• Home
  • Presenting a new conceptual model for the field of big data and analyzing the data-driven business in Iran based on the proposed model

Share To

Article Url


Manuscript ID : Visit : 11896 Page: -

Article Type: Original Research

Presenting a new conceptual model for the field of big data and analyzing the data-driven business in Iran based on the proposed model

Subject Areas :

مژگان فرهودی 1 , رضوان کلانتری هرمزی 2 , حسام زند حسامی 3

1 -
2 -
3 -

Accepted : 2021-02-16 Published : 2021-09-04

Keywords:

Abstract :

Forecasting a 10-fold increase in global data till 2025 by IDC indicates that the data journey for organizations has just begun. Collecting, storing, analyzing and using this valuable gold contributes to innovation in companies and organizations and leads businesses to a competitive future. The purpose of this article is to examine the various contexts of value creation and big-data-driven business for startups that rely on data as their primary source of business. Therefore, in this regard, after examining the various dimensions of big data, a conceptual model of this field has been presented. This model helps companies to carry out their activities in this field with more awareness and focus. Also in the continuation of this article, the results of the survey of knowledge-based companies with data-driven businesses are presented. The results show that most of these companies are more focused on the two areas of data analysis and visualization. Also, the two areas of "Fintech" and "Media" have been more receptive to the technologies of these two areas. On the other hand, products related to "big data management and processing", which includes providing solutions and launching big-data processing and storage services, have the highest sales volume and a significant amount of activity of these companies on Content of news, social networks and information related to stock exchange transactions.

References:
Full-Text:
الگوي تهيه مقالات

 

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال سیزدهم، شماره‌هاي 47 و 48، بهار و تابستان 1400

صص: 23_34

 

E:\E Drive\logo\iicta Logo0.JPG 

ارائه یک مدل مفهومی جدید برای حوزه کلان­داده­ها و تحلیل کسب­وکارهای داده­محور در ایران برمبنای مدل ارائه­شده 

مژگان فرهودي1  رضوان کلانتر هرمزي**   حسام زندحسامي***

 * عضو هيات علمي، پژوهشگاه ارتباطات و فناوري اطلاعات، پژوهشکده فناوري اطلاعات 

** عضو کارگروه ارزیابی و تشخیص صلاحیت شرکت‌ها و موسسات دانش بنیان

*** عضو هيات علمي، دانشگاه آزاد اسلامي واحد علوم و تحقيقات، دانشکده مديريت و اقتصاد

تاريخ دریافت: 05/04/1399                         تاريخ پذیرش: 28/11/1399

نوع مقاله: پژوهشي

 

 

 

چكيده

پيش­بيني افزايش ده برابري داده­هاي جهاني تا سال 2025 نشان مي­دهد که سفر داده­ها براي سازمان­ها تازه آغاز شده است. جمع­آوري، ذخيره، تجزيه و تحليل و استفاده از اين طلاي باارزش به نوآوري در شرکت­ها و سازمان­ها کمک مي­کند و مشاغل را به سمت آينده رقابتي سوق مي­دهد. هدف از اين مقاله شناسايي و بررسي زمينه­هاي مختلف ارزش­آفريني با محوريت کلان­داده براي شرکت­هاي نوپايي است که به داده­ها به عنوان منبع اصلي کسب­­وکارشان تکيه دارند. در اين راستا پس از بررسي ابعاد مختلف کلان­داده، مدل مفهومي جديدي در اين حوزه ارائه می­گردد. اين مدل به شرکت­ها کمک مي­کند تا بتوانند فعاليت­هاي خود را با آگاهي و تمرکز بيشتري پيش ببرند. در ادامه، نتايج پيمايش شرکت­هاي متقاضي دانش­بنيان با کسب­وکارهاي داده­محور ارائه مي‌شود. نتايج بررسي‌ها نشان می­دهد که اغلب شرکت­ها بر روي دو حوزه «تحليل» و «مصورسازي داده» تمرکز بيشتري نموده­اند. همچنين، حوزه­های «فين‌تک» و «رسانه» بيش از سايرين پذيراي فناوري‌ها بوده‌اند. از طرفي محصولات مربوط با «مديريت و پردازش کلان­داده‌ها» که شامل ارائه راهکار و راه‌اندازي خدمات پردازش و ذخيره‌سازي مي‌شود، بيشترين حجم فروش را به خود اختصاص داده­اند و ميزان قابل توجهي از فعاليت­ شرکت­ها بر روي محتواي اخبار، شبکه­هاي اجتماعي و اطلاعات مربوط به معاملات بورس اختصاص يافته­اند.

واژگان کليدي: کلان­داده، مدل مفهومي، کسب­ و کار داده­محور، شرکت­های دانش­بنیان

 

 

[1]  نويسنده مسئول: مژگان فرهودی، farhoodi@itrc.ac.ir

 

1  مقدمه

به ‌باور بسیاری از صاحبنظران، علم داده جذاب‌ترین و پرکاربردترین علم قرن بیست‌ و یکم است. در جهان امروز که فناوری حرف اول را می‌زند، همه افراد سؤال‌هایی دارند که تنها راه جواب دادن به آن‌ها بررسی دقیق و کامل حجم قابل‌توجهی از داده‌ها خواهد بود. از سازمان‌های تجاری کوچک‌تر گرفته تا مؤسسات دولتی، همه داده‌های نامحدودی در اختیار دارند که با دسته‌بندی، تفسیر و به‌کار گرفتن آن‌ها، می‌توان مقاصد گوناگونی را برآورده کرد؛ البته این کار ساده نیست و می‌تواند چالش‌برانگیز باشد. به عبارتی دیگر، سرمایه اساسی در حال انتقال از نفت به داده است و به همین دلیل است که از داده به عنوان نفت جدید نام می‌برند. البته واضح است که داده نه تنها تمام شدنی نیست، بلکه با انجام هر تراکنش مالی، هر کلیک کاربر، نوشتن هر پیغام در شبکه‌های اجتماعی و بارگزاری هر تصویر جدید به حجم آن اضافه می‌شود. از سوی دیگر، تحلیل­های نتیجه شده از تحلیل داده‌ها خود نیز داده‌های جدید هستند. حجم داده‌های موجود بصورت نمایی در حال افزایش است. همین حقیقت ساده نشان می‌دهد که ما تا چه حد به علم داده و دانشمند داده نیاز خواهیم داشت.

