جشنواره بزرگ ایده و محصول سکو

کنگره بین‌المللی سیستم‌های کلان مقیاس محاسباتی و تحلیل کلان داده (TopHPC) با حمایت و مشارکت حامی ویژه کنگره، شرکت مهندسی صنایع یاس ارغوانی، برگزار می‌کند:

«جشنواره بزرگ ایده و محصول سکو با محوریت کاربرد داده‌های کلان در صنایع»

صاحبان ایده یا محصول در حوزه داده و تحلیل آن می‌توانند با ثبت‌نام در سامانه سکو در این جشنواره شرکت نمایند.

برندگان می‌تواند از جوایز حمایتی برای محصولات، گواهی حضور بین‌المللی و تخفیف تا 50 درصد برای حضور در کنگره TopHPC بهره‌مند شوند.

لینک ثبت‌نام در جشنواره:
http://portal.sakuplatform.ir

وب‌سایت کنگره TopHPC:
www.tophpc.com

وب‌سایت شرکت مهندسی صنايع ياس ارغوانی:
www.yaasie.com

@DataAnalysis

برترین مهارت‌های موردنیاز در سال 2019

https://bit.ly/2OazeDK

در این جهان پرشتاب و رقابتی، توانایی یادگیری مهارت‌های جدید یکی از رموز موفقیت است. تمرکز بر مهارت‌های نرم(Soft Skill) در کنار مهارت‌های فنی و تکنیکال(Hard Skill) سبب افزایش جایگاه شما در کسب‌وکارها خواهد شد.

در ادامه برترین مهارت‌های مورد تقاضا در سال 2019 بر اساس گزارش شبکه اجتماعی لینکدین به شرح زیر است.

مهارت‌های نرم:
1- خلاقیت (Creativity)
2- هنر متقاعد کردن افراد(Persuasion)
3- همکاری و مشارکت(Collaboration)
4- قابلیت انطباق‌پذیری(Adaptability)
5- مدیریت زمان(Time Management)

مهارت‌های فنی و تکنیکال:
1- رایانش ابری(Cloud Computing)
2- هوش مصنوعی(Artificial Intelligence)
3- استدلال تحلیلی(Analytical Reasoning)
4- مدیریت افراد(People Management)
5- طراح UX

پی‌نوشت:
یکی از جنبه‌های استدلال تحلیلی بهره‌گیری از تصمیم‌گیری‌های داده‌محور (Data-Driven Decision Making) در جهت اخذ تصمیمات بهینه خواهد بود.

ارادتمند
محمدرضا محتاط

@DataAnalysis

ولادت باسعادت مولای عاشقان، امیر مؤمنان، علی علیه السلام و روز پدر مبارک باد . . .

با عرض سلام و احترام

سال جديد را خدمت همه بزرگوران و عزيزان تبريك عرض ميكنيم

از خداوند منان توفیقات روزافزون براي شما آرزومنديم

در سال ١٣٩٨ منتظر اخبار و برنامه هاي جديد در حوزه علم داده باشيد...

@DataAnalysis

مديريت بحران داده‌محور!

https://bit.ly/2U5OV4L

سازمان مدیریت بحران کشور یکی از سازمان‌های دولتی ایران می‌باشد که زیرنظر وزارت کشور ایران فعالیت می‌کند و وظیفهٔ آمادگی و پیشگیری از بحران‌ها، مدیریت آنها و ارائه کمک‌های اولیه به آسیب‌دیدگان و ساماندهی و بازسازی مناطق آسیب‌دیده را به عهده دارد.

با توجه به قابليت‌ها و كاركردهاي متنوع حوزه تحليل داده، مديريت بحران داده‌محور به صورت كاملا نظام‌مند در كشورهاي توسعه يافته در حال بهره‌برداري مي باشد.این در حالی است که متاسفانه اين حوزه در كشور همچنان مغفول واقع شده و در حال حاضر رويكردهاي كاملا سنتي در مديريت بحران‌ها استفاده می‌شود.

