ویرگول
ورودثبت نام
مهدی ناصری
مهدی ناصریمشاهدات کسی که به تماشا ایستاده | تحلیل‌گر داده‌
مهدی ناصری
مهدی ناصری
خواندن ۱۵ دقیقه·۶ روز پیش

پایان تحلیل‌گر داده، آغاز عصر تحلیل داده

تحلیل‌گر داده: ایستاده در آستانه

سال ۱۴۰۲، وقتی اولین بارقه‌های چت‌جی‌پی‌تی داشت در پهنه تاریخ بشر می‌درخشید، به‌عنوان تحلیل‌گر داده در شرکت دیوار مشغول به کار بودم. آن روزها نزدیک به ۳۵ نفر تحلیل‌گر داده دیگر در شرکت دیوار کار می‌کردند. همان روزها جلسه‌ای گذاشتیم تا درباره آینده کار تحلیل داده در عصر GenAI با هم صحبت کنیم.

آن روزها برایم مثل روز روشن بود که تا یکی دو سال دیگر هیچ‌کدام از ما دیگر تحلیل‌گر داده نخواهیم بود. پیش‌بینی‌ام کمی بدبینانه بود؛ ما هنوز تحلیل‌گر داده هستیم، گرچه تا جایی که می‌دانم در کل شرکت دیوار در مجموع دیگر کمتر از تعداد انگشتان یک دست،‌ تحلیل‌گر داده باقی مانده است. ولی این روزها با اطمینان بیشتری می‌توانم پیش‌بینی آن روزها را تکرار کنم.

روز موعود تحلیل‌گران داده فرا رسیده است. واقعیت، گرچه دیرتر از آنچه تصور می‌کردم، در حال محقق شدن است؛ درست مانند شراره‌های آتش و دود پیش از فوران یک آتشفشان جوان. حالا در سال ۱۴۰۵ ایستاده‌ایم و در کمتر از شش ماه گذشته، نشانه‌های جدی‌تری از این تحول را دیده‌ایم. موقعیت شغلی تحلیل‌گر داده، به شکلی که سال‌ها می‌شناختیم، بی‌شک در آستانه تغییر است. آستانه‌ای که آن سوی آن، هنوز نمی‌دانیم دقیقاً چه چیزی در انتظار ماست؛ اما می‌دانیم احتمالاً دیگر قرار نیست کار و هویت حرفه‌ای ما را با عنوان تحلیل‌گر داده تعریف کنند.

امروز من مدیر یک تیم تحلیل داده در شرکت اسنپ‌مارکت هستم. من و تیمم در شش ماه گذشته آستین‌ها را بالا زده‌ایم تا تغییری بزرگ را رقم بزنیم. تغییری که از کم‌رنگ‌تر شدن جایگاه مستقل شغل تحلیل‌گر داده شروع می‌شود و به جایی می‌رسد که تصویر کاملاً روشنی از آن پیش رو نداریم. تغییری که از یک طرف می‌تواند منجر به ادغام تدریجی جایگاه تحلیل‌گر داده در سایر نقش‌های سازمانی شود و از طرف دیگر، به نفوذ گسترده‌تر تحلیل داده در تمام فرایندهای سازمان منجر شود.

ما تصمیم گرفتیم در انتظار آینده‌ای که دیگران می‌سازند ننشینیم؛ حرکت کنیم و آینده را خودمان بسازیم.

تحلیل‌گر داده به تاریخ پیوست و تحلیل داده جاودانه شد

فرایند تحلیل داده در حال تبدیل شدن به قابلیتی عمومی و در دسترس است. بسیاری از فعالیت‌هایی که تا همین چند سال پیش به تخصص، ابزارهای گران‌قیمت و نیروی انسانی متخصص نیاز داشتند، حالا با کمک هوش مصنوعی با هزینه و زمان بسیار کمتری قابل انجام‌اند.

مهارتی که زمانی می‌توانست مزیت رقابتی مستقلی برای یک فرد یا سازمان ایجاد کند، به‌تدریج به یک قابلیت پایه تبدیل می‌شود. این همان چیزی است که از آن با عنوان Commodity شدن یاد می‌کنیم. وقتی انجام یک فعالیت به‌سادگی و با هزینه پایین در دسترس طیف گسترده‌ای از افراد و سازمان‌ها قرار می‌گیرد، دیگر صرفاً برخورداری از آن فعالیت نمی‌تواند مزیت رقابتی پایداری ایجاد کند.

