Των Καθηγητή Κωνσταντίνου Ζοπουνίδη
Πολυτεχνείο Κρήτης
Επίτιμος Διδάκτορας, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
Ακαδημαϊκός, Βασιλική Ακαδημία Οικονομικών και Χρηματοοικονομικών της Ισπανίας
Ακαδημαϊκός, Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων
Distinguished Research Professor, Audencia Business School. France
Μαριάννα Εσκαντάρ
Μεταπτυχιακή φοιτήτρια, ΜΒΑ, Μέλος του Εργαστηρίου Financial Engineering, Πολυτεχνείο Κρήτης
Γενικά
Ο Καθηγητής Κωνσταντίνος Ζοπουνίδης
Ο συγγραφέας Pierre Delort περιγράφει τα μεγάλα δεδομένα (Big Data ή Méga-données στα Γαλλικά) και αναφέρει τις εφαρμογές τους στη ζωή των επιχειρήσεων. Η εποχή μας παράγει ψηφιακά δεδομένα όλο και περισσότερο τα οποία συχνά διατηρούνται ακόμα και πέρα από τη πρώτη τους χρησιμοποίηση. Αυτά τα ψηφιακά αποτυπώματα, συχνά ισχνές πυκνότητες σε πληροφορίες αλλά μεγάλου μεγέθους, μπορούν να επεξεργαστούν χάρι στα μαθηματικά από τα οποία ανακαλύπτονται τα μοντέλα. Με τον τρόπο αυτό οι έρευνες για τις μηχανές αναζήτησης μπορεί να αποτελέσουν προωθημένα σήματα επιδημιών, οι διάφορες διαδρομές των taxi μας πληροφορούν για τις στάσεις τους όπου είναι εύκολο να βρείς κάθε μια ώρα ή δεδομένα εκμετάλλευσης μερικών κινητήρων αεροπλάνων τα οποία επιτρέπουν να τα συντηρούν καλύτερα ακόμη και να σχεδιάζουν πιο αποτελεσματικά τα νέα μοντέλα.
Παρουσιάζοντας τα Βig Data, το βιβλίο αυτό δείχνει ότι η εκμετάλλευσή τους απαιτεί μαθηματικά και πληροφοριακά εργαλεία αλλά και ανανεωμένες προσεγγίσεις του μάνατζμεντ. Αφομοιώνοντας τα Big Data μέσα στις επιχειρήσεις βελτιώνονται η λήψη αποφάσεων και οι λειτουργίες που οδηγούν σε μεγάλες καινοτομικές αλλαγές.
Big Data: Έννοιες και Ορισμός
Για το συγγραφέα η πρωτοτυπία της προσέγγισης των Big Data βρίσκεται στο ότι δεν στηρίζεται σε προϋπάρχουσες δομές συλλογής δεδομένων, αλλά προσβλέπει στην ανακάλυψη μέσα από τα δεδομένα μοντέλων.
Στο δεύτερο κεφάλαιο, γίνεται περιγραφή των δεδομένων γενικά, δηλαδή χρησιμότητα, όγκος, το παράδειγμα του DNA, το internet, τα συνδεδεμένα αντικείμενα. Όσο πιο πολλά είναι τα δεδομένα και καλύπτουν διάφορους τομείς, τόσο περισσότερο μπορούμε να υιοθετήσουμε, τυπικά, επαγωγικούς συλλογισμούς και όχι αφαιρετικούς. Αυτό είναι το βασικό χαρακτηριστικό των Big Data.
Ο ορισμός των Big Data στηρίζεται στον πίνακα: όγκος x πυκνότητα. Τα Big Data είναι θεμελιωδώς διαφορετικά από την αναζήτηση δεδομένων ή το datamining. Ως εκ τούτου, τα Big Data συνίστανται να δημιουργήσουν με εξερεύνηση και επαγωγικά πάνω σε μάζες δεδομένων με χαμηλή πυκνότητα πληροφορίας μοντέλα με προβλεπτική ικανότητα. Τα αποτελέσματα αυτών των προβλεπτικών μοντέλων μπορούν να γίνουν εκμεταλλεύσιμα είτε με αυτόματο τρόπο ή με απόφαση.
Οι αποφάσεις στην επιχείρηση
Σε ένα προηγούμενο κεφάλαιο δίνονται λεπτομερώς οι τεχνολογίες που επιτρέπουν την εκμετάλλευση των δεδομένων σημαντικού όγκου και χαμηλής πυκνότητας.
Η “κουλτούρα δεδομένων” σε επιχειρήσεις απαιτεί μια κουλτούρα ποσοτική η οποία οδηγεί στην επαγωγική στατιστική που βρίσκεται στην καρδιά των Big Data. Η επαγωγική στατιστική αναζητά να εξάγει συμπεράσματα από δεδομένα που υποβάλλονται σε στατιστικές μεταβολές, όπως τα δείγματα και να εκφράσουν απευθείας ιδιότητες του πληθυσμού των οποίων το λάθος βρίσκεται με τις συναρτήσεις πιθανοτήτων. Προσεγγίζοντας μια τιμή σε ένα διάστημα εμπιστοσύνης, απόρριψη μίας υπόθεσης με μια πιθανότητα λάθους ή δημιουργία ενός στατιστικού μοντέλου με βάση τα δεδομένα, αυτά τα παραδείγματα εντάσσονται στον ορισμό των Big Data.
Σε οικονομία, ψυχολογία, περιβάλλον, κτλ, τα στατιστικά μοντέλα χρησιμοποιούνται κυρίως για να εξηγούν, με την προϋπόθεση ότι ένα μοντέλο που εξηγεί καλά, προβλέπει και καλά.
Αντίθετα, στη βιο-πληροφορική, τα μοντέλα προσανατολίζονται κυρίως προς την πρόβλεψη και λιγότερο προς την εξήγηση.
Στην συνέχεια ο συγγραφέας αναφέρεται σε εργαλεία επαγωγικής μοντελοποίησης όπως, η οικονομετρία, το machine learning και η επεξηγηματική – προβλεπτική μοντελοποίηση. Τα παραπάνω εργαλεία επαγωγής, δημιουργούν μοντέλα που επεξηγούν- προβλέπουν, αλλά προπάντων σχέσεις μεταξύ φαινομένων. Τη σχέση αυτή μετρούν διάφοροι συντελεστές συσχέτισης (Karl Pearson, de Spearman, τ de Kendall, , κτλ)
Αποφάσεις, Στρατηγικά Οράματα, Γνώμες
Πως συνδυάζονται τα Big Data με άλλα στοιχεία των αποφάσεων όπως, το στρατηγικό όραμα, και τις γνώμες;
Η δημιουργία ενός οράματος απαιτεί περισσότερο “χαλαρά” δεδομένα (λιγότερο ποσοτικά, συχνά λεκτικής προέλευσης). Μια ικανότητα σύνθεσης και φαντασίωσης. Στην περίπτωση αυτή τα Big Data είναι ευνοϊκά στο συνδυασμό, στη σύνθεση των δεδομένων και δημιουργία μοντέλων.
Μια απόφαση είναι μια κρίση, μια επιλογή ανάμεσα σε εναλλακτικές λύσεις. Σπάνια πρόκειται για μια επιλογή μεταξύ “καλού” και “κακού”. Οι αποφασίζοντες χρησιμοποιούν τις γνώμες, που είναι υποθέσεις οι οποίες δεν έχουν επαληθευθεί. Τελικά η απόφαση προκύπτει σπάνια από μια ομοφωνία των γεγονότων, αλλά από μια σύγκρουση των διάφορων αποκλινουσών απόψεων (γνώμες) και τη θεώρηση ανταγωνιστικών εναλλακτικών.
Συμπεράσματα
Τα Big Data δεν συνιστούν χωρίς αμφιβολία μια μεγάλη επανάσταση όπως η γεωργία ή η βιομηχανία. Ωστόσο, με το άνοιγμα της επαγωγής των δεδομένων, επιτρέπει μετασχηματισμούς σε πολυάριθμους τομείς δραστηριότητας: πολιτική, κοινωνία, εκπαίδευση, δικαιοσύνη, αθλητισμός, κτλ.
Στο βιβλίο αυτό, ο συγγραφέας βέβαια περιόρισε την ανάλυσή του στις επιχειρήσεις και στην οικονομία των οργανώσεων. Παρότι δεν υπάρχει μια ενιαία διαδικασία στην εφαρμογή των Big Data, μπορεί να προταθεί μια γενική μεθοδολογία τριών φάσεων: διάγνωση, εξακρίβωση των πρώτων πρωτοβουλιών και ενοποίηση αυτών σε ένα πλάνο Big Data.
Καταλήγοντας αναφέρει ότι είναι σημαντικό δύο μεγάλες εταιρείες οι πιο προωθημένες σε Big Data, Google και Facebook δημιουργήθηκαν και διευθύνονται από άτομα χωρίς προηγούμενη εμπειρία επιχειρήσεων. Πρόκειται για φοιτητές.
