راز موفقیت میراث: گفتگو با محسن ارجمندی و نقش بیگ دیتا در رشد این استارتاپ

محسن ارجمندی، جوان ایلامی و مدیرعامل استارتاپ میراث، با سابقه‌ای درخشان در همکاری با شرکت‌های خارجی، مسیر متفاوتی را در پیش گرفته است. او و تیمش با تکیه بر دانش ریاضی و مفاهیم بنیادین هوش مصنوعی و بیگ‌دیتا، به دستاوردهای قابل‌توجهی از جمله ثبت ۴ پتنت جهانی و توسعه محصولاتی نوآورانه مانند موتور جستجوی زال و مینیاتور دست یافته‌اند.

ارجمندی معتقد است ضعف اصلی اکوسیستم استارتاپی ایران، کمبود دانش عمیق و کاربردی است. به گفته او، بسیاری از استارتاپ‌ها به جای خلق ارزش‌های منحصر به فرد، به کپی‌برداری از محصولات خارجی روی می‌آورند و از ریسک‌پذیری و نوآوری می‌هراسند.

“در ایران، متخصصان باتجربه در حوزه بیگ دیتا و هوش مصنوعی بسیار کمیاب هستند. شرکت‌ها نیز بیشتر به دنبال متخصصان برنامه‌نویسی هستند و به اهمیت این حوزه پی نبرده‌اند. این موضوع یکی از دلایل اصلی ضعف استفاده از داده‌ها در کشور است.

محسن ارجمندی، مدیرعامل میراث، در گفتگوی خود با ما، به تجربه همکاری با پروژه‌های دولتی و سپس ترک آن و پیوستن به مپس اشاره کرد. او دلیل این تغییر را تفاوت در نگاه و ارزش‌گذاری به فناوری بین بخش دولتی و شرکت‌هایی مانند مپس می‌داند. در مپس، او توانست با افرادی که دیدگاهی جهانی به فناوری داشتند، همکاری کند و ایده‌های خود را توسعه دهد.”

“محسن ارجمندی، بنیانگذار میراث، درباره پتنت‌های ثبت‌شده در سال ۲۰۱۴ می‌گوید: «در سال ۲۰۱۴ که ما توانستیم ۴ پتنت در حوزه بیگ‌دیتا ثبت کنیم، این حوزه هنوز بسیار نوپا بود و بیشتر پتنت‌ها در اختیار دو کشور آمریکا و چین قرار داشت. یک شرکت کوچک ایرانی با تیمی جوان، توانست در این رقابت جهانی، جایگاهی برای خود دست‌وپا کند. این نشان می‌دهد که ما در میراث، به دنبال خلق نوآوری‌های واقعی هستیم.»

وی در ادامه می‌افزاید: «یکی از مهم‌ترین دستاوردهای ما، توسعه مدل ریاضی اکتورمدل است که به ما امکان می‌دهد سیستم‌های پیچیده را شبیه‌سازی کنیم. این مدل همراه با زبان برنامه‌نویسی اسکالا و چارچوب آکا، یک ابزار قدرتمند برای تحلیل داده‌های بزرگ و طراحی سیستم‌های هوشمند فراهم می‌کند.»

ا یک سیستم ذخیره‌سازی داده‌های قدرتمند طراحی کردیم که نه تنها قادر به ذخیره‌سازی سریع داده‌های حجیم است، بلکه امکان اجرای همزمان چندین الگوریتم هوش مصنوعی را نیز فراهم می‌کند. این سیستم شبیه به سامانه‌های پیش‌بینی آب‌وهوا عمل می‌کند، با این تفاوت که بسیار انعطاف‌پذیرتر است. در حالی که سیستم‌های سنتی مانند MPI تنها قابلیت اجرای یک الگوریتم مشخص را دارند، سیستم ما امکان اجرای چندین الگوریتم را به صورت همزمان فراهم می‌کند. این ویژگی به ما اجازه می‌دهد تا به سرعت ایده‌های جدید را آزمایش کرده و مدل‌های پیچیده هوش مصنوعی را توسعه دهیم.”

“برای اثبات کارایی پتنت‌های ثبت‌شده، سیستمی را توسعه دادیم که قادر به پردازش حجم عظیمی از داده‌ها با سرعت بسیار بالا بود. این سیستم در مقایسه با رقبای جهانی مانند ردیس، عملکرد بهتری از خود نشان داد. ما این سیستم را در نمایشگاه ICTspring در لوکزامبورگ به نمایش گذاشتیم و توانستیم نظر سرمایه‌گذاران و شرکت‌های بزرگ را به خود جلب کنیم. هدف ما از این کار، ایجاد یک پلتفرم جهانی بود که به محققان و توسعه‌دهندگان ایرانی اجازه می‌داد تا ایده‌های خود را در سطح بین‌المللی پیاده‌سازی کنند.”

“با وجود تمام پتانسیل‌هایی که لوکزامبورگ برای ما فراهم کرده بود، تصمیم گرفتیم به ایران بازگردیم و فعالیت خود را در اینجا متمرکز کنیم. دلیل این تصمیم، تطبیق بهتر مدل کسب‌وکار ما با شرایط بازار ایران بود. ما دریافتیم که می‌توانیم با استفاده از دانش و تجربیات خود، به شرکت‌های ایرانی کمک کنیم تا به اهداف خود دست یابند. به عنوان مثال، با ارائه راهکارهایی مشابه آنچه برای شرکت‌های خارجی ارائه می‌دادیم، توانستیم با شرکت‌هایی مانند ایران خودرو نیز همکاری کنیم.”

“با وجود اینکه مذاکرات اولیه با ایران خودرو مثبت بود، اما همکاری رسمی با این شرکت شکل نگرفت. دلیل اصلی این موضوع، نبود زیرساخت‌های لازم برای تحلیل داده در مقیاس بزرگ در ایران بود. در حالی که ما توانستیم بخشی از زنجیره ارزش تحلیل داده را بهینه کنیم، برای اجرای کامل پروژه، نیاز به یک اکوسیستم داده‌محور جامع‌تر بود.

برای مثال، در شرکت خارجی که با آن همکاری می‌کردیم، فرآیند جمع‌آوری و تحلیل داده‌های کنترل کیفیت به صورت کاملاً خودکار انجام می‌شد. اما در ایران خودرو، چنین فرآیندی وجود نداشت. ما متوجه شدیم که برای موفقیت در بازار ایران، باید فراتر از ارائه فناوری‌های تحلیل داده عمل کنیم و به ارائه راهکارهای جامع‌تر، از جمله طراحی و پیاده‌سازی زیرساخت‌های مورد نیاز، بپردازیم.

اولین قرارداد بزرگ ما با نهاد ریاست جمهوری و هواپیمایی ماهان، در همین راستا منعقد شد. ما به این سازمان‌ها کمک کردیم تا زیرساخت‌های مدیریت داده خود را بهبود بخشیده و از داده‌های خود به نحو مؤثری استفاده کنند. موفقیت این پروژه‌ها نشان داد که رویکرد جامع ما در ارائه راهکارهای داده‌محور، می‌تواند در بازار ایران موفق باشد.”

با پیاده‌سازی سیستم مدیریت داده مبتنی بر فناوری‌های کلان داده برای هواپیمایی ماهان، تحولات قابل توجهی در فرآیندهای عملیاتی این شرکت ایجاد شد. سیستم قدیمی DCS که بر پایه فناوری‌های منسوخ شده طراحی شده بود، با چالش‌هایی در زمینه ذخیره‌سازی، تحلیل و دسترسی به داده‌ها مواجه بود. ما با جایگزینی این سیستم با یک پلتفرم مدرن، امکان ذخیره‌سازی و تحلیل حجم عظیمی از داده‌های پروازی را به صورت بلادرنگ فراهم کردیم.

یکی از مهم‌ترین دستاوردهای این پروژه، بهبود چشمگیر در پیش‌بینی تأخیر پروازها بود. با تحلیل داده‌های تاریخی و لحظه‌ای پروازها، الگوهای تأخیر شناسایی شده و مدل‌های پیش‌بینی دقیقی ایجاد شد. این امر به ماهان امکان داد تا به مشتریان خود اطلاع دقیق‌تری از زمان پروازها داده و از بروز مشکلات احتمالی جلوگیری کند.

علاوه بر این، با استفاده از این سیستم، ماهان توانست بهینه سازی قابل توجهی در برنامه‌ریزی پروازها داشته باشد. تحلیل داده‌های مربوط به تقاضا، ظرفیت ناوگان هوایی و سایر عوامل مرتبط، به این شرکت کمک کرد تا برنامه پروازی خود را به گونه‌ای تنظیم کند که هم حداکثر بهره‌وری را داشته باشد و هم رضایت مشتریان را افزایش دهد.

به طور خلاصه، پیاده‌سازی این سیستم به ماهان امکان داد تا از داده‌های خود به عنوان یک دارایی ارزشمند استفاده کرده و تصمیم‌گیری‌های خود را مبتنی بر داده‌ها انجام دهد. این امر منجر به افزایش بهره‌وری، کاهش هزینه‌ها و بهبود رضایت مشتریان شده است.”

**”در ارائه یلداسامیت به چالشی اشاره کردم که بسیاری از استارتاپ‌های داده‌محور در ایران با آن مواجه هستند: مقاومت سازمان‌ها در برابر سرمایه‌گذاری بر روی تحلیل داده. این مقاومت دلایل مختلفی دارد که مهم‌ترین آن‌ها عبارتند از:

عدم درک ارزش تحلیل داده: بسیاری از سازمان‌های ایرانی هنوز به طور کامل به ارزش تحلیل داده در بهبود عملکرد کسب‌وکار پی نبرده اند. آن‌ها تصور می‌کنند که سرمایه‌گذاری در این حوزه، هزینه اضافی است و بازگشت سرمایه آن قطعی نیست.
رقابت کم: در بسیاری از صنایع ایران، رقابت چندان شدیدی وجود ندارد و سازمان‌ها به راحتی می‌توانند بدون استفاده از ابزارهای تحلیلی به حیات خود ادامه دهند.
ترس از ریسک: سازمان‌ها تمایل دارند از روش‌های سنتی و آزمایش‌شده استفاده کنند و از پذیرش ریسک‌های مرتبط با فناوری‌های جدید اجتناب می‌کنند.
کمبود تخصص: بسیاری از مدیران سازمان‌های ایرانی، به ویژه در حوزه‌های فنی، دانش کافی در مورد تحلیل داده و کاربردهای آن ندارند.