کار کردن با منابع داده، نوشتن کوئری‌های SQL، شناخت مفاهیم اولیه تحلیل داده، برنامه‌نویسی پایتون، بلد بودن خم‌وچم ابزارهای هوش تجاری و حتی پیاده‌سازی برخی مدل‌های پیشرفته‌تر یادگیری ماشین (پیش‌بینی، کلاسترینگ و ریکامندیشن)، به‌تدریج دیگر مزیتی نیست که شرکت‌ها صرفاً بابت آن به ما، تحلیل‌گران داده، حقوق بالایی پرداخت کنند.

ارزش اقتصادی این مهارت‌ها به‌عنوان یک تخصص مستقل و مزیت رقابتی، در حال کاهش است. با این وجود همچنان به متخصصان یا فرایندهایی برای طراحی زیرساخت‌های داده‌ای، تضمین کیفیت داده، مدیریت پیچیدگی و حل مسائل تخصصی نیاز خواهیم داشت؛ اما صرف توانایی انجام فعالیت‌هایی که روزگاری تخصصی محسوب می‌شدند، دیگر تضمین‌کننده جایگاه حرفه‌ای ما نخواهد بود.

اگر به این حرف باور نداریم، کافی است کلاد، کدکس یا کرسرتان را به منابع داده‌ای و تحلیلی خود، با هر فرمت و سطحی از ساختاریافتگی، متصل کنید تا بخشی از این تغییر را از نزدیک ببینید؛ بسیاری از کارهایی که تا دیروز تخصص ما بودند، امروز به‌سادگی قابل انجام‌اند.

شنیدن این حرف از زبان کسی که بیش از ۱۰ سال در این حوزه کار کرده، برای کسی که تازه می‌خواهد این مسیر را آغاز کند یا در میانه‌های آن است، حتماً سخت و عجیب و حتی فهم‌نشدنی است؛ باید خودمان را برای این واقعیت آماده کنیم.

این به معنای از بین رفتن فرایند تحلیل داده نیست. برعکس، این فرایند چنان ارزان‌تر و در دسترس‌تر می‌شود که به‌تدریج در بطن تمام فرایندهای تصمیم‌گیری، توسعه، بهبود، نگهداری و نوآوری سازمان‌ها قرار خواهد گرفت؛ چنان درهم‌تنیده با سایر فعالیت‌ها که دیگر بعید است کسی بخواهد آن را به‌عنوان یک فعالیت مستقل از سایر فرایندها جدا کند و ارزش مستقلی برای آن تعریف کند.

تحلیل داده قرار نیست از بین برود؛ قرار است در بطن تمام فرایندهای سازمانی نفوذ کند و جاودانه شود.

ما تحلیل‌گران داده مفتخریم که در برهه‌ای از تاریخ، وظیفه «تصمیم‌گیری مبتنی بر داده» را بر عهده داشتیم و بستر فناوری، ابزار و روش‌هایی را ساختیم که حالا فناوری می‌تواند آنها را بسیار سریع‌تر، ارزان‌تر و فراگیرتر از گذشته در اختیار سازمان‌ها قرار دهد.

حالا باید چه کنیم؟

روندهای پیش‌رو در حوزه تحلیل داده، پیامدهای مهمی دارند که می‌توان آنها را به دو دسته کلی تقسیم کرد.

دسته اول پیامدهایی است که متوجه تحلیل‌گران داده می‌شود؛ کسانی که مسیر شغلی خود را در تحلیل داده تعریف کرده‌اند. دسته دوم پیامدهایی است که متوجه کارفرماها می‌شود؛ کسانی که تحلیل‌گران داده را استخدام می‌کنند.

دسته اول باید به این پرسش پاسخ دهند که چه کنند تا در آینده همچنان بتوانند ارزش خلق کنند و درآمد داشته باشند. دسته دوم باید به این پرسش پاسخ دهند که چطور قابلیت تحلیل داده را در فرایندهای تصمیم‌گیری جاری کنند و از مزایای آن بهره ببرند.

برای تحلیل‌گران داده

اولین و ساده‌ترین (و به نظر من بدترین) کار این است که مسیر شغلی‌تان را تغییر دهید.