در ادامه برخي از قابليت‌هاي حوزه علم‌داده در سازمان مديريت بحران كشور كه با اجرايي سازي آن قابليت مديريت بهتر برخي از بحران‌هاي اخير كشور نیز در آن ميسر بود بيان مي‌شود.

١- پيش‌بيني بلاهاي طبيعي از قبيل سيل، طوفان، زلزله و...

٢- مديريت بهينه منابع در زمان وقوع بحران شامل تخصيص منابع، اعزام نيرو، مسيريابي بهينه و...

٣- پيش‌بيني و تشخيص شرايط جوي منتج به بحران

٤- پيش‌بيني مخاطرات زيست محيطي

٥- هشداردهي هوشمند به مردم بنا به موقعيت جغرافيايي و بحران‌هاي پيشرو

٦- شناسايي نقاط حساس در جهت استقرار نیروهای امدادی

٧- پايش و تحليل شبكه‌هاي اجتماعي در جهت شناسايي بحران‌ها

موارد فوق تنها بخشي از كاربردهاي حوزه علم‌داده در سازمان مديريت بحران كشور خواهد بود. در واقع بهره‌گيري از قابليت‌هاي تحليل‌داده، راهكارهايي غيرقابل گريز در جهت تشخيص، پيش بيني و مديريت بحران‌هاي آتی كشور مي‌باشد.

در همين راستا تشکیل كارگروه تحليل داده ذیل سازمان مديريت بحران كشور در كنار ساير كارگروه‌هاي موجود پیشنهاد می‌شود. كارگروهي كه تاسيس آن ميتواند راهكار علاج بسياري از مشكلات اين سازمان باشد.

پي نوشت:
١- با توجه به منفعت‌هاي عام اين امر، امكان تدوين برنامه اجرايي، ماموريت‌ها و فعاليت‌هاي اين كارگروه به همراه نيازسنجي تشكيل دپارتمان و بخش‌هاي مورد نياز به صورت كاملا خيرخواهانه برای سازمان مدیریت بحران وجود دارد.

٢- يكي از ماموريت‌هاي ساده و اما مهم اين كارگروه ميتواند متولي‌گري پژوهش‌های مرتبط با بحران‌هاي پيشرو كشور شامل حمايت‌ از پژوهش‌هاي مرتبط، طرح صورت مسيله‌هاي روز، مطالعه مقالات انجام شده و... باشد.

در انتها وقوع حوادث و بلاهاي اخير را خدمت خانواده‌هاي مصيبت ديده تسليت عرض مينماييم.

ارادتمند
محمدرضا محتاط

@DataAnalysis

كشف الگوی زندگی بزرگان با رهیافت علم‌داده!

https://bit.ly/2UXt9gG

بزرگ‌مردان دير يا زود شبيه هم می‌شوند. آن‌ها هرگز كار را متوقف نخواهند كرد. حتي لحظه‌ای را هم از دست نمی‌دهند. آدم پاك سرخورده می‌شود!

جملات فوق جملاتي از مقدمه كتاب «آداب روزانه؛ روز بزرگان چگونه شب می‌شود» اثر مسين كاري می‌باشد. در این کتاب شرح احوال و عادات کاری یک‌صد و شصت‌ویک شخصیت مشهور بیان‌شده است. در میان این شخصیت‌ها، هم هنرمند و فیلسوف دیده می‌شود، هم موسیقیدان و نقاش و مجسمه‌ساز، و هم کارگردان و دانشمند. هم می‌توان از آدم‌های معروف چند قرن گذشته ردی پیدا كرد.

شناسايي سبك زندگي آدم‌های موفق و الگوبرداري از آنان يكي از راه‌های میانبر در كسب موفقيت می‌باشد. در ادامه با بهره‌گیری از رهيافت تحليل داده، مهم‌ترین ویژگی‌های برنامه‌های روزانه اين افراد با پردازش متن صورت گرفته در کتاب آداب روزانه، برحسب ميزان اهميت و فراواني تقديم حضور می‌گردد.

