چگونه اپلیکیشن‌های داده‌محور بنویسیم ؟

Last updated on ۱۳۹۹/۰۸/۰۸

تکنولوژی‌های «نرم‌افزار به عنوان خدمات» (SaaS) و رایانش ابری، تحولی بزرگ در صنعت نرم‌افزار ایجاد کرده‌اند، اما در مقایسه با آنچه در آینده قرار است رخ دهد، باید گفت هنوز چیز زیادی ندیده‌ایم. ابتدا، برای درک اینکه به کدام سمت می‌رویم، مروری سریع بر اینکه کجا بوده‌ایم، باید در دستور کار قرار بگیرد. در گذشته، یک شرکت نرم‌افزاری اپلیکیشنی را به شما می‌فروخت که شما آن را بر روی سرور‌ها و دسک‌تاپ خود نصب می‌کردید که این امر فرآیند کسب‌وکار شما را کارآمد‌تر، جریان کاری را آسان‌تر و روند بازیابی اطلاعات را سریع‌تر می‌کرد. این نرم‌افزار در حین استفاده، داده‌هایی مانند سوابق مشتریان شما، نتایج مالی و آمارهای تولید را جمع‌آوری می‌کرد. اگر می‌خواستید این داده‌ها را عمیقا تحلیل کنید، بسته‌های نرم‌افزاری تحلیل یا هوش کسب‌وکار را خریداری می‌کردید و به کمک آن‌ها داده‌های موجود را به قطعات ریزی تقسیم‌بندی و گزارش‌هایی برای مدیران خود تولید و از رویکردهای جالب در مورد کسب‌وکارتان کشف رمز می‌کردید. در اوایل دهه ۲۰۰۰ شرکت‌های SaaS ظهور کردند و این توانایی را به افراد می‌دادند که به جای اینکه اپلیکیشن‌های کسب‌وکار را بخرند، آن‌ها را «اجاره» کنند و امکان دسترسی کارمندان به آن‌ها از طریق اینترنت و مرورگر وب وجود داشت. این امر در کلیه هزینه‌های مالکیت و مدیریت‌پذیری مزایای زیادی داشت، اما در اصل، بیشتر اپلیکیشن‌های اولیه SaaS درست مثل نمونه‌های قبلی به جریان کار و ذخیره‌سازی یا بازیابی داده کمک می‌کردند. در سال‌های اخیر با انفجار «داده‌های بزرگ» و انبوهی از تکنولوژی‌های متن باز جدید مانند Hadoop ،MapReduce و Cassandra روبه‌رو بوده‌ایم. به علاوه، نسل جدیدی از شرکت‌های تحلیل مبتنی بر تکنولوژی ابری در حال ظهورند که روند تکه‌ کردن و تصویرسازی مجموعه داده‌های بزرگ را تسهیل می‌کنند. از این درس تاریخی چه چیزی می‌توان آموخت؟ چیزی که می‌توان آموخت این است که به طور کلی، کلیه این اپلیکیشن‌های کسب‌وکار و ابزارهای جدید داده‌های بزرگ، بار به دست آوردن رویکرد واقعی کسب‌وکار، تصمیم‌گیری و اقدام را بر دوش خود مشتری گذاشته‌اند. در اصل، اگر خواهان ارزش واقعی کسب‌وکار هستید، باید با وادار کردن کارمندانتان به استفاده از این اپلیکیشن‌ها، ایجاد منبع تحلیل‌گران و تفسیر داده، این ارزش را خودتان ایجاد کنید و از مدیران بخواهید بر اساس آنچه در گزارش‌ها و نمودار‌ها می‌بینند، تصمیم‌گیری کنند. به عنوان مثال، اگر شرکت شما از نرم‌افزار Sales Force استفاده کرده، نماینده فروش شما باید داده‌های فروش را ماهرانه وارد کند و مدیریت باید در مورد log in شدن و خواندن گزارش‌ها، پیشنهاد دادن و تشخیص رویکردهای گسترده در این داده‌ها، هوشمندانه عمل کند. به هر حال، نوع جدیدی از شرکت‌های نرم‌افزاری در حال ظهور است که تخصص علم داده‌ها را با شناخت عمیق مشکلات کسب‌وکار ترکیب می‌کند که نویسنده آن را راه حل‌های داده‌-محور می‌نامد.

