کلان داده در حوزه های تحولی

1- کلان داده در نظام پولی و مالی
تحلیل کلان داده‌ها شامل فعالیت‌های تحلیلی داده است که سه مشخصه مشترک را به اشتراک می‌گذارند که آن‌ها را از تحلیل‌های داده‌های سنتی مجزا می‌نماید. اولاً، تحلیل‌های داده‌های سنتی برای اهدافی خاص جمع آوری می‌شوند، در حالی که تحلیل‌های کلان داده‌ها، داده‌های مختلف اینترنت اشیاء، شبکه‌های اجتماعی و ... را نیز بررسی می‌کنند. ثانیاً، تحلیل‌های داده‌های سنتی نیاز به کامپیوترهای منفرد با توان معمولی دارند، اما تحلیل کلان داده‌ها توسط دو یا چند رایانه با ارتباطات سنتی یا خدمات محاسبات ابری صورت می‌گیرد. ثالثاً، تحلیل داده‌های سنتی برروی داده‌های ساخت یافته^[1] عمل می‌کند در حالیکه تحلیل کلان داده‌ها، داده‌های غیر ساخت یافته^[2] را نیز مورد بررسی قرار می‌دهد.
تعداد شرکت‌هایی از تحلیل کلان داده‌ها با اهدافی چون پیش ­بینی‌های مکان‌های جرم خیز استفاده می‌کنند. شرکت‌های خدمات مالی تحلیل‌های داده‌های بزرگ را برای بهینه سازی عملیات با رویکرد افزایش سود و اغنا رگولاتوری و نظارت انجام می‌دهند. معمولاً، تکنیک‌های آماری مبتنی بر روش‌های یادگیری ماشین است.
جزئیات تعداد مؤسسات مالی که از تحلیل‌های کلان داده استفاده می‌کنند، در دسترس نیست. با این حال، در سال 2012، تعداد 111 موسسه مالی که از بازارهای نوظهور استفاده نمودند که 75% آن‌ها از تحلیل‌های کلان داده استفاده کرده بودند.

به‌صورت مختصر می‌توان راهکارهای مجهز شدن بانک‌ها به اینترنت اشیا را به شرح زیر عنوان کرد:

نمونه‌هایی از اینترنت اشیا در نظام بانکی

تغییر نقش بانک‌ها
طبق تجربه مشتریان جدید، تقاضا و بهینه‌سازی فرصت‌ها و اشتیاق در دوره اینترنت اشیاء ارائه خواهد شد. بانک‌ها نیاز دارند برای به دست آوردن اطلاعات از مشتریان و ترکیب آن با شبکه‌ای از رسانه‌های دیگر و دیگر منابع اطلاعاتی‌شان مقدار زیادی سرمایه‌گذاری کنند. علم تجزیه‌وتحلیل، بانک‌ها را قادر می‌سازد برای توسعه هر چه‌بهتر فهمیدن هر یک از مشتریان و ارائه بهتر تجربه طراحی‌های مناسب‌تر به آنان. بانک‌ها باید درک کنند که هر یک از مشتریان، روز خود را چگونه سپری می‌کنند تا بتوانند پیش‌بینی بهتری از نیازهای آن‌ها داشته باشند. بانک‌ها باید ۳ نقش را برای تبدیل‌شدن ایفا کنند که نقش ضروری در زندگی روزمره مشتریان دارند.
ارائه مشاوره: بانک‌ها به‌عنوان یک مشاور مورد اعتماد باید محل‌های مرسوم خود را حفظ کنند؛ اما در آینده آن‌ها باید برای ارائه خدمات بهتر، مشورت‌های شخصی برای مشتریان مالی و غیرمالی در زمان و مکانی که مشتریان می‌خواهند تلاش کنند.
ارزش جمع‌آوری داده‌ها و خبرها: بخش مهم برای تبدیل‌شدن بانک‌ها، اکوسیستم مشتریان و جامعه اجتماعی است. آن‌ها می‌خواهند با توسعه اتحادهای ویژه و مشارکت‌ها قادر باشند با تجدیدنظر مشتریان از طریق ارائه انحصاری پیشنهاد قیمت، ارزش آن‌ها را بیشتر کنند.
تسهیل در دسترسی: بانک‌ها باید از ارتباطات خودشان برای ارائه پیشنهادات مناسب برای پشتیبانی از نیازهای مشتریان و سبک زندگی آن‌ها استفاده کنند و خدماتی مانند بیمه، متخصصان بهداشت و سلامت، خطوط هوایی، هتل‌ها و… ارائه بدهند.