١- نوشتن:
نوشتن برنامه‌های روزانه، خاطرات و كتاب جز یکی از برنامه‌های مستمر این افراد موفق بوده است.

٢- مطالعه:
مطالعه كتاب در ابعاد گوناگون مانند کتاب‌های رمان، تاريخي، روزنامه، مجلات و... در ساعات اولیه و پایانی روز نیز یکی از برنامه‌های کلیدی این افراد می‌باشد.

٣- نوشيدن قهوه:
نوشيدن مستمر قهوه در اوایل صبح در جهت کسب انرژی و خوردن صبحانه كامل یکی از نکات قابل‌توجه در زندگی روزانه افراد بزرگ بوده هست.

٤- پیاده‌روی و ورزش:
پیاده‌روی‌های طولانی‌مدت در جهت كسب خلاقيت و انجام فعالیت‌های ورزشی در راستای کسب سلامتی جز یکی از اقداماتی هست که این افراد نیز به‌صورت مستمر به آن پایبند بودند.

٥- سحرخيزي:
سحرخیزی و بیدار شدن در اوایل صبح یکی از مؤلفه‌های قابل‌توجه این افراد هست. اکثر افراد فوق در ساعاتی بین 4 الی 7 صبح به‌صورت کاملاً منظم بیدار می‌شدند. قابل‌ذکر هست که بیشترین فراوانی پیرامون ساعت 6 صبح بوده است.

6- حمام:
کسب انرژی با دوش آبسرد یکی از کارهای مستمر برخی از اين افراد در صبح می‌باشد.

7- موسيقي:
شنیدن موسیقی، نواختن پیانو و... نیز توسط برخی از این افراد در جهت کسب آرامش دنبال می‌گردید.

8- مراقبه:
مراقبه یا مدیتیشن در اول صبح نیز یکی از فعالیت‌های تأثیرگذار این افراد بوده است.

همه به شما می‌گویند:
"سال خوبی داشته باشید."
ولي ما به شما می‌گوییم: "سال خوبی را برای خودتان خلق کنید"
به فکر آمدن روزهای خوب نباشید!
آن‌ها نخواهند آمد
به فکر ساختن باشید
روزهای خوب را باید ساخت
آرزو می‌کنیم
بهترین معمار سال جدید باشید.

ارادتمند
محمدرضا محتاط

@DataAnalysis

عید سعید مبعث، آغاز راه رستگارى و طلوع تابنده مهر هدایت و عدالت، مبارک باد . . .

@DataAnalysis

کتاب مرجع مدیریت داده DAMA-DMBOK

https://bit.ly/2YVNW6z

یکی از مراجع اصلی در حوزه مدیریت داده و حاکمیت داده، چهارچوب DMBOK می‌باشد که توسط موسسه DAMA منتشر شده است.
در کتاب Data Management Body of Knowledge که در سال 2017 انتشار یافته است سرفصل‌های زیر پوشش داده می‌شود.

▪️Data Management
▪️Data Handling Ethics
▪️Data Governance
▪️Data Architecture
▪️Data Modeling and Design
▪️Data Storage and Operations
▪️Data Security
▪️Data Integration and Interoperability
▪️Document and Content Management
▪️Reference and Master Data
▪️Data Warehousing and Business Intelligence
▪️Metadata Management
▪️Data Quality Management
▪️Big Data and Data Science
▪️Data Management Maturity Assessment
▪️Data Management Organization and Role Expectations
▪️Data Management and Organizational Change Management

مطالعه این کتاب ارزشمند را به تمامی متخصصین حوزه‌های مدیریت داده، علم‌داده، هوش تجاری و... پیشنهاد میکنیم.

ارادتمند
محمدرضا محتاط

@DataAnalysis

کتاب مرجع مدیریت داده DAMA-DMBOK

@DataAnalysis

چرا به یک متخصص علم‌داده تبدیل شویم؟

همواره انتخاب حوزه کاری در میان فیلدهای کاری مختلف و متنوع یکی از موضوعات چالشی و البته بسیار مهم بوده است. در شکل فوق دلایل اصلی جهت تبدیل شدن به یک متخصص علم‌داده بیان گردیده است.

