دانلود رایگان ترجمه مقاله داده های بزرگ و مدیریت (AOM سال ۲۰۱۴)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

به اشتراک‌گذاری داده‌ها، حریم خصوصی و اخلاق
در زیرساخت‌های فن‌آوری اطلاعات فعلی، ارائه خدمات مانند اتصال به شبکه معمولاً با موافقت‌نامه سطح خدمات (SLA) مرتبط است که با تعریف ماهیت و کیفیت خدمات ارائه می‌شود. چنین SLA هایی برای محدودسازی مسئولیت، ارائه بهتر زیرساخت‌های عملیاتی برای ارائه‌دهنده و ارائه یک چارچوب برای قیمت‌گذاری تفاضلی، مهم هستند. گسترش چشمگیر اتصالات شبکه و خدمات وب به علت پیشرفت‌های قابل‌توجه فنی در خودکارسازی اجرای SLA، ازنظر نظارت و تأیید انطباق با قرارداد، به‌طور عمده صورت گرفت. در مقابل، قلمرو توافقنامه‌های به اشتراک‌گذاری داده‌های بزرگ، به‌صورت غیررسمی با ضعف ساختاری، اجرای دستی باقی می‌ماند و مرتبط با معاملات جداگانه است (کوترومپیس و لایپونن، ۲۰۱۳). این به‌عنوان یک مانع جدی برای بازار اطلاعات، به‌ویژه برای تحقیقات علوم اجتماعی و مدیریت است که نمی‌تواند به این داده‌های خصوصی برای ادغام با منابع عمومی دیگر دسترسی پیدا کند.
موافقت‌نامه‌های به اشتراک‌گذاری داده باید با مکانیسم‌های حفاظت از داده‌ها و حریم خصوصی، ازجمله ناشناس بودن برای داده‌های باز، کنترل دسترسی، مدیریت حقوق و کنترل استفاده از داده‌ها مرتبط باشد. مسائلی مانند هویت محرمانه که هویت فردی می‌تواند از طرق مختلف داده‌ها از منابع مختلف به دست آید، باید به‌دقت موردتوجه قرار گیرد و به‌صراحت تأیید شود و مجاز باشد. محققان مدیریت می‌خواهند به مسائل اجتماعی مبتنی بر تعریف سؤالات تحقیقاتی بپردازند که به اشتراک‌گذاری داده‌ها و حفظ حریم خصوصی به‌عنوان بخشی از روش تحقیق آن‌ها است. این کار به‌احتمال‌زیاد به ما اجازه می‌دهد که مدلی را برای به اشتراک‌گذاری داده‌ها و حقوق داده‌ها اصلاح کنیم که می‌تواند به‌طور جهانی سودمند باشد و همکاری‌های داده‌های بزرگ در آینده را تعریف کند.

تجزیه‌وتحلیل داده‌های بزرگ
همانند منابع داده مربوط، روش‌هایی برای تحلیل آن‌ها و استانداردهای مدرکی وجود دارد که برای دانشمندان مدیریت برای انتشار کار آن‌ها قابل‌قبول است. همان‌طور که با هر علم نوآورانه، احتمال دارد که مشارکت تئوریک و تجربی باشد و سختگیری که داده‌ها تجزیه‌وتحلیل می‌شوند. شاید با داده‌های بزرگ، در ابتدا با استانداردهای شواهدی که باید انتظار رود، گیج شویم. روش معمول آماری وابسته بر ارزش p به‌منظور تعیین اهمیت یک یافته بعید است مؤثر باشد، زیرا حجم فراوان داده‌ها بدین معنی است که تقریباهمه‌چیز قابل‌توجه است. استفاده از ابزارهای آماری معمول ما برای تجزیه‌وتحلیل داده‌های بزرگ، به دست آوردن همبستگی‌های غلط بسیار آسان است. بااین‌حال، این لزوماً بدان معنا نیست که ما باید به‌سوی فن‌های پیچیده‌تر و پیچیده‌تر اقتصادسنجی برای مقابله با این مشکل حرکت کنیم؛ درواقع، چنین واکنشی، یک خطر اساسی افزودن اطلاعات را به وجود می‌آورد. در عوض، آمار پایه بیزی و روش‌های رگرسیون گام‌به‌گام ممکن است رویکردهای مناسبی باشند. فراتر از این روش‌های آشنا، طیف وسیعی از فن‌های تخصصی برای تجزیه‌وتحلیل داده‌های بزرگ وجود دارد که هرکدام برای درک بهتر کسانی که در این زمینه وارد می‌شوند، هرچند فراتر از محدوده این سرمقاله، مهم است. این فن‌ها از چندین رشته، ازجمله آمار، علوم رایانه، ریاضیات کاربردی و اقتصاد، به دست می‌آید. آن‌ها شامل (اما نه محدود به) آزمون A / B، تحلیل خوشه‌ای، تلفیق داده‌ها و ادغام، داده‌کاوی، الگوریتم ژنتیک، یادگیری ماشینی، پردازش زبان طبیعی، شبکه‌های عصبی، تجزیه‌وتحلیل شبکه، پردازش سیگنال، تجزیه‌وتحلیل فضایی، شبیه‌سازی، تجزیه‌وتحلیل سری و تجسم هستند (موسسه جهانی مک کینزی، ۲۰۱۱).
