اتوماسیون کلید باز کردن مزیت بزرگ و پایدار در شرکت ها در سراسر بخش ها است.
کلان داده بدون رویکرد اتوماسیون استراتژیک می تواند هیچ چیز بزرگی باشد.
از یک طرف، ما در یک زمان پر از غنای اطلاعات هستیم، با حجم بی سابقه ای از داده ها در مورد همه چیز، از عملکرد تجهیزات گرفته تا رفتار مصرف کننده در رسانه های اجتماعی ( بیش از نیمی از شهروندان جهانی در رسانه های اجتماعی هستند ). اما بدون اتوماسیون متفکرانه – استفاده از ماشین‌ها و الگوریتم‌ها برای مدیریت، پردازش و تجزیه و تحلیل داده‌های موجود – کسب‌وکار شما فرصت‌های بالقوه زیادی را از دست خواهد داد.
اگر به خوبی انجام شود، اتوماسیون داده های بزرگ «مرده» را به یک منبع زنده و تنفسی تبدیل می کند که می توانید از آن برای افزایش ارزش استفاده کنید. بنابراین جای تعجب نیست که بسیاری از کسب‌وکارها قصد دارند هر چیزی را که می‌تواند خودکار شود، خودکار کنند ، همانطور که یکی از مدیران ارشد گوگل اخیرا گفت.
برای کمک به شما در مورد اتوماسیون در زمینه کسب و کار خود فکر کنید، من سه راه اصلی را ارائه می کنم که این فعالیت مبتنی بر فناوری به شما در ایجاد ارزش کمک می کند.
اولین چیزی که اتوماسیون به شما کمک می کند استخراج ویژگی یا کشیدن سوزن های مهم اطلاعات از انبارهای عظیم کاه است. تصور کنید که سازمان شما باید درخواست های ثبت اختراع را برای اطلاعات مربوط به یک فناوری خاص و موارد مرتبط بررسی کند. شما ممکن است به هزاران یا ده ها هزار برنامه که هر کدام 30 صفحه یا بیشتر اجرا می کنند، برای میلیون ها و میلیون ها کلمه نگاه کنید. اما فقط بخش کوچکی از آن کلمات و روابط متقابل بین پتنت ها مهم است، مانند اینکه فناوری ثبت شده به چه چیزی بستگی دارد یا صلاحیت مخترعان و پتنت های گذشته.
بدون اتوماسیون متفکرانه – استفاده از ماشین‌ها و الگوریتم‌ها برای مدیریت، پردازش و تجزیه و تحلیل … [+] داده‌های موجود – کسب‌وکار شما فرصت‌های بالقوه بزرگی را از دست خواهد داد.
بنابراین، این کار، مانند بسیاری از کارها در حوزه کسب و کار، شامل یک نسبت سیگنال به نویز بسیار کوچک است و برای انجام دستی به هزاران نفر ساعت نیاز دارد – کاری بسیار پرهزینه و وقت گیر. اما یک الگوریتم مبتنی بر یادگیری ماشینی را می توان آموزش داد تا اطلاعات کلیدی مورد نیاز را نسبتاً سریع به دست آورد و در زمان و تلاش قابل توجهی صرفه جویی کند. علاوه بر این، بگویید که در آینده می‌خواهید همان مجموعه پتنت‌ها یا موارد مرتبط را جستجو کنید، اما برای اطلاعات متفاوت، مانند اندازه تیم متقاضی ثبت اختراع. شما به راحتی می توانید الگوریتم را دوباره برنامه ریزی یا آموزش دهید تا آن کار را بر عهده بگیرید، و با صرفه جویی در مقیاس و بازده بیشتر سرمایه گذاری اولیه خود را به دست آورید.
دوم، اتوماسیون به بررسی و پاکسازی داده ها کمک می کند. مجموعه داده ها اغلب نیاز به کار دارند. خطاها و مقادیر گمشده، ناهنجاری ها و گاهی اوقات شواهدی از سوگیری وجود دارد. به عنوان مثال، اگر الگوریتمی برای شناسایی ویژگی‌های قانون شکنان آموزش دیده باشد، اما از داده‌ها فقط در مورد مجرمانی که دستگیر شده‌اند استفاده کند، الگوریتم مغرضانه خواهد بود زیرا فاقد داده‌هایی در مورد مجرمانی است که دستگیر نشده‌اند – یک مشکل خاص برای جنایات یقه سفید، که تمایل دارد. کمتر گزارش شود باز هم، بررسی و رسیدگی به این حجم عظیم از مشکلات احتمالی برای انجام دستی بسیار زیاد است. اما اتوماسیون امکان استقرار سریع ابزارها برای آزمایش و پاکسازی را فراهم می‌کند و در عین حال باعث صرفه‌جویی در زمان می‌شود.
سوم، و این بزرگ است، اتوماسیون موتور محرک تجزیه و تحلیل است. تحلیل‌های رگرسیون ساده دیروز تبدیل به جنگل‌های خوشه‌بندی و تصادفی امروزی شده‌اند که با یادگیری ماشینی، چه برای درک کاربران محصول، چه برای پیش‌بینی فروش ماه آینده برای بهینه‌سازی موجودی، یا پیش‌بینی تأثیر یک کمپین تبلیغاتی جدید، تقویت شده‌اند. اتوماسیون مبتنی بر ماشین نه تنها شما را قادر می سازد تا فرآیندهای تجزیه و تحلیل استاندارد شده را به طور منظم با هزینه کم تکرار کنید، بلکه می تواند الگوهای غیرخطی را که ما انسان ها نمی توانیم تشخیص دهیم.
برای مثال، آزمایشگاه من بیش از 5 میلیون پتنت را با استفاده از تحلیل‌های الگوریتم‌محور مطالعه کرد تا ببیند آیا می‌توانیم اولین فناوری‌های پیشگامانه آینده را بر اساس اطلاعات درخواست ثبت اختراع پیش‌بینی کنیم. ما فرض کردیم که اگر اختراع دارای قابلیت‌ها یا ایده‌هایی مستقل و «معجزه‌مانند» باشد، دستگاه پتنت‌های موفقیت‌آمیز آینده را از داده‌های برنامه شناسایی می‌کند. در نهایت، این الگوریتم حق ثبت اختراعات آینده را با دقت بالایی پیدا کرد، اما نه آن طور که ما انسان ها تصور می کردیم. به این معنا که الگوریتم یک پتنت موفقیت آمیز آینده را بر اساس قابلیت های مستقل خود شناسایی نکرد. در عوض، پتنت های موفق را بر اساس اینکه آیا آنها بخشی از مجموعه ای از پتنت های وابسته هستند که با هم می توانند مشکلات خاصی را در ترکیبی که هیچ اختراع فردی نمی تواند به تنهایی حل کند، حل کند شناسایی کرد.
به عنوان مثال، فناوری اولتراسوند چندین سال پس از اولین رونمایی، تأثیر زیادی بر مراقبت های بهداشتی گذاشت و امکان تصویربرداری و درمان غیرتهاجمی شرایط فیزیکی مانند سنگ کلیه و حتی برخی سرطان ها را فراهم کرد. اما این پیشرفت بدون اختراعات در مقیاس کوچکتر فراتر از فناوری اصلی غیرممکن بود – اعمال کننده ها، فرآیندهای کاهش استاتیک، پدها و گیره های پزشکی تخصصی که مستقل از فناوری اولتراسوند توسعه یافته بودند و در عین حال برای کاربرد موفقیت آمیز آن در پزشکی حیاتی هستند. تجزیه و تحلیل خودکار ما به طور قابل اعتماد وجود این دسته از پتنت های مرتبط را در بیش از 5 میلیون اختراع از محصولات بهداشتی گرفته تا آخرین فناوری توپ گلف تشخیص داد، و این خوشه ها با احتمال اینکه پتنت های موجود در آنها به فناوری های غالب آینده تبدیل شوند، همبستگی دارند. استنباط قبلاً قدردانی نشده بود.
همکار شمال غربی من، اندرو پاپاکریستوس ، تحلیل های مشابهی را به کار گرفت تا نشان دهد که فساد پلیس در شیکاگو نه از چند افسر «سیب بد» بلکه از شبکه ای از پلیس متصل است که با نیت بد عمل می کنند. کار او امکان تشخیص زودتر چنین مسائلی را فراهم می کند.
امیدوارم مزایای تقویت متقابل اتوماسیون را روشن کرده باشم، و اینکه چگونه می تواند به شما کمک کند داده ها را به ارزش بزرگ و پایدار تبدیل کنید. در واقع، هر چه داده های بیشتری داشته باشید، بیشتر به اتوماسیون نیاز دارید. هنگامی که قابلیت‌های اتوماسیون قوی دارید، می‌توانید داده‌های بیشتری را جمع‌آوری و استفاده کنید و این چرخه ادامه می‌یابد.
نتیجه نهایی: اتوماسیون یک قابلیت حیاتی فزاینده است و ممکن است برای عملکرد کوتاه مدت و بلندمدت کسب و کار شما بسیار مهم باشد. اما مهم است که بدانیم چگونه ارزش را افزایش می‌دهد، و گام‌هایی برای کاهش معایب واقعی آن، به نفع شرکت شما و جامعه گسترده‌ای که در آن فعالیت می‌کند، برداریم.
در بخش دوم این مقاله، سه نقطه ضعف اصلی اتوماسیون -قابلیت توضیح، شفافیت و هزینه- و نحوه رسیدگی به این موارد را مورد بحث قرار خواهم داد.

source