اگر در رشته‌های مهندسی نرم‌افزار، هوش مصنوعی، آمار، مدیریت فناوری اطلاعات و... تحصیل می‌کنید انتخاب فیلد کاری Data Science با توجه به افزایش بسیار میزان تقاضا شرکت‌ها جهت جذب متخصصین علم‌داده، میزان درآمد،تاثیرگذاری در سطوح سازمانی و ملی و... می‌تواند یکی از بهترین تصمیمات شما باشد.

پی‌نوشت:
قابل ذکر است که جهت موفقیت در حوزه علم‌داده لزوما به تخصص‌های آکادمیک در رشته‌های مشخصی نیاز نیست. علاقه‌مندی، پشتکار، تمرین، پیاده‌سازی‌های عملی و... سبب موفقیت شما در این فیلد کاری خواهد شد.

@DataAnalysis

مسیر یادگیری مهندسی داده!

https://bit.ly/2UAJ1cL

مهندسی داده یا Data Engineering یکی از مشاغل جذاب حوزه Data می‌باشد که به‌تازگی نیز توجهات به آن بسیار افزایش‌یافته است. مدیریت جریان داده، استقرار فرایندهای ETL، طراحی معماری، پیاده‌سازی و نگه‌داری انبار داده، توسعه سیستم‌های نرم‌افزاری مبتنی بر داده و... از فعالیت‌ها اصلی یک مهندس داده می‌باشد.

در تصویر زیر مهارت‌ها و گام‌های تبدیل‌شدن به یک مهندس داده بیان‌شده است. به‌صورت کلی جهت کسب تخصص در این فیلد کاری به مهارت‌های زیر نیاز خواهد داشت:

1- دانش تخصصی برنامه‌نویسی:
کسب دانش پایه در حوزه سیستم‌عامل‌های مبتنی بر لینوکس و زبان‌های برنامه‌نویسی همانند Scala بنا به قابلیت‌های آن در حوزه Big Data از مهارت‌های پایه‌ای ورود به این حوزه تخصصی می‌باشد.

2- استقرار فرایند ETL:
طراحی و پیاده‌سازی فرایند ETL بنا به دغدغه‌ها و نیازمندی‌ها، مدیریت جریان داده سازمان و توانایی کار با انواع پایگاه داده‌ها نیز در این فیلد کاری حائز اهمیت است.

3- موتورهای پردازشی کلان داده:
با توجه به افزایش حجم‌ داده‌ها، دو حوزه مهندسی داده و توسعه‌دهنده کلان داده به یکدیگر بسیار نزدیک گردیده‌اند. توانایی کار با موتور پردازشی کلان داده آپاچی Spark از مهارت‌هایی می‌باشد که اگر قصد فعالیت در این حوزه را دارید می‌بایست در خود تقویت نمایید.

4- مدیریت جریان‌های بلادرنگ داده:
یکی از مؤلفه‌های کلان داده حوزه Velocity یا سرعت نرخ تولید داده‌ها می‌باشد. در صورت افزایش حجم دادگان ورودی به سیستم‌های نرم‌افزاری با بهره‌گیری از ابزارها و پلتفرم‌هایی از قبیل Kafka، آپاچی Storm یا Flink امکان مدیریت این دادگان فراهم خواهد گردید.

5- مهندسی یادگیری ماشین:
توسعه مدل‌های مبتنی بر یادگیری ماشین از وظایف اصلی متخصصین داده یا Data Scientist می‌باشد. در حوزه مهندسی داده گام استقرار مدل‌های توسعه داده‌شده و خودکاری سازی این فرایندها صورت می‌پذیرد.

