Ima li Kina demokratiju? (1/2)


Demokratija, je, zapravo, primereno ime za sistem koji odaje utisak da se jednakim zakonima što važe za sve obezbeđuju jednaka prava za sve, ali izgleda da se njeni ishodi uopšte ne slažu sa njenim nazivom. Monarhija, naprotiv, ima neprijatan prizvuk, ali je najpraktičniji oblik vladanja u kojem je moguće živeti. Jer, lakše je naći jednog jedinog izvrsnog čoveka nego li mnogo njih.“ (Kasije Dion, 200 AD)

Iako uveren u suštinsku dobrotu ljudske prirode, Konfučije je bio njen najrealističniji kritičar. Znajući da su vrlina, hrabrost i kompetencija bili retka pojava, on je prvenstveno tragao za vladarima koji su “izvrsni pojedinci (muškarci)”. Ali koliko je taj prioritet kompatibilan sa demokratijom i koliko je validnih tumačenja demokratije?

Jedinstvena demokratija Švajcarske i posvećenost Singapura jedinstvenim ljudima-liderima ukazuju na to da različite demokratije mogu biti podjednako legitimne kao i da, pored toga, demokratija sama po sebi ne pruža legitimitet. Američka „Čajanka“ (Tea Party) ili, recimo, italijanski birači, sebe smatraju demokratama a svoje države nezakonitima, institucijama uljeza čijem se autoritetu mogu suprotstaviti, ignorisati ga ili izbegavati. Ovim brojnim interpretacijama demokratije moramo pridodati i konfuziju koja vlada između partija i frakcija.

Džordž Vašington je 1796. upozoravao: “Stranke oduvek služe za ometanje javnog većanja kao i osujećivanje javne administracije. Ona (demokratija) uznemirava zajednicu neosnovanim ljubomorama i lažnim uzbunama, izazivajući neprijateljstvo jednog dela stanovništva prema drugom, podstičući povremene nemire i pobune. Ona otvara vrata stranom uticaju i korupciji koja pronalazi olakšan pristup samoj vladi putem kanala partijskih strasti. Stoga politika i volja jedne zemlje podležu politici i volji druge”. Upravo je frakcionaški rivalitet u Kongresu 1861. godine odveo Ameriku u građanski rat da bi, tek nakon ogromnog krvoprolića, 1877. bio potpisan Kompromis, kojim su neslaganja rešena putem pregovora.

Danas je Amerika kapitalistička država neprijateljski nastrojena prema komunističkim partijama, ali tolerantna prema kapitalističkim frakcijama poput republikanaca i demokrata, uprkos katastrofama koje su počinili i činjenice da ponovo stvaraju više problema nego što ih rešavaju. Kina je jednopartijska socijalistička država, neprijateljski nastrojena prema kapitalističkim partijama i netolerantna prema frakcijama.

Evo i pouka iz prošlosti: istorijski uslovi za gro naših promišljanja na temu političkih sistema i (većine) zapadnih demokratija podsećaju na Rim iz 60. pne., kada su, kako je to Robin Dejvermen primetio sa dozom humora, trojica aristokrata-političara – Julije Cezar, ratni heroj Pompej i bogataš Marko Licinijus Kras – iza kulisa i potajno formirali prvi rimski trijumvirat koji je dominirao nad izabranim poslanicima u Senatu. Ovi oligarsi su postigli da najniža klasa Rimskog carstva, bezemljaši (proletarii) ne promene ništa i da opštenarodne mase i dalje ostanu društveno nevidljive, osim ako nisu podigle neku pobunu ili izgubile život u nekom od beskrajnih građanskih ratova koje su vodile njihove elite (Nakon smrti Marka Licinija Krasa, člana Prvog trijumvirata uz Gaja Julija Cezara i Pompeja Velikog, došlo je do građanskog rata između Cezara i Pompeja). Dve hiljade godina kasnije, na opštim izborima u Velikoj Britaniji 1784. godine, sin Prvog Erla od Četema i Hester Grenvil, sestra prethodnog premijera Džordža Grenvila, i sin Prvog barona Holandije i Ledi Kerolajn Lenok, kćerka Drugog vojvode od Ričmonda, ponudili su biračima da oni budu ti koji će na izborima izabrati vojvodu.

