کلان داده

زمینه و هدف: فناوری کلان داده در منابع انسانی، از فناوری های نوظهوری است که با رشد حجم داده ها و اطلاعات به وجود آمده است. استفاده از کلان داده در سایر حوزه های مدیریت، از جمله بازرگانی و فروش و همچنین، مدیریت صنعتی استفاده شده است؛ اما در حوزه منابع انسانی چندان شناخته شده نیست. ایده پشت منابع انسانی داده محور، کمک به تصمیم گیری های هوشمندانه تر متولیان منابع انسانی در خصوص سازمان و فعالیت های حوزه منابع انسانی و ایفای نقش شریک استراتژیک است؛ اما با وجود اهمیت و ضرورت آن در حوزه مدیریت منابع انسانی، آنچنان از بینش عملی و نتایج آن استفاده نشده است. یکی از دلایل مهم آن، نبود نقشه راه و روش مناسب برای طراحی و پیاده سازی تجزیه وتحلیل آن است. هدف از پژوهش حاضر، ارائه نقشه راه طراحی و پیاده سازی تجزیه وتحلیل در حوزه مدیریت منابع انسانی است. روش: این پژوهش با استفاده از روش کیفی فراترکیب اجرا شده است. ابزار گردآوری داده ها و اطلاعات در پژوهش حاضر، اسناد و مدارک گذشته در این زمینه بوده و به طور کلی ۶۰ مقاله را شامل می شود. شیوه تحلیل داده ها بر اساس کدگذاری باز است. یافته ها: نقشه راه تجزیه وتحلیل در حوزه مدیریت منابع انسانی، از سه لایه زیرساخت، فرایندها و اهداف تشکیل شده است که هر لایه، مقوله های اصلی دیگری را دربردارد. مقوله های لایه زیرساخت عبارت اند از: زیرساخت فناوری اطلاعات، زیرساخت سرمایه انسانی، زیرساخت مدیریتی و رهبری و زیرساخت سازمانی. مقوله های لایه فرایندها عبارت اند از: فعالیت های پشتیبانی، فعالیت های اصلی و فعالیت های ارزیابی و توسعه ای. مقوله های لایه اهداف نیز عبارت اند از: تصمیم سازی و تصمیم گیری در سازمان، خلق ارزش برای منابع انسانی، بهبود عملکرد سازمانی، حفظ و ارتقای سرمایه انسانی از طریق توسعه و برنامه ریزی کمّی و کیفی و سنجش و پیش بینی نگرش های شغلی و رفتاری. نتیجه گیری: نقشه راه ارائه شده می تواند به مثابه یک راهنمای عملی و اقدام اجرایی، در اختیار مدیران و مسئولان حوزه منابع انسانی سازمان قرار گیرد تا بتوانند ضمن شناسایی ضرورت بررسی حجم انبوه داده های این حوزه و کشف بینش عملی، راه کار و اقدام های اجرایی، از نتایج ممتاز و برجسته آن در تمامی اقدام ها و فعالیت های حوزه منابع انسانی بهره ببرند.

کلان داده یکی از مفاهیم مهم در حوزه فناوری اطلاعات است که به معنای مجموعه ای از داده های بزرگ، پیچیده و با تنوع بالا است که با استفاده از روش های مختلف فراهم می شود. بانکداری به عنوان یکی از صنایع حساس و پویا، از داده های بزرگ برای تصمیم گیری های استراتژیک و بهبود فرایندهای کسب و کار استفاده می کند. در این مقاله مروری، به بررسی کاربردهای کلان داده در صنعت بانکداری پرداخته شده است. از جمله موضوعاتی که در این مقاله مورد بررسی قرار گرفته شامل: تحلیل رفتار مشتریان، پیش بینی خطرات امنیتی، بهبود تجربه مشتری، بهبود فرایندهای داخلی، بهینه سازی مدیریت ریسک و تصمیم گیری های استراتژیک است. این مقاله نشان می دهد که استفاده از کلان داده در صنعت بانکداری می تواند بهبود قابل توجهی در انجام فعالیت های بانکداری و همچنین افزایش سودآوری برای بانک ها به دنبال داشته باشد.

در سال های اخیر رویکرد پزشکی سیستمی با تکیه بر کلان داده ها، ادعاهایی مثل توانایی برقراری ارتباط بین وضعیت فردی بیماران با یکدیگر، نظام مند تر کردن و دقیق تر کردن پزشکی داشته است. هدف از این مطالعه تحلیل و نقد محوریت کلان داده ها در پزشکی سیستمی به عنوان پاسخی برای حل مناقشه پزشکی مبتنی بر شواهد یا بیمارمحور است. کلیدواژه های مرتبط (پزشکی مبتنی برشواهد، پزشکی بیمارمحور، پزشکی سیستمی، کلان داده) در پایگاه های داده PubMed, Scopus, web of science و موتور جست وجوگر Google Scholar جست وجو شد. بعد از محدود کردن استراتژی سرچ و حذف کردن موارد تکراری مقالات باقی مانده از طریق مرور عنوان و چکیده غربال شدند. در نهایت، متن کامل مقالات غربال شده ارزیابی شد و نتیجه گیری کلی گرفته شد. نتایج بررسی مطالعات نشان می دهد یکی از بحران های پزشکی مدرن فاصله گرفتن روز افزون پزشکی بیمارمحور و مبتنی بر شواهد از یکدیگر است و برای حل این مشکل هرکدام از این رویکردها باید تن به تغییراتی دهند. پزشکی بیمارمحور باید در جهت نظام مندتر کردن و قابل مقایسه کردن داده های خود تلاش کند و پزشکی مبتنی برشواهد بر فردی تر شدن داده ها تمرکز کند. براساس پندار نویسندگان پزشکی سیستمی با نگاه آماری به پزشکی موجب فاصله بیشتر پزشکی مبتنی بر شواهد وبیمارمحور خواهد شد و ضمن اینکه گفتوگوی موثر میان این دوجهان را ناممکن تر می کند، می تواند اهداف و عملکرد فعلی آنها را نیز منحرف کرده و آتش مناقشات زیربنایی مثل پزشکی انسان باورانه-زیست پزشکی، کثرت گرایی-تعمیم گرایی، اصالت ناخوشی-اصالت بیماری و... شعله ورتر کند، بنابرین پزشکی باید در محول کردن وظایفی که کلان داده توان به دوش کشیدن آن را ندارد هوشیارانه عمل کند تا بحران های فعلی آن تشدید نیابد.

در چند سال اخیر، با گسترش انقلاب صنعتی چهارم و رشد روند های فرافناورانه ای مانند هوش مصنوعی به عنوان یک بزنگاهِ حساس بین المللی، ژئوپلیتیک دچار تغییر و تحول شده است. اساساً آشنازدایی از بستر های علمی سیاست خارجی و روابط بین الملل در خوانش های کلاسیک و روایت سازی هایی از مسئله وارگی و مسئله بودگی سیال در این حوزه با تأکید بر روند هایی چون هوش مصنوعی و کلان داده ها منجر به تغییر ژئوپلیتیک به فرا – ژئوپلیتیک شده که این تحولات و ترتیبات نوین بستری برای تغییر رقابت های بین المللی است. این مقاله با مفروض گرفتن رقابت های ژئوپلیتیکی دولت ها در قالب هوش مصنوعی و با بهره گیری از روش تحلیلی – توصیفی به دنبال پاسخ به این سؤال است که ژئوپلیتیک چگونه توسط هوش مصنوعی و کلان داده ها دچار تحول شده است؟ یافته های پژوهش نشان می دهد که هوش مصنوعی منجر به بازطراحی کارکرد ژئوپلیتیک در عصر کلان داده ها و رقابت های الگوریتمی گردیده است.  

