صنعت نفت و گاز یکی از صنایع کلیدی و مهمی است که قدرت اقتصادی بسیاری از کشورها به آن بستگی دارد و در قرن اخیر، کلید توسعه بخش‌های مختلفی بوده است. از جمله مشخصه‌های بارز این صنعت 6 تریلیون دلاری، می‌توان به پیچیدگی زیاد در بخش زنجیره تامین، داشتن اثرات ژئوپولتیکی قابل توجه و نیاز به ایجاد تعادل میان پایداری و امنیت انرژی اشاره کرد. چالش‌های کلیدی این صنعت نیز عبارتند از بی‌ثباتی قیمت‌ها، تنش‌های ژئوپولتیک، دستیابی به نقطه صفر خالص (جایی که در آن میزان گازهای گلخانهای تولید شده با مقادیری که به هر روشی از جو حذف شده‌اند، به توازن می‌رسند) و تقاضا برای دستیابی به راهکارهای نوآورانه‌ای که انعطاف‌پذیری لازم را تضمین کنند. به چنین صنعتی اساسا به چشم یک بخش سنتی نگاه می‌شود که در تطبیق یافتن با تحولات دیجیتال کند است و با روی کار آمدن هوش مصنوعی، در مسیر تکامل قرار گرفته است. اکنون هوش مصنوعی، به عنصری برای تغییر میدان بازی در این صنعت تبدیل شده که می‌تواند بخش‌های مختلف، از تولید و استخراج نفت خام تا پالایش و توزیع محصولات پالایش‌شده را تحت تاثیر قرار دهد. فناوریهای پیشرفتهای مانند یادگیری ماشین، تحلیل‌های پیش‌بینی‌کننده، و اتوماسیون، به شرکتهای فعال در صنعت نفت و گاز کمک می‌کند تا عملیات را ساده‌سازی و ساماندهی کنند، ریسکهای سرمایه‌گذاری را کاهش دهند، از میزان انتشار گازهای گلخانهای بکاهند و در مسیر رشد پایدار قرار بگیرند.
گزارش‌های که اخیرا از سوی شرکتهای مطرح تحقیقات بازار ارائه شده، ارزش بازار هوش مصنوعی در صنعت نفت و گاز را در سال 2024 حدود 3.14 میلیارد دلار برآورد کرده و پیش‌بینی شده است که این عدد با نرخ رشد مرکب سالیانه 12.61 درصدی، تا سال 2029 به 5.7 میلیارد دلار برسد. حالا و با نقش‌آفرینی آمریکای شمالی به عنوان پیشگام این حوزه و آسیا اقیانوسیه به عنوان بازاری که به سرعت در حال رشد است، هوش مصنوعی دیگر یک گزینه نیست؛ بلکه برای شرکتهایی که مایلند در میدان رقابت باقی بمانند، به ضرورت اجتناب‌ناپذیری تبدیل شده که نمی‌توان آن را نادیده گرفت.
کشف و شکوفایی مزیت‌های جدید به کمک هوش مصنوعی
نیاز جدی به کارایی عملیاتی، ایمنی، کاهش هزینه‌ها و تاکید فزاینده بر رشد پایدار، تحول عمیق صنعت نفت و گاز با نقش‌آفرینی کلیدی هوش مصنوعی را تسریع کرده است. در سال 2021، شرکت C3 AI، با هدف عرضه اکوسیستمی که ارائه راهکارهای عملیاتی و ویژه مبتنی بر هوش مصنوعی به اپراتورهای انرژی، تامین‌کنندگان تجهیزات و خدمات و عرضه‌کنندگان نرم‌افزارهای عملیات مرتبط با انرژی را در دستور کار دارد، با شرکتهای Shell، Baker Hughes و Microsoft، وارد همکاری شد. در حقیقت هوش مصنوعی در سراسر زنجیره ارزش صنعت نفت و گاز، کاربردهای عملیاتی مختلفی ایجاد می‌کند که می‌تواند عملیات گسترده‌ای را، از اکتشاف و استخراج بالادستی تا توزیع پایین‌دستی شامل شود. با یکپارچه کردن هوش مصنوعی با فرآیندها، شرکتها توانسته‌اند گردش‌کاری خود را بهینه‌سازی کنند، زمان و هزینه فرآیندها را کاهش دهند و در فرآیندهای تصمیم‌گیری – از قضاوت‌های ذهنی تا بینش‌های داده‌محور- به ویژه در بخش‌های بالادستی تجدیدنظر کنند.
عملیات بالادستی: اکتشاف، توسعه مخازن و تولید
در بخش بالادستی، هوش مصنوعی با بهره‌گیری از داده‌ها و تحلیل‌های پیشرفته، کارایی عملیات را افزایش داده و بینش‌های عملیاتی ارزشمندی را در فعالیت‌های کلیدی ارائه می‌دهد. کاربردهای این فناوری شامل موارد زیر است:
نقشه‌برداری لرزه‌ای و مدلسازی مخازن
هوش مصنوعی با بهره‌گیری از یادگیری عمیق، انقلابی در فرآیندهای نقشه‌برداری لرزه‌ای و مدلسازی مخازن ایجاد کرده است؛ به‌گونه‌ای که فرآیندهایی که پیشتر هفته‌ها به طول می‌انجامیدند، اکنون به بینش‌های آنی تبدیل شده‌اند. این تحول، استاندارد جدیدی را در کارایی عملیات بالادستی ایجاد کرده است. شرکتهایی مانندSubsurfaceAI و GeoplatAI با همکاری شرکتهای بزرگ فعال در صنعت انرژی، خدمات مدلسازی زمین‌شناسی، توصیف مخازن و تفسیر داده‌های لرزه‌ای را ارائه می‌دهند. این راهکارهای مبتنی بر هوش مصنوعی، زمان اکتشاف را به میزان قابل توجهی کاهش داده و در عین حال، دقت را بهبود بخشیده و ریسک حفر چاه‌های خشک را به حداقل رسانده‌اند.
بهینه‌سازی حفاری
مدل‌های هوش مصنوعی در زمان واقعی (Real time)، با پیش‌بینی مسیرهای بهینه و کاهش زمان‌های غیرمولد(NPT) ، عملیات حفاری را متحول کرده‌اند. نرخ نفوذ (ROP) یکی از پارامترهای کلیدی است که تأثیر مستقیمی بر هزینه کلی عملیات دارد و شرکتها در تلاشند تا آن را بهینه‌سازی کنند. به عنوان نمونه، شرکتAIQ مستقر در ابوظبی، با همکاری ADNOC، Baker Hughes و CORVA (از پیشگامان ارائه راهکارهای بهینه‌سازی حفاری)، پروژه‌ای را برای بهینه‌سازی نرخ نفوذ (ROP) در میادین نفتیADNOC با استفاده از راهکارهای پیشرفته هوش مصنوعی آغاز کرده‌اند. در حوضه Delaware، شرکتهای CORVA و NABORS یک راهکار مبتنی بر هوش مصنوعی برای بهینه‌سازی نرخ نفوذ ارائه داده‌اند که منجر به افزایش ۳۶ درصدی نرخ نفوذ در حفاری‌های افقی و کاهش ۹.۷ درصدی ارتعاشات شده است.
نگهداری و تعمیرات پیش‌بینی‌کننده
عملیات بالادستی به‌طور مداوم با چالش‌هایی مانند توقف‌های ناگهانی و خرابی تجهیزات مواجه است که چنین رخدادهایی عموما منجر به افزایش هزینه‌ها می‌شوند. راهکارهای نگهداری و تعمیرات پیش‌بینی‌شده مبتنی بر هوش مصنوعی میتوانند با تحلیل داده‌های تجهیزات (که از طریق دستگاه‌های اینترنت اشیا (IoT) جمع‌آوری می‌شوند) و بهره‌گیری از الگوریتم‌های یادگیری ماشین، از بروز خرابی‌های احتمالی جلوگیری کنند. شرکت C3 AI با همکاری Shell، راهکارهای نگهداری و تعمیرات پیش‌بینی‌کننده را برای نظارت بر بیش از ۱۰,۰۰۰ قطعه تجهیزات حیاتی در عملیات بالادستی و دارایی‌های یکپارچه گازی این شرکت در سطح جهانی ارائه کرده است. از آنجا که هر قطعه از تجهیزات، دارای ویژگی‌های منحصربه‌فردی هستند و چالش‌های خاص خود را دارند، بیش از دو میلیون مدل هوش مصنوعی برای مدیریت این تجهیزات توسعه داده شده است.
عملیات میان‌دستی: حمل‌ونقل، ذخیره‌سازی و زیرساخت‌ها
بخش میان‌دستی از هوش مصنوعی برای بهینه‌سازی لجستیک، افزایش قابلیت اطمینان زیرساخت‌ها و جلوگیری از نشت مواد بهره می‌برد تا جریان انتقال انرژی با حداقل اختلالات انجام شود. برخی از کاربردهای کلیدی این فناوری عبارت‌اند از:
پایش زیرساخت‌های خطوط لوله
خطوط لوله نفت و گاز که سوخت‌های پرفشار را در زیر زمین منتقل می‌کنند، همواره در معرض ترک‌های کوچک و خوردگی قرار دارند که می‌تواند منجر به نشتی‌های پرهزینه و آسیب‌های زیست‌محیطی شود. سیستم‌های مبتنی بر هوش مصنوعی، نظارت بر خطوط لوله را متحول کرده‌اند؛ به‌گونه‌ای که میتوانند نشتی و خوردگی را به صورت آنی شناسایی کرده، ریسکهای زیست‌محیطی را کاهش داده، هزینه‌های تعمیرات را به حداقل رسانده و از توقف‌های ناگهانی جلوگیری کنند.
GeoAI، محصول شرکت Cyient، با استفاده از داده‌های مشاهده زمین و الگوریتم‌های یادگیری ماشین، خطوط لوله را پایش می‌کند. این فناوری قادر است نشتی‌ها را شناسایی و موقعیت دقیق آنها را مشخص کرده و همچنین با استفاده از فناوریهای سنجش از دور مانند تصاویر ماهواره‌ای، لیدار و پهپادها، خوردگی را در طول خطوط لوله نفت و گاز پایش کند.
تحلیل مزارع مخازن نفتی
با توجه به نوسانات قیمت نفت و تنش‌های ژئوپلیتیکی مداوم، بهینه‌سازی استفاده از مخازن نفتی برای جلوگیری از اختلال در زنجیره تأمین امری حیاتی است. در حال حاضر، مخازن بدون توجه به وضعیت واقعی آنها، هر ۱۰ تا ۱۵ سال یک‌بار پس از بهره‌برداری تحت نگهداری و بازرسی (M&I) قرار می‌گیرند. در مواردی که چندین مخزن همزمان به بهره‌برداری می‌رسند، خارج کردن همزمان آنها از سرویس برای نگهداری و بازرسی، ریسک اختلال در عرضه را افزایش می‌دهد. این مسئله، نیاز به یک رویکرد استراتژیک داده‌محور برای اولویت‌بندی هوشمندانه فعالیت‌های تعمیر و نگهداری را برجسته می‌کند.
راهکار Rentina360 AI، محصول گروه Bahwan CyberTek، به‌عنوان یک سیستم تحلیل مزارع مخازن نفتی، اولویت‌بندی تعمیرات مخازن را به‌صورت هوشمندانه انجام می‌دهد. این سیستم با استفاده از یک کارت امتیاز سلامت جامع، فاکتورهای کلیدی از جمله خوردگی صفحات زیرین مخازن، میزان تخمینی رسوبات نفتی و خواص نفت خام را ارزیابی کرده و با برنامهریزی بهینه تعمیر و نگهداری، از اختلالات عملیاتی جلوگیری می‌کند.
عملیات پایین‌دستی: پالایش، ذخیره‌سازی و توزیع
عملیات پایین‌دستی به‌عنوان بخش کلیدی زنجیره ارزش نفت و گاز، بیشترین ارزش اقتصادی را ایجاد می‌کنند. یکپارچه‌سازی هوش مصنوعی در این بخش، سطح کارایی پالایشگاه‌ها را به میزان بی‌سابقه‌ای افزایش می‌دهد که تأثیر مالی آن به میلیون‌ها دلار می‌رسد. برخی از مهم‌ترین کاربردهای این فناوری عبارت‌اند از:
بهینه‌سازی ترکیب نفت خام
پالایشگاه‌ها برای بهینه‌سازی کیفیت محصولات، تأمین تقاضای بازار، کاهش مصرف انرژی و رعایت مقررات زیست‌محیطی اقدام به ترکیب انواع مختلف نفت خام می‌کنند. عواملی مانند گرانش API، میزان گوگرد و منحنی تقطیر نقش مهمی در تعیین ویژگی‌های نهایی ترکیب دارند.
مدل‌های هوش مصنوعی میتوانند ویژگی‌های انواع نفت خام موجود را تحلیل کرده و ترکیب بهینه را بر اساس نیازهای پالایشگاه پیشنهاد دهند. راهکار CrudeAI Blendix، محصول AISPAK، با در نظر گرفتن پارامترهایی نظیر کیفیت نفت، تقاضای بازار و محدودیت‌های عملیاتی، استراتژی بهینه ترکیب نفت خام را پیشنهاد می‌کند که ضمن افزایش سودآوری، متضمن کیفیت محصول و رعایت الزامات قانونی است.
بهینه‌سازی برنامهریزی تعمیرات پالایشگاهی
تعمیرات اساسی پالایشگاه‌ها (Refinery Turnaround) شات‌داون‌های برنامه‌ریزی‌شده‌ای هستند که برای اطمینان از ایمنی، کارایی و رعایت استانداردهای عملیاتی پالایشگاه انجام می‌شوند. برای اینکه پالایشگاه بتواند با حداکثر بازدهی و در چارچوب استانداردهای طراحی و قانونی فعالیت کند، این دوره‌ها برای نگهداری، بازرسی و ارتقا تجهیزات پالایشگاهی ضروری هستند.
راهکارهای هوش مصنوعی در بهینه‌سازی تعمیرات پالایشگاهی، با پیش‌بینی تأخیرها، انجام تحلیل سناریوهای مختلف، بهینه‌سازی زمان‌بندی در لحظه و نظارت بر اجرای پروژه، به مدیریت پروژه (PMO) کمک می‌کنند تا مراحل تعمیرات را در محدوده بودجه و زمان‌بندی تعیین‌شده اجرا کند.
راهکارهای بهینه‌سازی تعمیرات C3 AI، با استفاده از داده‌های تاریخی تعمیر و نگهداری، میزان دسترسی به منابع، عملکرد گذشته تجهیزات و داده‌های حسگرهای صنعتی، ریسک‌ها را شناسایی کرده و راهکارهای مبتنی بر داده را برای کاهش خسارات پیشنهاد می‌دهند. این سیستم‌ها کارایی و اثربخشی برنامهریزی تعمیرات را به میزان قابل توجهی افزایش می‌دهند.
راهکارهای مدیریت انرژی
با توجه به گذار صنعت نفت و گاز به سمت انتشار صفر خالص (Net Zero)، راهکارهای مدیریت انرژی نقشی حیاتی در بهینه‌سازی مصرف انرژی و کاهش انتشار گازهای گلخانهای (GHG) ایفا می‌کنند.
این راهکارها با ادغام هوشمند انرژی‌های تجدیدپذیر در عملیات نفت و گاز و استفاده از تحلیل داده و یادگیری ماشین، میزان تقاضای انرژی را پیش‌بینی و تولید را بهینه‌سازی می‌کنند.
راهکار مدیریت انرژی Enel X، دید جامعی از مصرف انرژی، هزینه‌ها و فرصت‌های صرفه‌جویی در مصرف انرژی شرکتها ارائه می‌دهد. این سیستم با تجمیع داده‌های حسگرهای خطوط تولید، صورتحساب‌های مصرفی، الگوهای مصرف تاریخی و سیستم‌های برنامهریزی منابع سازمانی(ERP)، فرصت‌های کاهش مصرف انرژی و کنترل انتشار گازهای گلخانهای را شناسایی می‌کند.
با پایش مداوم مصرف انرژی از طریق این راهکارهای مبتنی بر هوش مصنوعی، شرکتها میتوانند مصرف انرژی را بهینه کرده، هزینه‌های انرژی را کاهش دهند، میزان انتشار گازهای گلخانهای را کنترل و فرآیند گذار به انتشار خالص صفر را تسریع کنند.
مدیریت زنجیره تأمین
مدیریت زنجیره تأمین (SCM) به کسب‌وکارها کمک می‌کند تا عملیات زنجیره تأمین را، از تأمین مواد خام گرفته تا تحویل محصولات نهایی، بهینه و مقاوم‌سازی کنند؛ هوش مصنوعی با بهبود امکان نظارت لحظه‌ای در میان ذینفعان مختلف، عملکرد زنجیره تأمین را بهبود می‌بخشد و بخش‌های مختلف، از خرید مواد اولیه با قیمت مناسب و در زمان مناسب گرفته تا مدیریت موجودی، پیش‌بینی تقاضا، تنظیم برنامه‌های تولید و بهینه‌سازی مسیرهای حمل‌ونقل را پوشش می‌دهد.
یکپارچگی بهینه زنجیره تأمین باعث می‌شود که پالایشگاه‌ها، توزیع‌کنندگان و خرده‌فروشان به صورت آنی بتوانند با هم هماهنگ شوند و در نتیجه اختلالات به حداقل و سودآوری به حداکثر برسد.
در حالی که نرم‌افزارهای برنامهریزی نیازمندی‌های مواد (MRP) از پیش‌بینی‌های مبتنی بر تقاضای تاریخی، موجودی در دسترس، زمان تحویل تأمین‌کنندگان و موجودی ایمنی هدف برای مدیریت مواد استفاده می‌کنند، اما قابلیت در نظر گرفتن نوسانات لحظه‌ای مانند تأخیر در تأمین یا پیش‌بینی‌های نادرست تقاضا را ندارند. این ضعف منجر به کاهش سطح خدمات می‌شود.
راهکار C3 AI این چالش‌ها را با تجمیع داده‌های مختلف از جمله لیست مواد (BOM)، جابه‌جایی‌های موجودی تأمین‌کنندگان، پیش‌بینی‌های تقاضا و داده‌های انتقال داخلی موجودی حل کرده و با مدلسازی نوسانات تقاضا، زمان‌های تحویل تأمین‌کننده و موقعیت‌های موجودی، پارامترهای سفارش مجدد را بهینه می‌کند. این امر هزینه‌های نگهداری و حمل‌ونقل را در سطح SKU کاهش می‌دهد.
همچنین، راهکار بهینه‌سازی مسیر NextBillion.ai با بهره‌گیری از هوش مصنوعی، کارآمدترین مسیرهای حمل‌ونقل را تعیین می‌کند. الگوریتم‌های سنتی بر اساس نقشه‌های ثابت و مسیرهای از پیش تعیین‌شده کار می‌کنند که انعطاف‌پذیری پایینی دارند؛ اما الگوریتم‌های هوش مصنوعی با تحلیل داده‌هایی مانند الگوهای ترافیکی، پیش‌بینی‌های آب‌وهوا، انسدادهای جاده‌ای و محدودیت‌های تحویل، مسیرهای بهینه را انتخاب کرده و هزینه‌های لجستیکی را کاهش می‌دهند.
عملیات خرده‌فروشی سوخت
هوش مصنوعی تحولی اساسی در بخش خرده‌فروشی سوخت ایجاد کرده است؛ از بهینه‌سازی عملیات و بهبود تجربه مشتری تا ارتقای امنیت. اینترنت اشیا (IoT) نقش کلیدی در توسعه راهکارهای مبتنی بر هوش مصنوعی داشته و تجربه مشتری را متحول کرده است.
کاربردهای مهم این فناوری شامل بهینه‌سازی موجودی از سطح پمپ‌های سوخت، طراحی برنامه‌های وفاداری و پاداش‌دهی، اجرای کمپین‌های بازاریابی متناسب با رفتار خرید مشتریان و تحلیل داده‌های پایانه‌های فروش (POS) و ویدئوهای نظارتی برای شناسایی موارد امنیتی است.
برای مثال، مایکروسافت Azure IoT Edge AI با همکاری Shell راهکارهای تحلیل ویدئویی مبتنی بر هوش مصنوعی را در پمپ‌های بنزین سنگاپور و تایلند پیاده‌سازی کرده است.
این سیستم‌ها داده‌ها را در لحظه پردازش کرده و خطرات احتمالی، مانند سیگار کشیدن در نزدیکی پمپ‌های سوخت را شناسایی می‌کنند. در صورت وقوع موارد مشکوک، ویدئوها برای تحلیل پیشرفته به فضای ابری ارسال شده و هشدارهای فوری صادر می‌شوند. این قابلیت، امکان واکنش سریع برای جلوگیری از حوادث بالقوه را فراهم می‌کند.
چالش‌های پذیرش هوش مصنوعی در صنعت نفت و گاز
با وجود پتانسیل تحول‌آفرین هوش مصنوعی در صنعت نفت و گاز، پیاده‌سازی و پذیرش گسترده آن با چالش‌هایی مواجه است که برای آزادسازی حداکثری ارزش این فناوری، نیازمند رفع آنها هستیم.
شکاف مهارتی نیروی کار
اجرای راهکارهای هوش مصنوعی مستلزم ایجاد نقش‌های شغلی جدید برای نیروی کار است که بتوانند سیستم‌های هوش مصنوعی را توسعه، نگهداری و تحلیل کنند. اکثر راهکارهای هوش مصنوعی به‌صورت عمومی طراحی شده‌اند و برای تطبیق با زمینه‌های خاص کسب‌وکار و داده‌های موجود، نیاز به سفارشی‌سازی دارند. بنابراین، شرکتها باید متخصصان داده و هوش مصنوعی داخلی را پرورش دهند تا بتوانند این فناوری را به‌طور مؤثر پیاده‌سازی و مدیریت کنند.