چرا به نظرم این تصمیم بدترین تصمیم است؟ چون هر مسیر شغلی دیگری در حوزه فناوری انتخاب کنید، لزوماً وضعیت بهتری نخواهید داشت. همه مسیرهای شغلی در حوزه فناوری، به درجات مختلف، با چالش اتوماسیون و جایگزینی فعالیت‌های انسانی مواجه‌اند. مدیریت محصول، توسعه، نگهداری، زیرساخت و حوزه‌های مختلف مهندسی نیز از این تغییرات مصون نیستند. پس وارد شدن به هر حوزه دیگری، صرفاً به امید فرار از این موج، احتمالاً انتخاب درستی نیست؛ به‌خصوص وقتی در آن حوزه تازه‌کار هستید و باید با افراد باتجربه‌ای رقابت کنید که خودشان نیز به ابزارهای هوش مصنوعی مجهز شده‌اند.

آخرین، پیچیده‌ترین و به نظر من شاید عجیب‌ترین راهکار این است که کلاً از حوزه فناوری خارج شوید و تا حد ممکن به زندگی فیزیکی مشتریان نزدیک‌تر شوید. اگر حوصله لوله‌کشی، نجاری و کابینت‌سازی را ندارید، حداقل در لایه‌های عملیاتی مرتبط با نیاز نهایی مشتری، مانند تحویل ارزش و رویارویی واقعی با مشتریان، یا ساخت کسب‌وکارهای کوچک و متوسطی که نیاز مشخصی از دسته‌ای مشخص از مشتریان را در یک موقعیت جغرافیایی خاص برآورده می‌کنند (مثلاً خدمات ورزشی، راهکارهای لجستیک و...) تمرکز کنید.

البته این مسیر هم لزوماً برای همه مناسب نیست. اما نکته مهم این است که هرچه به نقطه واقعی خلق و تحویل ارزش به مشتری نزدیک‌تر شویم، با مسائل و پیچیدگی‌هایی مواجه می‌شویم که صرفاً با اتوماسیون فعالیت‌های دانشی قابل حل نیستند.

نه راه اول و نه راه دوم در حال حاضر انتخاب خود من نیست. من دنبال راه سومی هستم که در اینجا و اکنون، به حفظ و توسعه موقعیت خلق ارزش توسط منِ تحلیل‌گر برای سازمان‌ها کمک کند:

بالا رفتن در زنجیره خلق ارزش در فرایند تصمیم‌گیری.

کاری که ما به‌عنوان تحلیل‌گر داده انجام می‌دادیم، بخش کوچک‌تر و فروتر از فرایند بزرگ خلق ارزش در زنجیره تصمیم‌گیری خردورزانه بود. سازمان، نهادی برای تصمیم‌گیری است. سازمان‌ها برای کاهش ریسک، افزایش بهره‌وری و در نهایت خلق ارزش سودمند و به‌صرفه برای مشتریان، نیاز دارند تصمیمات درست و خردورزانه بگیرند.

برای این کار، داده‌ها باید از محیط پیرامون، عملیات سازمان و منابع دیگر جمع‌آوری شوند، فرایند پاکسازی، یکسان‌سازی و ذخیره‌سازی را طی کنند و در زمان مناسب در دسترس قرار بگیرند تا با روش‌های مبتنی بر آمار، ریاضیات، منطق انتقادی و تحلیل، بررسی شوند و بینشی برای تصمیم‌گیری خلق کنند.

اما این تمام ماجرا نیست. بین داشتن یک بینش و تبدیل آن به ارزش واقعی، چند مرحله مهم دیگر هم وجود دارد. تصمیم باید گرفته شود، به اقدام تبدیل شود و در نهایت پیامدهای آن در دنیای واقعی به ارزش مورد انتظار منجر شود.

پس آنچه ما تحلیل‌گران داده واقعاً انجام می‌دادیم، مشارکت در فرایند تصمیم‌سازی بود، نه صرفاً کار با داده.

زنجیره خلق ارزش در فرایند تصمیم‌گیری

زنجیره خلق ارزش در فرایند تصمیم‌گیری را می‌توان در چهار مرحله کلی بازآرایی کرد:

۱. داده‌ورزی (Data Work):

شامل تمام مهارت‌های سخت و فعالیت‌های فنی مرتبط با داده، مانند جمع‌آوری، ذخیره‌سازی، پاکسازی، پردازش، بازیابی، مدل‌سازی و بصری‌سازی داده است.