“نسل جدیدی از شرکت‌های تحلیل مبتنی بر تکنولوژی ابری در حال ظهورند که روند تجزیه کردن و تصویرسازی مجموعه داده‌های بزرگ را تسهیل می‌کنند.”

این راه حل‌ها از پردازش داده الگوریتمی بر روی داده‌های شما و نیز داده‌های خارجی یک شخص سوم که با اکوسیستم‌های ابری و API‌ها دسترس‌پذیر است، استفاده می‌کنند. راه ‌حل‌های داده-محور پیش‌بینی‌هایی در مورد کارکرد کسب‌وکار انجام می‌دهند و تعیین می‌کنند که در مرحله بعدی باید چه کاری انجام شود و در بسیاری موارد به صورت مستقل اقدام می‌کنند. تحلیل‌گران آموزش دیده ملزم به بررسی پایگاه‌های داده نیستند. در عوض، کاربران کسب‌وکار پاسخ‌های خود را مستقیما از نرم‌افزار دریافت می‌کنند. این پاسخ‌ها دائما جریان فعالیت کسب‌وکار را – اغلب به صورت نامعلوم – تغذیه می‌کنند. در حالی که این تفاوت بسیار ریز و ظریف به نظر می‌رسد، اما من معتقدم بسیار پایه‌ای و برهم‌زن است و وضعیت آینده نرم‌افزار را نشان می‌دهد. البته به هیچ طریقی نمی‌توان آن را پایان SaaS دانست.

هشت پیشنهاد برای ساخت اپلیکیشن‌های داده – محور :

۱) در مورد هر چیز مثل «بیلی بین» (مدیریت تحلیل کسب‌وکار) فکر کنید
بیلی بین، مدیر تیم بیس‌بال اوکلند با بکارگیری بازیکنانی که تیم‌های دیگر آن‌ها را نمی‌خواستند، اما او معتقد است می‌توانند بازگشت سرمایه قابل توجهی داشتهه باشند، روش سنتی جذب استعداد‌ها در بیس‌بال را زیر سوال برده است. او این کار را با تکیه بر حس زیرکانه خود مبنی بر اینکه کدام بازیکن را بکار گیرد انجام نداده، بلکه با استفاده از یک فرمول ریاضی تجزیه و تحلیل رگرسیون در مورد آمارهای بازیکنان استفاده کرده تا نشان دهد کدام آمار‌ها در مورد برد بازی‌های بیس‌بال پیش‌گویانه‌ترند. قوانین ریاضی نتایج را پیش‌بینی کرد و به او گفت چه بازیکنانی را جذب کند. بین این پیش‌بینی‌ها را برای مزیت رقابتی تیمش دنبال کرد. فرصت‌ها برای بکارگیری چنین رویکردی در همه جا وجود دارند. شرکت ۶Sense شرکتی جدید در حوزه SaaS است که ترافیک سایت تجاری-تجاری (B۲B) و داده‌های شخص سوم را تحلیل می‌کند تا پیش‌بینی کند کدام مشتریان به احتمال زیاد از شما خرید خواهند کرد، چه چیزی خواهند خرید، خرید آن‌ها در چه زمانی اتفاق می‌افتد و چقدر هزینه خواهند کرد. آن‌ها مانند آقای بین به قوانین مرسوم برای پیش‌بینی رفتار مشتری تکیه نمی‌کنند. شرکت ۶Sense به این نتیجه رسیده که این اکتشاف‌ها تنها ۵۰ درصد پیش‌بینی دقیق را موجب می‌شوند که برای اینکه فروشنده را وادار به پذیرفتن و اطمینان کردن به نتایج کنیم، کافی نیست. این شرکت در عوض از انواع مدل‌های آماری استفاده می‌کند تا روابط پیش‌بینی نشده‌ای را که دقت پیش‌بینی ۸۵ تا ۹۰ درصدی دارند و توجه نماینده فروش را جلب می‌کنند، آشکار کند.

۲) حلقه‌های یادگیری داده ایجاد کنید
گوگل از شکل بسیار قدرتمند «اثر شبکه» (Network) بهره می‌برد. هر چقدر تعداد جست‌وجو‌ها و کلیک‌های ناشی از آن بیشتر باشد، بهتر به محتوایی که فرد جست‌وجوکننده به دنبال آن است، پی می‌برند. این امر، الگوریتم‌های جست‌وجو را بهتر می‌کند که باعث می‌شود جست‌وجوی بیشتری صورت گیرد و کیفیت جست‌وجو متغیر باشد. گوگل همچنین حلقه‌های آموزشی داده را با انتخاب اینکه کدام آگهی برای کدام نتیجه جست‌وجو نشان داده شود، در محصول AdWords خود بکار می‌گیرد و این کار نه تنها بر اساس پیشنهاد آگهی‌دهنده صورت می‌گیرد، بلکه پیش‌بینی گوگل در مورد اینکه کدام آگهی بیشتر از سوی کاربر کلیک می‌شود هم تاثیرگذار است. در اصل، یک تجربه خردمندانه هر زمان که نتیجه یک جست‌وجو به کار می‌آید، اداره می‌شود.

۳) فقط توصیف نکنید، پیش‌بینی و تجویز هم داشته باشید
ممکن استت برخی این سوال را داشته باشند که راه حل‌های داده محور نامی جدید برای هوشمندی کسب‌وکار است. اما این تفکر درست نیست. بسته‌های تحلیلی اغلب باا مرتب‌سازی و فیلتر کردن داده‌های شما، آنچه اتفاق می‌افتد را توصیف می‌کنند تا حاصل جمع‌ها، میانگین‌ها و خطوط روند را به شکل جدول و نمودار نشان دهند. راه حل‌های داده محور با استفاده از داده‌هایی برای پیش‌بینی و حتی تجویز یا اجرای اقدامات، بسیار فرا‌تر از این می‌روند. نمونه خوب این امر صنعت خرده‌فروشی است.

“راه‌حل‌های داده‌-محور از پردازش داده الگوریتمی بر روی داده‌های شما و نیز داده‌های خارجی یک شخص سوم که با اکوسیستم‌های ابری و API‌ها دسترس‌پذیر است، استفاده می‌کنند.”

۴) داده مهم نیست، بر راه حل‌ها متمرکز شوید
بسیاری از شرکت‌ها خود را شرکت‌های «داده بزرگ» می‌دانند، اما تا زمانی که به بخش‌های IT که مشکلات آن‌ها مدیریت داده‌های فراوان را دربرمی‌گیرد، فروش نداشته باشید، بیشتر مشتریان کسب‌وکار به داده‌ها اهمیتی نمی‌دهند، بلکه حل مشکلات کسب‌وکار برای آن‌ها مهم است. شرکت Athenahealth به پزشکان کمک می‌کند دستمزد خود را سریع‌تر دریافت کنند. گردش جریان نقدی برای پزشکان اهمیت زیادی دارد و در نتیجه این شرکت به سرعت رشد کرده و اکنون یکی از بزرگ‌ترین شرکت‌های SaaS است. پزشکان اهمیتی نمی‌دهند که شرکت Athena دقیقا چه کاری انجام می‌دهد. کار آن‌ها تحلیل آماری حجم گسترده داده‌های مطالبات بیمه و استفاده از حلقه‌های آموزش است. تیم شرکت Athena قوانین پزشکی و خود پزشکان را به خوبی می‌شناسد و خود را راه حلی برای مشکلات واقعی شناسانده است. در حقیقت، کلمه «داده» حتی یک بار هم در صفحه اصلی آن‌ها ظاهر نشده است.

