اطلس کسب و کار پایگاهی است که توسط دفتر تجزیه و تحلیل شهردار ((the Mayor’s Office of Data Analytics (MODA) برای کاهش شکاف اطلاعاتی تحقیقات بازار میان کسب و کارهای کوچک و بزرگ در نیویورک طراحی ‌شده است. این ابزار، دسترسی کسب و کارهای کوچک به داده‌ای با کیفیت در مورد شرایط اقتصادی یک محله مشخص را فراهم می‌سازد و به آن‌ها برای تصمیم‌گیری در مورد محل ایجاد یک کسب و کار جدید و یا گسترش کسب و کار فعلی کمک می‌کند.

خلاصه

در حالی که کارآفرینان خرده فروشی در کسب و کارهای خود متخصص هستند، اما اغلب فاقد دسترسی به اطلاعات با کیفیت درباره شرایط اقتصادی در مناطقی هستند که در آن فعالیت می‌کنند یا قصد دارند در آنجا فعالیت نمایند. اطلس تجاری نیویورک طوری طراحی شده است که دسترسی شرکت‌های تجاری کوچک را به داده با کیفیت فراهم می‌کند و به آن‌ها کمک می‌کند تا در این مورد تصمیم بگیرند که کسب و کار جدید خود را در کجا برقرار کنند یا کسب و کار فعلی را در کجا گسترش دهند. این ابزار، انواع داده، از جمله داده تجاری مربوط به بخش امور مصرف کننده، داده مالیات فروش بخش امور مالی، داده جمعیت شناختی بخش آمار و داده ترافیک را کنار هم می‌آورد و باعث می‌شود کسب و کارهای نوپای شهر نیویورک بر اطلاعات ترافیک بلادرنگ تمرکز کنند.

نکات مهم

• تاثیر داده باز را می‌توان زمانی تقویت کرد که دولت به صورت مستقیم با شرکت‌های خصوصی برای اقدامات هدفمند کار می‌کند. این “مشارکت داده” شکل جدیدی از همکاری را نشان می‌دهد که فراتر از مدل مشارکت دولتی – خصوصی است، که در آن شرکت کنندگان بخش‌های مختلف از جمله شرکت‌های خصوصی، موسسات تحقیق و سازمآن‌های دولتی می‌توانند داده را مبادله کنند تا مشکلات عمومی را حل نمایند.²
• اگرچه تعداد زیادی از پروژه‌های داده در مرحل اولیه در سراسر جهان وجود دارند که فقط بر انتشار اطلاعات تمرکز می‌کنند، مرحله بعدی شامل انتشار هدفمند و کاربر محور است که توسط سازمان خدمات تجاری کوچک انجام می‌شود و به اطمینان از این مساله کمک می‌کند که اطلس تجاری به روشی طراحی شده که برای جامعه شرکت‌های کوچک نیویورک، بسیار مفید است.
• دفتر تحلیل داده شهردار نیویورک (MODA) مثالی از این امر فراهم می‌کند که دولت‌ها چطور می‌توانند فراتر از فراهم کردن داده در قالب‌های خام برای عموم مردم، کار تحلیلی لازم برای افراد داخل و خارج از دولت را انجام دهند تا دیدگاه‌های جدیدی نسبت به داده کسب کنند.

پیشینه

در سال‌های اخیر، شناخت گسترده‌ای وجود داشته است که زندگی شهری توسط داده متحول شده است. از شیکاگو تا لندن و سنگاپور، مدیران و برنامه ریزان شهر تلاش می‌کنند داده را تنظیم کنند و به برنامه‌ریزی طرح‌های آینده کمک کنند و مسائل روزمره مانند جمع‌آوری زباله و چاله‌ها را مدیریت نمایند. آنچه که در این روندها اهمیت دارد، آگاهی از مقادیر گسترده داده است که )اغلب به صورت منفعلانه (در مراکز شهری از طریق دستگاه‌هایی مانند تلفن‌های هوشمند و حسگرها ایجاد شده است. همان طور که مجله اکونومیست می‌گوید، شهرهای امروزی “کامپیوترهای هوای آزاد” و “کارخانه‌های داده” هستند.³

در سال 2002، مایکل بلومبرگ به عنوان صد و هشتمین شهردار نیویورک انتخاب شد. بلومبرگ تلاش خود را برای فراهم کردن داده و تحلیل پیچیده جهت تاجران مالی انجام داد. این مساله اجتناب ناپذیر است که در دوران مدیریت وی، شهر نیویورک به دیگر شهرهای جهان پیوست که به دنبال استخراج ارزش بیشتر از ترابایت داده‌ای بودند که به صورت روزمره توسط شهروندان تولید می‌شد.

در سال 2013، از طریق حکم اجرایی شماره 306، شهردار نیویورک دفتر تحلیل داده شهردار (MODA) را تاسیس کرد.⁴ هدف بیان شده این دفتر، “استفاده از داده شهر برای حاکمیت موثرتر، کارآمدتر و شفاف تر” بود.⁵ امروزه، این دفتر از تیمی از تحلیلگران در شهرداری تشکیل شده است که داده منابع مختلف را جمع و تحلیل می‌کنند. از بین این مناطق، MODA روی جلوگیری از جرم، واکنش به بلایا، بهبود خدمات عمومی و توسعه اقتصادی کار می‌کند. MODA نقش مهم و کلیدی در راه‌اندازی درگاه داده باز نیویورک (nycopendata.socrata.com) داشت که اخیرا میزبان بیش از 12000 مجموعه داده مرتبط به سلامت، تجارت، ایمنی عمومی و غیره است. به علاوه، MODA به تاسیس DataBridge کمک کرد که مخزن متحد اطلاعاتی است که هدف آن‌ها، تقویت به اشتراک گذاری داده و قابلیت عملیات درونی در بین سازمان‌های مختلف شهر نیویورک است.⁶ در جولای 2015، این شهر سند راهبرد “داده باز برای همه” را منتشر کرده است که بر دو “باور” اصلی تمرکز می‌کند: اینکه هر فرد نیویورکی می‌تواند از داده باز بهره ببرد؛ و داده باز می‌تواند از هر فرد نیویورکی بهره مند شود.⁷