۲. تصمیم‌سازی (Decision Making):

شامل تمام مهارت‌های تحلیلی و دانش مورد نیاز برای فهم مسئله، تفسیر داده‌ها، کاهش عدم قطعیت، بررسی سناریوها و ارائه پیشنهاد برای تصمیم‌گیری است. تحلیل‌های توصیفی، اکتشافی، پیش‌بینی و تجویزی در این مرحله قرار می‌گیرند.

۳. اجرای تصمیم (Decision Execution):

شامل تبدیل تصمیم به اقدام واقعی در سازمان است. طراحی فرایندهای اجرایی، تخصیص منابع، هماهنگی بین واحدها، مدیریت تغییر و اطمینان از اجرای صحیح تصمیم در این مرحله قرار می‌گیرند.

۴. تحقق ارزش (Value Realization):

شامل اطمینان از این است که اقدامات انجام‌شده واقعاً به ارزش مورد انتظار منجر شده‌اند. سنجش پیامدهای اقتصادی و عملیاتی، بررسی اثر تصمیم بر مشتری، ارزیابی نتایج و یادگیری از آنها در این مرحله قرار می‌گیرند.

این تفکیک اهمیت زیادی دارد؛ چون اجرای یک تصمیم الزاماً به معنای تحقق ارزش نیست. ممکن است سازمان تصمیم درستی بگیرد و آن را هم به‌درستی اجرا کند، اما به دلیل تغییر شرایط بازار، واکنش رقبا یا فرضیات نادرست اولیه، به نتیجه مورد انتظار نرسد.

از طرف دیگر، تحقق ارزش صرفاً به معنای انجام یک اقدام موفق در کوتاه‌مدت نیست. باید بتوانیم مطمئن شویم ارزشی که ایجاد شده، واقعی، قابل اندازه‌گیری و تا حد ممکن پایدار است.

بلوغ سازمانی و جایگاه خلق ارزش

از طرف دیگر، برای هر یک از این مراحل می‌توان سه وضعیت کلی در نظر گرفت که میزان اهمیت و ارزش رقابتی فعالیت در آن مرحله را نشان می‌دهند:

۱. بازاری‌شده (Commodity):

قابلیتی که به‌تدریج استاندارد و عمومی شده و با هزینه نسبتاً پایین در دسترس همگان قرار گرفته است. در چنین وضعیتی، برخورداری از آن به‌تنهایی مزیت رقابتی معناداری ایجاد نمی‌کند.

۲. برتری‌ساز (Differentiator):

قابلیتی که سازمان با اتکا به آن می‌تواند در میدان رقابت نسبت به سایرین عملکرد بهتری داشته باشد و مزیت رقابتی ایجاد کند. سازمان‌ها حاضرند برای توسعه و حفظ چنین قابلیتی هزینه کنند.

۳. گلوگاه (Bottleneck):

قابلیتی که ظرفیت یا محدودیت آن مانع رشد و عملکرد بهتر کل زنجیره خلق ارزش می‌شود. هر کسی بتواند این محدودیت را برطرف کند، ارزش قابل‌توجهی برای سازمان خلق خواهد کرد.

این سه وضعیت لزوماً متضاد نیستند. یک قابلیت ممکن است در عین اینکه در بازار به یک کالای عمومی تبدیل شده، در یک سازمان مشخص همچنان گلوگاه اصلی رشد باشد.

برای مثال، ابزارهای تحلیل داده ممکن است در سطح بازار Commodity شده باشند، اما در سازمانی که داده‌های نامعتبر و پراکنده دارد، همچنان کیفیت و یکپارچگی داده مهم‌ترین گلوگاه تصمیم‌گیری باشد.

بنابراین، مدلی که بر اساس آن سعی در ترسیم آینده شغلی تحلیل‌گران داده دارم، یک قانون عمومی درباره تحول تمام سازمان‌ها نیست. این مدل را باید یک مدل بلوغ سازمانی دانست که نشان می‌دهد با افزایش بلوغ سازمان در استفاده از داده و فناوری، محل اصلی خلق مزیت رقابتی و گلوگاه‌های زنجیره ارزش چگونه می‌تواند تغییر کند؛ محلی که انتظار می‌رود ما تحلیل‌گران داده متصدی انجام امورات آن شویم.