بانک اشیاء
بانک‌ها باید بتوانند با توجه به گستره اطلاعات اینترنت اشیاء، به بخش و قسمت مهمی از زندگی روزمره مشتریان خود تبدیل شوند. بانک‌ها باید بتوانند برای سبقت جستن از نیازهای مشتریان و پاسخ به تغییر موقعیت‌های آن‌ها و ارائه راه‌حل‌های به‌موقع در مورد آن‌ها برای رسیدن به اهدافشان کمک کنند. باقی ماندن، اعتماد کردن، مشاوره گرفتن و تسهیل در امور برای مشتریان، نیازمند درک تقریباً صمیمی از نیازهای هر مشتری و ترجیحات آن‌ها بستگی دارد.

بانکداری شخصی
بانکداری شخصی یعنی دسترسی به داده‌های گرفته‌شده توسط دستگاه‌های هوشمند برای ارائه اطلاعات جامع به مشتریان در زمان واقعی برای امور مالی شخصی خود. بانک‌ها می‌توانند از اطلاعات بینش محور برای سبقت جستن از نیازهای مشتریان و ارائه مشاوره، محصولات و ارائه راه‌حل برای کمک به مشتریان برای تصمیم‌گیری درست و هوشمند مالی استفاده کنند. در این راه بانک اشیاء تبدیل می‌شود به یک مشاور همیشه مفید، همیشه مراقب، تسهیل‌کننده و باعث بالا رفتن وفاداری مشتریان و افزایش احتمال ایجاد ارزش‌افزوده کسب‌وکارها می‌شود. قبلاً در ایالت متحده برای بیمه ماشین‌ها، رانندگان و مشتریان و تعیین حق بیمه از مانیتور کردن رفتار واقعی رانندگان با استفاده از دستگاه‌های کامپیوتری و مخابرات استفاده می‌کردند. بر این اساس عامل «قیمت مشتری محور» یک اصل محسوب می‌شود. در آینده پوشش بیمه منازل و حق بیمه آن را به‌طور منظم با توجه به جریان اطلاعات از دستگاه‌های هوشمند و کالاهای خانگی می‌توانیم ببینیم. Garanti Bank بانک در ترکیه برنامه موبایلی طراحی کرده است که به مشتریان خود در خصوص پیشنهادات ویژه و برندهای محبوب آن‌ها هشدار می‌دهد و در پایان هرماه با توجه به الگوهای هزینه تعادل را برقرار می‌سازد. این یکی دیگر از نشانه‌های اولیه‌ای است که بانکداری از اشیا قادر به ارائه چه چیزهایی است.
مثال­هایی از بانکداری شخصی و بانک اشیاء: ژاپن- توکیو ۲۰۱۹: خانم یومی ساتو هنگامی‌که در حال رانندگی از محل کار به سمت منزل خود بود هشدارهایی را از ماشین دریافت نمود که مشخص می‌نمود ماشین نیاز به مکانیک تعمیرات و دارد. او می‌دانست که برای تعمیرات موتور نیاز به هزینه سنگینی است. پس از رسیدن به منزل تلفن هوشمند خود و برنامه بانکی خود را باز نمود او در یک نگاه متوجه شد که بودجه کمی در اختیار دارد؛ اما بانک او با توجه به اطلاعاتی که از ماشین وی، یخچال هوشمند وی، مخزن آب هوشمند وی، تلفن هوشمند وی و سایر وسیله‌های هوشمند منزل وی دریافت کرده بود یک تصویر لحظه‌ای از زمان واقعی از میزان هزینه، مصرف و صرفه‌جویی موردنیاز برای تعمیر خودرو را ارائه داده بود. هنگامی‌که خانم یومی ساتو درگیر اعداد و ارقام ارائه‌شده بود پیغامی روی گوشی تلفن همراه خود از بانکش دریافت کرده بود که ماشین شما نیاز به تعمیر دارد و با دو متخصص در دسترس قادر به حل مشکل شما، هماهنگ گردیده است. بانک با توجه به اطلاعاتی که از اشیاء دریافت کرده بود توانسته بود ذهن او را بخواند و دو راه‌حل برای تأمین مالی این مشکل ارائه داده بود: او می‌تواند با کاهش مسافرت تعطیلات سالیانه خود به مدت ۶ ماه این مبلغ را جبران کند و یا با بالا بردن میزان محدودیت‌های کارت اعتباری خود نسبت به تأمین بودجه اقدام کند. همچنین بانک به‌عنوان آخرین کاهش هزینه‌ها، بیمه خودرو وی را با توجه به اطلاعات دریافتی از خودرو و همچنین عادات رانندگی وی، کاهش داده بود.