Danas, u mnogim evropskim zemljama (čak i egalitarnoj Švedskoj), ‘demokratija’ je samo „glazura“ premazana povrh moćnih feudalnih aristokratija koje i dalje kontrolišu svoje ekonomije. Američki glasači su nedavno imali prilike da vide kako je supruga bivšeg predsednika ušla u trku sa bratom bivšeg predsednika, a potom poražena od milijardera koji je svoju kćerku i zeta postavio na važne državne funkcije i time obezbedio da će, kako je rekao Džon Djui, “politika Sjedinjenih Država ostati u senci koju krupan biznis baca na društvo sve dotle dok moć obitava u privatnim rukama zarad privatnog profita i kroz privatnu kontrolu banaka, zemljišta i industrije, ojačanih komandama poteklim iz štampe i drugih sredstava propagande”.

Većina zapadnih političara vezanih brakom ili bogatstvom je, kao i sve nasledne klase, izgubilo simpatije sa širokim narodnim masama koje čine njihovi sugrađani u meri u kojoj, kako su to uočili američki politikolozi Martin Gilens i Bendžamin Pejdž, “preference prosečnog Amerikanca izgleda da imaju gotovo nulti, statistički beznačajan uticaj na javnu politiku” (iz knjige Teorije testiranja američke politike: Elite, interesne grupe i prosečni građani (Testing Theories of American Politics: Elites, Interest Groups, and Average Citizens).

Kina dve hiljade godina nije imala klasu profesionalnih političara, vojnih vladara, nasleđenog bogatstva ili oligarha. Ovo odsustvo feudalne prošlosti – i to više od nedavnih eksperimenata sa demokratijom – jeste ono što odvaja naša očekivanja od onoga šta vlast i vladavina predstavljaju od kineskog pogleda na vladanje zemljom.

Formalna demokratija je u potpunosti odsutna iz Kine sve do 1935. godine, kada se pojavila na bojnom polju, kada je, u vreme očaja, Mao izabran od strane pripadnika svojih trupa. Kineski državnik, jedan od najistaknutijih rukovodilaca Kineske revolucije, Džou Enlaj (Zhou Enlai, kineski 周恩来, današnja transkripcija Džou Enlaj a ranije i Ču En-laj, Ču Enlaj itd), koji je u tom trenutku bio Maov nadređeni mu je rekao: “Potreban nam je naš najbolji vojni lider, a s obzirom da je Mao naš najbolji strateg nominujem ga za predsedavajućeg Vojne komisije”. Julija Cezara, admirala Nelzona i predsednika Vašingtona imenovale su njihove vlade, ali je Mao verovatno bio jedini vojni lider koji je bio biran a ne nametnut. Mao je, zauzvrat, predložio da pripadnici trupa između sebe biraju sopstvene podoficire jer, kako je rekao, oni znaju svoje prijatelje intimno i izbliza, a njihovi životi zavise od izbora koji će sami napraviti, tako da su oni najkvalifikovaniji da ih biraju. Kina je od tada u trci, kako bi dostigla do što veće „uhodane“ i afirmisane demokratije.

Prvi britanski nacionalni izbori zasnovani na opštem pravu glasa i principu „jedan čovek-jedan glas“ održani su 1948. godine, u Kini 1953. godine, dok je u Americi ovakvo biranje uvedeno tek nakon što je prošao Zakon o glasačkim pravima – 1965. Kina je bila jedinstvena po tome što na njihovim izborima učestvuju čak i kvalifikovani stranci, kao što se to 1953. prisećao Kveker Vilijem Suel (Quaker William Sewell), profesor na hrišćanskom univerzitetu Đen Dah u Sečuanu:

“Kao član sindikata, imao sam pravo glasa, a izbor vlade u Kini je indirektan. Mi koji smo predavali u Đen Dahu glasali smo za naš lokalni narodni kongres. Tada bi lokalni kongresi, između svojih članova, izabrali Kongres Dulijang-a koji se sastojao od članova iz njihovih redova, kao i od kongresa velikih gradova i mnogih okruga, na kojima bi bio izabran Narodni pokrajinski parlament u Sečuanu. Konačno se pojavio Nacionalni narodni kongres, čiji bi svaki član bio na prvom mestu izabran u lokalno telo. Nacionalni kongres je donosio zakone, birao predsedavajućeg i imenovao premijera kao i članove državnog veća. U našoj „hemičarskoj grupi“ razgovarali smo o tipu muškaraca i žena koji bi nas najbolje predstavljali, a onda bismo istakli 5-6 imena.

Svaka grupa u našoj sekciji Đen Dah učinila je isto. Sva imena bi tada bila ispisana na tabli, tako da svi mogu videti ko je bio predložen. Imena koja bi bila istaknuta kao favoriti od strane nekoliko grupa „procedila“ bi se i od njih bi bila sastavljena kratka lista. To je otprilike skoro deset aspiranata, a svaka od grupa koja glasa bila bi toliko slobodna da ponovo iznese bilo koje ime za koje smatra da ga ne treba izostaviti. One koji bi ušli na kratku listu su njihovi glasači i simpatizeri ubeđivali da svoja imena ne povlače sa liste sve do kraja glasanja. Ovo traje izvesno vreme, i tada zadobijate onaj pravi osećaj nesposobnosti da se izglasani drugovi izbore sa situacijom; tada veliki broj njih izjavi kako gaji sumnju u sebe i svoje sposobnosti da preduzmu takav odgovoran stranački posao. Grupa bi razgovarala o svakoj osobi. Oni koji su bili „nepoznati“ bili bi pozivani da posete različite grupe kako bi ih mogli pridanici istih upoznali i detaljnije ispitali. Shodno biračkoj proceduri unutar same KPK, od te kratke dobija se još kraća lista kandidata, koja se, nakon daljnje diskusije, smanjuje na željeni tj očekivani broj.

Zastave su se vijorile na dan izbora, dok su orkestri konstantnim ritmom svojih cimbala i bubnjeva činili da “glasački ugođaj” bude prijatno bučan. Glasački listići deljeni su na jednom kraju štanda, a učenici, svi pod zakletvom o diskreciji, bili su na raspolaganju da pomognu ukoliko, recimo, niste znali da čitate. Onda biste sami, ili u pratnji vašeg pomoćnika, seli za sto i glasali. Na spisku bi bila sadržana imena koja su dosad već postala poznata, ali je na dnu bilo prostora za dodavanje dodatnih imena ukoliko to želite. Oko onih za koje želite da budu izabrani postavljan je prsten, dok se u jednu kutiju stavi papir. U Engleskoj sam glasao za čoveka koga nisam poznavao, sa kojim nikada nisam razgovarao i koji je cirkularnim pismom zatražio moj glas… a koji je napokon izgubio od svog rivala s razlikom od preko 14.000 glasova. Osećao sam da je moj glas tamo u Engleskoj bio potpuno bezvredan. U Kini, na ovim izborima, barem sam imao tu srećnu iluziju da je moj glas bio od stvarnog značaja.”

Do osamdesetih godina, moćni porodični klanovi dominirali su na lokalnim izborima, a birači su u Pekingu redovno ulagali molbe ne bi li im poslali nekog ko je “sposoban sekretar/ica kako bi popravio/la stvari”; nedugo zatim, kineska je vlada pozvala Karterov centar da nadgleda izbore. Godine 2010., nakon što je premijer Ven Đijabao primetio da je “Iskustvo mnogih sela pokazalo da poljoprivrednici mogu uspešno odabrati članove mesnog ili oblasnog odbora, pa – ako ti ljudi mogu dobro upravljati selom, onda mogu upravljati opštinom i županijom. Ljude moramo ohrabriti da smelo eksperimentišu i testiraju demokratiju u praksi”, Centar je proširio svoje učešće.

Big Data i biznis: Kako izvući smisao i korist  iz gigantskih baza podataka?


Koliko je vremena potrebno da se oporavite od hirurškog zahvata zamene kuka?

Za bolnice širom sveta ovo  nipošto nije akademsko pitanje. Bolnice su imale oko 36 milijardi dolara nekompenzovanih troškova zbrinjavanja u 2015. godini. Najveći deo njih potiče od neplaćenih računa pacijenata.

Jedno rešenje ovog problema je ograničavanje troškova vezanih za operaciju – ali kako? Odgovor: Machine learning („Mašinsko učenje“ je već uvrežen termin u srpskom jeziku, mada je pogrešan; „Učenje mašina“ daleko preciznije pogađa suštinu). Bolnice sada koriste prediktivnu analitiku kako bi prognozirale prosečne boravke i potencijalne komplikacije koje mogu iskrsnuti tokom operacija, poput operacije kičme.

Na primer, podaci od kupaca usluga zdravstvene zaštite pokazuju starosnu dob pacijenta, ustanove koje obezbeđuju osnovne zdravstvene usluge, i sekundarnu dijagnozu. Pomoću mašinskog učenja i prediktivne analize podaci sada mogu predvideti buduće troškove i doprineti identifikovanju pacijenata koji mogu imati probleme u oporavku. Ishod? Bolnice donose bolje kliničke odluke, doživljavaju niže stope readmisije, nudeći kraće bolničke boravke i pružajući bolju negu.

Biznisi ogromnog broja preduzeća pokazuju slične efekte „stvarne situacije na terenu“, dakle, dobijaju realističnije cifre u predikciji, a sve to zahvaljujući upotrebi mašinskog učenja za analiziranje svojih poslovnih podataka. Često je problem u nedovoljnoj količini podataka – potrebnih za što bolju analizu i predikciju – a ti im podaci često nedostaju.

Po rečima Majka Gotjerija (Mike Gaultieri), analitičara kompanije za tehnološku predikciju marketinga i tržišta, Forrester Research, mašinsko učenje nije ni nalik tradicionalnoj poslovnoj inteligenciji u kojoj su garantovani rezultati. “Ukoliko tražite model za mašinsko učenje, možete reći ‘pokušaću’, ali možda nećete uspeti”, rekao je. “Preduzeća i biznisi moraju da razumeju da samo zato što ste želeli da imate model koji predviđa kretanje akcija na berzama ne znači da ćete ga i u stvarnosti imati.”

Rags Raghavendra, rukovodilac analitike u DXC Technology’s Analytics Data Labs, globalnom čvorištu koje analitičari podataka koriste, fokusirao se na konsalting i pronalaženje načina operacionalizacije analitike. On kaže da su “kompanije frustrirane jer često preteruju”. Žele da im big data analitika “odradi” prevelike grupe podataka, “žonglirajući” njima iako nisu dovoljno kvalifikovani za njihovo tumačenje i razumevanje, a i ne shvatajući koliko je taj zalogaj prevelik.  “Klijenti pokušavaju da učine nemoguće u smislu pokušaja da izvuku značenje iz svih mogućih vrsta podataka kojima imaju pristup”, rekao je on. “Ono što preporučujemo je da dobro razmotre podatke koje već poseduju i koji su lako dostupni, a tek potom da pređu na sledeći korak.”