تصویر 1: درگاه داده باز شهر نیویورک

به خاطر این تلاش و سایر تلاش‌ها، شهر نیویورک معمولا به عنوان رهبر اقدامات داده در ایالات متحده شناخته می‌شود (که دومین کشور در فهرست بارومتر داده باز است).⁸ به خصوص، MODA یک نهاد پیشتاز در اکوسیستم داده باز است و نقش مهمی نه تنها در انتشار داده برای افزایش پاسخگویی و نوآوری دارد، بلکه در انجام کار تحلیلی روی این داده دارد. این کار شامل اندازه‌گیری کارایی خدمات شهر و فراهم کردن پیش‌بینی‌های داده محور است، و همراه با اطلس نیویورک، مجموعه داده‌ه‌ای ارزشمند را از منابع مختلف ترکیب می‌کند تا دیدگاه‌ها و تصاویر جدیدی برای سازمان‌های دولتی و عمومی فراهم کند.

تلاش‌های تحلیلی MODA، که در زمان نگارش توسط مسئول ارشد تحلیل شهر نیویورک، دکتر امن را ماشاریکی، برای کمک به واکنش به فاجعه و بازیابی به کار می‌رفت، باعث بهبود تحویل داده سازمان‌ها و خدمات شهری شد و مشارکت داده بین سازمان‌های شهری را ممکن ساخت و بهترین اقدامات را در تحلیل داده به کار برد و همانطور که در مورد توصیف شده گفته شد، منجر به توسعه اقتصادی گردید.⁹

در این محدوده‌های تمرکز و انواع کار تحلیلی، MODA چهار هدف اصلی و غالب را پشتیبانی می‌کند: بهبود آگاهی، سنجش موفقیت، حداکثر کردن تاثیر و افزایش مشارکت.¹⁰

مایک فلاورز، فردی که قبل از ماشاریکی مسئول بود، و اولین مسئول تحلیل شهر نیویورک، نقش اصلی ایفا شده توسط MODA در عملیات داده شهر نیویورک را در گزارش منتشر شده بعد از سال اول عملیات MODA به این صورت شرح می‌دهد: “طی سه دوره گذشته، سازمان‌های ما توانسته‌اند سیستم‌های اطلاعاتی را توسعه دهند که استفاده از آن‌ها باعث می‌شد خیابان‌های ما امن‌تر، کسب و کار ما پررونق‌تر و پارک‌های ما تمیزتر شوند. از طریق ترکیب تحلیل آماری، مهارت‌های مهندسی و تحقیقات عمقی روی ماموریت‌ها و ساختار سازمانی برای کشف علت، عامل و نحوه حاکمیت دولتی، MODA این سیستم‌ها را با هم ترکیب می‌کند و شهر را قادر می‌سازد تا به دانش جمعی و تجربه ما پی ببرد و از آن برای رفع چالش‌های دشوار استفاده کند.”¹²

طبق گفته مسئولان MODA، ماموریت و پروژه‌های این اداره بر چالش‌های “دشواری” نیویورکی‌ها متمرکز شده‌اند، در حالی که تلاش‌های این سازمان در راستای استفاده از قابلیت‌های تحلیلی جدید است. لیندزی مولیناکس، مدیر تحلیل در MODA می‌گوید، بررسی نیاز واقعی کاری است که ما در MODA انجام می‌دهیم – هر پروژه به بررسی یک نیاز می‌پردازد. می‌خواهیم مطمئن شویم که آنچه انجام می‌دهیم، مفید است.12

پروژه

اطلس تجاری شهر نیویورک که در سال 2013 شروع به کار کرد، بخشی از تلاش گسترده تر MODA با هدف رسیدن به “رشد کسب و کارهای کوچک با استفاده از ابزارهای تحلیلی” است.¹³ این تلاش گسترده‌تر شامل آمار جامع تجاری نیز هست که بعد از طوفان سندی به وجود آمد، یعنی زمانی که شهر تلاش می‌کرد تا تاثیر کلی طوفان بر شرکت‌ها و اقتصاد را بسنجد. قبل از اینکه MODA شروع به کار در این زمینه کند، سابقه جامعی از شرکت‌ها در شهر وجود نداشت. MODA به دنبال پر کردن این شکاف اطلاعاتی با همکاری PLUTO بود که یک پایگاه داده کاربری زمین و داده جغرافیایی بود و “تصویر کامل تری” از شرکت‌ها و فعالیت تجاری در شهر نیویورک فراهم کردند.

