داده سازی

داده سازی (انگلیسی : Datafication) یک گرایش و روند تکنولوژیکی است که بسیاری از بخش ها و جنبه های زندگی ما را به داده تبدیل میکند که بعد ها به اطلاعاتی که به شکل جدیدی از مقدار (داده) میرسد , منتقل میشود. کنت کوکیر و ویکتور مایر شونبرگر در سال 2013 برای اصطلاح داده سازی فرهنگ لغت وسیع تری معرفی کردند. تا ان زمان، داده‌سازی با تجزیه و تحلیل هایی که از نوع و شکل زندگی ما (که از طریق داده‌ها) گرفته شده بود ، همراه بود، اما نه در مقیاس کنونی. این تغییر در درجه اول پیش بینی میشود که به دلیل تأثیر کلان داده ها (Big Data) و فرصت های محاسباتی ارائه شده در تجزیه و تحلیل ها باشد .

داده‌سازی که دنباله‌ای از یک و صفری که رایانه‌ها می‌توانند بخوانند را میگیرد و آن را به اطلاعات دیجیتال تبدیل می‌کند, با دیجیتالی‌سازی که محتوای آنالوگ (کتاب، فیلم، عکس) را می‌گیرد و آن را به اطلاعات دیجیتال تبدیل می‌کند، یکسان نیست. داده‌سازی یک فعالیت بسیار گسترده‌تر است: گرفتن تمامی جنبه‌های زندگی و تبدیل آنها به داده و... هنگامی که چیزی را داده‌سازی کردیم، می‌توانیم ذات آنها را تغییر دهیم و اطلاعات را به اشکال جدیدی از مقدار (ارزش یا داده) تبدیل کنیم

یک جنبه ی باورشناسی (ایدئولوژیکی) از داده سازی وجود دارد که داده گرایی نامیده میشود : "هدف از داده سازی این است که داده‌ها توانایی بهتری ( گاهی اوقات حتی بهتر و به‌طور عینی‌تر ) از تفسیرهایی که پیش از عصر دیجیتال ( دوره ی انسانی ) میشد در نمایش زندگی اجتماعی دارند ."

مثال ها

از جمله مثال های استفاده از داده سازی در شبکه های اجتماعی میتوان به استفاده از ان در توییتر که چگونه افکار ما را (هنگام جستجوی واژه ای) نشان میدهد یا استفاده از ان در لینکدین چگونه منابع انسانی را داده سازی و دسته بندی میکند, اشاره کرد.

نمونه‌های دیگر متنوعی وجود دارند که شامل جنبه‌هایی از محیط ساخته شده و طراحی می‌شوند. این طراحی‌ها می‌توانند از طریق مهندسی یا ابزارهای دیگر انجام شوند. این ابزارها داده‌ها را به نتایج فیزیکی (مثل فرم‌ها، عملکردها یا نتایج دیگر) مرتبط می‌کنند. یک مثال مشخص، جمع‌آوری و پردازش داده‌ها برای بهینه‌سازی کنترل (برای مثال بهینه‌سازی شکل و ساختار) است.

تاثیر ها و کاربرد ها

منابع انسانی

داده‌هایی که از طریق تلفن‌های همراه، برنامه‌ها یا با استفاده از رسانه‌های اجتماعی به‌دست‌آمده برای شناسایی کارکنان با پتانسیل بالا و ویژگی‌های خاص آن‌ها مانند مشخصات ریسک‌پذیری و شخصیت ان ها استفاده می‌شود. این داده ها جایگزین تست های شخصیت خواهند شد. به جای استفاده از آزمون‌های شخصیتی سنتی یا آزمون‌هایی که تفکر تحلیلی را اندازه‌گیری می‌کنند، استفاده از داده‌های به‌دست‌آمده از طریق داده‌سازی، رویکردهای جدیدی را در این زمینه به وجود می اورد و باعث تحول در نحوه ارائه آزمون‌ها می شود. همچنین، با این داده ها، معیارهای شخصیتی جدیدی ایجاد خواهد شد.

بیمه و بانک

اطلاعات و داده‌های مختلف مربوط به یک فرد (مانند سابقه مالی، تاریخچه اعتباری، رفتار خرید، درآمد و غیره) استفاده می‌شوند تا مشخص شود که آن فرد چقدر ریسک (برای مثال احتمال خودداری از بازپرداخت وام) دارد و چقدر احتمال دارد که وام را به موقع و به طور کامل بازپرداخت کند. این اطلاعات به بانک‌ها و مؤسسات مالی کمک می‌کند تا تصمیمات بهتری در مورد اعطای وام بگیرند.

مدیریت ارتباط با مشتری

صنایع مختلف از داده سازی برای درک بهتر مشتریان خود و ایجاد زمینه های مناسب بر اساس شخصیت و رفتار هر مشتری استفاده می کنند. این داده ها از زبان و لحنی که شخص در ایمیل ها، تماس های تلفنی یا رسانه های اجتماعی استفاده می کند، به دست می آید.

شهر هوشمند

از طریق داده‌های به‌دست‌آمده از حسگرهایی که در شهر هوشمند نصب می‌شوند، ممکن است مشکلاتی که ممکن است در حوزه‌هایی مانند حمل‌ونقل، مدیریت زباله، تدارکات و انرژی به وجود بیایند، مورد توجه قرار بگیرند و با آنها مقابله شود. با کمک داده‌های بی‌درنگ، مسافران می‌توانند مسیرهای خود را در صورت وجود ترافیک تغییر دهند. با حسگرهایی که می توانند کیفیت هوا و آب را اندازه گیری کنند، شهرها نه تنها می توانند درک دقیق تری از سطوح آلودگی به دست آورند، بلکه ممکن است کمک کنند تا مقررات زیست محیطی جدیدی را بر اساس داده های بی درنگ (که بروز هستند و در لحظه ای از زمان منتشر شدند) وضع کنند.

منابع

1. Newell, Sue; Marabelli, Marco (2015). "Strategic opportunities (and challenges) of algorithmic decision-making: A call for action on the long-term societal effects of 'datification'". Journal of Strategic Information Systems. 24 (1): 3–14. doi:10.1016/j.jsis.2015.02.001. S2CID 20948367. Retrieved November 1, 2022.
2. Cukier, Kenneth; Mayer-Schönberger, Viktor (2013). "The Rise of Big Data". Foreign Affairs (May/June): 35. Retrieved 24 January 2014.
3. O'Neil, Cathy; Schutt, Rachel (2013). Doing Data Science. O’Reilly Media. p. 406. ISBN 978-1-4493-5865-5.
4. Biltgen, Patrick; Ryan, Stephen (1 January 2016). Activity-Based Intelligence: Principles and Applications (1 ed.). Norwood, MA: Artech House. p. 151. ISBN 978-1-60807-876-9. Retrieved 6 May 2017
5. Hintz, Arne (2019). Digital citizenship in a datafied society. Lina Dencik, Karin Wahl-Jorgensen. Cambridge, UK. p. 41. ISBN 978-1-5095-2716-8. OCLC 1028901550.
6. Moore, Melissa. "Turning Personality Into Data". Mattersight, The Chemistry of Conversation. Mattersight Corporation. Archived from the original on 11 November 2017. Retrieved 5 May 2017.
7. . "Amsterdam Smart City ~ Climate Street". Archived from the original on 30 May 2015. Retrieved 30 May 2015.