ارادتمند
محمدرضا محتاط

@DataAnalysis

مدیریت نوین منابع انسانی!

http://tiny.cc/64694y

در دنیای امروز، سرمایه‌های انسانی به‌عنوان با ارزش‌ترین منابع سازمانی، به سازمان معنا و مفهوم می‌بخشند و زمینه تحقق اهداف سازمانی را فراهم می‌کنند. رشد و توسعه سازمان‌ها و در پی آن جامعه و کشور، در گرو استفاده صحیح از سرمایه‌های انسانی است. اگر جامعه‌ای از این مزیت رقابتی برخوردار نباشد به‌طورقطع نمی‌تواند به هدف‌های موردنظر خود دست یابد.

تصمیم‌گیری اثربخش و کارا در حوزه مدیریت منابع انسانی، مزایای رقابتی مهمی برای سازمان‌ها در پی دارد. علیرغم وجود داده‌ها و اطلاعات فراوان در سازمان‌ها در ارتباط با منابع انسانی بعضاً این داده‌ها به شیوه‌ای اثربخش مورد تحلیل و استفاده قرار نمی‌گیرند.

در ادامه برخی از کارکردها و کاربردهای حوزه تحلیل داده در جهت استقرار مدیریت منابع انسانی داده محور تقدیم حضور می‌گردد.

1- پایش هوشمند شبکه‌های اجتماعی و گروه‌های تخصصی در جهت شناسایی متخصصین مورد نیاز

2- جذب و استخدام کارکنان اثربخش بر اساس عملکرد رفتاری گذشته کارکنان سازمان

3- ارزیابی مستمر میزان رضایت شغلی کارکنان

4- پیش‌بینی افت عملکرد کارکنان و بخش‌های سازمان

5- مدیریت بهینه تعدیل ( اولویت‌بندی کارکنان جهت تعدیل )

6- تحلیل عملکرد کارکنان بر اساس شاخص‌های عملیاتی

7- هوشمند سازی نظام‌ پاداش و پرداخت

8- ارائه آموزش‌های شخصی‌سازی‌شده بنا به نیازمندی‌های کارکنان

افزایش بهره‌وری، انگيزه، رضايت شغلي، بهبود کيفيت زندگي کاري، و تحقق اهداف سازمان تنها بخشی از دستاوردهای مدیریت بهینه و هوشمندانه منابع انسانی می‌باشد.

"مدیریت مؤثر نیروی کار از طریق تجزیه‌وتحلیل داده منابع انسانی نیاز به یک تغییر در طرز فکر دارد. "

پی‌نوشت:
روز منابع انسانی را خدمت همه کارشناسان و مدیران منابع انسانی تبریک عرض می‌کنیم. افرادی که می‌توانند شرکت‌ها و به طبع جهان را به‌جایی بهتر برای زندگی‌ کردن تبدیل نمایند.

ارادتمند
محمدرضا محتاط

@DataAnalysis

برترین مهارت‌های متخصصین علم‌داده!

http://bit.do/eP8ng

براساس گزارش Forbes در سال 2019، برترین مهارت‌ها، ابزارها و پلتفرم‌های حوزه علم‌داده براساس تحلیل فرصت‌های شغلی شبکه اجتماعی لینکدین به شرح زیر است.

1- Python

2- R

3- SQL

4- Jupyter Notebooks

5- Unix shell

6- AWS

7- Tensorflow

8- Tableau

9- C/C++

10- Hadoop / Pig / Hive

@DataAnalysis

میلاد باسعادت منجی عالم بشریت، حضرت ولی عصر، امام زمان(عج) بر عموم شیعیان جهان مبارک باد.

پروژه‌های کلان داده؛ واقعیت تا شکست!

http://tiny.cc/big-data-architecture

کلان داده یا Big Data اصطلاحی برای مجموعه داده‌های حجیم، متنوع و دارای نرخ تولید بسیار بالا می‌باشد که با ابزارهای سنتی امکان ذخیره‌سازی، نگه‌داری و تحلیل آن وجود ندارد. به‌عنوان‌مثال راه‌اندازی یک شبکه اجتماعی همانند تلگرام یا توییتر با توجه به میزان حجم دادگان، تنوع در داده‌ها(متن، تصویر، صوت و...) و نرخ تولید داده‌ها نیازمند بهره‌گیری از پلتفرم‌ها و ابزارهای کلان داده هست.