همانطور که گفته شد، در عصر حاضر، داده­ها از ارزش بسیار زیادی برخوردارند و شرکت­های مختلف با استخراج و تحلیل کلان­­داده­ها به مزیت رقابتی دست می­یابند؛ به عنوان مثال در خرده­فروشی­ها با تحلیل رفتار خرید مشتریان در آن واحد، می­توان به سود بیشتری دست یافت. رشد داده که در سال 2020، 40 زتابایت1 تخمین زده شده بود، در سال 2025 به 175 زتابایت خواهد رسید که 90 زتابایت آن توسط دستگاه­های مربوط به اینترنت اشیاء2 ایجاد می­شود [1]. همچنین پیش­بینی می­شود که تا سال 2025، هر فرد بطور متوسط روزانه 5000 تراکنش دیجیتال با دستگاه­های مختلف خواهد داشت [1] که این نشان­دهنده حجم بسیار بالای تولید داده در آینده خواهد بود. از طرفی بنابر جمع­بندی اتحادیه اروپا [2]، اقتصاد داده با رشد 12 درصدی از سال 2020 تا سال 2025 به 1.054 میلیارد یورو خواهد رسید. تعداد شرکت‌ها و میزان اشتغال حوزه داده نیز که در سال 2018، به ترتیب 20 و 15 درصد از کل شرکت­ها بوده است، سالانه با رشد چشمگیری مواجه هستند.

بهره‌بری از این موج جدید نیاز به سرمایه چندانی ندارد و بازار بسیار بکری برای فعالان اقتصادی فراهم آمده است. تنها مسئله حال حاضر، آشنا کردن صاحبان کسب­وکارهای فناوری اطلاعات با سودهای سرشاری است که در شرکت­هایشان راکد مانده است. پیشرفت تکنولوژی باعث کاهش هزینه­ جمع­آوری اطلاعات و تحلیل آن توسط کسب و کارها شده است، لذا امروزه کسب­وکارها می­توانند با صرف هزینه­ و زمان کمتر نسبت به گذشته به اطلاعات دقیق­تری دست یافته، تصمیم­های آگاهانه­تر و منطقی­تری در مورد کسب و کار خود بگیرند. برخی از مزایایی که فناوری کلان داده­ها برای کسب­وکارها به همراه دارد عبارتند از [3]:

- کاهش هزینه: فناوری­های کلان­داده مانند هدوپ3 و تجزیه و تحلیل مبتنی بر ابر می­تواند کاهش چشمگیری در هزینه­ها داشته باشد. به عنوان مثال، شرکت ها به جای پردازش و ذخیره مقادیر زیادی از داده­های جدید در انبار داده­ها، می­توانند از امکانات هادوپ استفاده کرده و داده­ها را در صورت نیاز به انبارهای سازمانی منتقل نمایند.

- تصمیم‌گیری سریع‌تر و بهتر: امروزه تمامی سازمان­ها حتی سازمان­های کوچک نیز دارای وب­سایت و صفحه­های اجتماعی هستند. اطلاعات مربوط به استفاده­ کاربران از این صفحات می­تواند منجر به تشکیل بانک­ داده­ای برای سازمان باشد. این بدان معنی است که تمامی سازمان­ها می­توانند با اجرای روش­ها و الگوریتم­های مناسب، اطلاعات مناسبی را در مورد فضای کسب­وکار، مشتریان خود و سلایق آنها به دست آورند و تصمیم­گیری­ها خود را بهتر و سریع‌تر آنجام دهند.

- محصولات و خدمات جدید: کلان­داده به شرکت­ها توانایی ارائه­ محصولات و خدمات جدید با امکان دریافت بازخورد مشتری را داده است. سازمان­ها برخلاف گذشته منتظر درخواست مشتری نیستند، بلکه از قبل نیاز مشتری را پیش­بینی کرده و محصول را تولید می­کنند. این مهم با کمک بررسی اطلاعات مربوط به عادات خرید مشتریان، سابقه جستجوهای آنها، و حتی سناریوهای فرضی به دست می­آیند.

- توصیه محصول: با توجه به بررسی الگوهای موجود در جستجوهای اینترنتی فرد (و اطلاعات دیگری همچون محل­هایی که فرد بیشتر به آنها مراجعه می­کند)، می­توان ذائقه­ی وی در جستجوی­های اینترنتی را شناسایی و پیش­بینی کرده و محصولات یا محتوای جدید را به وی پیشنهاد داد، و بدین ترتیب از حضور وی در وب­سایت مراقبت شود.

- تشخیص تقلب: سازمان­هایی که فعالیت­های مالی بزرگی دارند، همواره به دنبال راه­هایی ارزان­تر و موثرتر برای جلوگیری از سوءاستفاده­های مالی هستند. برای مثال بیمه­های درمانی سالانه هزینه­های چشمگیری را به دلیل خسارت ناشی از کلاهبرداری­های مختلف متحمل می­شوند. در گذشته بیمه­ها اطلاعات مربوط به صورت­هزینه­های مدعیان را با استانداردهای خود مقایسه کرده، به واقعی بودن یا نبودن ادعا پی می­بردند، که این فرایند از چند هفته تا چند ماه زمان نیاز داشت. امروزه به کمک بررسی فاکتورهای مختلف، تشخیص ویدئویی، تشخیص مکالمه، و یادگیری ماشین (با کمک کلان­داده) به شناخت الگوهای تقلب پرداخته و از ضررهای ناشی از سوءاستفاده­های مالی می­کاهند.

در این مقاله، ابتدا به مزایای استفاده از کلان­داده­ها در کسب­وکارها پرداخته و سپس مدل مفهومی حوزه داده ارائه می­گردد. در انتها نیز یک پیماش جامع بر روی شرکت­های متقاضی دانش­بنیانی در داخل کشور که محوریت کسب­وکار آنها بر روی داده می­باشد انجام شده و نتایج بررسی ارائه می­گردد.

 

 

2  کارهای انجام شده

طبق بررسی­های بعمل آمده، پژوهش­های متعددی به ارائه ابعاد داده از منظرهای مختلف پرداخته­اند. به عنوان مثال در [4] یک درختواره4 برای مدل­های کسب­وکار حوزه داده ارائه شده که از اطلاعات شرکت­های استارتاپ برای تهیه این مدل استفاده نموده است. [5] با تمرکز بر چالش­های حوزه داده به ارائه مدل مفهومی این حوزه پرداخته است و تلاش کرده تا سه بعد مرتبط بودن، جامعیت و اولویت­های نسبی را در آن نشان دهد. هدف از ارائه مدل مربوطه، افزایش کیفیت فرایند تصمیم­گیری می­باشد. در مقاله [6]، هدف اصلی توسعه یک مدل جامع برای کلان­داده می­باشد که شامل عواملی است که در موفقیت یا عدم موفقیت اجرای کلان­داده­ها در سازمان­ها نقش دارند. و لذا مدل پیشنهادی در این مقاله عوامل مهمی را در اختیار مدیران فناوری اطلاعات و تصمیم­گیران قرار می­دهد که برای اطمینان از دستیابی به مزیت رقابتی باید در هنگام تصمیم­گیری برای استفاده از کلان­داده در نظر بگیرند. همچنین در [7] و [8] و [9]، درختواره یا بعبارتی ابعاد مختلفی برای کلان­داده براساس مقالات مرتبط ارائه داده­اند. در مقاله [10] نیز با هدف تاکید بر ذخیره­سازی، پیش­پردازش، پردازش  و امنیت، به ارائه یک درختواره برای مدیریت حوزه کلان­داده پرداخته است.