BP این چالش را به‌خوبی درک کرده و برنامه «آکادمی دیجیتال» را راه‌اندازی کرده است. این برنامه آموزشی، نیروی کار را در زمینه‌های هوش مصنوعی و فناوریهای دیجیتال توانمند می‌کند و مهارت‌های لازم را برای کار با سیستم‌های هوشمند در اختیار آنها قرار می‌دهد.
یکپارچگی و کیفیت داده‌ها
ابزارهای هوش مصنوعی برای دستیابی به حداکثر کارایی، به داده‌های باکیفیت و در حجم کافی نیاز دارند. اگر داده‌های ورودی دچار خطا یا آلودگی باشند، حتی پیشرفته‌ترین الگوریتم‌ها نیز خروجی مفیدی ارائه نخواهند داد. در عملیات نفت و گاز، مقادیر عظیمی از داده‌های خام تولید می‌شود، اما مشکلات مربوط به کیفیت و دقت این داده‌ها باعث می‌شود ساعات زیادی صرف پاک‌سازی و اصلاح آنها شود.
برای بهبود کیفیت داده‌ها، شرکتها باید ساختارها و فرآیندهای سازمانی خود را به‌سمت چابکی بیشتر بازطراحی کنند و از سیستم‌های متمرکز ذخیره‌سازی داده استفاده کنند تا دسترسی آسان و به‌موقع برای نیروی انسانی و راهکارهای هوش مصنوعی فراهم شود.
Shell سرمایه‌گذاری گسترده‌ای روی توسعه اکوسیستم‌های دیجیتال یکپارچه انجام داده که از فناوریهای دوقلوهای دیجیتال(Digital Twins) و ربات‌های دارای تأییدیه ATEX برای جمع‌آوری داده‌های میدانی باکیفیت و لحظه‌ای استفاده می‌کند. این داده‌ها در مراکز داده متمرکز ذخیره شده و امکان دسترسی سریع و یکپارچه را در سطح جهانی فراهم می‌کنند. این رویکرد، بهینه‌سازی عملیات، بهبود تصمیم‌گیری و پیشبرد نوآوری از طریق بینش‌های مبتنی بر داده را ممکن می‌سازد.
هزینه‌های بالای پیاده‌سازی
سرمایه‌گذاری اولیه در فناوریهای هوش مصنوعی، از جمله سخت‌افزار، نرم‌افزار و آموزش نیروی کار، بسیار قابل‌توجه است و بازگشت سرمایه ممکن است در کوتاه‌مدت ملموس نباشد. برای مدیریت هزینه‌ها و کاهش ریسک، شرکتها میتوانند ابتدا بر حوزه‌های اولویت‌دار یا فرصت‌های زودبازده تمرکز کنند.
رویکرد مرحله‌ای در پیاده‌سازی هوش مصنوعی به شرکتها امکان می‌دهد که به‌صورت تدریجی از مزایای آن بهره‌مند شوند، در عین حال منحنی یادگیری خود را بهبود بخشند و از موفقیت‌های اولیه، درس‌های ارزشمندی بگیرند. این استراتژی، علاوه بر کنترل هزینه‌ها، مسیر رشد مقیاس‌پذیر و بهره‌وری پایدار از هوش مصنوعی را هموار می‌کند.
ریسکهای امنیت سایبری
افزایش وابستگی به سیستم‌های دیجیتال، ریسک حملات سایبری را افزایش می‌دهد. شرکتها میتوانند با اجرای پروتکل‌های امنیتی، احراز هویت چندمرحله‌ای، برنامه‌های مدیریت ریسک، فایروال‌های پیشرفته و ارزیابی‌های امنیتی دوره‌ای، از دارایی‌های دیجیتال خود محافظت کنند.
مقررات و مسائل اخلاقی
چالش‌های نظارتی و اخلاقی، از موانع مهم در پذیرش هوش مصنوعی هستند. شرکتها باید اطمینان حاصل کنند که سیستم‌های هوش مصنوعی آنها مطابق با قوانین محلی عمل کرده و درعین‌حال، شفافیت و اعتماد را حفظ کنند. مشارکت در تدوین مقررات و پیاده‌سازی چارچوب‌های اخلاقی برای مدیریت هوش مصنوعی، می‌تواند به ایجاد اعتماد در میان ذینفعان کمک کند.
مسیر پیش رو
هوش مصنوعی در حال تحول صنعت نفت و گاز است و روش‌های سنتی را با بهره‌وری و نوآوری جایگزین می‌کند. از بهبود دقت اکتشاف گرفته تا بهینه‌سازی زنجیره تأمین، این فناوری مزایای گسترده‌ای ارائه می‌دهد. بااین‌حال، آینده این صنعت به ادغام پیشرفتهای هوش مصنوعی با شیوه‌های پایدار بستگی دارد.
در سالهای آینده، راهکارهای مبتنی بر هوش مصنوعی نقشی کلیدی در بهینه‌سازی مصرف انرژی، کاهش آلاینده‌ها و افزایش ایمنی ایفا خواهند کرد. فراتر از عملیات صنعتی، هوش مصنوعی وظایفی مانند گزارش‌دهی مالی، ردیابی تطابق با مقررات و فرآیندهای تأیید را خودکار کرده و منابع انسانی را به فعالیت‌های راهبردی‌تر سوق خواهد داد.
همکاری بین شرکتها برای مقیاس‌پذیری راهکارهای هوش مصنوعی و غلبه بر چالش‌های مشترک ضروری خواهد بود. سرمایه‌گذاری در هوش مصنوعی پایدار، اعتمادسازی در میان ذینفعان و تقویت نوآوری، راه را برای آینده‌ای کم‌کربن و مقاوم در برابر تغییرات هموار خواهد کرد.
در همایشی که یکشنبه ۲۸ بهمن‌ماه در ساختمان مرکزی بانک تجارت برگزار شد، داتا از تدوین سند استراتژی هوش مصنوعی بانک تجارت خبر دارد و از برنامه جامع خود با نام «AI Challenger» برای دخیل کردن بیشتر هوش مصنوعی در مجموعه خدمات این بانک رونمایی کرد.
در این نشست که «همگرایی برای تحول هوشمندانه» نام گرفته بود، جمع کثیری از مدیران ارشد بانک تجارت و متخصصان هوش مصنوعی و فناوریهای بانکی حضور داشتند ضمن تاکید بر ضرورت تغییر نگاه بانکها در میدان رقابت، شماری از برنامه‌های تدوین شده برای موفقیت بانک تجارت در مسیر تحول هوش مصنوعی مورد بحث و بررسی قرار گرفت. در ادامه این نشست مسیر حرکت برخی کشورهای توسعه یافته برای بهره‌برداری حداکثری از هوش مصنوعی در حوزه خدمات بانکی و تجربه مشتریان مورد بررسی قرار گرفت.
هدف‌گذاری بانک تجارت، حرکت همه‌جانبه به سوی هوش مصنوعی است
در ابتدای این نشست، مرتضی ترک تبریزی، رییس هیئت مدیره بانک تجارت به مرور آنچه از چند سال پیش برای هوشمندسازی هرچه بهتر سرویس‌های بانک تجارت انجام شده پرداخت و شروع این مسیر را مرهون تلاش‌های تفتا و تاسیس شرکت داتا دانست. وی با بیان اینکه هوش مصنوعی چیزی فراتر از چت‌باتهایی مانند Chatgpt است که این روزها توسط مردم مورد استفاده قرار می‌گیرد گفت: «برنامه ما برای به‌کارگیری هوش مصنوعی در بانک تجارت آن است که این فناوری مانند گوشواره‌ای به تمامی بخش‌ها متصل شود و مدیران هر بخش به فکر این باشند که کدام فعالیت‌هایشان را میتوانند با استفاده از هوش مصنوعی سریعتر و بهینه‌تر انجام دهند.»
ترک تبریزی با بیان اینکه بانک تجارت از گذشته تا امروز در مسیر تحولات فناورانه قرار داشته است افزود: «ما در سال ۹۹-۹۸ توجه به بانکداری دیجیتال را آغاز کردیم و یکی از چهار بانکی بودیم که سند تحول دیجیتال بانک را به تایید وزارت اقتصاد رساندیم. سندی که یکی از بهترین سندها در این زمینه شناخته شد.» او در ادامه با اشاره به نقش تکنوتجارت به عنوان بازوی سرمایه‌گذاری بانک تجارت در حوزه‌های نوین گفت: «در بخش دیگری از برنامه‌ها، توجه به بحث‌های فینتک و نوآوری را مورد تاکید قرار دادیم و تلاش‌های مدونی برای به‌کارگیری آن در تحولات فناورانه آغاز شد. شرکت داتا نیز یکی از نهادهایی بود که با هدف مدیریت حوزه داده، در کنار بخش‌های فناوری اطلاعات بانک و هوش تجاری تاسیس شد تا هر بخش بتواند به تناسب نیاز خود از پتانسیل‌های داده‌ها برای مدیریت بهتر امور کمک بگیرد.»
رییس هیئت مدیره بانک تجارت با بیان اینکه اکنون و در ادامه این اقدامات، برنامه‌هایی برای ایجاد تحول هوش مصنوعی در بانک انجام شده است تاکید کرد: «مسیر تعریف شده، نیازمند مشارکت و نقش‌آفرینی تمام بخش‌های بانک است؛ تا بتوانیم اهداف مشخص شده را محقق کنیم و در نهایت مشتری بتواند ورود هوش مصنوعی به سرویس‌های بانک و لذت تجربه این تحول را در تعامل با بانک تجارت حس کند.»
تدوین نقشه راه هوش مصنوعی بانک تجارت در هفت بخش
تشریح نقشه راه پیاده‌سازی هوش مصنوعی در بانک تجارت، بخش اصلی این همایش بود که محور صحبت‌های علی گلزاده، مدیرعامل داتا قرار گرفت. گلزاده ضمن ترسیم این مسیر، اجرای پروژه‌ی جامع «AI Challenger» را برای مرتبط ساختن نیازمندی‌های بانک به این نقشه راه ضروری دانست. او در تبیین وضعیت پیشرفت کشور در زمینه هوش مصنوعی، به مدلی از گارتنر استناد کرد و گفت: «شرکتهای ایرانی عمدتا در شروع راه قرار داشته و صرفا در حال شناخت این مسیر هستند. اما با نقشه راهی که ما برای بانک تعریف کرده‌ایم، انتظار می‌رود ظرف دو سال، بانک تجارت بتواند به بلوغ اولیه در این زمینه برسد.»
مدیرعامل داتا، سرویس‌های هوش مصنوعی را از نظر میزان دخالت انسان به سه دسته «بات‌ها»، «دستیارهای هوش مصنوعی» و «عاملان» (Agents) تقسیم کرد و گفت: «اساسا بانک‌هایی که از هوش مصنوعی استفاده می‌کنند بخش‌های مدیریت ریسک، بهبود تجربه مشتری، خودکارسازی فرآیندها و تحلیل داده را درگیر این فناوری می‌کنند. بانک‌هایی که به بلوغ اولیه رسیده‌اند، اکنون تا حدی استفاده از دستیارهای هوشمند را آغاز کرده‌اند و بانک‌هایی که رتبه بلوغ بالاتری دارند، کل فعالیت خود را توسط هوش مصنوعی انجام می‌دهند.»
گلزاده با گریزی به برخی الگوهای جهانی و اینکه در سال ۲۰۲۳ حدود ۲۱ میلیارد دلار برای به‌کارگیری هوش مصنوعی در صنعت جهانی بانکداری هزینه شده است، برآورد کرد که برای پیشرفت بانک تجارت در این سال، می‌بایست ارزش مجموع پروژه‌های هوشمندسازی تعریف شده برای این بانک، چیزی در حدود ۱۵ میلیون دلار باشد. این در حالی است که به گفته او در حال حاضر، ارزش پروژه‌های تعریف شده، صرفا معادل ۸ تا ۱۰ درصد این مبلغ است و نشان می‌دهد ما هنوز نسبت به عرف دنیا عقب هستیم.
او در ادامه به تشریح طرح کلانی که داتا برای نقشه راه هوش مصنوعی بانک تجارت تدوین کرده پرداخت و گفت: «این طرح، هفت بخش عمده دارد که بخش نخست آن زیربنایی است و به تامین زیرساخت‌ها و آماده‌سازی داده‌های لازم برای انجام تحلیل اشاره دارد. پس از این بخش، پلتفرم قرار دارد که روی زیرساخت تعریف می‌شود و مدیریت زیرساخت را عهده‌دار است. در ادامه سرویس‌های هوش مصنوعی هستند که روی این پلتفرم توسعه داده می‌شوند. موضوعات امنیت، آموزش و فرهنگ‌سازی و ایجاد سندباکس، از دیگر بخش‌هایی هستند که در این نقشه به آنها توجه شده تا بتوان داده‌های محدودی را برای تست سرویس‌های هوش مصنوعی در اختیار شرکت های فینتکی قرار داد.»
مدیرعامل داتا اظهار کرد: «در هفت دسته تعریف شده، اکنون سه دسته مشخص را در دست کار داریم؛ یکی از آنها AI Hub است که در آن به ایجاد زیرساخت‌های پردازشی، دادهای و پلتفرم و سرویس‌های هوش مصنوعی را شامل می‌شود. بعدی Data Hub است که تجمیع و یکپارچه‌سازی و بالا بردن کیفیت داده‌ها را مورد توجه دارد و دیگری متخصصین هوش مصنوعی هستند که تمرکز عمده آن در شرکت داتا و برخی شرکتهایی است که از کسب‌وکار بانک شناخت دارند.» گلزاده تصریح کرد: «بر اساس نقشه راه دو ساله تدوین شده، برخی بخش‌ها مانند ایجاد زیرساخت‌های سخت‌افزاری و تدوین نقشه راه اولیه، انجام شده و تدوین سند استراتژی جامع برای هوش مصنوعی را در همکاری با مدیران بانک در دستور کار داریم. ارائه برخی خدمات و سرویس‌های هوش مصنوعی و ارزیابی کیفیت مرکز تماس با استفاده از هوش مصنوعی که به کاهش هزینه‌ها و بهبود رضایت مشتریان می‌انجامد، نمونه‌هایی از این اقدامات هستند که به مرور به تعداد آنها افزوده خواهد شد.»
مدیرعامل داتا ابراز امیدواری کرد که طبق مذاکرات انجام شده، قرار است در هشت رسته کسب‌وکاری شامل نظارت، رقابت، امنیت، سودآوری، مدیریت ریسک، مطالبات، فناوری و تجهیز منابع، به بانک سرویس‌دهی انجام شود و به این ترتیب، برنامهریزی شده تا ظرف دو سال مقرر، سرویس‌هایی برای پاسخ به نیازهای بانک در این بخش‌ها ارائه شود.
گلزاده در ادامه افزود: «بعدها و در مسیر توسعه پروژه‌ای با عنوان«AI Challenger» هر کدام از این سرویس‌ها مورد بحث قرار می‌گیرند و در آن مسیر درباره پروژه‌هایی که بازدهی سریع‌تری داشته و یا برای بانک اولویت دارند، تصمیم‌گیری می‌شود. برنامه‌ای که برای اجرا در دو سال اول طرح تعریف شده، کاملا با نیازها و اولویت‌های بانک مطابقت دارند و در ادامه نیز به طور مفصل در برنامه تعریف شده مورد بررسی و بازبینی قرار خواهند گرفت. او تاکید کرد: «تلاش ما آن است که در نهایت عملیات بانکی به سمتی برده شود که نیاز به دخالت‌های انسانی به حداقل برسد.»
مدیرعامل داتا در جمع‌بندی اظهارات خود گفت، هدف از برنامه «AI Challenger» آن است که در مسیر این تحول و عرضه سرویس‌های هوش مصنوعی، بدنه بانک را نیز با خود همراه کنیم و خروجی‌های ایجاد شده، کاملا برای بانک کاربردی باشند. به گفته او این برنامه راهبردی در چهار مرحله کاوشگر، دانشگر، سازنده و چالشگر طراحی شده و به زودی جزیئات بیشتری از آن منتشر خواهد شد.
رویکرد بانک تجارت در زمینه هوش مصنوعی، «راهبری داده» است
حمیدرضا شریفیان، نائب رییس هیئت مدیره بانک تجارت نیز در صحبت‌هایی، نگاه ویژه هیئت مدیره و مدیرعامل بانک به ایجاد تحولات دیجیتال، پیاده‌سازی برنامه‌های داده‌محوری و توجه به بحث امنیت را مایه مسرت دانست و ابراز امیدواری کرد که مجموعه بانک تجارت به زودی شاهد عملیاتی‌شدن پروژه‌های هوش مصنوعی در سطح گسترده باشد. او آگاهی از حوزه هوش مصنوعی را از ضرورت‌های جامعه امروزی دانست و گفت: «سال‌ها پیش گفته می‌شد که اگر کسی توانایی کار با کامپیوتر را نداشه باشد، بی‌سواد محسوب می‌شود و ارتباط موثر با جامعه را از دست خواهد داد؛ پس از مدتی این مفهوم به اینترنت بسط پیدا کرد و حالا باید بگوییم شخص یا سازمانی که نتواند مهارت‌های مرتبط با هوش مصنوعی را بیاموزد و به کار گیرد، به تدریج دچار مشکل خواهد شد و مسیر پیشرفت برای او سد می‌شود.»
شریفیان معتقد است کارکردهای هوش مصنوعی اکنون از تحلیل‌های معمولی فراتر رفته و به تلاش سازمانها برای راهبری دادهای منجر شده است. در چنین نگاهی، وظیفه ترسیم مسیر و خط مشی سازمان و چگونگی فراهم کردن مقدمات برای تحقق اهداف بر عهده داده‌ها گذاشته می‌شود.» او با تاکید بر ضرورت فرهنگ‌سازی مناسب برای حرکت در چنین مسیری، خواستار همراهی تمام اعضای بانک شد تا این تحول به بهترین و ساده‌ترین نحو ممکن تحقق پیدا کند.
چالشی سازنده برای آغاز یک تحول بنیادین
در بخش دیگری از این همایش، امین کاچار، معاون نوآوری کسب‌وکار هلدینگ تفتا، تحولات جدی دنیا در زمینه هوش مصنوعی طی چند سال اخیر را مرور کرد و به چرایی تعریف برنامه‌ای با نام «AI Challenger» پرداخت. ا و گفت: «اساسا تحولات وقتی اتفاق می‌افتند که یک سازمان یا گروهی از افراد، از حاشیه امن خود خارج می‌شوند و «چالشی سازنده» را آغاز می‌کنند. در چنین موقعی، سازمان چالشگر با شناخت نقطه تاریکی که وارد آن شده، به تدریج رشد می‌کند و زمینه را برای ورود گروه‌های دیگر نیز هموار می‌کند. در واقع ورود سازمانها و افراد دیگر به این منطقه جدید، زمانی اتفاق می‌افتد که با خط‌شکنی آن سازمان، مرزها از بین رفته باشند و مسیر برای پیشروی در مسیر تحول باز شده باشد. کاچار تاکید کرد که نام‌گذاری این برنامه جامع با نام چالشگر هوش مصنوعی یا «AI Challenger» نیز دقیقا اشاره به چنین فرآیندی دارد و به خوبی گویای آن چیزی است که قصد داریم در مسیر دخیل‌سازی هوش مصنوعی در برنامه‌های بانک به انجام برسانیم.»
معاون نوآوری کسب‌وکار هلدینگ تفتا به مقایسه تحولات دهه اخیر صنعت بانکداری پرداخت و گفت: «رتبه‌بندی‌های موجود از بانک‌های پیشگام به خوبی نشان می‌دهد که ظهور نئوبانک‌ها و شرکتهای فینتکی، چگونه مسیر بانکداری را تغییر داده و اکنون کار به جایی رسیده که چنین شرکتهایی، جای برخی ابرقدرت‌های بانکی که پیشتر نام‌شان در لیست مشاهده می‌شد را گرفته‌اند.» کاچار افزود: «حالا کار به جایی رسیده که طبق آمارها، بسیاری از مدیران بانکها، تحول دیجیتال را در اولویت قرار داده‌اند و به این درک رسیده‌اند که به جای مقابله با نوآوری باید آن را پذیرفت و با جریان ایجاد شده همراه شد.» او تاکید کرد: «نظام بانکی دنیا اکنون از محصول‌محوری به سمت تجربه‌محوری در حال حرکت است و متاسفانه جای خالی خلق تجربه متفاوت برای مشتریان در بانک‌های ما به شدت حس می‌شود. اکنون وفاداری مشتریان به بانکها به شدت کاهش یافته و همراه نشدن با این جریان، بانکها را محکوم به حذف خواهد کرد.»
کاچار در پایان اظهارات خود تصریح کرد: «این پنداشت که بانک با ابزارهای کنونی می‌تواند وارد این جریان نوآوری شود، به شدت اشتباه است و زیرساخت‌های خاص، تخصص، نیرو و نحوه مدیریت خاص خود را می‌طلبد. در نتیجه اینکه گمان کنیم شرکتی مانند داتا صرفا با خرید چند سرور می‌تواند در این مسیر موفق شود، باید همکاری لازم با این شرکت در تمام بخش‌های بانک انجام شود.» او در تکمیل اظهارات خود گفت: «موفقیت در تحقق هوشمندسازی حوزه‌های بانک تجارت در گرو اولویت‌بندی کارها، پرهیز از کارهای نمایشی و حرکت در مسیر نقشه راه مشخص به‌گونه‌ای است که هوش مصنوعی در تمام بدنه بانک تنیده شود.»