در حال حاضر تمرکز اصلی ما بر بازارهای خارجی است، جایی که تقاضا برای فناوری‌های داده‌محور بسیار بیشتر است. با این حال، در ایران نیز با برخی از شرکت‌های بزرگ مانند ماهان، مپنا و بانک ملت همکاری داشته‌ایم که به دلیل حجم بالای داده‌هایشان، مشتریان مناسبی برای ما بودند.

در ابتدا، هدف ما ارائه فناوری‌های نوین در حوزه داده، مانند الگوریتم‌ها و روش‌های جدید برنامه‌نویسی بود. اما به دلیل نبود زیرساخت‌های مناسب و فرهنگ داده‌محوری در بسیاری از سازمان‌های ایرانی، مجبور شدیم رویکرد خود را تغییر داده و به سمت تولید محصولات و ارائه راهکارهای جامع‌تر حرکت کنیم.

در واقع، ما متوجه شدیم که در بازار ایران، صرفاً فروش فناوری کافی نیست. مشتریان به دنبال راهکارهای کاملی هستند که مشکلات خاص آن‌ها را حل کند. بنابراین، تصمیم گرفتیم تا با تولید محصولات مبتنی بر فناوری‌های خود، ارزش بیشتری برای مشتریان ایجاد کنیم. این تغییر رویکرد به ما امکان می‌دهد تا با سرعت بیشتری رشد کرده و سهم بیشتری از بازار را به خود اختصاص دهیم.”**

یکی از محصولات اصلی ما، پلتفرم تحلیل متن “مینیاتور” است. این پلتفرم با استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشین پیشرفته، قادر به تحلیل حجم عظیمی از داده‌های متنی از منابع مختلف مانند اخبار، شبکه‌های اجتماعی و نظرات کاربران است.

**دیتاست مینیاتور که به عنوان یکی از غنی‌ترین دیتاست‌های فارسی در جهان شناخته می‌شود، به ما امکان می‌دهد تا تحلیل‌های دقیق و جامعی از محتوای تولید شده به زبان فارسی ارائه دهیم. این دیتاست به اندازه‌ای قوی و جامع است که مورد توجه محققان دانشگاه‌های معتبر جهانی مانند هاروارد قرار گرفته است و در مطالعات مختلف زبان‌شناسی مورد استفاده قرار می‌گیرد.

مینیاتور قابلیت‌های متنوعی دارد که آن را به ابزاری قدرتمند برای سازمان‌ها و افراد مختلف تبدیل کرده است. از جمله این قابلیت‌ها می‌توان به موارد زیر اشاره کرد:

پایش رسانه‌ها: با استفاده از مینیاتور، سازمان‌ها می‌توانند به طور مداوم اخبار و رویدادهای مرتبط با حوزه فعالیت خود را رصد کرده و به تحلیل احساسات عمومی نسبت به برند و محصولات خود بپردازند.
تحلیل بازار: تحلیل احساسات نسبت به محصولات و خدمات، رقبای بازار و روندهای کلی بازار از جمله کاربردهای مهم مینیاتور در حوزه تحلیل بازار است.
تحلیل افکار عمومی: با تحلیل محتوای تولید شده در شبکه‌های اجتماعی، می‌توان به درک عمیق‌تری از افکار عمومی و دیدگاه مردم نسبت به مسائل مختلف دست یافت.
پشتیبانی از تصمیم‌گیری: مینیاتور با ارائه اطلاعات دقیق و به روز، به مدیران و تصمیم‌گیران کمک می‌کند تا تصمیمات آگاهانه‌تری اتخاذ کنند.
**مینیاتور با استفاده از الگوریتم‌های پیشرفته، قادر به انجام وظایف پیچیده‌ای مانند تشخیص احساسات (مثبت، منفی، خنثی)، تشخیص موجودیت‌ها (افراد، مکان‌ها، سازمان‌ها)، تشخیص رویدادها و دسته‌بندی موضوعی است. همچنین، این پلتفرم امکان جستجوی پیشرفته و سفارشی‌سازی نتایج را فراهم می‌کند.

به طور خلاصه، مینیاتور یک ابزار قدرتمند برای تحلیل داده‌های متنی است که به سازمان‌ها و افراد کمک می‌کند تا از داده‌های خود به بهترین نحو استفاده کرده و تصمیمات بهتری اتخاذ کنند.”

**”با وجود هیاهوی زیادی که پیرامون مفهوم “بیگ دیتا” در اکوسیستم استارتاپی ایران و حتی در سازمان‌های دولتی و شرکت‌های سنتی وجود دارد، واقعیت این است که درک عمیق و کاربرد عملی این مفهوم در بسیاری از موارد دچار سوءتفاهم شده است. بسیاری از سازمان‌ها و افراد، بدون داشتن شناخت کافی از پیچیدگی‌ها و پیش‌نیازهای استفاده از بیگ دیتا، از این اصطلاح به عنوان یک مد استفاده می‌کنند.