نتایج پژوهش­های انجام شده نشان می­دهد که هر یک از مدل­های ارائه شده در این پژوهش­ها، تمرکز خود را بر روی بخشی از موضوع کلان­داده گذاشته­اند؛ بعنوان مثال مدل ارائه شده در [5] با تمرکز بر تصمیم­گیری در سازمان و افزایش کارایی آن به ایجاد و ترسیم مدل پرداخته است و لذا تمام جنبه­های حوزه کلان­داده را شامل نمی­شود. اما در مقاله حاضر، سعی شده است با دید کلی­تری به موضوع نگاه شود و به منظور درک دانش و مفاهیم مطرح در این حوزه به ترسیم یک تصویر کلان5 و یا نمایش مفاهیم این حوزه و ارتباط بین آنها با عنوان مدل مفهومی پرداخته شود. روش مورد استفاده در این مقاله براساس مطالعه پژوهش­های مرتبط با حوزه کلان­داده و استخراج مفاهیم این حوزه و سپس تعیین ارتباطات بین مفاهیم می­باشد. لازم به ذکر است برای تکمیل و پوشش حداکثری مفاهیم مرتبط در حوزه داده و تعیین ارتباطات بین آنها از نظرات خبرگان و صاحبنظران این حوزه نیز استفاده شده است.

از طرفی برای بازنمایی دانش ذکر شده از مدل درختواره استفاده شده است. لذا هدف از این مقاله ارائه یک تصویر کلان از ابعاد مختلف موضوع کلان داده است که از مدل مذکور برای ترسیم مفاهیم و ارتباط بین آنها استفاده شده است.

بطور کلی، يكي از مدل­هاي بازنمايي دانش، مدل بازنمايي مبتني بر هستان­شناسي (یا درختواره) است [11]. فعالیت­های زیادی درخصوص ارائه مدل مفهومی از یک مسئله یا موضوع انجام شده است ولی تعداد محدودی از آنها جهت بازنمایی دانش حوزه از مدل مفهومی مبتنی بر هستان­شناسی استفاده کرده­اند [11] تا [14]، [15] و [16]. در تمامی موارد یاد شده، مدل مفهومی موضوع مربوطه ترسیم شده و در برخی از آنها با استفاده از مدل مفهومی به استخراج پروژه­ها و یا حوزه­های فعالیت ارائه شده است. در [17]، با ارائه يك مدل مفهومي متشكل از دو سطح فني و غیرفنی به معرفي جامعي از روندها و حوزه­هاي تحقيقاتي نوين داده­هاي عظيم (کلان داده­ها) پرداخته شده است.

 

3  مدل مفهومي حوزه داده

در این بخش به تشریح مدل مفهومی پیشنهادی در حوزه کلان­داده پرداخته و ابعاد مختلف آن را از منظرهای مختلف بررسی خواهیم کرد. مدل مفهومی در واقع چارچوبی است که در آن به شکلی نظام­مند نیازمندی­های فنی و محيطی يك موضوع بیان مي­شود [11]. برای بازنمایی این مدل مفهومی لازم است تا شناخت خوبی بر روی نیازمندی­های موضوع داده وجود داشته باشد تا بتوان این نیازمندی­ها را با فرایندها، روش­ها، ابزار و استانداردهای موجود تطبیق داد. مدل مفهومی یک واژه شناخته شده است و عموماً به درک مفهومی مسئله­ای قبل از تحلیل و طراحی اطلاق می­گردد.

در اين بخش ابتدا ابعاد مختلف حوزه داده معرفي مي­شوند و پس از آن مدل مفهومي مبتني بر درختواره ارائه خواهد شد.

 

1،3 ابعاد مختلف مطرح در حوزه کلان­داده

همانطور که بطور ضمنی اشاره شد، موضوع داده و توسعه کاربردهای آن، ابعاد مختلفی دارد. در شکل 1، جنبه‌های گوناگون این مسئله نمایش داده شده است که در ادامه هریک از این ابعاد و مباحث پیرامون آن مورد بررسی قرار گرفته است:

§       

شکل 1. ابعاد مختلف حوزه کلان داده

img0انواع: در اين بعد، به انواع داده­های تولید شده در فضای مجازی، سازمان­ها و برنامه­های مختلف پرداخته می­شود.

§       قالب: در این بخش به قالب داده­های گردآوری و یا تولید شده توسط سازمان­­ها، افراد، ابزارها و یا نرم­افزارها اشاره می­شود.

§       کاربرد: داده­ها معمولا با هدف کاربردهای مختلف مورد تحلیل یا پردازش قرار می­گیرند که در این بخش، به این کاربردها اشاره شده است.

§       فناوری: امروزه بدلیل اهمیت داده، بسیاری از فناوری­های روز دنیا مبتنی بر داده هستند که مصادیق آن در این بخش نام برده شده است.

§       ذي­نفعان: در اين بعد به ذي­نفعان این حوزه از جمله مشتريان و نقش­آفرينان كه در واقع همان تولیدکنندگان و صاحبان داده، کاربران داده و نیز توسعه­دهندگان خدمات هستند اشاره می­گردد.

2،3 مدل مفهومی مبتنی بر درختواره

جهت تهيه مدل مفهومي این حوزه تلاش گردید تا با مطالعه تطبيقي نمونه‏هاي موجود و بررسي پژوهش­هاي انجام شده و همچنين مشورت با افراد متخصص و صاحبنظر این حوزه، به بررسی ابعاد مختلف ذکر شده در بالا بپردازیم. شکل2، مدل مفهومي تهيه شده حوزه داده را نشان مي‏دهد. در اين شكل به منظور بازنمايي دانش اين حوزه، از درختواره استفاده شده است. همان­گونه كه پيش از اين بيان شد براي تعيين روابط اصلي و گره­هاي مربوطه آن در ترسيم مدل مفهومي ابتدا ابعاد مختلف این حوزه شناسایی شد و در مرحله بعد، هر یک از این جنبه ها بسط داده شدند.. براي آشنايي بيشتر با مباحث مطروحه در هر يك از ابعاد موضوع داده در ادامه به شرح هر يك از آنها پرداخته مي­شود.

1.2.3  انواع داده  

داده­های موجود در فضای مجازی اعم از وب و شبکه­های اجتماعی، به شکل­های مختلفی تولید شده و در دسترس وجود دارد. این انواع عبارتند از داده­های متنی، صوتی (یا گفتاری)، تصویری و ویدئویی.