هوشمندی واقعی را به جای شعارزدگی‌های مرسوم دنبال خواهیم کرد
مسیح مشهدی تفرشی، مدیرعامل هلدینگ تفتا نیز در تکمیل صحبت‌های کاچار در این رویداد، مثالی از مسابقات ورزشی آورد و گفت: «پیشروی برخی شرکتها را می‌توان به مدل پیشروی یک تیم فوتبال تشبیه کرد که در آن یک بخش در نقش پیشرو جلو می‌افتند و برای به ثمر رساندن گل اقدام می‌کنند؛ درحالی که برخی دیگر مانند یک تیم بسکتبال، به صورت دسته‌جمعی و یکجا برای حمله جلو می‌روند و برای به ثمر رساندن گل، همگی مشارکت کامل دارند. انتظار ما این است که برای موفقیت برنامه‌های هوش مصنوعی بانک، تمامی شرکتها به مانند اعضای یک تیم بسکتبال مشارکت کرده و به جلو حرکت کنند.» او ضمن تاکید جدی بر ضرورت همراهی تمام بخش‌ها در این مسیر گفت: چنانچه این همکاری تحقق پیدا نکند، نباید انتظار داشته باشیم تغییر مثبتی ایجاد و یا خروجی مورد انتظار حاصل شود.
مدیرعامل هلدینگ تفتا با اشاره به اینکه تقریبا تمام بانک‌های کشور، به‌کارگیری هوش مصنوعی در کسب‌وکار خود را آغاز کرده‌اند گفت: «باید تلاش ما در بانک تجارت آن باشد که از مرحله شعار و دست‌گرمی، پا را فراتر بگذاریم و بتوانیم سرویس متفاوتی که شایسته مشتریان این بانک باشد و به معنای واقعی هوشمند باشد، ارائه کنیم.»
در بخش پایانی این رویداد، دموی طراحی شده برای دستیارهای هوشمند بانک تجارت، در معرض تست عموم قرار گرفت. این مجموعه که شامل چندین دستیار با عناوین دستیار مدیریتی، دستیار منابع انسانی، دستیار محصولات و دستیار عمومی است، که توسط شرکت داتا و با هدف خودکارسازی بخشی از خدمات بانکی و کمک به خلق تجربه متفاوتی برای پشتیبانی از مشتریان توسعه داده شده است. کاربران این سرویس‌ها میتوانند با تایپ دستور یا گفتن صوتی دستور، درخواست خود را مطرح کنند و اطلاعات لازم به سرعت در اختیار آنها قرار داده می‌شود.
همزمان با تحول دیجیتال در صنعت مالی، نهادهای فعال در این صنعت به طور مداوم برای عرضه محصولات و خدمات جدید به مشتریان تحت فشارند. چنین شرایطی این الزام را برای آنها ایجاد می‌کند که همیشه با آخرین ترندها و فناوری‌ها همگام شوند و خود را به‌روز کنند. در نتیجه و با میل وافرِ کسب‌وکارها به روی‌آوری به راهکارهای داده محور مبتنی بر هوش مصنوعی و یادگیری ماشین، انتظار می‌رود به زودی تقاضا برای تحلیل‌های دادهای به شدت افزایش پیدا کند.
برآوردهای Statista نشان می‌دهد که احتمالا تا سال ۲۰۲۷، ارزش بازار جهانی کلانداده، به تنهایی چیزی در حدود ۱۰۳ میلیارد دلار باشد. نمودار زیر که می‌توان آن را مهر تاییدی بر ظرفیتهای چشمگیر و تحول‌آفرین تحلیل‌های دادهای برای نهادهای مالی دانست، بخشی از گزارش Fintech Future است؛ در این نمودار 86 درصد از پاسخ‌دهندگان به نظرسنجی اظهار کرده‌اند که تحلیل‌های جامع دادهای و به‌کارگیری آن در پلتفرم‌ها برای‌شان بسیار مهم است و آن را یکی از اولویت‌هایشان می‌دانند.
نقش تحلیل‌های دادهای در صنعت بانکداری
گزارش دیگری که از سوی Cornerstone Advisors تهیه شده، داده‌هایی را درباره تأثیر تحول دیجیتال بر شاخص‌های کلیدی عملکرد در صنعت بانکداری گردآوری کرده است.
با وجود تأثیر مثبت تحول دیجیتال بر شاخص‌های کسب‌وکار، در حال حاضر تنها ۲۰٪ از مؤسسات، از نیمه مسیر استراتژی تحول دیجیتال خود گذر کرده‌اند.
با این حال، اکنون عصر جدیدی در این صنعت در حال آغاز است. طبق گزارش Statista، تعداد کاربران بانکداری باز در سراسر جهان با نرخ رشد سالانه نزدیک به ۵۰٪ افزایش می‌یابد. این روند نیاز به تحلیل‌های دادهای را پررنگ می‌کند – برای تعیین بهترین روش استفاده از این داده‌ها، مشخص کردن افرادی که باید به آنها دسترسی داشته باشند و تعیین زمان مناسب برای این دسترسی. بنابراین، بانکها به قابلیت‌های قدرتمند تحلیل داده نیاز دارند تا بتوانند دسترسی‌ها را به‌درستی مدیریت کنند، بهترین سناریوهای استفاده را شناسایی کنند و در نهایت، بینش‌های ارزشمندی از داده‌های خود استخراج کنند.
علاوه بر این، نقش محوری یک پلتفرم داده در اکوسیستم فناوری اطلاعات یک سازمان به میزان درک درست از مزایا و اهداف آن بستگی دارد. سازمانها در مواجهه با جریان‌های متنوع کسب‌وکار، به دنبال مزایای منحصربه‌فرد هستند. چه در مسیر تحول صنایع، چه در شخصی‌سازی تجربه مشتریان یا بهینه‌سازی عملیات، تحلیل داده‌ها به‌عنوان ابزاری قدرتمند ظاهر می‌شود. به‌عنوان‌مثال، ۴۰٪ از سازمانها انتظار دارند که از راهکارهای تحلیل داده، مزیت رقابتی کسب کنند.
مزایای مورد انتظار بانکها از راهکارهای مبتنی بر تحلیل‌های دادهای
با تمام فاکتورهایی که در بالا ذکر شد، نهادهای مالی به شدت به پلتفرم داده، به عنوان پشتوانه‌ای برای زیرساخت‌های فناوری اطلاعات‌شان متکی هستند. در ادامه نگاه عمیق‌تری به روش‌هایی خواهیم انداخت که در آنها یک پلتفرم داده برای صنعت مالی انتفاع ایجاد می‌کند.
کاربردهای تحلیل‌های دادهای در بانکداری و خدمات مالی
نمای ۳۶۰ درجه مشتری
نمای ۳۶۰ درجه مشتری یکی از پرتقاضاترین مزایای یک پلتفرم داده محسوب می‌شود. بر اساس گزارش سال 2023 Accenture ، حدود ٪۸۳ از مدیران اجرایی در سراسر جهان بر این باورند که برای ارائه تجربه‌های شخصی‌سازی‌شده، داشتن یک دیدگاه واحد و یکپارچه از مشتری ضروری است.
یک پلتفرم داده این امکان را فراهم می‌کند که اطلاعات مشتریان به‌طور مداوم ذخیره و به‌روزرسانی شود؛ همچنین به بانک اجازه می‌دهد تا پروفایل‌های دقیقی از مشتریان را ایجاد کنند که این مورد به تعیین دقیق حوزه‌های کلیدی تمرکز کمک خواهد کرد. به‌عبارت‌دیگر، این پلتفرم، از مشتری نمای کلی و جامعی که با کمک داده‌های حاصل از منابع مختلف تشکیل شده، ارائه خواهد داد.
به‌عنوان‌مثال، یک سیستم CRM اطلاعات کلیدی مشتریان، مانند علایق، وضعیت تأهل، میزان علاقه‌مندی آنها به محصولات مالی و واکنش آنها به کمپین‌های بازاریابی را ذخیره می‌کند. در همین حال، عادت‌های خرید مشتریان از طریق سیستم‌های کارت‌های بانکی ردیابی می‌شوند و و در ترکیب با داده‌های بانکداری مرکزی، اطلاعاتی درباره دارایی‌های مالی مشتری مانند اعتبارات، حساب جاری، سپرده‌ها، اوراق بهادار و سایر موارد در اختیار بانک قرار می‌گیرد.
داشتن یک تصویر کامل از رفتارهای مشتری، به بانکها این امکان را می‌دهد که تلاش‌های بازاریابی خود را بهتر تنظیم کنند و دقیقاً آنچه را که کاربران نیاز دارند ارائه دهند؛ خواه یک کارت اعتباری، حساب پس‌انداز، بیمه خودرو یا سفر باشد، یا خدمات ویژه مشتریان. اساسا داده‌های مشتریان بیشترین اهمیت را برای تیم‌های فروش و بازاریابی دارند؛ زیرا تمرکز بر یک گروه جمعیتی خاص، امکان ایجاد پیشنهادات فروش شخصی‌سازی‌شده و جذاب‌تر را فراهم می‌کند.
فرآیند بهینه‌شده وام
یک پلتفرم داده در حکم مرکز اصلی تمامی داده‌های مربوط به وام‌دهی عمل می‌کند و نقش مهمی در تسهیل و بهینه‌سازی فرآیند وام‌دهی دارد. این شامل مراحل مختلفی از جمله آغاز فرآیند وام، خدمات‌رسانی، وصول مطالبات، مدیریت ریسک و گزارش‌دهی می‌شود. بر اساس مطالعه‌ای که توسط MongoDB انجام شده است، ۴۰٪ از پاسخ‌دهندگان اعلام کرده‌اند که قصد دارند از پلتفرم‌های داده برای فرآیندهای مرتبط با وام مسکن و اعطای وام استفاده کنند.
مهم‌ترین کاربردهای تحلیل‌های دادهای در بانکداری و فینتک
از آنجا که پلتفرم داده، یادگیری ماشین را با تحلیل‌های دادهای ترکیب می‌کند، الگوریتم‌های پیشرفته را برای تحلیل داده‌های تاریخی از منابع مختلف مانند گزارش‌های اعتبارسنجی، مورد بهره‌برداری قرار می‌دهد. نتیجه این تحلیل‌ها مدل‌هایی است که میتوانند اندازه بزرگی وامی را که بسته به پروفایل اعتباری و فاکتورهای دیگر باید به هر مشتری تعلق بگیرد، تعیین کنند. چنین مدلی همچنین می‌تواند احتمال نکول وام در بازه‌های زمانی مشخص پس از بسته شدن یا پرداخت وام را پیش‌بینی کند.
به‌طورکلی، پلتفرم‌های داده با خودکارسازی کل فرآیند و افزایش سرعت و دقت انجام کارها، بهبود قابل‌توجهی در کیفیت وام‌دهی ایجاد می‌کنند. گذشته از اینها، پیاده‌سازی آنها می‌تواند مزایای دیگری نیز ایجاد کند که عبارتند از:
کاهش کاغذبازی و خطاهای دستی: فرآیندهای ساده‌‌شده دیجیتال وابستگی به اسناد کاغذی و وارد کردن دستی داده را به حداقل می‌رسانند که این مساله باعث کاهش خطا و بهبود دقت می‌شود.
بهبود تجربه مشتریان: سرعت بالاتر در پردازش، ارتباطات شفاف و شرایط شخصی‌سازی شده وام، به صورت مستقیم بر بهبود تجربه مشتریان اثر می‌گذارد.
انطباق با مقررات رگولاتور: از آنجا که پلتفرم‌های داده امکان حسابرسی مرکزی را فراهم کرده و حفظ امنیت داده‌ها را تضمین می‌کنند، میتوانند انطباق با مقررات ابلاغ شده از سوی گولاتور را تسهیل کنند.
به‌کارگیری ابزارهای تحلیل داده
ارزش واقعی پلتفرم داده، در تبدیل داده‌های خام به بینش‌های قابل‌اجرایی است که تصمیم‌سازان را قادر می‌سازد تا استراتژی‌هایشان را بهینه‌سازی کنند و به نتایج کسب‌وکاری محسوس دست پیدا کنند. بر اساس برآوردهای انجام شده از سوی موسسه مکنزی، کسب‌وکارهایی که از تحلیل‌های دادهای پیشرفته بهره می‌برند، عموما تا 10 درصد سودآوری بیشتری نسبت به رقبا و همتایان خود دارند.
ابزارهای تحلیلی پیشرفته، مجموعه داده‌های عظیمی را به‌صورت آنی پردازش کرده و بینش‌های شفاف و مرتبطی درباره رفتار مشتریان، ترجیحات آنها و روندهای بازار ارائه می‌دهند. این بینش‌ها تصمیم‌سازان را قادر می‌کنند تا:
بهبود ارائه محصولات: شناسایی ترکیب‌های جدیدی از محصولات که با بخش‌های خاصی از مشتریان همخوانی دارند و در نتیجه افزایش فروش و رضایت مشتریان را به همراه دارند .
بهینه‌سازی کمپین‌های بازاریابی: شخصی‌سازی پیام‌ها و استراتژی‌های هدف‌گذاری بر اساس بینش‌های مشتری برای حداکثرسازی اثربخشی کمپین‌های بازاریابی.
تعدیل استراتژی‌ها: ارزیابی روندهای بازار برای شناسایی فرصت‌های نوظهور یا تهدیدهای احتمالی و امکان تعدیل استراتژیک به‌صورت پیشگیرانه.
خودکارسازی فرآیند کسب‌وکار
با استفاده استراتژیک از قدرت داده‌ها، شرکتها میتوانند عملیات‌شان را بهینه‌سازی کنند و بازده را بالا ببرند که این مساله از سوی 41 درصد از پاسخ‌دهندگان، به عنوان بالاترین اولویت برای بکارگیری فناوری شناسایی شد. این مساله در مورد بانکها نیز کاملا صادق است؛ زیرا نوع کارکرد آنها به‌گونه‌ای است که همیشه حجم زیادی از عملیات دستی وجود دارد که نیاز به خودکارسازی دارند.
ترکیب خودکارسازی فرآیندهای کسب‌وکار با تحلیل داده‌ها، مزایای قابل توجهی را برای صنعت بانکداری ایجاد می‌کند که برخی از آنها عبارتند از:
فرصت‌های خودکارسازی: تحلیل‌های دادهای میتوانند وظایف تکراری و زمان‌بر را شناسایی کرده و این امکان برای بانکها ایجاد شود که اولویت‌هایشان در زمینه خودکارسازی را به‌طور مؤثر تعیین کنند؛ گزارش تراکنش‌ها، تعاملات مشتریان و داده‌های فرآیندهای داخلی میتوانند گلوگاه‌ها و بخش‌هایی را که نیاز به خودکارسازی دارند، مشخص کنند.
تصمیم‌گیری پیشرفته: تحلیل‌های دادهای بینش‌های ارزشمندی درباره رفتار مشتریان، روندهای بازار و عوامل ریسک ارائه می‌دهند. بانکها میتوانند از این اطلاعات برای خودکارسازی فرآیندهای تصمیم‌گیری، مانند امتیازدهی اعتباری، پیشگیری از تقلب و ارائه پیشنهادات شخصی‌سازی‌شده استفاده کنند.
بهبود تجربه مشتری: خودکارسازی، منابع انسانی را آزاد می‌کند تا بر تعاملات شخصی با مشتریان تمرکز کنند. چت‌بات‌ها و دستیارهای مجازی که بر پایه تحلیل داده‌ها کار می‌کنند میتوانند به پرسش‌های روتین پاسخ دهند و همزمان کارکنان میتوانند به مسائل پیچیده رسیدگی کنند و روابط قوی‌تری با مشتریان بسازند.
افزایش انطباق با مقررات و مدیریت ریسک: به کمک تحلیل‌های دادهای می‌توان تشخیص و شناسایی الگوها و ناهنجاری‌ها را به عنوان بخشی از فرآیند مدیریت ریسک انجام داد. سیستم‌های خودکار قادرند فعالیت‌های مشکوک را برای بررسی بیشتر علامت‌گذاری کنند که این امر باعث بهبود رعایت مقررات و کاهش زیان‌های مالی می‌شود.
به‌طور کلی، پلتفرم داده تضمین می‌کند که تمام اطلاعات مورد نیاز، در زمان لازم در دسترس باشد. این ویژگی برای مدیریت تجربه مشتری و تعامل با مشتریان اهمیت زیادی دارد؛ چه این داده‌ها در پایگاه داده‌های داخلی بانک ذخیره شده باشند و چه در سیستم‌های خارجی.
تجارب شخصی‌سازی شده
توانایی ارائه تجارب شخصی‌سازی‌شده، یکی از مهم‌ترین مزیت‌های رقابتی در دنیای بانکداری امروز است. با این حال گزارش سال 2022 بانکداری خرد جهانی، نشان می‌دهد که ۴۴ درصد از مشتریان معتقدند که بانکشان به اندازه کافی خدمات شخصی‌سازی‌شده ارائه نمی‌دهد.
استراتژی فروش و بازاریابی که فعالانه در جستجوی کانال‌های جدید برای دسترسی به مخاطبان هدف خود است، باید به استفاده از پلتفرم‌های داده توجه جدی داشته باشد. بر اساس یک نظرسنجی از مک‌کینزی، ۷۱ درصد از مشتریان انتظار دارند که کسب‌وکارها تعاملات شخصی‌سازی‌شده ارائه دهند و ۷۶ درصد نیز در صورت برآورده نشدن این انتظارات ابراز نارضایتی می‌کنند. علاوه بر این کسب‌وکارهایی که ارزش بیشتری از شخصی‌سازی استخراج می‌کنند، معمولاً با سرعت بیشتری رشد می‌کنند.
تاثیر رویکرد مشتری‌محور روی عملکرد سازمان
پلتفرم‌ها اکنون در حال تبدیل شدن به دستیاران آنلاین کسب‌وکار هستند. این ایده شامل تحلیل تقریباً آنی اقدامات مشتریان با استفاده از داده‌های GSM یا GPS و بهره‌گیری از آن در مواقع ضروری است. به عنوان مثال اگر مشتری قصد بازدید از یک نمایندگی خودرو را داشته باشد، ارسال فوری یک پیشنهاد وام خودرو از طریق پیامک یا اپلیکیشن می‌تواند مفید باشد.
همچنین اگر مشتری یک تلویزیون خریداری کرده، بانکها میتوانند به‌صورت خودکار گزینه پرداخت اقساطی را پیشنهاد داده و برنامه اعتباری برای خرید کالاهای بعدی ارائه کنند. به عبارت دیگر هدف اصلی پلتفرم، نظارت بر نیازها و علایق مشتری است و اگر نتواند از پیش اقدام کند، حداقل باید پیشنهاد مناسب را در زمان مناسب ارائه دهد.
جمع‌بندی
اکنون بانکها بیش از هر زمان دیگری به یک پلتفرم داده نیاز دارند تا به آنها در شناسایی کامل ظرفیت‌هایشان برای سرمایه‌گذاری در زمینه داده و فناوری اطلاعات کمک کند. در جمع‌بندی مطالبی که در بالا ذکر شد، می‌توان چنین ادعا کرد که اکنون تصور یک سازمان بدون آنکه دارای یک پلتفرم داده مدرن ابری برای جایگزینی در بسیاری از کارهای دستی (مانند تولید گزارش، محاسبه شاخص‌های مختلف و تحلیل داده‌های جمع‌آوری شده موجود) باشد، غیرممکن است. به کمک پلتفرم‌های داده، کسب‌وکارها میتوانند سیستم‌های مختلف را یکپارچه کنند و محیط واحدی برای مدیریت تمامی داده‌ها به صورت یکجا ایجاد کنند. این امر به سازمانها کمک می‌کند تا از بینش‌های ایجاد شده برای درک رفتار مشتری و در نهایت تصمیم‌گیری بهتر درباره آنچه باید انجام شود، بهره ببرند.
توسعه سریع هوش مصنوعی باعث شده این فناوری رهبری تحول در بسیاری از صنایع را برعهده بگیرد؛ با این وجود صنعت فینتک را باید یکی از نخستین منتفعان این پیشرفت‌ها دانست. با حرکت نهادهای مالی در مسیر دیجیتالی شدن، هوش مصنوعی فرمان تحول را در بسیاری از بخش‌های این شرکتها – خصوصا رتبه‌بندی اعتباری و کشف تقلب- در دست گرفت. در این مقاله ضمن بررسی پتانسیل‌های انقلابی هوش مصنوعی در صنعت فینتک، بر کاربردهای خاص آن در بحث رتبه‌بندی اعتباری و هم‌افزایی آن با فناوری بلاکچین تمرکز خواهیم کرد.
تسهیل اعتبارسنجی و اعطای وام به کمک هوش مصنوعی
سیستم‌های اعتبارسنجی فعلی که شالوده انتخاب مشتریان برای اعطای وام به حساب می‌آیند، به شدت نیاز به نوآوری دارند؛ خصوصا برای تازه‌واردانی که در کشورهایی مانند کانادا زندگی جدیدی را آغاز می‌کنند و پس از سال‌ها ساختن اعتبار در کشورهای دیگر، سابقه اعتباری واقعی و قابل استنادی در کشور مقصد ندارند. بعد منفی ماجرا آن است که چنین سیستم‌های غیربهروزی، حتی ممکن است به داده اعتبار و پاداش به افرادی شوند که سابقه اعتباری بدی در کشور دیگری دارند و احتمالاً همان عادات را تکرار می‌کنند. با تمام اینها، هوش مصنوعی این پتانسیل را دارد که این مشکلات را برطرف کند.
امتیازدهی اعتباری
یکی از کاربردهای امیدبخش هوش مصنوعی برای سالهای پیش رو، ایجاد سیستم‌های امتیازدهی اعتباری منصفانه و کاربردی است که در سطح بین کشوری نیز مورد پذیرش قرار می‌گیرد. این سیستم‌ها می‌تواند کمک بزرگی به مهاجرانی باشد که اغلب به دلیل نداشتن سابقه اعتباری محلی با چالش‌هایی در دسترسی به اعتبار مواجه می‌شوند. داده‌های آماری ارائه شده از سوی دولت کانادا برای سالهای 2016 و 2019 نشان داد که احتمال «فاقد سابقه اعتباری» شناخته شدن مهاجران تازه‌واردی که کمتر از دو سال در کانادا اقامت داشته‌اند، تقریباً دو برابر بیشتر از خانواده‌های متولد کانادا است (14.8% در مقابل 7.5%).