گردشگری بخشی است که مستقیم یا غیرمستقیم با پیشرفت های فنّاوری مرتبط است. اخیراً فنّاوری کلان داده فرصت های چشمگیری را برای هوشمند سازی صنعت گردشگری فراهم کرده است. بر این اساس، پژوهش حاضر با هدف بررسی تأثیر عوامل مؤثر در پذیرش فنّاوری کلان داده به ارزیابی میزان تأثیر ده مؤلفه از ابعاد سه گانهٔ چهارچوب پذیرش فنّاوری TOE در پذیرش کلان داده در بخش گردشگری پرداخته است. پژوهش حاضر، از نظر جهت گیری، کاربردی و، از منظر نوع و نحوهٔ جمع آوری اطلاعات، پیمایشی - توصیفی است. نمونهٔ آماری پژوهش شامل صد نفر از کارکنان، کارشناسان و مدیران واحد فنّاوری اطلاعات در حوزهٔ گردشگری بودند که با استفاده از پرسش نامهٔ محقق ساخته و روش نمونه گیری در دسترس انتخاب شدند. سپس، داده های پژوهش با استفاده از نرم افزارهای SPSS22 و Smart PLS3 تجزیه وتحلیل شدند. طبق یافته ها، عوامل مزیت نسبی ادراک شده، حمایت خارجی، فشار خارجی، حمایت مدیر، آمادگی منابع انسانی، ساختار متمرکز، فرهنگ داده محوری و پیچیدگی در پذیرش کلان داده در گردشگری مؤثر بوده اند، اما از دو عامل سازگاری و آمادگی فنی تأثیر معناداری حاصل نشد. بنا بر نتایج پژوهش، با توجه به اهمیت بالای درک مزیت نسبی و عدم تأثیر چشمگیر سازگاری و آمادگی فنی، توجه به معرفی و کاربرد یک نوآوری بیش از امکانات و توانمندی تکنولوژیک فعلی سازمان ها برای پذیرش آن نوآوری اهمیت دارد.

افزایش نفوذ اینترنت در بین اقشار مختلف، در کنار گسترش شبکه های اجتماعی، انواع پلتفرم های مالی، پیام رسان ها، اپلیکیشن های خدماتی و ... به تدریج باعث فزونییافتن مقدار داده های تولید شده توسط مردم شده است. حجم فراتر از حد تصور این داده ها که در بسترهای گوناگون و با اهداف متفاوت تولید شده اند، به تدریج آنها را تبدیل به منبعی غنی برای تحقیقات اجتماعی کرده است. علی رغم مباحث زیادی که حول کلان داده ها و کاربرد هوش مصنوعی در شناسایی و استخراج ایده های پژوهشی از دل آنها در حداقل برخی محافل علمی علوم اجتماعی ایران در جریان است، استفاده کاربردی و عملیاتی از این داده ها در عمل با دشواری های روبرو است. این مقاله سعی دارد ضمن تشریح مسائل پیش روی تحلیل داده های بزرگ در فضای تحقیقات علوم اجتماعی ایران امروز، به معرفی چند نرم افزار و ابزار کاربردی در این حوزه بپردازد. از جمله موارد قابل ذکر می توان به نرم افزار Gephi (نرم افزاری متن باز و مبتنی بر شبکه برای تجسم و تحلیل داده های پیچیده شبکه ای) و نرم افزار Pajek (نرم افزاری شبکه محور و دارای ابزارهایی چون الگوریتم مرتب سازی، کاوش و خوشه بندی)، نرم افزار R Studio، ابزار Ngram، ابزار Looker Studio و فناوری Hadoop اشاره کرد که هریک کاربردهای خاص خود را دارد. در این مقاله سعیشده است با معرفی دقیق ترموارد قابل کاربرد در تحلیل کلان داده ها، مسیری برای خلق ایده های پژوهشی ترسیم گردد.

این پژوهش با هدف توسعه سناریوهای بانکداری ایران با تأکید بر کلان داده ها انجام شده است. پژوهش حاضر از نظر جهت گیری، کاربردی و از منظر هدف، اکتشافی است. همچنین از نظر مبانی فلسفی، عملگرا و روش شناسی آن آمیخته است. برای اجرای پژوهش در مرحله اول از طریق مرور ادبیات و مصاحبه با خبرگان حوزه بانکداری و فناوری که بر اساس نمونه گیری هدفمند انتخاب شدند، 20 پیشران کلیدی پژوهش استخراج گردید. پس از غربال با روش دلفی فازی، 8 عامل حذف گردید و مابقی با تکنیک تصمیم گیری مارکوس مورد ارزیابی قرار گرفتند. یافته های پژوهش نشان داد، دو عامل «رگولاتوری فناوری» و «هزینه های انتقال فناوری» به عنوان عدم قطعیت های کلیدی برای تدوین سناریوهای پژوهش می باشند. بر اساس این دو عدم قطعیت کلیدی، چهار سناریو بر اساس مصاحبه با گروه کانونی با عناوین بانکداری جامع، بانکداری ایستا، بانکداری جستجوگر، بانکداری سرگردان توسعه یافت. در سناریو بانکداری جامع، همه چیز در حالت مطلوب خودش هست؛ هزینه های انتقال فناوری کاهش پیدا کرده و رگولاتوری ها حامی فناوری ها است. با توجه به یافته های پژوهش، در نظر گرفتن پیشران ها، عدم قطعیت های کلیدی و سناریوهای بدیل، توسط مدیران و تصمیم گیرندگان می تواند موجب بهبود عملکرد و افزایش مزیت رقابتی بانک ها شود.

