چگونه با شبکه‌های اجتماعی آینده را پیش‌بینی کنیم

نویسنده: محسن فینی زاده| تحلیلگر شبکه‌های اجتماعی

علم داده[۱]

یک زمینه میان رشته ای است که از روش ها، فرآیندها، الگوریتم ها و سیستم های علمی برای استخراج دانش و بینش از داده ها در اشکال گوناگون (ساختار یافته و ساختار نیافته) استفاده می کند. در حقیقت وظیفه اصلی علم داده تبدیل اطلاعات و داده های خام به دانش قابل استفاده می باشد.

کاوش حجم بالایی از داده های ساختار یافته و ساختار نیافته به منظور شناسایی الگوهایی انجام می شود که می توانند به سازمان ها جهت صرفه جویی در هزینه ها، افزایش کارایی، شناسایی فرصت های جدید در بازار و افزایش مزایای رقابتی کمک کنند. در علم داده، ریاضیات، آمار، علوم کامپیوتر و دیگر روشها مانند یادگیری ماشین، کاوش داده و بصری سازی داده مورد استفاده قرار می گیرد.

در حال حاضر سازمان‌ها و کسب‌وکارها و بخشی از سیاست و مدیریت عمومی کشور بیش از هر زمان دیگری برای تصمیم‌گیری متکی به داده‌های جمع‌آوری‌شده در بانک‌های اطلاعاتی‌شان هستند. به همین خاطر نیاز به کسانی که توانایی سازماندهی، گردآوری، تفسیر و استخراج الگوها و برآورد روندهای مختلف از داده‌ها را داشته باشند، محسوس‌تر از همیشه است. گردآوری داده توسط کسب‌وکارها مسئله‌ای است که در آینده با جدیت بیشتری ادامه خواهد یافت. این موضوع محدود به سازمان و کسب کار نبوده و بدون شک به زودی علم داده در ابعاد علمی و اجتماعی و حتی اقتصاد و سیاست نیز رشد چشمگیری و بیش از پیشی در ایران و جهان خواهد داشت.

علم داده در حوزه های مختلف بر اساس کلان داده مورد بررسی کاربرد دارد از علم داده در حوزه سلامت تا داده های سازمانی که حوزه مورد بحث ما کلان داده شبکه های اجتماعی است. به صورت کلی علم داده بیشتر مواقع زمانی به کار می اید که یک کلان داده وجود داشته باشد که نیازمند آن باشیم که ان کلان داده را به مولفه ها و مفاهیم قابل درک تبدیل کنیم. به بیان بهتر بتوانیم چند میلیون داده را تبدیل به یک جمله کنیم که در تصمیم گیری ها به ما کمک کند.

سطوح داده کاوی

گستردگی داده کاوی سبب شده است تا بر اساس هدف و نیاز هر موضوع، سطوح مختلف تحلیل داده شکل بگیرید، در نگاه کلی این سطوح به چهار بخش اصلی تقسیم می شود. که عبارت است از توصیف، تشخیص، پیش بینی، تجویز

توصیف

به اینکه چه اتفاقی افتاده است؟ می پردازد مثلا اینکه فلان اتفاق در فضای مجازی سبب شکل گیری یک موج یا ویژگی های مشخص در بستر شبکه های اجتماعی شده است. در سطح توصیف فقط به بیان اتفاق و تشریح رویدادها بدون بیان نظر کارشناسی می پردازیم، اینکه این موج و یا موضوع چه تعداد محتوا دارد و این محتوا ها مطابق چه نمودار خط زمانی منتشر شده است و یا کاربران اصلی و موثر فعال در آن موضوع چه کسانی بوده اند و… عناوینی هستند که در سطح توصیف به آن ها پرداخته می شود.

هرچند در نگاه اول این سطح بسیار ساده به نظر می رسد اما باید به این نکته اشاره کرده اولین گام در داده کاوی درست انجام دادن همین سطح توصیف است، به بیان بهتر تا توصیف درستی از رخ دادهای در حال اتفاق و یا اتفاق افتاده نداشته باشیم نمی توانیم  تشخیص، پیش بینی و یا تجویز درستی داشته باشیم.  برای درک درست این سطح باید مقایسه ای بین داده کاوی در درمان بیماری انجام شود، همان گونه که تا پزشک توصیف درستی از بیماری و علائم آن نداشته باشد نمی تواند تشخیص درستی بدهدو حتی تجویز کند در داده کاوی هم تشخیص و دیگر مراحل آن مبتنی بر گام اول توصیف استوار شده اند.

تشخیص

در سطح بعدی، بعد از اینکه اتفاق توصیف شد به چرایی اتفاق می پردازیم و سعی داریم بگوییم چرا اتفاق رخ داده است؟ این سطح نسبت به سطح قبل پیچیدگی بیشتری داد و سوال ما محدود به توضیح واقع در فضای مجازی نیست و باید چرایی رخ داد را نیز بررسی کنیم. شاید شروع سطح جدی تر داده کاوی جایی باشد که کشور ما به تازگی در آن ورود کرده است و بیشتر گزارش ها و مقالاتی که در موضوع داده کاوی به چشم می خورد در سطح تشخیص است.

