كيف تساهم التحليلات الشبكية للبيانات على التعمق المعرفى

كشف التخطيط للعلاقات فيما بين الكميات الضخمة من البيانات المرتبطة ببعضها والتحليلات الشبكية للبيانات graph analytics عن المزيد من التساؤلات المهمة، وأسفر عن نتائج أكثر دقة.

مع استمرار التوسع فى البيانات ومصادرها وأنواعها، ازدادت الحاجة إلى أنواع مختلفة من التحليلات اللازمة للاستفادة من تلك البيانات. ولسوء الحظ، لا يوجد نهج واحد يناسب جميع التحليلات – أى لا توجد الحبة السحرية التى ستمد المؤسسة بالرؤية المطلوبة لتظل فى المنافسة. وقد تصدرت تحليلات الرسم البيانى ضمن قائمة المواضيع الساخنة الجديدة، ولكن إلى أى مدى؟ وما هو تأثير تكنولوجيا تحليلات الرسم البيانى على المنظمات التى تسعى إلى اكتشاف سبب الأحداث وآثارها ونتائجها على نتائج الأعمال؟

 

بدراسة كيفية تطبيق تحليلات الرسم البيانى على حل المشكلات؛ يجب توضيح كيف تختلف التحليلات الشبكية للبيانات عن التحليلات العلائقية. الأمر بكل بساطة؛ تبين التحليلات العلائقية عادةً العلاقات باستخدام العلاقة "واحد إلى واحد One-to-One" أو ربما العلاقة " واحد إلى متعدد One-to-Many". فاستخدام التحليلات العلائقية على سبيل المثال، سيُسهل فى التعرّف على شخص واحد وأصدقاءه العشرة، كما سيُسهل أيضًا العثور على أى عدد من الأفراد ومعرفة جميع أصدقاءهم. ويدرج الأفراد ذوى الاهتمام المشترك فى جدول وأصدقاءهم فى جدول آخر، لذلك يمكن إيجاد صلة بسيطة بينهما.

 

وعلى النقيض، يمكن التحليلات الشبكية للبيانات graph analytics المقارنة باستخدام العلاقة  "متعدد إلى متعدد Many-to-Many". أما فى التحليلات العلائقية، يصعب الإجابة على الأسئلة الخاصة بالمستوى الثانى من الأصدقاء "الغير مباشرين" للشخص، وهنا تتبلور أهمية التحليلات الشبكية للبيانات ؛ حيث تتيح التحليلات الشبكية للبيانات إمكانية السؤال ليس فقط عن أصدقاء شخص ما، بل وعن كل أصدقاء هؤلاء الأصدقاء أيضًا. واستنادًا على هذه الأنواع من الأسئلة؛ أتيح للباحثين فرصة اكتشاف المؤثرات الرئيسية داخل الشبكة بأكملها، وليس فقط داخل العلاقات المباشرة فى مجموعة فرعية من تلك الشبكة.

يمكن أيضًا التحليلات الشبكية للبيانات استخلاص مسارات من خلال هذه العلاقات المعقدة، لإيجاد الصلات التى لا يسهل ملاحظتها فى التحليلات العلائقية Relational Analytics. ومع ذلك، تعد التحليلات العلائقية طرق مثالية فى تحليل البيانات الثابتة المنظمة عبر الجداول والأعمدة، غير أن القدرة على فحص البيانات الخاصة عبر نماذج تحليلية مختلفة مثل: الشبكية البيانية graph ، يفيد فى البيانات الغير منظمة والمتغيرة باستمرار؛ نظرًا لأنها تمد المستخدمين بالمعلومات والسياق عن العلاقات فى الشبكات، وتقدم الرؤى القوية التى تزيد من دقة التوقعات وتحسين عمليات صنع القرار. كما إن التحليلات الشبكية للبيانات ليست بديلاً عن التحليلات العلائقية ؛ فالمنظمات دائمًا فى حاجة إليهما على حد سواء، لذا من المهم تحديد السيناريوهات الأنسب لكل منها.

 

الخوض فى الأسئلة ذات النهايات المفتوحة:

 

هناك ميزة وحيدة هى التى تجعل تحليلات البيانات تستحق الترقية عن جدارة فى مجال استكشاف البيانات. فعندما ركزت أغلب المناقشات التى أجريت عن البيانات الكبيرة حول كيفية الإجابة على سؤال معين أو تحقيق نتيجة محددة؛ ساعدت التحليلات الشبكية للبيانات graph analytics ، فى حالات عدة، على استكشاف " النتائج التى يصعب توقعها والتخطيط لها " - أى ملاحظة الأنماط فى البيانات عندما لا نعرف ما هو السؤال الصحيح بادئ ذى بدءٍ. ومن هنا يأتى دور التحليلات الشبكية للبيانات فى تيسير هذا الأمر؛ من خلال الكشف عن العلاقات الغير واضحة – أى العثور على " إبرة في كوم قش"  إن جاز التعبير. وعندما تظهر الأنماط من مجموعات البيانات المتعددة؛ نبدأ بعدها فى تكوين صورة أكثر اكتمالاً عن كل شئ يؤثر على نتائج الأعمال، ومن ثم يمكننا معالجة تلك الأشياء معالجةً صحيحة.

 

نبدأ فى هذه الطريقة بتحديد الأثر السياقى الخاص بالبيانات على الأعمال – مثلاً كيف تترابط كل عناصر البيانات التى نجمعها من عدة تطبيقات ومصادر (مثل CRM إدارة العلاقات مع العملاء، و ERP تخطيط موارد الشركة، والبرمجيات والخدمات اللوجستية، والمبيعات، وإنترنت الأشياء IoT، والطقس، والحكومة، ووسائل التواصل الاجتماعى، وما إلى ذلك) مع العمل وتؤثر عليه. أى يمكننا على وجه الخصوص التعرف على مدى تأثير الأحداث على العمل وعلاقاتها به. مع العلم، إنه لا يمكن لأحد أن يقوم بهذا النوع من الاتصالات التى يمكن اكتشافها عبر التحليلات الشبكية للبيانات تلقائيًا؛ فهى تطبيق عملى " لنظرية الفوضى Chaos Theory " التى اشتهرت فى فيلم وكتاب حديقة الديناصورات: فمثلاً إذا أمكن لفراشة فى أمريكا الجنوبية أن تتسبب فى حدوث إعصار فى ولاية فلوريدا، فإنك لن تستدل على ذلك أبدًا، إلا إذا كنت تستخدم التحليلات الشبكية للبيانات فى فحص العلاقات الواقعة بينهما التى لا تعد ولا تحصى.

ما الذى يمكن لتحليلات الشبكية للبيانات إنجازه عن الطرق التحليلية الأخرى؟ بناءً على نظرية المخططات الرياضية  Graph theory ؛ تشكّل التحليلات الشبكية للبيانات قوة العلاقات داخل نظام معين واتجاهها، كما يمكن التحليلات الشبكية للبيانات البيانى ليس فقط فى الكشف عن وجود علاقة، ولكن أيضًا لتحديد طبيعة تلك العلاقة ومدى أهميتها داخل النظام الكلى.

 

تطبيقات خاصة بتحليل الرسم البيانى:

 

يمكن استخدام الرسوم البيانية فى تكوين كل أنواع العلاقات والعمليات في جميع أنواع الأنظمة؛ حيث يمكن استخدام تحليلات الرسم البيانى فى الأنظمة الاجتماعية أو المعلوماتية مثلاً فى مقارنة بيانات التجارة المالية مع البيانات الاجتماعية والجغرافية وغيرها، أو فى إيجاد أنماط عبر مجموعات مختلفة من البيانات التى تشير إلى دلائل على حدوث الهجمات الإلكترونية. بالإضافة إلى ذلك، يمكن تطبيق تحليلات الرسم البيانى على وسائل التواصل الاجتماعى لإثراء وجهة نظر العملاء عن الأنماط والعلاقات، أو للكشف عن أنماط فى التبليغات التى قد تشير إلى وجود تهديد يمس الدفاع الوطنى.

 

أما فى الأنظمة البيولوجية؛  قد تظهر التحليلات الشبكية للبيانات graph analytics معالجات جديدة أكثر فاعلية عن طريق تحليل العلاقات فى البروتينات، والسبل الكيميائية، والحمض النووى DNA، والخلايا، والأعضاء، وأيضًا معرفة مدى تأثر تلك المعالجات بمجموعات من خيارات نمط الحياة والأدوية. فإذا كان هناك بالفعل علاج لمرض السرطان؛ سوف تقوم تحليلات الرسم البيانى بلا شك بدورًا حاسمًا فى اكتشاف هذا العلاج.

 

رغم العدد اللامتناهى من تطبيقات التحليلات الشبكية للبيانات graph analytics ، إلا أن هناك عدد قليل من الطرق الشائعة التى يمكننا بواسطتها تسجيل هذه الأساليب؛ حيث يمكنك استخدام تقنيات الرسم البيانى فى تحديد "المركزيات centralities" مثل: الأشياء أو الأحداث التى تقع فى قاعدة الأنماط أو الأحداث المحيطة الأخرى. وفى وسائل التواصل الاجتماعى؛ فإن تحليلات الرسم البيانى بطبيعة الحال تتمتع بتطبيقٍ هائلٍ يستخدم فى إيجاد "المؤثرين" – وهم الأفراد اللذين يكوّنون الاتجاهات وتشكيل الآراء التى تؤثر على العلامة التجارية الخاصة بك.

 

كما يفيد التطبيق الثانى من التحليلات الشبكية للبيانات فى تحديد الارتباطات بين اثنين من الأشياء أو أكثر. ومن الأمثلة على ذلك فى مجال صناعة علوم الحياة هى دمج البروتينات مع بعض الأدوية والسبل الكيميائية فى بحوث الأمراض، أو قد يفيد فى مجال الخدمات المالية فى إظهار المؤشرات الأولى  لظهور هجمات قراصنة الكمبيوتر، ومن ثم يمكن الوقاية منها.