با این وجود هوش مصنوعی می‌تواند طیف گسترده‌تری از عوامل، مانند پرداخت اجاره، را در ارزیابی اعتباری ادغام و به این ترتیب سیستمی پاسخ‌گوتر و فراگیرتر ایجاد کند. علاوه بر این، خودکارسازی این فرایند با استفاده از عوامل ارزیاب مبتنی بر هوش مصنوعی، می‌تواند سوگیری‌های انسانی را حذف کرده و با رویکردی مبتنی بر داده، رعایت انصاف را تضمین کند.
هوش مصنوعی در املاک و وام مسکن
اکنون بازار مسکن کانادا نمونه قدرتمندی برای استفاده از ابزارهای فینتک مبتنی بر هوش مصنوعی به حساب می‌آید. با افزایش قیمت خانه‌ها و کمبود عرضه، هوش مصنوعی می‌تواند به استانداردهای قیمت‌گذاری املاک و وام‌دهی عینیت بیشتری ببخشد. این فناوری با تحلیل حجم عظیمی از داده‌ها، بینش‌هایی در مورد ترندهای بازار، ارزش املاک و ریسک وام‌گیرندگان فراهم می‌کند و فرآیند تصمیم‌گیری را برای وام‌دهندگان و وام‌گیرندگان بهبود می‌بخشد. این امر به‌ویژه در مواجهه با بحران مسکن، بدهی بالای خانوارها، تورم و نرخ بهره بالایی که بر وام‌های تضمین‌شده با املاک تأثیر می‌گذارد (طبق گزارش اداره نظارت بر موسسات مالی)، ارزشمند است.
هوش مصنوعی در خدمات مشتریان
یکی دیگر از کاربردهای مهم هوش مصنوعی در حوزه فینتک، ارائه خدمات مشتری است. هوش مصنوعی امکان اتخاذ رویکردی کارآمدتر در ارائه خدمات به مشتریان را فراهم کرده و با دسترسی بهتر و توانایی مدیریت افزایش حجم درخواست‌ها، کیفیت خدمات را بهبود می‌بخشد. اکنون برخی شرکتهای فعال در این صنعت، از هوش مصنوعی در دو زمینه اصلی استفاده می‌کند: خدمات مشتری و شناسایی تقلب، که کارایی تراکنش‌ها و تعاملات مشتریان را افزایش می‌دهد.
اما شاید بزرگترین حامی استفاده بیشتر از هوش مصنوعی در خدمات مشتری، نظرسنجی‌هایی مانند گزارش اخیر انویدیا با عنوان «وضعیت هوش مصنوعی در خدمات مالی: روندهای 2024» باشد. در این نظرسنجی، 43٪ از پاسخ‌دهندگان اعلام کرده‌اند که در سازمان خود از هوش مصنوعی تولیدی، مانند مدل‌های زبانی بزرگ، استفاده می‌کنند و 27٪ بهبود تجربه مشتری را نتیجه استفاده از هوش مصنوعی می‌دانند.
با پیشرفتهای بیشتر در این حوزه و افزایش سرمایه‌گذاری در فناوریهای بهبود تجربه مشتری و خدمات دیجیتال، صنعت فینتک وارد عصر جدیدی از ارائه خدمات هوشمند به مشتری شده است.
مبارزه با تقلب‌های هوش مصنوعی
همزمان با پیشرفته‌تر شدن هوش مصنوعی، چالش‌های جدیدی نیز در زمینه تقلب و امنیت سایبری ایجاد می‌کند. افزایش استفاده از ابزارهایی مانند دیپ‌فیک‌ها، نقشه‌برداری رمز عبور و ابزارهای شبیه‌سازی صدا، تهدید سرقت هویت در صنعت فینتک را بیشتر کرده است. به‌عنوان نمونه، پردازش تصویری انجامی در فرآیند تأیید هویت دیجیتال که نیاز به عکس‌های زنده مشتریان دارد، ممکن است توسط کلاهبردارانی که از ابزارهای هوش مصنوعی برای شبیه‌سازی چهره قربانی در حین فرآیند تأیید هویت استفاده می‌کنند، دور زده شود.
خوشبختانه، خود هوش مصنوعی همچنان ابزارهای قدرتمندی برای مقابله با چنین تهدیداتی نیز فراهم می‌کند. مدل‌های یادگیری ماشین میتوانند از هر تهدید جدید یاد بگیرند و با شناسایی ریسکهای بالقوه قبل از وقوع، از آنها جلوگیری کنند. این سیستم‌های امنیتی هوشمند میتوانند با کاهش مثبت‌های کاذب، تجربه کاربری را بهبود بخشند و همزمان از کاربران در برابر کلاهبرداری‌های پیچیده‌تر محافظت کنند.
بلاکچین؛ مکملی ایده‌آل برای هوش مصنوعی در صنعت فینتک
بلاکچین در بهره‌برداری حداکثری از پتانسیل‌های هوش مصنوعی در صنعت فینتک، نقشی حیاتی ایفا می‌کند. زیرا امنیت ذاتی و ماهیت غیرمتمرکز آن، زیرساخت ایده‌آلی را برای خدمات مالی مبتنی بر هوش مصنوعی فراهم کرده است. با رشد سریع تولید محتوا توسط هوش مصنوعی، شاهد افزایش محتوای جعلی در وب جهانی هستیم. اما ماهیت بنیادی ارزهای دیجیتال، بلاکچین را به ابزاری مناسب برای ایجاد یک شبکه اعتماد تبدیل می‌کند. برای مثال، اگر عکس شما به‌صورت رمزنگاری‌شده امضا شود، سطحی از تأیید اعتبار ایجاد می‌شود که به‌راحتی می‌توان اصالت تصویر را بررسی کرد و فهمید آیا توسط یک فرد واقعی تولید شده است یا خیر.
بهبود رتبه‌بندی اعتباری با بلاکچین
استفاده از بلاکچین برای بهبود رتبه‌بندی اعتباری، می‌تواند به امتیازدهی و رتبه‌بندی اعتباری خودکار افراد بر اساس داده‌های تاریخی و داده‌های قابل‌پیش‌بینی وام‌گیرنده تولید کند. این فرآیند، شفافیت بیشتری ایجاد کرده و به کاربران امکان می‌دهد امتیازات خود را سریعتر بهبود دهند. این رویکرد مبتنی بر بلاکچین می‌تواند مشکلات متعددی از سیستم‌های فعلی گزارش‌دهی اعتباری را برطرف کند:
- بهبود امنیت داده‌ها: ماهیت غیرمتمرکز بلاکچین نقاط ضعف سیستم‌های متمرکز را حذف می‌کند؛ زیرا مراکز اعتباری متمرکز در برابر حملات سایبری به شدت آسیب‌پذیر هستند.
- افزایش شفافیت و دقت: مصرف‌کنندگان میتوانند درک بهتری از نحوه محاسبه امتیازهای اعتباری خود و نحوه اشتراک‌گذاری اطلاعات شخصی‌شان داشته باشند.
- کاهش هزینه‌ها: با حذف واسطه‌ها، بلاکچین می‌تواند هزینه‌های مرتبط با گزارش‌دهی اعتباری را کاهش دهد که این امر با احتمال زیاد، به کاهش نرخ‌های بهره برای مصرف‌کنندگان منجر می‌شود
آینده هوش مصنوعی و بلاکچین در صنعت فینتک
هوش مصنوعی پتانسیل‌های زیادی برای بهبود صنعت فینتک دارد و رشد میزان پذیرش این فناوری در جوامع، تاثیر قابل‌توجهی بر مدرن‌سازی بخش مالی خواهد داشت. هم‌افزایی میان هوش مصنوعی، بلاکچین و دیگر فناوریهای نوظهور، تا همین جای کار نیز نتایج چشمگیری ایجاد کرده است و انتظار می‌رود رشد این تاثیرات، با حرکت فناوریهای ذکر شده در مسیر تکامل و مقیاس شدن، ادامه پیدا کند.
در عصر حاضر، هوش مصنوعی از قدرت متحول‌کنندگی بالایی برخوردار است. انتظار می‌رود که با قابلیت‌های چشمگیر این فناوری در ایجاد فرآیندهای قابل‌اعتماد برای سنجش و رتبه‌بندی اعتباری، بهبود خدمات مشتریان و تقویت اقدامات امنیتی، نقش پیشرانی آن در توسعه یک سیستم مالی دسترسی‌پذیر، امن و عادلانه تثبیت شود. با این حساب، آینده بخش مالی در سایه ظهور فناوریهای جدید بسیار روشن است و هوش مصنوعی به مانند قلب سیستم، تحول این بخش را تکمیل خواهد کرد.
بررسی تحولات سالهای اخیر نشان می‌دهد که اکنون رهبری جریان نوآوری تا حدی زیادی در اختیار هوش مصنوعی و تحلیل‌های دادهای قرار دارد؛ با این حال پیش‌بینی دقیق شکل و ماهیت این هوش در سالهای پیش رو دشوار خواهد بود و همین امر برنامهریزی و انتخاب رویکرد مناسب برای مواجهه با آن را دشوار خواهد کرد. در این مقاله اصلی‌ترین ترندهای این حوزه را که انتظار می‌رود در سالهای آینده با درجات مختلفی از تأثیر ظاهر شوند، گردآوری کرده‌ایم تا به شما در اتخاذ تصمیمات استراتژیک فناوری کمک کنیم.
هوش مصنوعی کاربردی (Applied AI)
در ادبیات فناوری، به‌کارگیری هوش مصنوعی برای حل مسائل جهان واقعی را «هوش مصنوعی کاربردی» می‌نامند. این ترند شامل توسعه الگوریتم‌ها و مدل‌هایی است که میتوانند به صورت مداوم پردازش کرده و با یادگیری خودکار از داده‌ها، به پیش‌بینی شرایط و تصمیم‌گیری‌ها کمک کنند.
نکته‌ای که باید مورد تاکید قرار بگیرد آن است که «هوش مصنوعی کاربردی» با هوش ماشینی عمومی تفاوت دارد. در هوش مصنوعی کاربردی به جای تمرکز بر فرضیه‌ها، بر انجام تسک‌های ویژه و حل مسائلی مانند افزایش فروش، کاهش هزینه‌ها، بهبود رضایت مشتریان توجه می‌شود.
وضعیت فعلی این تکنولوژی
اگر بنا باشد باشد به تشریح جایگاه هوش مصنوعی کاربردی بپردازیم، باید آن را جریان زندگی‌بخش حوزه‌هایی مانند تحلیل داده‌ها، آمار، یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی مصنوعی و پردازش زبان طبیعی (NLP) بدانیم که هر یک از این حوزه‌ها کاربردهای گسترده‌ای در صنایع مختلف دارند.
به گزارش مکنزی، در میان تمامی ترندهای در نظر گرفته شده برای حوزه هوش مصنوعی، بیشترین امتیاز نوآوری طی 5 سال اخیر به شاخه Applied AI تعلق داشته است. در سال 2023 نیز این حوزه با جذب 86 میلیارد دلار سرمایه‌گذاری در سهام، توانست در فهرست 5 ترند برتر سرمایه‌پذیر قرار بگیرد.
هوش مصنوعی محاوره‌ای (Conversational AI) و ChatGPT
ChatGPT (زیرمجموعه‌ای از هوش مصنوعی محاوره‌ای) یک نوع چت‌بات است که از مدل‌های مولد Openai استفاده کرده و بر اساس داده‌هایی که با آن پر شده است، پاسخ‌های جدیدی برای درخواست‌های مطرح شده ایجاد می‌کند. داشتن چنین قابلیتی باعث شده کهChatGPT از سایر چت‌بات‌ها انعطاف‌پذیرتری بیشتری داشته باشد؛ زیرا می‌تواند به طیف وسیعی از سوالات پاسخ دهد و به دستورالعمل‌های آماده وابسته نیست. در نتیجه، اکنون ChatGPT به نقطه عطفی در توسعه هوش مصنوعی تبدیل شده است.
وضعیت فعلی این فناوری
اکنون ChatGPT کاربردهای بسیار متنوعی پیدا کرده است. بزرگترین مزیت آن این است که می‌تواند در هر زمینه تجاری استفاده شود و به طور قابل توجهی درآمد را افزایش دهد. ChatGPT می‌تواند فرآیندهای کاری مختلف را ساده‌سازی و خودکار کند؛ خدمات مشتری را بهبود بخشد و مقیاس‌پذیری و سرعت را افزایش دهد.
در اواخر سال 2022، ChatGPT انقلابی به پا کرد و پس از آن توانست در کمتر از یک هفته به 1 میلیون کاربر برسد. آمارها نشان می‌دهند که تعداد کاربران هفتگی فعال ChatGPT تا اواخر سال 2024، بیش از 200 میلیون کاربر بوده است.
به طور کلی، بر اساس آمارهای ارائه شده از سوی MARKETS AND MARKETSپیش‌بینی می‌شود که ارزش بازار هوش مصنوعی محاوره‌ای با نرخ رشد سالانه مرکب (CAGR) 24.9%، از 13.2 میلیارد دلار در سال 2024 به 49.9 میلیارد دلار در سال 2030 برسد.
بر اساس آمارهای eMarketer، برآورد می‌شود که ChatGPT در ایالات متحده 67.7 میلیون کاربر فعال ماهانه داشته باشد.
هوش مصنوعی مولد (Generative AI)
هوش مصنوعی مولد یک شاخه از هوش مصنوعی است که محتوای جدید و اصلی ایجاد می‌کند. برخلاف هوش مصنوعی سنتی که بیشتر بر تصمیم‌گیری یا شناسایی الگوها تمرکز دارد، هوش مصنوعی مولد از یادگیری عمیق و شبکه‌های عصبی برای تجزیه و تحلیل مقادیر زیادی از داده‌ها استفاده کرده و از آنها برای ایجاد داده‌های جدید مشابه استفاده می‌کند.
وضعیت فعلی این فناوری
هوش مصنوعی مولد می‌تواند با استفاده از مقادیر زیادی از داده‌ها و ایجاد محتوای جدید در قالب‌های مختلف، فرآیندهای مختلف کاری را خودکارسازی کرده، بهبود دهد و ساده‌سازی کند.
بر اساس آمارهای DemandSage، پیش‌بینی می‌شود که ارزش بازار هوش مصنوعی مولد با نرخ رشد مرکب سالیانه (CAGR) 27.02%، از 17.41 میلیارد دلار در سال 2024 به 118.06 میلیارد دلار در سال 2032 برسد.
هوش مصنوعی عاملی (Agentic AI)
«هوش مصنوعی عاملی» به سیستم‌های هوش مصنوعی اطلاق می‌شود که دارای درجه‌ای از خودمختاری یا اختیار در تصمیم‌گیری و اقدامات هستند و اغلب به طور مستقل یا با حداقل مداخله انسانی عمل می‌کنند. برخلاف هوش مصنوعی سنتی که معمولاً در چارچوب قوانین از پیش تعیین شده یا تحت کنترل مستقیم انسان عمل می‌کند، هوش مصنوعی عاملی طراحی شده است تا تصمیم بگیرد، با محیط‌های پویا سازگار شود و اهدافی را بر اساس تحلیل خود از وضعیت دنبال کند.
هوش مصنوعی عاملی با توجه به خودمختاری، سازگاری و قابلیت‌های تصمیم‌گیری خود، مزایای قابل توجهی را در صنایع مختلف ارائه می‌دهد.
1. افزایش کارایی و خودکارسازی
هوش مصنوعی عاملی می‌تواند وظایفی را که به طور سنتی نیاز به مداخله انسانی دارند، انجام داده و سرعت و دقت انجام آنها را بهبود ببخشد. توانایی آن در عمل کردن به طور مستقل و اتخاذ تصمیمات در زمان واقعی می‌تواند فرآیندها را ساده‌سازی کند؛ گلوگاه‌ها را کاهش دهد و بهره‌وری کلی را بهبود بخشد. این ویژگی به‌ویژه در صنایعی مانند تولید، لجستیک و خدمات مشتری ارزشمند است.
2. بهبود حل مسائل و تصمیم‌گیری
با تحلیل مجموعه‌های بزرگ داده و یادگیری مداوم از محیط خود، هوش مصنوعی عاملی می‌تواند الگوها را کشف کرده، نتایج را پیش‌بینی کند و توصیه‌های مبتنی بر داده ارائه دهد. این فناوری می‌تواند فرآیندهای پیچیده تصمیم‌گیری را در زمینه‌هایی مانند بهداشت و درمان (تشخیص و برنامهریزی درمان)، مالی (ارزیابی ریسک)، مدیریت زنجیره تأمین و خدمات مشتری بهینه‌سازی کند.
3. سازگاری در محیط‌های پویا
هوش مصنوعی عاملی برای یادگیری و سازگاری با شرایط در حال تغییر طراحی شده است. در محیط‌هایی که وضعیت به طور مداوم در حال تکامل است ـمانند خودروهای خودران که در جاده‌های غیرقابل پیش‌بینی حرکت می‌کنند یا الگوریتم‌های معاملاتی مالی که با تغییرات بازار سازگار می‌شوندـ هوش مصنوعی عاملی می‌تواند بدون نیاز به برنامهریزی مجدد مداوم واکنش نشان دهد، که این باعث می‌شود در برابر عدم‌اطمینان بسیار مقاوم شود.
4. شخصی‌سازی در مقیاس بزرگ
نمایندگان هوش مصنوعی میتوانند تجارب بسیار شخصی‌سازی شده‌ای را با تطبیق راه‌حل‌ها بر اساس رفتارها، ترجیحات یا نیازهای فردی ارائه دهند. به عنوان مثال، در خرده‌فروشی آنلاین، هوش مصنوعی عاملی می‌تواند به طور خودکار پیشنهادات محصول را تنظیم کرده یا حتی استراتژی‌های قیمت‌گذاری را به‌گونه‌ای بهینه کند که تقاضای مشتری را در زمان واقعی برآورده کرده و رضایت مشتری و نتایج تجاری را بهبود دهد.
5. عملیات خودمختار
سیستم‌های هوش مصنوعی عاملی میتوانند بدون نظارت انسانی مداوم عمل کنند و این مساله آنها را برای محیط‌هایی که حضور انسان محدود یا غیرعملی است، ایده‌آل می‌سازد. خودروهای خودران، پهپادها و اتوماسیون فرآیندهای رباتیک (RPA) نمونه‌هایی از هوش مصنوعی عاملی هستند که میتوانند وظایف را با حداقل یا بدون ورودی انسانی انجام دهند و این امر منجر به کاهش خطای انسانی و افزایش ایمنی عملیاتی می‌شود.
6. کاهش هزینه‌ها
با خودکارسازی وظایف و کاهش نیاز به نظارت انسانی، هوش مصنوعی عاملی می‌تواند به سازمانها کمک کند تا هزینه‌های عملیاتی خود را کاهش دهند. این فناوری می‌تواند به صورت شبانه‌روزی کار کرده، وظایف تکراری را بدون خستگی انجام دهد و هزینه‌های مربوط به آموزش و خطاهای نیروی کار انسانی را حذف کند.
7. مقیاس‌پذیری
هوش مصنوعی عاملی می‌تواند عملیات را بدون محدودیت‌هایی که انسان‌ها با آن مواجه هستند، به‌طور کارآمدی مقیاس‌پذیر کند. این فناوری چه در مدیریت تجزیه و تحلیل داده‌های وسیع، پاسخ‌دهی به میلیون‌ها درخواست مشتری به طور همزمان، یا مدیریت شبکه‌های پیچیده، می‌تواند ظرفیت خود را به‌طور بی‌وقفه گسترش دهد تا تقاضای رو به رشد را برآورده کند.
8. کاهش سوگیری انسانی
در فرآیندهای تصمیم‌گیری، هوش مصنوعی عاملی می‌تواند سوگیری‌های انسانی را در مواردی مانند استخدام، اعطای وام یا عدالت کیفری که ممکن است قضاوت را تحت تأثیر قرار دهند، کاهش دهد. یک سیستم هوشمند چنانچه با در نظر گرفتن اصول انصاف و شفافیت طراحی شود، می‌تواند به اتخاذ تصمیمات داده‌محوری منجر شود که عینی‌تر و عادلانه‌ترند.
در حالی که هوش مصنوعی عاملی مزایای فراوانی از جمله افزایش کارایی، سازگاری و کاهش هزینه‌ها به همراه دارد، موضوعات مهمی پیرامون اخلاق، کنترل و ایمنی نیز به همراه دارد. ایجاد تعادل میان این مزایا و مدیریت و نظارت مسئولانه، کلید دستیابی به پتانسیل کامل این فناوری خواهد بود.
تحلیل افزوده (Augmented Analytics)
تحلیل افزوده یا تقویت شده که از فناوریهای یادگیری ماشین و پردازش زبان طبیعی قدرت می‌گیرد، توانسته در مسیر تسهیل مدیریت امور، گام را از آنچه پیش از این انجام شده بود فراتر بگذارد و به شرکتها کمک کند تا از حجم انبوده داده، بینش استخراج کنند. تحلیل افزوده همچنین بر قابلیت‌های گسترده خودکارسازی تکیه دارد که باعث می‌شوند وظایف دستی معمول در طول چرخه عمر تحلیل داده‌ها ساده‌تر شوند. به این ترتیب، زمان لازم برای ساخت مدل‌های یادگیری ماشین کاهش می‌یابد و تحلیل داده‌ها به امر در دسترس‌تری تبدیل می‌شود.
تحلیل افزوده می‌تواند به تصمیم‌گیری بهتر، توسعه سریعتر محصولات، افزایش سودآوری و تسریع در اشتراک‌گذاری دانش منجر شود. این فناوری همچنین داده‌ها را از کانال‌های مختلف جمع‌آوری می‌کند تا دیدگاه جامع‌تری به دست آورد.
