مقدمه

امروزه داده‌ها به‌طور گسترده‌ای در همه جا وجود دارند و به یکی از مهم‌ترین دارایی‌های سازمان‌ها، حکومت‌ها و البته پژوهشگران تبدیل شده‌اند. از اطلاعات شخصی ما گرفته که البته توی ایران اوپن‌سورس شده تا تراکنش‌های تجاری، میزان داده‌هایی که هر روز تولید می شود، خیره‌کننده است. اما دسترسی به داده‌ها به تنهایی کافی نیست؛ بلکه نیازمند متخصصانی هست که توانایی تحلیل و تفسیر داده‌ها را داشته باشند. کسی که با داده‌ها سر و کله بزنه و اونا رو وَرز بده تا منجر به تصمیم‌گیری‌های هوشمندانه‌‌‌ای مبتنی بر داده بشه یا اگر در علوم اجتماعی محاسباتی استفاده بشه به شناسایی و تحلیل یک مساله اجتماعی برسه. 

علیرضا چمن زار، که خود از دانش آموختگان علوم اجتماعی دانشگاه علامه طباطبایی است و به عنوان متخصص تحلیل کسب و کار فعالیت می‌کند، به شما می گوید که چگونه می توانید از مهارت های خود در این حوزه استفاده کنید و به یک تحلیلگر داده موفق تبدیل شوید.

نمونه‌های موفق

نمونه‌های علوم اجتماعی محاسباتی

پژوهش نظرسنجی‌های موبایلی در کشورهای در حال توسعه که در قالب یک کتاب توسط بانک جهانی در سال ۲۰۱۶ منتشر شده،  به بررسی کاربردها و مزایای استفاده از نظرسنجی‌های تلفن همراه برای جمع‌آوری داده‌ها در کشورهای در حال توسعه می‌پردازد. این پژوهش با هدف بهبود جمع‌آوری داده‌ها برای توسعه در کشورهای فقیر انجام شده است. به جای تکیه بر نظرسنجی‌های نمونه‌ای یا سرشماری‌های سنتی، پژوهشگران از داده‌های بزرگ تلفن همراه استفاده کرده‌اند تا تخمین‌های دقیق‌تر و گسترده‌تری از وضعیت فقر در این کشورها ارائه دهند. 

1. 1. این تیم با همکاری بزرگترین ارائه‌دهنده تلفن همراه در رواندا، داده‌های تراکنش‌های ناشناس حدود 1.5 میلیون کاربر را بین سال‌های 2005 تا 2009 جمع‌آوری می‌کند.

1. 1. داده‌ها چیا بودن؟ داده‌ها شامل اطلاعاتی درباره زمان شروع، مدت زمان و مکان جغرافیایی تقریبی هر تماس و پیام متنی بودند.

1. 1. مدل‌سازی یادگیری ماشینی (جلوتر در مورد مدل‌سازی و یادگیری صحبت می‌کنیم): پژوهشگران یک مدل یادگیری ماشینی می‌سازند که که از رکوردهای تماس برای پیش‌بینی پاسخ‌های نظرسنجی استفاده می‌کنه.

1. 1. برای آموزش و ساخت مدل، پژوهشگران با همکاری موسسه فناوری و علم کیگالی یک نمونه تصادفی از حدود هزار کاربر را نظرسنجی کردند.

1. 1. پس از آموزش مدل، از آن برای پیش‌بینی پاسخ‌های نظرسنجی تمامی 1.5 میلیون کاربر استفاده شد.

نتیجه پژوهش:

1. 1. تخمین وضعیت مالی: با ترکیب داده‌های مکانی و تخمین‌های وضعیت مالی، پژوهشگران توانستند توزیع جغرافیایی ثروت کاربران را با دقت بالا تخمین بزنند.

1. 1. نتایج این تخمین‌هایی که زدن با نتایج سرشماری‌ها و نظرسنجی‌های دموگرافیک و بهداشتی مقایسه شد و شباهت‌های زیادی بین آنها مشاهده شد، که نشان‌دهنده دقت بالای روش استفاده شده است.

1. 1. اگر چه دقت تخمین‌ها در سطح فردی تا حدودی پرنوسان بود، اما در مجموع توانستند تصویری دقیق از وضعیت فقر در مناطق مختلف رواندا ارائه دهند.

نتیجه‌ نهایی این که میشه با کلان‌داده‌ها و هزینه‌ی به مراتب‌ پایین‌تر به نتایج دقیقی رسید و نتیجه موفق این تیم استارتی شد برای پژوهش‌های این چنینی در کشورهای در حال توسعه دیگر.

نمونه‌ی تحلیل داده در کسب و کار

کسب و کارها که بسیار پیش‌تر از دانشمندان علوم اجتماعی با تحلیل داده آشنا بودند و برای نمونه میشه قصه یوتیوب رو تعریف کرد که با تحلیل داده‌های مخاطبان و ساخت و بهینه‌سازی الگوریتم‌های توصیه ویدئوی شخصی‌سازی شده‌ش، مخاطبش رو یه جوری توی سایت نگه میداره که میشه دومین سایت پربازدید دنیا. این داده‌ها از تاریخچه تماشای کاربر شروع میشه، تا لایک و نظرات و save کردن و … که البته تا اینجاش حداقلش اینه که داده‌ها ملموس هستند. اما طبق گزارشاتی داده‌های دیگه یوتیوب خیلی دقیق‌تره، در حدی که برای مثال زمانی که در حال اسکرول کردن هستید و یکی دو ثانیه روی ویدئویی مکث می‌کنید، این رو به عنوان علاقه یوزر تعریف می‌کنه و ا به خودت میای اکسپلوررت پر شده از اون ژانر.

یا قصه فروشگاه اینترنتی آمازون؛ آمازون هم مثل شرکت‌های بزرگ دیگه علاقه‌ی زیادی به جمع‌آوری همه‌ی داده‌های کاربراش داره و به قول اون جمله مشهور Data is information, and information is power می‌دونه که این داده‌ها چه ارزشی براش دارند. این داده‌ها از اطلاعات شخصی و پرداختی مشتریان فروشگاه تا آی‌پی و مدل و نوع دستگاه‌هایی که کاربر با آن به شبکه آمازون متصل شده‌است را تشکیل می‌دهد و این داده‌ها در مسیر شخصی‌سازی تجربه کاربری، تبلیغات هدفمند و تحلیل بازار و در نهایت تصمیم‌گیری‌های استراتژیک استفاده می‌شود. راه‌اندازی سرویس Amazon Prime  و فروش باورنکردنی ناشی از آن از دل تحلیل‌های داده‌های کاربران و علاقه‌ی مشتریان وفادار به تحویل سریع کالا بود.

داده Data چیست؟

داده (Data) به مجموعه‌ای از حقایق، اعداد، اندازه‌گیری‌ها، مشاهده‌ها و اطلاعات خام اشاره دارد که می‌تواند به شکل‌های مختلفی مثل اعداد، متون، تصاویر، ویدیوها، صداها و… باشد. این داده‌ها به خودی خود ممکن است معنای خاصی نداشته باشند، اما وقتی که به شکل مناسب جمع‌آوری، سازمان‌دهی، تحلیل و تفسیر شوند، می‌توانند اطلاعات ارزشمندی ارائه دهند که به تصمیم‌گیری‌ها، پیش‌بینی‌ها و حل مسائل کمک کنند.

نسبت تحلیل داده و دانشمند داده با داده

• • داده به عنوان ماده خامی است که تحلیل‌گر داده و دانشمند داده با آن کار می‌کنند. داده‌ها پایه و اساس تمامی فعالیت‌های تحلیل و مدل‌سازی هستند.

• • تحلیل داده فرآیندی است که طی آن داده‌ها تبدیل به اطلاعات می‌شوند. تحلیل‌گر داده با استفاده از تکنیک‌های مختلف سعی می‌کند الگوها، روندها و ارتباطات پنهان در داده‌ها را کشف کند.

• • تحلیلگر/دانشمند داده کسی است که این فرآیند تحلیل را انجام می‌دهد و نقش اصلی در استخراج اطلاعات و دانش از داده‌ها را دارد. دانشمند داده از ابزارها و تکنیک‌های مختلف برای جمع‌آوری، پردازش، تحلیل و مصورسازی داده‌ها استفاده می‌کند تا نتایج معناداری بدست آورد.

بنابراین، داده‌ها اساس و نقطه شروع کار تحلیل‌گر داده و دانشمند داده هستند و این افراد با مهارت‌ها و دانش خود داده‌ها را به اطلاعات قابل استفاده تبدیل می‌کنند.