یک نقشه راه عملیاتی برای کسب درآمد از داده‌های مکانی

یک نقشه راه عملیاتی برای کسب درآمد از داده‌های مکانی

چکیده

در عصر حاضر که داده‌ها به عنوان “نفت جدید” شناخته می‌شوند، پتانسیل کسب درآمد از داده‌ها، به ویژه داده‌های مکانی، در حال افزایش چشمگیری است [۴۰۸، ۸۷]. تحلیل‌های مکانی، که به هوش مکانی نیز معروفند، با افزودن بعد فضایی به داده‌ها، امکان درک عمیق‌تر الگوها، روندها و روابطی را فراهم می‌آورند که روش‌های سنتی تحلیل داده قادر به ارائه آن نیستند [۳]. این رشته نوظهور از هوش تجاری و علم داده، قابلیت‌های تصمیم‌گیری و پیش‌بینی را بهبود می‌بخشد، به سازمان‌ها کمک می‌کند تا ارزش‌های جدیدی را کشف کنند و برنامه‌ریزی استراتژیک و کارایی عملیاتی را افزایش دهند [۳]. با رشد بازار جهانی تحلیل‌های مکانی و پیش‌بینی رسیدن آن به بیش از ۱۵۷ میلیارد دلار تا سال ۲۰۲۹، و افزایش سرمایه‌گذاری‌ها در این حوزه در کشورهایی مانند عربستان سعودی، ضرورت اتخاذ یک رویکرد استراتژیک برای بهره‌برداری و کسب درآمد از این دارایی ارزشمند بیش از پیش آشکار می‌شود [۹، ۱].

این فصل، یک نقشه راه عملیاتی برای توسعه و اجرای استراتژی‌های کسب درآمد از داده‌های مکانی را ارائه می‌دهد. ما به بررسی جامع ماهیت تحلیل‌های مکانی، کاربردهای گسترده آن در بخش‌های مختلف (از جمله عمومی، حمل‌ونقل، خرده‌فروشی، سلامت، و محیط زیست)، و پیشرفت‌های فناورانه‌ای می‌پردازیم که این حوزه را تقویت کرده‌اند [۴، ۵، ۶، ۷، ۱۴، ۱۵، ۱۶، ۱۷، ۱۸، ۲۶۷، ۲۶۸، ۲۶۹، ۲۷۱، ۲۷۲، ۲۷۳، ۲۷۴]. همچنین، به چالش‌های عمده‌ای که سازمان‌ها در مسیر پیاده‌سازی و بلوغ تحلیل‌های مکانی با آن مواجه هستند، شامل یکپارچه‌سازی داده‌ها، مقیاس‌پذیری پردازش، پالایش داده‌ها، نیاز به تخصص فنی، و مسائل حفظ حریم خصوصی، پرداخته می‌شود [۲۴، ۲۵، ۲۶، ۲۷، ۲۸، ۲۹]. در ادامه، مدل‌ها و استراتژی‌های متنوع کسب درآمد از داده‌ها، از جمله کسب درآمد مستقیم و غیرمستقیم، مدل داده به عنوان سرویس (DaaS)، و نقش هوش مصنوعی مکانی (GeoAI) و MLOps در این فرآیند مورد بحث قرار می‌گیرد [۹۰، ۹۱، ۱۷۵، ۱۷۸، ۱۷۹، ۱۸۰، ۳۲۶، ۳۲۷، ۳۲۸، ۳۲۹، ۴۰۹، ۴۴۵، ۵۵۶]. این فصل، اهمیت ملاحظات حقوقی و اخلاقی را در تمام مراحل کسب درآمد از داده‌ها برجسته می‌کند و بهترین شیوه‌ها را برای اطمینان از انطباق و حفظ اعتماد مشتری ارائه می‌دهد [۱۰۷، ۱۰۸، ۱۰۹، ۱۴۹، ۱۵۰، ۱۵۷]. در نهایت، با ارائه یک چارچوب عملی برای توسعه و اجرای استراتژی مکانی، این فصل ابزاری جامع برای رهبران سازمان‌ها فراهم می‌آورد تا بتوانند از پتانسیل کامل داده‌های مکانی خود بهره‌برداری کرده و به مزیت رقابتی پایدار دست یابند [۳۱۵، ۳۱۶، ۳۱۷، ۳۱۸، ۳۱۹، ۳۲۰، ۳۲۱، ۲۹۴، ۲۹۵].

مقدمه

در دنیای مدرن امروز، داده‌ها به عنوان ستون فقرات و شریان حیاتی هر سازمان شناخته می‌شوند و تصمیم‌گیری‌های حیاتی و ابتکارات استراتژیک را تغذیه می‌کنند [۳۹۱، ۱۷۱]. سازمان‌ها در صنایع مختلف به طور فزاینده‌ای پتانسیل کسب درآمد از داده‌ها را برای ایجاد جریان‌های درآمدی جدید درک می‌کنند [۳۹۱]. این تغییر آشکار است، زیرا کسب‌وکارهای بزرگ و کوچک، راه‌های نوآورانه‌ای را برای فروش داده‌ها و ایجاد درآمد فراتر از مدل‌های سنتی خود بررسی می‌کنند [۳۹۱]. تخمین‌های Deloitte نشان می‌دهد که این یک بازار ۲.۱ میلیارد دلاری با رشد سالیانه ۲۲ درصد (CAGR) است [۳۹۱]. اگر سازمانی هنوز این کار را شروع نکرده باشد، به زودی این کار را خواهد کرد [۳۹۱]. در قلب این تحول دیجیتال، مفهوم “مکان” قرار دارد؛ هر فعالیتی در جایی رخ می‌دهد و این بستر فضایی، بینش‌های قابل توجهی را به خدمات کسب‌وکار، فرآیندها، تعاملات با مشتری و موارد دیگر می‌افزاید [۲].

داده‌های مکانی، که در سال‌های اخیر رشد تصاعدی داشته‌اند، به دلیل قابلیت منحصر به فردشان در آشکارسازی روابط پنهان و الگوهای پیچیده در میان نقاط داده‌ای که به ظاهر نامرتبط هستند، به دارایی‌های فوق‌العاده ارزشمندی تبدیل شده‌اند [۲، ۴۶۸]. این داده‌ها، فراتر از موقعیت‌های ایستا، بینش‌هایی را در مورد روابط بین نقاط مورد علاقه، محصولات، برندها و افراد ارائه می‌دهند [۲۹۷]. تحلیل‌های مکانی به سازمان‌ها اجازه می‌دهند تا به سؤالات اساسی “کجا”، “چرا آنجاست” و “چگونه می‌توانم آماده شوم” پاسخ دهند، که این سؤالات برای برنامه‌ریزی استراتژیک، بهبود کارایی عملیاتی، و دستیابی به مزیت رقابتی حیاتی هستند [۵۰، ۵۱]. این قابلیت به کسب‌وکارها امکان می‌دهد تا الگوها، روندها و روابطی را که روش‌های سنتی علم داده نمی‌توانند ارائه دهند، شناسایی و تجسم کنند [۲].

این فصل به تفصیل به بررسی چگونگی تدوین یک نقشه راه عملیاتی برای کسب درآمد مؤثر از داده‌های مکانی می‌پردازد. ما از طریق این فصل، به تشریح مفاهیم اساسی تحلیل‌های مکانی، پویایی‌های بازار فعلی، و محرک‌های فناورانه می‌پردازیم که رشد این حوزه را تسریع کرده‌اند. همچنین، چالش‌های رایج در پیاده‌سازی و بهره‌برداری از تحلیل‌های مکانی را شناسایی کرده و راهبردهای عملی برای غلبه بر آن‌ها را ارائه می‌دهیم. در ادامه، مدل‌های مختلف کسب درآمد از داده‌ها، از جمله مدل‌های مستقیم و غیرمستقیم، و همچنین ملاحظات حقوقی و اخلاقی مرتبط با این فرآیند را مورد بحث قرار می‌دهیم. هدف نهایی این فصل، توانمندسازی سازمان‌ها با دانش و ابزارهای لازم برای تبدیل داده‌های مکانی خود به یک منبع قابل توجه درآمد و مزیت رقابتی پایدار است.

رونق روزافزون داده‌های مکانی و هوش مکانی

بازار تحلیل‌های مکانی در حال تجربه رشد ثابتی است، به طوری که پیش‌بینی می‌شود درآمد آن تا سال ۲۰۲۹ به ۱۵۷ میلیارد دلار برسد و رشد سالانه چشمگیر ۹.۶ درصدی را در دوره پنج ساله مورد بررسی محقق سازد [۹]. در عربستان سعودی، بازار تحلیل‌های مکانی در حال حاضر ۳۷۰ میلیون دلار ارزش دارد و انتظار می‌رود با نرخ رشد ترکیبی سالانه (CAGR) ۹.۲۲ درصدی طی دوره پیش‌بینی، به ۵۷۰ میلیون دلار در پنج سال آینده برسد [۹]. این ارقام، نشان‌دهنده اشتهای رو به رشد برای تحلیل‌های مکانی و تأثیر قابل توجه آن در بخش‌های مختلف است [۱].

داده‌های مکانی: دارایی استراتژیک قرن بیست و یکم

داده‌های مکانی به عنوان یک دارایی استراتژیک در اقتصاد مدرن شناخته می‌شوند و اغلب به دلیل پتانسیل خود برای ایجاد درآمد، با نفت مقایسه می‌شوند [۱۴۷]. با این حال، برخلاف نفت، داده‌ها را می‌توان به روش‌های مختلف تکثیر و کسب درآمد کرد، بدون اینکه تحلیل روند را در طول زمان کاهش یابند [۱۴۷]. یک استراتژی کسب درآمد از داده‌های خوب ساختاریافته باید با چارچوب‌های قانونی، استانداردهای اخلاقی و اهداف تجاری همسو باشد [۱۴۸].

اغلب مدیران ارشد مالی، مدیران عامل، معماران، مهندسان، و شرکت‌های ساخت‌وساز یک رویکرد جغرافیایی را برای بهبود زمینه‌هایی مانند کیفیت زندگی، شیوه‌های برنامه‌ریزی شهری و اجتماعی، و ساخت شهرهای هوشمند اتخاذ کرده‌اند [۱۰]. این دارایی حیاتی، یعنی داده، از طریق به‌کارگیری فناوری ایجاد می‌شود [۱۶۵]. تحلیل‌های پیشرفته به کاوش و کشف ارزش استراتژیک و عملیاتی داده‌ها کمک می‌کنند [۱۶۵]. با این حال، یک استراتژی درست، که با یک مدل کسب‌وکار مؤثر دنبال شود، به سازمان کمک می‌کند تا بر ایجاد ارزش از داده‌ها و تحلیل‌ها تمرکز کند، دارایی را به طور مؤثر کسب درآمد کرده و مزیت رقابتی برای سازمان ایجاد کند [۱۶۵].

برخلاف اکثر دارایی‌های شرکتی، داده‌ها دائماً در حال تکامل هستند و ممکن است همزمان در حال افزایش و کاهش ارزش باشند [۱۶۸]. در حالی که داده‌های تاریخی ممکن است از نظر فرصت‌های تراکنشی با چرخه کوتاه، ارزش خود را از دست بدهند، اما از دیدگاه روندی و استراتژیک با چرخه بلند، ممکن است ارزش کسب کنند [۱۶۸]. همانطور که یک سازمان فعالیت می‌کند، داده تولید می‌شود؛ و همانطور که محیط و رقبای آن با یکدیگر و با مشتریان تعامل و تکامل می‌یابند، داده‌های بیشتری تولید می‌شود [۱۶۸]. یک چارچوب برای کسب درآمد مؤثر از این دارایی که دائماً در حال تغییر است (داده)، باید ماهیت پویای این دارایی را تشخیص دهد [۱۶۸]. فرضیات و برنامه‌های کسب درآمد باید ماهیت دائماً در حال رشد و تغییر داده‌ها و همچنین نحوه تولید و مصرف آنها را تشخیص داده و نسبت به آن پاسخگو باشند [۱۶۸].

رشد بازار تحلیل‌های مکانی: فرصت‌های جهانی و منطقه‌ای

تحقیقات اخیر نشان می‌دهد که ۷۴ درصد از خریداران داده در حال حاضر از داده‌های مکانی، چه از منابع داخلی و چه خارجی، استفاده می‌کنند [۸]. در صنایع مختلف، حداقل ۲۵ درصد از شرکت‌ها بیش از سه سال پیش از داده‌های مکانی استفاده می‌کنند [۸]. به طور خاص، استفاده از داده‌های مکانی در بخش حمل‌ونقل و لجستیک تقریباً ۶۰ درصد افزایش یافته است، در حالی که بخش‌های مالی و خرده‌فروشی/عمده‌فروشی استفاده قابل توجه خود را تقریباً ۵۰ درصد افزایش داده‌اند [۸]. علاوه بر این، ۷۳ درصد از کاربران نرم‌افزار به عنوان سرویس (SaaS) مایلند برای قابلیت‌های مکانی پیشرفته در برنامه‌های خود هزینه اضافی پرداخت کنند [۸]. این نشان‌دهنده تقاضای قابل توجه برای راه‌حل‌های سازمانی است که از بینش‌های مکانی و جغرافیایی برای افزایش ارزش کاربر استفاده می‌کنند [۸].

بازار جهانی تحلیل‌های مکانی در سال ۲۰۲۴، ۱۱۴.۳۲ میلیارد دلار تخمین زده شده است و پیش‌بینی می‌شود تا سال ۲۰۳۰ به ۲۲۶.۵۳ میلیارد دلار برسد، که با نرخ رشد ترکیبی سالانه (CAGR) ۱۱.۳٪ از سال ۲۰۲۵ تا ۲۰۳۰ رشد می‌کند [۲۶۷، ۲۸۸]. این رشد ناشی از افزایش پذیرش خدمات مبتنی بر مکان در صنایع مختلف، از جمله خرده‌فروشی، حمل‌ونقل و لجستیک است [۲۶۷]. کسب‌وکارها از داده‌های مکانی برای بهینه‌سازی زنجیره‌های تأمین، افزایش هدف‌گیری مشتری، و بهبود کارایی عملیاتی بهره می‌برند [۲۶۷]. رشد شهرهای هوشمند و ابتکارات برنامه‌ریزی شهری، تقاضا را بیش از پیش تسریع کرده است، زیرا دولت‌ها و شهرداری‌ها از تحلیل‌های مکانی برای مدیریت زیرساخت‌ها، نظارت بر تغییرات محیطی، و بهبود امنیت عمومی استفاده می‌کنند [۲۶۸]. ادغام تحلیل‌های مکانی با هوش مصنوعی (AI) و فناوری‌های کلان داده نیز به رشد صنعت تحلیل‌های مکانی کمک می‌کند [۲۶۸]. با ترکیب داده‌های فضایی با الگوریتم‌های یادگیری ماشین، سازمان‌ها می‌توانند بینش‌های عمیق‌تر و پیش‌بینی‌های دقیق‌تری به دست آورند [۲۶۸]. این امر به ویژه در صنایعی مانند کشاورزی برای کشاورزی دقیق، دفاع برای نظارت و تشخیص تهدید، و مدیریت بلایا برای سیستم‌های هشدار اولیه و ارزیابی تأثیر، بسیار ارزشمند است [۲۶۸]. قابلیت تحلیل حجم عظیمی از تصاویر ماهواره‌ای، داده‌های حسگرها و اطلاعات برچسب‌گذاری شده جغرافیایی در زمان واقعی، فرآیندهای تصمیم‌گیری را متحول می‌کند [۲۶۸].

علاوه بر این، سیاست‌ها و سرمایه‌گذاری‌های دولتی نیز رشد بازار را پیش می‌برند [۲۶۹]. بسیاری از دولت‌های ملی در ابتکارات شهرهای هوشمند، توسعه زیرساخت‌ها و برنامه‌های نظارت بر محیط زیست سرمایه‌گذاری می‌کنند که همگی به شدت به داده‌های مکانی وابسته هستند [۲۶۹]. این ابتکارات به ابزارهای نقشه‌برداری و تحلیل فضایی پیچیده‌ای برای برنامه‌ریزی و اجرای مؤثر پروژه‌های در مقیاس بزرگ نیاز دارند [۲۶۹]. به عنوان مثال، برنامه Smart Nation 2.0 (۲۰۲۴-۲۰۲۵) سنگاپور از تحلیل‌های مکانی برای برنامه‌ریزی شهری با دقت بالا، مدیریت شهری مبتنی بر اینترنت اشیا در زمان واقعی، و تصمیم‌گیری مبتنی بر هوش مصنوعی استفاده می‌کند [۲۶۹]. سنگاپور دوقلوهای دیجیتال سه‌بعدی، تصاویر ماهواره‌ای، و نقشه‌برداری LiDAR را برای بهینه‌سازی ترافیک، واکنش به بلایا، و پایداری یکپارچه می‌کند [۲۶۹]. این ابتکار با افزایش تقاضا برای داده‌های دقیق، پلتفرم‌های فضایی مبتنی بر ابر، و هوش مکانی تقویت‌شده با هوش مصنوعی، بازار تحلیل‌های مکانی را رونق می‌دهد [۲۶۹].

درک عمیق تحلیل‌های مکانی و کاربردهای آن

تحلیل‌های مکانی چیست؟

تحلیل‌های مکانی، به عنوان یک حوزه نوظهور از هوش تجاری و علم داده، هوش مکانی (Location Intelligence) را برای درک بستر فضایی ارائه می‌دهد [۲]. این روش الگوها، روندها و روابط را شناسایی و تجسم می‌کند و بینش‌های جدیدی را ارائه می‌دهد که روش‌های سنتی علم داده نمی‌توانند فراهم کنند [۲]. تحلیل‌های مکانی از نقشه‌ها برای ایجاد درک کامل از بستر فضایی و ارائه اطلاعات از طریق الگوهای بصری و تصاویر به راحتی قابل شناسایی استفاده می‌کنند [۳]. این امر تصمیم‌گیری و پیش‌بینی‌های سریع‌تر، ساده‌تر و دقیق‌تر را برای انتقال مؤثر اطلاعات فضایی پیچیده تسهیل می‌کند [۳]. این روش با گسترش دامنه تحلیل‌های سنتی برای ارائه بینش‌های قدرتمند در مورد اینکه فعالیت‌های تجاری کجا اتفاق می‌افتند، کجا باید اتفاق بیفتند یا ممکن است اتفاق بیفتند، ارزش‌های جدیدی را برای سازمان‌ها باز می‌کند، در نتیجه برنامه‌ریزی استراتژیک و کارایی عملیاتی را افزایش می‌دهد [۳].

ارزش افزوده از بستر مکانی

هر فعالیتی در مکانی خاص رخ می‌دهد، و این بستر فضایی، بینش‌های قابل توجهی را به خدمات تجاری، فرآیندها، تعاملات با مشتری و موارد دیگر می‌افزاید [۲، ۴]. در حقیقت، ارتباط نقاط داده‌ای که به ظاهر نامرتبط هستند با ارجاع به موقعیت مکانی آن‌ها، روابط میان خدمات عمومی و مردم را آشکار می‌کند [۴]. با تحلیل داده‌ها از منظر جغرافیایی، تصویر دقیق‌تری از مسائل و رویدادهایی که بر ارائه خدمات عمومی تأثیر می‌گذارند، پدیدار می‌شود، که منجر به کاهش هزینه‌ها، بهبود همسویی بین عرضه و تقاضای خدمات، افزایش کیفیت خدمات، افزایش بهره‌وری، تخصیص کارآمدتر منابع، و توسعه سیاست‌های پیشگیرانه می‌شود [۴].

تحول در بخش دولتی از طریق تحلیل‌های مکانی

تحلیل‌های مکانی در حال تغییر و تحول بخش دولتی هستند [۴]. توانایی اتصال نقاط داده‌ای که به ظاهر نامربوط هستند از طریق ارجاع به موقعیت مکانی آن‌ها، روابط بین خدمات عمومی و مردم را آشکار می‌کند [۴].

کمک به برنامه‌ریزی شهری و خدمات عمومی

به عنوان مثال، در زمینه شهری که قصد دارد مناطق تجاری و مسکونی را متعادل کند، تحلیل‌های مکانی می‌توانند به برنامه‌ریزان در تصمیم‌گیری‌های آگاهانه کمک کنند [۵]. این تحلیل‌ها توزیع فضایی کاربری زمین را در مناطق مختلف تجزیه و تحلیل و تجسم می‌کنند، که به درک روندهای کاربری زمین و تعیین مناطق مناسب برای فعالیت‌های تجاری یا زندگی مسکونی کمک می‌کند [۵]. مدل‌سازی تحلیل‌های مکانی نشان می‌دهد که چگونه پروژه‌های توسعه مسکن جدید ممکن است بر مدارس، امکانات بهداشتی، و جریان ترافیک تأثیر بگذارند [۵]. این به برنامه‌ریزان شهری کمک می‌کند تا تصمیمات آگاهانه‌ای برای خدمات شهری بگیرند [۷].

افزایش آگاهی موقعیتی و واکنش اضطراری

با تحلیل مکانی، آگاهی موقعیتی و قابلیت‌های واکنش اضطراری را می‌توان افزایش داد [۶]. استفاده از فیدهای داده فضایی در زمان واقعی و تکنیک‌های مدل‌سازی پیش‌بینی‌کننده به نیروهای واکنش اضطراری اجازه می‌دهد تا به طور پیشگیرانه مناطق پرخطر را شناسایی کنند، عملیات اضطراری را هماهنگ کنند، و منابع را به طور کارآمد در طول بلایای طبیعی، بحران‌های انسانی، یا اورژانس‌های بهداشت عمومی تخصیص دهند [۶]. این کار قابلیت‌های آگاهی موقعیتی و واکنش اضطراری را افزایش می‌دهد [۷].

نظارت بر محیط زیست و مدیریت منابع طبیعی

تحلیل مکانی نقش محوری در نظارت بر محیط زیست و مدیریت منابع طبیعی ایفا می‌کند [۶]. این تحلیل تغییرات پوشش زمین، نرخ جنگل‌زدایی و نقاط داغ تنوع زیستی را رصد می‌کند و به توسعه استراتژی‌های حفاظت، ردیابی تکه‌تکه شدن زیستگاه، و اولویت‌بندی مؤثر تلاش‌های حفاظت کمک می‌کند [۶]. علاوه بر این، برنامه‌ریزی پایدار کاربری زمین، مدیریت منابع آب، و ابتکارات سازگاری با تغییرات آب و هوایی را تسهیل می‌کند و بینش‌هایی را در مورد دینامیک اکوسیستم و آسیب‌پذیری‌های محیطی ارائه می‌دهد [۶]. این موضوع نظارت بر محیط زیست و مدیریت منابع طبیعی را بهبود می‌بخشد [۷].

نقش عربستان سعودی در پذیرش تحلیل‌های مکانی

پادشاهی عربستان سعودی (KSA) تأثیر تحلیل‌های مکانی را در تصمیم‌گیری و افزایش کیفیت زندگی به رسمیت می‌شناسد [۱۰]. داده‌ها و تحلیل‌های مکانی هر دو تغییردهنده بازی در موفقیت چشم‌انداز ۲۰۳۰ عربستان سعودی هستند [۱۰].

پروژه‌های کلان و کاربردهای تحلیل مکانی

عربستان سعودی یک اکوسیستم مکانی در سطح ملی، همراه با پلتفرمی از ۱۲ مجموعه داده بنیادی برای تنظیم بخش مکانی ایجاد کرده است [۱۱، ۱۳]. این کشور گام‌های قابل توجهی در جهت دستیابی به اهداف دیجیتالی خود با نسل جدیدی از محیط تبادل داده‌های مکانی برداشته است که فراتر از ظرفیت‌های زیرساخت‌های داده فضایی ملی و بین‌المللی موجود است [۱۱]. تحلیل‌های مکانی نقطه عطف کلیدی در چندین ابرپروژه مانند نئوم (NEOM)، آمالا (AMAALA)، پروژه دریای سرخ (The Red Sea Project)، روشان (ROSHN)، پروژه دیریه (Diriyah project) و پروژه العلا (AlUla project) محسوب می‌شود [۱۱].

در پروژه نئوم، تحلیل مکانی برای ارزیابی خطرات توسعه مستعد سیل استفاده شد که به کاهش تهدیدات جانی و مالی کمک کرد [۱۲، ۱۳]. این شامل مطالعه داده‌های توپوگرافی در برابر دریا و رودخانه‌های اطراف و تحلیل مورفومتریک آن‌ها شامل شاخص رطوبت، ارتفاع، شیب، جریان شاخص قدرت جریان انباشتگی و تشکیل زمین‌شناسی و موارد دیگر بود [۱۲]. این مطالعه خطر سیل را در برخی مناطق – از زیاد به کم – کاهش داد و همچنین به آمادگی برای موارد اضطراری کمک کرد [۱۲].

کمیسیون سلطنتی العلا (The Royal Commission for AlUla) یک استراتژی مکانی برای سایت‌های تاریخی، از جمله میراث فرهنگی و طبیعی العلا، توسعه داد که برنامه بلندمدتی را برای تحول حساس و پایدار منطقه برای آماده‌سازی گردشگری جهانی آغاز کرد [۱۲، ۱۳]. تحلیل‌های مکانی و نقشه‌های هوشمند برای پشتیبانی از تمام نیازهای داده‌ای آن‌ها در توسعه یک سیستم حمل‌ونقل عمومی در سطح جهانی که نیازهای محلی‌ها و گردشگران را به طور یکسان برآورده می‌کند، محوری بودند [۱۲]. این امر با دسترسی به داده‌های معتبر مکانی، مدیریت داده، مشاهده نقشه پایه برای وسایل نقلیه خودران، وسایل نقلیه الکتریکی و وسایل نقلیه هیبریدی و قابلیت‌های پیشرفته مرجع جغرافیایی مانند تشخیص تغییر حاصل شد [۱۲].

بسیاری از رهبران در عربستان سعودی، فناوری سیستم‌های اطلاعات جغرافیایی (GIS) را پذیرفته‌اند تا تحلیل‌های مبتنی بر داده را در تصمیمات سطح بالا در مورد سیاست، علم، و طراحی جوامع، در مدیریت دارایی‌ها، چاه‌ها، خطوط لوله، کارخانه‌ها و ساختمان‌ها، جاده‌ها، و شبکه تأسیسات عمومی گنجانند [۱۲]. نقشه‌های هوشمند و برنامه‌های نقشه‌برداری به سازمان‌ها کمک می‌کنند تا گردش کار را بهبود بخشند، پروژه‌ها را در بستر قرار دهند، همکاری را در طول چرخه عمر پروژه افزایش دهند، و راه‌حل‌های قابل تکرار ارائه دهند [۱۲].

عوامل تسریع‌کننده: پیشرفت‌های فناورانه

پیشرفت‌های فناورانه به طور قابل توجهی حوزه تحلیل‌های مکانی را تقویت کرده و نحوه درک و استفاده ما از داده‌های فضایی را متحول کرده‌اند [۱۴]. این پیشرفت‌ها، پردازش دقیق و در زمان واقعی داده‌های مکانی را امکان‌پذیر می‌سازند و منجر به نقشه‌برداری دقیق‌تر، نظارت و تحلیل پیش‌بینی‌کننده می‌شوند و در نتیجه بینش‌های ما را عمیق‌تر می‌کنند [۱۴].

حسگرها و فناوری‌های ثبت واقعیت

نوآوری در فناوری حسگرها و ثبت واقعیت، به ویژه تحت تأثیر بخش مصرف‌کننده، به جریان اصلی تبدیل شده است، که کیفیت داده‌ها را افزایش داده و جمع‌آوری آن را تسریع می‌کند [۱۵]. راه‌حل‌های ثبت واقعیت به ویژه دسترسی آسان به داده‌های مکانی را برای افزایش کیفیت و سرعت جمع‌آوری داده‌ها فراهم کرده‌اند [۱۵]. اسکنرهای سه‌بعدی پیشرفته و سیستم‌های نقشه‌برداری موبایلی با افزایش حجم و دقت داده‌ها، صنعت نقشه‌برداری و نقشه‌کشی را متحول می‌کنند [۱۵].

اینترنت اشیا، 5G و رسانه‌های اجتماعی

استقرار شبکه‌های 5G و دستگاه‌های IoT، منابع جدیدی را برای تحلیل داده‌های مکانی، از جمله داده‌های زمان واقعی، باز کرده است [۱۶]. با افزایش تعداد دستگاه‌ها و برنامه‌هایی که قادر به ثبت اطلاعات مکانی هستند، ارزش تحلیل مکانی گسترده شده و موارد استفاده آن چندین برابر شده است [۱۶]. مقدار قابل توجهی از داده‌های مکانی از رسانه‌های اجتماعی می‌آید که توسط افراد هنگام ورود به یک مکان، برچسب‌گذاری عکس با داده‌های مکانی از تلفن‌های هوشمند مجهز به GDS یا ارسال یک “توییت” تولید می‌شود [۱۶]. این گسترش در داده‌ها همچنین تقاضا برای خدمات مبتنی بر مکان (LBS) را تسریع کرده است [۲۶۷]. بازار خدمات مبتنی بر مکان در سال ۲۰۲۵ به ۵۶.۲۳ میلیارد دلار رسیده و پیش‌بینی می‌شود با نرخ رشد ترکیبی سالانه ۲۵.۳۵ درصد تا سال ۲۰۳۰ به ۱۷۲.۹۷ میلیارد دلار برسد [۳۳۶]. این رشد سریع ناشی از استقرار شبکه‌های 5G با دقت زیر متری، مقررات اجباری تماس‌های اضطراری که مکان‌یابی پیشرفته موبایل (AML) را الزامی می‌کند، و ظهور مراکز لجستیک “دوقلو دیجیتال” که به سیستم‌های مکان‌یابی در زمان واقعی (RTLS) وابسته هستند، می‌باشد [۳۳۶].

ماهواره‌ها، پهپادها و تحلیل تصاویر

سرمایه‌گذاری‌ها در فناوری‌های ماهواره‌ای و پهپادی، حجم بی‌سابقه‌ای از داده‌ها را تولید کرده است که منتظر پردازش تحلیلی برای استخراج بینش‌ها هستند [۱۷]. این ابزارها برای توسعه وسایل نقلیه و برنامه‌های کاربردی جدید متکی بر مکان، حیاتی هستند [۱۷]. قابلیت استفاده از حجم عظیم تصاویر ماهواره‌ای، داده‌های حسگرها و اطلاعات برچسب‌گذاری جغرافیایی در زمان واقعی، فرآیندهای تصمیم‌گیری را متحول می‌کند [۲۶۸].

قدرت محاسباتی و دسترسی‌پذیری

تقاضا برای پردازش داده‌های فشرده توسط تحلیل‌های مکانی، نیازمند زیرساخت‌های پردازش داده فشرده و فناوری‌های ابری است که راه‌حل‌های مقیاس‌پذیر پردازش و ذخیره‌سازی را ارائه می‌دهند [۱۷]. ابرمقیاس‌کننده‌های ابری در حال افزایش قابلیت‌های هوش مکانی خود هستند و از مجموعه‌داده‌های بزرگ برای تحلیل‌های پیشرفته مبتنی بر مکان استفاده می‌کنند [۱۷]. بخش نرم‌افزار با سهم درآمد بیش از ۶۴.۰٪ در سال ۲۰۲۴، بازار را تحت تسلط خود درآورده است که این امر ناشی از رشد رایانش ابری و مدل‌های تحویل مبتنی بر SaaS است [۲۷۰]. راه‌حل‌های تحلیل مکانی مبتنی بر ابر، ذخیره‌سازی مقیاس‌پذیر، یکپارچه‌سازی بی‌درنگ با سیستم‌های سازمانی و دسترسی از راه دور را ارائه می‌دهند که به کسب‌وکارهایی با تیم‌های توزیع شده جهانی که به اشتراک‌گذاری داده‌ها در زمان واقعی نیاز دارند، سود می‌رساند [۲۷۰]. این ویژگی‌ها، پذیرش این راه‌حل‌ها را در میان SME‌ها و شرکت‌های بزرگ به یک اندازه افزایش می‌دهد [۲۷۰].

هوش مصنوعی مکانی (Geospatial AI)

هوش مصنوعی (AI) دقت تحلیل‌های مکانی را بهبود می‌بخشد و امکان تشخیص تغییرات ظریف محیطی را فراهم می‌کند [۱۸]. تحلیل خودکار داده‌ها از طریق هوش مصنوعی به طور قابل توجهی در زمان و منابع صرفه‌جویی می‌کند، در حالی که کارایی استخراج بینش از مجموعه‌داده‌های عظیم مکانی را بهبود می‌بخشد [۱۸]. ترکیب هوش مصنوعی با داده‌های فضایی بسیار ارزشمند است [۲۶۸]. برای مثال، در کشاورزی دقیق، دفاع برای نظارت و تشخیص تهدید، و مدیریت بلایا برای سیستم‌های هشدار اولیه و ارزیابی تأثیر [۲۶۸].

تکامل نرم‌افزارهای تحلیل مکانی

فضای فناوری مکانی شاهد رشد قابل توجهی بوده است – از انتقال GIS سنتی به خدمات مبتنی بر ابر تا ظهور پلتفرم‌های متن‌باز و بدون کد/کم‌کد [۱۸]. این تکامل، هوش مکانی را فراتر از برنامه‌های کاربردی GIS سنتی گسترش داده و به طور یکپارچه آن را در سیستم‌های سازمانی گسترده‌تر برای بینش‌های بهبود یافته ادغام می‌کند [۱۸]. ESRI به عنوان یکی از بازیگران کلیدی در این صنعت، مدل مجوز کاربر را در ژوئن ۲۰۲۴ به شش نوع کاربر مبتنی بر نقش به روز رسانی کرده است [۴۰، ۲۸۰، ۲۸۴]. این شش گزینه به تدریج قابلیت‌ها، برنامه‌ها و خدماتی را که کاربر به آنها دسترسی دارد، گسترش می‌دهند – از Viewer تا Professional Plus [۴۰]. این مدل‌های کاربر، با نقش‌های کلیدی در یک سازمان همسو هستند و مدیریت مجوزها را ساده و کارآمد می‌کنند [۴۰]. از ژوئن ۲۰۲۵، ArcGIS Navigator، ArcGIS Business Analyst Web App Standard، ArcGIS CityEngine و ArcGIS Urban نیز از طریق انواع کاربران مجوز خواهند یافت و دیگر به صورت جداگانه فروخته نخواهند شد [۴۰]. این رویکرد تودرتو مدیریت دسترسی به قابلیت‌های ArcGIS را ساده‌تر کرده و امکان مقیاس‌بندی دسترسی کاربران به طیف رو به رشد قابلیت‌ها را با گسترش نیازها فراهم می‌آورد [۴۶].

بلوغ در تحلیل‌های مکانی: از تصادفی تا بهینه

با وجود اهمیت روزافزون تحلیل‌های مکانی، این حوزه همچنان در بسیاری از سازمان‌ها ناشناخته باقی مانده است و اکثر آن‌ها در سطوح پایین‌تر طیف بلوغ قرار دارند [۱۹]. برای درک این موضوع، ما ابعاد یک مدل بلوغ متناسب با هوش مکانی و جغرافیایی را بررسی می‌کنیم که شامل پنج مرحله است:

سطوح مختلف بلوغ

• موردی (Ad hoc): استفاده از هوش مکانی و جغرافیایی به صورت موردی و بدون برنامه‌ریزی است، که اغلب به موارد خاصی محدود می‌شود که در سیستم‌های خریداری‌شده از پیش تعبیه شده است یا توسط شرکا درخواست می‌شود [۲۰]. فقدان قابل توجه پشتیبانی استراتژیک یا بودجه برای جمع‌آوری و تحلیل جامع داده‌ها وجود دارد، که موفقیت را به شدت وابسته به ابتکار فردی می‌کند [۲۰].
• فرصت‌طلبانه (Opportunistic): در این سطح، سازمان‌ها شروع به آزمایش با داده‌های مکانی می‌کنند، هرچند به صورت نامنظم [۲۰]. ابتکارات و سیستم‌های جداگانه‌ای برای جمع‌آوری داده‌های مکانی و جغرافیایی وجود دارد، بدون هیچ استراتژی منسجمی برای استقرار این فناوری [۲۰]. شیوه‌های مدیریت داده، حاکمیت، مدیریت مهارت‌ها، و انتخاب فناوری ابتدایی و استاندارد نیستند، که دامنه و اثربخشی ابتکارات مکانی را محدود می‌کند [۲۰].
• تکرارپذیر (Repeatable): ارزش تحلیل‌های مکانی افزایش می‌یابد و منجر به گردش کار داخلی ساختاریافته‌تر و سطحی از به اشتراک‌گذاری داده‌ها بین بخش‌ها می‌شود [۲۱]. سازمان‌ها در این مرحله شروع به دیجیتالی کردن و خودکارسازی فرآیندهایی می‌کنند که داده‌های مکانی را در بر می‌گیرند و پایه‌گذاری برای بهترین شیوه‌ها که می‌توانند تکرار و مقیاس‌بندی شوند را فراهم می‌کنند [۲۱].
• مدیریت‌شده (Managed): با یک استراتژی و بودجه سراسر سازمانی، سازمان‌ها از طیف گسترده‌ای از فناوری‌های مکانی پشتیبانی می‌کنند [۲۱]. استراتژی فناوری فضایی به دقت با اهداف کلی کسب‌وکار همسو می‌شود و از یک رویکرد منسجم برای آمادگی داده، حاکمیت، مدیریت مهارت‌ها، و استقرار فناوری در سراسر سازمان اطمینان حاصل می‌کند [۲۱].
• بهینه (Optimised): در اوج بلوغ، تحلیل‌های مکانی به سنگ بنای نوآوری و موفقیت کسب‌وکار و تصمیم‌گیری استراتژیک تبدیل می‌شود [۱۹]. تیم‌های رهبری، از جمله مدیران ارشد و مدیران بخش (LOB)، قدرت تحول‌آفرین هوش مکانی و جغرافیایی را به طور کامل تشخیص می‌دهند و سرمایه‌گذاری‌ها را با بازدهی قابل اندازه‌گیری و نتایج استراتژیک همسو می‌کنند [۱۹].

وضعیت کنونی سازمان‌ها

با وجود نقش حیاتی تحلیل‌های مکانی، اکثریت سازمان‌ها در مراحل اولیه بلوغ قرار دارند [۲۲]. تنها بخش کوچکی، کمتر از ۱ از ۲۰ شرکت یا ۳.۳٪، به سطح بلوغ بهینه دست یافته‌اند، جایی که ابتکارات جامع هوش مکانی و جغرافیایی، بهبودهای قابل توجهی در کسب‌وکار ایجاد می‌کنند [۲۲، ۲۳]. در مقابل، تقریباً نیمی (۵۰.۱٪) در مراحل اولیه موردی یا فرصت‌طلبانه قرار دارند، که نشان‌دهنده استفاده گسترده ناقص و درک محدود از پتانسیل‌های فناوری‌های مکانی است [۲۲، ۲۳]. این وضعیت نشان می‌دهد که هنوز راه زیادی برای سازمان‌ها وجود دارد تا پتانسیل کامل داده‌های مکانی را آزاد کنند.

چالش‌های پیاده‌سازی تحلیل‌های مکانی

پتانسیل تحلیل‌های مکانی گسترده است، با این حال چندین چالش می‌تواند مانع از پذیرش آن در کسب‌وکارها شود [۲۴].

یکپارچه‌سازی و قابلیت همکاری داده‌ها

آزاد کردن پتانسیل کامل تحلیل‌های مکانی نیازمند یکپارچه‌سازی مجموعه‌داده‌های باز و تجاری شخص ثالث با داده‌های تجاری داخلی است [۲۵]. چالش‌ها شامل موارد زیر هستند:

• تکه تکه شدن داده‌ها: داده‌های مکانی اغلب در منابع مختلف پراکنده هستند، که یافتن فایل‌های خاص مورد نیاز برای حل مشکلات را دشوار می‌کند [۲۵].
• تنوع فرمت: وجود داده‌های مکانی در فرمت‌های متعدد، یکپارچه‌سازی بی‌درنگ را پیچیده می‌کند، زیرا مدل‌های ناسازگار می‌توانند مانع تحلیل مؤثر شوند [۲۵].
• مشکلات قابلیت همکاری: دستیابی به قابلیت همکاری بین سیستم‌ها و مجموعه‌داده‌های مختلف حیاتی است، اما چالش‌برانگیز است و اغلب نیازمند پاک‌سازی و فرمت‌بندی مجدد گسترده داده‌ها است [۲۵]. این چالش‌ها می‌توانند به دلیل فقدان استانداردسازی در نقشه‌برداری داخلی نیز افزایش یابند، که هزینه‌های یکپارچه‌سازی را افزایش می‌دهد [۳۴۵].

مقیاس‌پذیری پردازش

از نظر تاریخی، سازمان‌ها برای گردش کار مکانی خود به ابزارهای دسکتاپ متکی بودند [۲۶]. با این حال، گسترش دسترسی به داده‌ها و شیوع برنامه‌های وب، نیازمند آن است که تحلیل‌های مکانی به طور کارآمد بارهای پردازشی افزایش‌یافته را مدیریت کنند [۲۶]. قدرت محاسباتی، ظرفیت ذخیره‌سازی، و قابلیت‌های پردازشی نقش مهمی در تضمین ارزش‌افزوده تحلیل‌های مکانی در گردش کارهای خودکار دارند [۲۶]. حجم زیاد داده‌های مکانی این چالش‌ها را تشدید می‌کند [۲۶]. به عنوان مثال، برآورد خیره‌کننده ۱۰۰ ترابایت داده مربوط به آب و هوا که روزانه تولید می‌شود را در نظر بگیرید [۲۶]. این جریان عظیم داده، چالش‌های قابل توجهی را در زمینه مقیاس‌پذیری، پردازش، ذخیره‌سازی، و دسترسی برای اکثر سازمان‌ها ایجاد می‌کند [۲۶]. سازمان‌ها اغلب منتظر زیرساخت‌های جدید می‌مانند که فرصت‌های رقابتی بالقوه را به خطر می‌اندازد [۱۹۵، ۲۴۶].

پالایش و آماده‌سازی داده‌ها

مدیریت مؤثر داده‌ها در مواجهه با فراوانی داده‌ها حیاتی است [۲۷]. سازمان‌ها با حجم عظیمی از اطلاعات مواجه هستند، که آن‌ها را وادار می‌کند تا برای کمک به دانشمندان داده داخلی خود متکی باشند [۲۷]. به طور شگفت‌آوری، تا ۹۰ درصد از زمان دانشمندان داده‌های مکانی صرف کارهای پالایش داده، مانند سازماندهی، پاک‌سازی، و فرمت‌بندی مجدد داده‌ها می‌شود، که نشان‌دهنده نیاز فوری به فرآیندهای داده‌ای ساده‌تر است تا زمان بیشتری برای تحلیل روندها و استخراج بینش‌ها فراهم شود [۲۷]. این چالش حتی در عصر داده‌های بدون ساختار، بیشتر آشکار می‌شود [۱۹۵، ۲۴۶]. دستیابی به بینش‌های روشنگر با کیفیت داده‌ها آغاز می‌شود [۱۹۵، ۲۴۶].

تخصص فنی

استفاده از تحلیل‌های مکانی نیازمند دانش تخصصی و مهارت‌های فنی برای کارهایی مانند هم‌ترازی مکانی لایه‌های داده است [۲۸]. کمبود تحلیلگران ماهر و باتجربه، استخراج ارزش از داده‌های مکانی را دشوار می‌کند، به ویژه برای سازمان‌های کوچک‌تر یا آن‌هایی که تازه وارد این حوزه شده‌اند [۲۸]. بسیاری از شرکت‌ها از تخصص لازم برای فراتر رفتن از تحلیل‌های داده‌های پایه بی‌بهره‌اند [۵۶۴].

حفظ حریم خصوصی و محرمانگی داده‌های مکانی

در حالی که قابلیت استخراج بینش‌های فضایی دقیق بسیار قدرتمند است، صنعت گسترده‌تر باید همواره به قوانین حفاظت از داده‌ها توجه داشته باشد و حقوق حریم خصوصی افراد و سوژه‌های تحقیقاتی را در اولویت قرار دهد [۲۹]. داده‌های مکانی، هنگامی که به افراد خاص مرتبط می‌شوند، هدف اصلی مجرمان سایبری برای بهره‌برداری از اطلاعات شخصی می‌شوند [۲۹]. داده‌های مبتنی بر مکان پتانسیل افشای جزئیات حساس در مورد روال‌های روزمره افراد، محل سکونت، محل کار، و حتی الگوهای حرکتی آن‌ها را دارند [۲۹]. سازمان‌ها باید از انطباق شیوه‌های داده خود با مقررات بین‌المللی حفظ حریم خصوصی اطمینان حاصل کنند [۴۱۰]. استفاده از داده‌های ماهواره‌ای برای نظارت بر املاک خصوصی یا افراد می‌تواند نگرانی‌های قانونی و اخلاقی را ایجاد کند [۴۱۰]. نظرسنجی‌ها نشان می‌دهد که ۷۱ درصد از کاربران تنها پس از رضایت صریح، مکان خود را به اشتراک می‌گذارند [۳۴۴]. مقرراتی مانند GDPR، CCPA، و قانون DPDP هند، لایه‌های رضایت اضافی را معرفی می‌کنند که ارائه‌دهندگان را وادار به سرمایه‌گذاری در مدل‌های حفظ حریم خصوصی افتراقی و یادگیری فدرال می‌کنند که هزینه‌های مهندسی را افزایش می‌دهد [۳۴۴]. این تغییرات سرعت جمع‌آوری داده‌ها را کاهش می‌دهد و جریان‌های درآمدی خاص تبلیغاتی را در بازار خدمات مبتنی بر مکان کاهش می‌دهد [۳۴۴].

استراتژی کسب درآمد از داده‌ها: رویکردها و مدل‌ها

کسب درآمد از داده‌ها به فرآیند تولید درآمد از دارایی‌های داده‌ای اشاره دارد [۸۷، ۱۴۸]. یک استراتژی کسب درآمد از داده‌ها، یک برنامه قابل اجرا برای استخراج “ارزش” از داده‌ها و تبدیل آن به فرصت‌های درآمدزا است [۸۷]. این شامل تجزیه و تحلیل و اهرم‌سازی داده‌ها برای کشف بینش‌هایی است که می‌توانند برای هدایت رشد کسب‌وکار، افزایش تجربیات مشتری و ایجاد جریان‌های درآمدی جدید مورد استفاده قرار گیرند [۸۷].

تعریف کسب درآمد از داده

سازمان‌ها حجم زیادی از داده‌های خام را از منابع مختلف مانند تعاملات مشتری، تراکنش‌ها، پست‌های رسانه‌های اجتماعی یا دستگاه‌های IoT جمع‌آوری می‌کنند [۸۷]. سپس این داده‌ها با استفاده از تکنیک‌های تحلیلی پیشرفته مانند یادگیری ماشین (ML) یا مدل‌سازی پیش‌بینی‌کننده پردازش و تحلیل می‌شوند [۸۷]. بینش‌های به‌دست‌آمده از این تحلیل‌ها معمولاً برای اتخاذ تصمیمات آگاهانه تجاری یا توسعه محصولات و خدمات نوآورانه استفاده می‌شوند [۸۷]. علاوه بر این، سازمان‌ها می‌توانند با فروش مستقیم داده‌های خود به اشخاص ثالث یا با ایجاد محصولات یا خدمات جدید مبتنی بر داده که نیازهای بازار خاصی را برآورده می‌کنند، از داده‌های خود کسب درآمد کنند [۸۷]. کسب درآمد از داده‌ها در درجه اول درباره چگونگی نگاه کردن به سازمان به عنوان یک موجود زنده و داده‌ها به عنوان یک دارایی است [۱۶۸].

اهداف کسب درآمد از داده

هدف اصلی کسب درآمد از داده‌ها، افزایش رقابت‌پذیری، دستیابی به تمایز واضح و کسب درآمد بیشتر است [۱۷۴، ۲۲۵]. یک استراتژی مؤثر کسب درآمد از داده‌ها، به مدیران کمک می‌کند تا گزینه‌های خود را محدود کرده و بر یک مزیت رقابتی متقاعدکننده و قابل دستیابی در سطح سازمان تمرکز کنند [۲۵۱]. همچنین، این استراتژی باید فرصت‌های کسب‌وکار و چالش‌های ناشی از اقتصاد جمع‌آوری، پردازش و انتشار داده‌ها را در نظر بگیرد و تحت تأثیر عناصر حیاتی تصمیم‌گیری مانند مشارکت، کانال‌های توزیع، ارزش دارایی و پیامدهای مالیاتی باشد [۲۵۵].

مدل‌های کسب درآمد مستقیم و غیرمستقیم

به طور کلی، دو نوع اصلی کسب درآمد از داده وجود دارد:

1. کسب درآمد غیرمستقیم از داده: این روش شامل ادغام داده‌های داخلی و خارجی و بینش‌ها در محصولات موجود برای بهبود تجربه مشتری و افزایش بهره‌وری است [۳۹۲، ۴۰۱]. این فرآیند به طور ارگانیک‌تر رخ می‌دهد، زیرا تلاش‌های علم داده به سازمان‌ها کمک می‌کند تا داده‌ها و بینش‌ها را در خطوط تولید موجود خود بگنجانند [۳۹۲، ۴۰۱]. این مدل همچنین به عنوان “بازگشت از مزیت” (Return On Advantage Model) شناخته می‌شود [۱۷۵، ۲۲۶].
2. کسب درآمد مستقیم از داده: این مدل بر ایجاد و فروش داده به عنوان یک محصول تمرکز دارد تا رشد درآمدی ایجاد کند و به مشتریان کمک کند تا داده‌ها را برای تصمیم‌گیری آگاهانه خریداری و استفاده کنند [۳۹۲، ۴۰۱]. این نوع کسب درآمد کانال‌های اجرایی متعددی دارد، از جمله بازارهای داده، رشد مبتنی بر محصول و فرآیندهای فروش برای شرکت‌های بزرگ [۳۹۲، ۴۰۱]. این مدل همچنین به عنوان فروش داده به اشخاص ثالث در قالب خام یا به عنوان تجزیه و تحلیل و بینش شناخته می‌شود [۴۴۵].

مدل‌های کسب درآمد بر اساس استراتژی

چهار مدل کسب‌وکار متداول برای کسب درآمد وجود دارد که اغلب یک استراتژی جامع کسب درآمد از داده شامل استقرار چندین مدل برای خدمت مؤثر به بخش‌های داخلی و/یا مشتریان خارجی است [۱۷۵، ۲۲۶].

مدل بازگشت از مزیت

اکثر سازمان‌های امروزی، تحلیل داده را به کار می‌گیرند و کسب درآمد از داده را از طریق “مدل بازگشت از مزیت” تعریف می‌کنند، جایی که یک سازمان از داده‌های عملکرد داخلی خود استفاده می‌کند و گاهی اوقات با اطلاعات جمعیت‌شناختی خارجی ترکیب می‌کند تا برای سازمان مزیت ایجاد کند [۱۷۵، ۲۲۶]. مثال‌های رایج این مدل کسب‌وکار یا کسب درآمد شامل ابتکارات متمرکز بر موارد زیر است:

• هدف‌گیری مشتری: استفاده از الگوهای خرید برای شناسایی خوشه‌های محصول و خریدار که تمایل به خرید بیشتر دارند یا در خطر روی آوردن به رقیب هستند، و همچنین شناسایی فرصت‌ها برای فروش متقاطع یا فروش بیشتر، و تغییرات احتمالی در ارائه محتوای آنلاین برای بهبود تبدیل [۱۷۶، ۲۲۷]. در این مورد، کسب درآمد از طریق کسب مزیت نسبت به رقبا با فروش مؤثرتر محصولات مشابه یا سازگار انجام می‌شود و بازگشت از آن مزیت اغلب زمانی محقق می‌شود که درآمدها افزایش یابد یا حاشیه سود بهبود یابد [۱۷۶، ۲۲۷].
• کاهش ریسک و تشخیص کلاهبرداری: استفاده از الگوهای دسترسی به سیستم و خریدها که با داده‌های اعتباری خارجی و داده‌های جغرافیایی ترسیم شده‌اند تا ویژگی‌های حساب‌ها یا موقعیت‌های مستعد ریسک را شناسایی کنند، و سپس کشف اینکه آن مشتریان امروز چه کسانی هستند یا مشتریان بالقوه‌ای که در آن جمعیت قرار می‌گیرند را مشخص کنند [۱۷۷، ۲۲۸]. علاوه بر این، بر اساس الگوها، شناسایی فرصت‌های کلاهبرداری خاص یا رویدادهای کلاهبرداری در حال وقوع [۱۷۷، ۲۲۸]. در این مورد، کسب درآمد از طریق کاهش ضرر و تمام هزینه‌های عملیاتی مرتبط با آن در سراسر زنجیره ارزش، در نتیجه ایجاد مزیت نسبت به رقبا و ایجاد بازگشت از دارایی‌های داده‌ای انجام می‌شود [۱۷۷، ۲۲۸].

مدل خدمات برتر

دستیابی به کسب درآمد از طریق “مدل خدمات برتر” نیازمند پردازش یا تبدیل داده‌ها تا نقطه مصرف کاربر نهایی است، با یک ارزش پیشنهادی شفاف و فرمول تبادل ارزش به خوبی تعریف شده [۱۷۸، ۲۲۹]. اغلب یک مدل خدمات برتر شامل ارائه ارزش به کاربران نهایی از طریق مکانیزم یا رابط نرم‌افزار به عنوان سرویس (SaaS) است؛ جایی که مشتریان می‌توانند محصولات داده را از طریق یک پورتال در ازای هزینه اشتراک ماهانه یا سالانه دریافت کنند [۱۷۸، ۲۲۹]. نمونه‌هایی از این مدل شامل اطلاعات عملکرد سلامت یا ورزشی جمع‌آوری شده از طریق دستگاه‌های پوشیدنی (مثلاً دستگاه نظارت بر تناسب اندام نایکی) است که با هزینه اضافی به مشتریان بازگردانده می‌شود [۱۷۸، ۲۲۹]. شرکت‌های مخابراتی که اطلاعات استفاده فردی را از طریق دستگاه‌های موبایل به کاربر بازمی‌گردانند، یا داده‌های استفاده جمع‌آوری شده را با هزینه دسترسی به داده‌های خصوصی شده از طریق یک سایت/پورتال به کسب‌وکار دیگری ارائه می‌دهند، می‌تواند نمونه دیگری از کسب درآمد از طریق مدل خدمات برتر باشد [۱۷۸، ۲۲۹]. در این مدل، داده‌ها از طریق یک سرویس برتر (سطحی بالاتر از حد معمول) مبتنی بر هزینه به مشتریان مستقیم یا از طریق هزینه اشتراکی که توسط سایر اشخاص ذینفع (مشتری غیرمستقیم) برای دسترسی به پورتال خدمات پرداخت می‌شود، کسب درآمد می‌شوند [۱۷۸، ۲۲۹]. کسب درآمد تحت یک مدل خدمات برتر استاندارد معمولاً دسترسی آنلاین مبتنی بر هزینه است و بازدهی مستقیماً با تولید درآمد افزایشی مرتبط است [۱۷۸، ۲۲۹].

مدل تمایزگذار

“مدل کسب درآمد تمایزگذار” زمانی استفاده می‌شود که بازگشت از دارایی داده یا ابزار کسب درآمد، تمایزی است که از طریق ارائه داده یا معیارهای مشتق شده بدون هزینه اضافی به مشتریان برای حفظ وفاداری آن‌ها به دست می‌آید [۱۷۹، ۲۳۰]. در یک مدل تمایزگذار، ارائه خدمات یا ارزش به مشتری ممکن است مشابه یک مدل خدمات برتر باشد، اما هزینه برای مشتری صفر یا ناچیز تعیین می‌شود [۱۷۹، ۲۳۰]. کسب درآمد تحت یک مدل تمایزگذار اساساً از طریق ایجاد وفاداری به برند یا توسعه خدمات ارزش افزوده قانع‌کننده انجام می‌شود که می‌تواند به عنوان موانع تغییر عمل کند [۱۷۹، ۲۳۰]. به عبارت دیگر، مشتری خدمات اضافی یا برتر را بدون پرداخت هزینه دریافت می‌کند، به این امید که خدمات اضافی مذکور شرکت را متمایز کرده و به نوعی برند را تقویت یا وفاداری ایجاد کند، که منجر به یک طرح کسب درآمد می‌شود که اندازه‌گیری و کمی‌سازی آن دشوار است [۱۷۹، ۲۳۰].

مدل سندیکایی

“مدل سندیکایی” اغلب زمانی استفاده می‌شود که داده‌ها به صورت تبدیل‌شده (معمولاً نه داده‌های خام) به اشخاص ثالث تحویل داده می‌شوند [۱۸۰، ۲۳۱]. سپس آن‌ها از این داده‌ها برای اهداف تحلیلی خود یا برای تحقیق در فعالیت‌های برنامه‌ریزی مختلف یا تلاش‌های توسعه محصول/خدمات خود استفاده می‌کنند [۱۸۰، ۲۳۱]. مشتری/خریدار می‌تواند برای دریافت یک فید داده سندیکایی (داده‌های خام که از طریق برخی ابزارهای دیجیتالی – مثلاً API – تحویل داده می‌شوند) یا گزارش‌های از پیش مونتاژ شده ثبت نام کند [۱۸۰، ۲۳۱]. صاحب دارایی داده از طریق تراکنش‌های درآمدزای مکرر از فروش مکرر همان مجموعه داده‌ها یا از طریق فروش گزارش‌ها به صورت مکرر یا موردی کسب درآمد می‌کند [۱۸۰، ۲۳۱]. به عنوان مثال، اکثر سازمان‌های تحقیقاتی (مانند IMS، نیلزِن، NPS و IRI) این مدل را دنبال می‌کنند [۱۸۰، ۲۳۱]. این شامل کسب درآمد از داده‌های خام یا پردازش شده است که به طور مستقیم به طرف‌های ذینفع فروخته می‌شوند و اغلب شامل توافق‌نامه‌های مجوز یا مشارکت با شرکت‌های دیگر است که به مجموعه‌داده‌های خاصی نیاز دارند [۹۰، ۹۱].

داده به عنوان سرویس (DaaS) و خدمات مرتبط

DaaS به چالش‌های مرتبط با یافتن یا تأمین داده‌های شخص ثالث، در این مورد، داده‌های مکانی، می‌پردازد [۵۵۶]. مزایای اصلی DaaS شامل کشف داده‌های موجود از طریق بازارهای داده، ساده‌سازی فرآیند خرید با مجوزهای کلیکی و مدل‌های پرداخت به ازای استفاده، و تضمین به روز بودن داده‌ها از طریق خدمات وب سبک‌وزن و درخواستی است که به طور خودکار داده‌ها را با به‌روزرسانی‌ها به کاربران منتقل می‌کنند [۵۵۶، ۵۵۷]. این مدل، با از بین بردن نیاز به زیرساخت‌های ذخیره‌سازی داده گسترده و هزینه‌های نگهداری، به سازمان‌ها امکان می‌دهد تنها به ازای داده‌های مصرفی خود هزینه بپردازند [۵۵۷]. پلتفرم‌های DaaS راه‌حل‌های مقیاس‌پذیری ارائه می‌دهند، که به کسب‌وکارها اجازه می‌دهد تا نیازهای داده خود را بر اساس تقاضا تنظیم کنند بدون اینکه نیازی به بازنگری سیستم‌هایشان داشته باشند [۵۵۷]. کاربران می‌توانند به داده‌ها از هر مکان و در هر زمان دسترسی داشته باشند، که انعطاف‌پذیری را افزایش داده و از محیط‌های کار از راه دور پشتیبانی می‌کند [۵۵۷]. ارائه‌دهندگان DaaS تضمین می‌کنند که داده‌ها به طور منظم به‌روزرسانی می‌شوند و جدیدترین اطلاعات را که برای فرآیندهای تصمیم‌گیری حیاتی است، ارائه می‌دهند [۵۵۷].

موارد استفاده DaaS در صنایع مختلف به دلیل تطبیق‌پذیری و کارایی آن گسترده است [۵۵۸]. از جمله:

• برنامه‌ریزی شهری: برنامه‌ریزان شهری از DaaS مکانی برای دسترسی به داده‌های مکانی در زمان واقعی استفاده می‌کنند که در توسعه زیرساخت‌ها، منطقه‌بندی، و مدیریت منابع کمک می‌کند [۵۵۸].
• واکنش به بلایا: خدمات اضطراری به DaaS مکانی برای داده‌های به موقع و دقیق در طول بلایای طبیعی مانند سیل و زلزله متکی هستند [۵۵۸].
• کشاورزی: کشاورزی دقیق از DaaS مکانی برای داده‌های آب و هوا، شرایط خاک، و سلامت محصول استفاده می‌کند [۵۵۸].
• خرده‌فروشی و بازاریابی: خرده‌فروشان از DaaS مکانی برای تحلیل رفتار مصرف‌کننده، روندهای بازار، و داده‌های مبتنی بر مکان استفاده می‌کنند [۵۵۸].
• مراقبت‌های بهداشتی: DaaS مکانی از ارائه‌دهندگان مراقبت‌های بهداشتی با تحلیل داده‌های بیمار و روندهای سلامت جغرافیایی پشتیبانی می‌کند [۵۵۸].
• املاک و مستغلات: متخصصان املاک و مستغلات از DaaS مکانی برای دسترسی به داده‌های ملکی، روندهای بازار، و اطلاعات جغرافیایی استفاده می‌کنند [۵۵۸].
• انرژی: بخش انرژی از DaaS مکانی با نظارت و مدیریت منابع، بهینه‌سازی مسیرها برای توزیع انرژی، و ارزیابی تأثیرات زیست محیطی سود می‌برد [۵۵۸].
• مخابرات: شرکت‌های مخابراتی از DaaS مکانی برای بهینه‌سازی برنامه‌ریزی شبکه، تحلیل پوشش خدمات، و بهبود خدمات مشتری استفاده می‌کنند [۵۵۸].

خدمات وب DaaS در مقابل SaaS مبتنی بر داده: بسیاری از خدمات وب DaaS، APIهای مبتنی بر مکان SaaS هستند که بیشتر برای توسعه‌دهندگان نرم‌افزار ساخته شده‌اند و یک مدل درخواستی و تراکنش‌محور ارائه می‌دهند [۵۶۰]. این مدل امکان دسترسی به این APIها و مصرف داده‌ها را خارج از پلتفرم فراهم می‌کند، مانند Precisely Location APIs، HERE Location Services، Google Maps API، یا Mapbox [۵۶۰]. این APIها نقشه‌برداری وب، پردازش داده، و پلتفرم تحلیل را ارائه می‌دهند و شامل یک کاتالوگ داده با SDKها و APIها برای افزایش توسعه نرم‌افزار سفارشی هستند [۵۶۰]. از سوی دیگر، ابزارهای نقشه‌برداری و تحلیل SaaS که به شما امکان می‌دهند داده‌ها را در صورت تقاضا جاسازی کنید، به دلیل توانایی استفاده از داده‌های داخلی و شخص ثالث، تحلیل مکانی را بسیار آسان می‌کنند [۵۶۱]. در این مدل، داده‌ها در داخل پلتفرم یکپارچه شده و برای مصرف توسط خود ابزار قابل دسترسی هستند [۵۶۱]. CARTO Data Observatory، ESRI Business Analyst، و Environics Envision نمونه‌هایی از این مدل هستند [۵۶۱].

DaaS کلان داده (Big Data as a Service): داده‌های مکانی منحصر به فرد هستند و برخی موارد استفاده نیازمند قدرت محاسباتی پیشرفته‌ای هستند [۵۶۳]. داده‌های آدرس که می‌توانند شامل میلیون‌ها رکورد ملکی برای انجام تحلیل ریسک برای در نظر گرفتن الگوهای آب و هوایی شدید باشند، توسط شرکت‌های بیمه مورد نیاز هستند و تقریباً همیشه نیازمند یک پلتفرم پردازش داده مقیاس‌پذیر هستند [۵۶۳]. به همین ترتیب، تصاویر ماهواره‌ای چندباندی که یادگیری ماشین برای طبقه‌بندی تشخیص تغییر در آن‌ها استفاده می‌شود، به قدرت محاسباتی زیادی نیاز دارد [۵۶۳]. نمونه‌هایی از این موارد گردش کارهای خودکار هستند که روزانه، هفتگی یا ماهانه با استفاده از پلتفرم‌های تحویل داده ابری مانند AWS S3، Azure Blob Storage، یا Google Cloud Storage انجام می‌شوند [۵۶۳]. پردازش کلان داده ابری که در آن تجمیع داده‌های چندفروشی، فیلتر کردن و به‌روزرسانی‌های افزایشی ضروری است، ممکن است نیازمند پلتفرم‌هایی مانند Databricks، Snowflake، Google Big Query، یا AWS Redshift باشد [۵۶۳].

مشاوره DaaS: بسیاری از شرکت‌ها متوجه نیستند که ژئوفضایی منحصر به فرد است و بسیاری از شرکت‌ها فاقد تخصص برای فراتر رفتن از تحلیل‌های داده‌های پایه هستند [۵۶۴]. در اینجا، گردش کارهای یکپارچه‌سازی یا ارائه معیارهای ژئوکدینگ در حجم زیادی از داده‌ها ممکن است مورد نیاز باشد [۵۶۴]. مشاوره DaaS برای خدمات پیشرفته‌تر طراحی شده است تا به انتخاب داده‌ها و تبدیل آن‌ها به پاسخ‌های تجاری کمک کند [۵۶۴].

پلتفرم‌های بازار داده

در سال ۲۰۲۴، انتظار می‌رود مفهوم کسب درآمد از داده به اوج جدیدی برسد، زیرا سازمان‌ها به طور فزاینده‌ای ارزش دارایی‌های داده‌ای خود را تشخیص می‌دهند [۹۳]. برای بهره‌برداری از این روند، کسب‌وکارها به پلتفرم‌های بازار داده به عنوان ابزاری برای خرید و فروش داده به صورت امن و کارآمد روی آورده‌اند [۹۳]. این پلتفرم‌ها طیف وسیعی از فرصت‌ها را برای ارائه‌دهندگان و مصرف‌کنندگان داده فراهم می‌کنند و به آن‌ها امکان می‌دهند در یک اکوسیستم که نوآوری را ترویج می‌کند، همکاری کنند [۹۳].

یکی از فرصت‌های کلیدی ارائه شده توسط پلتفرم‌های بازار داده، قابلیت دسترسی به مجموعه‌داده‌های متنوع از منابع مختلف است [۹۴]. این امر به سازمان‌ها امکان می‌دهد تا از مجموعه گسترده‌تری از اطلاعات، بینش کسب کنند و منجر به تحلیل جامع‌تر و تصمیم‌گیری آگاهانه‌تر می‌شود [۹۴]. با این حال، در کنار این فرصت‌ها، چالش‌های متعددی نیز وجود دارد که نیاز به بررسی دقیق دارند [۹۴]. نگرانی‌های امنیتی و حریم خصوصی هنگام کار با داده‌های حساس در اولویت قرار دارند [۹۴]. اطمینان از روش‌های رمزگذاری قوی و انطباق با مقرراتی مانند GDPR برای حفظ اعتماد در میان شرکت‌کنندگان در این بازارها بسیار حیاتی خواهد بود [۹۴]. نمونه‌هایی از بازارهای داده شامل HERE’s Marketplace، CARTO Spatial Data Catalog، Google، یا Precisely’s Data Experience هستند [۵۵۹]. پلتفرم CARTO همچنین یک بازار داده مبتنی بر ابر به نام Data Observatory را ارائه می‌دهد که در آن مشتریان می‌توانند داده‌های مکانی را از منابع مختلف پیدا کرده و خریداری کنند [۱۳۴، ۱۴۲].

کسب درآمد از داده‌های مشتری

کسب درآمد از داده‌های مشتری شامل اجرای استراتژی‌های مؤثر و رعایت بهترین شیوه‌ها برای به حداکثر رساندن ارزش آن است [۹۵]. یک رویکرد کلیدی، اطمینان از حریم خصوصی و امنیت داده‌ها است، زیرا مشتریان به طور فزاینده‌ای در مورد استفاده از اطلاعات شخصی خود نگران هستند [۹۵]. شرکت‌ها باید اقدامات قوی برای حفاظت از داده‌ها را ایجاد کنند، با مقرراتی مانند GDPR یا CCPA مطابقت داشته باشند و برای جمع‌آوری و استفاده از داده‌ها رضایت صریح دریافت کنند [۹۵]. استراتژی دیگر، استفاده از تکنیک‌های تحلیلی پیشرفته برای استخراج بینش‌های ارزشمند از داده‌های مشتری است [۹۵]. با به‌کارگیری الگوریتم‌های یادگیری ماشین، مدل‌سازی پیش‌بینی‌کننده و هوش مصنوعی، کسب‌وکارها می‌توانند الگوها، ترجیحات و روندها را کشف کنند [۹۵]. این بینش‌ها کمپین‌های بازاریابی شخصی‌سازی شده را امکان‌پذیر می‌سازند که با مشتریان خاص همخوانی دارند و منجر به افزایش تعامل و نرخ تبدیل می‌شوند [۹۵، ۱۰۰، ۱۰۱، ۱۰۲]. سرمایه‌گذاری‌های مشترک یا مشارکت‌ها می‌توانند تبادل داده‌های مشتری ناشناس‌سازی شده را به روشی سودمند دوجانبه تسهیل کنند [۹۶]. همچنین، ارائه مشوق‌های ملموس به مشتریان برای به اشتراک گذاشتن داده‌های خود می‌تواند تلاش‌های کسب درآمد را افزایش دهد [۹۶].

کسب درآمد از داده‌های مبتنی بر بلاک‌چین

فناوری بلاک‌چین در حال متحول کردن نحوه کسب درآمد از داده‌ها با افزایش امنیت و اعتماد در اکوسیستم دیجیتال است [۹۷]. بلاک‌چین، به عنوان یک دفتر کل غیرمتمرکز و تغییرناپذیر، زیرساختی قوی برای ذخیره و انتقال ایمن داده‌ها فراهم می‌کند و آن را به راه‌حلی ایده‌آل برای کسب درآمد از داده‌ها تبدیل می‌کند [۹۷]. هر تراکنش ثبت‌شده در بلاک‌چین رمزگذاری شده و از طریق توابع هش رمزنگاری به تراکنش‌های قبلی مرتبط می‌شود، که یکپارچگی داده‌ها را بیشتر محافظت می‌کند [۹۷]. با استفاده از قراردادهای هوشمند – توافق‌نامه‌های خوداجرایی که در بلاک‌چین ذخیره می‌شوند – طرفین درگیر در تراکنش‌های داده می‌توانند قوانین و شرایط از پیش تعریف‌شده‌ای را ایجاد کنند که به طور خودکار بدون واسطه اجرا می‌شوند [۹۷]. این امر نیاز به واسطه‌های شخص ثالث یا مقامات قابل اعتماد را از بین می‌برد، هزینه‌ها را کاهش می‌دهد و شفافیت را افزایش می‌دهد [۹۷].

کسب درآمد از اطلاعات مبتنی بر مکان

کسب درآمد از اطلاعات مبتنی بر مکان نیز انتظار می‌رود رشد و نوآوری قابل توجهی را شاهد باشد [۹۹، ۳۳۶]. داده‌های مکانی، که شامل اشکال مختلف اطلاعات مبتنی بر مکان است، فرصت‌های عظیمی را برای کسب‌وکارها جهت تولید سود با استفاده از پتانسیل آن فراهم می‌کند [۹۹]. یک روش کسب درآمد از داده‌های مکانی، ارائه راه‌حل‌های تبلیغاتی هدفمند بر اساس موقعیت‌های دقیق کاربر است [۱۰۰]. با تحلیل موقعیت‌های واقعی کاربران و ترجیحات آن‌ها، کسب‌وکارها می‌توانند تبلیغات شخصی‌سازی‌شده‌ای را ارائه دهند که احتمالاً مشتریان را بیشتر درگیر کرده و فروش را افزایش می‌دهد [۱۰۰]. علاوه بر این، داده‌های مکانی می‌توانند برای بهینه‌سازی عملیات لجستیک و زنجیره تأمین با ارائه بینش‌های ارزشمند در مورد الگوهای ترافیک، مسیرهای حمل‌ونقل و نزدیکی به مشتری استفاده شوند [۱۰۰]. ادغام داده‌های مکانی با سایر منابع مانند پلتفرم‌های رسانه‌های اجتماعی می‌تواند جریان‌های درآمدی جدیدی را آزاد کند [۱۰۰].

بازار خدمات مبتنی بر مکان در سال ۲۰۲۵، ۵۶.۲۳ میلیارد دلار ارزش دارد و پیش‌بینی می‌شود با نرخ رشد مرکب سالانه ۲۵.۳۵٪ تا سال ۲۰۳۰ به ۱۷۲.۹۷ میلیارد دلار برسد [۳۳۵، ۳۳۶]. این رشد سریع ناشی از استقرار شبکه‌های 5G با قابلیت‌های مکان‌یابی بسیار دقیق، مقررات اجباری برای تماس‌های اضطراری (مانند AML در کشورهای OECD)، و افزایش نیاز به سیستم‌های مکان‌یابی لحظه‌ای در مراکز لجستیک دوقلو دیجیتال است [۳۳۶]. عوامل دیگری مانند افزایش بودجه تبلیغات هایپرمحلی، سیستم‌های تقویت ماهواره‌ای برای دقت سانتی‌متری، و پیشرفت هوش مصنوعی در مکان‌یابی داخلی، کاربردهای قابل آدرس‌دهی را گسترش می‌دهند [۳۳۶]. این امر شرکت‌ها را ترغیب می‌کند تا هوش مکانی را در فرآیندهای بازاریابی، ایمنی، و اتوماسیون صنعتی خود تعبیه کنند [۳۳۶].

تحلیل‌های پیش‌بینی‌کننده برای بهره‌برداری و کسب درآمد از داده

در چشم‌انداز به سرعت در حال تکامل کسب درآمد از داده‌ها، سازمان‌ها به طور فزاینده‌ای ارزش تحلیل‌های پیش‌بینی‌کننده را در استفاده مؤثر و کسب درآمد از دارایی‌های داده‌ای خود درک می‌کنند [۱۰۳]. تحلیل‌های پیش‌بینی‌کننده می‌توانند در توسعه استراتژی‌های کسب درآمد مبتنی بر داده بسیار مؤثر باشند [۱۰۳]. با شناسایی فرصت‌ها برای جریان‌های درآمدی جدید یا بهینه‌سازی جریان‌های موجود بر اساس نتایج مدل‌های پیش‌بینی‌کننده، شرکت‌ها می‌توانند ارزش قابل توجهی از دارایی‌های داده‌ای خود آزاد کنند [۱۰۳]. برای مثال، این تحلیل‌ها می‌توانند به کسب‌وکارها کمک کنند تا استراتژی‌های قیمت‌گذاری را با تعیین نقاط قیمت بهینه برای بخش‌های مختلف مشتری بهینه کنند یا فرصت‌های فروش متقاطع را بر اساس الگوهای خرید مشتریان شناسایی کنند [۱۰۳].

کسب درآمد از عملیات یادگیری ماشین مکانی (Geospatial MLOps)

بازار ترکیبی برای رصد زمین (EO)، GIS و تحلیل‌های فضایی، و MLOps، انتظار می‌رود تا سال ۲۰۲۵ به ۳۰۰ میلیارد دلار برسد [۳۲۶]. با افزایش پذیرش تجاری تصاویر ماهواره‌ای و هوایی برای طیف وسیعی از موارد استفاده در صنایع مختلف، تقاضا برای برنامه‌ها و خدمات مکانی مقیاس‌پذیر همچنان در حال افزایش است [۳۲۶]. با توجه به اینکه چرخه‌های سنتی یادگیری ماشین (ML) می‌توانند ماه‌ها طول بکشند تا به تولید برسند، و نرخ موفقیت در صنعت بسیار پایین است، MLOps مکانی با متحول کردن و سرعت بخشیدن به چرخه عمر ML مکانی، همان کاری را انجام می‌دهد که DevOps برای توسعه نرم‌افزار انجام داد [۳۲۷].

برای افزایش پذیرش انبوه هوش مکانی، باید از روش‌های سنتی ML برای توسعه مدل‌های استخراج ویژگی برای تصاویر EO فاصله گرفت [۳۲۸]. راهنمای Picterra سه مرحله ساده برای کسب درآمد از MLOps ارائه می‌دهد [۳۲۸]:

• عملیاتی کردن (Operationalize): داده‌ها باید قبل از اینکه ارزش آن‌ها محقق شود، سازماندهی و برچسب‌گذاری شوند [۳۲۸]. این کار زمان‌بر است، به این معنی که با اتمام کار، این خطر وجود دارد که داده‌ها از قبل منسوخ شده باشند و فرصت‌ها از دست بروند [۳۲۸]. MLOps مکانی به تیم‌ها اجازه می‌دهد تا از کارهای خسته‌کننده یادگیری ماشین دست بردارند و ایده‌ها را سریع‌تر به واقعیت تبدیل کنند، در حالی که روی کارهای با ارزش‌تر تمرکز می‌کنند [۳۲۸].
• تولیدی کردن (Productionize): مشکلات ارتباطی، کمبود منابع، و زمان‌های طولانی تولید سه دلیل اصلی هستند که پروژه‌های ML به تولید نمی‌رسند [۳۲۹]. شرکت‌هایی که MLOps مکانی را پیاده‌سازی می‌کنند می‌توانند ایده‌ها را در عرض چند روز به راه‌حل زنده تبدیل کنند – بدون افزایش تعداد پرسنل یا بدهی فنی [۳۲۹].
• کسب درآمد (Monetize): کسب‌وکارها به فناوری، نتایج، و درآمدی که MLOps مکانی وعده می‌دهد علاقه‌مند هستند [۳۲۹]. اما جدای از استخدام دانشمندان داده، مسیر سود و موفقیت به ندرت سرراست است و پیش‌بینی ROI دشوار است [۳۲۹]. MLOps مکانی به تیم‌های ML روشی مقیاس‌پذیر و قابل اعتماد برای عملیاتی کردن مدل‌های مکانی در تولید و توسعه مستمر آن‌ها را می‌دهد [۳۲۹].

عناصر کلیدی برای کشف ارزش

سفر از داده‌های خام به بینش، مسیری مستقیم نیست [۱۸۱، ۲۳۲]. این سفر نیازمند ذهن کنجکاو و رویکردی منظم است: کنجکاو، تا بتوان مسیرهای فرعی را کاوش کرد و روابط نامشخص را کشف نمود؛ و منظم، تا در طول مسیر گم نشویم [۱۸۱، ۲۳۲]. در حین بررسی تدوین استراتژی و رویکرد کسب درآمد از داده‌ها، چهار مفهوم کشف حیاتی وجود دارد که شایسته توجه ویژه هستند [۱۸۱، ۲۳۲].

مفاهیم کشف حیاتی

مفاهیم کشف حیاتی تجمیع، مثلث‌بندی، حفظ حریم خصوصی، و چارچوب مرجع به گسترش دیدگاه و کاوش دارایی‌های داده به صورت مستقل یا در ارتباط با سایر داده‌های داخلی یا خارجی کمک می‌کنند تا ارزش‌های قانع‌کننده‌ای کشف شود [۱۸۱، ۱۸۲، ۱۸۳، ۲۳۲، ۲۳۳، ۲۳۴].

• تجمع (Aggregation): تحلیل‌های داده‌های تجمیع‌شده اغلب در شناسایی سیگنال‌های تحلیلی کلیدی داده‌ها نقش محوری دارند [۱۸۲، ۲۳۳]. الگوها، تغییرات، نقاط عطف، و ناهنجاری‌ها زمانی که داده‌ها بر اساس ابعاد مختلف تجمیع شده و از دیدگاه‌ها یا چارچوب‌های مرجع مختلف کاوش می‌شوند، شفاف‌تر و قابل مشاهده‌تر می‌شوند [۱۸۲، ۲۳۳].
• مثلث‌بندی (Triangulation): یک تکنیک قدرتمند که اعتبارسنجی داده‌ها و تأیید بینش‌ها را از طریق تأیید متقابل از دو یا چند منبع تسهیل می‌کند [۱۸۳، ۲۳۴]. با این روش، منابع داده جدیدی می‌توانند ایجاد شوند، از جمله پدیده “۱+۱=۳” که مجموع بزرگ‌تری را نشان می‌دهد و زمانی حاصل می‌شود که داده‌ها به روش‌های منحصر به فردی ترکیب و همبسته شوند [۱۸۳، ۲۳۴].
• حفظ حریم خصوصی (Privacy Preservation): باید تعادلی بین کنترل ریسک و حفظ ارزش وجود داشته باشد [۱۸۳، ۲۳۴]. اغلب، ابتکارات تاکتیکی کسب درآمد از داده‌ها زمانی با مشکل مواجه می‌شوند که عوامل حفظ حریم خصوصی داده‌ها در نظر گرفته می‌شوند [۱۸۳، ۲۳۴]. این معضل زمانی تشدید می‌شود که کسب درآمد از داده‌ها تنها به عنوان یک فرصت “تراکنشی” در نظر گرفته شود [۱۸۳، ۲۳۴]. گسترش دیدگاه شما ممکن است به کشف فرصت‌های با ارزش بالا و با ریسک کمتر کمک کند [۱۸۳، ۲۳۴].
• چارچوب مرجع (Frame of Reference): بینشی که می‌توان از داده‌ها استخراج کرد، تابعی مستقیم از دیدگاه مقایسه‌ها و کاوش‌هایی است که در یک موقعیت اعمال می‌شود [۱۸۲، ۲۳۳]. به یک فنجان قهوه از یک جهت نگاه کنید و ممکن است لوگوی فروشگاه را ببینید [۱۸۲، ۲۳۳]. آن را بچرخانید یا چارچوب مرجع خود را تغییر دهید، و ممکن است نام فردی که فنجان را سفارش داده در طرف دیگر ببینید [۱۸۲، ۲۳۳]. تغییر چارچوب مرجع به عمق بینش‌هایی که می‌توان در نظر گرفت می‌افزاید [۱۸۲، ۲۳۳].

دسته‌بندی ارزش بر اساس ماهیت مشارکت

برای ایجاد تمرکز، مهم است که نوع ارزشی را که قصد داریم به کاربر/مصرف‌کننده/خریدار ارائه دهیم، بر اساس ماهیت مشارکت آن‌ها دسته‌بندی (فیلتر) کنیم [۱۸۴، ۲۳۵]. فیلتر کردن ارزش افزوده اغلب به تنظیم دقیق استراتژی کسب درآمد و تمرکز بیشتر بر ارزش پیشنهادی به کاربران کمک می‌کند [۱۸۴، ۲۳۵]. وضوح مشارکت نهایی ارزش (هدف استفاده) یک بستر مهم را در تعریف نرخ مبادله بین محصولات مبتنی بر داده یک سازمان و ارزشی که آن‌ها برای کاربران داخلی یا خارجی دارند، فراهم می‌کند — تبادل حیاتی بین ارزش ارائه شده و سطح قابل قبول کسب درآمد [۱۸۴، ۲۳۵]. دو نوع اصلی مشارکت‌کننده ارزش وجود دارد:

• مشارکت‌کنندگان عملکردی (Performance Contributors): در این حالت، هدف از ارائه ارزش کمک به بهبود عملکرد (یعنی سازمان، مشتریان یا خریداران شخص ثالث) از طریق برنامه‌هایی مانند معیارگذاری یا بهینه‌سازی مبتنی بر محدودیت است که می‌توانند بر اساس مفاهیم ریسک، رشد و کارایی گروه‌بندی شوند [۱۸۵، ۲۳۶]. مشارکت‌کنندگان عملکردی به طور کلی ارزش را از طریق پاسخ به سؤال “چقدر خوب عمل می‌کنیم؟” و زمینه تحلیلی و احتمالاً صنعت‌محور (مثلاً معیارها) به پارادوکس “در مقایسه با چه؟” ارائه می‌دهند [۱۸۵، ۲۳۶].
• مشارکت‌کنندگان پیش‌بینی‌کننده (Predictive Contributors): در این حالت، داده‌های ارائه شده به عنوان یک سیگنال پیش‌بینی‌کننده طراحی شده‌اند و به طور کلی برای استفاده به عنوان ورودی برای مدل دیگری یا راهنمایی برای فرآیند تصمیم‌گیری کیفی‌تر در نظر گرفته شده‌اند — مانند داده‌های آب و هوا و استفاده از آن در برنامه‌های پیش‌بینی فروش خرده‌فروشی، یا داده‌های رانندگی یک فرد که از طریق سیگنال‌های دریافتی از یک وسیله نقلیه متصل بر نرخ بیمه وی تأثیر می‌گذارد [۱۸۶، ۲۳۷].

مشارکت‌کنندگان عملکردی بر سؤالات “در مقایسه با چه” تمرکز می‌کنند [۱۸۶، ۲۳۷]. به عنوان مثال، داده‌های ارائه شده به خریداران شخص ثالث یا مشتریان خارجی که به چگونگی عملکرد سازمان یا مشتریان آن در رابطه با برخی شاخص‌های کلیدی عملکرد مانند جمع‌آوری، پوشش شبکه، معیارهای کیفیت و غیره می‌پردازند — یک دیدگاه معیارگذاری با اهداف و معیارهای عملکرد بین‌صنعتی [۱۸۶، ۲۳۷]. از سوی دیگر، مشارکت‌کنندگان پیش‌بینی‌کننده با جمع‌آوری و ارائه سیگنال‌هایی سروکار دارند که به یک نتیجه اشاره می‌کنند — KPIهای تعریف شده یا قابل اندازه‌گیری که منجر به متغیرهای خروجی مهم دیگر می‌شوند [۱۸۶، ۲۳۷]. ارزش کسب درآمد مشارکت‌کنندگان و کاربرد آن‌ها با تغییر گروه مشتری (به چه کسی این بینش یا محصول داده ارائه می‌شود) به شدت متفاوت است [۱۸۶، ۲۳۷]. به عنوان مثال، یک شاخص پیشرو برای فروش خرده‌فروشی در سطح فروشگاه ممکن است دارای ارزش X باشد، در حالی که یک شاخص پیشرو برای شاخص‌های خرده‌فروشی خاص یا قیمت سهام شرکت ممکن است دارای ارزش Y باشد [۱۸۶، ۲۳۷]. به عبارت دیگر، کاربرد و مورد استفاده محصولات داده بر ارزش و در نتیجه سطح کسب درآمد تأثیر می‌گذارد [۱۸۶، ۲۳۷].

تمرکز تحویل

لایه مهم دیگری از ارزیابی یا چشم‌انداز که باید هنگام شکل‌دهی استراتژی کسب درآمد خود در نظر بگیرید، “تمرکز تحویل” از دیدگاه بازار و استفاده است [۱۸۷، ۲۳۸]. تمرکز تحویل، ابعاد اضافی به نیازهای به‌موقع، الزامات خصوصی‌سازی، سطح تجمیع، میزان قابلیت استفاده مجدد داده‌ها و تمایل خریدار به خرید، و در نهایت، به معادله قیمت در مقابل ارزش اضافه می‌کند [۱۸۷، ۲۳۸]. این دیدگاه به ویژه زمانی مهم است که کسب درآمد خارجی از داده‌ها در نظر گرفته می‌شود [۱۸۷، ۲۳۸]. علاوه بر استفاده داخلی از داده‌ها برای کسب مزیت تاکتیکی و ارائه محصولات داده با هزینه یا به عنوان عامل تمایز به مشتریان مستقیم، بررسی تجاری‌سازی از طریق تمرکز بر تحویل ارزش عمودی، افقی یا بین‌بازاری حیاتی است [۱۸۸، ۲۳۹]:

• تحویل ارزش عمودی (Vertical Value Delivery): در این حالت، ارزش ارائه شده و راه‌حل‌های داده‌ای برای صنایع خاص (به عنوان مثال، داده‌های نسخه‌نویسی برای شرکت‌های داروسازی) سفارشی می‌شوند [۱۸۸، ۲۳۹].
• تحویل ارزش افقی (Horizontal Value Delivery): در این حالت، یک مجموعه از محصولات داده ممکن است در شکل و فرمت مشابه برای صنایع مختلف با نیازهای مشابه ارزشمند باشد (به عنوان مثال، شاخص‌ها و نشانگرهای اقتصادی برای پیش‌بینی فروش خرده‌فروشی و همچنین برای قیمت‌گذاری املاک و مستغلات استفاده می‌شوند) [۱۸۹، ۲۳۹].
• تحویل ارزش بین‌بازاری (Cross-Market Value Delivery): در این حالت، داده‌هایی که برای یک هدف در یک صنعت جمع‌آوری شده‌اند، برای هدف دیگری در یک صنعت دیگر، که اغلب مجاور است، ارزشمند هستند (به عنوان مثال، سیگنال‌های راننده خوب که از وسایل نقلیه جمع‌آوری شده و برای بیمه خودرو استفاده می‌شود) [۱۸۹، ۲۴۰].

ایجاد یک استراتژی مکانی: از مفهوم تا اجرا

یک استراتژی مکانی، یک برنامه کسب‌وکارگرا است که چگونگی استفاده سازمان از GIS را برای دستیابی به اهداف و نتایج مطلوب خود تعریف می‌کند [۳۱۳]. یک استراتژی مکانی مؤثر، نیازهای کسب‌وکار شما را با افراد، فرآیندها و فناوری‌های مناسب برای کمک به غلبه بر چالش‌ها و بهبود نتایج در سراسر سازمان شما مرتبط می‌کند [۳۱۳].

چهار مرحله اصلی برای توسعه استراتژی مکانی

ESRI توصیه می‌کند که برای توسعه و اجرای استراتژی مکانی خود، از یک رویکرد تجاری‌گرا استفاده کنید [۳۱۳]. این رویکرد به شما کمک می‌کند تا شکاف‌ها و چالش‌ها را در سازمان خود شناسایی کنید، راه‌حل‌هایی را اولویت‌بندی کنید که ارزش واقعی ارائه می‌دهند، دانش و قابلیت‌های جدیدی به کارکنان خود بدهید و گردش کار و فرآیندهای خود را بهبود بخشید [۳۱۳]. با این کار، می‌توانید ارزش تجاری GIS را به وضوح برای ذینفعان کلیدی بیان کنید و تأثیر سرمایه‌گذاری GIS خود را به حداکثر برسانید [۳۱۳]. توسعه و اجرای استراتژی شامل چهار مرحله متمایز است: درک، برنامه‌ریزی، عمل و بازبینی [۳۱۶].

• فاز ۱: درک (Understand Phase): در این مرحله، شما درک مشترکی از اهداف سازمان، معیارهای موفقیت، و چالش‌های فعلی تعریف می‌کنید [۳۱۶]. این به شما امکان می‌دهد تا برنامه‌ای برای غلبه بر این چالش‌ها را توجیه و توسعه دهید [۳۱۶]. فاز درک با یادگیری نیازهای کسب‌وکار سازمان شما آغاز می‌شود [۳۱۷]. شما این کار را با گفتگو با مدیران بخش‌ها و حوزه‌های وظیفه‌ای، مدیران کلیدی واحدهای کسب‌وکار، و کاربران و مدیران GIS در سراسر سازمان انجام می‌دهید [۳۱۷]. در طول این گفتگوها، باید اجماع نظر در مورد اهداف سازمان ایجاد کنید، نحوه اندازه‌گیری موفقیت را تعریف کنید (یعنی چگونه خواهید دانست که به اهداف خود رسیده‌اید)، و چالش‌هایی را که در حال حاضر مانع دستیابی به اهداف شما می‌شوند، شناسایی کنید [۳۱۷]. گفتگوها در فاز درک از منظر کسب‌وکار انجام می‌شوند، نه از منظر فنی یا GIS [۳۱۷].
• فاز ۲: برنامه‌ریزی (Plan Phase): در فاز برنامه‌ریزی، شما یک نقشه راه واضح را تعریف می‌کنید که سازمان می‌تواند برای دستیابی به اهداف کوتاه‌مدت و بلندمدت خود دنبال کند [۳۱۷]. این مرحله بر تعریف وضعیت آتی، مقایسه آن با وضعیت فعلی و شناسایی فناوری، فرآیندها و افراد مورد نیاز برای ایجاد راه‌حل‌های پایدار که با چالش‌های کسب‌وکار همسو هستند، تمرکز دارد [۳۱۷]. فعالیت‌ها باید زمان‌بندی شده و اولویت‌بندی شوند [۳۱۷]. برای مثال، فعالیت‌های مبتنی بر فناوری می‌توانند شامل ارتقاء نرم‌افزار، سخت‌افزار یا معماری سیستم باشند، در حالی که فعالیت‌های مبتنی بر فرآیند شامل بهبود گردش کار و ایجاد حاکمیت برای به اشتراک‌گذاری داده‌ها هستند [۳۱۸]. فعالیت‌های مرتبط با افراد شامل آموزش و اطمینان از انطباق نیروی کار با تغییرات است [۳۱۸].
• فاز ۳: عمل (Act Phase): در فاز عمل، شما مجموعه‌ای از چرخه‌های پیاده‌سازی را برای هر یک از فعالیت‌های خود بر اساس نقشه راه خود راه‌اندازی می‌کنید [۳۱۹]. هدف این چرخه‌ها، ارائه مستمر ارزش و بهبود است تا بتوانید به راحتی پیشرفت خود و تأثیر GIS بر کسب‌وکار خود را اندازه‌گیری کنید [۳۱۹]. هر چرخه چهار مرحله متمایز را دنبال می‌کند: آماده‌سازی، پیاده‌سازی، عملیات و بازبینی [۳۱۹]. در فاز آماده‌سازی، راه‌حل را به طور دقیق تعریف می‌کنید و کاربران نهایی را برای تغییرات آتی آماده می‌کنید [۳۱۹]. در فاز پیاده‌سازی، راه‌حل خود را می‌سازید و پیکربندی می‌کنید، آن را آزمایش کرده و مستقر می‌کنید، و کاربران خود را آموزش می‌دهید [۳۲۰]. در فاز عملیات، راه‌حل جدید خود را در یک محیط تولیدی اجرا می‌کنید، عملکرد و استفاده از راه‌حل را نظارت می‌کنید، و پشتیبانی مداوم را برای کاربران خود ارائه می‌دهید [۳۲۰]. در فاز بازبینی، موفقیت فعالیت خود را به اشتراک می‌گذارید، اطمینان حاصل می‌کنید که راه‌حل در حال استفاده است، و نیازهای توسعه نیروی کار را در نظر می‌گیرید [۳۲۰].
• فاز ۴: بازبینی (Revisit Phase): در فاز بازبینی، استراتژی خود را بازبینی و به‌روزرسانی می‌کنید، خواه سالانه باشد یا هر زمان که نیاز باشد، تا تغییرات در اولویت‌های رهبری، اهداف کسب‌وکار و فناوری را در نظر بگیرید [۳۲۱]. ESRI تشویق می‌کند که استراتژی خود را به طور مستمر و هر بار که فاز عمل را تکمیل می‌کنید، مجدداً ارزیابی کنید تا اطمینان حاصل شود که استراتژی شما همچنان به سازمان شما ارزش می‌رساند [۳۲۱].

