چرا بزرگ داده‌ها خاستگاه‌ تحقیق در عملیات هستند؟

یکی از مشکلات این است که بسیاری از واحدها و بخش‌هایی که روزگاری به عنوان یک مولفه کوچک در سازمانی مشغول به کار بودند، اکنون به نهادی بزرگ تبدیل شده‌اند و سیستم‌های ارزشی و ارزش‌گذاری خاص خود را پدید آورده‌اند و عدم توجه به این نکته که چگونه فعالیت‌ها و اهداف هر مجموعه را باید با یکدیگر متمرکز کرد گاهی اوقات ضررهای جبران‌ناپذیری به سازمان‌ها وارد می‌کند. به‌طور مثال، آن چیزی که بهترین نتیجه را برای یک واحد محسوب می‌شود، ممکن است برای واحد دیگری مضر باشد و در نتیجه گاهی اوقات ممکن است مولفه‌ها (واحدها) به دنبال تحقق اهدافی باشند که مغایرات کامل با اهداف دیگر بخش‌ها دارد. با افزایش پیچیدگی و ظهور تخصص‌های جدید در یک سازمان، تخصیص منابع موجود به فعالیت‌های مختلف به گونه‌ای که برای کل سازمان مؤثر باشد، روز‌به‌روز دشوارتر می‌شود. این نوع مشکلات و نیاز به یافتن راهکاری مناسب، زمینه را برای ظهور و شکل‌گیری دانش و موقعیت شغلی جدیدی به‌نام تحقیق در عملیات (Operations Research) پدید آورد. رویکردی که به‌طور کامل مبتنی بر کلان داده‌ها است، هرچند بخش عمده‌ای از افراد شاغل در این زمینه از این موضوع مطلع نیستند. بنابراین، اگر کارشناس تحقیق در عملیات هستید یا قصد ورود به این حوزه را دارید باید بدانید که حوزه کاری شما به‌طور کامل مرتبط با کلان داده‌ها است، هرچند در ظاهر این‌گونه به نظر نرسد. 

ریشه‌های شکل‌گیری OR به چند دهه قبل باز می‌گردد، هنگامی‌که سازمان‌های بزرگ تلاش کردند برای پیشبرد اهداف تجاری و مدیریت دقیق فعالیت‌های تجاری از یک رویکرد علمی استفاده کنند. با این حال، منشا پیدایش مفهومی به‌نام تحقیق در عملیات همانند فناوری‌های بزرگی مثل اینترنت، ریشه نظامی دارد. به اعتقاد برخی از کارشناسان ریشه پیدایش این علم به اوایل جنگ جهانی دوم باز می‌گردد. ارتش‌ها به دنبال موفقیت در جنگ بودند و به همین دلیل نیاز فوری به تخصیص منابع کمیاب به عملیات مختلف نظامی و فعالیت‌های هر واحد عملیاتی به شیوه‌ای مؤثر به یک ضرورت تبدیل شده بود. بنابراین، فرماندهان نظامی از دانشمندان خواستند تا رویکردی علمی برای مقابله با این مشکل و سایر مشکلات استراتژیک و تاکتیکی ارایه کنند. در واقع از آن‌ها خواسته شد تا در مورد عملیات (نظامی) تحقیق کنند. این تیم‌های علمی متشکل از دانشمندانی بود که گاهی اوقات تیم‌های تحقیقاتی عملیات نامیده می‌شدند. این تیم‌ها با توسعه روش‌های موثر استفاده از ابزارهای جدید مثل رادار در میادین پیروزی‌های چشم‌گیری برای ارتش‌ها به ارمغان ‌آورند. 

هنگامی که جنگ‌ جهانی دوم به پایان رسید، موفقیت OR در میادین جنگی باعث شد تا سازمان‌های بزرگ تجاری به این مفهوم علاقه‌مند شوند. با رونق صنعت پس از پایان جنگ جهانی دوم، مشکلات ناشی از پیچیدگی روزافزون مدیریتی و تخصص در سازمان‌ها به یکباره خود را نشان دادند. برای تعداد فزاینده‌ای از مردم از جمله مشاوران تجاری که در طول جنگ در تیم‌های OR یا با آن‌ها در تعامل بودند، آشکار شد که تمامی مشکلات تجاری، اساسا همان مشکلاتی هستند که ارتش‌ها با آن‌ها روبرو بودند، اما در ساختار و زمینه‌ای متفاوت خود را نشان داده‌اند. در اوایل دهه 1950، این افراد استفاده از OR را به سازمان‌های مختلف تجاری، صنعتی، واحدهای پژوهشی و دولت‌ها پیشنهاد دادند. به فاصله کوتاهی OR مورد توجه مدیران ارشد سازمان‌ها قرار گرفت. 

عواملی کلیدی موثر بر گسترش مفهوم تحقیق در عملیات 

عواملی مختلفی در موفقیت این علم تاثیرگذار بودند، اما دو عامل نقش بیشتری در این زمینه داشتند که قابل بررسی هستند. اولین عامل تاثیرگذار در این زمینه موفقیت‌های چشم‌گیر تکنیک‌های OR در سازمان‌ها بود، زیرا پس از جنگ، دانشمندانی که در تیم‌های OR عهده‌دار سمتی بودند انگیزه پیدا کردند که همین فرایند را در مقیاس تجاری دنبال کنند. یک مثال بارز روش سیمپلکس (Simplex) برای حل مسائل برنامه‌ریزی خطی است که توسط جورج دانتسیگ در سال 1947 ابداع شد. برخی از ابزارهای استاندارد OR، مانند برنامه‌ریزی خطی، برنامه‌نویسی پویا، نظریه صف و نظریه موجودی (inventory theory) قبل از گسترش همه‌جانبه OR به خوبی توسعه یافته بودند. 

عامل دومی که زمینه‌ساز گسترش این علم شد، انقلاب کامپیوترها بود. به‌طور معمول، برای آن‌که بتوانید عملیات تحقیق را به شکل درستی انجام دهید به محاسبات زیاد و حل مسائل پیچیده نیاز دارید. انجام این کار به شیوه سنتی (محاسبات ذهنی و پر کردن صفحات کاغذی) چندان کارساز نبود. توسعه رایانه‌های دیجیتال الکترونیکی با توانایی انجام محاسبات دقیق که میلیون‌ها بار سریع‌تر از انسان‌ها محاسبات را انجام می‌دهند خود عامل مهمی در موفقیت OR بود. در دهه 1980 میلادی که روند توسعه رایانه‌های شخصی شتاب بیشتری به خود گرفت و سخت‌افزارهای قدرتمندی همراه با نرم‌افزارهای کاربردی خوب برای OR به میدان آمدند مفهوم واحد تحقیق و توسعه ساختار بهتری پیدا کرد. به‌طوری که افراد بیشتری قادر به انجام کارهای تحقیقاتی بودند، به‌طوری که این روند در دهه 1990 و در قرن بیست و یکم شتاب بیشتری به خود گرفت. یکی از مهم‌ترین و کاربردی‌ترین نرم‌افزارها در این زمینه اکسل مایکروسافت است که ایده‌آل‌ترین گزینه برای انجام کارهای محاسباتی و تحقیقاتی است. جالب آن‌که تسلط بر این نرم‌افزار در برخی مشاغل داده‌محور یکی از پیش‌نیازهای مهم جذب افراد است. امروزه به معنای واقعی کلمه میلیون‌ها نفر به نرم‌افزارهای مرتبط با OR دسترسی دارند و علاوه بر این، برای حل مسائل و انجام کارهای تحقیقاتی در ابعاد بزرگ به انواع مختلفی از سیستم‌های محاسباتی دسترسی دارند. 

پیشرفت‌ها در این زمینه باعث شد تا علم دیگری به‌نام روش‌شناسی توسعه بیشتری پیدا کند. روش‌شناسی در مفهوم مطلق خود به روش‌هایی گفته می‌شود که برای رسیدن به شناخت علمی از آن‌ها استفاده می‌شود. با این‌حال، به این نکته دقت کنید که روش‌های شناخت را باید از روش‌ها و فنون اجرای آن‌ها متمایز دانست، زیرا اجرای هر قاعده پس از شناخت آن قاعده ممکن می‌شود. امروزه این رشته به اندازه‌ای پیشرفت کرده که باعث ظهور کاربردهای فوق‌العاده جاه‌طلبانه‌ای شده است که شاید دو دهه پیش به سختی قابل تصور بودند. به‌طور مثال، پیشرفت‌های مداوم در حوزه OR باعث پدید آمدن مفهومی به‌نام تجزیه و تحلیل داده‌ها شدند که گاهی اوقات علم داده (Data Science) نامیده می‌شود که رویکردی جالب توجه در ارتباط با تصمیم‌گیری است، با این تفاوت که نسبت به OR خروجی غنی‌تری را ارایه می‌کند. البته تا سال 2006 میلادی تجزیه و تحلیل در مراحل ابتدایی خود قرار داشت. از کاربردهای مهم و چشم‌گیر OR که در سال‌های اخیر مورد توجه قرار گرفته باید به افزایش تولید مواد غذایی در جهان و مبارزه با سرطان اشاره کرد. 

ماهیت تحقیق در عملیات

تحقیق در عملیات برای مشکلاتی به کار می‌رود که مربوط به نحوه انجام و هماهنگی عملیات (یعنی فعالیت‌ها) در یک سازمان است. تحقیق در عملیات از رویکردی استفاده می‌کند که شبیه روش انجام تحقیقات در زمینه‌های علمی است که تا حد قابل توجهی از روش علمی برای بررسی مشکل استفاده می‌کند. (در واقع، اصطلاح علم مدیریت گاهی به عنوان مترادف برای تحقیق در عملیات استفاده می‌شود.) به ویژه، این فرآیند با مشاهده دقیق و فرمول‌بندی مسئله آغاز می‌شود که شامل جمع‌آوری تمام داده‌های مرتبط و استفاده از آن‌ها برای درک بهتر مشکل و آنچه پیش‌رو است اشاره دارد. گام بعدی در روش علمی، ساخت یک مدل علمی (معمولاً ریاضی) است که سعی در انتزاع ماهیت مسئله واقعی دارد. سپس فرض می‌شود که این مدل به اندازه کافی نمایش دقیقی از ویژگی‌های اساسی مسئله را ارایه و اجازه می‌دهد نتیجه‌گیری (راه‌حل) دلخواه در ارتباط با مسئله به دست آید. در مرحله بعد، آزمایش‌های مناسبی برای آزمایش این فرضیه، اصلاح آن در صورت نیاز و در نهایت تأیید فرضیه انجام می‌شود (این مرحله اغلب به عنوان اعتبارسنجی مدل نامیده می‌شود.). در انتها گاهی اوقات باید نتایج مثبت و قابل درک را در صورت نیاز به تصمیم‌گیرندگان ارائه کرد. 

یکی دیگر از ویژگی‌های OR دید گسترده‌ای است که ارایه می‌کند. به‌طوری که یک دیدگاه سازمانی را اتخاذ می‌کند. بنابراین، سعی می‌کند تضاد منافع بین مولفه‌های سازمان را به نحوی حل کند که برای کل سازمان بهترین نتیجه را به همراه داشته باشد. البته دقت کنید در این زمینه هدف این نیست که تحقیق به‌شکل صریح تمام جنبه‌های سازمان را مورد توجه قرار دهد، بلکه به دنبال آن است که اهداف کلی سازمان را هماهنگ با یکدیگر کند. 

رابطه بین تجزیه و تحلیل و تحقیق در عملیات

در سال‌های اخیر تجزیه و تحلیل یا تجزیه و تحلیل تجاری سر و صدای زیادی به راه انداخته است، به‌طوری که امروزه بسیاری از سازمان‌ها بر این باور هستند که گنجاندن تجزیه و تحلیل در تصمیم‌گیری مدیریتی اجتناب‌ناپذیر است. دلیل اصلی این همهمه، مجموعه‌ای از مقالات و کتاب‌های توماس اچ. داونپورت، رهبر فکری مشهور است که به صدها شرکت در سراسر جهان کمک کرده است تا شیوه‌های تجاری خود را احیا کنند. او در ابتدا مفهوم تجزیه و تحلیل را در شماره ژانویه 2006 مجله هاروارد بیزنس ریویو با مقاله‌ای به نام «رقابت در تجزیه و تحلیل» معرفی کرد که اکنون به عنوان یکی از 10 مقاله ضروری در تاریخ 90 ساله مجله به آن اشاره می‌شود. اهمیت این مقاله به اندازه‌ای زیاد بود که توسط دو ناشر، دو کتاب با عنوان‌های «رقابت در تجزیه و تحلیل: علم جدید برنده شدن» و «تجزیه و تحلیل در کار: تصمیمات هوشمندتر، نتایج بهتر» منتشر شد و به‌طور کامل در این کتاب‌ها از مقاله داونپورت استفاده شد. با این توصیف، پرسشی که مطرح می‌شود این است که اساسا تجزیه و تحلیل چیست؟ برخلاف تحقیق در عملیات، تجزیه و تحلیل یک رشته منفرد با مجموعه تکنیک‌های کاملاً تعریف شده مخصوص این علم شناخته نمی‌شود. در نقطه مقابل، تجزیه و تحلیل شامل تمام علوم تصمیم‌گیری کمی است. انواع سنتی علوم تصمیم‌گیری کمی شامل ریاضیات، آمار، علوم کامپیوتر و تحقیقات عملیاتی هستند و در کنار آن‌ها انواع دیگر علوم تصمیم‌گیری کمی مثل فناوری اطلاعات، تجزیه و تحلیل کسب و کار، مهندسی صنایع، علوم مدیریت و غیره نیز وجود دارند. یکی دیگر از مولفه‌های اصلی تجزیه و تحلیل ماهیتی است که امروزه علم داده نامیده می‌شود که خود به شدت متاثر از آمار و علوم کامپیوتری است تا متخصصان قابلیت درک حجم زیادی از داده‌ها را داشته باشند و در عین حال از ظرفیت‌های بالقوه محاسباتی نیز بهره ببرند. 

به‌طور معمول، تیم تجزیه و تحلیل یک شرکت ممکن است شامل اعضایی با عناوینی مثل ریاضیدان، آماردان، دانشمند کامپیوتر، دانشمند داده، فناوری اطلاعات، تحلیل‌گر تجاری، مهندس صنایع، دانشمند داده و تحلیل‌گر تحقیقات عملیاتی باشد.

تجزیه و تحلیل در دهه گذشته تا حد زیادی به این دلیل رشد کرده که ما وارد عصر بزرگ داده‌ها شده‌ایم که در آن مقادیر انبوه داده (همراه با مقادیر عظیمی از قدرت محاسباتی) در دسترس بسیاری از مشاغل و سازمان‌ها است که در تصمیم‌گیری‌های مدیریتی به آن‌ها کمک می‌کند. امروزه داده‌ها از منابع مختلف و متنوعی مثل داده‌های تولید شده توسط کامپیوترها (نرم‌افزارها، مرورگرها، برنامه‌های شبکه‌های اجتماعی و نمونه‌های مشابه)، پیگیری وضعیت محموله‌ها، اطلاعات بخش فروش، اطلاعات زنجیره تامین، تامین‌کنندگان، مشتریان، ایمیل‌ها، ترافیک وب، شبکه‌های اجتماعی، تصاویر و ویدئوها به‌دست می‌آیند. تمرکز اصلی تجزیه و تحلیل روی این مبحث است که چگونه می‌توان از این داده‌ها به بهترین شکل استفاده کرد.

کاربرد علم تجزیه و تحلیل را می‌توان به سه گروه اصلی زیر تقسیم کرد: 

• گروه اول، تجزیه و تحلیل توصیفی (Descriptive analytics):  تجزیه و تحلیل داده‌ها برای شرح آن‌چه در گذشته اتفاق افتاده و آن‌چه در زمان حال اتفاق می‌افتد.
• گروه دوم، تجزیه و تحلیل پیش‌بینی‌کننده (Predictive analytics): استفاده از مدل‌ها برای پیش‌بینی آن‌چه احتمال دارد در آینده اتفاق افتد. 
• گروه سوم، تجزیه و تحلیل تجویزی (Prescriptive analytics): استفاده از مدل‌های تصمیم‌گیری از جمله مدل‌های بهینه‌سازی، برای اتخاذ یا مشاوره در ارتباط با تصمیمات مدیریتی. 

تجزیه و تحلیل توصیفی

اولین دسته، تجزیه و تحلیل توصیفی، نیازمند پردازش حجم عظیمی از داده‌ها یا همان بزرگ داده‌ها است. فناوری اطلاعات برای ذخیره و دسترسی به داده‌های تاریخی آن‌چه در گذشته اتفاق افتاده و همچنین برای ثبت آن‌چه اکنون در حال وقوع است استفاده می‌شود. در ادامه تجزیه و تحلیل توصیفی از تکنیک‌های نوآورانه برای مکان‌یابی داده‌های مربوطه و شناسایی الگوهای جالب و داده‌های خلاصه استفاده می‌کند تا بهتر توصیف و درک کند که چه چیزی در گذشته اتفاق افتاده یا چه چیزی در حال اتفاق افتادن است. داده‌کاوی یکی از تکنیک‌های مهمی است که برای انجام این کار در دسترس است و البته بیشتر برای تحلیل‌های پیش‌گویانه استفاده می‌شود. هوش تجاری نام دیگری است که گاهی برای تجزیه و تحلیل توصیفی و پیش‌گویانه استفاده می‌‌شود.