کسب‌وکار بانکی
بانک‌ها برای موفقیت کسب‌وکار مشتریانشان در آینده باید با توجه به دسترسی به اطلاعات کلیه کسب‌وکارهای مشتریان، زنجیره ارزش، تأمین‌کنندگان، توزیع‌کنندگان و خرده‌فروشان به آن‌ها کمک کنند تا نتایج برتر تجاری را کسب کنند. بانک اشیاء قادر است که بینش مشتریان خود را بسیار عمیق‌تر توسعه بدهد. این پروسه به بانک‌ها این اجازه را می‌دهد تا با تجزیه‌وتحلیل اطلاعات مالی، محصولات و خدمات، مشتریان، بتوانند با افزایش مزیت رقابتی برای کسب‌وکارهایشان در بازار کاملاً رقابتی موجود تمایز ایجاد کنند. تجزیه‌وتحلیل در بانک اشیاء باید بتواند به محصول یا خدمت مشتریان، ارزش اضافه کند.
برای مثال بانک‌ها می‌توانند با ترکیب کردن اطلاعات دموگرافیک و داده‌های بازار با کسب‌وکار مشتریان به بینش و مزیت رهبری بازار دست پیدا کنند. به‌عنوان نمونه اطلاعاتی در خصوص ترجیحات مصرف‌کننده‌ها، تفاوت بازار منطقه‌ای، نوسانات بازار تقاضا، کمک می‌کند به کسب‌وکار مشتریان برای پایش و ارائه مدل‌های قیمت‌گذاری مناسب برای محصولات و خدماتشان. برای نمونه دیگر بانک اشیاء چگونه می‌تواند از طریق حمل‌ونقل خدمات بهتری به کسب‌وکار مشتریان خود ارائه بدهد؟ هرچقدر که اطلاعات حمل‌ونقل بیشتر و بیشتر در دسترس باشد، شرکت‌های تولیدی می‌توانند روش‌های بیشتری برای حمل‌ونقل را ببینند درنتیجه آن‌ها می‌توانند نسبت بالاتری از کالاهای مفقود شده یا معیوب را در زمان واقعی برای تنظیم میزان ارزش موجودی خود ببینند. بانک اشیاء درمجموع می‌تواند با در اختیار داشتن اطلاعات سایر کسب‌وکارهای مشتریان ریسک نسبی گزینه‌های حمل‌ونقل را شناسایی و همچنین در خصوص میزان قیمت بیمه‌های آن‌ها پیشنهادهای ویژه‌ای بدهد.

بانکداری اشیاء: ساختن در زمان واقعی
ما در خصوص بانکداری اشیاء توصیف‌های غیرقابل‌باور و دور از ذهن انجام ندادیم. پیش‌بینی می‌شود تکنولوژی اینترنت و بانکداری اشیا باعث رشد اقتصادی از ۴.۸ تریلیون دلار در سال ۲۰۱۲ به ۸.۹ تریلیون دلار در سال ۲۰۲۰ بشود. آینده به‌سرعت در حال آمدن است و روی این فرصت‌ها باید سرمایه‌گذاری کرد. امروزه بانک‌ها نیاز دارند برای سرمایه‌گذاری در این اکوسیستم‌های درحال‌توسعه و قابلیت‌هایی که در آینده برای بانکداری اشیاء به وجود می‌آید.

ایجاد یک اکوسیستم بانکداری از اشیاء: برای ایجاد بانکداری از اشیاء، بانک‌ها نیاز دارند تا در ۳ حوزه کلیدی برای ایجاد یک اکوسیستم کسب‌وکار تمرکز کنند که بتوانند از مدل جدید پشتیبانی کنند.
• مشارکت درست و صحیح: بانک‌ها نیاز دارند به همکاری با شرکای تجاری اکوسیستم به‌منظور گسترش دسترسی به اطلاعات و یکپارچه‌سازی محصولات در تمامی زمینه‌های زندگی مشتریان خود. این شرکا می‌توانند شامل موسسات خدمات مالی، شرکت‌های آب و برق، شرکت‌های مخابراتی، خرده‌فروشان و یا شرکت‌های فن آوری باشند.
• تجزیه‌وتحلیل یکپارچه داده‌ها: بینش مشتریان از ساختار و تجزیه‌وتحلیل داخلی بانک‌ها برگرفته‌شده است تا در آینده بتوانند با گرفتن تصمیمات استراتژیک، ستون اصلی کسب‌وکار خود را بر این اساس بنا کنند. درحالی‌که بانکداری از اشیاء با در نظر گرفتن مصالح کلیه شرکای سیستم قادر به ارائه اطلاعات کاملاً واقعی از تجربه شخصی و تجربه یکپارچه مشتریان است.
• اتصال: برای ایجاد یک شبکه یکپارچه و سازگار با تجارب مشتریان در میان کانال‌های متعدد موجود برای ارائه به مشتریان برتر و افزایش درآمد از فرصت‌های موجود نیاز به یک اتصال است. برای ساختن این اتصال، بانکداری از اشیاء نیاز به ادغام کانال‌های توزیع خارجی جدید و توسعه شبکه به ‌هم‌ پیوسته و رسیدن به مدلی فراتر از مدل‌های سنتی کانال‌های توزیع فعلی بانک‌ها دارد.