۵) استراتژی افقی: حل مشکلات تازه به شیوه‌های تازه
فراهم کردن اپلیکیشن برای کارکردهای افقی کسب‌وکار، مانند فروش، تامین مالی یا منابع انسانی که در صنایع مختلف عملکرد مشابهی دارند، بیانگر فرصت‌های فراوانی هستند، چون اندازه بازار بسیار بزرگ است. در نتیجه، متصدیان قدرتمند SaaS مانند Salesforce.com یا Netsuite در هر یک از این حوزه‌های کارکردی وجود دارند.‌‌ همان طور که انتظار می‌رود، این فعالان اپلیکیشن‌های داده محور را به پیشنهادهای خود اضافه می‌کنند. خوشبختانه، برای بنگاه‌های نوپا، چالش‌های کسب‌وکار دائما در حال تغییر است که این امر فرصت‌هایی را برای اول بودن در حل مشکلات ایجاد می‌کند. به عنوان مثال، در حوزه بازاریابی «بازاریابی محتوا» داغ‌ترین روند تازه است و رویکرد بازاریابی دیجیتال با بیشترین افزایش تخصیص بودجه مواجه است. با این حال، بازاریاب‌ها به شدت سردرگم شده‌اند که چه محتوایی را تولید کنند، چگونه آن را تولید کنند، کجا و چگونه آن را توزیع کنند و به طور خاص، چگونه میزان بازگشت سرمایه را اندازه بگیرند. شرکت Captora بنگاه نوپایی است که با تخصص داده و دامنه این مشکل تازه را حل کرده و شاهد رشد سریع است و با استفاده از این مزیت، پیش از اینکه رقیب مستقیم دیگری پیدا شود، پایگاهی انحصاری برای خود ایجاد کرده است. آن‌ها با اطلاع از تجربه تیم، خارج از گود نمی‌مانند، بلکه سرعت خود را افزایش می‌دهند تا راه حل‌ها را همگام با چالش‌های جدید بازاریاب‌های مدرن، گسترده کنند.

۶) استراتژی عمودی: تغذیه گرسنگان
ارائه راه حل‌های عمیق در صنایع خاص عمودی مانند بهداشت، سرگرمی یا آموزش می‌تواند یک فرصت بزرگ باشد. این موضوع به خصوص در صنایعی که حجم گسترده داده وجود ندارد یا دسترسی به آن سخت است، صادق است. اگر یک راهکار داده-محور بتواند به داده‌های جدید دسترسی پیدا کند، آن‌ها را تفسیر کند یا داده‌های جدید ایجاد کند و از این داده‌ها برای حل یک مشکل بزرگ استفاده کند، واکنش بازار مثل یک فرد بسیار گرسنه خواهد بود که غذایی گرم و مفصل به او پیشنهاد می‌شود.

۷) استراتژی عمودی
در حالی که برخی صنایع اولین داده‌های بزرگ را امتحان می‌کنند، دیگر صنایع مانند هواپیمایی، تجارت الکترونیک و سرمایه‌گذاری، مدت‌ها است که ورودی و ذخایر داده‌های بزرگ پیچیده‌ای در اختیار دارند. در این حوزه‌ها، یک مزیت افزایشی که توسط راه حل عمودی داده-محور ارائه شده، می‌تواند کاملا ارزشمند باشد.

۸) راه‌حل‌های مصرف‌کننده نیز به کمک داده اداره می‌شود
استفاده از Uber یک تجربه جادویی است. دکمه‌ای را روی تلفن همراه خود فشار دهید و ظرف چند دقیقه خودرویی جلوی چشم شما ظاهر می‌شود که می‌توانید با آن به هر جایی بروید و دیگر نیازی به تلفن زدن، رزرو کردن، پرداخت پول و حتی زیاد منتظر ماندن نیست. اگر Uber به سادگی پیام‌هایی را به رانندگان در مورد مشتریانی که نیاز به خودرو دارند بفرستد، باز هم سیستم خوبی محسوب می‌شود، اما از آنجایی که مشتری همچنان باید صبر کند، دیگر جادویی محسوب نمی‌شود. در عوض، Uber از تحلیل‌ آماری در مورد داده‌هایی که از طرف رانندگان به دست می‌آورد استفاده می‌کند تا پیش‌بینی کند تقاضا در چه مناطقی بیشتر است و به رانندگان پیشنهاد می‌کند در این منطقه جمع شوند تا مشتری کمترین زمان را صرف کند.

Source: forbes