 

هناك أيضًا التطبيق الرئيسى الثالث من تحليلات الرسم البيانى يقوم بتحديد الجماعات التى تتمحور حول موضوع معين. فعلى سبيل المثال، قد يهتم مكتب التحقيقات الفيدرالى بالتعرف على مجموعة من الأشخاص اللذين يتواصلون حول صنع القنابل. وهناك مثالاً أكثر لطفافة وهو إمكانية تحديد مجموعات من الأفراد المهتمين بموسيقى البولكا (وبالتالى يمكنك أن تبتاع لهم ملابس يديرهوسين lederhosen التنكرية).

 

أنت تستخدم بالفعل تحليلات الرسم البيانى:

 

أصبحت تكنولوجيا التحليلات الشبكية للبيانات جزءً من حياتنا اليومية، بجانب استخدامها في الحكومة والعلوم؛ حيث ساعدنا موقع فايسبوك ولينكيد إن على سبيل المثال فى إجراء اتصالات تقوم على علاقات كشفت عنها تقنية الرسم البيانى. ولأن الشبكات الاجتماعية فى مجملها تقوم على العلاقات؛ فلا داعٍ للدهشة عندما ترى تحليلات الرسم البيانى تقوم بدورًا رئيسيًا يساعدنا على فهم مجموعات البيانات الضخمة الغير منظمة التى تنتجها وسائل التواصل الاجتماعى.

 

ربما يفسر ذلك سبب حرص الشركات على تطبيق تكنولوجيا الرسم البيانى؛ وهو السعى وراء معرفة أصحاب النفوذ الاجتماعى ودائرة أتباعهم التى تؤثر على علاماتهم التجارية تأثيرًا كبيرًا. كما يمكن أيضًا لتحليلات الرسم البيانى مساعدة الشركات على معرفة كيفية ربط بعض الاهتمامات الخاصة على الشبكات الاجتماعية بمصلحة منتجاتهم. فعلى سبيل المثال، هل يتداخل اهتمام مشترك حول فنان موسيقى معين مع الإقبال على نوع معين من شاحنات البيك أب (سيارات نصف النقل) ؟ لذا، تهتم شركات مثل فورد وجنرال موتورز بالتأكيد بالتحقق فى هذا الأمر.

 

بالنظر فى فوائد التحليلات الشبكية للبيانات graph analytics على المدى البعيد، قد تتسائل معللاً لماذا لم يتم تطبيق تكنولوجيا الرسم البيانى على نطاق واسع، ولماذا بدأنا فى الآونة الأخيرة فقط النظر فى المناقشات الموضوعية التى أجريت حول هذا الموضوع. هناك عدد قليل من الأسباب أكبرها هو أن تحليلات الرسم البيانى الفعّالة تتطلب القدرة على تحليل مجموعات كبيرة جدًا من البيانات الشديدة التنوع، فى الوقت الآنى على الأغلب، وحتى الآن، تنقص عروض تحليلات الرسم البيانى السرعة، والسعة، وسهولة الاستخدام، والانفتاح المطلوب لمقابلة احتياجات العالم الحقيقى – وهى القدرات التى أصبحت  متاحة إلى حد كبير فى الآونة الأخيرة فقط، بفضل تكنولوجيا السحابة والمصادر المفتوحة.

 

وكنتيجة لذلك، هناك بعض الأسئلة التى تحتاج المنظمات أن تضعها فى الحسبان عندما تبدأ فى دراسة استخدام التحليلات الشبكية للبيانات graph analytics  . مثلاً هل تقديم النهج سيؤدى إلى السرعة والسعة المطلوبين لإحداث فرقًا؟ وهل يمكنه التعامل مع أنواع البيانات المختلفة وأحجامها المتزايدة باستمرار دون تكلفة باهظة؟ وأخيرًا، ما مدى كفاءته فى تعامله مع الأنواع الأخرى من المخرجات التحليلية؟

 

إن القدرة على استخلاص معلومات كافية للتدخل من البيانات سوف يعتمد إلى حد كبير على مرونة المنصات التى تستخدمها، وذلك بالنسبة للشركات؛ فالتحليلات الشبكية للبيانات graph analytics  لا تزال عنصرًا واحدًا فقط فى بوتقة التحليلات، وسوف تعتمد قيمتها اعتمادًا ملحوظًا على القدرة على تقديم الرؤى فى الوقت المناسب لمؤسستك التى كانت قبل ذلك غير قابلة للاكتشاف.

 

 يدير مايكل هوسكينز Michael Hoskins المدير التنفيذى لتقنية المعلومات CTO فى شركة أكتيان Actian استراتيجيات الابتكار التكنولوجى Actian والتبشير بالتغيير الجذرى فى مسارات البيانات الكبيرة، والتحليلات، ومنصات هادوب Hadoop، والسحابة. وقد تلقى مايك جائزة من جمعية أوستن AITP عن أفضل أخصائى تكنولوجيا فى العام لتزعمه تطوير عملية تدفق البيانات فى شركة Actian، وهو إطار عمل يضاهى إلى حد كبير أهمية تكنولوجيا المعالج (وحدة التحكم المركزية CPU) ذو الأنوية المتعددة Multi- core.

كتبه: مايك هوسكينز Mike Hoskin