با توجه به کاربردها و قابلیت‌های این حوزه در کشور، پروژه‌های متعددی با محوریت Big Data در شرکت‌ها و سازمان‌های مختلفی در صنایع بانکداری، تلکام، بیمه و... آغاز شده است. پروژه‌های که بعضاً با شکست مواجه شده‌اند. شکستی که علاوه‌ بر ایجاد مشکلات سازمانی و هدر رفتن منابع، سبب کاهش اعتماد شرکت‌ها به قابلیت‌های تحلیل داده و کلان داده نیز می‌شود.

مشکلاتی از قبیل توجه صرف به ابزارهای فنی، عدم تدوین استراتژی‌های پروژه، عدم شناخت از نیازمندی‌های کارفرما، خلأ تحلیل نیازمندی‌ها و مهارت‌های موردنیاز حین پروژه، مدیریت توقع و مشکلات سازمانی از رایج‌ترین دلایل این شکست‌ها هست.

در ادامه یک معماری منطبق با اکوسیستم آپاچی هدوپ(Hadoop) به‌عنوان اکوسیستم مرجع کلان داده جهت مدیریت پروژه‌های کلان داده پیشنهاد می‌شود. معماری زیر از 10 لایه و در دو بخش فنی و کارکردی تشکیل‌شده است. لایه‌هایی که تمامی مؤلفه‌های مؤثر در پروژه‌های Big Data شامل زیرساخت، مدیریت داده، تحلیل، امنیت و... را پوشش خواهد داد.

لایه‌های معماری کلان داده:
1- لایه منابع داده (Data Sources)
2- لایه فروبری داده (Ingestion Layer)
3- لایه زیرساخت هدوپ (Hadoop Infrastructure Layer)
4- لایه ذخیره‌سازی هدوپ (Hadoop Storage Layer)
5- لایه مدیریت سکو هدوپ (Hadoop Platform Management Layer)
6- لایه انبار داده (Data Warehouses)
7- لایه موتورهای تحلیلی (Analytics Engines)
8- لایه مصورسازی (Visualization Layer)
9- لایه امنیت (Security Layer)
10- لایه نظارت (Monitoring Layer)

قابل‌ذکر است که در تمامی لایه‌های فوق گام‌های امکان‌سنجی، ارزیابی بلوغ، تحلیل نیازمندی‌ها و... به‌صورت کامل و جامع می‌بایست انجام پذیرد.

مؤلفه‌های مقیاس‌پذیری، میزان دسترس‌پذیری، قابلیت نگه‌داری، کارایی و... نیز به‌عنوان کارکردهای غیرعملیاتی نیز به‌صورت مجزا باید مورد تحلیل و بررسی قرار گیرند.

پی‌نوشت:
طبق بررسی موسسه گارتنر بیش از 60 درصد پروژه‌های Big Data در سال 2017 نیز با شکست مواجه شده‌اند. این عدد قابل‌تأمل نشان از پیچیدگی‌های گسترده در اجرا و پیاده‌سازی پروژه‌های Big Data در سطح جهانی نیز هست. مشکلاتی که بعضاً علل آن را باید در حوزه‌های غیر تکنیکال جست.

ارادتمند
محمدرضا محتاط

@DataAnalysis

کتاب Storytelling with data

یکی از گام‌های اصولی جهت موفقیت در پروژه‌های تحلیل داده، بهره‌گیری از متدها و اصول مصورسازی داده (Data Visualization) جهت ارائه نتایج‌ و خروجی‌های مدل‌های تحلیلی به ذی‌نفعان و مدیران می‌باشد.

در کتاب "داستان‌سرایی با داده" اصول و مفاهیم مصورسازی داده در محورهای زیر آموزش داده می‌شود.

