کلان داده

وبگاه مشاوران مدیریتی، تجاری و فنی کلان داده

کلان داده

وبگاه مشاوران مدیریتی، تجاری و فنی کلان داده

کلان داده
دنبال کنندگان ۱ نفر
این وبلاگ را دنبال کنید
نویسندگان
آخرین نظرات
سه شنبه, ۲ دی ۱۳۹۳، ۱۱:۱۱ ب.ظ

مدل چک لیست بلوغ سازمانی

 

مدل تعالی و بلوغ کلان داده را می توان با رویکرد هایی که گرینر در مقاله "تکامل و انقلاب در امتداد رشد سازمان ها" در Harvard Business Review, July-August, 1972, p.45 برای رشد سازمان های کارآفرین آورده است مدل کرد.


در این روش، 5 مرحله خلاقیت، جهت گیری، اختیار؛ هماهنگی و همکاری را برای رشد سازمان پیشنهاد می دهد و آن را از دیدگاه های مدیریتی و ایجاد ارزش

 و سازمانی و پاداشی بررسی می کند.


در مدل جدید بنده 5 مرحله بلوغ را در نظر گرفته ام و آن را از دیدگاه مدل استراتژی مدیریتی، رویکرد نسبت به مسائل سازمان، تعامل با تیم فنی، کنترل و مدل

 های ارائه پاداش بررسی کرده ام.

با تعیین اینکه سازمان نسبت به هر عامل از چه رویکردی استفاده می کند، می توان فهمید سازمان در کدام درجه بلوغ کلان داده ای قرار دارد و استراتژی مناسب برای ادامه راه آن در نظر گرفت


تغییر فعالیت های سازمانی حین تکامل شرکت ها

مرحله 5 دگردیسی کسب و کار

مرحله 4

به دست آوردن جریان درآمدزایی

مرحله 3

بهینه سازی کسب و کار

مرحله 2 بینش درست کسب و کار

مرحله 1 بررسی کسب و کار

سازمان با استراتژی پارتنری با تمامی اعضای صنعت

سازمان چابک و

به روز

پیاده سازی استراتژی کلان داده

آینده نگر

هدف کذاری تجمیعی

مدل استراتژی مدیریتی

حل مساله و نوآوری

تعریف مساله به صورت تیمی

فرآیند محور

وظیفه گرا و گروه محور

وظیفه گرا و خروجی نگر

 

رویکرد نسبت به مسائل سازمان

همکاری در قالب تیم نه گروه

نظارت بر تمامی مراحل کار

نماینده داشتن در تیم فنی

توافق در مراحل کار

خروجی گرفتن

 

 

تعامل با تیم فنی

تنظیم اهداف مشترک

برنامه های مدیران و سهام داران

گزارش ها و مراکز سود

 

استاندارد ها و مراکز هزینه

نتایج بازار

 

 

کنترل

پاداش تیمی

تقسیم سود و گزینه های سهام

پاداش شخصی

افزایش حقوق و مزایا

افزایش حقوق

 

مدل های ارائه پاداش

 

 

 

 







































۰ نظر موافقین ۰ مخالفین ۰ ۰۲ دی ۹۳ ، ۲۳:۱۱
علیرضا اشکان

با سلام
در این قسمت مقایسه ای بین چارچوب های مختلف متن باز حوزه کلان داده مانند Hadoop,Storm,Spark,S4 توسط اینجانب صورت گرفته است. فایل مقایسه را از اینحا دریافت کنید.
ان شاءالله در فرصت های بعدی بیشتر با چارچوب متن باز Storm(طوفان) ارائه شده توسط شرکت توییتر آشنا خواهیم شد.

۰ نظر موافقین ۱ مخالفین ۰ ۲۸ آذر ۹۳ ، ۱۵:۳۸
هادی ستوده
يكشنبه, ۲۳ آذر ۱۳۹۳، ۰۲:۵۲ ب.ظ

دوره های آموزشی مجازی و خود خوان علم داده

سلام
با توجه به این که به یک مشاور حوزه کلان داده توصیه می شود که یک دید با گستره ی زیاد و عمق کم درباره ی این حوزه داشته باشد، توصیه می شود در صورتی که می خواهید به عنوان یک مشاور در این حوزه فعالیت کنید، در یکی از دوره های معرفی شده زیر شرکت کرده و با کلیت و مفاهیم مطرح شده در این حوزه آشنا بشوید.
در این قسمت به معرفی منابع مجازی و خودخوان برای مطالعه و یادگیری علم داده می پردازیم.