قابلیت‌های بحرانی از بانکداری از اشیاء
بانکداری از اشیاء نیاز دارد به حرکت بسیار عظیم به سمت حجم زیادی از اطلاعات، دسترسی به نقاط تعامل متعدد مشتریان به‌عنوان قطب حیاتی که مختصات فعالیت‌های یک میزبان را برای ملاقات با مشتریان با اهداف مالی و غیرمالی مشخص می‌نماید. برای انجام موفقیت‌آمیز این کار، بانک‌ها نیاز دارند به سرمایه‌گذاری در چندین قابلیت مهم کسب‌وکار:

تجزیه‌وتحلیل
بانک‌ها در حال حاضر برای اطلاعات و داده‌های مشتریان از روش‌های منحصربه‌فردی جستجو می‌کنند. آن‌ها در حال حاضر داده‌های خارجی مانند بازخورد شبکه‌های اجتماعی را در اختیاردارند که به آن‌ها کمک می‌کند در سبقت جستن از نیازهای مشتریان برای ارائه پیشنهادات به‌موقع و بجا. در دوره بانکداری از اشیاء، حجم اطلاعات در دسترس در حد انفجار خواهد بود. بانک‌ها نیاز دارند به ادامه سرمایه‌گذاری در علم تجزیه‌وتحلیل داده‌ها که به آن‌ها این امکان را بدهد تا با پردازش و تجزیه‌وتحلیل همه این اطلاعات جدید، بتوانند ارائه‌های بسیار منحصربه‌فرد، باارزش و پیشنهادات عملی به مشتریان خود بدهند. ارائه محصولات مناسب و مشاوره‌های مشتری محور به‌طور مداوم، باعث تعامل منظم بانک‌ها و مشتریان آن‌ها می‌گردد و به‌طور روزمره اساس کار آن‌ها بر اساس ارزش، اعتماد و مشاوره مالی شخصی بنا می‌گردد.

قیمت‌گذاری مناسب و توسعه محصول
بانک‌ها در حال حرکت از حالت ایستا و مدل‌های قیمت‌گذاری انعطاف‌ناپذیر و ایجاد یک محصول یک‌بعدی برای همه‌ی سلیقه‌ها به سمت پویایی و تحرک می‌باشند. امروز هدایت‌گرها، برآوردها، تجزیه‌وتحلیل روندها و بخش تجزیه‌وتحلیل مشتریان، در محدوده مدل‌های قیمت‌گذاری محصولات استفاده می‌شوند. اینترنت اشیاء به بانک‌ها برای تکامل بیشتر این پروسه این امکان را می‌دهد، همچنین بانک‌ها این امکان را برای تعیین قیمت پویا در زمان واقعی به طراح محصول خود می‌دهند. اینترنت اشیاء به بانک‌ها فرصت‌هایی را برای توسعه محصولات در سطحی کاملاً جدید که مجهز است به مقدار عظیمی از اطلاعات خرد درباره رفتار هر یک از مشتریان، کاربرد و استفاده در حوادث زندگی روزمره ارائه می‌دهد. بانکداری از اشیاء به طراحی و ارائه محصولات مناسب در آینده نیاز دارد برای ارائه به مشتریان ویژه؛ و همچنین نیاز به نقاط قیمت‌گذاری که منعکس‌کننده موقعیت مالی کلی مشتریان باشد.

توزیع
برای وارد شدن به زندگی روزمره مشتریان و جلوگیری از ایجاد ضعف، بانک‌ها نیاز به انتخاب کاملاً دقیق ابزارهای توزیع، برنامه‌های کاربردی و روش‌های مورداستفاده برای ارتباط با سایر مشتریان دارند. در این راستا و برای درک نیازهای فردی مشتریان، تحلیل داده محور و تنظیمات آن بسیار ضروری به نظر می‌رسد. در برخی موارد بانک‌ها مراکز مرسوم (شعب) خود را به‌عنوان محلی برای تعامل با سایر مشتریان در نظر می‌گیرند. آن‌ها در این بازی، نقش پس‌زمینه محوری خود در تعامل بین مشتریان و سایر شرکای اکوسیستم را ایفا می‌کنند.

چابکی
به‌طور مشخص اینترنت اشیاء به‌طور مستمر با تغییرات تکنولوژی و زیرساخت‌ها، تغییر خواهد کرد. بانک‌ها به سرمایه‌گذاری در افزایش ظرفیت و چالاکی صورت گرفته به خاطر این تغییرات نیاز دارند؛ بنابراین آن‌ها می‌توانند خودشان را با شرایط وفق بدهند. قابلیت شناسایی این تغییرات توسط سازمان‌ها به بخش جدایی‌ناپذیر و هسته اصلی کلیه فعالیت‌های کسب‌وکار تبدیل شده است. بانک‌هایی که بتواند هر چه سریع‌تر خودشان را آموزش بدهند قادر خواهند بود تا پاسخی سریع و قابل انعطاف به تغییرات تکنولوژی بدهند و درنتیجه قادر به حفظ ارتباط با بازار خواهند بود.

نوآوری مستمر
نوآوری هدایت‌کننده کلیدی هر کسب‌وکاری به سمت سودآوری و رقابت در هر صنعتی است. تحول و تغییرات صورت گرفته از بانک به بانکداری از اشیاء یک فرآیند مستمر خواهد بود که نوآوری به‌طور مستمر در پاسخ به تقاضا و نیازهای دائماً در حال تغییر مشتریان فردا، در آن صورت می‌گیرد. افزایش ظرفیت توسعه نوآوری با سرعت زیاد، بانک‌ها را قادر می‌سازد تا ابتدا باعث رشد مشتریان و در ادامه باعث قوی‌تر شدن موقعیت آینده آن‌ها در بازار می‌شود.

مدیریت ریسک دیجیتال
امروزه بانک‌ها از طیف وسیعی از مدل‌های اعتباری برای مدیریت ریسک فعالیت‌هایشان استفاده می‌کنند: استفاده از مدل‌های سه‌جانبه برای بهبود ایجاد تعادل بین تائید یا رد کردن پرداخت وام به‌وسیله گروه‌های شناسایی مشتریان با گرایش‌های بالاتر به‌طور پیش‌فرض برای ارزیابی پتانسیل موجود و بهبود استراتژی‌ها در زمان واقعی و تطبیق برآورد ارزش وثیقه در بهبود بدهی موردنظر استفاده می‌گردد. بانک‌ها هنوز به سرمایه‌گذاری و تلاش برای مدیریت این مدل‌های اعتباری در سال‌های پیش را نیاز دارند. آن‌ها برای آماده شدن برای آینده به این سرمایه‌گذاری‌ها نیاز دارند. اینترنت اشیاء بانک‌ها را قادر می‌سازد تا بتوانند با مشتریان خود برای فهمیدن بهتر نیازهای آن‌ها، موقعیت‌های مالی و ارزش وثیقه‌ها و به‌طور خودکار و مداوم همکاری کنند. با به دست آوردن دسترسی به اطلاعات زندگی روزمره مشتریان، بانک اشیاء قادر خواهد بود برای پایش مدل‌های اعتباری خود و به‌طورکلی و به‌طور مداوم برای بهبود موقعیت ریسک استفاده کند.


2- کلان داده در صنعت حمل و نقل
پلتفرم های بزرگ صنعت حمل و نقل از جمله اوبر بدون داشتن حتی یک ماشین با استفاده از دیتا، تمام ماشین های تحت مدیریت خود را حرکت می ­دهد. در این پلتفرم ها داده های بزرگ و علوم اطلاعات در قلب همه چیز است و می توانند بوسیله آن افزایش قیمت، اتومبیل های بهتر، تشخیص سواری جعلی، کارت جعلی، رتبه بندی جعلی، برآورد قیمت ها و رای رانندگان را مدیریت کند. اصل بنیادین در در این پلتفرم ها big data principle of crowdsourcing است. داده ها در Data Hadoop جمع آوری و برای پردازش داده ها از Spark و Hadoop استفاده می شود. این داده ها از طیف وسیعی از انواع داده ها و پایگاه های داده مانند جداول پایگاه داده SOA و آپاچی کافکا می آیند.
در این پلتفرم ها تمامی اطلاعات مربوط به نقاطGPS ثبت شده برای هر سفر را در سیستم خود داراست و با استفاده از دیتابیس عظیم خود به محض اینکه یک کاربر درخواست ماشین می دهد با توجه به اطلاعات او بهترین راننده را در عرض 15 ثانیه با پیشنهاد او Match می‌کند. آنها از دیتا‌ های نگهداری شده از هر سفر برای پیش بینی تقاضای اتومبیل، تنظیم قیمت ها و تخصیص منابع کافی استفاده می کنند.
تیم تحقیقاتی داده ها در اوبر همچنین تجزیه و تحلیل عمیق شبکه های حمل و نقل عمومی را در میان شهرهای مختلف انجام می دهد تا آنها بتوانند در شهرهای دارای حمل و نقل ضعیف تمرکز کنند و بهترین استفاده را از داده ها برای بهبود تجربه مشتری داشته باشند.

اوبر در زمانی که رانندگانش هیچ مسافری را حمل نمی‌کنند نیز از اطلاعات دریافت شده از آنها برای تشخیص الگوهای ترافیکی، محل های حضور رانندگان، نظارت بر سرعت رانندگان، محاسبه پرداخت های تشویقی به رانندگان و اینکه آیا آنها به صورت همزمان برای شرکت‌های رقیب نیز کار می کنند یا نه استفاده می‌کند.
تجزیه و تحلیل داده های بزرگ در سراسر شرکت اوبر گسترده شده است .یادگیری ماشین، علم اطلاعات، بازاریابی، تشخیص تقلب و بسیاری موارد دیگر هستند که در اوبر بر پایه کلان داده ها کار می‌کنند. یکی از استفاده های جالبی که اوبر از کلان داده ها دارد این است که به رانندگان کمک می کند تا باز طریق یک نقشه حرارتی بهترین نقاط را برای قرارگیری انتخاب کنند تا در نهایت با تعداد سفر بیشتر سود بیشتری برای دو طرف حاصل شود.

یک دیگر از استفاده های اوبر از کلان داده ها بالا بردن سطح رضایت مشتریان و رانندگان از طریق ایجاد تجربه کاربری مثبت است. در این مورد اوبر صرفا داده های مشتریان و رانندگان خود را ذخیره نمی کند بلکه می کوشد از این داده ها به صورت Real Time برای ایجاد تجربه مثبت و حس بهتر در مشتریان و رانندگان استفاده کند.

علوم داده قلب الگوریتم افزایش قیمت اوبر است. یک مدل قیمت گذاری داینامیک در قلب سیستم اوبر وجود دارد که این الگوریتم با توجه به شرایط مختلف در لحظه و با توجه به دو فاکتور منطقه جغرافیایی درخواست و میزان تقاضا در آن لحظه برای یک سفر قیمت گذاری می‌کند، همچنین آنها با استفاده از تحلیل های رگرسیونی میزان تقاضا در هر منطقه را پیش بینی می کنند و از این طریق مناطق شلوغ را مشخص کرده و با کمی بالا بردن قیمت، رانندگان بیشتری را ترغیب به خدمات دهی در آن مناطق می‌کنند. موضوع بسیار مهم در این زمینه این است که اوبر سعی کرده است این الگوریتم طوری عمل کند که با این حال که افزایش قیمت وجود دارد ولی مسافر سفر خود را کنسل نکند.
اتفاق بسیار مهم دیگری که اخیرا در اوبر رخ داده است این است که دانشمندان داده این شرکت تلاش دارند با استفاده از روش های یادگیری ماشین میزان تقاضا را پیش بینی کنند تا از این طریق بتوانند توازن بین عرضه و تقاضا را تا حد زیادی حفظ کرده و در نهایت از بالا رفتن قیمت ها و اثر الگوریتم افزایش قیمت بکاهند. البته اوبر هنوز به صورت رسمی به کارگیری این سیستم را تایید نکرده است.

بخش دیگر استفاده از الگوریتم ها در اوبر تخمین مدت یک سفر و یا مدت زمانی است که یک راننده به مسافر خواهد رسید که این موضوع با استفاده از تحلیل داده های محل سوار شدن و پیاده شدن مسافران انجام می پذیرد. یک موضوع جالب در زمینه استفاده از الگوریتم های Matching در اوبر این است که این سیستم در زمان درخواست مسافر، نزدیکترین راننده را با توجه به زمان رسیدن راننده به مسافر تعیین می کند و نه فاصله فیزیکی بین راننده و مسافر. همچنین منابع داده ای خارجی مانند وضعیت حمل و نقل عمومی نیز در برنامه ریزی های اوبر تاثیرگذار هستند.

پایتون زبان برنامه نویسی اصلی علوم داده در Uber است و به طور گسترده توسط تیم Data Uber مورد استفاده قرار می گیرد. معمولا در اوبر از ماژول های NumPy، SciPy، Matplotlib و Pandas استفاده می شود. تیم Data Ober گاهی اوقات از زبان های برنامه نویسی R، Octave یا Matlab برای ایجاد نمونه های اولیه یا پروژه های داده ی علمی استفاده می کند ولی برای بحث پیاده سازی های اصلی پایتون زبان مورد استفاده است. ابزار D3بیشترین کاربرد را در زمینه مصور سازی داده ها در اوبر دارد و پرکاربردترین فریم ورک SQL در اوبر Postgres است.
اوبر با استفاده از اطلاعات سرویس های دیگر خود مانند UberFresh و UberRush که به ترتیب برای تحویل مواد غذایی و بسته ها استفاده می شوند و ترکیب این اطلاعات با اطلاعات شخصی کاربران خود در حال تبدیل شدن به اَبَر کمپانی ای است که پیشرانه اصلی آن داده ها هستند.


3- کلان داده در صنعت بهداشت
پردازش کلان داده ها می ­تواند در صنعت بهداشت و درمان در قالب ارائه خدمات بهتر به عموم مردم کمک کند که این امر منجر به شناسایی روش های شخصی سازی شده برای بیماران می ­شود. این شخصی سازی درمان می­ تواند منتج به افزایش سلامت جامعه و کاهش هزینه های دولت در بخش بهداشت و درمان شود.
دارو های داده محور شامل تحلیل حجم گسترده ای از سوابق جهت یافتن الگوهایی با قابلیت کمک به دانشمندان جهت شناسایی بیماری ها در مراحل ابتدایی و تولید داروهای جدید می­ شود.
تجزیه‌وتحلیل و استخراج داده‌های مفید در پیشرفت علوم پزشکی و داروسازی نقشی حیاتی بازی می‌کند.
اطلاعات بهای جدیدی است که باید بابت نوآوری پرداخت. به لطف جریان داده‌هایی که از منابع بی‌شمار جدید می‌آیند، فرصت تعمق و اکتشاف دنیای اطرافمان، هرگز بیشتر از این نبوده است. حالا حجم اطلاعات در دسترس بشر به‌قدری شگفت‌انگیز و زیاد است که تجزیه‌وتحلیل و پردازش آن‌ها برای پیدا کردن مفهومی که به دنبال آن هستیم، سخت یا حتی طاقت‌فرسا می‌شود.
صنعت بهداشت و درمان یکی از عرصه‌هایی است که شاهد رشد فوق‌العاده‌ی اطلاعات و دیتا بوده است. تا سال ۲۰۲۲، ارزش حجم اطلاعاتی که از پژوهش‌ها و تحقیقات جهانی بهداشت و درمان حاصل می‌شوند، به ۳۴.۲۷ میلیارد دلار خواهد رسید. چنین رشد عظیمی نیازمند راه‌حل‌های توسعه‌یافته برای تحلیل داده‌های این صنعت است.

طبق مطالعات شرکت مک کینزی، صنعت داروسازی با رکود و کاهش نرخ موفقیت بخش تحقیق و توسعه (R&D) مواجه است. بهبود دسترسی به کلان داده‌ها و امکان پردازش آن‌ها، می‌تواند کلیدی اساسی در سرعت بخشیدن به رفع این ضعف‌ها باشد. گوراف تیریپاتی مؤسس و مدیرعامل شرکت Innoplexus (شرکت تحلیل و غربال کلان داده‌ها در زمینه‌های پزشکی و درمانی) می‌گوید حجم، سرعت و صحت داده‌های امروزی، تحلیل و گزینش دستی اطلاعات را برای شرکت‌های داروسازی و بیوتکنولوژی غیرممکن می‌کند. به همین علت است که بسیاری از سازمان‌ها، به دنبال سرویس و خدماتی هستند که بتواند به‌طور اتوماتیزه، داده‌های موردنیاز آن‌ها را جمع‌آوری و تجزیه‌وتحلیل کند.

گزارش‌ها نشان می‌دهند که در سال جاری، ۸۳ درصد شرکت‌های دارویی و داروسازی طرح پیدا کردن راه‌حلی برای تحلیل داده‌ها را اولین اولویت خود قرار داده‌اند. طبق توضیحاتی که تیریپاتی می‌دهد، آن‌ها باید بتوانند اطلاعات خام بدون ساختار و سازمان نیافته را دریافت کنند، داده‌های مورد نیاز را از آن‌ها بیرون بکشند و سیستماتیک کنند تا قابل‌استفاده و کاربردی شوند. در دسترس بودن داده‌های قابل‌ استفاده و ساختاریافته باعث می‌شود شرکت‌ها بتوانند تصمیمات علمی‌تر و آگاهانه‌تری را با سرعت بیشتر و در زمان کمتر اتخاذ کنند.

کلان داده‌ها چهره‌ی بیمارستان‌ها را عوض می‌کنند
درحالی‌که تجهیزات پزشکی در دریایی از داده‌هایی غرق‌ شده‌اند که قادر به استفاده‌ی مؤثر و مفید از آن‌ها نیستند؛ محققان پزشکی به دنبال توسعه‌ی روش‌هایی هستند که بتوانند از این داده‌ها برای بهبود و پیشرفت عمل‌های جراحی استفاده کنند. استفانو برتوزی رئیس دانشکده بهداشت و سلامت دانشگاه برکلی می‌گوید:
داده‌های بهداشت و سلامت، با سرعت در حال رشدی چشمگیر هستند. کافی است فقط به پرونده‌های الکترونیکی پزشکی نگاه کنید؛ سوابق پزشکی با اطلاعات بسیار گسترده‌ای در مورد بیماران و سیستم‌های درمانی آن‌ها به‌صورت الکترونیکی ذخیره می‌شوند.
همچنان که حجم داده‌های این حوزه با سرعت در حال افزایش است، متخصصان پزشکی تلاش می‌کنند راهی بیابند که بتوان اطلاعات خاص موردنیاز را از این داده‌ها جمع‌آوری کرد. تنها در این صورت می‌توان در آینده به پیشرفت‌های درمانی امیدوار بود.
بروتزی معتقد است که سرعت بالای تبدیل اطلاعات آنالوگ به داده‌های دیجیتال در فضای پزشکی واقعاً گیج‌کننده است. هنگامی‌که می‌خواهیم این داده‌ها را با منابع انسانی (HR)، زنجیره‌ی تأمین، مشخصات کلینیک‌ها و بیمارستان‌ها، آموزش‌های پزشکی و نظام دریافت و پرداخت ترکیب کنیم، گستردگی داده‌ها کاملاً آن‌ها را از دسترس خارج می‌کند. هرچه داده‌ها بیشتر و عظیم‌تر می‌شوند، بیمارستان‌ها باید در تصمیم‌گیری‌های خود قوی‌تر و مؤثرتر عمل کنند.
هر چه امکان مدیریت کلان داده‌ها در حوزه‌ی پزشکی بیشتر می‌شود، یک مسیر روشن از اطلاعات مهم سلامت و درمانی در اختیار مردم قرار می‌گیرد. پایگاه‌های داده‌ای نظیر HEALTHLINE یا اطلاعات دارویی که شرکت‌های داروسازی به اشتراک می‌گذارند، نمونه‌هایی از رشد این دسترسی هستند. هرچه دسترسی مردم به اطلاعات سلامت و درمان بیشتر شود، مراقبت و پیشگیری از بیماری‌ها افزایش پیدا می‌کند.
یکی از مهم‌ترین گروه‌هایی که پشتیبان این تغییرات هستند، پزشکان متخصصی هستند که پی برده‌اند داده‌های درمانی در مطب آن‌ها بی‌استفاده مانده‌اند، پس با به اشتراک گذاشتن این داده‌ها در پلتفرم‌های عمومی، دستاوردهایشان را در خدمت بهبود زندگی مردم قرار داده‌اند.

به یاد داشته باشید درحالی‌که داده‌های صنعت پزشکی و داروسازی رویه‌ای مفیدتر به خود می‌گیرند، هنوز هم حجم بسیار انبوهی از کلان داده‌ها موجودند که نیاز به غربالگری دارند و متخصصان پزشکی باید در انتشار نتیجه‌گیری‌های خود از داده‌های سازمان نیافته، نهایت احتیاط را به خرج دهند.

آن دسته از متخصصان که در پی یافتن راهی برای ساماندهی اطلاعات هستند، در درجه‌ی اول باید بررسی کنند آیا داده‌هایی که در اختیار دارند از منبع و مأخذی مورد اعتماد به‌ دست آمده‌اند یا خیر؟ هرچه اطلاعات قابل‌ اعتماد بیشتری از تجزیه‌وتحلیل کلان داده‌ها به دست آید، پزشکان و محققان و فعالان این صنعت قادر خواهند بود اطلاعات مهم و جدید را به‌رایگان در اختیار عموم قرار دهند.

4- کلان داده در صنعت کشاورزی

با توجه به افزایش جمعیت کره زمین و تقاضای بیشتر برای محصولات کشاورزی و همچنین کمبود آب و منابع طبیعی، استفاده بهینه از منابع و معرفی راهکارهای نوین در جهت بهبود کارایی مراحل مختلف تولید محصولات، نقش بسیار مهمی در برآورده‌کردن نیازهای رو به رشد و بهبود این صنعت در کشورها ایفا می‌کنند. درحالی‌که کشاورزان در کشورهای توسعه‌‌یافته از مزایای بی‌‌شمار دسترسی به کلان‌‌داده‌‌ها برای بهبود روش‌‌های زراعی بهره‌‌مند هستند، کشاورزان دنیای فقیرتر در نبود این دسترسی، با بحران‌‌های بزرگ‌تری مواجه خواهند بود. کشاورزان سراسر جهان در تلاش هستند تا دریابند چه نوع محصولاتی باید بکارند و چگونه کشت‌وزرع خود را مدیریت کنند. آنها برای اخذ چنین تصمیماتی معمولا از حجم عظیمی از داده‌ها استفاده می‌‌کنند. در برخی کشورها، کشاورزان از مزایای دسترسی به تسهیلات و بیمه‌‌هایی ارزان برخوردار هستند؛ چراکه بانک‌ها و کارگزارهای بیمه نیز به اطلاعات موردنیاز برای ارائه‌‌ پیشنهاد‌های توجیه‌‌پذیر دسترسی دارند.

این فناوری از طرق زیر می‌تواند به بهبود صنعت کشاورزی کمک نماید:

---