Kompanije koje su pokušale i nisu uspele da proniknu u smisao i praktične aspekte analize velikih skupova podataka pre svega bi trebalo da prihvate da su neuspeh i iteracija tj ponavljanje neizostavni deo procesa analitike. One, ipak, mogu da svoje šanse za uspeh maksimiziraju tako što će postati pametniji kada je reč o korišćenju mašinskog učenja.

Evo osam načina za bolji i efikasniji pristup Big data analitici:

1. Počnite s problemom koji želite da rešite. Uranjati u podatke „skokom sa desetke“ a potom iščekivati da će oni volšebno izroniti pred vas je pogrešan pristup. Sve dobre priče o analitici podataka počinju identifikovanjem odgovarajuće metrike performansi koja povezuje poslovni rezultat sa pitanjima koja se odnose na podatke. Međutim, odabrana metrika ne bi trebalo da bude preširoka ili isuviše “granularna” tj usitnjena. Na primer, kada je DXC nedavno radio s jednom medijskom kompanijom na pojašnjenju razloga zbog kojih je pretplatnici napuštaju, najočiglednija metrika bila je promena u pretplatničkoj bazi. Kao što se ispostavilo, relevantnija metrika bio je Prosečni prihod po korisniku (ARPU), koji je bio direktno povezan sa većim poslovnim ciljevima koje je kompanije preduzimala kako bi povećala prihode.

2. Proces mašinskog učenja trebalo bi ’industrijalizovati’ odnosno razviti u širokom industrijskom obimu. “Čitav ovaj proces analize velikih skupova podataka nije industrijalizovan”, rekao je Raghavendra, čija Laboratorija podržava široku paletu oblasti, uključujući proizvodnju, telekomunikacije, automobilsku industriju, avio-kompaniju, energetiku, finansijske usluge i zdravstvenu zaštitu. “Dešava se da mnogo puta iznova i iznova ponavljate analizu ili je ne možete uvećati tj primeniti u širem obimu.” DXC je snažan zagovornik efikasnog i pojednostavljenog pristupa široko primenjivog mašinskog učenja, koji veruje da bi sve faze analize – od unošenja podataka i njihovog prečišćavanja, do stvaranja namenskih algoritama i njihovog stavljanja u proces aktivne analitike, a potom i generisanju uvida stečenih kroz podatke – trebalo da budu ponovno upotrebljive i raspoređene na kompanijske tehnologije.

3. Nemojte dozvoliti da vas ometaju i koče podaci koje ljubomorno čuva svako odeljenje pojedinačno unutar kompanije (tzv „silosi“:  izolovane grupe podataka koje ne cirkulišu u data analitici jedne kompanije jer uposlenici nekog odeljenja naprosto ne žele da ih dele s drugima, misleći da na taj način „drže prednost“ u odnosu na druga kompanijska odeljenja). Silosi su zbog toga veliko “prokletstvo” brojnih računarskih programa koji rade na korporativnoj analitici, jer sprečavaju pristup jedinstvenoj bazi podataka. Silosi, ipak, nisu toliko velika prepreka, kako neki veruju. “Ukoliko posedujete strategiju za pravilno korišćenje pametnih podataka i platformi, ne bi trebalo da previše brinete o silosima”, kaže Raghavendra. Jednostavno rečeno, ne morate brinuti o silosima sve dok ne predstavljaju problem za zadatak koji ste odabrali da rešite. Međutim, trebalo bi da se pripremite za neki predstojeći skup problema u nizu (tzv pipeline*) tako što ćete obezbediti integraciju različitih izvora podataka. “Postoje fleksibilne i modularne platforme koje vam omogućavaju da integrišete podatke kada je potrebno”, dodao je Raghavendra. (U računarstvu, pajplajn* je skup elemenata za obradu podataka povezanih u niz, pri čemu je autput jednog elementa input sledećeg. Elementi u nizu često se procesiraju paralelno ili kroz sekvence tj „komadiće“; u tom slučaju, određena količina buffer tj pufernog skladišta često se ubacuje između elemenata).