وضعیت فعلی این تکنولوژی
عموما سازمان‌های بزرگ زمانی که بنا داشته باشند برنامه‌های تحلیلی خود را برای گروه جدیدی از کاربران مقیاس کنند، به تحلیل‌های افزوده تکیه می‌کنند و از این طریق، فرآیند اضافه کردن این گروه جدید به برنامه‌ها تسریع می‌شود. مجموعه‌هایی مانند Power BI، Qlik، Tableau و دیگر شرکتهای پیشرو در بحث هوش تجاری، همگی دارای طیف گسترده‌ای از قابلیت‌های تحلیل افزوده هستند.
در سالی که گذشت، ارزش بازار تحلیل‌های افزوده توانست با نرخ رشد مرکب سالیانه 22.4 درصد، از 11.36 میلیارد دلار در سال 2023، به 13.9 میلیارد دلار در سال 2024 برسد. پیش‌بینی می‌شود که این عدد در سال 2028، با نرخ رشد مرکب سالیانه 23.6 درصدی به 36.42 میلیارد دلار برسد.
Web 3.0
وب 3 (WEB 3.0 ) ورژن جدیدی از اینترنت است که می‌کوشد فضای دیجیتال را به فضایی متمرکز بر کاربر تبدیل کرده و امکانی ایجاد کند که کاربران کنترل کاملی روی داده‌هایشان داشته باشند. چنین مفهومی بر ترکیبی از فناوریهای مختلف مانند بلاکچین، وب معنایی، تکنولوژی همه‌جانبه و … استوار است. کاربرپسندی وب 3، با توزیع دانه‌ای محتوا، در میان چیزهای دیگر پشتیبانی می‌شود.
هوش مصنوعی و تحلیل‌های مبتنی بر هوش مصنوعی را باید بخش مرکزی وب 3 دانست که به کاربران کمک می‌کنند با سرعت بیشتری به داده‌های مرتبط دسترسی پیدا کنند. بنابراین، هر وب‌سایت با اتکا به ظرفیتهای هوش مصنوعی، می‌تواند داده‌های مختلف را سرند کند و آن بخشی که بیشترین تناسب را با نیازها و ترجیحات خاص هر کاربر دارد، در اختیار او قرار دهد.
وضعیت فعلی این تکنولوژی
وب 3 به واسطه محدودیت‌های موجود در پذیرش فناوریهای سازنده‌اش، هنوز در دوران طفولیت به سر می‌برد. با این وجود تسریع سر و سامان گرفتن فناوری‌هایی مانند بلاکچین، ارزهای دیجیتال و ارتباطات، باعث شده که این فناوری به تدریج انسجام پیدا کند. به طور کلی می‌توان چنین ادعا کرد که اکنون برخی از جنبه‌های وب 3 توانسته‌اند مرزهای تئوری را درنوردند و توفیقاتی در این جنبه‌ها حاصل شده است.
بر اساس پژوهش‌های GRAND VIEW RESEARCH، انتظار می‌رود ارزش بازار جهانی وب 3 که در سال 2023 چیزی در حدود 2.24 میلیارد دلار برآورده شده، تا سال 2030 حدود 50 درصد رشد کند.
ارتباطات پیشرفته
ارتباطات پیشرفته، به مجموعه روش‌هایی اطلاق می‌شود که برای وصل کردن دستگاه‌های مختلف به یکدیگر و اشتراک‌گذاری داده میان آنها به کار گرفته می‌شوند. این ارتباطات، فناوری‌هایی مانند 5g، اینترنت اشیا، رایانش لبه‌ای، شبکه‌های بی‌سیم کم‌مصرف و نوآوری‌های دیگری که بستر لازم برای اشتراک‌گذاری یکپارچه و سریع داده را فراهم می‌کنند، شامل می‌شوند.
با افزایش شمار دستگاه‌ها، ضروری است تا از متصل ماندن آنها برای بهره‌برداری از بازارهای مشتری‌محور، ردیابی زنجیره‌های تامین، انجام نگهداری پیشگیرانه و بهبود فرآیندهای تجاری اطمینان حاصل شود.
وضعیت فعلی این تکنولوژی
نیاز جهانی به اتصال اینترنت اشیاء (IoT) طی پنج سال گذشته و به واسطه به‌کارگیری اینترنت اشیاء سلولی (2G، 3G، 4G و اکنون 5G) و شبکه‌های بی‌سیم کم‌مصرف (LPWA) پیشرفت پیدا کرده است. استفاده روزافزون از اینترنت اشیاء در حوزه پزشکی، تولید مبتنی بر فناوری اینترنت اشیا (IoT) و وسایل نقلیه خودران، تاکنون از بزرگترین عوامل محرک بازار بوده‌اند.
به گزارش mobile worldانتظار می‌رود تا سال 2033، تعداد دستگاه‌های متصل اینترنت اشیا از مرز 40 میلیارد دستگاه فراتر رود.
متاورس
به‌طور کلی متاورس به شبکه یکپارچه‌ای از جهان‌های مجازی اشاره دارد که از طریق مرورگر یا هدست قابل دسترسی است. این فناوری با ترکیبی از واقعیت مجازی (VR) و واقعیت افزوده (AR) کار می‌کند. برخلاف وب 3.0، متاورس بر مالکیت کاربران بر داده‌ها تمرکز ندارد. در عوض، هدف آن ایجاد یک واقعیت دیجیتال مشترک است که در آن کاربران بتوانند به یکدیگر متصل شوند، اقتصاد ایجاد کنند و به‌صورت همزمان تعامل داشته باشند.
وضعیت فعلی این فناوری
در حال حاضر، متاورس هنوز به شکل کامل خود نرسیده است. اکثر شرکتها از جمله Roblox، Decentraland، Meta و دیگران در تلاشند تا متاورس را توسعه دهند. با این حال، این پلتفرم‌ها با یکدیگر سازگار نیستند. شرکتهای پیشرو در حال اجرای استراتژی‌های متاورسی هستند تا حضور خود را در فضاهای متاورسی موجود تثبیت کنند.
روندهای توسعه متاورس در سال 2025 نشان‌دهنده تمرکز قابل‌توجه بر بهبود جهان‌های مجازی از طریق فناوریهای هوش مصنوعی و بلاکچین است. فناوریهای کلیدی که متاورس را شکل می‌دهند شامل واقعیت مجازی (VR)، واقعیت افزوده (AR)، مدلسازی سه‌بعدی و بلاکچین هستند. فرصت‌های نوظهور به‌ویژه در حوزه‌های املاک مجازی و مد دیجیتال، جایی که کاربردهای نوآورانه باعث رشد و افزایش علاقه می‌شوند، بسیار چشمگیرند. با این حال، توسعه متاورس با چالش‌هایی مانند مسائل مربوط به فناوری، هزینه، حریم خصوصی و دسترسی‌پذیری مواجه است.
تا سال 2024، متاورس بیش از 600 میلیون کاربر فعال در سراسر جهان داشته است. کارشناسان معتقدند که تا سال 2040، متاورس به بخشی ضروری از زندگی روزمره نیم میلیارد نفر در سراسر جهان تبدیل خواهد شد.
رایانش لبه‌ای (Edge Computing)
رایانش لبه‌ای پردازش داده‌های ابری را به سطح جدیدی می‌برد و بر ارائه خدمات از لبه شبکه تمرکز دارد. این فناوری به سازمانها امکان می‌دهد داده‌ها را در حاشیه شبکه پردازش کنند، هزینه‌های کلی زیرساخت را کاهش دهند، حاکمیت داده‌ها را بهبود بخشند و امنیت داده‌ها را ارتقا دهند.
این فناوری، تحلیل داده‌های محلی با استفاده از هوش مصنوعی را تسریع کرده و سیستم‌های هوشمند را قادر می‌کند عملکرد بهتری داشته باشند و هزینه‌ها را پایین نگه دارند. رایانش لبه‌ای همچنین از رفتار خودکار دستگاه‌های اینترنت اشیا (IoT) پشتیبانی می‌کند.
وضعیت فعلی این فناوری
در حال حاضر صنایع، دستگاه‌هایی با قابلیت رایانش لبه‌ای، از جمله بلندگوهای هوشمند، حسگرها، عملگرها و سایر سخت‌افزارها را به کار گرفته‌اند. این دستگاه‌ها داده‌ها را از دنیای واقعی جمع‌آوری کرده و به‌صورت محلی پردازش می‌کنند.
بر اساس آمارهای Scoop.market.us اندازه بازار رایانش لبه‌ای به طور مداوم در حال رشد است. کارشناسان پیش‌بینی می‌کنند که تا سال 2032 ارزش این بازار از 55 میلیارد دلار در سال 2024 به 206 میلیارد دلار برسد.
هوش تصمیم‌گیری مهندسی‌شده (Intelligence Engineered Decision)
حوزه هوش تصمیم‌گیری یک زمینه جدید در هوش مصنوعی است که روش‌های علمی را با قضاوت انسانی ترکیب می‌کند تا تصمیمات بهتری اتخاذ شود. به عبارت دیگر، این یک روش برای استفاده از هوش ماشینی به منظور اتخاذ تصمیمات مؤثرتر و کارآمدتر در سناریوهای پیچیده است.
هدف تنها شناسایی الگوها نیست؛ بلکه درک این است که چرا این الگوها وجود دارند و چگونه میتوانند به عنوان بخشی از یک استراتژی کلی استفاده شوند. این فناوری با قابلیت‌های مبتنی بر هوش مصنوعی و ساختارهای دادهای تکمیل می‌شود و می‌توان آن را ترکیبی از علوم اجتماعی و نظریه تصمیم‌گیری دانست.
وضعیت فعلی این فناوری
هوش تصمیم‌گیری به شرکتها کمک می‌کند تا ریسک‌ها و تقلب‌ها را شناسایی کرده، فروش و بازاریابی را بهبود بخشند و زنجیره‌های تأمین را تقویت کنند. به عنوان مثال، شرکت مسترکارت از این فناوری برای افزایش تأیید تراکنش‌های واقعی استفاده می‌کند.
بر اساس گزارش THE BUSINESS RESEARCH COMPANY ارزش بازار هوش تصمیم‌گیری از 13.05 میلیارد دلار در سال 2023 با نرخ رشد سالانه مرکب (CAGR) 17.8 درصدی به 15.38 میلیارد دلار در سال 2024 افزایش یافته است و پیش‌بینی می‌شود که تا سال 2028 ارزش این بازار با نرخ رشد مرکب سالیانه 17.7% افزایش یابد و به 29.53 میلیارد دلار برسد.
بافت داده (Data Fabric)
«بافت داده»، به عنوان یک استراتژی جامع داده، از افراد و فناوری برای پر کردن شکاف اشتراک‌گذاری دانش در داخل مجموعه‌های داده استفاده می‌کند. بافت داده بر اساس یک معماری یکپارچه برای مدیریت اطلاعات با دسترسی کامل و انعطاف‌پذیر به داده‌ها طراحی شده و یکی از ابزارهای اصلی برای تبدیل داده‌های خام به هوش تجاری است.
این فناوری همچنین بر محور رویکردهای هوش مصنوعی و کلان‌داده‌ای استوار است که به شرکتها کمک می‌کنند تا گردش‌کاری انعطاف‌پذیری برای مدیریت داده‌های خود ایجاد کنند. بافت داده، معمولاً به عنوان یک اکوسیستم خودمختار شناخته می‌شود که برای حداکثر کردن دسترسی به داده‌های شرکتی استفاده می‌شود، نه به عنوان یک پلتفرم خاص از یک فروشنده نرم‌افزاری خاص.
وضعیت فعلی این فناوری
حدود 26.4% از کسب‌وکارها برای بهبود مدیریت فرآیندهای کسب‌وکار خود از بافت‌های دادهای استفاده می‌کنند. تقاضا برای این معماری در بخش‌های خدمات مالی و بیمه (BFSI)، خرده‌فروشی، تجارت الکترونیک و بهداشت و درمان به دلیل سر و کار داشتن با حجم بالای داده‌ها از منابع مختلف، در حال رشد است.
پیش‌بینی Fortune Business Insights نشان می‌دهد که احتمالا ارزش بازار بافت داده، با نرخ رشد سالانه مرکب (CAGR) 21/2%، از 2.77 میلیارد دلار در سال 2024 به 12.91 میلیارد دلار در سال 2032 خواهد رسید.
رایانش کوانتومی (Quantum Сomputing)
در تقابل با محاسبات سنتی، در رویکرد کوانتومی از کیوبیت‌ها (qubits) به عنوان واحد اصلی اطلاعات استفاده می‌شود تا تحلیل‌ها به مقیاسی تسریع شوند که کامپیوترهای سنتی هرگز قادر به دستیابی به آن نیستند. این سرعت بالا در پردازش به ایجاد مزایایی مانند سرعت و دقت بیشتر در تحلیل داده‌های بزرگ می‌انجامد.
در فاز تجاری، رایانه‌های کوانتومی پتانسیل زیادی برای بهبود سیستم‌های هوشمند دارند و باعث می‌شوند دقیق‌تر و جزئی‌تر عمل شود.
وضعیت فعلی این فناوری
این فناوری هنوز در مراحل اولیه رشد خود قرار دارد؛ با این حال تغییراتی مانند افزایش سرمایه‌گذاری‌ها، گسترش استارتاپ‌ها و خدمات رایانش کوانتومی به عنوان سرویس (QCaaS)، به پیشروی پذیرش بیشتر آن در صنایع کمک شایانی می‌کنند. بر اساس گزارش مک‌کینزی، چهار صنعت مالی، داروسازی، شیمی و خودروسازی میتوانند نخستین کاربردهای این فناوری را پیاده‌سازی کنند.
پیش‌بینی می‌شود که بازار رایانش کوانتومی به عنوان سرویس (QCaaS) تا سال 2033 و با نرخ رشد سالانه مرکب (CAGR) 35.6%، به 48.3 میلیارد دلار برسد.
هایپر اتوماسیون (Hyper automation)
در این مفهوم از فناوریهای هوشمند به بهترین نحو استفاده شده تا به شرکتها کمک شود، خودکارسازی کامل فرآیندها را با ترکیب ابزارهای مبتنی بر هوش مصنوعی و روباتیک پردازش خودکار (RPA) اجرایی کنند. هایپر اتوماسیون تلاش می‌کند تا تمامی تسک‌هایی را که توسط کاربران کسب‌وکار انجام می‌شود، از طریق ایجاد مسیرهای خودکاری که با کمک داده‌ها نیز تکامل پیدا می‌کنند، ساده‌سازی کند.
به لطف هم‌افزایی قدرتمندانه هوش مصنوعی و RPA، معماری هایپر اتوماسیون شده می‌تواند فرآیندهای مستندنشده‌ای را که به ورودی‌های دادهای غیرساختاریافته وابسته هستند، مدیریت کند – چیزی که قبلاً غیرممکن بوده است.
وضعیت فعلی این فناوری
اکنون هایپر اتوماسیون در مرحله ایده‌پردازی است و اتوماسیون کلاسیک به رشد آتی آن کمک خواهد کرد. بنابراین می‌توان گفت که در حال حاضر این ترند در نرم‌افزارهای سنتی RPA که به وظایف مبتنی بر قوانین پایبند هستند و تنها بر روی داده‌های ساختاریافته عمل می‌کنند، نمود پیدا کرده است.
پیش‌بینی می‌شود که اندازه بازار هایپر اتوماسیون در چند سال آینده رشد سریعی داشته باشد. پیش‌بینی‌های THE BUSINESS RESEARCH COMPANY حاکی از آن است که اندازه این بازار با نرخ رشد سالانه مرکب (CAGR) 17.2% افزایش خواهد یافت و از 55.79 میلیارد دلار در سال 2024 به 105.34 میلیارد دلار در سال 2028، خواهد رسید.
دومین مجمع عادی سالیانه شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا) برای ارائه‌ی گزارش عملکرد سال ۱۴۰۳، صبح امروز (سوم بهمن‌ماه) برگزار شد و بر اساس آمارهای اعلام شده، این شرکت موفق شد با رشد قابل‌توجه درآمدها، برای دومین سال پیاپی سودآور شود.
در این جلسه که در محل تفتا برگزار شد، مدیران هلدینگ تفتا، نمایندگان سهامداران و تعدادی از مدیران و اعضای هیئت مدیره شرکت داتا حضور داشتند. در بخش ابتدایی این جلسه، علی گلزاده ،مدیرعامل داتا، به تشریح عملکرد شرکت و مقایسه صورت‌های مالی امسال با سال گذشته پرداخت.
وی با اعلام محورهای اصلی کسب‌وکار، از چهار دسته «زیرساخت داده»، «تولید و استقرار سامانه‌های مبتنی بر داده»، «تجزیه و تحلیل و بصری‌سازی داده» و «خدمات آموزش و تحقیق توسعه مبتنی بر داده و هوش مصنوعی» نام برد و در ادامه به تشریح بخشی از پروژه‌های جاری شرکت داتا پرداخت.
گلزاده با مرور تلاش‌های انجام شده از زمان تاسیس داتا تا امروز گفت: «از زمان آغاز به کار شرکت، در ادامه اجرای پروژه ارزیابی بلوغ داده، بخش قابل‌توجهی از پروژه حاکمیت داده را نیز انجام و تحویل بانک داده‌ایم و احتمالا تا پیش از پایان سال مالی آتی، این پروژه به اتمام خواهد رسید.» وی پروژه دیگری را که در حوزه هوش مصنوعی اجرا شده و به بررسی و پیش‌بینی ریسک نقدینگی بانک کمک می‌کند، از دیگر دستاوردهای داتا در یک سال اخیر دانست و بر موفقیت آن در کسب رتبه دوم «جایزه دکتر نوربخش» در بخش تازه‌های بانکی رویداد سالیانه بانکداری نوین تاکید کرد.
مدیرعامل داتا در تشریح عملکرد مالی شرکت گفت: «درآمد عملیاتی شرکت داتا در سال مالی 1403 از 74.731 میلیون ریال به 425.857 میلیون ریال افزایش یافته و به این ترتیب، سود خالص از 8358 میلیون ریال در سال 1402، به حدود 20.000 میلیون ریال در سال 1403 رسیده است. رشد ارزش دارایی‌های شرکت داتا از حدود 77.285 به 293.488 میلیون ریال، افزایش سرمایه به مبلغ 50 میلیارد ریال و همچنین رسیدن سود انباشته به عدد 23.589 میلیون ریال نیز، از دیگر جزییات قابل توجه صورت‌های مالی شرکت داتا در سال اخیر بوده است.»
گلزاده با بیان اینکه تمامی تکالیف مصوب مجمع دوره قبل به انجام رسیده است، تصریح کرد: «در سال مالی اخیر اقدامات لازم برای پیاده‌سازی دستورالعمل اجرایی مبارزه با پولشویی در چارچوب چک لیست ابلاغی را به انجام رسانده‌ایم و در سال مالی پیش رو نیز به انجام تکالیف مصوب ادامه خواهیم داد.» او در ادامه، نقشه راه داتا در سال پیش رو را ترسیم کرد و از شماری از پروژه‌های شرکت مانند ایجاد زیرساخت کلان داده، توسعه سامانه‌های شناسایی مشتریان بالقوه، اعتبارسنجی مشتریان و CLM نام برد.
در ادامه، درآمد عملیاتی پیش‌بینی شده برای سال مالی آتی شرکت 1.060.000 میلیون ریال اعلام و برآورد شد و اعلام شد که با برنامه‌ریزی‌های توسعه‌ای که در دستور کار شرکت داتا قرار داد، تعداد نیروی انسانی فعال داتا در سال ۱۴۰۴، از 69 به حدود 100 نفر برسد.
در بخش پایانی این رویداد نیز مسیح مشهدی تفرشی، مدیرعامل هلدینگ تفتا، ضمن تاکید بر جایگاه هوش مصنوعی در دنیای امروز، به بیان نکاتی درباره وظایف پیش روی داتا در قبال بانک تجارت پرداخت و در ادامه با اشاره به رشد گزارش شده در شاخص‌های مالی مختلف داتا در دو سال فعالیتش، از عملکرد این شرکت و مدیران آن تقدیر کرد.
مدیرعامل هلدینگ تفتا در ادامه افزود: «ماهیت هوش مصنوعی ایجاب می‌کند که شرکتهایی مانند داتا که حول این فناوری جدید فعالیت می‌کنند، پیش از هر چیز به توسعه‌ی دانش و ترویج فرهنگ و ضرورت به‌کارگیری هوش مصنوعی در کسب‌وکارها بپردازند تا زمینه درک، مقایسه و مشاهده بهبودهای آن برای کارکنان فعلی کسب‌وکاری مانند بانک فراهم و در ادامه زمینه برای تعامل بیشتر این بخش‌ها با ارائه‌دهندگان خدمات مبتنی بر هوش مصنوعی هموار شود.»
تفرشی در انتهای صحبت‌های خود تصریح کرد که برای شرکتی همچون داتا، محاسبه ارزش‌افزوده خلق شده ناشی از به‌کارگیری هوش مصنوعی در زنجیره ارزش بانک تجارت مساله بسیار مهمی است که باید در کنار محاسبه مواردی مانند بهای تمام شده مورد توجه قرار بگیرد؛ زیرا این مساله کمک می‌کند تا هزینه‌های قابل‌توجه راه‌اندازی سیستم‌های مبتنی بر فناوریهای جدید برای بانک قابل‌درک و توجیه‌پذیرتر شده و از این طریق تعامل و پیشرفت کارها با سرعت بهتری دنبال شود.
تسریع توسعه هوش مصنوعی و به‌کارگیری تحلیل‌های مبتنی بر کلانداده را باید مدیون چندین عامل دانست. عواملی که یا از سر ایجاد نیازهای جدید و یا از سر خلق تجربیات متفاوت، باعث شده‌اند که ضرورت توسعه بیشتر این فناوری‌ها حس شود و در نهایت به تحول هرچه بیشتر آنها طی چند سال اخیر بیانجامد.