۱- منبع خودخوان: http://nborwankar.github.io/LearnDataScience که با دریافت این منبع می توانید خودتان به صورت خودخوان به کسب این دانش بپردازید.

۲- دوره های MOOC: برگزار شده در Coursera,EDX,Udacity:
دوره های برگزار شده در سایت Coursera با توجه به این که با برند یک دانشگاه و توسط استاد دانشگاه انجام می شود با دوره های برگزار شده توسط Udacity که توسط کارکنان شرکت هایی مانند گوگل و ... می باشد از لحاظ کیفی و هدف دوره متفاوت می باشد.
با توجه به این که به مرور دوره های جدیدتری به سایت های بالا اضافه می شود در زیر فقط چند دوره از بین چندین دوره این حوزه را معرفی می کنم.
۱- بسته کامل علم داده

برگزار کننده : دانشگاه جان هاپکینز:

آدرس: https://www.coursera.org/course/datascitoolbox
۲- معرفی بر علم داده

برگزار کننده : دانشگاه واشینگتن

آدرس: https://www.coursera.org/course/datasci
۳- دوره های مرتبط علم داده در سایت Udacity: 
https://www.udacity.com/courses#!/data-science

و در آخر درس علم داده برگزار شده در دانشگاه هاروارد که جهت استفاده سایر علاقه مندان در آدرس زیر قرار داده شده است.
http://cs109.github.io/2014

همچنین سایت bigdatauniversity.com نیز چنین دوره هایی برگزار می کند که خود بنده در یکی از کلاس های آن شرکت کردم ولی با توجه به رویکرد کاملا IBM ای این سایت و این که بیشتر آموزش ها بر اساس محصولات آی بی ام می باشد به نظر می رسد این سایت صرفا برای یادگیری و آشنایی با مفاهیم این حوزه مناسب باشد و شاید کاربرد عملی نداشته باشد هم به دلیل بحث شخصی سازی شدن کاربرد های این حوزه و هم به دلیل شرایط کشور ایران.

موفق باشید.

۰ نظر موافقین ۰ مخالفین ۰ ۲۳ آذر ۹۳ ، ۱۴:۵۲
هادی ستوده
يكشنبه, ۱۶ آذر ۱۳۹۳، ۰۹:۱۹ ق.ظ

انواع مدل های بالندگی در حوزه کلان داده‎

Knowledgent نیز همانند شرکت SAP و موسسه Gartner اقدام به ارائه مدل بالندگی برای کلان داده کرده است.

موردی که در این مدل ها قابل مشاهده است که تا بدین جای کار که چند مدل را بررسی کرده ام روند کلی این مدل ها حدودا یکی می باشد ولی گامهای میانی و شروع شان کمی متفاوت می باشد و همچنین پیش فرض های متفاوتی را در نظر گرفته اند.

به نظر می رسد نمی توان با استفاده از یک مدل مثل یک چکش طلایی برای مشاوره بنگاه های مختلف داد بلکه می توان با ترکیب این مدل ها به یک مدل جامع تری رسید که دارای ویژگی های مختلفی باشد سپس با توجه به شرایط هر بنگاه اقدام به ارائه مدل بومی شده ی خاص آن بنگاه کرد.

 

منبع:

http://www.toolsjournal.com/integration ... ity-levels

۰ نظر موافقین ۰ مخالفین ۰ ۱۶ آذر ۹۳ ، ۰۹:۱۹
هادی ستوده

برای استخدام نیروی جدید در سازمان، اطلاعات و داده‌های بسیار زیادی وجود دارد که بررسی و تحلیل آنها از توانایی انسان خارج است. و حتی در صورت یادگیری و ایجاد توانایی، زمان و هزینه‌ی استفاده از ربات‌ها و پردازش‌گرهای غیر انسانی آنقدر پایین‌ است که عملا استفاده از نیروی انسانی را در فرایند استخدام بی‌معنی می‌کند. به عنوان مثال، بررسی اطلاعاتی مانند «داده‌های موجود در شبکه‌های اجتماعی»، «تعداد روز‌هایی که در ماه برای خرید به بازار می‌روید»، و ربط دادن آنها به «نوع مرورگر اینترنت در هنگام ثبت‌نام برای شغل» از داده‌هایی هستند که تحلیل‌شان برای انسان به راحتی قابل انجام نمی‌باشد. 

 

انسان‌ها هرقدر که در استخدام افراد جدید ماهر و کارآزموده باشند، باز هم ممکن است درهنگام فرایند استخدام پیش فرض های خود را دخالت داده و نتوانند به عدالت رفتار کنند

به عنوان مثال سایت lever.co سعی در خودکارسازی فرآیند استخدام شرکت ها و سازمان ها با استفاده از داده هایی که از متقضایان در اختیارش قرار داده می شود، می کند و از نیازمندی هایی که از سوی کارفرما به آن ها اعلام می شود برای خودکارسازی فرآیند استخدامی شرکت ها استفاده می کند، بدون آن که نیروی انسانی حضور داشته باشد فرآیند تماس با متقضایان و امور مربوطه را انجام می دهد که می تواند از لحاظ هزینه ای چه به لحاظ مادی و چه به لحاظ معنوی به سود سازمان باشد و افراد توانمندی را برای جذب در بنگاه ها به مدیران پیشنهاد بدهد.

پی نوشت: مقاله‌ای با عنوان Big Data and Hiring چاپ شده در اکونومیست را بخوانید.

 

۰ نظر موافقین ۰ مخالفین ۰ ۱۶ آذر ۹۳ ، ۰۰:۱۱
هادی ستوده
پنجشنبه, ۱۳ آذر ۱۳۹۳، ۰۹:۴۱ ب.ظ

علی ربایی مشاور تجاری کلان داده‎

علی ربایی که سابقا یک فعال در حوزه هوش تجاری بوده است از سال ۲۰۱۰ وارد حوزه مشاوره و تحلیل گر کلان داده برای صنعت شده است و در حقیقت نقشی که او و گروه تحلیل گر ربایی بازی می کنند را ما دانشجویان این درس قرار است در پروژه فردی خود ایفا کنیم، با این تفاوت که این گروه قسمت فنی کار را با توجه به موقعیتی که مستقر هستند( محل استقرار در دوبی امارات متحده عربی می باشد.) و استفاده از ارتباطاتی که دارند برون سپاری کرده اند و خود و گروه خود را درگیر قسمت فنی و پیاده سازی کار نکرده اند که خود نیز می تواند نقطه قابل توجهی برای ما باشد. 

یکی از کلیدی ترین جملات مصاحبه ایشون به نظر بنده این قسمت هست که می گویند:

داشتن فناوری پیاده سازی شده فقط یک قسمت از داستان است، بدون فرهنگ داده محور، قسمت اول داستان به هدر خواهد رفت.

به نظر بنده این شیوه فعالیت می تواند برای موقعیت کنونی کشور ما بسیار جوابگو باشد و اگر که چنین تیمی از همین دانشجویان درس تشکیل شود که در قسمت تعیین استراتژی و مشاوره دادن برای بنگاه عمل بکنند و قسمت فنی کار را برون سپاری بکنند به تیم فنی آن و خود را درگیر آن حوزه نکنند به نظرم می توانند تیمی موفق تشکیل دهند.

 

منبع مصاحبه آقای علی ربایی با سایت dataconomy:

http://dataconomy.com/top-tips-for-impl ... -strategy/

سایت گروه تحلیل گر ربایی:

http://www.data-aurora.com

یک مشکلاتی که به نظر می رسد در این حوزه برای بنگاه های ایرانی باشد این است که آیا بنگاه ها حاضر می شوند داده های خود را در اختیار گروهی خارج از چارچوب بنگاهی خود قرار دهند؟

اگر که بنگاه ها بخواهند خود تیم های فنی را جذب و استخدام کنند این کار باعث بزرگتر شدن بنگاه می شود و از چابکی بنگاه می کاهد، به نظر شما چه کاری می توان انجام داد تا که بنگاه ها در این حوزه حاضر به برون سپاری بشوند. 

به نظر من کاری که گروه ربایی کرده است و توانسته است اعتماد بنگاه ها را به خود جلب کند، بسیار کار ارزشمندی بوده.

به نظر شما فرمول جلب اعتماد در این حوزه چیست؟

۰ نظر موافقین ۰ مخالفین ۰ ۱۳ آذر ۹۳ ، ۲۱:۴۱
هادی ستوده
چهارشنبه, ۱۲ آذر ۱۳۹۳، ۱۱:۳۸ ب.ظ

واسطه گری حتی در کلان داده !‎

واسطه گری حتی در حوزه کلان داده، می پرسید چگونه؟ خیلی ساده است.

کافی است که شما یک وبسایت ایجاد کنید، چند تن از افراد خبره و نام دار در حوزه کلان داده را گرد هم جمع کرده و با تبلیغات و جذب نیروهای مستعد مثلا با عنوان کاراموز تابستان از مراکز آکادمیک تیم های کوچکی تشکیل داده و در حین کارآموزی پروژه های مرتبطی نیز از دولت و بخش های خصوصی دریافت کرده و در این تیم ها، این پروژه ها را پخش کرده و فقط شما مدیریت این ساختار را برعهده می گیرید.

به همین راحتی

آیا این صحبت پشتوانه خارجی دارد؟

بله، به عنوان مثال : چند تن از اساتید دانشگاه شیکاگو که خود افراد فنی هستند همچین طرحی را هر تابستان در مرکز شهر شیکاگو برگزار کرده و از سرتاسر دنیا نیروهای مستعد را جذب کرده و بر روی پروژه های دولتی و بخش خصوصی کار می کنند.

منبع : http://dssg.io

 

گلوگاه در کلان داده، مباحث فنی نیست بلکه خلاقیت است. 

۰ نظر موافقین ۱ مخالفین ۰ ۱۲ آذر ۹۳ ، ۲۳:۳۸
هادی ستوده
سه شنبه, ۱۱ آذر ۱۳۹۳، ۰۹:۳۵ ب.ظ

کاربرد های جدید Watson

متن خبر:
سه خدمت جدید واتسون برای تومور شناسی، سرآشپز واتسون! و واتسون برای مدیریت ثروت را امروز در مراسمی رونمایی کرد.
شاید این سوال به نظر برسد که کارکرد سرآشپز واتسون چه چیزی می باشد.
در یک توییت IBM آمده است که:
اگر نمی دانید که چه چیزی بپزید از سرآشپز واتسون بپرسید!

منبع خبر: حساب رسمی توییتر شرکت IBM

شرکت IBM با سرمایه گذاری اولیه بر روی پروژه Watson حالا سعی در اجرایی کردن این پروژه در حوزه های مختلف به منظور ارائه دادن خدمات مبتنی بر هوش مصنوعی دارد که جدیدترین موارد آن در خبر بالا آمده است.
در لحظه اول شاید به نظر برسد که چه خدمات موثری توسط کاربرد های واتسون داده می شود ولیکن در راستای بحث های فلسفه تکنولوژی وقتی که سرآشپز واتسون را دیدم به یاد فیلم ۲۰۰۴"من روبات هستم" افتادم و به نظرم در صورتی که واتسون بخواهد بدین شکل در حوزه های مختلف ورود پیدا کند خود می تواند یک تهدید بالقوه تلقی شود و بایستی یک سری کدهای اخلاقی نیز برای آن تعریف شود تا دچار داستان فیلم "من روبات هستم" نشویم.

۰ نظر موافقین ۱ مخالفین ۰ ۱۱ آذر ۹۳ ، ۲۱:۳۵
هادی ستوده
يكشنبه, ۹ آذر ۱۳۹۳، ۰۹:۱۸ ق.ظ

سطوح منفی یک و منفی دو و ...!!!

فرض کنید که شما به عنوان یک مشاور کلان داده به یک بنگاه مراجعه کرده اید و در ابتدا با بیان چند مثال از کاربردهای کلان داده سعی در تشنه کردن مخاطب خود داشته تا بتوانید نظر او را نسبت به چنین فناوری جلب کنید، بعد از این که مدیر مربوطه موافقت خود را اعلام کرد. حال شما می خواهید که با قسمت های مختلف بنگاه آشنا شوید و فرآیند های آن را بشناسید. در صورتی که مشاهده کنید که این بنگاه طبق مدل بالندگی مطرح شده در کلاس برای کلان داده قسمتی از سطح یک را دارا می باشد ولی از فرآیند های سازمانی و ساده درستی برخوردار نیست و فقط تنها در بخشی از بنگاه فرآیندهای آن معلوم و استخراج شده است که حتی بعضی جاهای آن برای خود مسئولان گنگ است :) و در بقیه قسمت ها حتی فرآیند ها مشخص نمی باشد و استخراجی صورت نگرفته است به نظر شما چگونه می توان مشاوره ی خوبی برای حوزه کلان داده به این بنگاه داد؟
آیا لازم است در مدل بالندگی سطوح منفی یک، منفی دو و ... نیز تعریف کنیم؟
به نظر شما ایا فناوری کلان داده برای چنین بنگاهی مناسب است؟

به نظر می رسد هربنگاه برای ورود به این حوزه باید حداقلی از ویژگی هارا داشته باشد
امری که در الگوی تبیینی بالندگی نیز پیش فرض ضمنی! بود.
بنابراین به نظر می رسد نخستین گام ایجاد چنین زیرساخت ها یا مبانی است . هم چنین حین تدوین این زیرساخت ها نیز می توان نگاهی حداقلی به پیاده ساز ی زیرساخت کلان داده داشت
همان طور که بحث آن در کلاس شد حداقل مزیت کاهش هزینه های ذخیره سازی داده هاست و می توان حین تدوین این الگوها چنین طرح هایی نیز در پی انداخت.

در مدلهای بالندگی مرحله این است که شرکت دارای یک زیر ساخت BI یا ذخبره داده ها باشد. از همین رو من هم با بیانات شما موافقم ولی نکته ای برای عرض کردن دارم.
مدلهایی که در فروم یا در کلاس بحث شده اند برای بالندگی کلان داده هستند. ولی قبل از آن باید یک مدل بالندگی BI برای سازمان پیاده کرد. نمونه های خیلی زیادی را میتوانید برای آن در اینترنت پیدا کنید. حتی در سایت زیر پرسشنامه ای ارائه کرده که میزان پیشرفتتان را نشان دهد.
http://tdwi.org/pages/maturity-model/ma ... -home.aspx

۱ نظر موافقین ۱ مخالفین ۰ ۰۹ آذر ۹۳ ، ۰۹:۱۸
هادی ستوده

در راستای صحبت های انجام شده در کلاس درس مبنی بر نیاز بازار کار کشور آمریکا به نیروی انسانی در این حوزه که طبق پیش بینی موسسه مک کنزی عددی بین ۱۴۰ هزار الی ۱۹۰ هزار نفر در حوزه فنی و ۱.۵ میلیون مدیر و تحلیل گر در حوزه کلان داده تا سال ۲۰۱۸ می باشد. 
صنعت دریافته است که در آینده ای نزدیک دچار کمبود نیروی انسانی شدیدی در این حوزه خواهد شد به همین منظور و برای تربیت نیروی انسانی در این حوزه پیش قدم شده و برای آن که خود وارد فرآیند آموزش و تربیت نیروی انسانی به صورت مستقیم نشود و این وظیفه را دانشگاه ها که رسالت اصلی شان تامین نیازهای بازار کار می باشد تامین کنند اقدام به همکاری در این زمینه با دانشگاه ها و مراکز علمی کرده است به عنوان مثال در اواخر سال 2012 میلادی، شرکت IBM اعلام کرده که در اقدامی مشترک با دانشگاه اوهایو اقدام به ایجاد مرکز جدید تحلیل داده در کلمبوس اوهایو خواهند کرد و یا شرکت های IBM، SAS،GE، CISCO وNETAPP با مشارکت چندین دانشگاه پیشروی تحقیقاتی اقدام به ایجاد کنسرسیوم ملی علم داده کرده اند وظیفه این کنسرسیوم چینش بهتر برنامه درسی و تحقیقاتی دانشگاه ها با توجه به نیاز بخش خصوصی می باشد.
در کشور ایران هنوز صنعت چنین نیازی را احساس نکرده است و مانند رقبای خارجی خود به تشویق دانشگاه ها و مراکز علمی برای ایجاد ساختار آموزشی در این حوزه نپرداخته است در نتیجه برای آن که در آینده ای نزدیک که رقابت بر اساس استفاده از داده های بنگاه ها خواهد بود، بنگاه های داخلی توان رقابت در بازار جهانی را داشته باشند بایستی که راه حلی برای این مشکل پیش بینی شود و از الان نسبت به ایجاد ساختار های آموزشی مناسب برای تربیت نیروی انسانی مورد نیاز آینده ی بازار کار کشور اقدام شود.
منبع:
The big data talent gap, Stan Ahalt, White Paper,UNC Kenan-Hagler Business school
https://www.google.com/url?sa=t&rct=j&q ... 5997,d.d2s

۱ نظر موافقین ۰ مخالفین ۰ ۰۹ آذر ۹۳ ، ۰۹:۱۶
هادی ستوده