4. Mislite od-spolja-ka-iznutra. Ne morate uvek imati sve informacije, talenat, analitiku i inteligenciju: Ovo je priča o ekosistemu, a pobediće oni koji dodirnu „matricu sposobnosti“ koja se nalazi oko njih. Analitičari podataka kroz kraudsorsing*, kao i kroz „mašinsko učenje-kao-servis“ i eksterne skupove podataka, dobijaju moćan potencijal u poslovoj trci.

Crowdsourcing (angažovanje javnosti) je korišćena i legitimna metoda preuzimanja tuđih ideja, postupak dobijanja potrebnih usluga, ideja ili podataka od neodređenog skupa ljudi (shodno izreci: “Uzeti podatke od pojedinca je krađa, uzeti podatke od većeg broja ljudi je – istraživanje”).

5. Koristite sirove skupove podataka (takozvana „data-jezera“). Jezera podataka su spremišta u kojima možete sačuvati sve vaše postojeće podatke u izvornom obliku, bez obzira na njihov format Jezero podataka je spremište za skladištenje podataka koje sadrži ogromnu količinu sirovih podataka u svom izvornom formatu, sve dok se za njima ne ukaže potreba. I dok hijerarhijski organizovano skladište podataka čuva podatke u fajlovima ili fasciklama (folderima), data-jezero koristi “ravnu”, tj. horizontalnu ili baznu arhitekturu za čuvanje podataka, dakle bez hijerarhije (organizacije) podataka. Svakom elementu podataka u data-jezeru dodeljen je jedinstveni identifikator i označen je skupom proširenih oznaka metapodataka. Kada se pojavi upit od strane biznisa, data jezero se može upitati za relevantne podatke, a zatim se može analizirati manji skup podataka kako bi se odgovorilo na upit).

Raghavendra je mišljenja da kompanije treba da se upuste u praksu stavljanja svih svojih podataka u „data-jezero“. Ovi veliki skupovi sirovih podataka nisu stavljeni u fajlove niti su klasifikovani u foldere po važnosti, već su „u rinfuzu“, iako su svi indeksirani i tagovani kao metadata, spremni da se pojave na upit poslovnog subjekta. “Nemojte razmišljati o strukturiranju (važnosti, smisla i korisnosti podataka) na samom početku”, preporučuje Ragavendra.

6. Vršite istraživačku analizu podataka (exploratory data analysis, EDA) sa ciljem kojeg imate na umu. Prva faza „rudarenja podataka“ je upravo EDA, koja nastoji da rezimira podatke, vizuelno i ne-vizuelno. “Ono što sam često imao prilike da vidim je da je istraživački deo analize podataka potisnut”, rekao je Bharathan Shamasundar, viši analitičar podataka u DXC. “Svrha EDA tj istraživačke analize podataka je da se upoznaju s uzorcima i obrascima koji se u podacima poavljuju i samo na osnovu toga zauzimaju stavove o tome šta da čine nakon toga. Kompanije to često rade površno. “DXC-ovo iskustvo sa kompanijom za energetske usluge naglašava važnost pametne EDA tehnologije.

Jedno privatno komunalno preduzeće tražilo je preciznu prognozu koliko će energije proizvesti njihove vetroelektrane. Zbog toga što je ovo preduzeće primenilo istraživački deo analize (EDA) na svoje algoritme, tim savetodavne firme DXC je uspešno opovrglo već postojeće repere za čak 95% performansi vetro-turbina, uprkos tome što je upotrebljavano manje varijabli kako bi obavili svoje proračune. To iskustvo pokazuje značajne potencijale EDA metoda, naročito ako se sprovedu unapred, što će češće dovesti do algoritama prikladnih raspoloživim podacima.