 تجزیه و تحلیل پیش‌گویانه

تجزیه و تحلیل پیش‌گویانه شامل استفاده از مدل‌های آماری برای پیش‌بینی رویدادها یا روندهای آینده است. شبیه‌سازی یکی از مباحث مرتبط با این گروه است که می‌تواند برای نشان دادن رویدادهای آینده مفید باشد. با این‌حال، علاوه بر داده‌کاوی، انواع دیگری از تکنیک‌های مهم مبتنی بر داده نیز برای پیش‌بینی رویدادها یا روندهای آینده استفاده می‌شود. متخصصانی که در زمینه تجزیه و تحلیل بزرگ داده‌ها با رویکرد تحلیل پیش‌گویانه آموزش دید‌ه‌اند دانشمندان داده نامیده می‌شوند. از آن‌جایی که برخی از روش‌های تجزیه و تحلیل پیش‌گویانه پیچیده هستند، خروجی این دسته ارزش بیشتری نسبت به حالت اول دارد. 

تجزیه و تحلیل تجویزی

تجزیه و تحلیل تجویزی آخرین و پیشرفته‌ترین دسته است که شامل به‌کارگیری مدل‌های تصمیم‌گیری و استفاده از داده‌ها برای تجویز یا به عبارت دقیق‌تر ارایه پیش‌بینی در ارتباط با آینده است. 

کلام آخر

لازم به توضیح است که برخی از اصطلاحات سنتی زیربنایی تجزیه و تحلیل مثل تحلیل توصیفی، پیش‌گویانه، تجویزی، علم داده، دانشمند داده و غیره که شالوده فناوری‌های نوپا را شکل داده‌اند در مدت زمان کوتاهی موفق به ایجاد نوآوری در صنعت تحقیق و توسعه شدند. تحلیل‌گران تحقیق در عملیات اغلب با هر سه گروه از تجزیه و تحلیل شرح داده شده سر و کار دارند. تحلیل‌گران تحقیق عملیات برای انجام امور باید برخی از تجزیه و تحلیل‌های توصیفی را انجام دهند تا درک درستی از داده‌ها به دست آورند. علاوه بر این، آن‌ها اغلب نیاز به انجام برخی تحلیل‌های پیش‌گویانه دارند که برای این منظور ممکن است از تکنیک‌های آماری استاندارد مانند روش‌های پیش‌گویانه یا تکنیک‌های استاندارد OR مانند شبیه‌سازی استفاده کنند تا درک درستی از آن‌چه در آینده اتفاق می‌افتد به دست آورند. همچنین، به تخصص ویژه‌ای برای انجام تجزیه و تحلیل تجویزی با استفاده از تکنیک‌های قدرتمند OR دارند.

هنگام مقایسه تحلیل‌گران OR و متخصصان تجزیه و تحلیل این متخصصان تجزیه و تحلیل هستند که معمولاً در حوزه تجزیه و تحلیل توصیفی تخصص بیشتری دارند. آن‌ها جعبه ابزار بزرگ‌تری برای آماده‌سازی داده‌ها و ارایه تجزیه و تحلیل‌های پیش‌گویانه در اختیار دارند، هرچند تحلیل‌گران OR نیز در این زمینه‌ها تخصص دارند. تحلیل‌گران OR هنگام تجزیه و تحلیل تجویزی رهبری تیم را بر عهده می‌گیرند. بنابراین، هنگام انجام یک مطالعه کامل که مستلزم انجام هر سه نوع تجزیه و تحلیل است، یک تیم ایده‌آل شامل متخصصان تحلیل، دانشمندان داده و تحلیل‌گران OR است. با نگاهی به آینده مشاهده می‌کنیم که این دو حوزه تا حدودی با یکدیگر ادغام خواهند شد، زیرا در بیشتر موارد کارهایی که این دو گروه انجام می‌دهند هم‌پوشانی زیادی با یکدیگر دارد