استخراج پیشگویانه داده ها در برآیند فعالیت شبکه های اجتماعی ؛ فرصت یا تهدید ؟
به وسیله پیش بینی رفتار آتی کاربران، داده ها (داده های کلان در شبکه های اجتماعی ) می توانند سبب ایجاد ارزش شغلی برای سازمان ها گردند. با این حال تحقیق در عرصه داده های سترگ در شبکه های اجتماعی همچنان با چالش های مهمی مواجه است. نخست، رسانه های اجتماعی فرصتی را برای افزودن مقادیر زیادی داده به فرایند تحلیل شبکه فراهم می آورند اما این داده ها عموما داده های فردی می باشند (برای مثال علائق، سرگرمی ها، مشاغل، ارتباطات و غیره) در نهایت، حفظ حریم شخصی افراد همچنان چالشی عظیم است و برای تحلیل داده های عظیم به صورت ناشناس تلاش هایی انجام گرفته است.
دیگر چالش های مربوط به داده های سترگ، مربوط به شناسایی و تحلیل داده ها در شبکه های اجتماعی است. در خصوص شناسایی داده ها در شبکه های اجتماعی، جمع آوری و دسترسی به داده ها در رسانه های اجتماعی معمولا به مشکلی برای سازمان ها تبدیل شده است. این نشان میدهد که چرا برخی از بخش ها در مقایسه با دیگر بخش ها، بیشتر از داده های موجود در شبکه های اجتماعی استفاده می کنند. برای مثال، استخراج پیش گویانه معمولا در بخش ارتباطات راه دور رخ میدهد، یعنی بخشی که به مجموعه داده های سازمانی، اطلاعات مشتری، تماس های تلفنی، پیام های متنی دسترسی دارد. در خصوص تحلیل داده ها در شبکه های اجتماعی، ابزارها و الگوریتم هایی باید در دسترس قرار گیرند که توانایی رسیدگی دقیق به مقادیری عظیم از داده های اجتماعی سترگ را داشته باشند. همچنان برای بیشینه ساختن توان محاسباتی برای مثال کمبود حافظه ی رایانه ها (و دقت آلگوریتمی برای مثال افزایش دقت پیش بینی ها به وسیله ی الگوریتم ها مشکلاتی وجود دارد. درنتیجه استخراج پیشگویانه داده ها می تواند فرصت های جدیدی را برای سازمان ها فراهم آورد، اما این عرصدی تحقیقاتی همچنان برای تسهیل استفاده کاربردی از آن جای پیشرفت دارد.
به دلیل اینکه این پیش بینی ها به جای افراد بر اساس نمایه های آنان استوارند (انواعی از افراد ناشناس با خصوصیات مشترک) استخراج پیش گویانه داده ها می تواند رفتارشناسی نیز نامیده شود. این شیوه های تحلیل داده ها ، عموما در عرصه ی تبلیغات برخط مورداستفاده قرار گرفتهو سبب تسهیل بازاریابی هدفمند می شوند. برای مثال در صورت آگاهی شما از خریداری کالا یا خدمتی خاص از سوی افراد، در این صورت آیا می توان احتمال خرید کالا یا خدمتی مشابه را به وسیله افرادی که با او در تماس بوده یا دارای خصوصیاتی مشترک با او هستند تخمین زد؟ اما کاربردهای استخراج پیش گویانه تنها به بازاریابی هدفمند محدود نشده و می توان کاربردهای فراوانی در عرصه های مختلف برای آن متصور شد، مانند پیش بینی جذب مشتری و رویگردانی او از یک نشان تجاری، اعتبارسنجی، شناسایی کلاهبرداری، مقابله با هراس افکنی سیاستهای کلی و غیره. رسانه های اجتماعی به شدت شیوه ی استفاده از داده های سترگ را تغییر داده اند. این رسانه ها نه تنها به فراهم آوری داده برای سازمان ها می پردازند (برای مثال در مورد علائق، سرگرمی ها، مشاغل، ارتباطات و غیره) بلکه به دلیل فزونی بینشی که می توان از داده ها در رسانه های اجتماعی به دست آورد اجازه دستیابی به روشی خصوصی تر را نیز مهیا می سازند. در حالی که بخش گذشته به تجزیه و تحلیل داده های عظیم شبکه اجتماعی برای متون اختصاص داشت اما این بخش بر اساس تاثیر دوست و شباهت نشان داد که چرا تجزیه و تحلیل داده ها برای پیش بینی گرایش های مرتبط حائز اهمیت است. با وجود تازگی نسبی داده ها در رسانه های اجتماعی و نیازمندی به کوشش بسیار برای تحلیل شبکه، سازمانها هم اکنون نیز می توانند با نتایجی امیدبخش از داده ها در شبکه های اجتماعی بهره برداری کنند. در مجموع، برای غلبه بر چالشهای کنونی در این زمینه ی پژوهشی و فراهم آوردن فرصت هایی نو به سازمان ها با هدف عملکردی بهتر، بررسی بیشتر داده ها در شبکه های اجتماعی ارزنده خواهد بود.