2.2.3  قالب داده  

همانطور که در شکل 2 نیز مشخص است، قالب داده­ها را می­توان در سه دسته ساخت­یافته، نیمه­ساخت­یافته و غیرساخت­یافته یا بدون ساختار دسته­بندی کرد [18]. هر داده‌ای که قابلیت ذخیره شدن، دسترسی و پردازش را داشته باشد و به یک قالب ثابت باشد، به عنوان یک «داده ساخت­یافته» در نظر گرفته می­شود. مقابل این تعریف، داده­های غیرساختاری می­شوند. داده‌های نیمه ساخت­یافته می‌توانند هر دو نوع داده (ساخت­یافته و غیرساخت­یافته) را شامل شوند. ما می‌توانیم داده‌های نیمه ساخت­یافته را به صورت ساخت­یافته ببینیم اما در صورتی که بخواهیم آنها را به عنوان یک جدول رابطه­ای در نظر بگیریم، درDBMS تعریف نشده است. به عنوان مثالی از آن می­توان به داده­های موجود در یک فایل اکسل اشاره نمود.

3.2.3  منابع داده  

منابع داده در کسب­وکارهای داده­محور را می­توان به دو دسته­ منابع داده­ داخلی و خارجی تقسیم کرد. داده­های داخل شرکت شامل داده­هایی است که یا در شرکت موجود هستند و یا توسط شرکت تولید می­شوند. تولید داده در داخل شرکت یا از طریق کارمندان و بوسیله سنسورها و ابزار ردیابی صورت می­گیرد و یا از طریق جمع سپاری6 بدست می‌آید. داده­های خارجی نیز به سه دسته داده­های ارائه­شده توسط مشتری، داده­های رایگان و داده­های اکتساب شده از عامل سوم تقسیم می­شود. داده­های رایگان خود شامل داده­های باز در دسترس، داده­های بدست آمده از شبکه­های اجتماعی و داده­هایی که از خزش وب بدست می­آیند می­باشد [4].

4.2.3  کاربرد داده  

امروزه داده به سرعت در حال گسترش است و بدلیل استفاده روزافزون از سامانه­های دیجیتال و منابع تولید اطلاعات، کاربرد داده در تمامی حوزه­هایی که با داده­ها و تحلیل آنها سر و کار دارند،  گسترش یافته است و نتایج بسیار قابل توجهی نیز منتج شده است [7]. با توجه به تعدد حوزه‌های کاربردی داده‌ها، ذکر تمامی کاربردهای موجود امکانپذیر نیست و در شکل 2 به برخی از این موارد از قبیل حوزه­های بانکداری، سلامت، حمل و نقل، آموزش، بورس، رسانه و سرگرمی، تبلیغات و غیره اشاره شده است [19].

5.2.3  فناوری­های مرتبط  

با توجه به فرصت های کسب و کاری حوزه و همچنین اهمیت روزافزون داده­های تولید شده از ابزارها و یا افراد مختلف، می­توان گفت داده، محوریت اغلب فناوری‌های روز دنیا را تشکیل می‌دهد. به عنوان مثال فناوری­هایی از قبیل اینترنت اشیاء، بیومتریک، زنجیره بلوکی، واقعیت مجازی، هوش مصنوعی و ... در زمره این فناوری­ها قرار داد.

6.2.3  ذینفعان  

ذينفعان اين حوزه را به طور كلي مي­توان در دو گروه مشتريان و نقش­آفرينان دسته­بندي نمود [12] و [15]. در ادامه تعريف هر يك از این دو گروه و نقش­هاي مؤثر آنها فهرست شده است. لازم به توضيح است كه بسياري از شركت­ها مي­توانند نقش­هاي مختلفي را ايفا نمايند به عنوان مثال يك شركت توسعه­دهنده خدمات می­تواند خود تولیدکننده داده و از طرفی مشتری یکی از خدمات حوزه داده­ای باشد.

الف) مشتريان: مشتريان حوزه داده را مي­توان در دو گروه حقيقي و حقوقي دسته­بندي كرد:

§       حقيقي: اين گروه از مشتريان، در واقع كاربران نهایی یا همان استفاده­کنندگان داده یا خدمات مبتنی بر داده هستند. افرادی از قبیل گردشگران، مدیران، کاربران عمومی که اغلب از نتایج تحلیل و پردازش داده­ها استفاده می­کنند یا پژوهشگرانی که علاوه بر استفاده از داده­های پردازش شده، خود می­توانند با استفاده از داده­های خام، به تحلیل آنها پرداخته و اطلاعات و یا دانش مربوطه را ایجاد نمایند.

§       حقوقي: كاربران حقوقي شامل سازمان‌ها و شركت‌هايي هستند كه به عنوان مصرف­كننده داده چه به لحاظ استفاده از خود داده و چه به لحاظ استفاده داده جهت پردازش و تحلیل محسوب مي‌شوند. شرکت­های خصوصی و بین­المللی، بانک­ها، مراکز پژوهشی مصادیقی از این نوع مشتریان هستند.

ب) نقش­آفرينان: معمولا به سه دسته حاکمیت، صاحبان و یا تولیدکنندگان داده و همچنین ارائه­دهندگان خدمات مبتنی بر داده تقسیم می­شوند.

شایان ذکر است موارد ذکر شده در شکل 2 تنها مصاديقي از انواع مشتريان و نقش­آفرينان هستند كه مسلماً مي­توان برای هر دسته نمونه­های بیشتری را نیز نام برد.

7.2.3  مدل درآمد  

هر شرکت برای دوام و ماندگاری در طولانی مدت، حداقل نیاز به یک مدل درآمدی دارد. مدل­های درآمدی در کسب­وکارهای داده­محور عبارتند از: فروش دارایی، وام دادن و اجاره دادن، صدور مجوز، هزینه بر حسب استفاده، حق عضویت، حق کمسیون و تبلیغات [4].

 

8.2.3  حوزه­های فعالیت داده  

در مدل مفهومی ارائه شده، باید گفت بخشی که استارتاپ­های حوزه داده می­توانند از داده خلق ارزش یا ثروت نمایند، همان بخش مربوط به حوزه­های فعالیت داده به همراه زیرمجموعه­های مطرح شده در آنها می­باشد که عبارتند از: تولید و جمع­آوری داده، ذخیره و بازیابی، تحلیل، مصورسازی، حکمرانی داده و بازکردن داده.

الف) تولید/جمع­آوری داده

معمولا داده­ها بطور مستمر در فضای مجازی از طریق افراد و یا ابزارهای مختلف در حال تولید و انتشار هستند؛ لذا جمع­آوری داده­های پراکنده موجود در سایت­ها و یا سازمان­های مختلف و دسته­بندی آنها به منظور انجام پردازش از فعالیت­های مهمی است که در حوزه داده انجام می­شود. برخی شرکت­های مطرح دنیا تنها به پردازش بر روی آرشیو اطلاعات و مستندات موجود در وب پرداخته و سپس آن را بر اساس نیاز دراختیار شرکت­های تحلیلگر قرار می­دهند. منابع تولید داده­ها بسیار مختلف و متنوع است. داده معمولا از روش­های مختلف تولید و یا جمع­آوری می­شود که عبارتند از: حسگرهای اینترنت اشیاء، بستر جمع­سپاری، خزش وب و غیره.