بااین‌وجود، چالش این است که از تمرکز بر ارزش‌های p به تمرکز بر میزان اثر و توضیح واریانس تغییر ایجاد شود. باکار تجربی بیشتری، محققان ممکن است بتوانند بر اکتشافات خشنانه همگرا شوند؛ به‌عنوان‌مثال، R2 بیش از ۰٫۳ می‌تواند نشان دهد که بررسی دقیق الگوی روابط ضروری است. خطر دیگر داده‌های بزرگ که توسط فن‌های آماری ما معمولاً مورداستفاده قرار می‌گیرند، صرفاً با تمرکز بیش‌ازحد بر گرانروی یا میانگین‌ها و کمترین میزان در موارد ناپایدار است. در بسیاری از موارد، میانگین‌ها بسیار مهم هستند و اغلب در مورد چگونگی رفتار افراد در شرایط خاص آشکار می‌شوند؛ اما در گستره‌ای از یک دنیای بزرگ داده‌ها، ریزش گران می‌توانند حتی جالب‌تر باشند: نوآوری‌های انتقادی، گرایش‌ها، اختلالات و یا انقلاب‌ها ممکن است در خارج از گرایش‌های متوسط اتفاق بیفتد، اما درعین‌حال شامل افراد کافی برای اثرات چشمگیر در طول زمان هستند. ماهیت ریز و سنگین داده‌های بزرگ فرصت‌هایی را برای شناسایی این منابع تغییر فراهم می‌کند، مانند نوآوری‌های تجاری، روندهای اجتماعی، بحران‌های اقتصادی و یا تحولات سیاسی. به‌محض شناسایی محرک‌های امیدبخش، چالش بعدی تجزیه‌وتحلیل داده‌های بزرگ به‌منظور شناسایی الگوهای همبستگی برای بررسی علیت است. با توجه به ماهیت غیرمتمرکز بیشتر اطلاعات بزرگ، علیت در طراحی آن‌ها ساخته نشده و الگوهای مشاهده‌شده اغلب برای طیف گسترده‌ای از توضیحات احتمالی ممکن باز می‌شود. دو راه اصلی برای رسیدگی به این موضوع علیت وجود دارد. اول این است که اهمیت مرکزی تئوری را تشخیص دهیم. یک شهود در مورد پروسه‌های علتی که داده‌ها را تولید می‌کند، می‌تواند برای هدایت توسعه استدلال‌های نظری مورداستفاده قرار گیرد. دومین روش مکمل این است که این استدلال‌های نظری را در تحقیقات بعدی، به‌صورت ایدئال، از طریق آزمایش‌های میدانی، آزمایش کنند. البته آزمایش‌های آزمایشگاهی کنترل بیشتری را فراهم می‌کنند، اما معمولاً بر تعداد محدودی از متغیرها تمرکز می‌کنند و ماهیت تحقیقات داده‌های بزرگ این است که ممکن است بسیاری از عوامل مؤثر بر الگوهای همبستگی مشاهده‌شده وجود داشته باشد. در یک آزمایش زمینه‌ای، یک شبکه گسترده‌تر می‌تواند به‌عنوان مجموعه گسترده‌تری از اطلاعات در مورد رفتارها و اعتقادات در مدت‌زمان طولانی معین شود. برای محققان و همچنین مدیران علاقه‌مند به تحقیقات عملی، فرصت‌های در اینجا برای شرکت در «مهندسی مدیریت» وجود دارد که فراتر از معمول‌ترین تحقیقات مدیریتی با آوردن نظریه و عمل باهم بازمان بسیار سریع‌تر بین شناسایی یک بینش نظری امیدوارکننده و آزمایش این بینش با مداخله‌ای طراحی‌شده است که می‌تواند به پیشرفت دانش مدیریت کمک کند و سؤالات عملی فوری را نشان دهد.
