدام البيانات (Hartmann et al., 2016)، على سبيل المثال تنفيذ استراتيجية التفكير في البيانات الضخمة (Xu et al., 2016). 

   يمكن ملاحظة فوائد تحليلات البيانات في بعدين على الأقل، بما في ذلك على مستوى الشركات والصناعة. على سبيل المثال، يستخدم تحليل مستوى الشركات تحليلات البيانات لاستكشاف العوامل التي تفسر معدلات النمو المختلفة بين الشركات، مثل الجغرافيا، ومستوى استثمار الشركات، وقنوات اكتساب المهارات (Tambe, 2016).



   تستفيد الشركات أيضا من تطبيق تحليلات البيانات على إدارة المستهلك وإدارة سلسلة التوريد واستراتيجيات التسعير وتأثيرات التسويق (Feng et al., 2013). علاوة على ذلك، يمكن للشركات تحليل بيانات المستهلك مثل ملاحظات الشراء والتعليقات لتطوير منتجات وابتكارات جديدة. تقوم بعض الشركات، مثل Amazon وIBM، بتحليل بيانات الموظفين والتنبؤ بتنقل الموظفين والنمو المحتمل للموظفين.

   يمكن أيضا تطبيق تحليلات البيانات على صناعة بأكملها، مما يساهم في زيادة فهم اتجاهات التنمية الصناعية والمجالات الواعدة لزيادة الأرباح. تكتسب الشركات التي تتقن هذه المعلومات ميزة عند مواجهة التغيرات الصناعية. على سبيل المثال، يمكن للصناعة المصرفية جمع وتبادل المعلومات المختلفة حول الحياة اليومية للعملاء وتطوير نظام تصنيف ائتماني يمكن أن يقلل من المخاطر التي ينطوي عليها الإقراض.

   يمكن لصناعة التأمين أيضا تطوير التسعير الشخصي وحساب المخاطر الشخصية بشكل أكثر دقة من خلال تحليل بيانات العملاء. بالإضافة الى ذلك، يمكن لقطاع الرعاية الصحية الاعتماد على البيانات الضخمة والذكاء الاصطناعي لبناء نظام تشغيل يمكنه تخصيص الموارد بكفاءة من خلال تناسب المستشفيات مع المرضى.

جمع أصول البيانات

   يعد جمع البيانات شرطا أساسيا لإجراء تحليلات البيانات. اعتمادا على نوع النشاط التجاري، تمتلك الشركات طرقا مختلفة للحصول على البيانات، مثل سجلات البحث، وسجل التصفح، وسجل الشراء، وعمليات الاندماج والاستحواذ للشركات (M&As)، وشراء البيانات والخدمات السحابية. يعرض الجدول (1) الطرق الشائعة التي تستخدمها العديد من شركات الإنترنت المهمة للحصول على البيانات.

   بالإضافة إلى الحصول على البيانات من خلال الأنشطة التجارية الحالية، يمكن للشركات الحصول على البيانات من خلال عمليات الاندماج والاستحواذ (M&As)، حيث يمكن للشركات الوصول إلى البيانات أو تداولها مباشرة، والتي أصبحت شائعة بشكل متزايد في السنوات الأخيرة. على سبيل المثال، Facebook اشترى خدمة تبادل الصور مع Instagram التي تشمل كمية هائلة من بيانات المستهلك، والتي تساهم الآن بشكل كبير في دخل الإعلانات لدى Facebook (VIBE, 2012).  



   شراء LinkedIn من قبل Microsoft هو أكبر اندماج واستحواذ في تاريخ مايكروسوفت. في هذه الحالة، يمتلك LinkedIn كمية كبيرة من بيانات الشبكة الاجتماعية التي لها قيمة تجارية كبيرة (Big Data Observation, 2016).

   بدأت الحكومات في اتخاذ إجراءات لتعزيز تداول أصول البيانات كنشاط تجاري مشروع. على سبيل المثال، أنشأت الحكومة الصينية أول تبادل تجاري للبيانات الضخمة في العالم في 14 أبريل 2015، تلاه إنشاء مركز شنغهاي (Shanghai) لتبادل البيانات الضخمة (الذي تديره لجنة شنغهاي للاقتصاد وتكنولوجيا المعلومات) في 1 أبريل 2016.







   بالإضافة إلى ذلك، نشرت وزارة الصناعة وتكنولوجيا المعلومات الصينية (2017) ورقة بيضاء بعنوان "خطة تطوير صناعة البيانات الضخمة (2016-2010)" أو “Big Data Industry Development Plan (2016-2010)،”، بهدف توجيه التطوير الإضافي للنظام البيئي لصناعة البيانات.