جدول زیر برداشت من از این تحول را در سه سطح بلوغ سازمانی نشان می‌دهد:

استراتژی ارتقا تحلیل‌گران داده در زنجیره خلق ارزش
استراتژی ارتقا تحلیل‌گران داده در زنجیره خلق ارزش

آنچه در گذشته برتری‌ساز سازمان در بازار یا گلوگاه رشد آن بود، خود فرایند داده‌ورزی بود. کسانی که بلد بودند دیتابیس نصب کنند، داده‌ها را تمیز کنند و در آن قرار دهند و در نهایت آنها را در قالب جدول‌ها و شیت‌های اکسل در اختیار دیگران بگذارند تا چند جدول و نمودار و دو سه پاراگراف تفسیر ببینند، ارزش بالایی برای سازمان خلق می‌کردند و در نتیجه حقوق بالایی هم می‌گرفتند. هنوز هم سازمان‌هایی که به‌شدت از قافله فناوری عقب مانده‌اند، در چنین وضعیتی هستند.

با توسعه زیرساخت‌های داده‌ای، انواع پایگاه‌داده‌های سبک و سنگین و ابزارهای هوش تجاری گسترده با قیمت‌های مناسب، این روزها دیگر خود داده‌ورزی به‌تنهایی مزیتی برای سازمان ایجاد نمی‌کند. در سال‌های اخیر سازمان‌ها دنبال آدم‌هایی بودند که بتوانند داده‌ها را بفهمند و به آنها بگویند: «خب حالا که چه؟»

این همان تصمیم‌سازی بود. هر سازمانی که در این کار بهتر از رقبا عمل می‌کرد، پیش می‌افتاد و هر کسی که بلد بود این کار را انجام دهد (تحلیل‌گران داده)، موقعیت شغلی منحصربه‌فردی داشت.

ولی حتی در همین دوران هم گلوگاه اصلی بسیاری از سازمان‌ها، تبدیل تحلیل به اقدام و تحقق ارزش بود. کسب‌وکارها به‌سختی می‌توانستند آنچه را از داده‌ها فهمیده بودند، به تغییر واقعی در عملیات و در نهایت ارزش اقتصادی تبدیل کنند.

اما آینده می‌تواند جور دیگری باشد.

توانایی انجام بخش بزرگی از فعالیت‌های شناختی و تحلیلی موردنیاز برای تصمیم‌سازی، به کمک هوش مصنوعی، با سرعت و مقیاسی انجام‌پذیر شده که پیش‌تر برای سازمان‌ها امکان‌پذیر نبود. دیگر برای پاسخ به بسیاری از پرسش‌های کسب‌وکار، لازم نیست روزها منتظر استخراج داده، ساخت داشبورد و تحلیل یک تحلیل‌گر داده بمانیم.

این روزها وقتی دستیار هوشمند تحلیل داده‌مان در عرض چند دقیقه داشبوردی جامع از سؤالی که همان لحظه در جلسه مطرح شده می‌سازد، آن را تحلیل می‌کند و حتی راهکارهایی پیشنهاد می‌دهد، تازه می‌توانیم تصور کنیم که چه ظرفیت بزرگی در اختیارمان قرار گرفته است.

نباید فراموش کنیم که تولید یک تحلیل خوب، الزاماً به معنای گرفتن یک تصمیم خوب نیست. پیشنهاد یک راهکار هم به معنای درک تمام محدودیت‌ها و پیچیدگی‌های کسب‌وکار نیست. همچنان تشخیص مسئله درست، شناخت زمینه کسب‌وکار، سنجش پیامدهای تصمیم و پذیرفتن مسئولیت آن اهمیت دارند.

با این حال، به نظر می‌رسد بخش بزرگی از آنچه زمانی مزیت رقابتی تحلیل‌گران داده بود، در حال تبدیل شدن به قابلیتی عمومی و در دسترس است.

در چنین شرایطی، آنچه می‌تواند برتری یک کسب‌وکار را ایجاد کند، بیش از گذشته به توان و ظرفیت آن در اجرای تصمیمات و تحقق ارزش در عملیات وابسته خواهد بود. درست همان جایی که من و شما، تحلیل‌گران داده، باید به سمت آن حرکت کنیم.

تحلیل‌گر داده آینده چه کسی است؟

اگر قرار است از هویت حرفه‌ای گذشته خودمان عبور کنیم، باید بدانیم قرار است چه چیزی جایگزین آن شود.

