في هذا الكتاب المُلهم، نغوص في عالم تتقاطع فيه الإحصاءات
والذكاء الاصطناعي والمعرفة البشرية، لنكتشف كيف يمكن للبيانات أن تحوّل
قراراتنا، وتفتح أبواباً للفرص لم نرها من قبل.
سواء كنت رائد أعمال، أو موظفًا يسعى للتميز، أو حتى
شخصًا عاديًا يريد أن يفهم العالم بشكل أعمق… فهذا الكتاب يريك كيف يمكن للبيانات
أن تكون دليلك نحو النجاح الذكي والمبني على الحقائق.
استعد لاكتشاف القوى الخفية خلف الأرقام… ولتتعلم كيف
تتحول البيانات إلى قرارات، والقرارات إلى نجاح حقيقي!.
معلومات عن المؤلفين:
هوارد ستيفن فريدمان: هو عالم بيانات يتمتع بخبرة في القطاعين الخاص
والعام. وهو أستاذ مساعد في جامعة كولومبيا. من بين مؤلفاته السابقة " السعر النهائي" ومقياس الأمة" .
أما المؤلف الثاني فهمو أكشاي
سواميناثان: عالم بيانات يركز
على النظم الصحية. وهو باحث منحة نايت-هينيسي في كلية الطب بجامعة ستانفورد.
"النجاح بعلم البيانات" دليل شامل يُزوّد قادة
الأعمال بالأدوات والرؤى اللازمة لدمج علم البيانات بفعالية في مؤسساتهم. يعتمد
المؤلفان، هوارد فريدمان وأكشاي سواميناثان، على خبرتهما الواسعة لتقديم إطار عمل
واضح وعملي لتسخير قوة علم البيانات.
يتناول الكتاب مواضيع أساسية، مثل فهم
أساسيات علم البيانات، وبناء فرق علم البيانات وإدارتها، وتطبيق عملية اتخاذ
القرارات القائمة على علم البيانات، وبناء ثقافة تركز على البيانات داخل المؤسسة.
ويؤكد المؤلفون على أهمية مواءمة مبادرات علم البيانات مع أهداف العمل، ويقدمون
إرشادات استراتيجية لاختيار وتنفيذ المشاريع عالية التأثير.
يوضح الكتاب، من خلال دراسات حالة واقعية
وأمثلة، كيف نجحت الشركات الرائدة في الاستفادة من علم البيانات لتحقيق ميزة
تنافسية. كما يتناول المؤلفون التحديات الشائعة ويقدمون حلولاً عملية للتغلب على
العقبات في تطبيق علم البيانات.
يُعدّ كتاب "النجاح في علوم
البيانات" مرجعًا لا غنى عنه لقادة الأعمال الساعين إلى الاستفادة من
الإمكانات التحويلية لعلم البيانات. وقد أعدّ هوارد فريدمان وأكشاي سواميناثان
دليلًا سهل المنال وعمليًا، يُزيل الغموض عن تعقيدات علم البيانات، ويُقدّم خارطة
طريق واضحة للنجاح.
تكمن إحدى أبرز نقاط قوة الكتاب في قدرته على
سد الفجوة بين المفاهيم التقنية وتطبيقات الأعمال. يترجم المؤلفان بمهارة مبادئ
علم البيانات المعقدة إلى رؤى عملية وواقعية لصانعي القرار. ويحققان توازنًا
مثاليًا بين توفير أساس متين في أساسيات علم البيانات وتقديم استراتيجيات عملية
للتنفيذ.
هيكل الكتاب منظم ومنطقي، مما يُتيح للقراء
سهولة تصفح محتواه والتركيز على الجوانب الأكثر ملاءمة لاحتياجاتهم. أسلوب
الكاتبين في الكتابة شيق وحواري، مما يجعل حتى أكثر المفاهيم تقنية في متناول
جمهور واسع.
من الجوانب المهمة الأخرى للكتاب تركيزه على
العنصر البشري في علم البيانات. يُشدد المؤلفون على أهمية بناء فرق عمل متنوعة
وتعاونية في مجال علم البيانات، وتعزيز ثقافة قائمة على البيانات، وضمان مراعاة
الاعتبارات الأخلاقية في استخدام البيانات. يُميز هذا النهج الشامل الكتاب عن غيره
من الأدلة التقنية، ويُبرز الدور المحوري للقيادة في قيادة مبادرات علم البيانات
الناجحة.
بينما يُقدّم الكتاب نظرةً شاملةً على علم
البيانات في مجال الأعمال، قد يرغب بعض القراء في تفاصيل تقنية أكثر تعمقًا أو
تطبيقاتٍ صناعيةً مُحدّدة. مع ذلك، فإن تركيز المؤلفين على الاستراتيجيات رفيعة
المستوى وأفضل الممارسات يضمن بقاء الكتاب ذا صلةٍ وقيمةٍ في مختلف سياقات الأعمال.
بشكل عام، يُعد كتاب "النجاح باستخدام
علم البيانات" مرجعًا أساسيًا لأي قائد أعمال يسعى إلى تسخير قوة علم
البيانات لتحقيق ميزة تنافسية. بفضل رؤاه الثاقبة وإرشاداته العملية وأمثلته
الواقعية، يُعد هذا الكتاب موردًا أساسيًا لفهم بيئة الأعمال الحديثة القائمة على
البيانات.
يحتاج قادة الأعمال المعاصرون إلى معرفة
أساسيات علم البيانات. وكما يوضح المؤلفان وعالما البيانات هوارد ستيفن فريدمان
وأكشاي سواميناثان، فإن قادة أعمال الشركة وفريق علم البيانات التابع لها بحاجة
إلى التعاون لتحقيق أهداف أعمال أكبر. ولتحقيق ذلك، يجب أن يكون القادة قادرين على
إيصال احتياجاتهم إلى علماء البيانات التابعين لهم وفهم الخيارات التي يقدمونها.
يقدم دليل فريدمان وسواميناثان العملي لعلم البيانات مجموعة من الأمثلة الملموسة
لمساعدة رجال الأعمال ورواد الأعمال على إتقان الأساسيات وتطبيق معارفهم الجديدة.
أولاً: تعاون مع فريق علماء البيانات لديك
لإنشاء سير عمل مثالي للبيانات.
أراد ستيف، قائد فريق في شركة مالية مرموقة، تحسين عمليات قسم الاسترداد في الشركة، من خلال تعظيم حجم الأموال التي يجمعونها وخفض التكاليف. لم يكن من الممكن توظيف المزيد من الموظفين. لذلك، احتاجت الشركة إلى آلية تتيح لها استخدام الرؤى المستندة إلى البيانات لإعطاء الأولوية لبعض الحسابات على غيرها وتبسيط أعباء عمل الموظفين. ولتحقيق هذه الأهداف، تواصل مع فريق علوم البيانات. وبعد مناقشة أولوياته والقيود التي يواجهها قسم الاسترداد، تعاون علماء البيانات مع ستيف لوضع خطة "سير عمل البيانات" لحل المشكلات.
عادةً ما يكون جمع البيانات من مصادر متنوعة
ونقلها إلى موقع واحد عمليةً آليةً تُسمى "الاستخراج والتحويل والتحميل" (ETL). يمكن للشركات استخراج البيانات من قواعد البيانات
الحالية، أو إنشاء قواعد بيانات علائقية من سجلات مشتريات العملاء والمكالمات
الهاتفية وما شابه. يتضمن تحويل البيانات إعدادها للتحليل، وإزالة التناقضات
والتشوهات، وتوحيد تنسيقها. قد يشمل تخزين البيانات أجهزة تخزين مادية مثل محركات
الأقراص الصلبة أو محركات الأقراص ذات الحالة الصلبة، ولكن نظرًا لمزايا الحوسبة
السحابية - بما في ذلك القدرة على توسيع نطاق قوة الحوسبة ومشاركة البيانات بسهولة
عبر المؤسسة، وانخفاض التكاليف، وزيادة الأمان - فإن العديد من الشركات تتبنى
الحلول السحابية.
في النهاية، لا يمكن لعلماء البيانات تحقيق
أهداف العمل باستخدام البيانات إلا إذا كانت جودتها مؤكدة. يتطلب تنظيف مجموعات
البيانات بشكل صحيح أن يعرف علماء البيانات ما هو الأهم. بشكل عام، يجب ألا تتضمن
مجموعات البيانات تكرارات، ويجب أن تقع جميع القيم ضمن نطاق محدد مسبقًا. يجب على
منقّحي البيانات أيضًا ملاحظة أي بيانات مفقودة وتحديد ما إذا كانت ضرورية لتقديم
تحليلات دقيقة.
ثانياً: يتطلب علم البيانات للأعمال إدارة
عملية للمشروع.
كامالا، امرأة حاصلة على دكتوراه في الطب
وماجستير إدارة أعمال من جامعة ستانفورد، وديون طلابية هائلة، انخرطت في شركة
ناشئة في مجال التكنولوجيا الطبية، أسسها عالم بيانات. ورغم أملها الطموح في طرح
عام أولي مربح، أفلست الشركة الناشئة في أقل من عام. لكنها عادت للعمل في شركة
تأمين صحي متوسطة الحجم، حيث كُلّفت بتوفير منهجية لاتخاذ قرارات مبنية على
البيانات بشأن الأدوية والإجراءات الطبية، على نحوٍ مثالي من حيث النتائج الصحية
والتكاليف.
تعلمت كامالا درسًا هامًا من تجربتها في الشركة الناشئة، وهو ما طبقته في منصبها الجديد: السبب وراء عدم نجاح شركتها الناشئة هو أن فريق علوم البيانات فيها قضى جل وقته في البحث عن أفكار شيقة بدلًا من البحث عن سبل تحقيق الربح. كانوا بحاجة إلى مدير مشروع منضبط.
لذا، عندما استعانت كامالا بفريق متخصص في
علوم البيانات لمساعدتها في مشروع التأمين الصحي الخاص بها، بدأت بتعيين أحد أعضاء
فريقها ذوي الخبرة لإدارة المشروع. مشاريع علوم البيانات، كأي مشروع آخر، تمر
عادةً بأربع مراحل مميزة: "الفكرة، والتخطيط، والتنفيذ، والإغلاق". يوضح
المفهوم متطلبات المشروع والنتائج المرجوة. يتضمن التخطيط تحديد الموارد اللازمة،
وما سيفعله الموظفون فعليًا ومتى، وتكلفة المشروع، والنتائج النهائية. تتطلب مراحل
التنفيذ تفكيرًا أكثر دقة في الموارد البشرية والمهارات، وكيفية ضمان الجودة
المتسقة، وكيفية إدارة المخاطر والحد منها. تتضمن مرحلة الإغلاق مراجعة الجميع
للمشروع المكتمل والموافقة عليه.
ثالثاً: يشكل نطاق البيانات والقيود أساس
مشروع علم البيانات.
كان الإنفاق الرئيسي لشركة التأمين الصحي
التي عملت بها كامالا هو تعويضات الرعاية الصحية التي تلقاها المرضى. اكتشفت
الشركة أن 80% من مدفوعاتها ذهبت إلى 20% من مرضاها، وكلفت كامالا بدراسة إمكانية
تحسين فعالية تكلفة هؤلاء المرضى. استعانت كامالا بفريق متخصص في علوم البيانات
واتخذت خطوات أولية لفهم بيانات مطالبات الشركة.
يمكن أن يساعدك تحليل البيانات الاستكشافي في
تحديد نطاق بياناتك، بما في ذلك الفترة الزمنية التي تغطيها، ومعايير الإدراج، وما
إذا كانت أي بيانات ذات صلة قد تم تضمينها. بالإضافة إلى ذلك، يمكن أن يوفر
منظورًا شاملًا لأنواع البيانات في قاعدة البيانات، وقيودها. قد لا تكون بعض أنواع
البيانات موجودة في قاعدة البيانات، مثل زيارات الصالة الرياضية المدفوعة. سيتمكن
فريق علوم البيانات من استخدام نتائج التحليل الاستكشافي لتقديم نظرة عامة إحصائية
على البيانات. يمكن أن تساعد هذه النظرة العامة في الإجابة على أسئلة مثل: "هل
زاد عدد المرضى المشتركين في الخطة مع مرور الوقت؟" و"هل زاد عدد
المطالبات، وإذا كان الأمر كذلك، فبأي قدر؟"
رابعاً: يهدف تحليل البيانات إلى تحديد
العلاقات السببية بين الظواهر.