ب) ذخیره و بازیابی داده

ذخیره و بازیابی کلان­داده­ها به دلیل ويژگی­های کلان داده از قبیل حجم، سرعت تولید، تنوع، صحت و غیره از اهمیت زیادی برخودار است و چالش­های زیادی را به دنبال دارد. به عنوان مثال، داده­ها در کلان­داده بصورت جریانی تولید می­شود. داده جریانی به داده­ای گفته می­شود که دارای فرایند پردازشی بصورت بلادرنگ است. موضوع ذخیره­سازی در تمامی فرایندهای از قبیل استخراج داده، پیش­پردازش، پردازش و انتقال داده نقش بازی می­کند.

ذخیره­سازی داده­ها می­تواند بصورت رابطه­ای (مانند SQL) و یا غیررابطه­ای (مانند No SQL) باشد که در مبحث کلان­داده عمدتا از روش غیررابطه ای برای ذخیره استفاده می‌شود. روش غیررابطه­ای خود شامل انواع مختلفی از قبیل ذخیره­سازی مبتنی بر سند، مبتنی بر ستون، مبتنی بر گراف و مبتنی بر کلید/مقدار می­باشد [8].

ج) تحلیل داده

با گسترش روزافزون استفاده از فناوری اطلاعات و نرخ بالای تولید اطلاعات دیجیتال، توسعه فناوری­ها و روش­های تحلیل کلان داده­ها از اهمیت بسزایی برخوردار شده‌اند. با توجه به میزان خودکار بودن فرایند تجزیه و تحلیل می­توان آن را به چهار گروه توصیفی، تشخیصی، پیشگویانه و تجویزی تقسیم نمود [20]. در تجزیه و تحلیل توصیفی، هدف پاسخ به این نوع سوالات است: چه اتفاقی افتاده است و یا چه چیزی دارد اتفاق می­افتد. در این روش با دستیابی به سوابق که ریشه در گذشته و حال دارد، امکان تحلیل داده مبتنی بر رویدادهای گذشته و حال و همچنین تولید بینش میسر می‌شود. از این نوع تحلیل می­توان به خوشه­بندی اشاره نمود.

در تجزیه و تحلیل تشخیصی، هدف اصلی پاسخ به این نوع سوالات است: چرا این اتفاق افتاده است و یا چرا دارد این اتفاق می­افتد؟ روند به چه صورت است؟ چه الگویی وجود دارد؟ در این روش با بررسی سوابق داده، بینش ایجاد می­گردد. تجزیه و تحلیل احساسات، تحلیل لاگ، کشف الگوهای تقلب و غیره مصادیقی از این نوع تحلیل هستد.

در تجزیه و تحلیل پیشگویانه، هدف اصلی پاسخ به این نوع سوالات است: چه چیزی اتفاق خواهد افتاد؟ چگونه می­توان واکنش نشان داد؟ در این نوع، با تحلیل داده و تولید بینش امکان پیش­بینی داده جدید در رابطه با حال و آینده وجود دارد. پیش­بینی رفتار مشتری نمونه­ای از این نوع تحلیل است. در تجزیه و تحلیل تجویزی، هدف اصلی پاسخ به این نوع سوالات است: چه کاری بایستی انجام شود تا این اتفاق بیفتد.

از طرفی، روش­های متعددی برای تحلیل وجود دارد [9] که به عنوان نمونه می­توان یادگیری ماشین و پردازش زبان طبیعی را برشمرد. روش­های یادگیری ماشین بصورت خودکار و مقیاس پذیر اجازه بینش داده­های کلان و چندبعدی را امکانپذیر می­سازند.

د) مصورسازی داده

مصورسازی در واقع عبارت است از شیوه­های بازنمایی و ارائه داده یا اطلاعات در قالب­های تصویری. این روش نمایش با بهره­گیری از فنون خاص انجام می­پذیرد و قادر است اطلاعات را در یک فرایند دیداری با قدرت بیشتر در درک و شناخت آن عرضه نماید.

مصورسازی عمدتا در جهت کاربردپذیر ساختن داده­ها است [21]. کاربردهای مختلفی برای این امر وجود دارد. نکته­ای که در رابطه با تفاوت میان مصورسازی علمی و مصورسازی اطلاعات باید بیان کرد این است که مصورسازی علمی عمدتا به منظور کاربردپذیر ساختن داده­های فیزیکی بکار می­رود، درصورتیکه مصورسازی اطلاعات، به شیوه­های تصویرسازی عملی داده­های انتزاعی می­پردازد.

همچنین مصورسازی می­تواند به یکی از روش­ها یا شکل­های دوبعدی، چندبعدی، سلسله مراتبی، شبکه­ای و سیر زمانی صورت پذیرد.

ه) حکمرانی داده

هدف از حکمرانی یا حاکمیت داده این است که به سازمان کمک کند تا داده­های خود را به عنوان یک دارایی مهم سازمانی مدیریت نماید.

حکمرانی داده، مجموعه­ای از اصول، سیاست­ها، فرایندها، چارچوب­ها و سنجه­ها را فراهم می­آورد و سعی می­کند تا بر مدیریت داده­ها نظارت کند و فعالیت­های مدیریت داده را در تمامی سطوح هدایت کند. حکمرانی داده شامل بخش­های متنوعی است [22] که در شکل 11 نشان داده شده است. برخی از این موارد عبارتند از: یکپارچه­سازی داده، معماری داده، مدیریت محتوا و اسناد، مدلسازی و طراحی داده، ذخیره­سازی و عملیات داده و ... .

ی) توزیع و باز کردن داده

تا چند سال پیش، اشتراک داده­ها و یا باز کردن آنها ایده­ای غیرقابل تصور بود؛ زیرا صاحبان داده نگران از بین رفتن زحمت­ها و یا مزیت رقابتی خود بودند. اما امروزه با تمرکز جامعه علمی بر روی دسترسی آزاد، محققان متوجه مزایا و نیاز به دسترسی و اشتراک­گذاری آزاد داده­ها شده­اند. با گذشت زمان، موسسات، انتشارات، حامیان مالی و محققان بیشتری به مزایای دسترسی آزاد اطلاعات پی می­برند. نمونه­ای از انواع داده­هایی که می­تواند بصورت آزاد در دسترس قرار گیرد عبارت است از: داده­های علمی و پژوهشی دانشگاه­ها و مراکز پژوهشی، داده­های سازمانی و داده­های دولتی.

