تمرکز بر خروجی‌ها

ما نمی‌دانیم چه حجمی از داده‌ها «تاریک‌»اند اما تنها چیزی که می‌دانیم این است که حجم زیادی از آنها چنین است. کرستن گیلون (Kirsten Gillon)، مدیر فنی بخش آی‌تی ICAEW، هشدار می‌دهد که هزینه عملیاتی داده‌های تاریک در صورت مدیریت نکردن آنها بسیار بالاست: «مساله، کمک به سازمان‌ها در جهت تمرکز بیشتر روی کاربردهای این داده‌هاست.»   یکی از این اهداف خلاقانه استفاده از داده‌های قدیمی و ساختارنیافته برای پیشگویی امور با استفاده از یادگیری ماشین یا هوش مصنوعی است. در حال حاضر، موسسه پژوهشی تجارت ملی گزارش کرده است ۶۱ درصد از کسب‌وکارها گفته‌اند از سال ۲۰۱۷ از هوش مصنوعی برای پردازش داده‌هایشان استفاده می‌کنند. داتومیز، استارت‌آپی که در زمینه داده‌های تاریک کار می‌کند، تخمین زده است دوسوم داده‌های یک شرکت تاریک هستند (ای‌بی‌ام، پا را فراتر گذاشته و اعلام می‌کند ۹۰ درصد از کل داده‌ها تاریک یا ساختارنیافته‌اند و این مقدار تا سال ۲۰۲۰ به ۹۳ درصد می‌رسد). کارلوتا فلیو (Carlota Feliu)، مدیر بازاریابی، می‌گوید یکی از کابردهای آن کنترل ریسک و بهینه‌سازی عملکرد با رصد تحرک مردم و دارایی‌های آنهاست: «تصور کنید که یک شرکت انبارداده‌ای هستید. با داشتن اطلاعاتی درباره کلیه حرکت‌های کارکنان و دارایی‌های آنها می‌توانید مسیرهای بهینه را تعریف کنید یا سازمان فضایی‌تان را بهبود ببخشید.» داده‌های تاریک عمدتاً ساختارنیافته و دارای نویز است؛ برای نمونه داده‌های رسانه‌های اجتماعی که مقداری محدود برای تحلیل‌های پیشگویانه دارند اغلب شامل نویزی هستند که موجب از دست رفتن سیگنال واقعی می‌شود. از همین رو اکثر سازمان‌ها متمرکز بر آن چیزی هستند که رسانه‌های اجتماعی درباره‌شان می‌گویند یا تنها از این داده‌ها برای خدمات مشتریان استفاده می‌کنند. از سوی دیگر استیو کینگ (Steve King)، مدیر شرکت بلک‌سوان، نوعی ابزار تحلیل برای شرکت پپسی ساخته است که بیش از ۵۰ میلیون قطعه داده را هر روز از توییتر، اینستاگرام، وبلاگ‌ها، سخنگاه‌ها و نقدوبررسی‌ها و داده‌های فروش جمع‌آوری می‌کند. از...