به نظرم تحلیل‌گر داده آینده، کسی نیست که صرفاً ابزارهای بیشتری بلد باشد یا بتواند پیچیده‌ترین مدل‌های تحلیلی را پیاده‌سازی کند. چنین مهارت‌هایی همچنان مفیدند، اما دیگر برای تعریف هویت حرفه‌ای ما کافی نیستند.

باید به‌تدریج از متخصص کار با داده به متخصص حل مسئله و خلق ارزش تبدیل شویم. برای این گذار، چند قابلیت کلیدی اهمیت بیشتری پیدا می‌کنند:

۱. شناخت عمیق کسب‌وکار (Business Acumen)

باید کسب‌وکار را بفهمیم؛ نه فقط داده‌های آن را. شناخت مدل درآمدی، اقتصاد واحد (Unit Economics)، رفتار مشتری، ساختار هزینه، زنجیره تأمین، رقبا و محرک‌های اصلی خلق ارزش، دیگر مهارت‌های جانبی برای یک تحلیل‌گر داده نیستند. اینها بخشی از تخصص اصلی ما خواهند بود.

۲. طراحی فرایند تصمیم‌سازی (Decision Intelligence)

باید بتوانیم مسئله درست را شناسایی کنیم، عدم قطعیت را کاهش دهیم، فرضیات را به چالش بکشیم، سناریوهای مختلف را بررسی کنیم و به تصمیم‌گیرندگان کمک کنیم تصمیم‌های بهتری بگیرند. ارزش ما نباید در ارائه پاسخ به سؤالاتی که دیگران می‌پرسند خلاصه شود؛ باید بتوانیم پرسش‌های مهم‌تری را شناسایی کنیم.

۳. به‌کارگیری و هدایت هوش مصنوعی (AI Orchestration)

باید یاد بگیریم چطور از هوش مصنوعی به‌عنوان بخشی از فرایند کار استفاده کنیم؛ چطور ابزارها و عامل‌های هوشمند را به منابع داده متصل کنیم، خروجی آنها را ارزیابی کنیم، کیفیت و اعتبار نتایج را بسنجیم و از آنها برای توسعه ظرفیت حل مسئله استفاده کنیم. توانایی کار با AI به‌تدریج از یک مزیت به یک ضرورت تبدیل خواهد شد.

۴. شناخت عملیات و توانایی اجرای تصمیم (Operational Excellence)

باید به آنچه در دنیای واقعی کسب‌وکار اتفاق می‌افتد نزدیک شویم. شناخت فرایندهای عملیاتی، محدودیت منابع، سازوکارهای اجرایی، مدیریت تغییر و توانایی همکاری با تیم‌هایی که مسئول اجرای تصمیمات هستند، اهمیت بسیار بیشتری پیدا می‌کند.

۵. تفکر استراتژیک (Strategic Thinking)

باید بتوانیم مسائل مهم را از مسائل کم‌اهمیت تشخیص دهیم، فرصت‌های خلق ارزش را اولویت‌بندی کنیم و بفهمیم سازمان باید منابع محدود خود را کجا سرمایه‌گذاری کند. این یعنی به‌جای اینکه منتظر دریافت درخواست تحلیل باشیم، خودمان در شناسایی فرصت‌ها و مسائل مهم سازمان مشارکت کنیم.


قرار نیست همه تحلیل‌گران داده در تمام این حوزه‌ها متخصص شوند. اما به نظرم هرچه بتوانیم دانش و مهارت خود را از داده‌ورزی صرف به سمت این قابلیت‌ها توسعه دهیم، احتمال بیشتری وجود دارد که در آینده نیز جایگاه حرفه‌ای ارزشمندی داشته باشیم.

این تغییر، صرفاً یادگیری چند مهارت جدید نیست؛ تغییر در تعریف خودمان از ارزشی است که برای سازمان خلق می‌کنیم.

ما باید از کسانی که به سؤالات کسب‌وکار پاسخ می‌دهند، به کسانی تبدیل شویم که در شناسایی مسائل، طراحی تصمیمات و تحقق ارزش مشارکت دارند.

ما در اسنپ‌مارکت مسیر مشخصی برای این کار طراحی کرده‌ایم، گرچه می‌دانیم آینده را هیچ‌کس نمی‌تواند از پیش ببیند. اما آنچه الان می‌توانم با اطمینان بگویم این است که باید بلند شوید و حرکت کنید.