درنهایت وعده و هدف تحقیق قدرتمند مدیریت ایجادشده بر داده‌های بزرگ نه‌تنها باید برای شناسایی همبستگی‌ها و ایجاد علیت قابل‌اعتماد باشد، بلکه، درنهایت، برای رسیدن به پایبندی، یعنی همگرایی شواهد از منابع چندگانه، مستقل و غیر مرتبط که منجر به نتیجه‌گیری قوی می‌شود (ویلسون، ۱۹۹۸). داده‌های بزرگ با توجه به حجم بی‌سابقه‌اش، جزئیات سطح کوچک و غنی بودن چندمنظوره، چشم‌اندازهای جدید هیجان‌انگیز را برای دستیابی به چنین سازشی فراهم می‌کند. اکثریت قریب به‌اتفاق از تحقیقات مدیریت فعلی، وابسته به مجموعه‌ای از تعداد کمی از اقداماتی هستند که مدت‌زمان کوتاهی را پوشش می‌دهند (و یا احتمالاً در مورد تحقیقات تاریخی بیشتر، طولانی‌تر، اما شامل دوره‌های بزرگ‌تر مانند سال هستند). در مقابل، داده‌های بزرگ اطلاعات زیادی را در چندین دوره ارائه می‌دهند (چه در ثانیه، چه در دقیقه، در ساعت، روز، ماه، یا سال).
درحالی‌که برخی از مجموعه داده‌های بزرگ یک کانال تک‌بعدی یا منفرد هستند، برای مثال، بر یک معامله خاص یا رفتار ارتباطی تمرکز دارند و فعل‌وانفعالات تک کانالی (به‌عنوان‌مثال، از طریق تلفن یا ایمیل) متکی هستند، فرصت‌های فزاینده‌ای برای جمع‌آوری و تجزیه‌وتحلیل داده‌های چندبعدی وجود دارد که بینشی را به‌صورت مجموعه رفتار، اغلب از طریق کانال‌های مختلف ارائه می‌کند (به‌عنوان‌مثال، تعامل مشتری با مرکز تماس است که بین صدا، وب، چت، تلفن همراه، ویدئو و غیره تغییر می‌کند). برای محققان مدیریت، نتیجه چنین غنائی این است که فرصت‌های بی‌سابقه‌ای برای توجه به متغیرهای مهم وجود دارد که مطالعات قبلی ممکن است به دلیل ماهیت متمرکزشان آن‌ها را نادیده گرفته باشد؛ و هنگامی‌که چنین متغیرهایی توجه یک محقق را جلب می‌کنند، روابط بین آن‌ها می‌تواند موردبررسی قرار گیرد و شرایط محیطی که تحت آن، این روابط ممکن است یا ممکن نیست صورت گیرد، موردبررسی قرار گیرد.

داده‌های بزرگ در تحقیقات مدیریت
هدف ما در این سرمقاله، تشویق به زمینه‌های جدیدی از تحقیقات علمی است؛ این امر ارائه یک بازنگری منظم از برنامه‌های داده بزرگ نیست؛ ما تظاهر نمی‌کنیم که یک راهنمای قطعی برای تحقیقات آینده ارائه کنیم. در عوض، هدف ما این است که مباحث وسیع‌تری از داده‌های بزرگ در جامعه و پیامدهای آن برای تحقیقات مدیریتی را دنبال کنیم. محیط مدام در حال تغییر در اقتصاد دیجیتال، مفاهیم اقتصادی و تجاری سنتی را به چالش کشیده است. حجم زیادی از داده‌های تولیدشده توسط کاربر منتقل و تجزیه‌وتحلیل شده و در اطراف بخش‌های مختلف، به‌تدریج وابستگی بازار به خدمات اطلاعات دقیق و به‌موقع را افزایش می‌دهد. فقط یک توییت از یک منبع قابل‌اعتماد می‌تواند باعث تلفات یا سود میلیارد دلاری و واکنش زنجیره‌ای در مطبوعات، شبکه‌های اجتماعی و وبلاگ‌ها شود. این وضعیت باعث می‌شود که کالاهای اطلاعاتی حتی ارزش بیشتری به دست آورند، زیرا آن‌ها تأثیرات کاتالیزوری بر تصمیم‌گیری در زمان واقعی دارند. در همین حال، کارآفرینان و نوآوران داده‌های باز و عمومی را جمع و همچنین داده‌های جامعه، خودکفایی و خروجی را برای ایجاد محصولات و خدمات جدید که قدرت تغییر صنایع رادارند، جمع‌آوری کرده‌اند. در حوزه‌های خصوصی و عمومی، داده‌های بزرگ از فناوری‌های تلفن همراه و خدمات بانکی مانند پول دیجیتال/ موبایل، زمانی که با خدمات با فنّاوری پایین، مانند آب و برق، همراه می‌شوند، می‌توانند جوامع و جوامع را دگرگون کنند. کمی تردید هست که در دهه آینده داده‌های بزرگ چشم‌انداز سیاست و تحقیقات اجتماعی و اقتصادی را تغییر خواهند داد.
آنچه واضح نیست این است که چگونه این مدل‌های جدید برای ترکیب و مطابقت این محصولات، خدمات و داده‌ها ایجادشده‌اند و به یک مدل اجتماعی و اقتصادی پایدار تبدیل می‌شوند. طبقه‌بندی داده‌های بزرگ، ارزیابی کیفیت آن و شناسایی تأثیر آن در علوم اجتماعی به‌ویژه در مدیریت و تحقیقات سازمانی کاملاً جدید است. میزان و مقیاس تولید محتوا اثر آن را افزایش می‌دهد و زمان پاسخ را کاهش می‌دهد. درنتیجه، محققان مدیریت باید کشف کنند که چگونه داده‌های مرسوم می‌توانند منابع جدیدی از ارزش را تولید کنند و همچنین مسیرهایی که از طریق آن چنین ارزشی معین می‌شود (مکانیسم ایجاد ارزش) و چگونه این ارزش در میان احزاب و همکاران داده، کارآفرینان، کسب‌وکار، صنایع و دولت‌ها از طریق مدل‌های کسب‌وکار جدید و ابزارهای حکومتی جدید مانند قراردادها و مجوزها (مکانیسم‌های ارزش‌گذاری) تقسیم می‌شود.
تحقیقات تجربی در مدیریت اغلب به روابط اشاره می‌کند؛ برای مثال، دو شرکت ممکن است در بازار مشابه رقابت کنند، محصولات تکمیلی داشته باشند، در تولید یا تحقیق و توسعه مشارکت داشته باشند، یا از طریق ارتباطات تأمین‌کننده- مشتری ارتباط داشته باشند، یا ممکن است ازلحاظ جغرافیایی، فنّاوری یا موارد دیگری نزدیک باشند که ممکن است موجب تسهیل دانش در بین آن‌ها شود. داده‌های مفصلی در رابطه با این روابط معمولاً در مجموعه داده‌های سطح مشارکتی در دسترس نیست که اجازه استنتاج آماری نمایشی را بدهد. بااین‌حال، اطلاعات در مورد چنین روابطی اغلب به شکل متن غیر ساختاری در دسترس است، مانند مقالات خبری یا وبلاگ‌های شرکت در وب. IBM برآورد می‌کند که تا ۸۰٪ از این اطلاعات ارتباطی «محتوا» غیر ساختاری ارتباطات مختلف از طریق ایمیل، متون و ویدیوها هستند و محتویات اطلاعات غیر ساختاری محسوب می‌شوند که به میزان دو برابر سرعت پایگاه داده‌های ساخت‌یافته متداول رشد می‌کند. برای رسیدگی به چنین داده‌هایی، علم تحلیل محتوا به‌عنوان یک تکامل تجاری ازآنچه دانشگاهیان «تجزیه‌وتحلیل محتوا» و یا تجزیه‌وتحلیل متن و دیگر انواع ارتباطات به‌منظور شناسایی الگوهای قوی به نظر می‌رسد در حال ظهور است.
استفاده‌های فرعی از داده‌های بزرگ وجود دارد که پیامدهای گسترده‌تری برای جوامع دارند. برای مثال، بیماری گسترش می‌یابد، الگوهای رفتاری، یا احساسات و خلق جوامع که همه آن‌ها از طریق توییتر زنده یا پست‌های فیس‌بوک قابل‌دسترسی است، می‌تواند بر واکنش‌های سازمانی، محصولات و خدمات و استراتژی‌های آن‌ها تأثیر بگذارد. الگوها در رسانه‌های اجتماعی مورداستفاده قرار می‌گیرند تا اطلاعات مربوط به ایجاد بازارهای جدید و دسته‌بندی محصولات را موردتوجه قرار دهند. در حال حاضر بسیاری از شرکت‌ها از آزمایشگاه‌های مداخله‌ای دیجیتال که رسانه‌های اجتماعی را در یک‌زمان واقعی در سراسر جهان پیگیری می‌کنند، استفاده می‌کنند و درنتیجه ساختار داده‌های طولی میلیون‌ها پست، توییت یا بررسی‌ها را ایجاد می‌کنند. هرگونه انحراف از الگوهای نرمال که برند یا محصولات خود را اعمال می‌کنند بلافاصله برای اقدام به‌منظور پاسخ سریع به واکنش مصرف‌کنندگان، شکل‌گیری معرفی محصولات جدید و ایجاد بازارهای جدید ایجاد می‌شود.