بهترین شیوه‌های مدیریت داده‌های مکانی

شرکت‌های پیشرو در زمینه داده‌های مکانی مانند SafeGraph و Esri برخی از بهترین شیوه‌های مدیریت داده‌های مکانی را پیشنهاد کرده‌اند که سازمان شما می‌تواند از آن‌ها به عنوان چارچوبی برای ساخت یک استراتژی داده‌های مکانی برنده از پایه استفاده کند [۲۹۵]. این شیوه‌ها در یک فرآیند پنج مرحله‌ای دسته‌بندی شده‌اند:

تعریف نیازهای سازمان

• به یاد داشته باشید که داده‌های مکانی می‌توانند کارهایی فراتر از تصور شما انجام دهند: داده‌های مکانی فقط مربوط به موقعیت‌های ایستا نیستند. آن‌ها همچنین بینش‌هایی را در مورد روابط بین نقاط مورد علاقه، محصولات، برندها و افراد ارائه می‌دهند [۲۹۷]. با این اطلاعات، می‌توانید سؤالاتی مانند: “افراد یک منطقه خاص چقدر احتمال دارد از کسب‌وکارهای خاصی بازدید کنند؟” یا “بر اساس این احتمال، چقدر احتمال دارد که آن‌ها محصولات یک برند را به دیگری ترجیح دهند؟” را بپرسید [۲۹۷].
• از ذینفعان بپرسید چه می‌خواهند: اگرچه داده‌های مکانی می‌توانند کارهای زیادی انجام دهند، اما زمان شما بهتر صرف خواهد شد اگر به طور خاص بدانید که ذینفعان شما چه می‌خواهند [۲۹۸]. با آن‌ها بنشینید و مکالمه‌ای غیرفنی در مورد انواع بینش‌هایی که به دنبال آن هستند، داشته باشید [۲۹۸]. این کار نوع داده‌های مکانی را که باید جمع‌آوری کنید و با آن کار کنید، مشخص می‌کند [۲۹۸].
• بر تصویر بزرگ تمرکز کنید: داده‌های مکانی ابزاری قدرتمند هستند، بنابراین اجازه ندهید در پروژه‌های جانبی هدر روند [۲۹۸]. مهم‌ترین مسائل و چالش‌هایی را که سازمان شما با آن روبروست، شناسایی کنید و سپس به این فکر کنید که چگونه می‌توانید از داده‌های مکانی برای حل آن‌ها استفاده کنید [۲۹۸]. این کار به جلب حمایت مدیران بالاتر کمک می‌کند، که کار را برای بهترین شیوه‌های بعدی شما آسان‌تر می‌کند [۲۹۸].

اطمینان از برآورده شدن نیازها

• نیازهای سازمان خود را به نیازهای مکانی تبدیل کنید: آنچه ذینفعان می‌گویند می‌خواهند را به موارد استفاده متداول برای داده‌های مکانی تبدیل کنید [۲۹۹]. آیا سعی در تجسم یا نقشه‌برداری چیزی دارید؟ نظارت و تحلیل فعالیت در یک مکان خاص؟ برنامه‌ریزی یا طراحی ساختمان‌ها یا زیرساخت‌های دیگر؟ پشتیبانی از تصمیمات سرمایه‌گذاری؟ تعامل بهتر با مشتریان یا ذینفعان خود؟ هنگامی که نیازهای سازمان خود را به روندهای استفاده از داده‌های مکانی تبدیل می‌کنید، چگونگی به کارگیری داده‌های مکانی برای برآورده کردن آن‌ها واضح‌تر می‌شود [۲۹۹].
• تعریف کنید که چگونه داده‌های مکانی اهداف کلی سازمان شما را قدرت می‌بخشند: هنگامی که نیازهای ذینفعان را با موارد استفاده از داده‌های مکانی تطبیق دادید، یک قدم فراتر بروید [۳۰۰]. بر اساس الگوهایی که شناسایی می‌کنید، به ذینفعان بازگردید و با آن‌ها در مورد چگونگی تناسب مفهوم مدیریت داده‌های مکانی با فلسفه کلی سازمان بحث کنید [۳۰۰].

ساخت استراتژی داده‌های مکانی

• قطعات مناسب را برای پشته فناوری خود تهیه کنید: در واقع می‌توانید از ابزارهای استاندارد تحلیل داده برای کار با داده‌های مکانی استفاده کنید [۳۰۱]. با این حال، به احتمال زیاد تنها قادر به پشتیبانی از تولید داده در مقیاس کوچک خواهید بود که گسترش آن با رشد عملیات سازمان شما دشوار خواهد بود [۳۰۱]. در عوض، یک پلتفرم داده مبتنی بر ابر، جایگزینی بسیار سریع‌تر، قابل اعتمادتر، راحت‌تر و مقیاس‌پذیرتر را ارائه می‌دهد [۳۰۱]. علاوه بر این، باید یک دیتا لیک، یک راه‌حل ذخیره‌سازی داده، یک پلتفرم پردازش محاسباتی، یک زمان‌بندی وظایف و ابزاری که نوشتن خطوط لوله پردازش داده را ساده می‌کند، داشته باشید [۳۰۱].
• یک تیم اختصاصی برای مدیریت زیرساخت داده‌های مکانی خود بیاورید: زیرساخت IT تحلیل داده‌های مکانی می‌تواند نسبتاً منابع‌بر باشد [۳۰۲]. به همین دلیل، ایده خوبی است که یک بخش IT جداگانه را به نگهداری آن اختصاص دهید [۳۰۲]. این کار به جلوگیری از بارگذاری بیش از حد بر بخش IT اصلی شما کمک می‌کند، که ممکن است سایر بخش‌ها را درگیر مبارزه بر سر منابع محدود IT کند [۳۰۲].
• برخی قوانین اساسی را وضع کنید: همچنین باید استانداردها، دستورالعمل‌ها و سیاست‌های داده‌های مکانی را توسعه دهید [۳۰۲]. از چشم‌انداز داده‌های مکانی در سازمان خود به عنوان راهنما استفاده کنید [۳۰۲]. از آنجا، مجموعه‌ای از قوانین را ایجاد کنید که می‌توانند توسط رویه‌های استاندارد صنعت، خطوط پایه برای حداقل انطباق، و روش‌ها و شیوه‌های اثبات شده پشتیبانی شوند [۳۰۲].

بهینه‌سازی استراتژی داده‌های مکانی

• اگر در تعادل هزینه زیرساخت داده‌های خود با قابلیت‌هایش مشکل دارید، آن را تقسیم کنید: یکی از مسائلی که ممکن است در رابطه با زیرساخت داده‌های مکانی خود با آن مواجه شوید، چگونگی تعادل هزینه کارایی آن با انعطاف‌پذیری آن است [۳۰۴]. پیش‌پردازش داده‌ها کارایی هزینه سیستم شما را افزایش می‌دهد، اما توانایی آن را برای کمک به پاسخگویی به درخواست‌های منحصر به فرد در صورت تقاضا کاهش می‌دهد [۳۰۴]. ممکن است بخواهید زیرساخت خود را تقسیم کنید و هر بخش را روی یک هدف یا دیگری تمرکز دهید [۳۰۴].
• یک کمیته هماهنگی مرکزی برای داده‌های مکانی سازمان خود ایجاد کنید: توصیه می‌شود که یک کمیته برای ساخت و مدیریت یک کاتالوگ کامل از تمام داده‌های مکانی موجود در سازمان خود راه‌اندازی کنید [۳۰۵]. این کار ارتباط آنچه دارید (یا ندارید) را به ذینفعان و مشتریان آسان‌تر می‌کند [۳۰۵].
• مسئولیت هر مجموعه داده را به کارمندان بسپارید: همچنین باید یک یا دو کارمند را به عنوان مدیر برای هر مجموعه داده‌ای که در اختیار دارید، تعیین کنید [۳۰۶]. داشتن متخصصان در مجموعه‌های داده خاص، ارتباط قابلیت‌های آن‌ها را با ذینفعان و دیگران در سازمان آسان‌تر می‌کند [۳۰۶].
• از کارشناسان مجموعه داده خود بخواهید که با تیم تحلیل خود همکاری نزدیک داشته باشند: ایده‌آل است که مدیران مجموعه داده‌های مکانی خود را در تماس نزدیک با تحلیلگران شرکتی خود داشته باشید و تحت قوانین یکسان (یا مشابه) کار کنند [۳۰۶]. انجام این کار به شما کمک می‌کند تا دارایی‌ها، تجهیزات و بینش‌هایی را که تیم‌های شما نیاز دارند، سریع‌تر و کارآمدتر به دست آورید و مدیریت کنید [۳۰۶].

انطباق استراتژی داده‌های مکانی برای آینده

• متاداده اضافه کنید تا مدیریت داده‌های شما آسان‌تر شود: هنگامی که درکی از متداول‌ترین روش‌های استفاده از داده‌های مکانی در سازمان خود پیدا کردید، می‌توانید شروع به افزودن متاداده مناسب به مجموعه‌های داده خود کنید [۳۰۷]. آن‌ها را بر اساس ویژگی‌هایی مانند بخش‌هایی که معمولاً از آن‌ها استفاده می‌کنند، فرمت(ها)ی داده‌هایشان، دفعات به‌روزرسانی آن‌ها، زمان آخرین به‌روزرسانی و مناطق جغرافیایی که پوشش می‌دهند، طبقه‌بندی کنید [۳۰۷].
• داده‌های مکانی را به عنوان یک دارایی در سطح سازمان در نظر بگیرید: اغلب اوقات، داده‌های مکانی در بیش از چند عملیات منتخب سازمان شما کاربرد خواهند داشت [۳۰۸]. به همین دلیل، تشکیل یک کمیته راهنمای فنی داده‌های مکانی، متشکل از کارکنان تمام بخش‌های مختلف شما، هوشمندانه است [۳۰۸]. این کار اطمینان حاصل می‌کند که چند نفر در هر بخش می‌دانند چگونه داده‌های مکانی را تحلیل و تفسیر کنند و در مورد استفاده از آن با اعضای سایر بخش‌ها بحث کنند [۳۰۸].
• نحوه خدمت‌رسانی داده‌های مکانی به سازمان خود را پیگیری، بررسی و بازبینی کنید: مجموعه‌ای از شاخص‌های عملکرد را بر اساس نحوه ارتباط برنامه مدیریت داده‌های مکانی سازمان شما با اهداف کوتاه‌مدت و بلندمدت آن توسعه دهید [۳۰۹].

ملاحظات حقوقی و اخلاقی در کسب درآمد از داده‌ها

هنگامی که سازمان‌ها تلاش می‌کنند از داده‌ها برای بازاریابی شخصی‌سازی شده استفاده کنند، باید چالش‌های اخلاقی ناشی از مقررات حفظ حریم خصوصی داده‌ها را نیز مدیریت کنند [۱۰۴، ۱۰۳]. ایجاد تعادل بین بازاریابی شخصی‌سازی شده و مقررات حفظ حریم خصوصی داده‌ها نیازمند رویکردی ظریف است [۱۰۴]. شرکت‌ها باید کسب رضایت صریح از کاربران را قبل از جمع‌آوری و استفاده از اطلاعات شخصی آن‌ها در اولویت قرار دهند [۱۰۴].

قوانین کلیدی حفاظت از داده‌ها

رعایت قوانین هنگام کسب درآمد از داده‌ها، به ویژه اطلاعات شخصی و حساس، ضروری است [۱۴۹]. برخی از مهم‌ترین قوانین عبارتند از:

• مقررات عمومی حفاظت از داده‌ها (GDPR) [اتحادیه اروپا]: نیاز به مبنای قانونی برای پردازش داده‌های شخصی دارد و حقوق افراد داده را تضمین می‌کند [۱۴۹، ۱۱۰].
• قانون حفظ حریم خصوصی مصرف‌کنندگان کالیفرنیا (CCPA) [ایالات متحده]: بر حقوق مصرف‌کننده، از جمله حق انصراف از فروش داده‌ها، تمرکز دارد [۱۴۹].
• قانون حفاظت از اطلاعات شخصی (POPIA) [آفریقای جنوبی]: پردازش داده‌ها را تنظیم کرده و مسئولیت‌پذیری را تضمین می‌کند [۱۴۹].
• قانون حفاظت از اطلاعات شخصی (PIPL) [چین]: قوانین سخت‌گیرانه‌ای برای محلی‌سازی داده‌ها و انتقال فرامرزی وضع می‌کند [۱۴۹].
• مقررات خاص بخش‌ها: صنایع خدمات مالی، مراقبت‌های بهداشتی و مخابرات اغلب الزامات اضافی دارند [۱۴۹].

اصول حقوقی کلیدی

• رضایت و مبنای قانونی: کسب‌وکارها باید رضایت واضح را دریافت کنند یا پردازش داده‌ها را از طریق منافع مشروع توجیه کنند [۱۵۰].
• ناشناس‌سازی و مستعارسازی: از بین بردن هویت داده‌ها، خطرات انطباق را به حداقل می‌رساند [۱۵۰].
• انتقالات فرامرزی: قوانین محلی‌سازی داده‌ها و بندهای قراردادی استاندارد (SCCs) ممکن است اعمال شوند [۱۵۰].
• شفافیت و پاسخگویی: شرکت‌ها باید استفاده از داده‌ها را به وضوح افشا کرده و در قبال پردازش آن مسئول باشند [۱۵۰].

بهترین شیوه‌های اخلاقی

کسب درآمد اخلاقی از داده‌ها برای حفظ اعتماد مصرف‌کننده، رعایت مقررات و تضمین موفقیت بلندمدت برای کسب‌وکارها حیاتی است [۱۰۷]. این بخش ۱۰ بهترین شیوه را برای کمک به شرکت‌ها در استفاده مؤثر از داده‌های خود با احترام به حقوق و حریم خصوصی افراد ارائه می‌دهد [۱۰۷].

کسب رضایت صریح

کسب رضایت صریح برای کسب درآمد اخلاقی از داده‌ها ضروری است [۱۱۰]. این امر تضمین می‌کند که افراد می‌دانند داده‌هایشان چگونه استفاده خواهد شد و به آن‌ها کنترل بر آن را می‌دهد [۱۱۰]. این نه تنها یک الزام قانونی است بلکه به ایجاد اعتماد نیز کمک می‌کند [۱۱۰]. GDPR نیازمند رضایت صریح قبل از پردازش داده‌های شخصی است [۱۱۰]. برای کسب رضایت صریح، کسب‌وکارها باید در مورد نحوه استفاده از داده‌های شخصی شفاف باشند [۱۱۱]. این شامل توضیح چرایی جمع‌آوری داده‌ها، فهرست انواع داده‌های جمع‌آوری شده، و توصیف نحوه استفاده از داده‌ها می‌شود [۱۱۱].

اجرای تدابیر حفظ حریم خصوصی و امنیت داده‌ها

اجرای اقدامات قوی حفظ حریم خصوصی و امنیت داده‌ها برای حفظ اعتماد مشتری و تضمین کسب درآمد اخلاقی از داده‌ها کلیدی است [۱۱۲]. این به معنای محافظت از داده‌های مشتری در برابر دسترسی، استفاده یا اشتراک‌گذاری غیرمجاز است [۱۱۲]. کسب‌وکارها باید قوانین حفاظت از داده‌ها مانند GDPR و CCPA را رعایت کنند [۱۱۳]. برای حفظ امنیت داده‌ها، کسب‌وکارها می‌توانند از روش‌های مختلفی استفاده کنند، از جمله رمزگذاری داده‌ها در حال انتقال و ذخیره‌سازی، کنترل دسترسی با احراز هویت چند عاملی و کنترل دسترسی مبتنی بر نقش، و انجام ممیزی‌های امنیتی و تست نفوذ به طور منظم [۱۱۳]. همچنین، باید برنامه‌های واکنش به حوادث برای پاسخ به نقض داده‌ها و ابزارهای پیشگیری از از دست دادن داده (DLP) برای شناسایی و جلوگیری از نشت غیرمجاز داده‌ها وجود داشته باشد [۱۱۳].

ناشناس‌سازی و تجمیع داده‌ها

ناشناس‌سازی و تجمیع داده‌ها گام مهمی در کسب درآمد اخلاقی از داده‌ها است [۱۱۴]. این به معنای حذف اطلاعات شناسایی شخصی (PII) از مجموعه‌داده‌ها است تا نتوان آن‌ها را به مشتریان خاص مرتبط کرد [۱۱۴]. تکنیک‌هایی مانند پوشش‌گذاری داده، رمزگذاری و مستعارسازی به محافظت از اطلاعات حساس کمک می‌کنند [۱۱۴]. این کار به کسب‌وکارها کمک می‌کند تا قوانین حفاظت از داده‌ها مانند GDPR و CCPA را رعایت کنند [۱۱۵]. ناشناس‌سازی و تجمیع همچنین با کاهش خطر نقض داده‌ها، امنیت داده‌ها را بهبود می‌بخشد [۱۱۵].

اطمینان از انصاف و کاهش سوگیری

اطمینان از انصاف و کاهش سوگیری برای کسب درآمد اخلاقی از داده‌ها مهم است [۱۱۷]. کسب‌وکارها باید اطمینان حاصل کنند که تصمیمات مبتنی بر داده آن‌ها تبعیض‌آمیز نیست و به هیچ گروهی آسیب نمی‌رساند [۱۱۷]. قوانین ضد تبعیض، تعصب بر اساس نژاد، جنسیت، مذهب یا سن را ممنوع می‌کند [۱۱۷]. کسب‌وکارها باید فعالانه سوگیری در الگوریتم‌ها و مدل‌های خود را بررسی و رفع کنند [۱۱۷]. ممیزی‌های منظم می‌توانند به شناسایی و رفع هرگونه مشکل کمک کنند [۱۱۷].

ایجاد سیاست‌های روشن حاکمیت داده

یک سیاست حاکمیت داده، نحوه استفاده و مدیریت داده‌ها توسط یک شرکت را مشخص می‌کند [۱۱۸]. این سیاست قوانین و استانداردهایی را برای استفاده از داده‌ها، امنیت و کیفیت تعریف می‌کند [۱۱۸]. این سیاست به همه افراد در شرکت کمک می‌کند تا مسئولیت‌های خود را درک کرده و از رویه‌های یکسانی پیروی کنند [۱۱۸]. این سیاست باید از تمام قوانین و مقررات مربوطه، مانند قوانین حفاظت از داده‌ها، پیروی کند [۱۱۹].

حفظ شفافیت و پاسخگویی

شفافیت و پاسخگویی برای کسب درآمد اخلاقی از داده‌ها حیاتی است [۱۲۰]. باز بودن در مورد جمع‌آوری و استفاده از داده‌ها، اعتماد با مشتریان و ذینفعان را ایجاد می‌کند [۱۲۰]. این به معنای ارائه اطلاعات واضح در مورد نحوه جمع‌آوری، پردازش و اشتراک‌گذاری داده‌ها است [۱۲۰]. کسب‌وکارها باید در قبال شیوه‌های داده خود مسئولیت‌پذیر باشند [۱۲۲]. این شامل رسیدگی به هرگونه عواقب ناخواسته ناشی از کسب درآمد از داده‌ها و شفافیت در مورد نقض یا سوء استفاده از داده‌ها است [۱۲۲].

پرورش فرهنگ اخلاقی داده

ایجاد یک فرهنگ اخلاقی داده به کسب‌وکارها کمک می‌کند تا اعتماد مصرف‌کننده را حفظ کرده و از داده‌ها به طور مسئولانه استفاده کنند [۱۲۲]. این به معنای تبدیل اخلاق داده به بخشی کلیدی از سازمان است [۱۲۲]. این شامل شفافیت در مورد جمع‌آوری و استفاده از داده‌ها، محافظت از داده‌ها با اقدامات امنیتی قوی و اطمینان از انصاف و عدم تبعیض در شیوه‌های داده است [۱۲۳].

رعایت حقوق مالکیت فکری

رعایت حقوق مالکیت فکری در کسب درآمد از داده‌ها مهم است [۱۲۴]. این شامل حفاظت از پتنت‌ها، کپی‌رایت‌ها و اسرار تجاری مرتبط با داده‌ها و الگوریتم‌ها است [۱۲۴]. هنگام استفاده از داده‌ها یا مدل‌های موجود، خالقان اصلی را به رسمیت بشناسید و مجوزهای لازم را دریافت کنید [۱۲۴]. به اشتراک‌گذاری اخلاقی داده‌ها، همکاری و نوآوری را تشویق می‌کند [۱۲۴].

مشارکت با ذینفعان و جوامع

مشارکت با ذینفعان و جوامع برای کسب درآمد اخلاقی از داده‌ها کلیدی است [۱۲۵]. این به معنای درک نیازها و نگرانی‌های آن‌ها برای استفاده مسئولانه از داده‌ها است [۱۲۵]. ذینفعان کلیدی شامل مردم، مشتریان، ارائه‌دهندگان خدمات، گروه‌های حمایتی و کارشناسان داده هستند [۱۲۵].

بررسی و تطبیق مستمر شیوه‌ها

بررسی و به‌روزرسانی منظم شیوه‌ها برای کسب درآمد اخلاقی از داده‌ها کلیدی است [۱۲۷]. این به معنای بررسی و بهبود نحوه جمع‌آوری، پردازش و استفاده از داده‌ها برای مطابقت با استانداردهای قانونی و دستورالعمل‌های اخلاقی است [۱۲۷]. با قوانین و مقررات در حال تغییر، به‌روز باشید [۱۲۷]. شیوه‌ها را به طور منظم بررسی و به‌روزرسانی کنید تا با قوانین حفاظت از داده‌ها مانند GDPR و CCPA مطابقت داشته باشید [۱۲۷].

نتیجه‌گیری

داده‌های مکانی و تحلیل‌های مبتنی بر مکان، نه تنها پدیده‌های فنی، بلکه دارایی‌های استراتژیک پویا هستند که پتانسیل تحول‌آفرینی در کسب‌وکارها، خدمات عمومی، و کیفیت زندگی را در سراسر جهان دارند [۱۶۸، ۲]. با وجود رشد چشمگیر بازار جهانی و منطقه‌ای تحلیل‌های مکانی و پیش‌بینی رسیدن آن به صدها میلیارد دلار در آینده نزدیک، بسیاری از سازمان‌ها هنوز در مراحل اولیه بلوغ قرار دارند و از پتانسیل کامل این دارایی ارزشمند بهره‌برداری نکرده‌اند [۹، ۲۲، ۲۳]. این عدم بهره‌برداری می‌تواند ناشی از چالش‌هایی باشد که در این فصل به تفصیل بررسی شد، از جمله پیچیدگی یکپارچه‌سازی و مقیاس‌پذیری داده‌ها، نیاز به پالایش مستمر، کمبود تخصص فنی و نگرانی‌های حیاتی مربوط به حریم خصوصی و امنیت داده‌ها [۲۴، ۲۵، ۲۶، ۲۷، ۲۸، ۲۹].

یک استراتژی موفق کسب درآمد از داده‌های مکانی، فراتر از صرفاً جمع‌آوری و ذخیره داده‌ها، به معنای تبدیل آن به “ارز” (سود) از طریق افزایش درآمد یا کاهش هزینه‌ها است [۱۶۵]. این رویکرد نیازمند درک عمیق از ماهیت پویا و تکامل‌پذیر داده‌ها، شناخت انواع مختلف مدل‌های کسب درآمد (مانند مدل بازگشت از مزیت، خدمات برتر، تمایزگذار، و سندیکایی)، و همچنین بهره‌گیری از فناوری‌های پیشرفته نظیر هوش مصنوعی مکانی و MLOps برای سرعت بخشیدن به فرآیندها است [۱۷۵، ۱۷۸، ۱۷۹، ۱۸۰، ۳۲۶، ۳۲۷، ۳۲۸، ۳۲۹].

پیاده‌سازی یک استراتژی مکانی، یک فرآیند چهار مرحله‌ای شامل درک، برنامه‌ریزی، عمل و بازبینی است که هر مرحله بر افراد، فرآیندها و فناوری‌ها برای دستیابی به اهداف کسب‌وکار متمرکز است [۳۱۶]. بهترین شیوه‌های مدیریت داده‌های مکانی، از جمله تعریف نیازهای سازمان، ساخت یک پشته فناوری مناسب، ایجاد تیم‌های متخصص، و تعیین قوانین و سیاست‌های حاکمیت داده، برای اطمینان از موفقیت طولانی‌مدت حیاتی هستند [۲۹۵، ۳۰۱، ۳۰۲، ۳۰۳].

در نهایت، موفقیت در کسب درآمد از داده‌های مکانی به تعادل دقیق بین نوآوری تکنولوژیکی و رویکردی مسئولانه و اخلاقی بستگی دارد [۱۰۷]. رعایت دقیق قوانین حفاظت از داده‌ها، کسب رضایت صریح، ناشناس‌سازی داده‌ها، و حفظ شفافیت و پاسخگویی، نه تنها الزامات قانونی هستند، بلکه برای ایجاد و حفظ اعتماد مصرف‌کننده، که اساس هر استراتژی کسب درآمد پایداری است، ضروری هستند [۹۵، ۱۰۸، ۱۰۹، ۱۱۱، ۱۱۴، ۱۱۷، ۱۲۰]. با توجه به پیچیدگی‌های روزافزون در این حوزه، سازمان‌هایی که بتوانند این چالش‌ها را به فرصت تبدیل کرده و رویکردی جامع، استراتژیک، و اخلاقی را اتخاذ کنند، پیشروان اقتصاد مبتنی بر داده‌های مکانی در آینده خواهند بود.

نکات کلیدی

• داده‌های مکانی یک دارایی استراتژیک هستند: داده‌های مکانی فراتر از اطلاعات ایستا، ارزش‌های پویایی را برای کسب‌وکارها، برنامه‌ریزی شهری، مدیریت بحران و نظارت محیطی ارائه می‌دهند [۲، ۳، ۴، ۶].
• رشد چشمگیر بازار: بازار جهانی تحلیل‌های مکانی به سرعت در حال رشد است و پیش‌بینی می‌شود تا سال ۲۰۳۰ به ۲۲۶.۵۳ میلیارد دلار برسد، که نشان‌دهنده فرصت‌های عظیم برای کسب درآمد است [۲۶۷].
• فناوری محرک اصلی است: پیشرفت‌هایی مانند 5G، IoT، هوش مصنوعی مکانی (GeoAI)، پهپادها و رایانش ابری، جمع‌آوری، پردازش و تحلیل داده‌های مکانی را متحول کرده‌اند [۱۴، ۱۵، ۱۶، ۱۷، ۱۸].
• بلوغ سازمانی حیاتی است: اکثر سازمان‌ها در مراحل اولیه بلوغ تحلیل‌های مکانی قرار دارند و برای بهره‌برداری کامل از پتانسیل این داده‌ها نیاز به توسعه استراتژیک دارند [۲۲].
• چالش‌ها نیازمند راهکارهای جامع هستند: یکپارچه‌سازی داده‌ها، مقیاس‌پذیری پردازش، پالایش داده‌ها، تخصص فنی و حفظ حریم خصوصی، چالش‌های کلیدی هستند که باید با استراتژی‌های هدفمند برطرف شوند [۲۴، ۲۵، ۲۶، ۲۷، ۲۸، ۲۹].
• مدل‌های متنوع کسب درآمد: سازمان‌ها می‌توانند از طریق مدل‌های مستقیم و غیرمستقیم، DaaS، خدمات برتر، تمایزگذار و سندیکایی، از داده‌های مکانی خود درآمد کسب کنند [۱۷۵، ۱۷۸، ۱۷۹، ۱۸۰، ۳۹۲، ۴۰۱].
• ملاحظات اخلاقی و حقوقی ضروری هستند: حفظ حریم خصوصی، کسب رضایت صریح، ناشناس‌سازی داده‌ها و شفافیت، نه تنها الزامات قانونی (مانند GDPR)، بلکه ستون‌های اصلی اعتماد مشتری و موفقیت پایدار هستند [۹۵، ۱۰۸، ۱۰۹، ۱۴۹، ۱۵۰].
• نقشه راه استراتژیک ضروری است: توسعه یک استراتژی مکانی، شامل فازهای درک، برنامه‌ریزی، عمل و بازبینی، برای همسوسازی افراد، فرآیندها و فناوری‌ها با اهداف کسب‌وکار و دستیابی به مزیت رقابتی پایدار، حیاتی است [۳۱۶].

سوالات تفکربرانگیز

1. با توجه به اینکه تنها ۳.۳٪ از سازمان‌ها در سطح بلوغ “بهینه” در تحلیل‌های مکانی قرار دارند، چه موانع فرهنگی و سازمانی فراتر از چالش‌های فنی و داده‌ای، مانع اصلی دستیابی به این سطح از بلوغ هستند و چگونه می‌توان آن‌ها را برطرف کرد؟ [۲۲، ۲۳]
2. چگونه می‌توان تعادل ظریفی بین نیاز فزاینده به جمع‌آوری داده‌های مکانی دقیق برای کسب درآمد و حفظ حریم خصوصی و اعتماد مصرف‌کننده، به ویژه در مواجهه با مقررات در حال تکامل مانند GDPR و CCPA، ایجاد کرد؟ [۲۹، ۱۰۴، ۳۴۴]
3. با توجه به زمان قابل توجهی که دانشمندان داده صرف پالایش و آماده‌سازی داده‌ها می‌کنند (تا ۹۰٪)، سازمان‌ها چگونه می‌توانند فرآیندهای پالایش داده را بهینه‌سازی کنند تا تیم‌های داده بتوانند بیشتر بر روی استخراج بینش و کسب درآمد تمرکز کنند؟ [۲۷]
4. در شرایطی که “همکاری داده” و به اشتراک‌گذاری داده‌ها با اشخاص ثالث می‌تواند ارزش افزوده ایجاد کند، چگونه سازمان‌ها می‌توانند چارچوب‌های قراردادی و امنیتی قوی‌تری را برای مدیریت ریسک‌های مرتبط با توزیع داده‌ها (مانند جلوگیری از کپی یا فروش مجدد غیرمجاز) توسعه دهند؟ [۱۹۹، ۴۰۲]
5. با ظهور هوش مصنوعی مکانی (GeoAI) و عملیات یادگیری ماشین مکانی (Geospatial MLOps)، چگونه سازمان‌ها می‌توانند سرمایه‌گذاری در این فناوری‌ها را توجیه کرده و بازگشت سرمایه را در شرایطی که مسیر سودآوری همیشه واضح نیست، پیش‌بینی و اندازه‌گیری کنند؟ [۱۸، ۳۲۶، ۳۲۹]
6. کدام مدل‌های کسب درآمد از داده‌های مکانی (مثلاً DaaS، سندیکایی، خدمات برتر) برای سازمان‌های کوچک‌تر یا استارتاپ‌ها با منابع محدود، نسبت به شرکت‌های بزرگ و جاافتاده، پتانسیل رشد و موفقیت بیشتری دارند و چرا؟ [۱۷۵، ۱۷۸، ۱۷۹، ۱۸۰، ۴۰۹]
7. نقش دولت‌ها و نهادهای عمومی در ترویج اکوسیستم‌های داده‌های مکانی باز (مانند Overture Maps Foundation) و تسهیل تبادل داده‌ها با بخش خصوصی چیست و چگونه می‌توان مشارکت بخش عمومی را برای افزایش دسترسی به داده‌های حیاتی برای کاربردهای کسب درآمد، افزایش داد؟ [۵۲۳، ۵۲۹، ۵۳۰]
8. با توجه به اینکه داده‌های مکانی می‌توانند از منابع متنوعی (مانلاً حسگرها، IoT، ماهواره‌ها، رسانه‌های اجتماعی) و با فرمت‌های مختلفی جمع‌آوری شوند، چگونه یک سازمان می‌تواند یک استراتژی جامع برای تجمیع و مثلث‌بندی این داده‌های ناهمگن ایجاد کند تا حداکثر ارزش را برای کسب درآمد استخراج کند؟ [۱۶، ۱۷، ۱۸۲، ۱۸۳، ۱۹۱، ۲۴۲]
9. چگونه می‌توان یک “فرهنگ اخلاقی داده” را در سراسر سازمان، از مدیران ارشد گرفته تا کارمندان خط مقدم، ترویج داد تا اطمینان حاصل شود که تصمیمات مرتبط با کسب درآمد از داده‌ها همواره با اصول اخلاقی و مسئولیت اجتماعی همسو هستند؟ [۱۰۸، ۱۲۲]
10. با توجه به طبیعت “زنده” و دائماً در حال تکامل داده‌ها، چگونه می‌توان یک چارچوب استراتژی کسب درآمد از داده‌ها را به گونه‌ای طراحی کرد که به جای اتکا به مدل‌های ثابت، به طور مداوم با تغییرات محیطی و نیازهای بازار انطباق یابد؟ [۱۶۸، ۱۶۹، ۱۷۰، ۱۷۳]

---