إذا كنتَ في منصب قيادي، فسيتعين عليك اتخاذ
قرارات مهمة ذات آثار واسعة النطاق بناءً على البيانات والتحليلات التي يقدمها
علماء البيانات في شركتك. من المهم إيجاد طرق لتجنب استخلاص استنتاجات خاطئة بناءً
على بيانات معيبة أو مضللة. لضمان دقة التحليلات، يجب عليك العمل مع فريق علم
البيانات لديك لضمان عدم تشويه التحيزات الكامنة للبيانات، وضمان جودة الأدلة.
السببية أوضح ما يكون في الطب. لنفترض، على
سبيل المثال، أن الباحثين يريدون معرفة ما إذا كان تناول طعام معين يؤدي إلى نتائج
صحية أسوأ. في الوضع الأمثل، ستكون لديك مجموعة من الأشخاص المتطابقين أو
"النسخ"، بعضهم يتناول الطعام المشكوك فيه والبعض الآخر لا يتناوله -
ولنرَ ما سيحدث. استخدام النسخ يعزل العامل السببي ويؤكده. ولأن الاستنساخ غير
ممكن في العالم الواقعي، فإن التجارب التي تسعى إلى إثبات السببية عادةً ما تُوزّع
عشوائيًا بين مجموعات ذات خصائص أساسية مناسبة. تستخدم هذه الدراسات مجموعة ضابطة:
يتلقى بعض الأشخاص دواءً وهميًا بدلًا من الدواء قيد الاختبار.
تظهر مسائل السببية المباشرة في سياقات
الأعمال أيضًا. على سبيل المثال، سيرغب مديرو منصات التواصل الاجتماعي في معرفة ما
إذا كانت بعض الميزات تُسبب بشكل مباشر بقاء المستخدمين على المنصة لفترة أطول.
يُمكن تطبيق اختبار A/B العشوائي أيضًا في مثل
هذه الحالات، ولكن حتى عندما لا يكون التوزيع العشوائي ممكنًا، يُمكن لتحليل
البيانات إثبات السببية بطرق أخرى. على سبيل المثال، يُمكنك تحليل سلوك مجموعتين
متشابهتين من الأشخاص عند نقطة تحول رئيسية - مثلاً، معدلات دخول المستشفى للأشخاص
الذين على بُعد بضعة أشهر من التأهل لتغطية الرعاية الطبية (Medicare) مقارنةً بمن تأهلوا مؤخرًا.
قد تنشأ استنتاجات إشكالية مبنية على
البيانات من تحيزات فيها. على سبيل المثال، قد تكون البيانات متحيزة لأن المشاركين
في دراسة أو استطلاع لم يتم اختيارهم عشوائيًا. قد تكون البيانات متحيزة بسبب
أساليب جمع بيانات رديئة، أو لوجود تحيز متأصل في المشاركين في استطلاع معين، أو
حتى لأن نشر أنواع معينة من البيانات متحيز في اتجاه أو آخر. إن إدراك هذه
التحيزات يساعد الناس على تحديد الإحصاءات المضللة.
خامساً: يتعين عليك أن تأخذ بعين الاعتبار
السكان الذين تطبق عليهم "نموذج التنبؤ".
يُعدّ التنبؤ أحد الأهداف الأساسية لعلم
البيانات. يُعدّ نموذج التنبؤ، في حد ذاته، مفهومًا بسيطًا إلى حد ما. تُغذّى
البيانات في النموذج، ويستخدمها النموذج للتنبؤ. قد يكون التنبؤ مستمرًا - مثل ما
إذا كان الشخص سيستمر في شرب كمية معينة من الكحول أو إنفاق المال بمستوى معين -
أو منفصلًا - مثل ما إذا كان الشخص سيشتري منزلًا أو سيُصاب بسكتة قلبية. ومع ذلك،
تختلف النماذج باختلاف غرضها. تحاول بعض النماذج تفسير ظاهرة ما، بينما يهدف بعضها
الآخر ببساطة إلى تقديم تنبؤ دقيق.
أول ما عليك فعله عند إنشاء نموذج هو توضيح
النتيجة التي تريد التنبؤ بها. في حالة قطاع التأمين الصحي، قد تكون النتيجة
المتوقعة هي دخول المستشفى في ظل ظروف معينة. بمجرد تحديد السكان والنتيجة
المناسبين، يمكنك البدء في إنشاء نموذج. تُشكل الخصائص المختارة أساس النموذج. عند
البحث عن نموذج يتنبأ بحالات دخول المستشفى، ستحتاج إلى متغيرات تتنبأ بحالات دخول
المستشفى في نماذج أخرى.
تستخدم إحدى طرق اختيار الميزات الشائعة
"مُرشِّحات". تستخدم بعض المُرشِّحات متغيرات ذات ارتباط وثيق بالنتيجة
المرجوة. تُسمى طريقة اختيار ميزات أكثر تطورًا "مُغلِّفة". تساعدك
المُغلِّفات على تحليل كيفية تأثير كل ميزة على الأداء العام للنموذج من خلال
السماح لك بإضافة أو إزالة ميزة واحدة تلو الأخرى. تُدمج طرق اختيار الميزات
"المُضمَّنة" اختيار الميزات في خوارزمية النموذج. لا يوجد بالضرورة حل
واحد لمشكلة اختيار الميزات. يجب على فريق علم البيانات تجربة خيارات مختلفة
ومعرفة أيها الأكثر فعالية. إذا لم يكن أداء النموذج كما تأمل أنت وفريق علم
البيانات، فيمكنك تحسينه بإضافة ميزات إضافية وتوفير إمكانية الوصول إلى المزيد من
البيانات.
سادساً: من الأفضل أن تبدأ بنماذج بسيطة ثم
تحاول معرفة كيفية تحسينها.
لنفترض أن نموذجك الجديد لاتخاذ القرارات
المتعلقة بالرعاية الصحية يعمل بشكل جيد: يمكنك اتخاذ قرارات أفضل في وقت أقصر من
ذي قبل، مع نتائج صحية جيدة وتكاليف أقل. مع أن نسبة القرارات الخاطئة لديك أقل من
50% حاليًا، فمن الأفضل خفض هذه النسبة إلى أقرب ما يمكن إلى 0%.
تُشير "البقايا" إلى الفرق بين
قيمة النتيجة والنتيجة التنبؤية للنموذج. يمكن أن يُشير تحديد البقايا إلى طرق
لتحسين النموذج عن طريق تعديل متغير النتيجة. ومن الطرق الأخرى لتحسين النموذج
التنبئي تعديل الميزات. فبدون ميزات مُهندسة جيدًا، لن تحصل على تنبؤات دقيقة. ومن
الطرق البسيطة لإضافة ميزات دون الحاجة إلى جمع بيانات جديدة إعادة حساب العلاقة
بين حدين رئيسيين في البيانات. على سبيل المثال، قد تطلب من النموذج مراعاة
العلاقة بين العمر والجنس - والتي يمكن أن تكشف عن كيفية تأثير الجنس على مقدار ما
ينفقه المرضى مع تقدمهم في السن. وأخيرًا، بدلًا من تجربة هندسة الميزات، يمكنك
إعادة تقييم البيانات التي تم تدريب النموذج عليها في المقام الأول. فإذا لم يتم
تدريب النموذج الأصلي على مجموعة بيانات تمثيلية حقيقية، فقد يكون من الأفضل
استخدام "الانحدار المرجح" أو وزن البيانات بطريقة تعكس النتائج المرجوة
بشكل أفضل.
سابعاً: يمكن أن تكون معالجة اللغة الطبيعية (NLP)، و"التحليل الجغرافي المكاني"،
و"الرؤية الحاسوبية (CV)" أدوات مهمة
لتحليل البيانات.
يكتسب الذكاء الاصطناعي والتعلم العميق
رواجًا كبيرًا هذه الأيام. ومع ذلك، يبقى الأهم لعلماء البيانات هو التركيز على
إنجاز المهمة المطلوبة. سيُحدث الذكاء الاصطناعي المُولّد، القادر على توليد
النصوص والصور والصوت وغيرها من الوسائط، نقلة نوعية في عالم الأعمال بطرق عديدة،
ولكن من المهم عدم الانجراف وراء المصطلحات الشائعة والتركيز على حل المشكلات.
قد تكون تطبيقات الذكاء الاصطناعي مفيدة
لأعمالك، وذلك حسب نموذجها. تُعد معالجة اللغة الطبيعية (NLP)، التي تستقبل اللغة المكتوبة والمنطوقة غير المنظمة كمدخلات،
أمرًا بالغ الأهمية لشركات مثل جوجل. من ناحية أخرى، ستجد شركات مثل أوبر أن
التحليل الجغرافي المكاني أكثر فائدة، إذ يدمج معلومات الموقع من مصادر متنوعة في
نموذجه. وأخيرًا، من المرجح أن تستخدم سيارات تيسلا ذاتية القيادة الرؤية
الحاسوبية
(CV)، التي
تستخدم مدخلات بصرية لتحديد موقع وأبعاد وحالة الأشياء في المجال البصري. وتميل
الرؤية الحاسوبية نفسها إلى أن تكون مجالًا أكثر تخصصًا. وأكثر خوارزميات الرؤية
الحاسوبية شيوعًا هي الشبكات العصبية التلافيفية (CNN) للصور الثابتة والشبكات العصبية المتكررة (RNN) للفيديو، وكلاهما يتضمن طبقات معالجة متعددة.
ثامناً: يمكن لعلم البيانات أن يثير قضايا
أخلاقية مهمة.
عندما يلتحق الطلاب بكلية الطب، يتعلمون
"قَسَم أبقراط" الذي يتضمن الالتزام الأخلاقي بـ"عدم الإضرار"
واتخاذ قرارات سليمة أخلاقيًا. من البديهي أن يؤدي الأطباء هذا القَسَم: فهم في
وضع فريد لمساعدة الناس، ولكنهم أيضًا يُلحقون بهم الضرر. مع ذلك، يتضح أكثر فأكثر
أن الناس قد يستخدمون علم البيانات والذكاء الاصطناعي بطرق بالغة الضرر. ربما حان
الوقت لعلماء البيانات لتبني ما يشبه قَسَم أبقراط.
يتضمن قسم علوم البيانات الذي أنشأته
الأكاديميات الوطنية للعلوم والهندسة والطب ثلاث نقاط رئيسية:
1.
يجب على علماء البيانات الاعتراف عندما لا يعرفون شيئًا
ويجب أن يكونوا على استعداد لإشراك أشخاص آخرين لحل المشكلات.
2.
يجب على علماء البيانات إعطاء الأولوية لخصوصية البيانات
وأمانها.
3.
يجب على علماء البيانات أن يضعوا في الاعتبار أن
البيانات ليست مجرد أرقام، بل تمثل أو تعكس حياة أشخاص حقيقيين، وأن قضايا مثل
التحيز الخوارزمي يمكن أن تؤدي إلى عواقب غير مقصودة في العالم الحقيقي.
أصدر كبير علماء البيانات السابق في مكتب سياسة العلوم والتكنولوجيا الأمريكي، دي جي باتيل، واثنان من زملائه، قائمة مرجعية خاصة بهم لأخلاقيات البيانات، تطلب من علماء البيانات النظر في احتمالية تحيز البيانات، وما إذا كان المستخدمون قد وافقوا على استخدام بياناتهم، وكيفية حمايتهم لبيانات المستخدمين. يركز كلٌّ من قسم علم البيانات وقائمة مرجعية لأخلاقيات البيانات على العدالة والخصوصية والشفافية والآثار الاجتماعية الأوسع لاستخدام البيانات.
تعليقات
إرسال تعليق