شکل 2: اطلس تجاری شهر نیویورک با نوار ابزار شرایط تجاری

اطلس تجاری شهر نیویورک براساس این شناخت و آگاهی در بین مسئولان شهر به دست آمد که در زمان کار با داده، شرکت‌های بزرگ اغلب نسبت به شرکت‌های کوچک برتری دارند. درحالی که شرکت‌های بزرگ می‌توانند مشاوران گران قیمت استخدام کنند و تحقیقات داده محور انجام دهند، شرکت‌های کوچکتر باید بر “احساسات” خود تمرکز کنند تا تصمیمات تجاری مهم را بگیرند، مثلا در کجا یک شعبه جدید باز کنند یا چطور چالش‌های قانونی را پشت سر بگذارند. مایک فلاورز مزایای به دست آمده توسط شرکت‌های بزرگ را به این صورت توضیح می‌دهد: “در بسیاری از بخش‌های منهتن، می‌توانید یک گربه مرده را تاب بدهید، بدون اینکه به استارباکس بخورید. این افراد، زیرساخت‌های قوی دارند  و قابلیت کمک به آن‌ها باعث ترسیم دو چیز می‌شود: الف-کسب و کار خود را در کجا باز کنند؛ و ب-بخش از این قابلیت به غلبه بر چالش‌های قانونی افتتاح این محل مربوط می‌شود.¹⁴ وی اضافه می‌کند برای شرکت‌های کوچک، کمبود داده یک مساله “مزمن” است و احتمالا از زمان امپراتور اگوستوس در رم که تلاش می‌کرد به شرکت‌های کوچک انگیزه بدهد،‌ این مساله وجود داشته است.¹⁵

اگرچه کار روی اطلس نیویورک با فراز و نشیب‌هایی همراه بود اما این کار با بحث در MODA درباره اینکه مالکان شرکت‌های کوچک چه احساسی تحت محاصره دولت شهری به جای پشتیبانی توسط این دولت دارند، ادامه یافت. فلاورز اشاره کرد که سیستم درجه‌بندی رستوران‌های شهر که درجات را براساس پیروی رستوران‌ها از مقررات بهداشتی به آن‌ها اختصاص می‌دهد، از زنجیره‌ها و رستوران‌های بزرگ حمایت می‌کند که معمولا “تجربه کافی و نهادی و منابع لازم برای پشتیبانی از زیرساختار و پیروی از قوانین را دارند.”¹⁶ اطلس تجاری مسیری را از الهامات خاص درباره پیروی از مقررات نشان می‌دهد اما مطابق با تمرکز بر تجهیز مالکان شرکت‌های کوچک به ابزارهایی برای رقابت با زنجیره‌های بزرگ عمل می‌کند.¹⁷

طبق گفته جان فینبالت، مشاور سیاست اصلی شهردار بلومبرگ، اطلس تجاری باعث “دموکراتیک شدن” اطلاعات می‌شود و تحقیقات کیفی را در دستان مالکان کسب و کارهای کوچک قرار می‌دهد.¹⁸ مهم است به این مساله توجه کنیم که بیشتر داده‌های موجود در اطلس تجاری، از قبل وجود داشته‌اند؛ مثلا، از طریق درگاه داده باز شهر فراهم شده‌اند و به لحاظ نظری، در دسترس برخی از مالکان شرکت‌های کوچک بوده‌اند. اما همان طور که اشاره شد، اغلب به شکل پراکنده و بدون لایه تحلیل و تصویرسازی پیچیده موجود در اطلس تجاری بوده است که هر دو باعث می‌شوند داده‌ها برای کارآفرینان، قابل دسترس‌تر و مفیدتر باشند. برای استفاده از این ابزار، شرکت‌ها می‌توانند به maps.nyc.gov/businessatlas مراجعه نمایند و یک منطقه را انتخاب کنند. داده به دست آمده توسط نرم‌افزار کاربردی شامل جمعیت، توزیع جمیعت براساس سن، میانگین درآمد خانوار، تعداد فرزندان، صاحبخانه بودن و اجاره نشین بودند و اطلاعات خاص دیگر آن منطقه است. استفاده از این اطلس تجاری نه تنها رایگان است، بلکه کاربران می‌توانند از جلسات آموزشی رایگان که در مراکز تجاری شهر برگزار می‌شوند نیز بهره‌مند شوند که به آن‌ها کمک می‌کند بیشترین سود را از این ابزار ببرند.¹⁹

یکی از مهمترین بخشهای داده این پلتفرم، ترافیک عابران پیاده در محلات مختلف است. برای جمع‌آوری این اطلاعات، نیویورک با یک شرکت محلی به نام Placementer همکاری کرد که یک پلتفرم اطلاعات شهری داشت. این پلتفرم از دوربین‌ها (شامل دوربینهای کنترل ترافیک شهری و دوربین‌های مجهز به حسگر) استفاده می‌کرد تا حرکت جمعیت در محلات مختلف را ارزیابی نماید. اطلاعات به دست آمده شامل داده مربوط به ترافیک عابران پیاده و وسایل نقلیه بود. در حالی که بیشتر کار تحلیلی به صورت الگوریتم انجام شده بود، Placemeter بر انسان‌ها تکیه می‌کرد تا ویدئوهای مختلف را آنالیز کنند. بررسی‌های کیفی تصادفی کار انجام شده توسط الگوریتم‌ها را انجام می‌داد.²¹ داده نهایی هم نشانه‌ای از تعداد مشتریان آتی برای شرکت‌ها فراهم می‌کرد و به هدایت تصمیمات تجاری مبتنی بر محل کمک می‌نمود.²² این شهر طرح‌هایی برای تکمیل داده با استفاده از اطلاعات جمع سپاری شده داشت. اگرچه این بخش مهمی از اطلس تجاری بود اما کار Placemeter برای تعیین مقدار فضاهای عممومی منجر به نگرانی‌های حریم خصوصی در شهر شد. بر همین اساس، Placemeter گام‌هایی برای کاهش این نگرانی‌ها به صورت زیر برداشت: الف- پردازش ویدئو در زمان واقعی، طوری که کمتر از 0.01 درصد  کل ویدئوها ضبط یا ذخیره می‌شدند و فقط برای اهداف پردازش و کنترل کیفی استفاده می‌شدند؛ و ب- فقط فراهم کردن تعداد عابران ناشناس بدون هویت خاص انجام می‌شد. معاون سابق فناوری امریک، نیکول وانگ، به عنوان مشاور حریم خصوصی شرکت عمل می‌کرد.²³

علاوه بر داده Placemeter، این اطلس شامل داده‌های به دست آمده از بخش‌های دولتی و سازمان‌های مختلف بود. این سازمان‌ها عبارت بودند از سازمان امور مصرف کننده، وزارت امور مالی (اطلاعات مالیات فروش) و داده‌های جمعیت شناختی نتایج سرشماری. اطلس، این داده‌ها را با اطلاعاتی که از وزارت بهداشت و درمان (DOHMH)، کمیسیون انسجام تجاری (BIC)، وزارت حفاظت از محیط زیست (DEP)، سازمان برنامه‌ریزی شهری (DCP) و وزارت مسکن (DOB) در نیویورک کسب می‌کرد و داده باز ایالتی و ملی ترکیب می‌کرد.²⁴ در بسیاری از موارد، کار MODA شامل ترکیب و تحلیل مجموعه داده‌هایی بود که قبلا باز بوده و عموم مردم به آن‌ها دسترسی داشتند. در سایر موارد، تلاش اضافی از طرف MODA لازم بود تا انتشار داده تضمین شود. داده مربوط به مالیات فروش از وزارت امور مالی نیز به خاطر وجود اطلاعات قابل شناسایی شخصی، محافظت شد. به منظور وارد کردن اطلاعات در اطلس،MODA ابتدا باید اطلاعات شخصی را از طریق فرایند ناشناس سازی، کنار می‌گذاشت.²⁵

“بخشی از داده‌های مورد نیاز برای طراحی اطلس در دسترس ما بودند اما سوال این بود که چه چیزی در مقابل اضافه بار اطلاعات، برای کارآفرینان مفید است؟”

لیندزی مولیناکس، دفتر تحلیل داده شهردار

به منظور ترکیب تمام این داده در یک محل، تیمی که اطلس را ایجاد می‌کرد، باید بر چندین چالش تکنیکی و مفهومی غلبه می‌نمود. مثلا در حالی که داده زیادی از DataBrdige شهر به دست آمده بود (در بالا توضیح داده شد)، مسائل اجتناب ناپذیری درباره سازگاری مجموعه داده‌ها وجود داشت. اختلاف بین استانداردهای داده و قالب‌ها یک چالش جدی و وقت‌گیر در تلاش برای ترکیب چندین جریان داده در یک ابزار قابل استفاده به وجود آورد. به علاوه، پیدا کردن داده دقیق برای شرکت‌های محلی هم چالش برانگیزتر از آن چیزی بود که فکر می‌شد. همانطور که مولیناکس توضیح می‌دهد، هر صنعتی قوانین صدور مجوز مخصوص به خود را دارد (و برخی شرکت‌ها، مثل کتابفروشی‌ها، اصلا الزامات صدور مجوز ندارند) که باعث می‌شود بازنمایی دقیق و ترکیب اطلاعات تجاری محلی در بخش‌های مختلف، دشوار شود.²⁶

طراحی کاربر محور و مشارکت با سازمان خدمات تجاری کوچک

اگرچه گزاره ارزش کلی اطلس تجاری شهر نیویورک از ابتدا مشخص بود اما MODA تصمیم گرفت تا با سازمان خدمات تجاری کوچک شهر نییورک (SBS) همکاری کند تا مطمئن شود که نیازهای شرکت‌های کوچک (مخاطب هدف)به درستی برآورده شده‌اند. همانطور که مولیناکس اشاره می‌کند: “برخی از داده‌های لازم در طراحی اطلس برای ما مشهود بودند اما سوال این بود که چه چیزی برای کارآفرینان در مقابل اضافه بار اطلاعات، مفید است؟ SBS به عنوان کارشناس موضوع عمل می‌کرد که با کارآفرینان واقعی (مثلا افرادی که برای باز کردن نانوایی به آن‌ها مراجعه می‌کردند) تعامل داشت و می‌توانست از اطلس به صورت مستقیم برای تامین این نیازها استفاده کند… ما همیشه با سازمان‌های مشتری همکاری می‌کنیم که کارشناسان موضوع هستند و به ما در تعریف موفقیت کمک می‌کنند.²⁷

از طریق تحقیقات قوم‌نگاری و مصاحبه‌ها، SBS توانست به MODA در تعیین این مساله کمک کند که چه چیزی به انواع مختلف کاربران ربط دارد. مثلا در اصل MODA بر نمایش برخی اطلاعات تجاری و دموگرافیک به عنوان امتیازی برای محل جغرافیایی مورد نظر تمرکز می‌کند. بازخورد کاربر که با کمک SBS جمع‌آوری شده، به MODA کمک کرد تا این حقیقت را درک کند که کارآفرینان به داده‌ای علاقه دارند که کمتر تجمیع شده باشد؛ بیشتر افراد تجاری، داده‌های مربوط به خود را می‌خواهند نه داده‌ای که مناسب همه باشد.²⁸ بنابراین، به جای یک نمره یا درجه، داده به شکل  “خام” و گسسته ترسیم می‌شود و به کاربران اجازه داده می‌شود تا خودشان نتیجه گیری کنند.

علاوه بر مشارکت با SBS برای تکمیل مبنای اطلاعاتی پلتفرم، MODA با سیستم کتابخانه شهر نیویورک نیز همکاری می‌کرد تا استفاده از اطلس را افزایش دهد. تحقیقات به فلاورز و تیم وی نشان دادند که بسیاری از کارآفرینان بر کتابخانه محلی خود تکیه می‌کنند تا دیدگاهی در این مورد کسب کنند که چطور یک کسب و کار جدید آغاز نمایند. MODA با درنظر داشتن این مخاطبان بالقوه و کاربران با کارکنان کتابخانه کار کرد و پلتفرم را به آن‌ها آموزش داد تا کارآفرینان بالقوه را شناسایی کنند و در اصل به عنوان “مشاوران شرکت‌های کوچک” عمل نمایند.²⁹

در کل، رویکرد MODA برای مشارکت با سازمان‌ها و نهادهای مختلف، پرثمر بود. براساس نظر فلاورز، این بخشی از راهبرد متفکرانه برای تضمین طول عمر اطلس تجاری بود. همانطور که فلاورز اشاره می‌کند: “باید به خدمات شهری دسترسی داشته باشید… اگر به عنوان شرکت کننده اصلی به این خدمات دسترسی دارید، در انتخابات بعدی، هر چیزی که روی آن کار کرده‌اید از دست می‌رود.”³⁰

تاثیر

مانند بسیاری از پروژه‌های شهری داده محور در سراسر جهان، اطلس تجاری از وجود مقادیر زیاد داده و مبنای کاربری نسبتا پیچیده سود می‌برد که آگاهی خوبی دارند و از قابلیت داده باز آگاه هستند. این اکوسیستم‌های موثر تبدیل به تاثیر ملموس و حتی فوری برای ذینفعان پروژه می‌شوند.

ذینفعان موردنظر:

هموار کردن زمین بازی برای تحقیقات بازار

یکی از مهمترین تاثیرات اطلس تجاری، روشی است که در آن، هموار کردن سطح بازی بین شرکت‌های کوچک و بزرگ انجام می‌شود. گزارش سالانه 2013 MODA اشاره می‌کند که “وقتی یک خرده فروش بزرگ ملی به دنبال افتتاح یک شعبه جدید است، اغلب تحقیقات گسترده بازار را روی محلات مختلف انجام می‌دهد که به شرکت در تصمیم‌گیری برای تعیین محل شعبه جدید کمک می‌کند.”³¹ این نوع تحقیق معمولا برای شرکت‌های کوچک، پرهزینه است. اما همان طور که جان فینبالت، مشاور سابق سیاسی شهردار بلومبرگ اشاره کرده است، اطلس تجاری این تحقیقات را دموکراتیک می‌کند و تحقیقات کیفی را در دستان مالکان شرکت‌های کوچک قرار می‌دهد.”³²

حتی وقتی شرکت‌های کوچک به داده دسترسی می‌یابند (مثلا از طریق منابع دولتی یا سایر منابع)، ممکن است فاقد مهارت‌های تحلیلی لازم برای پردازش و درک آن باشند. در اینجا، اطلس تجاری یک نقش قوی دارد و ابزارهای تحلیلی و تصویرسازی پیچیده آن باعث هموار شدن زمین بازی بین بازیگران بزرگتر و کوچکتر می‌شود. در جلسه مسئولان ارشد داده شهری، امن را ماشاکاری، مسئول اصلی تحلیل داده شهر نیویورک، به روش‌های مختلفی اشاره می‌کند که این داده و تحلیل آن می‌تواند باعث توانمندشدن شرکت‌های کوچک شد. وی مثال کارآفرینی که برای وام گرفتن به بانک مراجعه می‌کند را ارائه می‌کند. با توجه به اطلاعات موجود در اطلس تجاری، این کارآفرین می‌تواند درخواست جالب تری ارائه کند که توسط شواهد پشتیبانی می‌شود و به دنبال پایداری و قابلیت کسب و کار خود باشد.³³

انجام تحلیل منطقه بهبود تجاری (BID)

تاثیر بعدی اطلس تجاری در قصد SBS برای استفاده از اطلس برای کار خود مشهود است. اخیرا SNS در حال برنامه‌ریزی برای استفاده از داده موجود در اطلس است تا به تحلیل این مساله کمک کند که مناطق بهبود تجاری (BID) چطور باعث رشد اقتصادی در نیویورک می‌شوند. BIDها شامل مشارکت‌های دولتی-  خصوصی هستند که در آن، مالکان شرکت‌ها و دارایی به دنبال مشارکت جمعی برای نگهداری، توسعه و ارتقای منطقه تجاری خود هستند.³⁴ داشتن این داده‌ها و توجه به اطلس تجاری، به SBS اجازه می‌دهد تا محلات BID را از نظر تغییر اقتصادی، سرمایه گذاری تجاری و فعالیت‌های تجاری با هم مقایسه کند؛ این کار به SBS اجازه خواهد داد تا مشخص کند که کدام BIDها تا به حال بیشترین تاثیر را داشته‌اند و بهترین اقدامات را برای تکرار موفقیت آن‌ها در شهر به کار می‌گیرد.

استفاده از اطلس تجاری باعث گسترش رشد BIDها می‌شود و به جامعه خاص دیگری اشاره می‌کند که از دسترس پذیری داده جدید تحقیقات بازار، سود می‌برند: ساکنان مناطق محروم نیویورک. همانطور که ماشاریکی اشاره می‌کند “سازمان‌های شهری می‌توانند از اطلس تجاری استفاده کنند تا به این شرکت‌های بزرگ بپردازند به آن‌ها نشان دهند که دلیل خوبی برای افتتاح شعبه‌های جدید در محلاتی وجود دارد که قبلا از آن‌ها اجتناب می‌کردند.³⁵ به جای گرفتن تصمیمات مبتنی بر محل براساس شهود (یا سوگیری ناشی از رسانه)، شرکت‌ها می‌توانند نگاه دقیق‌تری به داده‌ها بیندازند و مناطق محرومی را شناسایی کنند که فرصت تجاری خوبی برای آن‌ها فراهم می‌کنند. این روشی است که اطلس تجاری می‌تواند زمین بازی را برای مشتریان و شرکت‌ها هموار سازد.

تاثیر نوآوری تحلیل داده در نیویورک و اطراف

مانند بسیاری از مثال‌های دیگر که در این مجموعه از مطالعات موردی وجود دارند، کار MODA تاثیرات موجی مهمی داشت که باعث توسعه پروژه‌های داده باز مشابه شد. فلاورز به این مساله اشاره می‌کند که اطلس تجاری “قطعا این کار را از طریق ظرفیت خود انجام می‌دهد تا نشان دهد که داده باز به معنای هر چیزی بیش از ساختن یک نرم‌افزار کاربردی ساده است.”³⁶ مثلا اخیرا سازمان آتش نشانی نیویورک (FDNY) یک واحد تحلیل را به راه انداخته است که از روی تیم تحلیل MODA مدلسازی شده است. تلاش‌های تیم FDNY شامل توسعه و استفاده از سیستم بازرسی مبتنی بر ریسک (RBIS) است که “این سازمان را قادر می‌سازد تا ساختمان‌های در معرض خطر آتش‌سوزی را شناسایی کنند و آن‌ها را برای بازرسی‌های آتش‌سوزی اولویت‌بندی کنند.”³⁷ داده با استفاده از DataBridge از انبار داده FDNY و سایر پایگاه‌های داده تلفیق می‌شود، از جمله برنامه‌ریزی شهری، ساختمان و دیگر موارد.³⁸ در تنظیم واحد و پلتفرم تحلیلی آن، FDNY به صورت مستقیم با MODA کار می‌کند و نمونه‌ای از مشارکت سازنده و هم‌افزایی بین بخش‌های شهری را فراهم می‌کند.³⁹

نمونه دیگر تاثیرات موجی MODA در شهر نیویورک را می‌توان در پروژه بخش ساختمان سازی نیویورک یافت که به دنبال مدیریت شکایات مربوط به تبدیل غیرقانونی ساختمان است، و برنامه “311 شهر” که  311 فعالیت شهری را درنظر می‌گیرد و جمع‌آوری داده و مکانیزم اشتراک گذاری برای واکنش به فاجعه را نشان می‌دهد.⁴⁰ تمام این برنامه‌ها از درس‌ها و اصولی استفاده کرده‌اند که توسط MODA به کار رفته و آزمایش شده‌اند.

سایر شهرها هم به تلاش‌های داده باز شهر نیویورک توجه کرده‌اند. بنیاد شهر پایتخت در لندن پیشنهاد کرده است که لندن باید به دنبال پروژه‌هایی مانند اطلس تجاری در تلاش‌های خود باشد تا تبدیل به “شهر هوشمند” شود. در گزارش اخیر، این بنیاد گفته است: “اگر شرکتی بخواهد مصرف‌کنندگان از تمام بخش‌های لندن به شرکت توجه کنند، داده حمل و نقل برای لندن (TFL) دقیقا نشان می‌دهد که مردم در کجا با شبکه حمل و نقل تماس پیدا می‌کنند. به این ترتیب، نقشه‌هایی ایجاد می‌شوند که نشان می‌دهند مردم به کجاها می‌روند. دانستن این مساله مفید است که بدانیم ایستگاه اتوبوس یا مترو کجاست تا محل شرکت را در آنجا تعیین کنیم. ایجاد یک ابزار آنلاین برای مهیا کردن این مجموعه داده مبتنی بر ایده‌هایی خواهد بود که در نیویورک ایجاد شدند.⁴¹ این احتمال هست که گرایش به تیم‌های تحلیل داده مشابه گسترش یابد، چون درس‌های آموخته شده و بهترین اقدامات MODA هم با نوآورها و سیاست گذاران سراسر جهان به اشتراک گذاشته می‌شوند.⁴²

چالش ها

انتقال دادن فرصت

یک ابزار فقط وقتی مفید است که مردم به صورت واقعی از آن استفاده کنند. بنابراین، در حالی که اطلس تجاری یک فرصت عمده برای اشخاص تجاری فراهم می‌کند تا محیط‌هایی را درک کنند که می‌خواهند در آن شرکت افتتاح کنند، انتقال دادن این فرصت به عموم مردم، یک چالش بسیار مهم برای تضمین استفاده گسترده است. همان طور که مایک فلاورز اشاره می‌کند: اطلس تجاری بخشی از تلاشی است که به “نادین بوریوت” (فرض)، نوعی از دیدگاه تحقیقات بازار و قابلیت‌هایی را می‌دهد که مک دونالد و مترو سال‌ها از آن استفاده کرده‌اند.⁴³ اما مطمئن شدن از اینکه نادین و هزاران کارآفرین دیگر مانند وی از وجود این اطلاعات آگاه هستند، نوعی چالش است.

برای این منظور، افزایش آگاهی و انواع دسترسی که قبلا در کتابخانه‌های شهری انجام شده، ضروری است. به علاوه، فلاورز معتقد است که ایجاد رابط برنامه کاربردی (API)، توسعه دهندگان را قادر می‌سازد تا داده موجود در اطلس تجاری را به کار گیرند و نرم‌افزارهای کاربردی جدیدی ایجاد کنند که به انتشار گسترده این داده کمک می‌کند.⁴⁴

بررسی چالش‌های فنی

MODA برای دست یافتن به جاه طلبی‌های مربوط به رشد اطلس تجاری، نیاز به بررسی برخی از چالش‌های فنی دارد که باعث ایجاد مشکل می‌شوند. مثلا همان طور که قبلا اشاره شد، انواع مختلف کسب و کارها، الزامات مختلفی برای صدور مجوز دارند. همان طور که مولیناکس اشاره می‌کند، این فقط نمونه‌ای از یک مساله کلی است-  یعنی محیط داده متفاوت که برای گروه‌های مختلف شرکت‌ها وجود دارد و این کار را برای آن‌ها چالش برانگیز می‌کند تا داده منابع مختلف و پراکنده را کنار هم بگذارند و به صورت معنی دار تحلیل کنند.⁴⁵

در گذشته، MODA الگوریتم‌هایی را برای غلبه بر این مشکلات نوشته است. اما چالش‌ها به قوت خود باقی مانده‌اند و با اضافه شدن داده توسط طرح‌های سازمان‌ها، باز هم این چالش‌ها افزایش می‌یابند. پیدا کردن روش‌های جدید برای ترکیب و هماهنگ کردن منابع بزرگ داده که از سازمان‌ها و گروه‌های مختلف به دست آمده‌اند، یکی از کارهای مهم پیش روی سازمان در راه گسترش محدوده دسترسی و مقیاس بندی تلاش هاست.

بهبود دانه‌بندی داده

ثابت شده که اطلاعات موجود در اطلس تجاری به کسانی که دنبال شناسایی محلات مناسب برای کار هستند، کمک می‌کند. اما همان طور که فلاورز اشاره می‌کند “محله در شهر نیویورک، بزرگتر از سایر شهرهای آمریکاست.”⁴⁶ وی اضافه می‌کند که برای افزایش کارایی، اطلس تجاری می‌تواند سطح مناسب‌تری از دانه‌بندی را در تحلیل ارائه شده برای کاربران فراهم کند. مثلا، می‌تواند فراتر از اطلاعات سطح محله برود و بر مناطقی تمرکز کند که شامل 5 تا 10 بلوک هستند.

نگاه به آینده

MODA از بسیاری جهان، روشی را تغییر داده است که شهروندان و تصمیم گیرندگان در نیویورک تصمیم می‌گیرند. اطلس تجاری فقط یک مثال است، که البته قابلیت خاص و بالقوه‌ای دارد. با توجه به موفقیت اولیه و واکنش مثبت به اطلس تجاری، MODA قصد دارد طرح‌هایی برای گسترش آن در سال‌های آتی ارائه کند.

اطلس تجاری 2.0: ابزارهای جدید و ویژگی‌ها

اطلس تجاری 2.0 نامی است که برای مجموعه‌ای از ابزارهای جدید و تقویت‌های MODA به کار می‌رود که قرار است به اطلس تجاری اصلی اضافه شوند. از بین ویژگی‌های جدید می‌توان به موارد زیر اشاره کرد:

• یک ویژگی که به افراد اجازه می‌دهد چندین محل را با هم مقایسه کنند.
• اطلاعات بیشتر مربوط به ترافیک از جمله اطلاعات روزانه مربوط به مترو
• داده برون سپاری شده ترافیک پیاده و وسایل نقلیه با هدف اضافه کردن دقت و کامل بودن به ترافیک Placemaker؛ و
• یک ابزار “حل کننده” که به کارآفرینان اجازه می‌دهد نیازها و مشخصات خود را وارد کنند و محل‌های مناسب بالقوه برای کسب و کار خود را شناسایی نمایند.

MODA اضافه کردن یک ابزار تحلیلی پیش‌بینی کننده را در نظر گرفته است که شرکت‌های در معرض ریسک شکست را شناسایی می‌کند و آن‌ها را با ارائه کمک از شرکت‌های کوچک دیگر، هدف قرار می‌دهد. این “کمک هدفمند” شامل گرفتن وام یا دیگر کمک‌های مالی است.⁴⁸

مشارکت و همکاری

علاوه بر اضافه کردن ویژگی‌های جدید، MODA قصد دارد تا مشارکت‌های موجود را تقویت نماید و مشارکت‌های جدید را شروع کند تا دسترسی و کارایی اطلس تجاری را افزایش دهد. همان طور که در بالا گفته شد، MODA قبلا با SBS همکاری کرده تا رشد اقتصادی مناطق بهبود تجاری در نیویورک را تحلیل کند. این مشارکت ادامه و گسترش می‌یابد و تمرکز خاصی بر شناسایی ویژگی‌ها و رفتارهای مشترکی دارد که برای رشد اقتصادی، موثر هستند. یکی از این اهداف، شناسایی مجموعه‌ای از بهترین اقدامات است که رشد اقتصادی شهر را هدایت می‌کنند.