از طرفی بسته به نیاز متقاضیان داده، هر یک از انواع داده­ها را می­توان به یکی از صور خام (بدون هیچگونه پردازشی بر روی داده)، داده­های پردازش شده و یا داده­های گرافیکی (مانند اینفوگرافی یا نمودارهای مختلف) و یا به هر سه شکل آزادرسانی نمود.

 

4 بررسی و تحلیل کسب­وکارهای داده­محور در کشور

همانطور که در مدل مفهومی پیشنهادی نشان داده شد، حوزه­های فعالیت بر روی داده­ها عبارتند از: تولید و جمع­آوری داده، ذخیره و بازیابی، تحلیل، مصورسازی، حکمرانی و توزیع و بازکردن داده.

[1]  Zettabytes

[2]  Internet of Things (IOT)

[3]  Hadoop

[4]  Taxonomy

[5]  Big Picture

[6]  Crowdsourcing

شکل 2. مدل مفهومی حوزه داده مبتنی بر درختواره

img0 

در این مقاله، برای بررسی وضعیت کسب ­و کارهای داده­محور در کشور، یک مطالعه موردی بر روی شرکت­های متقاضی دانش­بنیانی این حوزه انجام شد. در این خصوص، 275 محصول فعال در کشور که توسط 189 شرکت  توسعه داده شده­اند، مورد بررسی قرار گرفته‌ است.

مبنای استخراج محصولات، دسته‌بندی جامع و استاندارد تصویب شده در «کارگروه ارزیابی و تشخیص صلاحیت شرکت‌ها و موسسات دانش بنیان حوزه فناوری اطلاعات»  بوده است که از طریق سامانه دانش‌بنیان1 در دسترس عموم است.

بر اساس این سطح‌بندی، دسته‌هایی که محصولات و خدمات مرتبط با پردازش و تحلیل داده‌ها را تحت پوشش دارند، انتخاب شده‌اند. تحلیل آماری در دو سطح 3 و 4 دسته‌بندی محصولات دانش بنیان حوزه فناوری اطلاعات انجام شده است. نتایج این بررسی همراه با جزئیات در ادامه ارائه شده است.

شکل 3، سیر زمانی ثبت شرکت­های فعال در حوزه داده را در کشور نشان می­دهد. همانطور که در شکل مشخص است، از سال 93 الی 96، بیشترین نرخ ثبت شرکت­ها در این حوزه را داشته­ایم. شاید بتوان دلیل عدم رشد ثبت این شرکتها در ساله­های اخیر را نرخ بالای تورم و هزینه­بر بودن خرید سخت­افزار و زیرساخت­های ارائه سرویس، تحریم­ها و ... دانست که متاسفانه مانعی برای ورود افراد توانمند به این حوزه شده است.

 

img0 

شکل 3. سیر زمانی ثبت شرکت­های حوزه داده

 

همچنین این شرکت­ها در 23 استان کشور، ثبت و در حال فعالیت هستند (از سایر استان‌ها، اطلاعاتی در این خصوص ثبت نشده است). پراکندگی جغرافیایی این شرکت­ها در شکل 4 نشان داده شده است.

بدلیل تعداد بالای شرکت­ها در استان تهران، در شکل 4 وضعیت استان­های دیگر خیلی واضح نیست؛ لذا صرفنظر از استان تهران که به تنهایی دارای 134 شرکت در حوزه داده است، وضعیت مابقی استان­ها در شکل 5 ارائه شده است.

img0 

 

 

img0شکل 4. پراکندگی استانی شرکت­ها

  شکل 5. پراکندگی استانی شرکت‌ها ( بدون در نظر گرفتن تهران)

 

img0در شکل 6 مجموع درآمد شرکت‌های دارای محصولات حوزه داده به تفکیک سال مشخص شده است. این درآمد بر اساس اظهارنامه ارائه شده شرکت‌ها محاسبه شده است.

شکل 6. درآمد اظهار شده شرکت‌ها به تفکیک سال (میلیارد تومان)

همانطور که در شکل فوق هم مشخص است، درآمد اظهار شده شرکت‌ها در سال 1396 بیش از سال‌های 1397 و 1398 بوده است. متاسفانه آمار نشان می­دهد که در یکی دو سال اخیر بدلیل اعمال تحریم­های بیشتر از جمله تحریم­های سخت­افزاری و نرم­افزاری و نیز مشکلات اقتصادی شرکت­ها، فعالیت آنها چه به لحاظ رونق تولید محصولات و چه به لحاظ درآمدزایی با افت محسوسی مواجه شده است.

 

 

 

img0 

 

شکل 7. تعداد محصولات حوزه داده به تفکیک دسته­های مختلف

شکل 7، تعداد محصولات هر یک از سه دسته محصولات مرتبط با داده را نمایش می‌دهد. همانطور که در نمودار نمایان است، بدلیل اهمیت و کاربرد روزافزون مباحث مربوط به تحلیل و مصورسازی داده­ها، نرم­افزارهای توسعه­ داده شده در این دو دسته نیز تعداد قابل توجهی را به خود اختصاص داده­اند که می­تواند بیان­کننده بلوغ نسبی محصولات موجود در کشور در هر دسته باشد.

شکل 8، بیانگر سن شرکت‌های توسعه­دهنده محصولات است. همانطور که در شکل مشخص است، درصد شرکت‌های با رده سنی زیر 10 سال بیش از سایرین است که میزان توجه به محصولات این حوزه با زمان ظهور و گسترش فناوری‌های پردازش و تحلیل داده مطابقت دارد.

img0شکل 8.تعداد محصولات شرکت­ها در بازه­های سنی مختلف

در شکل 9 مقایسه‌ای میان تعداد و فروش محصولات با توجه به سن شرکت‌های توسعه دهنده محصولات، انجام شده است.

شکل 9. میزان فروش محصولات با توجه به سن شرکت­ها

img0 

 

نکته جالب توجه در دو نمودار ارائه ­شده در شکل 9، میزان فروش محصولات شرکت‌های زیر 3 سال و بین 3 تا 10 سال است. نتایج نشان می‌دهد علیرغم نزدیک بودن تعداد محصولات در این دو گروه، فروش حاصل شده در شرکت‌های بین 3 تا 10 سال، حدود صد برابر فروش محصولات در شرکت‌های نوپا است.

بررسی دیگری که بر روی اطلاعات مستخرج صورت گرفت، بازار هدف محصولات است؛ بدین مفهوم که آیا این محصولات برای کاربرد عام توسعه داده شده‌اند و یا بازار خاصی برای فروش و ارائه خدمت مدنظر ارائه‌کنندگان آنها بوده است. بر این اساس و با مطالعه ویژگی‌های تک­تک محصولات مشخص شد که در بین بازارهای عمودی، دو حوزه «فین‌تک» و «رسانه» بیش از سایرین مورد توجه بوده است.