یکی از دلایل اصلی این وضعیت، کپی‌برداری کورکورانه از مدل‌های موفق خارجی است. به عنوان مثال، بسیاری از سازمان‌ها تصور می‌کنند که با خرید یک نرم‌افزار ERP گران‌قیمت و پیچیده، می‌توانند به تمام مشکلات خود پایان دهند. در حالی که این نرم‌افزارها در محیط‌های کسب‌وکاری با ساختار و فرهنگ متفاوت طراحی شده‌اند و ممکن است برای سازمان‌های ایرانی مناسب نباشند.

مشکلات اصلی در استفاده از بیگ دیتا در ایران عبارتند از:

عدم وجود زیرساخت‌های مناسب: بسیاری از سازمان‌ها فاقد زیرساخت‌های لازم برای جمع‌آوری، ذخیره‌سازی و پردازش حجم بالای داده هستند.
کمبود نیروی متخصص: نیروی انسانی متخصص در حوزه بیگ دیتا در ایران بسیار محدود است.
فرهنگ سازمانی: بسیاری از سازمان‌ها هنوز فرهنگ داده‌محور ندارند و به اهمیت داده‌ها در تصمیم‌گیری پی نبرده‌اند.
انتظارات غیر واقعی: بسیاری از سازمان‌ها انتظار دارند با استفاده از بیگ دیتا به سرعت و به طور معجزه‌آسایی به نتایج دلخواه خود دست پیدا کنند.

“با وجود علاقه فراوان به تکنولوژی‌های نوین مانند بیگ دیتا در ایران، شکاف عمیقی بین ادعا و عمل وجود دارد. بسیاری از سازمان‌ها، به ویژه بانک‌ها، در تبلیغات و مقالات خود از استفاده گسترده از این فناوری‌ها سخن می‌گویند. اما در عمل، استفاده از بیگ دیتا در این سازمان‌ها بسیار محدود و سطحی است.

**مشکل اصلی در ایران، نبود فرهنگ داده‌محور و فقدان زیرساخت‌های لازم برای استفاده موثر از بیگ دیتا است. سازمان‌های ایرانی اغلب به جای تمرکز بر ایجاد تغییر در فرآیندهای کسب‌وکار خود، به دنبال خرید ابزارها و فناوری‌های جدید هستند. این در حالی است که بدون ایجاد تغییرات اساسی در ساختار سازمانی و فرهنگ کارکنان، نمی‌توان از این فناوری‌ها بهره‌برداری مناسبی کرد.

**یکی از دلایل این مشکل، نبود نیروی انسانی متخصص است. بسیاری از سازمان‌ها به دنبال استخدام متخصصان داده هستند، اما این افراد پس از ورود به سازمان با چالش‌های زیادی مواجه می‌شوند. زیرا فرهنگ سازمانی و فرآیندهای موجود، مانع از استفاده موثر از توانایی‌های این افراد می‌شود.

**علاوه بر این، فقدان رقابت شدید در بازار ایران نیز باعث شده است که سازمان‌ها انگیزه کافی برای سرمایه‌گذاری در حوزه داده نداشته باشند. در بسیاری از صنایع، سازمان‌ها به دلیل انحصار یا عدم وجود رقبای قدرتمند، نیازی به استفاده از ابزارهای تحلیلی برای بهبود عملکرد خود نمی‌بینند.

یکی از دلایل اصلی استفاده نادرست از تکنولوژی‌های مانند بیگ دیتا در شرکت‌های ایرانی، کمبود نیروی متخصص و با تجربه است. اغلب افرادی که در این حوزه فعالیت می‌کنند، دانش و تجربه کافی برای استفاده بهینه از این فناوری‌ها ندارند. به عبارت دیگر، ما در ایران بیشتر به دنبال تقلید از مدل‌های خارجی هستیم تا ایجاد نوآوری‌های بومی.

تکنولوژی بیگ دیتا این پتانسیل را دارد که به سازمان‌ها کمک کند تا تصمیمات بهتری اتخاذ کنند، محصولات و خدمات بهتری ارائه دهند و در نهایت به مزیت رقابتی دست یابند. با استفاده از بیگ دیتا، سازمان‌ها می‌توانند:

بهتر مشتریان خود را بشناسند: با تحلیل رفتار مشتریان، می‌توان نیازها و خواسته‌های آن‌ها را بهتر درک کرد و محصولات و خدمات متناسب با آن‌ها را ارائه داد.
فرآیندهای کسب‌وکار را بهبود بخشند: با شناسایی نقاط ضعف و قوت فرآیندها، می‌توان آن‌ها را بهینه کرد و هزینه‌ها را کاهش داد.
محصولات و خدمات جدیدی ایجاد کنند: با تحلیل داده‌ها، می‌توان ایده‌های جدیدی برای محصولات و خدمات ایجاد کرد و فرصت‌های بازار جدیدی را شناسایی کرد.
ریسک‌های کسب‌وکار را کاهش دهند: با پیش‌بینی روندهای بازار و شناسایی تهدیدات، می‌توان ریسک‌های کسب‌وکار را کاهش داد.

تحلیل داده و هوش مصنوعی، همانند دپارتمان‌های مالی، حقوقی و فنی، بخش جدایی‌ناپذیر یک سازمان مدرن هستند. این بخش‌ها با جمع‌آوری، تحلیل و تفسیر داده‌ها، به سازمان کمک می‌کنند تا تصمیمات آگاهانه‌تری گرفته و به اهداف خود نزدیک‌تر شود.

یکی از دلایل اصلی محبوبیت روزافزون هوش مصنوعی، پیشرفت‌های چشمگیر در حوزه بیگ دیتا است. بیگ دیتا با فراهم کردن زیرساخت‌های لازم برای جمع‌آوری و ذخیره‌سازی حجم عظیمی از داده‌ها، به مدل‌های هوش مصنوعی اجازه می‌دهد تا با قدرت بیشتری یاد بگیرند و پیش‌بینی کنند. به عبارت دیگر، بیگ دیتا سوخت مورد نیاز موتور هوش مصنوعی است.

یک مثال ساده از قدرت تحلیل داده، سیستم پیشنهاد محصولات مشابه در دیجی‌کالا است. اما برای درک بهتر ارزش این فناوری، بیایید به نتفلیکس نگاه کنیم. الگوریتم پیشنهاد فیلم در نتفلیکس به قدری قدرتمند است که کاربران را به تماشای فیلم‌های بیشتری ترغیب می‌کند و به این ترتیب، ارزش بسیار بالایی برای شرکت ایجاد کرده است. برآورد می‌شود که این الگوریتم به تنهایی میلیاردها دلار ارزش داشته باشد.

حال سوال اینجاست که آیا الگوریتم پیشنهادی دیجی‌کالا حتی یک درصد از ارزش الگوریتم نتفلیکس را دارد؟ این سوال ما را به این فکر می‌اندازد که چقدر از پتانسیل داده‌هایمان استفاده می‌کنیم.

چرا الگوریتم پیشنهاد محصولات دیجی‌کالا به اندازه الگوریتم پیشنهاد فیلم نتفلیکس ارزش ندارد؟

ساده بگویم، چون الگوریتم دیجی‌کالا به اندازه کافی هوشمند نیست تا بتواند درآمد قابل توجهی برای شرکت ایجاد کند. بر خلاف نتفلیکس که حیاتش به الگوریتم پیشنهاد محتوا گره خورده است، دیجی‌کالا هنوز هم به روش‌های سنتی مانند تبلیغات و تخفیف برای جذب مشتری متکی است.

مشکل اصلی کجاست؟

مشکل ما در ایران، در نحوه استفاده از فناوری نهفته است. ما ابزارها و تکنولوژی‌های مدرن را داریم اما نمی‌دانیم چگونه از آن‌ها به بهترین شکل استفاده کنیم. برای ساخت یک الگوریتم قوی، به متخصصانی نیاز داریم که بتوانند با مدل‌های ریاضی پیچیده کار کنند و تعاملات بین داده‌ها را به درستی تحلیل کنند. این متخصصان می‌توانند الگوریتم‌هایی طراحی کنند که به صورت هوشمندانه محصولات را به کاربران پیشنهاد دهند و در نتیجه، فروش را افزایش دهند.

چرا این موضوع مهم است؟

الگوریتم‌های پیشرفته، قدرت تغییر دنیا را دارند. نتفلیکس، آمازون و اینستاگرام نمونه‌های بارزی از این موضوع هستند. این شرکت‌ها با استفاده از الگوریتم‌های هوشمند، توانسته‌اند تجربه کاربری را بهبود بخشند، فروش را افزایش دهند و به رهبران بازار خود تبدیل شوند.

وقتی از بیگ دیتا صحبت می‌کنیم، غالباً نام‌هایی مانند گوگل، آمازون و نتفلیکس به ذهن می‌رسد. اما کاربردهای بیگ دیتا بسیار فراتر از این شرکت‌های بزرگ فناوری است. بیگ دیتا به عنوان یک ابزار قدرتمند، در صنایع مختلفی از جمله تلکام، بیمه و بانکداری نفوذ کرده و تحولات شگرفی ایجاد کرده است.

صنعت تلکام: یکی از پیشگامان استفاده از بیگ دیتا، صنعت مخابرات بوده است. شرکت‌های مخابراتی با تحلیل حجم عظیمی از داده‌های ترافیکی، می‌توانند الگوهای مصرف را شناسایی کرده و خدمات خود را بهینه کنند. برای مثال، گوگل با تحلیل داده‌های جستجو توانست شیوع آنفلوآنزا را پیش‌بینی کند که نشان‌دهنده قدرت بیگ دیتا در پیش‌بینی رویدادهای آینده است.

صنعت بیمه: در صنعت بیمه، بیگ دیتا به شرکت‌ها کمک می‌کند تا ریسک را بهتر ارزیابی کرده و خدمات شخصی‌سازی شده‌ای را به مشتریان خود ارائه دهند. با تحلیل داده‌های مربوط به رانندگی، شرکت‌های بیمه می‌توانند نرخ حق بیمه را بر اساس رفتار رانندگان تعیین کنند. به این ترتیب، رانندگان محتاط‌تر می‌توانند از تخفیفات بیشتری بهره‌مند شوند.

صنعت بانکداری: بیگ دیتا در صنعت بانکداری نیز کاربردهای فراوانی دارد. بانک‌ها با تحلیل داده‌های تراکنش‌ها، می‌توانند رفتار مشتریان را پیش‌بینی کرده و محصولات و خدماتی را به آن‌ها پیشنهاد دهند که بیشترین تناسب را با نیازهایشان دارد. همچنین، با استفاده از بیگ دیتا می‌توان از کلاهبرداری‌های مالی پیشگیری کرد.

صنعت خرده فروشی: علاوه بر شرکت‌های بزرگ فناوری و صنایع سنتی مانند تلکام، بیمه و بانکداری، صنعت خرده فروشی نیز یکی از بزرگترین مصرف‌کنندگان بیگ دیتا است. شرکت‌های خرده فروشی با تحلیل داده‌های خرید مشتریان، می‌توانند ترجیحات آن‌ها را شناسایی کرده و کمپین‌های بازاریابی هدفمندتری را طراحی کنند. همچنین، با استفاده از بیگ دیتا می‌توان زنجیره تأمین را بهینه کرده و از کمبود یا مازاد موجودی جلوگیری کرد.

سایر صنایع: بیگ دیتا در صنایع دیگری مانند بهداشت و درمان، انرژی، تولید و حمل و نقل نیز کاربرد دارد. در حوزه بهداشت و درمان، بیگ دیتا به پزشکان کمک می‌کند تا بیماری‌ها را زودتر تشخیص دهند و درمان‌های موثرتر را ارائه دهند. در حوزه انرژی، بیگ دیتا به شرکت‌های انرژی کمک می‌کند تا مصرف انرژی را بهینه کرده و از منابع انرژی تجدیدپذیر بهتر استفاده کنند.

در نتیجه، بیگ دیتا به عنوان یک فناوری قدرتمند، در حال تغییر شکل صنایع مختلف است. با استفاده از بیگ دیتا، سازمان‌ها می‌توانند تصمیمات بهتری بگیرند، خدمات بهتری ارائه دهند و در نهایت به مزیت رقابتی دست یابند.”

درست است که در ایران حجم عظیمی از داده در سازمان‌ها و نهادهای دولتی و خصوصی انباشته شده است و استارتاپ‌ها نیز حجم قابل توجهی از داده‌های کاربران را جمع‌آوری می‌کنند. اما تبدیل این داده‌ها به ارزش و درآمد، فرایندی پیچیده و چند وجهی است که نیازمند شرایط و عوامل متعددی است.

چرا صرف داشتن داده کافی نیست؟

کیفیت داده: داشتن حجم بالای داده به تنهایی کافی نیست. داده‌ها باید با کیفیت، دقیق و قابل اعتماد باشند تا بتوان از آن‌ها تحلیل‌های معناداری استخراج کرد. بسیاری از داده‌های موجود در سازمان‌ها، به دلیل عدم استانداردسازی و کیفیت پایین، قابل استفاده برای تحلیل‌های پیشرفته نیستند.
نیروی انسانی متخصص: تحلیل داده‌های بزرگ نیازمند متخصصانی با دانش و مهارت‌های خاص در حوزه‌های مختلف مانند آمار، یادگیری ماشین و علوم کامپیوتر است. کمبود نیروی انسانی متخصص در این حوزه، یکی از چالش‌های اصلی در ایران است.
زیرساخت‌های فنی: برای تحلیل داده‌های بزرگ، به زیرساخت‌های فنی قدرتمندی نیاز است. این زیرساخت‌ها شامل سرورهای قدرتمند، نرم افزارهای تحلیل داده و شبکه‌های پرسرعت می‌شوند. بسیاری از سازمان‌ها و استارتاپ‌ها در ایران به این زیرساخت‌ها دسترسی ندارند.
فرهنگ سازمانی: حتی اگر داده‌ها و زیرساخت‌های فنی موجود باشد، بدون ایجاد یک فرهنگ داده‌محور در سازمان، نمی‌توان از این داده‌ها به بهترین شکل استفاده کرد. بسیاری از سازمان‌ها هنوز هم به روش‌های سنتی تصمیم‌گیری متکی هستند و به اهمیت داده‌ها پی نبرده‌اند.
قوانین و مقررات: قوانین و مقررات حاکم بر حریم خصوصی داده‌ها، یکی دیگر از چالش‌های پیش روی استفاده از داده‌ها در ایران است. رعایت این قوانین، محدودیت‌هایی را برای استفاده از داده‌ها ایجاد می‌کند.

ادعای درآمدزایی از داده‌ها در بسیاری از استارتاپ‌های ایرانی، اغلب بیش از آنکه مبتنی بر واقعیت باشد، یک ادعای تبلیغاتی است. چرا؟

کمبود نیروی متخصص: یکی از بزرگترین چالش‌ها، کمبود نیروی انسانی متخصص در حوزه تحلیل داده است. بسیاری از استارتاپ‌ها به جای جذب متخصصان داده، به دنبال افرادی با دانش برنامه‌نویسی هستند. در حالی که تحلیل داده نیازمند مهارت‌های آماری، یادگیری ماشین و دانش عمیق از حوزه کسب‌وکار است.
تمرکز بر فناوری به جای کسب‌وکار: در ایران، بیشتر بر روی یادگیری فناوری‌های جدید مانند یادگیری ماشین و هوش مصنوعی تمرکز شده است، در حالی که درک عمیقی از کسب‌وکار و چالش‌های آن وجود ندارد. تحلیل داده‌ها باید در خدمت حل مشکلات کسب‌وکار باشد، نه یک هدف به خودی خود.
ضعف در آموزش‌های دانشگاهی: آموزش ریاضی در دانشگاه‌های ایران به صورت تئوری و بدون ارتباط با مسائل دنیای واقعی است. دانشجویان ریاضی اغلب نمی‌دانند چگونه از دانش خود برای حل مشکلات عملی استفاده کنند.
فرار مغزها به سمت رشته‌های فنی: بسیاری از دانش‌آموزان باهوش به سمت رشته‌های فنی مانند برق، کامپیوتر و مکانیک گرایش پیدا می‌کنند و رشته‌هایی مانند ریاضی، آمار و اقتصاد را نادیده می‌گیرند. این در حالی است که این رشته‌ها برای توسعه حوزه داده و هوش مصنوعی بسیار مهم هستند.
عدم وجود فرهنگ داده‌محور: در بسیاری از سازمان‌ها، فرهنگ داده‌محور وجود ندارد و تصمیم‌گیری‌ها بیشتر بر اساس تجربه و شهود انجام می‌شود.

فضای استارتاپی امروزه بیش از آنکه به نوآوری و پژوهش علمی متمرکز باشد، به ظواهر و تبلیغات بصری روی آورده است. دیدن مبل‌های رنگی در دفاتر و پست‌های شاد در اینستاگرام به امری رایج تبدیل شده است. اما آیا این همه ماجراست؟

یک استارتاپ موفق باید فراتر از یک ظاهر جذاب، به تولید علم و دانش نیز بپردازد. انتشار مقالات علمی و همکاری با دانشگاه‌ها، نشان‌دهنده تعهد یک استارتاپ به نوآوری و پیشرفت علمی است. در حال حاضر، بسیاری از استارتاپ‌ها به دانشگاه‌ها تنها به عنوان منبعی برای جذب نیروی کار نگاه می‌کنند، در حالی که این ارتباط باید مبتنی بر همکاری‌های علمی و حمایت از پژوهش باشد.

در [نام شرکت شما]، ما بر این باوریم که یک استارتاپ موفق باید همزمان به جنبه‌های تجاری و علمی توجه کند. به همین دلیل، ما تاکنون چندین مقاله در حوزه هوش مصنوعی منتشر کرده‌ایم و از پروژه‌های تحقیقاتی دانشگاهی که ارزش علمی بالایی دارند، حمایت کرده‌ایم. هدف ما تنها محدود به کسب سود نیست، بلکه ارتقای سطح علمی کشور و ایجاد یک اکوسیستم نوآورانه نیز هست.

ما معتقدیم که استارتاپ‌ها باید به عنوان موتور محرکه نوآوری در کشور عمل کنند و با همکاری دانشگاه‌ها و مراکز تحقیقاتی، به حل چالش‌های علمی و اجتماعی بپردازند. این همکاری‌ها نه تنها به پیشرفت علمی کشور کمک می‌کند، بلکه به استارتاپ‌ها نیز امکان می‌دهد تا به محصولات و خدمات نوآورانه‌تری دست پیدا کنند.”

پاسخ جامع و بهبود یافته به سوال مطرح شده
“چرا استارتاپ‌های ایرانی کمتر به سطح جهانی می‌رسند؟

علت اصلی این موضوع، ترکیبی از عوامل مختلف است که از جمله آن‌ها می‌توان به موارد زیر اشاره کرد:

تاکید بیش از حد بر جنبه تجاری: بسیاری از فعالان استارتاپی در ایران، بیشتر به جنبه‌های تجاری و کسب درآمد از محصول فکر می‌کنند تا نوآوری و ایجاد ارزش افزوده. این رویکرد باعث می‌شود که آن‌ها به جای تمرکز بر حل مشکلات واقعی و ارائه راه حل‌های خلاقانه، به دنبال کپی‌برداری از ایده‌های موجود باشند.
ضعف در پایه‌های علمی و فنی: کمبود نیروی انسانی متخصص و ماهر در حوزه‌های مختلف فناوری، یکی از چالش‌های اصلی استارتاپ‌های ایرانی است. بسیاری از تیم‌های استارتاپی فاقد دانش و مهارت‌های لازم برای تولید محصولات با کیفیت جهانی هستند.
محیط کسب‌وکار نامناسب: بی‌ثباتی اقتصادی، نبود زیرساخت‌های مناسب، دسترسی محدود به سرمایه و نبود حمایت کافی از سوی دولت، از جمله عواملی هستند که رشد استارتاپ‌های نوآور را در ایران با مشکل مواجه می‌کنند.
فرهنگ کپی‌کاری: متأسفانه فرهنگ کپی‌برداری در بسیاری از صنایع ایران ریشه دوانده است. این فرهنگ باعث می‌شود که استارتاپ‌ها به جای تلاش برای ایجاد محصولات منحصر به فرد، به دنبال تقلید از محصولات موفق خارجی باشند.
عدم تمرکز بر تحقیق و توسعه: بسیاری از استارتاپ‌های ایرانی به اندازه کافی به تحقیق و توسعه اهمیت نمی‌دهند. در نتیجه، محصولات آن‌ها نوآوری چندانی نداشته و به راحتی قابل کپی‌برداری هستند.

آقای کورنگی هرچند شخصی معصوم نیستند، اما دیدگاه‌های مشترکی با ایشان در برخی مسائل دارم. یکی از بهترین تصمیم‌های زندگی‌ام، راه‌اندازی میراث به جای مهاجرت و کار در شرکت‌های بزرگی مانند گوگل یا مایکروسافت بود. تجربه کار در زیرزمین شتاب‌دهنده مپس، فرصتی ارزشمند برای یادگیری بود.

هرچند همیشه با تمام نظرات آقای کورنگی موافق نبودم، اما فضای مپس به گونه‌ای بود که نقد و نظر آزادانه و سازنده در آن جریان داشت. این فرهنگ نقدپذیری و نقد کردن، یکی از ویژگی‌های متمایز مپس بود.

مهم‌تر از آن، مپس بر اساس کپی‌برداری از مدل‌های خارجی شکل نگرفت. برخلاف بسیاری از شتاب‌دهنده‌ها، آقای کورنگی هیچ‌گاه از مپس به عنوان یک شتاب‌دهنده یاد نمی‌کرد و مدل‌های سنتی شتاب‌دهی را قبول نداشت. ایشان ترجیح می‌دادند از مپس به عنوان یک مرکز فناوری یاد کنند. اما به دلیل الزامات قانونی، مجبور شدیم مجوز شتاب‌دهی را دریافت کنیم.

شاید این تصور وجود داشته باشد که شکست شتاب‌دهنده‌ها مختص ایران است، اما واقعیت این است که بسیاری از شتاب‌دهنده‌ها در سراسر جهان نیز با چالش‌های جدی مواجه شده‌اند. تنها تعداد محدودی از آن‌ها مانند Y Combinator به موفقیت چشمگیری دست یافته‌اند.

در ایران نیز، با توجه به محبوبیت شتاب‌دهنده‌ها، بسیاری از افراد و سازمان‌ها اقدام به راه‌اندازی آن‌ها کردند. این رویکرد، از نظر بازاریابی، به عنوان مزیت بازیگر دوم شناخته می‌شود؛ اما همیشه نمی‌توان به عنوان بازیگر دوم باقی ماند و انتظار موفقیت داشت. تاریخ ایران سرشار از نمونه‌هایی از خلاقیت و نوآوری است، از معماری گرفته تا فرش‌بافی. بنابراین، ما باید فراتر از تقلید و دنباله‌روی حرکت کنیم و ارزش‌های جدیدی خلق کنیم.

آقای کورنگی با ایجاد مپس، یک مدل مدیریتی مبتنی بر تفکر سیستمی را ارائه داد. این رویکرد که بر ارتباط بین اجزای مختلف یک سیستم تاکید دارد، به ما کمک کرد تا به صورت جامع‌تر به مسائل نگاه کنیم و راه حل‌های بهتری ارائه دهیم. انتقال این تفکر به میراث، یکی از ارزشمندترین میراثی بود که از مپس به ارث بردیم. البته، برای موفقیت در این مدل، هم به یک رهبر با دیدگاه روشن نیاز است و هم به افرادی که توانایی درک و جذب این تفکر را داشته باشند.

به عبارت دیگر، موفقیت مپس نتیجه ترکیبی از عوامل مختلفی از جمله رهبری قوی، فرهنگ سازمانی مبتنی بر یادگیری و رشد، و حضور افرادی با توانایی‌های متنوع بود.”

یکی از دلایل عدم موفقیت برخی از شتاب‌دهنده‌ها، شاید به ضعف‌های مدیریتی و همچنین عدم آمادگی کافی افراد حاضر در این فضا مرتبط باشد. در مورد مپس نیز، می‌توان گفت که بخشی از موفقیت آن به رویکرد خاص آقای کورنگی و بخشی دیگر به تلاش و پشتکار افراد حاضر در آن بستگی داشته است.

یکی از ویژگی‌های متمایز مپس، تاکید بر شبکه‌سازی و انتقال تجربیات بود. آقای کورنگی با دعوت از افراد مختلف به مپس، تلاش می‌کرد تا فضایی برای تبادل دانش و ایده ایجاد کند. البته این امر با چالش‌هایی نیز همراه بود. مثلاً، حقوقی که در مپس پرداخت می‌شد، به مراتب کمتر از حقوق بازار بود. با این حال، در مقابل، سهامداری در شرکت‌های در حال رشد، انگیزه‌ای قوی برای ماندن در مپس بود.

اما یکی از انتقاداتی که به مپس وارد می‌شد، سهم بالای آن از شرکت‌های سرمایه‌گذاری شده بود. این موضوع، فشار زیادی را بر شرکت‌های نوپا وارد می‌کرد. با این حال، بسیاری از تیم‌ها به دلیل اعتقاد به مدل مپس و فرصت‌های رشد در آن، به همکاری خود ادامه دادند.

در کل، تجربه مپس نشان می‌دهد که موفقیت یک شتاب‌دهنده، به عوامل مختلفی از جمله رهبری قوی، فرهنگ سازمانی مناسب، و مشارکت فعال افراد بستگی دارد. همچنین، تقلید صرف از مدل‌های خارجی، لزوماً به موفقیت منجر نمی‌شود. برای ایجاد یک اکوسیستم نوآوری موفق، باید بر اساس نیازها و شرایط خاص هر کشور، مدل‌های بومی ایجاد کرد.”