رشد چشمگیر ورودی‌هایی که در اثر افزایش عرضه ابزارها، تجهیزات پوشیدنی و نقاط تماس با مشتریان ایجاد شده‌اند، در کنار تسریع مکاشفات علمی و نوآوری‌های فناورانه مانند اینترنت اشیا، اتومبیل‌های خودران، اکتشافات دارویی و .. همچنین افزایش بی‌امان رخدادهای مرتبط با امنیت سایبری که نیاز به شناسایی و واکنش آنی برای آنها ضروری است، باعث شد تا نیاز به تسریع سرمایه‌گذاری روی فناوریهای مرتبط با هوش مصنوعی به شدت حس شود.
از طرف دیگر توسعه فناوری‌ها و تحلیل‌های ابری، پذیرش ابزارهای هوشمندی مانند چت‌جی‌پی‌تی که قادرند در لحظه پاسخ‌های شخصی‌سازی شده در اختیار مخاطبان قرار دهند و تحولی که در مدل تعاملی کاربران با کسب‌وکارهای نوین ایجاد شده، همگی باعث شده‌اند که زمینه برای توسعه ابزارهای هوشمند مبتنی بر کلان داده به شدت هموار شود و نتیجه این موارد، توسعه چشمگیر این فناوری‌ها از سال 2020 به بعد بوده است.
افزایش میزان پذیرش فناوری هوش مصنوعی در جهان به صورت جدی دنبال می‌شود و این تغییرات از سال 2023 به بعد بسیار محسوس شده است. به‌طوری که برآوردهای مکنزی حاکی از آنست که نرخ پذیرش این فناوری از 55 درصد در سال 2023 به 72 درصد در سال 2024 رسیده است.
در کنار این موارد، پیش‌بینی می‌شود که ارزش بازار جهانی تحلیل کلان داده (Big Data Analytics) نیز از 348.21 میلیارد دلار در سال 2024 به بیش از 924 میلیارد دلار در سال 2032 رشد کند.
کلانداده و هوش مصنوعی دارای رابطه‌ای هم‌افزا هستند. هوش مصنوعی برای یادگیری و بهبود فرآیندهای تصمیم‌گیری به حجم عظیمی از داده‌ها نیاز دارد، و تحلیل کلانداده از هوش مصنوعی برای بهبود تجزیه‌وتحلیل داده‌ها استفاده می‌کند. داده‌های مربوط به دیتابیس مشتریان، مستندات پزشکی، سیستم تراکنش کسب‌وکارها، داده‌های شبکه‌های اجتماعی، اپلیکیشن‌های موبایلی و اینترنت اشیا همگی میتوانند ورودی لازم برای تحلیل‌های مبتنی بر هوش مصنوعی را فراهم کنند.
با همگرایی کلانداده و هوش مصنوعی شرکتها میتوانند به سرعت از حجم انبوه داده‌هاُ، بینش‌های ارزشمند استخراج کنند و به‌راحتی از قابلیت‌های تحلیل پیشرفته، بهره‌برداری کنند.
استراتژی‌های پذیرش هوش مصنوعی در سال 2025
نخست باید به این سوال بپردازیم که چرا این روزها شرکتها با آغوش باز به استقبال هوش مصنوعی مولد می‌روند؟ یک پاسخ کلیدی می‌تواند این باشد که شرکتها از پتانسیل تجزیه‌وتحلیل‌های مبتنی بر هوش مصنوعی برای پشتیبانی از نوآوری‌های فناوری و تقویت فرآیندهای عملیاتی بهره‌برداری می‌کنند. علاوه بر این، آن‌طور که گزارش PwC نشان می‌دهد، هوش مصنوعی مولد (GenAI) بهره‌وری کارکنان را بین 30 تا 40 درصد افزایش داده است.
با آغاز سال 2025، هوش مصنوعی با سرعت بالایی در حال تکامل است و فرصت‌های بی‌سابقه‌ای را در صنایع مختلف ارائه می‌دهد. با این حال، پذیرش موفقیت‌آمیز هوش مصنوعی تنها به اجرای فناوری محدود نمی‌شود؛ بلکه نیازمند برنامهریزی استراتژیک، هم‌راستای با اهداف کسب‌وکار و فرهنگ نوآوری است. به برخی از این استراتژی‌ها در ادامه نگاهی می‌اندازیم.
۱. توسعه راه‌حل‌های سفارشی هوش مصنوعی
مزایا
متناسب با نیازهای خاص: مدل‌های سفارشی میتوانند برای برآورده کردن دقیق الزامات مسئله یا کاربرد خاص مدنظر یک سازمان طراحی شوند که نتیجه آن استخراج راه‌حل‌هایی بسیار تخصصی و مؤثر خواهد بود.
مزیت رقابتی: مدل‌های منحصربه‌فرد میتوانند یک مزیت رقابتی ایجاد کنند؛ زیرا این مدل‌ها برای نیازهای خاص کسب‌وکار طراحی شده‌اند و در دسترس رقبا نیستند.
حفظ حریم خصوصی و امنیت داده‌ها: مدل‌های سفارشی میتوانند این اطمینان را ایجاد کنند که داده‌های حساس یا اختصاصی درون سازمان باقی می‌مانند. این امر به‌ویژه در بخش‌هایی مانند مراقبت‌های بهداشتی و امور مالی از اهمیت ویژه‌ای برخوردار است.
مقیاس‌پذیری: با تغییر و تکامل نیازهای سازمان، مدل‌های سفارشی را می‌توان تنظیم و مقیاس‌بندی کرد تا داده‌های رو به رشد یا وظایف پیچیده‌تر را مدیریت کنند.
معایب
هزینه بالاتر: توسعه مدل‌های سفارشی هوش مصنوعی اغلب به منابع قابل‌توجهی از نظر نیروی انسانی متخصص، قدرت پردازشی و زمان نیاز دارد. این فرآیند می‌تواند به‌ویژه برای سازمان‌های کوچک پرهزینه باشد.
پیچیدگی: ساخت راه‌حل‌های سفارشی شامل مدیریت مراحل پیش‌پردازش داده‌ها، توسعه مدل و تنظیمات دقیق است که می‌تواند فرآیندی پیچیده و زمان‌بر باشد.
نیاز به مهارت‌های تخصصی: سازمانها باید تخصص فنی لازم برای ساخت و مدیریت مدل‌های هوش مصنوعی را در اختیار داشته باشند. این موضوع می‌تواند برای تیم‌هایی که تجربه‌ای در یادگیری ماشین یا علم داده ندارند، چالشی بزرگ باشد.
۲. استفاده از راه‌حل‌های آماده هوش مصنوعی (Off-the-Shelf AI Solutions)
مزایا
هزینه پایین‌تر: راه‌حل‌های آماده به‌طور کلی مقرون‌به‌صرفه‌تر هستند؛ زیرا سازمان نیازی به توسعه فناوری از صفر ندارد و هزینه توسط کاربران متعدد به اشتراک گذاشته می‌شود.
استقرار سریع: راه‌حل‌های آماده میتوانند به‌سرعت پیاده‌سازی شوند و به سازمانها این امکان را می‌دهند که بدون انتظار برای دوره‌های طولانی توسعه، از فناوری هوش مصنوعی بهره‌برداری کنند.
سهولت استفاده: بسیاری از ابزارهای آماده به‌گونه‌ای طراحی شده‌اند که کاربرپسند باشند و با پشتیبانی داخلی همراه هستند؛ به‌طوری که حتی تیم‌های غیر فنی نیز میتوانند از آنها استفاده کنند.
به‌روزرسانی‌ها و پشتیبانی منظم: راه‌حل‌های تجاری هوش مصنوعی معمولاً به‌روزرسانی‌های مداوم، رفع اشکالات و پشتیبانی مشتری را ارائه می‌دهند که می‌تواند چالش‌های نگهداری را تسهیل کند.
معایب
محدودیت در سفارشی‌سازی: این راه‌حل‌ها ممکن است به‌طور کامل نیازهای خاص یک کسب‌وکار را برآورده نکنند؛ که این مساله منجر به مصالحه‌هایی در عملکرد یا کارایی می‌شود.
مزیت رقابتی کمتر: از آنجا که این راه‌حل‌ها برای سایر شرکتها نیز قابل دسترسی هستند، همانند مدل‌های سفارشی، ویژگی منحصربه‌فرد یا مزیت رقابتی ایجاد نمی‌کنند.
نگرانی‌های حریم خصوصی داده‌ها: استفاده از راه‌حل‌های آماده ممکن است شامل اشتراک‌گذاری داده‌ها با تأمین‌کنندگان شخص ثالث باشد، که نگرانی‌هایی درباره امنیت داده‌ها و حریم خصوصی به‌ویژه در صنایع حساس ایجاد می‌کند.
کمبود انعطاف‌پذیری: برخی از راه‌حل‌ها ممکن است انعطاف‌پذیری کمی داشته باشند، که این امر می‌تواند تغییر یا مقیاس‌گذاری سیستم را به‌ویژه هنگامی که نیازهای سازمان در طول زمان تغییر می‌کنند، دشوار کند.
وابستگی به تامین‌کننده: سازمانها به‌طور فزاینده‌ای به تامین‌کننده برای به‌روزرسانی‌ها، پشتیبانی و قیمت‌گذاری وابسته می‌شوند که چنانچه تأمین‌کننده مدل کسب‌وکار خود را تغییر دهد یا محصول را متوقف کند، می‌تواند خطرناک باشد.
مدل‌های سفارشی هوش مصنوعی انعطاف‌پذیری، کنترل و راه‌حل‌های متناسب با نیازهای خاص را ارائه می‌دهند، اما هزینه‌های بالا و نیاز به نگهداری دارند. از طرف دیگر، راه‌حل‌های آماده، در پیاده‌سازی مقرون‌به‌صرفه‌تر و آسان‌تر هستند؛ اما ممکن است فاقد سفارشی‌سازی باشند و نگرانی‌هایی در زمینه امنیت داده‌ها ایجاد کنند. انتخاب بین این دو بستگی به نیازهای خاص سازمان، بودجه و اهداف بلندمدت آن دارد.
نتایج آخرین نظرسنجی‌ها نشان می‌دهد که ابزارهای آماده هوش مصنوعی، در صنایع مختلف کاربرد گسترده‌ای دارند و تقریباً نیمی از موارد استفاده گزارش شده از GenAI، شامل این راه‌حل‌ها هستند که با حداقل یا بدون سفارشی‌سازی پیاده‌سازی می‌شوند. با این حال، صنایعی مانند انرژی، فناوری، رسانه و ارتباطات بیشتر تمایل دارند در سفارشی‌سازی‌های چشمگیر سرمایه‌گذاری کنند یا مدل‌های اختصاصی برای برآورده کردن نیازهای خاص کسب‌وکار خود توسعه دهند.
سازمانها در حال پیگیری ترکیبی از قابلیت‌های هوش مصنوعی مولد آماده، سفارشی‌سازی قابل توجه مدل‌ها یا توسعه مدل‌های اختصاصی خود هستند.
پذیرش هوش مصنوعی در صنایع مختلف
توزیع هوش مصنوعی در صنایع مختلف، طی سالیان اخیر تغییر کرده است. به نظر می‌رسد که بخش کامپیوتر و الکترونیک بیشترین بهره‌برداری از ارزش هوش مصنوعی در تولید را دارد. در کنار اینها خدمات مالی، آموزش و بهداشت نیز اخیرا توانسته‌اند در این رده‌بندی به صدر جدول برسند که این مساله را باید نتیجه مشترک پاندمی، اختلالات صنعتی و افزایش سرمایه‌گذاری‌ها دانست. زمانی که سازمانها در حال تقویت تخصص خود در علم داده، یادگیری ماشین یا دیگر حوزه‌های فنی هستند، میتوانند از ترکیبی از رویکردها، مانند ایجاد راه‌حل‌های سفارشی یا استفاده از راه‌حل‌های آماده، استفاده کنند.
صنعت مالی
در سال 2024، برآوردها نشان داد که 91% از شرکتهای مالی، یا در حال برآورد به‌کارگیری هوش مصنوعی در کسب‌وکار خود هستند و یا قبلاً استفاده از هوش مصنوعی را در کارشان نهایی کرده‌اند. پیش‌بینی می‌شود که اندازه بازار هوش مصنوعی در صنعت مالی با نرخ رشد سالانه مرکب (CAGR) 25.7% ، تا سال 2026 به بیش از 22.6 میلیارد دلار برسد.
به‌کارگیری هوش مصنوعی در صنعت مالی، به بهبود خودکارسازی کارها، ایجاد خدمات شخصی‌سازی شده بیشتر و پیشرفت در مدیریت ریسکهای امنیتی کمک می‌کند. مورد آخر یعنی مدیریت ریسک امنیتی، موثرترین و ضروری‌ترین عامل در این حوزه است: 87% از کسب‌وکارها از پذیرش هوش مصنوعی در خدمات مالی برای تشخیص تقلب و مقابله با پولشویی استفاده می‌کنند.
کاربردهای هوش مصنوعی در صنعت مالی
- کشف تقلب در تراکنش‌ها و پرداخت‌ها
- هوش مصنوعی محاوره‌ای
- خرید و فروش الگوریتمی
- کشف موارد پولشویی
- سیستم توصیه‌گر
- بهینه‌سازی پورتفولیو
- بهینه‌سازی بازاریابی
- سازگاری با الزامات نهاد رگولاتور
- ارزیابی و تامین مالی
- تولید داده‌های مصنوعی برای ایجاد مدل
- پردازش و تحلیل ادعاهای مطرح شده
- مشاوره رباتیک
محرک‌های مورد انتظار در زمینه پذیرش هوش مصنوعی طی سالهای آتی
در دهه آینده، کارشناسان پیش‌بینی می‌کنند که هوش مصنوعی به بلوغ برسد و تا سال 2030 بیش از 15 تریلیون دلار به ارزش اقتصاد جهانی اضافه کند. این سهم بی‌سابقه پیش‌بینی می‌شود که ناشی از بهبود محصولات و تحریک تقاضای مصرف‌کنندگان به دلیل قابلیت‌های شخصی‌سازی و خودکارسازی سیستم‌های هوشمند باشد.
انتظار می‌رود که بلوغ فناوری هوش مصنوعی تا حد زیادی تحت تأثیر طیف وسیعی از عوامل تسهیل‌کننده قرار گیرد. پیش‌بینی می‌شود که سرمایه‌گذاری در حال رشد در هوش مصنوعی، سخت‌افزارهای نوآورانه، داده‌های عملیاتی در حال گسترش و انقلاب صنعتی 4.0 باعث تسریع گسترده قابلیت‌های تحلیل هوشمند شوند.
۴ عامل برای پیشبرد پذیرش گسترده هوش مصنوعی در آینده
تقریبا هوش مصنوعی به سرعت در حال دگرگون کردن همه صنایع است. تأثیر آن در صنایعی مانند بهداشت و درمان، خرده‌فروشی، مالی و تولید به‌شدت احساس می‌شود. اما دقیقاً چه عواملی باعث پیشرفت خودکارسازی در آینده می‌شوند؟
- سرمایه: پیش‌بینی می‌شود که سرمایه‌گذاران پول بیشتری به ابتکارات هوش مصنوعی تزریق کنند. پیش‌بینی می‌شود که در ۸ سال آینده، ارزش صنعت بیش از ۱۳ برابر افزایش یابد.
- داده: اینترنت نسل پنجم (5G) و اینترنت اشیا مبتنی بر هوش مصنوعی (AIoT) به تکامل یک دنیای کاملاً متصل کمک می‌کنند، که این امر به هوش مصنوعی امکان می‌دهد مدل‌های دقیق‌تری ایجاد کند.
- سخت‌افزار: رشد فناوریهای نیمه‌هادی و ظهور محاسبات کوانتومی تجاری، روش‌های جدیدی برای پردازش سریع و پیچیده داده‌ها ایجاد می‌کنند.
- انقلاب صنعتی چهارم : تولیدکنندگان به‌طور کامل اینترنت اشیاء (IoT)، محاسبات ابری، تجزیه و تحلیل داده‌ها و هوش مصنوعی را برای افزایش بهره‌وری، بهبود کیفیت و تضمین امنیت محیط کار یکپارچه خواهند کرد.
پذیرش هوش مصنوعی در دوران رکود
در سالهای آینده، پیش‌بینی می‌شود که سرعت انتقال فناوری تحت تأثیر کاهش فعالیت‌های اقتصادی قرار گیرد. اما آیا این به معنای آن است که شرکتها از ابتکارات هوش مصنوعی خود عقب‌نشینی کرده و به حالت تلاش برای بقای خود خواهند رفت؟ در واقع، کاملاً برعکس است.
خودکارسازی، یادگیری ماشین و محاسبات ابری همچنان حوزه‌های اصلی تمرکز برای شرکتها خواهند بود؛ زیرا مدیران به دنبال محرک‌های نوآورانه برای کسب‌وکار هستند. سرمایه‌گذاری در فناوری دیگر به عنوان قربانی یک محیط احتمالی رکودی در نظر گرفته نمی‌شود. بلکه، به عنوان یکی از مؤثرترین عوامل تسهیل‌کننده نتایج مثبت کسب‌وکار و احیای شرکت شناخته می‌شود.
اما اگرچه هوش مصنوعی به عنوان یک عامل کلیدی در بهبود مدیریت فرایندهای کسب‌وکار شناخته می‌شود، اکثر شرکتها تمایلی به سرمایه‌گذاری در خودکارسازی ندارند. افزایش هزینه‌های نوآوری و کمبود نیروی متخصص مانع از پیشبرد ابتکارات هوش مصنوعی در سازمان‌های جهانی می‌شود. برای کاهش هزینه‌های توسعه، شرکتها تمایل دارند به استعدادهای هوش مصنوعی در سطح جهانی دسترسی پیدا کنند و پروژه‌های هوش مصنوعی خود را برون‌سپاری کنند.
اقتصاد برون‌سپاری به نوبه خود امکان توسعه نرم‌افزار با هزینه‌های پایین‌تر را فراهم می‌آورد و از کسب‌وکارهای جهانی در این دوران پرآشوب حمایت می‌کند.
پیش‌بینی می‌شود که بازار جهانی برون‌سپاری فرایندهای کسب‌وکار تا سال ۲۰۳۰ با نرخ رشد سالانه مرکب (CAGR) 9.6% رشد کند.
روند توسعه توسط طرف‌های سوم، می‌تواند به‌عنوان یکی از عوامل اصلی موفقیت پذیرش هوش مصنوعی نزد شرکتهای کوچک و متوسط به حساب بیاید.
با ورود به سال 2025 و مشاهده روند توسعه صنایع، شاهد آنیم که یکپارچه شدن هوش مصنوعی و تحلیل‌های کلانداده به بازتعریف صنایع منجر شده و با خلق نوآوری، فرآیندهای تصمیم‌گیری در بخش‌های مختلف را بهبود داده است. اکنون فناوری هوش مصنوعی در خط مقدم نوآوری جهانی قرار دارد و به‌عنوان نمادی از اطمینان و برتری داده‌ها شناخته می‌شود. در حقیقت هوش مصنوعی کلید شکوفایی تمام ظرفیتهای بالقوه سازمانها است و به آنها این امکان را می‌دهد تا از بینش‌های مبتنی بر داده بهره‌برداری کنند؛ کارایی عملیاتی را بهبود بخشند و نوآوری را تقویت کنند. در چشم‌انداز رقابتی امروز، استفاده از هوش مصنوعی نه‌تنها یک مزیت بلکه یک ضرورت برای موفقیت پایدار است.
هوش مصنوعی؛ از گذشته تا آینده
در فاصله سالهای 2020 تا 2024، انطباق سازمانها با هوش مصنوعی تسریع شده است و این مساله را باید مدیون توسعه فناوریهای جدید، افزایش سرمایه‌گذاری در این حوزه و همچنین بهبود شناخت افراد از ظرفیتهای تحول‌آفرین هوش مصنوعی در صنایع مختلف دانست.
توسعه بازار هوش مصنوعی
برآوردهای استاتیستا حاکی از آنست که ارزش بازار جهانی هوش مصنوعی در سال 2024، چیزی در حدود 184 میلیارد دلار بوده است و انتظار می‌رود که این عدد با نرخ رشد مرکب سالانه 28.46 درصد، تا سال 2030 به 826 میلیارد دلار برسد. در گزارش دیگری که از سوی Markets and Markets منتشر شده، پیش‌بینی می‌شود که اندازه بازار هوش مصنوعی تا سال 2027 به 407 میلیارد دلار برسد. چنین رشد چشمگیری به خوبی از سرمایه‌گذاری‌های قابل‌توجه در فناوریهای مرتبط با هوش مصنوعی شامل یادگیری ماشین، پردازش زبان طبیعی و رباتیک حکایت دارد.
نرخ انطباق صنایع با این فناوری
مطالعه‌ای که در سال 2024 از سوی مکنزی انجام شد، نشان داد که 65 درصد از سازمانها شروع به استفاده از هوش مصنوعی مولد در کسب و کار خود کرده‌اند. چنین سازگاری گسترده‌ای با این فناوری نوظهور، گواهی بر رشد آگاهی عمومی نسبت به ظرفیتهای هوش مصنوعی برای بهبود کارایی و بهره‌وری است.
ترندهای سرمایه‌گذاری
بر اساس داده‌های Crunchbase، سرمایه‌گذاران خطرپذیر (VCها) در سال 2024 چیزی در حدود 53 میلیارد دلار سرمایه جدید به بخش هوش مصنوعی تزریق کرده‌اند که این رقم 35 درصد بیشتر از کل سرمایه‌گذاری انجام شده در سال 2023 است. شرکتهای بزرگ فناوری، از جمله گوگل، مایکروسافت و آمازون، نیز به‌طور قابل‌توجهی هزینه‌های خود در حوزه هوش مصنوعی را افزایش داده‌اند و به رشد بیشتر این بخش دامن زده‌اند.