شکل 10: سهم هريک از حوزه­های کاربردی محصولات

img0 

 

شکل 11 نیز نشان می‌دهد که در دسته «نرم‌افزارهای تجمیع، تحلیل، اشتراک و مصورسازی» درصد بیشتری از محصولات برای استفاده در بازارهای خاص توسعه داده شده‌اند.

img0شکل11: تفکیک حوزه­های کاربردی محصولات توسعه داده شده

همانطور که در ابتدای این بخش توضیح داده شد، هر یک از سه دسته مورد بررسی در بالا، خود شامل زیردسته­هایی است که ویژگی‌ها و کارکرد محصولات را بیشتر نمایان می­سازد. لذا در ادامه، آمار مربوط به هریک از زیردسته‌ها بصورت مجزا ارائه شده است.  

 

 

 

img0 

 

 

 

 

 

 

 

 

شکل12: محصولات حوزه مدیریت داده

 

img0 

 

 

 

 

 

 

 

شکل13: محصولات حوزه تجمیع، اشتراک و مصورسازی داده

 

img0 

 

 

 

 

 

 

 

شکل14: محصولات حوزه تحلیل محتوا

 

 

از آنجائی‌که محصولات در سال‌های مختلفی تولید و ارائه شده‌اند، لذا نمی‌توان رقم فروش محصولات را با یکدیگر مقایسه کرد. اما با توجه به توزیع محصولات هر زیردسته در سال‌های مختلف و برای اینکه تصویری نسبی از اقبال بازارهای داخل کشور به محصولات مذکور ایجاد شود، در جدول1، مقایسه‌ای از فروش محصولات زیردسته‌های مختلف آورده شده است. البته با توجه به توضیحاتی که در بالا ذکر شده است، بجای ذکر ارزش ریالی، به سهم هر دسته از مجموع فروش محصولات مورد بررسی اکتفا شده است. 

جدول1: مقایسه تعداد و سهم فروش محصولات زیردسته­های مختلف

 

تعداد محصولات

سهم فروش از کل

پلتفرم‌های اشتراک‌گذاری و تجمیع داده

1

0.32%

ابزارها و خدمات داده‌کاوی

48

5.83%

هوش تجاری

57

23.96%

مدیریت پایگاه داده

12

6.02%

مدیریت و پردازش کلان داده‌ها

35

55.09%

نرم‌افزارهای آنالیز متن

63

7.04%

نرم‌افزارهای آنالیز و سنتز صدا

24

0.23%

نرم‌افزارهای آنالیز ویدئو و تصویر

25

1.06%

ابزار جستجو و توصیه‌گر

10

0.45%

جدول 1 نشان می‌دهد که زیردسته «مدیریت و پردازش کلان داده‌ها» که شامل ارائه راهکار و راه‌اندازی خدمات پردازش و ذخیره‌سازی کلان داده‌ها می‌شود، بیشترین حجم فروش را به خود اختصاص داده است. راه‌اندازی و ارائه خدماتی مانند Spark، Hadoop و Zookeeper در این دسته قرار دارند.

نکته لازم به ذکر در رابطه با حوزه کاربردی محصولات، استفاده قابل­توجه از محصولات دو زیردسته «ابزارها و خدمات داده‌کاوی» و «نرم‌افزارهای آنالیز متن» به ترتیب در حوزه‌های فین تک و محصولات رسانه‌ای است. طبق بررسی‌های صورت گرفته، از بین محصولات ارزیابی شده در این دو زیردسته، 34 درصد از نرم‌افزارهای تحلیل متن در حوزه‌ رسانه با محوریت خزش اخبار و شبکه‌های اجتماعی و 35 درصد از ابزارها و خدمات داده‌کاوی در حوزه فین­تک با محوریت الگوریتم‌های معاملاتی بورس و سرمایه‌گذاری توسعه داده شده‌اند.

 

5  نتیجه­گیری و کارهای آتی

امروزه بسیاری از شرکت­ها با تحلیل داده­ها، ایجاد پایگاه‌های داده، مدیریت دانش و فروش خدمات مبتنی بر داده به درآمدهای هنگفتی رسیده­اند. همانطور که می­دانیم روزانه تصمیمات زیادی در سطح خرد و کلان گرفته می‌شود که این تصمیم‌ها  اثرات زیادی بر موفقیت کسب و کارها دارد. همین امر سبب شده که کسب و کارهایی شکل بگیرند که به دنبال سنجش اثرات تصمیم‌ها با استفاده از داده‌ها هستند. لذا فعالیت­های زیادی از قبیل فروش گزارشات تحلیلی رفتار مشتریان و ذائقه­سنجی کاربران، پیش­بینی رویدادها یا رفتار مشتری، کشف تقلب و غیره از جمله مواردی هستند که شرکت­ها به آنها پرداخته­اند. از طرفی از آنجا که در فناوری­های نوظهور از قبیل اینترنت اشیاء و غیره، دادگان نقش بسیار زیادی دارد و بصورت جریانی تولید می­شود بحث کلان داده و پردازش­های مربوطه از اهمیت فوق­العاده­ای برخوردار است. لذا در این مقاله سعی شد تا از طریق یک مدل مفهومی مبتنی بر درختواره به تشریح ابعاد مختلف داده بپردازیم. در ادامه تلاش کردیم تا با پیمایش وضعیت استارتاپ­های حوزه داده به استخراج و تحلیل جنبه­هایی از داده که قابلیت بیشتری برای خلق ارزش و درآمد دارند، برسیم. نتایج بررسی‌ها نشان داد که دو حوزه تحلیل و مصورسازی داده بیش از دیگر حوزه­ها در داخل کشور مورد توجه قرار گرفته است که دلیل آن هم کاربرد و نیز ارزش­آفرینی بیشتر این دو حوزه در صنایع و کسب­وکارهای مختلف است. همچنین نتایج نشان داده که جدا از کاربردهای عمومی دو حوزه «فین‌تک» و «رسانه» بیش از سایرین مورد توجه بوده است. همچنین پس از بررسی سهم فروش محصولات این دسته در کشور، مشخص شد که محصولات مربوط به «مدیریت و پردازش کلان­داده‌ها» که شامل ارائه راهکار و راه‌اندازی خدمات پردازش و ذخیره‌سازی کلان داده‌ها می‌شود، بیشترین حجم فروش را به خود اختصاص داده است. لازم به ذکر است که میزان قابل توجهی از شرکت­های مورد بررسی بر روی محتوای اخبار، شبکه­های اجتماعی و اطلاعات مربوط به معاملات بورس سرمایه­گذاری کرده­اند. البته بدلیل وجود داده­های کلان و با ارزش در اغلب شرکت­ها، نهادها و سازمان­های مختلف هنوز جای کار زیادی در این حوزه وجود دارد که می­توان با درک اهمیت آن به ارزش­آفرینی بیشتری در حوزه­ها و صنایع مختلف از قبیل گردشگری، سلامت، کشاورزی، بانکداری و غیره پرداخت.