برای کارفرماها

اصلاً وقت آن نیست که موقعیت‌های تحلیل داده را در سازمان‌تان ببندید، با تحلیل‌گران داده خداحافظی کنید و بعد چت‌جی‌پی‌تی را باز کنید، به خیال اینکه امثال من گفته‌اند تحلیل‌گر داده مرده است. این بدترین کار ممکن است.

باید بین دو مفهوم تفاوت قائل شویم: تحلیل‌گر داده به‌عنوان یک موقعیت شغلی مستقل و تحلیل داده به‌عنوان یک قابلیت سازمانی.

ممکن است در آینده تعداد موقعیت‌های شغلی مستقل تحلیل‌گر داده کاهش پیدا کند، بخشی از فعالیت‌های آن در سایر نقش‌ها ادغام شود و ماهیت این شغل به‌طور اساسی تغییر کند. اما این به معنای کاهش اهمیت قابلیت تحلیل داده نیست. برعکس، تحلیل داده بیش از گذشته به یکی از اجزای جدایی‌ناپذیر فعالیت‌های سازمانی تبدیل خواهد شد.

واقعیت این است که هنوز نمی‌دانیم دقیقاً بهترین روش به‌کارگیری هوش مصنوعی در فرایند تصمیم‌سازی و خلق ارزش چیست. باید این جسارت را به تیم و به‌خصوص تحلیل‌گران داده‌تان بدهید که خودشان این مسیر را بسازند. آنها به دلیل شناختی که از داده‌ها، فرایندهای تحلیلی و مسائل کسب‌وکار دارند، می‌توانند یکی از بهترین گزینه‌ها برای هدایت این گذار باشند.

معجزه در یکپارچه‌سازی (Integration) و زمینه‌سازی (Context Layer) است. اگر زیرساختش را ندارید، سریع دست به کار شوید. اول مطمئن شوید داده‌هایتان به‌درستی آنچه را در کسب‌وکارتان می‌گذرد منعکس می‌کنند (Trusted Data). بعد سراغ زیرساختی برای یکپارچه‌سازی داده‌ها با ابزارهای هوش مصنوعی بروید. در کنارش باید زمینه کسب‌وکارتان (Context) را به‌درستی به هوش مصنوعی منتقل کنید.

امیدوارم تا به حال حداقل بخشی از دانش سازمانی‌تان را مستند کرده باشید. نقطه شروع آنجاست. اگر هم ندارید، نقطه شروع باز همان‌جاست.

حالا دیگر وقت سیستم‌سازی برای تصمیم‌گیری‌هاست. در هر نقطه از فرایندهای سازمانی که می‌توانید دقیق شوید، ببینید آدم‌ها یا سیستم‌ها چطور تصمیم می‌گیرند و کدام بخش از این فرایند را می‌توان با قابلیت‌های جدید هوش مصنوعی توسعه داد.

معجزه آنجاست که بتوانید تحلیل داده را از یک فعالیت تخصصی و مجزا به قابلیتی جاری در تمام سازمان تبدیل کنید.

امیدوارم در آینده بتوانم مسیری را که ما در اسنپ‌مارکت شروع کرده‌ایم، مدون‌تر و آزموده‌تر در همین‌جا به اشتراک بگذارم. ما هم در ابتدای راهیم.

دنیا به‌شدت در حال تغییر است

این تکراری‌ترین چیزی است که این روزها می‌شنوید، ولی در عین حال یکی از بزرگ‌ترین حقیقت‌هایی است که می‌توانید بشنوید: دنیا به‌شدت در حال تغییر است و منتظر کسی نمی‌ماند.

زمان تحول فرا رسیده است. باید بلند شد و حرکت کرد.

من به‌عنوان کسی که عمری در حوزه تحلیل داده کار کرده‌ام، امروز معتقدم باید همچون ققنوس در خاکستر آتش خودمان بسوزیم و دوباره از نو زاده شویم.

شاید وقت آن رسیده باشد که به پایان تحلیل‌گر داده به شکل امروزی‌اش تن بدهیم تا بتوانیم آغاز عصر جدید تحلیل داده را رقم بزنیم.

هوش مصنوعیمزیت رقابتیتحلیلگر دادهآیندهبازار کار
۰
۰
مهدی ناصری
مهدی ناصری
مشاهدات کسی که به تماشا ایستاده | تحلیل‌گر داده‌
شاید از این پست‌ها خوشتان بیاید