تحلیل اینکه یک موج در فضای مجازی به چه علتی و با چه شاخص هایی توانسته است توجه افکار عمومی کاربران را به خود جلب کند و یا اینکه یک بحران مجازی با چه عواملی در حال رشد است به سطح تشخیص بر می گردد. تحلیل کمی و کیفی موج ها جدای از نمایش و توصیف آن در سطح تشخیص قرار می گیرد تا علت و چرایی رخ داده های مجازی مشخص شود.

برای مثلا به صورت داده محور بررسی اینکه چه محتواهایی با چه ویژگی های و در چه شرایطی وایرال می شوند در این سطح قرار دارد، برای اینکه بتوانیم محتواهای مطلوب تولید کنیم در گام اول باید محتواهای مطلوب و محبوب را توصیف کنیم و به صورت کمی و کیفی به شرح آن ها بپردازیم در گام دوم به تشخیص علل، ویژگی ها و سایر عواملی بپردازیم که سبب محبوب و مطلوب شدن این محتواها شده اند.

 پیش بینی

در سطح سوم داده کاوی باید بتوان بر اساس الگو های قبلی، داده های به روز و شناخت کارشناسی از جامعه و فضای مجازی، اتفاقات را پیش بینی کرد، و به این سوال جواب داد که چه چیزی اتفاق خواهد افتاد؟ مباحث افکار سنجی در انتخابات و یا پیش بینی وضعیت بورس و… در این سطح قرار می گیرد.

عینی ترین مثال برای این سطح از داده کاوی پیش بینی انتخابات است که در چند سال گذشته در کشور ها نتایج موفقی داشته است، در این سطح شما بر اساس توصیف و تشخیص بر روی داده ها به این نتیجه می رسی که کنش یک کاربر در فضای مجازی و یا حقیقی چه گونه خواهد بود.

در سطح مجازی میتوان این مثال را برای مشخص تر شده این سطح مطرح کرد که زمانی که هنوز یک موج شکل نگرفته است، با بررسی پارامترهای آغازین بتوان پیش بینی کرد این موج آیا شکل میگیرد یا نه و اگر در آینده شکل میگیرد چه سطح و ویژگی های دارد و یا فلان خبر بحرانی در مورد یک سازمان که در یک منبع مجازی منتشر شده است آیا توجه افکار عمومی را به خود جلب می کند.

در سطح حقیقی جدا زا کنش ها سیاسی میتوان تمایل کاربران در فضای عمومی جامعه در موضوعاتی مانند خرید، بورس و… را نیز پی بینی کرد، بررسی تمایل کاربران به انتشار عکس و محتوا از یک مدل گوشی خاص در بازهای مشخص میتوان نمایان گرد میزان رضایت کاربران از آن گوشی باشد که سبب پیش بینی خرید احتمالی دیگران در آینده از آن مدل گوشی باشد.

و یا نموداری که در حوزه اقتصاد و بورس به بیان میزان محتوا و یا تحلیل احساسات کاربران در یک موضوع و یا سهم خاص باشد می توان یکی از ابزار کمک کننده برای پیش بینی بازار سهم و یا اقتصاد در نظر گرفته شود چون بدون شک تمایل خرید و یا فروش کاربران و کنش های آن بر این بازار ها موثر است.

تجویز

سخت‌ترین و پیچیده‌ترین سطح تحلیل داده است، به صورتی که برای یک تجویز درست در شبکه اجتماعی بایستی، توصیف کامل از فضا، تشخیص درست و پیش بینی دقیق داشت، سوال اصلی تجویز می توان این باشد که چگونه وقایع آینده را مدیریت کنیم؟ مثلا چه اقداماتی برای بهبود تصویر یک سازمان و یا فردا در فضای مجازی باید انجام داد.

اما آنچه به عنوان هدف نهایی داده کاوی در حال حاضر مطرح است نه سطح توصیف است نه تشخیص و حتی پیش بینی ، آنچه مهم است این است که بگویی چه کنیم و به بیان بهتر راهکار مدیریت آینده چگونه است؟ مثلا اینکه تجویز کنیم در زمان رخ داد یک بحران خبری در مرود یک شخصیت و یا سازمان باید چه کرد لازم است ابتدا توصیفی از فضا شکل بگیرد، ریشه و ساختار آن تشخیص داده شود، بعد از آن مبتنی بر توصیف و تشخیص فضای آینده پیش بینی شود و در نهایت تجویز رخ دهد که حالا سازمان و یا شخص چه باید بکنند.

تجویز حوزه نزدیک به تولید محتوا دارد و در عین حال باید مبتنی بر ارزش ها و اصول هر سازمان و جامعه ای رخ دهد همچنین باید کسی تجویز کند که جدا از شناخت بر فضای مجازی فهم دقیقی از فضای حقیقی جامعه نیز داشته باشد.

از بالا به پایین سطوح، ارزش تحلیل بالاتر خواهد رفت و در مقابل پیچیدگی‌های پیاده‌سازی هم بسیار بیشتر خواهد شد. هرچند با توجه به نیاز هر مجموعه باید داده کاوی متناسب با آن سطح استفاده شود و لزوما همه جا نیاز به پیش بینی و یا تجویز نیست و در بعضی موراد توصیف کفایت می کند.

 

شما می توانید متن منتشر شده در صبح نو در تاریخ ۲۱ مرداد ۱۳۹۹ را در اینجا بخوانید

[۱] – data science

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *