خطرات داده های سیاه: مدیریت و کاهش ریسک

داده های سیاه (یا نامرئی) اطلاعاتی هستند که دیجیتالی نشده‌اند و کارکنان به‌صورت آماده به آن‌ها دسترسی ندارند؛ به‌عنوان مثال، می‌توان به پرونده‌های کاغذی اشاره کرد که داخل قفسه‌ها خاک می‌خورند. به‌رغم تلاش‌های اخیر سازمان‌ها در راستای دیجیتالی‌سازی، حجم داده های سیاه همچنان بسیار زیاد است.

تعریفی جامع‌تر و ساده‌تر هم وجود دارد که هر گونه داده‌ غیرقابل مشاهده را در دسته‌ داده های سیاه جای می‌دهد. این داده‌ها می‌توانند اطلاعات الکترونیکی (مثل پیام‌های فوری و رونوشت تماس‌های تصویری) باشند که از وجودشان اطلاعی ندارید یا هر محتوای دیگری که در یک مخزن داده‌ مرکزی و قابل جست‌وجو، جمع‌آوری نشده است.

براین رمینگتون، معاون ارشد اطلاعات شرکت Hyland و مسئول راهکارهای مدیریت محتوا، می‌گوید: «داده های سیاه داده‌هایی هستند که مدیریت نمی‌شوند یا در یک منبع سازمانی قابل جست‌وجو حضور ندارند.»

در طول همه‌گیری اخیر، کارکنان بسیاری از شرکت‌ها از راه دور و در محیط‌های به‌شدت توزیع‌شده (پراکنده) مشغول به کار بوده‌اند. این امر به رشد داده های سیاه، سرعت بخشیده است.

رمینگتون ادامه می‌دهد: «کارکنان برای تماس تصویری، به اشتراک‌گذاری اسناد، خواندن ایمیل و خیلی کارهای دیگر از لپتاپ‌های متعلق به کار شرکت استفاده می‌کنند. در نتیجه‌ این امر، حجم عظیمی از داده های سیاه تولید می‌‌شوند که در انبار شرکت روی هم تلنبار می‌شوند. به‌علاوه، ممکن است کارکنان، محتوای مرکزی‌شده را روی لپ‌تاپ‌های محلی خود کپی کنند و بعد از تغییر، مجدداً در همین سامانه بارگذاری‌اش نکنند.»

به عقیده‌ رمینگتون، مشکل اصلی که حجم فزاینده‌ داده های سیاه به بار می‌آورد، مدیریت آن‌ها و تضمین این نکته است که بعد از بازبینی، به طرق مناسب برای مقاصد مدیریتی و هوش تجاری به کار برده شوند. علاوه بر این، وقتی کارکنان شرکت را ترک می‌کنند، غفلت از داده های سیاه می‌تواند شرکت را با ریسک از دست دادن دارایی‌های ذهنی یا حافظه‌ی سازمانی روبه‌رو کند.

عدم مدیریت داده های سیاه چه عواقبی دارد؟

اول از همه، عدم مدیریت داده‌‌‌‌‌‌ های‌‌‌‌‌‌ سیاه می‌تواند ریسک‌های قانونی و امنیتی برای سازمان به همراه بیاورد. برای مثال، ممکن است شرکت وارد دعوایی حقوقی شود و‌ به‌منظور اثبات گفته‌های خود، مجبور به دسترسی و استفاده از این داده‌ها باشد.

مورد دوم این است که عدم دسترسی به داده های سیاه می‌تواند تصمیم‌گیران کلیدی را به سوی تصمیمات اشتباه سوق دهد.

سوم اینکه داده‌‌‌‌‌‌ های‌‌‌‌‌‌ سیاه می‌توانند ضایعات فراوانی به بار آورند. به‌عنوان مثال، بهره‌وری کارکنان کاهش می‌باید، چون باید زمان بیشتری صرف جست‌وجو و دریافت اطلاعات موردنیازشان کنند. هزینه‌ انبارسازی هم افزایش می‌یابد، چون ذخیره‌ داده‌ها بدون استفاده از آن‌ها، به‌صرفه نیست.

ریسک چهارم مربوط به سیلوی داده‌های شرکت است. رمینگتون در این باره توضیح می‌دهد: «هدف اول باید کشف داده های سیاه باشد، تا بتوان آن‌ها را دسته‌بندی کرد و به‌صورت مناسب مدیریت کرد و حتی در صورت امکان، برای مقاصد هوش تجاری آن‌ها را مورد تجزیه و تحلیل قرار داد. یکی از موارد کلیدی که باید بررسی شود این است که هر کدام از سیلوهای حاوی داده‌ سیاه چطور تشکیل شده‌اند و به اینجا رسیده‌اند. فرایندها و ابزارهایی که می‌توانند به جلوگیری از وقوع دوباره‌ آن‌ها در آینده کمک کنند هم باید مشخص شوند.»

یکی از رویکردهای فعالانه که شرکت‌ها می‌توانند برای کاهش داده‌‌‌‌‌ ‌‌‌‌‌‌‌های سیاه به کار بگیرند، ایجاد سیاست‌های نگهداری ایمن داده و آموزش پیوسته‌ آن‌ها به کارکنان است.

با اجرای حسابرسی نیز می‌توان اطمینان حاصل کرد که داده‌ها و تغییرات‌شان در تمام ایستگاه‌های کاری و مخازن مرکزی داده هماهنگ باشند.

هر دوی این راهکارها به حذف «سیاه‌چاله‌های» موجود در اطلاعات شرکت‌ها که منشأ داده ‌‌‌‌‌‌‌‌های‌‍‌‌‌‌‌‌‌ سیاه هستند، کمک می‌کنند.

رمینگتون در ادامه می‌گوید: «هنوز تا ناپدید شدن داده های سیاه راه زیادی پیش رو داریم؛ اما درحال‌حاضر، سازمان‌ها باید تمام تلاش خود را برای رسیدگی به داده‌هایی که لحظه به لحظه تولید می‌شوند، به کار ببرند. این اقدامات در بلندمدت به شرکت‌ها کمک می‌کند، تا به اهدافشان برسند.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید