قریباً چهار سال از زمانی که مارک اندرسن کارآفرین و سرمایه گذار مدعی شد، نرم‌افزار تمام دنیا را دربرگرفته، سپری شده است و نشانه‌های این پدیده همه جا نمایان است. شرکت‌ها، صنایع (از خدمات مالی گرفته تا کشاورزی) و تبلیغات همگی تغییرات گسترده‌ای را تجربه می‌کنند.
امروزه، ابزارهای تحلیل با کاربرد آسان به صورت روزافزونی رواج پیدا می‌کنند و توانایی‌های هوش‌تجاری غیرقابل تصوری را در اختیار کاربران روبه‌رشد قرار می‌دهند.
برد پیترز، مؤسس و رئیس هیئت‌مدیره Birst، ارائه‌کننده خدمات ابری هوش‌تجاری و تجزیه‌وتحلیل در این زمینه می‌گوید: “در گذشته تحلیل‌ها توسط عده اندکی از افراد -جهت تصمیم‌گیری‌های هوشمندانه‌تر- به‌کار می‌رفت.”
امروزه سازمان‌ها متوجه فرصت ارائه داده‌های بیشتر به خط مقدم، جهت فراهم آوردن امکان تحلیل به تمام کاربران شده‌اند. پیترز می‌گوید: “این نیرویی است که باعث عدم تمرکز شده و می‌تواند به تصمیمات هوشمندانه‌تر، سریع‌تر و مؤثرتری بیانجامد.”
از نظر کیرک بورن دانشمند داده‌کاوی و پروفسور دانشگاه George Mason، عامل دیگری که در این روند سهیم است، کمبود دانشمندان ماهر داده‌کاوی می‌باشد.
در کل، به نظر می‌آید که ابزارهای تحلیل داده به طور روزافزونی در هر جا که نرم‌افزارهای سازمانی وجود دارند، سر برمی‌آورند. فقط باید دید که آیا این واقعه مثبت است؟
فرانکویس آنستات، معاون مدیریت محصول Tableau در این زمینه می‌گوید:” با قرار دادن داده در دست کسانی که آنها را بهتر می‌شناسند، IT می‌تواند روی مدیریت داده، امنیت، زیرساخت، اکتساب داده، نگهداری داده و پشتیبانی تمرکز کند تا به کارهایی مثل گزارش‌دهی یا نوشتن کوئری بپردازد. بهترین بصیرت توسط داشبوردهای کاربری به دست می‌آید که روی زیرساخت تحت مدیریت IT کار می‌کنند.”
از سوی دیگر، بسیاری از این ابزارها مجهز به قابلیت‌های تحلیلی بسیار توانمندی می‌باشند و معلوم نیست که توسط کارکنانی که درباره جزئیات تحلیل‌های در دست انجام، آموزش ندیده‌اند استفاده خواهند شد یا خیر.
بورن می‌گوید: “قطعاً نگرانم از اینکه ابزار مناسب در دست افراد نامناسب، ممکن است منجر به بروز مشکلاتی شود. در بهترین حالت، این منتج به نتایجی می‌شود که قابل درک، قابل تفسیر و معنادار نیستند؛ در بدترین حالت، این امر به نتایج کاملاً نادرستی منجر می‌گردد”.
وی خاطر نشان می‌کند که برای نمونه، عدم اطلاع از اینکه روش‌های تحلیلی مشخص نیاز به انواع خاصی از داده‌ها یا تبدیلات داده دارند، نتایج بی‌فایده و هدر رفتن تلاش‌ها را به دنبال خواهد داشت.
پیترز از شرکت Birst بر اهمیت آموزش کاربر و حاکمیت شرکتی به منظور کسب اطمینان از استفاده درست از ابزارها تأکید می‌کند.
این احتمال نیز وجود دارد که ریسک استفاده نادرست، بیشتر از ریسک مرتبط با ابزارهای هوش تجاری نباشد. ایجینستات از شرکت Tableau می‌گوید: “همیشه امکان دارد که یک فرد تصمیمی را بر مبنای داده‌های بد یا یک فرض بد اتخاذ نماید.”
بورن می گوید: “همچنین، بعید است که تحلیلگران دگراندیش در موقعیت‌هایی که در آنها کاربر نهایی به درستی آموزش ندیده و در زمینه بهترین روش ممکن فاقد تجربه است، به موفقیت برسند. به نظر من یک فرد فاقد تحصیلات رسمی در زمینه تجزیه و تحلیل، لیکن با سواد داده‌ای، حساب، کنجکاوی و مهارت‌های خوب حل مسئله، کفایت خواهد کرد، اما تنها بعد از آموزش‌های ویژه”.
گسترش علوم تحلیلی می‌تواند به مرور زمان بیشتر شود. APIهای تجزیه‌وتحلیل و جعبه ابزارهای دگراندیشانه، به طور خاص، به کارآفرینان اینترنت‌اشیاء، استارتاپ‌ها و مبتکران و همچنین به متصدیان بزرگی که، به گفته بورن، “ارزش را در راهکارهای سازمانی در مقایسه با راهکارهای گران‌قیمت، درون سازمانی، سفارشی‌سازی شده و راهکارهای که به شدت نیازمند R&D هستند می‌بینند”، به طرز چشمگیری فروخته خواهند شد.
وی پیش‌بینی نمود که در واقع، واحدهای تجاری به تدریج شروع به خودکارسازی قابلیت‌های تحلیلی سطح بالای هر چه بیشتری خواهند کرد و مداخله انسانی در آنها به تدریج کاهش خواهد یافت.
گرگوری پیاتسکی-شاپیرو، مدیر و سردبیر سایت KDnuggets.com -که بر علوم تحلیلی متمرکز است- نیز دیدگاه مشابهی دارد. وی می‌گوید که علوم تحلیلی خودکارسازی و تعبیه شده به طرز فزاینده‌ای فراگیر خواهد شد و در نهایت منتهی به استفاده بیشتری از هوش مصنوعی و یادگیری ماشینی می‌شود. به عنوان بخشی از این کاهش تدریجی مداخله انسانی، برخی از حرفه‌ها به طور خاص ممکن است در معرض ریسک باشند، از جمله وکلا، حسابداران، بازاریابان و مشاوران مالی.
خبرنگاران نیز در لیست پیاتتسکی-شاپیرو بودند، هرچند که وی یک قوت قلب موقتی در این باره داد. وی گفت: “کامپیوترها می‌توانند از داده‌ها برای تولید مطالب استفاده نمایند. این را می پسندید؟ هنوز نه.”