*تحلیل مخاطبان و ذی‌نفعان
* آشنایی با کارکردها و قابلیت‌های نمودارهای تحلیلی
* انتخاب نمودار مناسب جهت مصورسازی اطلاعات
* طراحی نمودارهای تحلیلی
* شناسایی مشکلات رایج نمودارهای تحلیلی

مطالعه کتاب فوق را به همه علاقه‌مندان و متخصصین حوزه علم‌داده توصیه میکنم.

@DataAnalysis

کتاب Storytelling with data

@DataAnalysis

برترین الگوریتم‌های یادگیری ماشین و علم‌داده در سال 2019

براساس نظرسنجی وبسایت Kdnuggets از متخصصین علم‌‌داده، به ترتیب متدها و الگوریتم‌های رگرسیون، درخت تصمیم‌، خوشه‌بندی و مصورسازی داده‌ها از رایج‌ترین متدهای استفاده شده در پروژه‌های علم‌داده در سال 2019 بوده‌اند.

افزایش توجهات به روش‌های مبتنی بر شبکه‌های عصبی، یادگیری عمیق و سری‌های زمانی از نکات قابل توجه در مقایسه با سال 2017 است.

قابل ذکر است که انتخاب الگوریتم بهینه براساس نیازمندی‌های تحلیلی پروژه، نوع دادگان و... انتخاب می‌شود. انتخابی که ممکن است سبب موفقیت یا شکست پروژه‌های علم‌داده شود.

@DataAnalysis

پیچیدگی‌های فعالیت در حوزه علم‌داده!

http://tiny.cc/oex85y

مقالات متعددی پیرامون مزایای حوزه علم‌داده منتشرشده است. ویژگی‌هایی از قبیل درآمد بالا، میزان تأثیرگذاری در سطوح سازمانی و ملی، میزان تقاضای بازار کار و... همگی نشان از این مزایا دارند.

در این مطلب هدف ارائه پیچیدگی‌های حوزه علم‌داده است تا اگر قصد دارید به‌صورت تخصصی در این فیلد فعالیت نمایید به آن‌ها آگاه باشید.

1- کسب تخصص:
با توجه وجود طیف وسیعی از مهارت‌ها، ابزارها و پلتفرم‌ها در حوزه علم‌داده، کسب تخصص جامع در این فیلد کاری امری بسیار دشوار و پیچیده می‌باشد. امری که نیازمند صرف زمان و یادگیری مستمر در حوزه‌های متنوع خواهد بود.

2- دانش بین‌رشته‌ای:
نوع نگاه علم‌داده به مسائل از منظرهای آمار، مهندسی کامپیوتر، کسب‌وکار و... قابل افراز می‌باشد. لذا اگر قصد فعالیت در پروژه‌های علم‌داده را دارید می‌بایست با دانش‌های پایه‌ای بخصوص در مفاهیم بین‌رشته‌ای آشنا باشید.

3- داده‌های کثیف:
یکی از پیچیدگی‌های پروژه‌های علم‌داده وجود داده‌های کثیف یا عدم دسترسی به داده‌های مناسب در پروژه‌ها است. وجود این قبیل مشکلات سبب هدر رفتن انرژی و زمان زیادی خواهد شد. مشکلاتی که در کشور ما با توجه به میزان بلوغ فناوری اطلاعات بسیار مشهودتر می‌باشد.

4- حریم خصوصی:
مدیریت حریم خصوصی یکی از چالش‌های مطرح پروژه‌های علم‌داده و سازمان‌های داده‌محور در سال‌های اخیر می‌باشد. افشای اطلاعات خصوصی و محرمانه یکی از چالش‌های عمده شرکت‌های فعال در حوزه ارائه خدمات تحلیل داده می‌باشد.

5- تیم سازی:
یکی از چالش‌های سازمان‌های فعال در حوزه علم‌داده، جذب متخصصین و تیم سازی می‌باشد. کمبود متخصصین علم‌داده واقعی، چالش‌های سازمانی و... از مشکلاتی هست که می‌توانند در موفقیت و شکست پروژه‌ها بسیار تأثیرگذار باشند.

ارادتمند
محمدرضا محتاط

@DataAnalysis