کاربردهای هوش مصنوعی برای صنایع مختلف
کاربردهای هوش مصنوعی روز به روز در حال افزایش است. این فناوری با خودکارسازی فرآیندها، بهبود فرآیندهای تصمیم‌گیری و بهبود کارایی، طیف گسترده‌ای از صنایع را متحول کرده است. در کنار کاربردهایی که این فناوری برای صنایعی مانند خرده‌فروشی، بهداشت و درمان، حمل و نقل و لجستیک، بازاریابی، تجارت الکترونیک و تولید دارد، صنعت مالی یکی از صنایعی است که به شدت از این فناوری تاثیر پذیرفته.
هوش مصنوعی با فراهم کردن امکان کشف تقلب‌ها، اعتبارسنجی، مدیریت ریسک، خرید و فروش الگوریتمی و توسعه ابزارهای هوشمندی مانند چت‌بات‌های بخش خدمات مشتریان، بهبود قابل‌توجهی در صنعت مالی ایجاد کرده است. اکنون سیستم‌های مبتنی بر هوش مصنوعی میتوانند تراکنش‌ها را به صورت آنی تحلیل کنند و با هدف پیشگیری از تقلب در تراکنش‌های مالی، هرگونه رفتار مشکوک را به سرعت شناسایی و مسدود کنند.
اکنون سیستم‌های مبتنی بر هوش مصنوعی قادرند به سرعت حجم عظیمی از داده را مورد تحلیل و بررسی قرار دهند و از این طریق میزان اعتبار و خوشنامی افراد را با دقت مطلوبی برای اعطای امتیازاتی مانند وام مورد ارزیابی قرار دهند. در کنار این موارد، ابزارهای هوشمند و مجازی طراحی شده با این فناوری مانند چت‌بات‌های هوشمند، امکان پاسخ‌دهی به سوالات مشتریان را به صورت 24/7 فراهم می‌کنند و از این طریق هم محدودیت سرویس‌دهی رفع می‌شود و هم نیاز به نیروی انسانی کاهش می‌یابد.
میزان آمادگی و نگرش عمومی به هوش مصنوعی
در گزارشی که از سوی PwC منتشر شد، امده است که اکنون درک عمومی نسبت به این فناوری به میزان قابل‌توجهی مثبت است؛ به‌طوری که 74 درصد از مصرف‌کنندگان اظهار کرده‌اند که در سال پیش رو، مشتاق استفاده از راهکارهای مبتنی بر هوش مصنوعی در زندگی روزمره‌شان هستند. در کنار اینها انتظار می‌رود که در پی آشنایی بیشتر مردم با فناوریهای مرتبط با هوش مصنوعی، نگرش مثبت افراد به این فناوری در سال 2025 افزایش یابد.
چالش‌ها و تاثیر بر نیروی کار
از سال 2020 تا 2024، رشد انطباق هوش مصنوعی با سرمایه‌گذاری‌های قابل‌توجه، پذیرش گسترده در صنایع مختلف و ادغام فزاینده در عملیات روزمره کسب‌وکارها همراه بوده است. با توجه به اینکه سازمانها همچنان در حال کشف و شناسایی مزایای هوش مصنوعی هستند، زمینه برای پیشرفتهای بیشتر آماده بوده و این فناوری در حال تغییر نحوه عملکرد و رقابت کسب‌وکارها در بازار جهانی است. سالهای پیش رو نویدبخش تحولات اساسی خواهد بود، زیرا هوش مصنوعی به بخش جدایی‌ناپذیر برنامهریزی و اجرای استراتژیک در تمام بخش‌ها تبدیل می‌شود.
با وجود این رشد سریع، سازمانها با چالش‌هایی از جمله نگرانی‌های مربوط به حریم خصوصی داده‌ها و کمبود مهارت‌های لازم در نیروی کار روبرو هستند. یک نظرسنجی در سال 2022 که توسط Gartner انجام شد، نشان داد که 54 درصد از سازمانها، کمبود نیروی انسانی ماهر را به‌عنوان مانعی مهم برای به‌کارگیری هوش مصنوعی گزارش کرده‌اند.
با تمام اینها به نظر می‌رسد که تأثیر چالش‌ها و نیروی کار در سال 2025 بسیار عمیق خواهد بود و نیازمند اقدامات پیشگیرانه از سوی کسب‌وکارها و سیاست‌گذاران است. پرداختن به نگرانی‌های مرتبط با جابجایی شغلی، سرمایه‌گذاری در برنامه‌های مهارت‌آموزی مجدد و اطمینان از دسترسی عادلانه به فرصت‌های جدید برای مدیریت این گذار به سمت اقتصادی خودکارتر ضروری خواهد بود. با اتخاذ رویکردی فراگیر در ادغام هوش مصنوعی، ذینفعان میتوانند تأثیرات منفی را کاهش دهند و در عین حال از مزایای این فناوری تحول‌آفرین بهره‌برداری کنند.
استفاده از داده‌های مصنوعی برای ناشناس‌سازی مجموعه‌های دادهای حساس و یا ارائه پاسخ‌های سریع به سؤالات مربوط به مجموعه‌های دانشی خاص، نمونه‌هایی از کاربردهای پیشرفته هوش مصنوعی در سطح سازمانی هستند که امروزه پیچیده‌تر از همیشه شده‌اند. آنچه همچنان ثابت مانده، الزامات زیرساختی است که این کاربردها بر پایه آنها ساخته می‌شوند. بدون زیرساخت مناسب، استقرار هوش مصنوعی در مقیاس سازمانی بسیار زمان‌بر، پرهزینه و منابع‌بر خواهد بود.
پشته‌ها (stack)ی مدرن که تحقق کاربردهای مقیاس‌پذیر یادگیری ماشین پیشرفته از طریق آنها ممکن می‌شود، شامل عناصر زیر هستند:
محاسبات (Compute): بسته به کاربرد خاص، نیازهای محاسباتی که ماهیت بلادرنگ بسیاری از برنامه‌های هوش مصنوعی—به‌ویژه برای کاربران نهایی—را پشتیبانی می‌کنند، معمولاً شامل «بار (لود) کاری توزیع‌شده بین تعداد زیادی GPU» هستند.
ذخیره‌سازی (Storage): توانایی ذخیره حجم عظیمی از داده‌ها به‌گونه‌ای که به‌سادگی و با سرعت بالا قابل دسترسی باشند، مکمل الزامات محاسباتی برای پشتیبانی از این کاربردها است.
عملکرد (Performance) : انتقال سریع داده‌ها از سیستم ذخیره‌سازی به واحدهای محاسباتی، با استفاده از یک سیستم فایل واسط بهینه می‌شود. این سیستم فایل «داده‌ها را با سریع‌ترین سرعت ممکن به GPUها منتقل می‌کند تا بتوانند پردازش‌های هوش مصنوعی را پشتیبانی کنند.»
سازمانها میتوانند از راهکارهای مدرنی که هر سه عنصر فوق را برای توانمندسازی کاربردهای محاسبات شناختی فراهم می‌کنند، بهره ببرند. اتخاذ این راهکارها، «زیرساختی را برای پشتیبانی از بارکاری هوش مصنوعی، چه از نظر ذخیره‌سازی، چه عملکرد و چه تراکم، فراهم می‌سازد.»
بهینه‌سازی عملکرد
بسیاری از سازمانها می‌دانند که گزینه‌های متنوعی برای انتخاب زیرساخت GPU و ذخیره‌سازی در دسترس است. با این حال، پیاده‌سازی‌های بهینه برای مواردی که تأخیر پایینی داشته باشند، به منابعی فراتر از این نیاز دارند. مشکل زیرساخت‌های ذخیره‌سازی سنتی این است که سرعت کافی برای پشتیبانی از بارهای کاری بسیار موازی را ندارد. GPUها میتوانند اطلاعات را از سیستم‌هایی مانند NAS یا سیستم‌های توزیع‌شده بخوانند، اما در نهایت GPU تبدیل به یک گلوگاه می‌شود و نمی‌تواند با کارایی و سرعت لازم عمل کند. کاربران میتوانند با استفاده از پلتفرم‌هایی که دارای «سیستم فایل موازی با عملکرد بالا» هستند، از این مشکلات اجتناب کنند. این سیستم برای به حداکثر رساندن عملکرد زیرساخت‌های محاسباتی و ذخیره‌سازی طراحی شده است.
مزایای بهبود عملکرد
این رویکرد مزایای متعددی دارد:
حذف گلوگاه ذخیره‌سازی: GPUها در این حالت میتوانند با کارایی 90 تا 95 درصد عمل کنند؛ در حالی که در سیستم‌های سنتی این عدد حدود 40 درصد است.
پشتیبانی از بارهای کاری متنوع: این سیستم نه‌تنها از بارهای کاری تصادفی پشتیبانی می‌کند، بلکه قادر به مدیریت انواع مختلف بارهای کاری است؛ از جمله پیش‌بینی برای برنامه‌های کاربرمحور و فرآیندهای داده‌محور برای آماده‌سازی مدل‌ها.
افزایش کارایی منابع: این روش از نیاز به تخصیص منابع جداگانه برای آموزش یا تنظیم مدل‌ها و منابع دیگری برای استنتاج جلوگیری می‌کند. جیسون هاردی، مدیر ارشد فناوری شرکت Hitachi Vantara در اینباره می‌گوید: «در حالت سنتی، شما منابع اختصاصی برای آموزش یا تنظیم مدل دارید و برای استنتاج از مجموعه منابع دیگری استفاده می‌کنید. اما حالا می‌توانید از همان منابع برای هر دو استفاده کنید، زیرا زیرساخت ذخیره‌سازی از هر دو فرآیند پشتیبانی می‌کند.»
ذخیره‌سازی فلش (Flash storage)
عملکرد فوق‌العاده‌ای که از سیستم فایل موازی پیشتر مورد تاکید قرار گرفت، به عوامل متعددی بستگی دارد که یکی از مهم‌ترین آنها استفاده از ذخیره‌سازی پیشرفته فلش است. از یک سو، این سیستم فایل از فناوری PCIe نسل پنجم برای انتقال سریع داده‌ها بهره برده و از سوی دیگر، از ذخیره‌سازی فلش نسل 5 با فرم فاکتور E3Sاستفاده می‌کند.
این ترکیب، سرعت بازیابی داده‌ها را به حدی می‌رساند که «در مقیاس نانوثانیه اندازه‌گیری می‌شود». هاردی در این زمینه اظهار می‌دارد: «از آنجا که مانند هارد دیسک‌های سنتی دارای بخش‌های چرخان نیست، می‌توانیم به‌طور همزمان بارکاری سنگین و عملیات ورودی/خروجی (IOPS) را انجام دهیم. هر دادهای را می‌توان فوراً از روی این درایو فراخوانی کرد.»
ذخیره‌سازی آبجکت (Object Storage)
ذخیره‌سازی آبجکت یکی دیگر از جنبه‌های حیاتی زیرساخت ذخیره‌سازی مورد نیاز برای استقرار هوش مصنوعی در مقیاس سازمانی است. این نوع ذخیره‌سازی در مقایسه با ذخیره‌سازی فلش هزینه کمتری دارد و در برخی محیط‌ها بسیار مقرون‌به‌صرفه است.
ذخیره‌سازی آبجکت به‌ویژه برای مدیریت داده‌های بدون ساختار و نیمه‌ساختار یافته‌ای که سازمانها برای کاربردهای هوش مصنوعی به آنها متکی هستند، بسیار مناسب است. علاوه بر این، پلتفرم‌های جامع زیرساخت هوش مصنوعی امکان تقسیم‌بندی هوشمند داده‌ها بین ذخیره‌سازی فلش و ذخیره‌سازی آبجکت را فراهم می‌کنند.
این قابلیت به سازمانها کمک می‌کند تا بین ذخیره‌سازی بلندمدت داده‌ها با هزینه پایین و ذخیره‌سازی گران‌تر داده‌ها به گونه‌ای که دسترسی سریع به آنها برای موارد استفاده هوش مصنوعی کاربرمحور و ضروری ممکن باشد، تعادل برقرار کنند.
ذخیره‌سازی آبجکت برای موارد زیر مفید است:
- ایجاد اسنپ‌شات‌ها (snapshots)
- پشتیبان‌گیری از داده‌ها
- تداوم کسب‌وکار
هاردی در این باره می‌گوید: «ما در داخل ذخیره‌سازی آبجکت قابلیت حفاظت از تغییرناپذیری (immutability protection) داریم، بنابراین امکان دستکاری داده‌ها وجود ندارد. این داده‌ها به شیوه‌ای ایمن نگهداری می‌شوند. اگر یک حمله باج‌افزاری به داده‌های فعال شما رخ دهد، می‌توانید آنها را از ذخیره‌سازی آبجکت بازیابی کنید.»
ترکیب مناسب
الزامات زیرساختی که در بالا ذکر شد، تنها یکی از دو شرط اساسی برای پیاده‌سازی هوش مصنوعی در سازمانها است. سازمان‌هایی که به دنبال گزینه‌های جامع برای آموزش و اجرای مدل‌های پیشرفته یادگیری ماشین هستند، بی‌شک به پردازنده‌های گرافیکی (GPUs)، ذخیره‌سازی فلش و ابجکت و همچنین ساختارهای میانی، مانند سیستم فایل موازی با عملکرد بالا، نیاز خواهند داشت تا تعاملات میان این اجزا بهینه شود.
با این حال، «هاردی» هشدار می‌دهد که سازمانها باید یک ملاحظه دیگر را نیز در نظر بگیرند: توانایی تشخیص و دسترسی به داده‌های صحیحی که برای برنامه‌های آنها بیشترین معنا را دارند. او می‌گوید: «شما باید استراتژی مدیریت داده مناسبی داشته باشید تا با ورود داده‌های جدید به محیط، مدل‌های شما—از طریق تنظیم دقیق (fine-tuning) یا روش RAG—اطمینان حاصل کنند که هنگام پرسش یا شروع یک فرآیند، جدیدترین نسخه اطلاعات را دریافت می‌کنید.»
بررسی‌ها نشان می‌دهد که عموما 73 درصد از داده‌های شرکتی تحلیل‌نشده باقی می‌مانند و همین باعث شکل‌گیری یک پارادوکس عجیب می‌شود: همزمان که سازمانها غرق در داده هستند، در حسرت بینش مناسبی که بتواند به آنها در تصمیم‌گیری‌ها کمک کند به سر می‌برند – پدیده هزینه‌بری که با تعدد داشبوردها، این توهم را ایجاد می‌کند که شرایط کاملا تحت کنترل است؛ اما در حقیقت کسب‌وکار از دسترسی به بینش‌هایی که به خلق ارزش منجر می‌شود باز می‌ماند.
در دنیای کسب‌وکارهایی که با داده سر و کار دارند، از این پرادوکس عجیب با عنوان «نابینایی دادهای» یاد می‌شود که ممکن است با از دست رفتن فرصت‌ها و یا اتخاذ تصمیمات اشتباه، میلیون‌ها دلار برای یک کسب‌وکار آب بخورد. مساله‌ای که باید مورد توجه قرار داد آنست که داده‌ها مشکلات را حل نمی‌کنند، بلکه این بینش‌ها هستند که حلال مشکلاتند. داشبوردها معمولاً بینش ارائه نمی‌دهند—آنها صرفا حواس را از آنچه که لازم است مورد توجه جدی قرار بگیرد پرت می‌کنند.
در این مقاله با معرفی کامل پدیده‌ای که از آن یاد کردیم، به بیان نشانه‌ها و ریسکهای آن می‌پردازیم و چالش‌های سیستماتیکی که ممکن است در اثر این نابینایی ایجاد شود را مورد بررسی قرار خواهیم داد. در ادامه نیز به تشریح استراتژی‌های عملیاتی، شامل قدرت متحول‌کننده مهندسی پرسش، برای غلبه بر این چالش‌ها و ایجاد بینش‌های بامفهوم خواهیم پرداخت.
تصور کنید: یک صبح دوشنبه دیگر و یک جلسه رهبری دیگر. تیم اجرایی دور صفحه‌هایی پر از نمودارهای رنگارنگ و شاخص‌های ریل-تایم (به لحظه) جمع شده‌اند. همه با تکان دادن سر موافقت می‌کنند در حالی که اعداد یکی پس از دیگری نمایش داده می‌شوند، اما به نوعی تصمیمات بزرگ گرفته نمی‌شوند و بینش‌های تحول‌آفرین همچنان دور از دسترس به نظر می‌رسند. اگر این سناریو برای شما آشنا و دردناک است، تنها نیستید—ممکن است دچار « نابینایی داده» شده باشید.
در حالی که داشبوردها ممکن است شاخص‌های قابل مشاهده را برجسته کنند، اغلب روندها و فرصت‌های پنهان را نادیده می‌گیرند—یک توهم کنترل که منجر به « نابینایی داده» می‌شود.
سراب داشبورد
پیش از ادامه، ۳۰ ثانیه وقت بگذارید و به این سوالات پاسخ دهید:
- آیا بیش از ۵ داشبورد دارید که به طور منظم بررسی می‌کنید؟
- آیا شاخص‌های کلیدی شما بهبود یافته‌اند در حالی که عملکرد کلی کاهش یافته است؟
- آیا جلسات شما بیشتر صرف مرور داده‌ها می‌شود تا اتخاذ تصمیمات؟
- آیا تیم شما می‌تواند توضیح دهد که هر شاخص چگونه ارزش تجاری ایجاد می‌کند؟
- آیا تا به حال داشبوردی توانسته یک چالش بزرگ تجاری را پیش از وقوع پیش‌بینی کند؟
اگر حتی به یک مورد پاسخ مثبت داده‌اید، احتمالاً درگیر «سراب داشبورد» هستید—پدیده‌ای فریبنده که در آن وفور داده‌ها توهم بینش ایجاد می‌کند؛ در حالی که واقعیت‌های حیاتی کسب‌وکار را پنهان می‌کند.
توهم کنترل
داشبوردهای شما به شما دروغ می‌گویند—یا بدتر، شما را از دیدن بینش‌هایی که واقعاً به آنها نیاز دارید، باز می‌دارند. هر روز، مدیران اجرایی به داشبوردهای پیچیده‌ای پر از شاخص‌های بلادرنگ، نمودارهای روندی و تصاویری رنگارنگ خیره می‌شوند. اعداد روی صفحه‌های نمایش در اتاق‌های هیئت مدیره به رقص درمی‌آیند و احساسی آرام‌بخش از کنترل و درک را ایجاد می‌کنند. اما این راحتی چیزی جز یک سراب نیست.
این موضوع را در نظر بگیرید. آخرین باری که داشبوردتان چیزی غیرمنتظره به شما گفت، چه زمانی بود؟ یا زمانی که باعث شد اقدامی قاطع انجام دهید که کسب‌وکارتان را دگرگون کرد؟ اگر مانند بیشتر رهبران باشید، این سوالات شما را به فکر فرو می‌برند.
تله تزئین
داشبوردهای مدرن، با وجود ظاهر بصری چشمگیرشان، اغلب درگیر چیزی می‌شوند که ما آن را «تله تزئین» می‌نامیم—طراحی‌شده بیشتر برای جلب توجه بصری تا ارائه بینش‌های کاربردی. علیرغم سرمایه‌گذاری‌های کلان در سیستم‌های نظارتی پیشرفته، بسیاری از سازمانها همچنان از بینش‌های موردنیاز برای تصمیم‌گیری‌های تاثیرگذار بی‌بهره‌اند. مشکل از خود داشبوردها نیست، بلکه از هدف اشتباه آنها ناشی می‌شود.
سه نشانه‌ای که ممکن است سازمان شما درگیر تله تزئین باشد:
1. آیین صبحگاهی: مرور داشبوردها به یک عادت روزانه تبدیل شده، اما این عادت به‌ندرت منجر به اقدامی معنادار می‌شود. اگر آخرین تصمیمی که با بینشی از داشبوردها گرفته‌اید را به یاد نمی‌آورید، این یک زنگ خطر است.
2. دویدن روی تردمیل شاخص‌ها: تیم‌ها به‌طور مداوم شاخص‌ها و داشبوردهای بیشتری اضافه و رصد می‌کنند؛ اما همچنان با چالش‌های استراتژیک غافلگیر می‌شوند. این گسترش بی‌پایان، تمرکز را کاهش داده و اولویت‌بندی را دشوار می‌کند.
3. رقص داده‌ها: جلسات به جای بحث درباره مفاهیم یا تعیین گام‌های بعدی، حول ارائه اعداد می‌چرخند. نتیجه، چرخه‌ای از مصرف منفعلانه داده‌ها به جای تصمیم‌گیری فعالانه است.
داشبوردها باید ابزارهایی باشند که اقدام را امکان‌پذیر کنند؛ نه اینکه صرفاً مانند کاغذدیواری دیجیتال عمل کنند. شناسایی این نشانه‌ها اولین گام برای بازگرداندن تمرکز سازمان شما به چیزی است که واقعاً اهمیت دارد: استفاده از داده‌ها برای پاسخ به سوالات اساسی و هدایت تصمیم‌گیری‌های تحول‌آفرین.
هزینه پنهان
خطرناک‌ترین جنبه‌ی سراب داشبورد آن چیزی نیست که به شما نشان می‌دهد—بلکه آن چیزی است که پنهان می‌کند. پشت هر نمودار به‌دقت قالب‌بندی‌شده، گورستانی از سوالات بی‌پاسخ و فرصت‌های نادیده‌مانده وجود دارد. داشبوردهای شما در گفتن آنچه اتفاق افتاده مهارت دارند، اما به طرز خطرناکی درباره‌ی این موارد سکوت می‌کنند:
- چرا روندها در حال تغییر هستند؟
- کجا فرصت‌های جدید در حال ظهورند؟
- کدام تهدیدها در حال شتاب‌گیری‌اند؟
- چه کاری باید در ادامه انجام دهید؟
درک نابینایی داده
ابعاد مشکل
اعداد داستانی نگران‌کننده از وضعیت استفاده از داده‌ها در کسب‌وکارهای مدرن بیان می‌کنند:
- ۷۳٪ از داده‌های سازمانی تحلیل نمی‌شوند و که همین امر نقاط کور عظیمی در تصمیم‌گیری ایجاد می‌کند.