7. Koristite inteligentno uzorkovanje. Jedan od razloga što kompanije imaju problema s pristupom u prave uvide Big data ishoda je zato što ih – previše koriste. “Uzorkovanje je postalo loša reč”, rekao je Šamasundar. “Uzorkovanje podataka je pametan način baratanja sirovim podacima.” Često se dešava da je ono što izgleda kao “big data” krcato redundantnim tj izlišnim informacijama. Analitičari iz DXC su za jedno robno-trgovačko preduzeće identifikovali  kako im je veliki deo uskladištenih podataka bio, zapravo, suvišan, jer je 94% svih njihovih trgovinskih poslova zasnovano na manjem podskupu podataka. Ovo pokazuje da je vrednovanje kvaliteta i relevantnosti važna komponenta strategije podataka.

8. Ustanovite fleksibilan operativni model za vaš program analitike podataka. Raghavendra vam savetuje da „Nikako ne odustajete od pokretanja programa za analizu podataka samo zato što ne možete da unajmite data-analitičara. Potražnja za ekspertima koji umeju da pravilno i smisleno „pročitaju“ velike hrpe podataka  trenutno je 60 procenata veća od broja stručnjaka, a nema znakova da se ovaj disparitet usporava. Međutim, ukoliko jedno preduzeće nije u stanju da zaposli dovoljno data-analitičara, Raghavendra preporučuje da, u tom slučaju, treba razmisliti o uporednom korišćenju partnerskih organizacija koje pružaju specijalističku analitičku podršku i “analitičara opštih podataka o građanima”. Stručnjak za prekopavanje tj „rudarenje podataka“ o građanima je osoba koja razume domen i poslovanje svojih poslodavaca/organizacija. Oni mogu obaviti razumnu analizu koristeći neke analitičke platforme koje su sada pojednostavile određene zadatke i zahteve u baratanju podacima. Pošto kompanije primenjuju analitiku za rešavanje problema, partnerske organizacije mogu biti od pomoći  kao podrška u uvećanju obima njihovih programa i izgradnji „dubljih“ mogućnosti u još raznovrsnijim oblastima.

I mada praćenje ovih smernica povećava verovatnoću za postizanje uspeha, preduzeća ne smeju smetnuti s uma da je mogućnost neuspeha realna i uvek prisutna. Analitika podataka sprovodi se kao naučni metod koji se zasniva na dokazivanju ili opovrgavanju hipoteze. Upotrebu podataka treba, potom, posmatrati kao istraživačku i razvojnu aktivnost (R&D). “Najbolje je imati pet-šest ili desetak i više ideja, i potom ih voditi paralelno”, opisuje Goltjeri upite zasnovane na podacima, “jer neće svi oni funkcionisati”.

Izazovi će postajati sve teži i teži, kako se količina podataka vremenom bude sve više uvećavala. Sa druge strane, što više podataka imate – to je i veća potencijalna nagrada i uspeh.

Prema Dejvu Aronu (Dave Aron), šefu istraživanja u  londonskoj IT firmi za istraživačko-savetodavne usluge Leading Edge Forum, DXC-ovom partneru za rukovođenje idejnim strategijama, još je uvek previše kompanija koje svojom najvrednijom imovinom smatraju ono što poseduju u fizičkom i finansijskom smislu.

“Preduzeća koja bi trebalo da dožive uspon i uvećanje svojih profita u narednoj deceniji jesu ona koja su prepoznala da su upravo informacije i njihova analiza ta nadasve “vredna imovina”, pa stoga grade i kontinuirano unapređuju svoje platforme za data-analitiku i izučavanje podataka”, kaže Aron. “Internet stvari (IoT), uz sve obimniji i glomazniji pravni okvir za zaštitu podataka čine da data-analitika postane relevantnija nego ikada pre.”

Obezbeđivanje koristi od analize „big date“ – bez obzira da li ste bolnica ili uslužna firma ili bilo koji drugi tip biznisa – zahtevaće promišljen pristup, puno hrabrosti, kao i respekta za naučne metode analize informacija dobijenih u vašem poslovanju.

WIRED Brand Lab, DXC Technology