مقاله پیش رو به شناسایی زمینه های کاربرد و چگونگی بهره برداری از کلان داده ها در بازاریابی می پردازد. رشد روزافزون داده های حاصل از فعالیت کاربران در اینترنت، شبکه های اجتماعی، رایانش ابری، حس گر ها و تلفن های همراه؛ حجم زیادی از کلان داده مرتبط با حوزه بازاریابی را تولید کرده است. پردازش مداوم این داده ها باهدف فهم روابط، الگوها و چارچوب های بنیادی به ضرورتی انکارناپذیر تبدیل شده است. در این پژوهش بر اساس منطق حا کم بر روش تحقیق فراترکیب، 47 منبع با بهره گیری از متدولوژی کسب بررسی و زمینه های کاربرد کلان داده در بازاریابی شناسایی و اولویت بندی شدند. پس از تجزیه وتحلیل مقالات 170 کد با روش کدگذاری زنده و کدگذاری بر اساس سازه های جامعه شناختی استخراج و در 21 تم و 7 مقوله دسته بندی شدند. به صورت خلاصه و بر اساس مدل مستخرج از یافته های پژوهش می توان چهار بخش: ارزش استراتژیک کلان داده در بازاریابی؛ ارزش اطلاعاتی؛ فرایند تولید و بازتولید اثر و هسته مرکزی مدل را تفکیک کرد. بر این اساس در لایه اول ارزش استراتژیک کلان داده مطرح می گردد. افزایش سطح بینش و تصمیم گیری هوشمندانه و به موقع و بهبود موضع رقابتی و ... در این لایه مطرح می شود؛ این لایه سطح دوم یعنی ارزش اطلاعاتی را متأثر کرده و درنهایت فرایند تولید و بازتولید اثر کلان داده در تصمیم گیری و سیاست گذاری های حوزه بازاریابی را در فرآیندی هم افزا متأثر خواهد کرد. مجموع اثرات این مدل بر فرآیندهای جذب و حفظ مشتری اثرگذار خواهد بود که از آن می توان به عنوان هسته مرکزی مدل یادکرد.

مقدمه این ویژه نامه هوش مصنوعی را مورد بحث قرار می دهد که معمولاً به عنوان «توانایی یک سیستم برای پردازش صحیح داده های خارجی، یادگیری از همان داده ها و استفاده از آن دانش از طریق سازگاری و انعطاف پذیری برای دستیابی به اهداف و وظایف خاص» تعریف می شود. این مقاله هفت پژوهش منتشر شده در این ویژه نامه از چندین متخصص برجسته جهان که دیدگاه های متنوعی در مورد هوش مصنوعی ارائه می کنند را خلاصه می کند و با ارائه یک چشم انداز جامع در مورد آینده هوش مصنوعی و با ترسیم چشم اندازهای خرد و کلان به پایان می رسد.

پژوهش حاضر با هدف ارائه چارچوبی مفهومی برای به کارگیری کلان داده ها در آموزش عالی، اجرا شد. نوع پژوهش، کاربردی و از روش توصیفی- تحلیلی بهره گرفته شده است. بررسی مفاهیم کلان داده ها از سال 2001 آغاز شده که در بسیاری از کشورها این مفهوم نخست در حوزه تجارت مورد توجه قرار گرفته و پس از آن از سال 2011 به طور مشخص وارد حوزه آموزش عالی شده است. یافته های پژوهش نشان می دهند با توجه به حجم داده هایی که هر یک از بازیگران آموزش عالی در سه بخش فعالیت های نهادی، برنامه های دانشگاهی و آموزش تولید می کنند، نیاز به فهم ارتباط میان داده ها، برای برنامه ریزی و سیاست گذاری بیش از پیش احساس می شود. از مهم ترین این یافته ها می توان به تولید و ثبت داده های ساخت نیافته در آموزش عالی، نبود ساختاری یکپارچه برای مدیریت داده های ساختمند با تنوع ساختاری، اهمیت بعد اجتماعی در برابر بعد فنی آن و کاربرد چشم گیر کلان داده ها در آموزش اینترنتی اشاره کرد. درنهایت، در این مطالعه با توجه به ساختار و مدیریت نظام آموزش عالی در ایران، الگویی در سه سطح دانشگاه، استان و منطقه برای یکپارچه سازی داده های تولید شده در بخش های آموزش، پژوهش، برنامه درسی، آموزشگران و مطالب آموزشی و داده های آموزشی پیشنهاد شده است.

در دنیای امروزی، شبکه های اجتماعی که بخشی از زندگی روزمره انسان ها شده اند، از جمله توییتر، تلگرام، اینستاگرام و غیره، روز به روز در حال افزایش و گسترش هستند. لذا تعداد کاربران آن ها نیز در حال افزایش است و در نتیجه، حجم داده زیادی در این شبکه ها در حال تبادل و ذخیره سازی است که این حجم عظیم داده، شبکه های اجتماعی به خصوص توییتر را تبدیل به کلان داده کرده است. مدیریت، سامان دهی و هرس کردن این کلان داده ها و همچنین، پیش بینی رفتار کاربران شبکه های اجتماعی امری بسیار مهم است. یکی از روش های مهم و تأثیرگذار برای پیش بینی علاقه کاربر در شبکه های اجتماعی، تکنیک های طبقه بندی است که در اغلب کاربردها و پژوهش های موجود در پیشینه تحقیق، هنوز در معیارهایی مانند دقت و صحت پیش بینی ضعف دارند. در این مقاله، به منظور پیش بینی علاقه کاربر در شبکه های اجتماعی توییتر، از روش طبقه بندی تجمعی مبتنی بر رأی گیری که دارای دو گام اساسی است، استفاده شده است. در گام نخست، با بهره گیری از الگوریتم های طبقه بندی پایه ای شامل نزدیک ترین همسایه، درخت تصمیم، جنگل تصادفی و بیزین ساده، خروجی های هر طبقه بندی حاصل می شوند. در گام دوم، خروجی نهایی طبقه بندی تجمعی با استفاده از روش رأی گیری محاسبه می شود. نتایج آزمایش ها بر روی مجموعه کلان داده های شبکه اجتماعی توییتر و براساس معیارهای دقت، صحت و پوشش، استدلال بر این دارد که روش پیشنهادی طبقه بندی تجمعی مبتنی بر رأی گیری، نتایج مطلوب تری را نسبت به الگوریتم های دیگر داشته است.  

دنیای دیجیتال فرصت های متعددی را برای بازاریابان فراهم می کند تا به مشتری دسترسی پیدا کنند. بااین حال، در دنیای پرسرعت، یافتن راه های جدید و نوآورانه برای تبلیغات و فروش محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه تبلیغات و فروش، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، بازاریابی، تبلیغات و فروش دارند. محبوبیت روزافزون اینترنت و افزایش استفاده از دستگاه های تلفن همراه، حجم عظیمی از داده ها را برای مصرف کنندگان تولید می کند که سیستم های مبتنی بر هوش مصنوعی را تغذیه می کنند. این پژوهش از نوع پژوهش های آمیخته با رویکرد کیفی و کمی است که ازنظر هدف، کاربردی و ازلحاظ نح وه گ ردآوری داده، از نوع مطالعات توصیفی پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان متخصص در حوزه بازاریابی دیجیتال و IT در حوزه تبلیغات و فروش، بودند که با استفاده از روش نمونه گیری گلوله برفی انتخاب شدند. در بخش کیفی ابزار گردآوری اطلاعات، بررسی کتابخانه ای و مقالات، مصاحبه و در بخش کم ی پرسشنامه بود. در بخش کیفی روش تحلیل داده ها، با استفاده از تحلیل تم که با نرم افزار MAXQDA و ب ا استفاده از روش کدگذاری تدوین شد و در بخش کمی، روش تحلیل بر مبنای آزمون همبستگی کندال بود. مطابق با نتایج پژوهش، 7 تم اصلی، 22 تم فرعی و 44 کد کشف شدند که شامل پیامدهای کاربرد هوش مصنوعی و یادگیری ماشین در تبلیغات و فروش بودند.