- شرکتهای عضو فهرست Fortune 500 به طور میانگین بیش از ۵۰ داشبورد فعال دارند، اما کمتر از ۳۰٪ آنها برای تصمیم‌گیری‌های واقعی استفاده می‌شوند.
- علیرغم افزایش سرمایه‌گذاری‌ها در تجزیه‌وتحلیل، تنها ۲۴٪ از مدیران اجرایی به تصمیم‌گیری‌های مبتنی بر داده‌های خود اطمینان دارند.
- ۸۲٪ از سازمانها گزارش می‌دهند که فاصله بین جمع‌آوری داده و بینش‌های معنادار در حال افزایش است.
- شرکتها به طور میانگین ۳ تا ۴ هفته زمان نیاز دارند تا روندهای مهم بازار را در داده‌های خود تشخیص دهند—که این میزان زمان برای اقدام موثر اغلب خیلی دیر است.
نابینایی داده چیست؟
نابینایی داده تنها به داشتن داده‌های زیاد یا بینش‌های کم محدود نمی‌شود. این پدیده‌ای مدرن در سازمان‌هاست که در آن اتکای بیش از حد به داشبوردها و شاخص‌های کلیدی از پیش تعریف‌شده (KPI)، منجر به عمق کمتر در بینش‌ها و فرصت‌های از دست رفته می‌شود.
می‌توانید آن را به نوعی «آب‌مروارید سازمانی» تشبیه کنید—هرچه داده‌های بیشتری جمع‌آوری کنیم، دید ما مبهم‌تر می‌شود.
سه پارادوکس نابینایی داده
در هسته‌ی « نابینایی داده»، سه پارادوکس سیستمی وجود دارند که حتی می تواند سازمان‌های داده‌محور را نیز مختل کند. این پارادوکس‌ها چالش‌های عملیاتی جداگانه نیستند—بلکه مسائلی ساختاری هستند که توانایی یک سازمان را در استخراج ارزش معنادار از داده‌ها تضعیف می‌کنند. علیرغم سرمایه‌گذاری‌های بیشتر در تجزیه‌وتحلیل و نظارت، کسب‌وکارها اغلب خود را دورتر از بینش‌های قابل اقدام می‌بینند. این اتفاق نه به طور تصادفی، بلکه به دلیل نحوه استفاده (یا سوء استفاده) از داده‌ها رخ می‌دهد. بیایید این پارادوکس‌ها و تأثیر آنها بر تصمیم‌گیری را بررسی کنیم:
سه پارادوکس نابینایی داده: 1- افزایش شاخص‌ها وضوح را کاهش می‌دهد؛ 2-افزایش حجم داده‌ها باعث کاهش بینش‌های معنادار می‌شود؛ 3- تحلیل بیش از حد سرعت تصمیم‌گیری را کاهش می‌دهد.
این پارادوکس‌ها هزینه‌های پنهانی را آشکار می‌کنند که ناشی از تکیه بر داشبوردها بدون سوالات استراتژیک و کنکاش دقیق است.
پارادوکس اندازه‌گیری
گسترش شاخص‌ها می‌تواند وضوح را مخدوش کند. به طرز متناقضی، سازمان‌هایی که بیشترین شاخص‌ها را دنبال می‌کنند، اغلب بیشترین سختی را در کشف الگوهای قابل اقدام دارند. وفور داده‌ها به جای اطلاع‌رسانی، موجب سردرگمی شده و تمرکز بر آنچه واقعاً نتایج را به پیش می‌برد، دشوار می‌شود.
پارادوکس بینش
با افزایش حجم داده‌ها، تولید بینش‌های معنادار معمولاً کاهش می‌یابد. تیم‌ها مشغول نظارت بر شاخص‌های موجود می‌شوند و توانایی—یا انگیزه—پرسیدن سوالات جدید و پیشرو که فرصت‌های جدید را باز می‌کند، از دست می‌دهند.
پارادوکس اقدام
به جای تسهیل تصمیم‌گیری سریعتر، وفور بیش از حد شاخص‌ها اغلب منجر به تأخیر می‌شود. تیم‌ها در تحلیل بیش از حد گرفتار می‌شوند، تحت فشار حجم عظیم داده‌های موجود، و از اقدام بدون وضوح کامل هراس دارند.
علائم اصلی نابینایی داده
این پارادوکس‌ها باعث بروز علائم رایجی می‌شوند که نشان می‌دهند یک سازمان با نابینایی داده مواجه است:
- وسواس به شاخص‌ها: تیم‌ها به جای شاخص‌هایی که واقعاً نتایج کسب‌وکار را پیش می‌برند، بیشتر به دنبال ردیابی آنهایی هستند که به راحتی قابل اندازه‌گیری باشند.
- تحلیل سطحی: داشبوردها فقط به سوال «چه اتفاقی افتاده» پاسخ می‌دهند؛ اما قادر به توضیح «چرا» یا «چگونه» آن اتفاق رخ داده، نیستند.
- ادغام ناقص زمینه: داده‌ها از زمینه وسیع‌تری که برای اطلاع‌رسانی به تصمیم‌گیری استراتژیک نیاز است، جدا می‌شوند.
- مصرف منفعلانه: اعداد بدون تفکر انتقادی عمیق یا نتایج قابل اقدام، مرور و ارائه می‌شوند.
برای رهایی از این پارادوکس‌ها، سازمانها باید از جمع‌آوری و نظارت صرف بر داده‌ها فراتر بروند. تمرکز باید به سمت اتصال داده‌ها به استراتژی، پرورش پرسش‌گری انتقادی و اولویت‌بندی تولید بینش‌های قابل اقدام تغییر کند.
علائم اصلی نابینایی داده: وسواس به شاخص‌ها، تفکر سطحی، مصرف منفعلانه، فلج تصمیم‌گیری، و فقدان زمینه، دست به دست هم می‌دهند تا موانعی برای دستیابی به بینش‌های معنادار و تصمیم‌گیری مؤثر ایجاد کنند.
چرخه معیوب سوالات ضعیف
یک حقیقت ناراحت‌کننده این است: داشبوردها به اندازه سوالاتی که برای پاسخ به آنها ساخته شده‌اند، خوب هستند. ما در یک چرخه معیوب گرفتار شده‌ایم که به این شکل است:
چرخه معیوب سوالات ضعیف: شروع با سوالات مبهم منجر به شاخص‌های غیرموثر، پاسخ‌های سطحی، تصمیمات ضعیف و فرصت‌های از دست رفته پرهزینه می‌شود. این چرخه را با سوالات بهتر و متمرکز بر نتایج که بینش‌های معنادار را ایجاد می‌کنند، بشکنید.
- با سوالات ضعیف تعریف‌شده شروع می‌کنیم
- این سوالات منجر به داشبوردهای غیرموثر می‌شوند
- که پاسخ‌های سطحی ارائه می‌دهند
- که نتیجه‌اش تصمیمات ضعیف است
- و در نهایت، میلیون‌ها فرصت از دست رفته
مشکل واقعی؟ کاربران داشبورد بی‌آنکه به صورت انتقادی به اعداد بصری شده توجه کنند، به مصرف‌کنندگان منفعل تبدیل شده‌اند. اگر داشبوردهای شما تصمیمات را هدایت نمی‌کنند، فقط یک دکوراسیون گران‌قیمت هستند.
بیایید این فرایند را با یک مثال از داشبورد بازاریابی بررسی کنیم:
مرحله ۱. سوالات ضعیف تعریف‌شده
معاون بازاریابی می‌پرسد: «عملکرد رسانه‌های اجتماعی ما چگونه است؟»
(مشکل: سوال مبهم است و فاقد زمینه تجاری و اهداف خاص است)
مرحله ۲. داشبورد غیرموثر
تیم داشبوردی می‌سازد که شامل:
- تعداد دنبال‌کنندگان
- فراوانی پست‌ها
- نرخ‌های تعامل
- شاخص‌های دسترسی
(مشکل: شاخص‌ها برای راحتی پیگیری انتخاب شده‌اند، نه برای ارزش استراتژیک)
مرحله ۳. پاسخ‌های سطحی
گزارش ماهانه نشان می‌دهد:
- «تعداد دنبال‌کنندگان ۱۲٪ افزایش یافته است»
- «نرخ تعامل ثابت در ۲.۳٪»
- «دسترسی ۱۵٪ افزایش یافته است»
(مشکل: اعداد بدون معنی یا زمینه)
مرحله ۴. تصمیمات ضعیف
تیم تصمیم می‌گیرد:
- فرکانس پست‌ها را افزایش دهد
- پست‌ها را برای رشد دنبال‌کنندگان تقویت کند
- روی محتوای بهینه‌شده برای تعامل تمرکز کند
(مشکل: اقدامات تاکتیکی که از تأثیرات تجاری جدا شده‌اند)
مرحله ۵. فرصت‌های از دست رفته
مسائل واقعی نادیده گرفته می‌شود:
- درخواست‌های خدمات مشتری بی‌پاسخ می‌ماند
- مشتریان با ارزش بالا از تعامل باز می‌مانند
- رقبای بازار را از طریق کمپین‌های هدفمند تصاحب می‌کنند
- ۸۵۰،۰۰۰ دلار درآمد از دست رفته به دلیل ریزش مشتریانی که سعی در ارتباط از طریق رسانه‌های اجتماعی داشتند
شکستن چرخه
سوالات بهتری که باید ابتدا پرسیده می‌شد عبارت بودند از:
- «چگونه به طور مؤثر از رسانه‌های اجتماعی برای حفظ مشتریان با ارزش‌ترین خود استفاده می‌کنیم؟»
- «کدام تعاملات رسانه‌های اجتماعی منجر به افزایش ارزش عمر مشتری می‌شوند؟»
- «کجا در سفر مشتری رسانه‌های اجتماعی، پتانسیل درآمد را از دست می‌دهیم؟»
این مثال نشان می‌دهد که چگونه شروع با سوال اشتباه باعث ایجاد یک زنجیره از شاخص‌های غیرموثر، بینش‌های بی‌معنی و فرصت‌های از دست رفته پرهزینه می‌شود. داشبورد از نظر فنی اشتباه نبود—آنچه ساخته شده بود را به درستی پاسخ می‌داد. مشکل این بود که برای پاسخ دادن به سوالات اشتباه ساخته شده بود.
اشتباه میلیون دلاری
مثال یک خرده‌فروش بزرگ را در نظر بگیرید که ماه‌ها به ردیابی شاخص‌های فروش استاندارد از طریق داشبوردهای پیچیده پرداخته بود. نمودارهای آنها نشان‌دهنده رشد ثابت بود و تمامی KPIها به سمت بالا اشاره می‌کردند. با این حال، آنها به طور کامل تغییرات حیاتی در رفتار مشتری را نادیده گرفتند: در حالی که فروش کلی افزایش یافته بود، ارزش عمر مشتری به شدت کاهش یافته بود. زمانی که آنها سوالات درست را پرسیدند و این بینش را کشف کردند، ۲.۳ میلیون دلار فرصت حفظ مشتری را از دست داده بودند.
دیدن سطح، از دست دادن عمق: در حالی که رشد فروش امیدوارکننده به نظر می‌رسید، کاهش نادیده‌گرفته شده در ارزش عمر مشتری منجر به از دست دادن ۲.۳ میلیون دلار شد—که خطرات نابینایی داده را برجسته می‌کند.
رهایی با تفکر مبتنی بر بینش
راه‌حل، داشبوردهای بیشتر نیست—بلکه سوالات بهتر است. به دنیای تفکر مبتنی بر بینش خوش آمدید؛ رویکردی انقلابی که تمرکز را از شاخص‌ها و تجسم‌ها به سوالاتی که بینش‌های معنادار را ایجاد می‌کنند، تغییر می‌دهد. این موضوع به این مربوط نیست که داشبوردهای شما چه چیزی را نشان می‌دهند—بلکه به این مربوط است که چه چیزی را نشان نمی‌دهند.
قدرت سوالات درست
هر پیشرفت بزرگی با یک سوال شروع می‌شود. اما همه سوالات، برابر ساخته نشده‌اند. تفاوت بین سازمان‌هایی که واقعاً از داده‌های خود بهره‌برداری می‌کنند و آنهایی که در آن غرق می‌شوند، اغلب به نحوه‌ی رویکردشان به هنر پرسش‌گری برمی‌گردد. اینجاست که «مهندسی پرسش» وارد می‌شود—یک رویکرد سیستمی برای طراحی سوالاتی که ارزش واقعی کسب‌وکار را به وجود می‌آورد.
چارچوب مهندسی پرسش
شروع با نتایج تجاری
نتایج تجاری را به عنوان مقصد خود در نقشه تصور کنید. قبل از شروع سفر، باید بدانید به کجا می‌روید. بسیاری از سازمانها در دام سوالاتی که ما آنها را “سوالات راحت” می‌نامیم، گرفتار می‌شوند—سوالات ساده‌ای که پاسخ دادن به آنها احساس مفید بودن می‌دهد، اما به هیچ‌جا نمی‌رسند.
- «چند بازدیدکننده داشتیم؟»
- «نرخ تبدیل ما چقدر است؟»
- «فروش‌ها بالا رفته یا پایین آمده‌اند؟»
این سوالات معادل تجاری پرسیدن «چقدر راه را رفته‌ایم؟» بدون دانستن مقصد است. آنها به شما اعداد می‌دهند، اما جهت را مشخص نمی‌کنند.
در عوض، تصور کنید که این سوالات سطحی را به سوالات مبتنی بر نتیجه تبدیل کنید که مسیر پیش رو را روشن می‌کنند.
- «کدام رفتارهای مشتری پیش‌بینی‌کننده وفاداری بلندمدت هستند؟» این سوال فقط اندازه‌گیری نمی‌کند—بلکه راهنمایی می‌کند.
- «کدام عوامل تجربه‌ای باعث خریدهای مکرر می‌شوند؟» حالا ما فقط معاملات را نمی‌شماریم؛ بلکه درک خلق ارزش را داریم.
- «کدام بخش‌های بازار بیشترین پتانسیل رشد را دارند؟» این تمرکز را از جایی که هستیم به جایی که می‌توانیم باشیم تغییر می‌دهد.
شناسایی تصمیمات کلیدی
هر سوال قدرتمند باید به یک تصمیم خاص اختصاص یابد. سوالات خود را مانند ابزارهایی در یک جعبه ابزار تصور کنید—هر کدام باید هدف مشخصی داشته باشند. ماتریس تصمیم‌گیری شما یک سلسله‌مراتب از انتخاب‌ها ایجاد می‌کند که هر کدام نیاز به انواع مختلفی از سوالات دارند:
پیچیدگی سوالات در مقابل تأثیر تصمیمات : ارتقا از شاخص‌های پایه به سوالات تحولی، بینش‌های استراتژیک را آزاد می‌کند و تصمیمات مؤثر را هدایت می‌کند. این تغییر تمرکز را از «فروش‌های ما چقدر است؟» به «کدام فرصت‌ها را از دست می‌دهیم؟» منتقل می‌کند.
تصمیمات استراتژیک جهت‌گیری آینده سازمان شما را شکل می‌دهند. این تصمیمات نیاز به سوالاتی دارند که فرضیات را به چالش بکشند و امکانات مختلف را کاوش کنند.
تصمیمات تاکتیکی تعیین می‌کنند که چگونه منابع خود را برای دستیابی به استراتژی‌تان تخصیص دهید—این سوالات باید فاصله میان چشم‌انداز و اجرا را پر کنند.
تصمیمات عملیاتی کسب‌وکار شما را به طور روزانه به حرکت درمی‌آورند و نیاز به سوالاتی دارند که نیازهای فوری را با اهداف بلندمدت تعادل بخشند.
مفهوم نیازهای داده
اینجاست که بسیاری از سازمانها اشتباه می‌کنند—آنها با داده‌های موجود شروع می‌کنند و سعی می‌کنند بینش‌هایی از آن استخراج کنند. در عوض، تصور کنید که یک جشن بزرگ را برنامهریزی می‌کنید: شما با منویی که می‌خواهید سرو کنید شروع می‌کنید، نه تنها با آنچه که در انبارتان موجود است.
ابتدا باید به وضوح مشخص کنید که چه داده‌هایی برای پاسخ دادن به سوالات استراتژیک شما نیاز دارید. سپس موجودی آنچه را که در اختیار دارید بررسی کنید. فاصله میان این دو—آنچه که نیاز دارید در مقابل آنچه که دارید—به نقشه‌راه به‌دست آوردن داده‌ها تبدیل می‌شود. این رویکرد اطمینان می‌دهد که شما فقط آنچه را که راحت است تجزیه و تحلیل نمی‌کنید، بلکه آنچه را که حیاتی است بررسی می‌کنید.
طراحی تجزیه و تحلیل
تجزیه و تحلیل بدون طراحی مانند جستجو بدون نقشه است—شما ممکن است چیزی جالب پیدا کنید، اما احتمالاً گم خواهید شد. با فرضیات شروع کنید—انتظار دارید چه چیزی پیدا کنید و چرا؟ اینها تنها حدس‌ها نیستند؛ بلکه پیش‌بینی‌های آگاهانه‌ای هستند که بر اساس دانش و تجربه شما از کسب‌وکار ساخته شده‌اند.
روش‌شناسی آزمایشی شما باید به اندازه‌ای دقیق باشد که در صورت لزوم، شما را از اشتباه بودن فرضیات‌تان آگاه کند. به یاد داشته باشید، هدف تایید آنچه که قبلاً باور داشته‌اید نیست—بلکه کشف آن چیزی است که نیاز دارید بدانید. معیارهای واضحی برای آنچه که به عنوان یک بینش قابل اقدام محسوب می‌شود، تعیین کنید. هر همبستگی معنا ندارد و هر الگو نیز شایسته اقدام نیست.
تصور کنید که طراحی تجزیه و تحلیل مانند نوشتن قوانین شواهد برای دادگاه کسب‌وکار شما است. چه چیزی را به عنوان مدرک قبول خواهید کرد؟ برای اتخاذ انواع مختلف تصمیمات، به چه سطحی از اعتماد نیاز دارید؟ اینها فقط سوالات آکادمیک نیستند—بلکه راهنمایی‌هایی هستند که تجزیه و تحلیل شما را متمرکز و کارآمد نگه می‌دارند.
کلید موفقیت در مهندسی سوالات تنها پیروی از این مراحل نیست—بلکه درک چگونگی ارتباط آنها با یکدیگر است. هر سوال باید مستقیماً به یک تصمیم مرتبط باشد، هر تصمیم باید داده‌های خاصی را نیاز داشته باشد و هر تجزیه و تحلیل باید مسیر پیش رو را روشن کند. وقتی این رویکرد به درستی انجام شود، این چارچوب داده‌ها را از یک منبع منفعل به یک راهنمای فعال برای موفقیت کسب‌وکار تبدیل می‌کند.
به یاد داشته باشید: کیفیت پاسخ‌های شما هرگز از کیفیت سوالات شما بیشتر نخواهد بود. زمانی که سوالات بهتری طراحی می‌کنید، تنها تحلیل‌های خود را بهبود نمی‌دهید—بلکه نحوه تفکر و استفاده سازمان شما از داده‌ها برای دستیابی به موفقیت را بازتعریف می‌کنید.
از رویکرد سنتی به تفکر مبتنی بر بینش اول: عبور از روندهای ساده به تحلیل هدفمند با توصیه‌های استراتژیک، بینش‌های قابل اقدام را فراهم می‌کند و تصمیم‌گیری بهتر را هدایت می‌کند.
فراتر از وضعیت موجود
منظره کسب‌وکار امروز به اندازه‌ای سریع حرکت می‌کند که گزارش‌دهی ایستا کافی نیست. داشبوردها برای دنیای کندتر و پیش‌بینی‌پذیرتر طراحی شده‌اند. سازمان‌های مدرن نیاز به رویکردی متفاوت دارند—رویکردی که سوالات پویا را در آغوش گرفته و به شرایط در حال تغییر سازگار شود. شرکتهایی که رشد خواهند کرد، کسانی خواهند بود که از وابستگی به داشبورد عبور کرده و فرهنگ سوال‌گری استراتژیک را پرورش دهند.
شکستن وابستگی به داشبورد
با این سوالات از خود شروع کنید:
- آیا داشبوردهای شما سوالاتی را پاسخ می‌دهند که منجر به تصمیمات واقعی شوند؟
- آیا شاخص‌های شما فرصت‌هایی را برای تحول آشکار می‌کنند یا فقط آنچه را که از قبل می‌دانید تأیید می‌کنند؟
- آخرین باری که تجزیه و تحلیل داده‌های شما به یک بینش پیشرفتی منجر شد، چه زمانی بود؟
راه پیش رو مربوط به کنار گذاشتن کامل داشبوردها نیست—بلکه مربوط به قرار دادن آنها در جایگاه مناسب خود به عنوان ابزارهایی است که سوالات شما را خدمت می‌کنند، نه برعکس. به یاد داشته باشید: اگر سوالات درست را نپرسید، حتی پیشرفته‌ترین داشبورد دنیا هم نمی‌تواند پاسخ‌هایی که نیاز دارید را به شما بدهد.
درمان نابینایی دادهای
در حالی که علائم و هزینه‌های نابینایی دادهای روشن است، راه‌حل، نیاز به چیزی بیشتر از داشبوردهای بهتر یا تحلیل‌های پیچیده‌تر دارد.
در مقاله‌ای دیگر، به بحث مهندسی پرسش خواهیم پرداخت—یک رویکرد انقلابی که نحوه استخراج ارزش از داده‌ها را برای رهبران تغییر می‌دهد. در آنجا به شما خواهیم آموخت که چگونه از وضعیت داده‌های غنی اما بینش ضعیف، به سوی سوالاتی حرکت کنید که تحولی واقعی در کسب‌وکار ایجاد می‌کنند.