 

 

مراجع

[1]       D. Reinsel, J. Gantz, J. Rydning, "The Digitization of the World from Edge to Core", IDC White Paper, 2018

[2]       European Council Conclusion, Building a Data Economy in the European Union Data. Innovation. Growth., 2019

[3]       B. M.Balachandran, Sh. Prasad, "Challenges and Benefits of Deploying Big Data Analytics in Cloud for Business Intelligence", Procedia Computer Science, vol. 112, pp. 1112-1122, 2017

[4]       Ph. Hartmann, M. Zaki, N. Feldmann, A. Neely, "Big Data for Big Business? A Taxonomy of Data-driven Business Models used by Start-up Firms", University of Cambridge, 2014

[5]       E. Park, L. Chung, H. M. Johng, V. Sugumaran, et al., "A Big Data Conceptual Model to Improve Quality of Business Analytics", in Research Challenges in Information Science, pp 20-37, June 2020

[6]       M. Halaweh, A. E. Massry, "Conceptual Model for Successful Implementation of Big Data in Organizations", Journal of International Technology and Information Management, vol. 24, Issue 2, pp. 21-34, 2015

[7]       محمدشهرام معین، برزگر، نکیسا، وحید رادمهر، کاربردهای کلان داده، پروژه تدوین نقشه راه کلان داده، پژوهشگاه ارتباطات و فناوری اطلاعات، 1395

[8]       محمدشهرام معین، ملکی، داود، محمدرضا احمدی و سیدمحمدرضا میرصراف، ذخیره­سازی داده­ها، پروژه تدوین نقشه راه کلان داده، پژوهشگاه ارتباطات و فناوری اطلاعات، 1395

[9]       محمدشهرام معین، جم­پور، مهدی، نکیسا برزگر، اکبر دارابی و سمیه فتاحی، تحلیل کلان­داده­ها، پروژه تدوین نقشه راه کلان داده، پژوهشگاه ارتباطات و فناوری اطلاعات، 1395

[10]       A. Siddiqa, I. A. T. Hashem, I. Yaqoob, et al., "A survey of big data management: Taxonomy and state-of-the-art", Journal of Network and Computer Applications, vol. 71, pp. 151-166, 2016

[11]       محمودی، مریم، همایون بهشتی و عليرضا ياري، مدل مفهومي موتورجستجوي فارسي،‌ پژوهشگاه ارتباطات و فناوری اطلاعات، 1389

[12]       محمودی، مریم، مژگان فرهودی، علی شریفی، علیرضا یاری و کامبیز بدیع،  ارائه مدل مفهومی پیشنهادی جویش در فضای وب، اولین همایش ملی جویشگر بومی، 1394

[13]       فرهودی، مژگان، شهریار سموری و عليرضا ياري، مدل مفهومي سامانه پرسش و پاسخ،‌ پژوهشگاه ارتباطات و فناوری اطلاعات، 1389

[14]       عظیم­زاده، معصومه، محمد امین فرجیان و عليرضا ياري، مدل مفهومي ترجمه ماشینی با هدف تهیه قالب­های تعریف پروژه­ها و تدوین برنامه اجرایی آن، پژوهشگاه ارتباطات و فناوری اطلاعات، 1389

[15]       محمدشهرام معین، ملکی، داود، محمدرضا احمدی و سیدمحمدرضا میرصراف، ذخیره­سازی داده­ها، پروژه تدوین نقشه راه کلان داده، پژوهشگاه ارتباطات و فناوری اطلاعات، 1395

[16]       R. Vatananan-Thesenvitz, N. Gerdsri. "The current state of technology roadmapping (TRM) research and practice", International Journal of Innovation and Technology Management, vol. 9, no. 4, pp. 1 – 10, 2010

[17]       یاری، عليرضا، احسان آريانيان و مژگان فرهودي،  "ارائه مدل مفهومي روندها و حوزه­هاي تحقيقاتي داده­هاي عظيم"،‌ همايش داده­هاي عظيم، پژوهشگاه ارتباطات و فناوري اطلاعات، 1393

[18]       S. Karamizadeh, Sh. M. Abdullah, M. Zamani, A. Kheirkhah, "Pattern Recognition Techniques: Studies on Appropriate Classification", ARPN Journal of Engineering and Applied Sciences, vol. 9, no. 8, pp. 1215-1219, August 2014

[19]       P. Maroufkhani, R. Wagner, W. Kh. W. Ismail, M. Nourani, "Big Data Analytics and Firm Performance: A Systematic Review", Jornal of Information, vol. 10, No. 226, pp. 1-21, july 2019

[20]       سخایی، محمدجواد، تجزیه و تحلیل داده و انواع آن، فناوری اطلاعات برای کسب و کار، 1394

[21]       درودی، فریبرز، عادل سلیمانی­نژاد، "ارتباط تصویری و پردازش دیداری اطلاعات: آشنایی با مبانی نظری حوزه مصورسازی"، مجله مطالعات ایرانی کتابداری و اطلاع­رسانی، شماره 86، 1388

[22]       بنائی، سیدمجتبی، دریاچه داده به عنوان بستر حکمرانی داده در سازمان، چارچوب­های پردازش کلان داده، 1396

 

 

 

سپاسگزاري

بدینوسیله از کارگروه محترم ارزیابی و تشخیص صلاحیت شرکت‌ها و موسسات دانش بنیان که ما را در انجام این تحقیق یاری  نمودند صمیمانه تشکر می نمایم.

 

 

 

 

 

 

 

 

 

 

 

 

 

[1]   http://daneshbonyan.isti.ir/

Presenting a new conceptual model for the field of big data and analyzing the data-driven business in Iran based on the proposed model

 

Abstract:

Forecasting a 10-fold increase in global data till 2025 by IDC indicates that the data journey for organizations has just begun. Collecting, storing, analyzing and using this valuable gold contributes to innovation in companies and organizations and leads businesses to a competitive future. The purpose of this article is to examine the various contexts of value creation and big-data-driven business for startups that rely on data as their primary source of business. Therefore, in this regard, after examining the various dimensions of big data, a conceptual model of this field has been presented. This model helps companies to carry out their activities in this field with more awareness and focus. Also in the continuation of this article, the results of the survey of knowledge-based companies with data-driven businesses are presented. The results show that most of these companies are more focused on the two areas of data analysis and visualization. Also, the two areas of "Fintech" and "Media" have been more receptive to the technologies of these two areas. On the other hand, products related to "big data management and processing", which includes providing solutions and launching big-data processing and storage services, have the highest sales volume and a significant amount of activity of these companies on Content of news, social networks and information related to stock exchange transactions.

 

 

Keywords: Big Data, Conceptual Model, Data-driven Business, Knowledge-based Company

 

 

 

 

 

23


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2025

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]