به علاوه،  MODA قصد دارد مشارکت با برخی از سازمان‌های خارجی، موسسات، شرکت‌ها و افراد را آغاز کند و ادامه دهد.⁴⁹ در بخش دانشگاهی و تحقیقاتی، MODA با مرکز علوم شهری و پیشرفت دانشگاه نیویورک (CUSP)، مرکز علوم داده کلمبیا و انستیتو پلی تکینیک رنسلر همکاری کرده است. همکاری MODA با آزمایشگاه مایکروسافت هم متمرکز بر پروژه‌های مربوط به پاسخ‌های خودکار به پیام کوتاه‌های 311 است. MODA همکاری نزدیکی با شهروندان در زمانی دارد که پروژه‌های جدید در حال توسعه هستند و بازخورد کاربران، جمع‌آوری می‌شود.

اگرچه بیشتر کار با Placemeter به عنوان یک همکاری موقتی بود اما کار جدید منجر به ایجاد فرصت‌های آتی برای تکمیل اطلس تجاری شده است. گام بزرگ بعدی برای Placemeter، توانایی اندازه‌گیری واقعی و بلادرنگ سرعت ماشین‌ها در محلات است و داده مربوط به محل شما را جمع‌آوری می‌کند که گسترده‌تر از کار سایر سازمان‌های شهری است.⁵⁰ این کار نه تنها نقش عمده‌ای در Vision Zero دارد که ماموریت شهردار بیل دو بلازیو برای کاهش مرگ و میر ناشی از تصادفات به صفر در شهر نیویورک است، بلکه اطلاعات جریان ترافیک را برای شرکت‌ها فراهم می‌کند.

این تغییرات و سایر تغییرات هم یا برنامه‌ریزی شده‌اند یا در دست اقدام هستند. اما بسیاری از تغییرات مهم و اضافه شدن‌ها در سال‌های اخیر، پیش‌بینی نشده‌اند و مستقیما از طرف کاربران ایجاد می‌شوند. سند راهبرد داده باز برای همه MODA، تلاش هماهنگ برای یادگیری با نگاه کردن به نحوه استفاده از سایت توسط افراد مختلف را ترسیم می‌کند.⁵¹ چه نوع داده و ابزارهای تحلیلی مفید هستند؟ کدام ابعاد سایت باعث ایجاد مشکلات یا اصطکاک برای کاربر می‌شوند؟ مردم چطور سایت را پیدا می‌کنند و تبدیل به بازدیدکنندگان تکراری از سایت می‌شوند (برخلاف کسانی که فقط یک بار مراجعه می‌کنند)؟ اینها سوالاتی هستند که MODA مطرح می‌کند و حرکت رو به جلوی خود را براساس آن‌ها شکل می‌دهد.

شما می‌توانید به متن این مطلب از طریق فایل برخط زیر دسترسی داشته باشید:

فایل word برخط

همچنین می‌توانید منبع اصلی این نوشته را از اینجا مطالعه کنید.

منابع

1. N/A
2. Verhulst, Stefaan and David Sangokoya. “Data Collaboratives: Exchanging Data to Improve People’s Lives,” Medium, April 22, 2015. https://medium.com/@sverhulst/data-collaboratives-exchanging-data-to-improve-people-s-lives-d0fcfc1bdd9a.
3. “Open-air Computers,” The Economist, October 27, 2012. Accessed July 14, 2015. http://www.economist.com/news/special-report/21564998-cities-are-turning-vast-data-factories-open-air-computers.
4.  Exec. Order No. 306, 3 C.F.R. (2013), http://www.nyc.gov/html/om/pdf/eo/eo_306.pdf.
5.  Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
6. Yasin, Rutrell. “How analytics is making NYC’s streets and buildings safer.” GCN, October 4, 2013. http://gcn.com/articles/2013/10/04/gcn-award-nyc-databridge.aspx.
7.  “Open Data for All” New York City Government. 2015. http://www1.nyc.gov/assets/home/downloads/pdf/reports/2015/NYC-Open-Data-Plan-2015.pdf
8.  http://barometer.opendataresearch.org/report/analysis/rankings.html
9. Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
10.  “NYC MODA Presentation Federal Summit.” New York City: NYC Analytics, February 2015. http://lnwprogram.org/sites/default/files/NYC_MODA_Presentation_Federal_Summit.pdf
11.  Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
12. GovLab interview with Lindsay Mollineaux, Director of Analytics, Mayor’s Office of Data Analytics, New York City, July 2, 2015.
13.  Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
14. GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
15. GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
16.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
17. In a separate initiative, MODA is collaborating with the New York City Small Business Services “to reduce the regulatory burden on small businesses in New York City” by sending “trained client managers to neighborhoods across the five boroughs to provide business owners with targeted education informed by data showing the specific needs in a given neighborhood – including top violations, areas of noncompliance, new business growth data, 311 complaints, and more.” “Small Business Services Launches Proactive Education and Outreach Efforts to Help Ease Regulatory Burden on New York City Small Businesses.” New York City Small Business Services. May 27, 2015. http://www.nyc.gov/html/sbs/html/pr/2015_05_27_SB1.shtml
18.  Schweidel, D. A. Profiting from the data economy: Understanding the roles of consumers, innovators, and regulators in a data-driven world (Upper Saddle River, NJ: Pearson Education).
19.  Furman, Phyllis. “Map this! New city tech tool lets small businesses compete with the big guys by dishing data.” New York Daily News. December 16, 2013. http://www.nydailynews.com/new-york/map-new-city-tech-tool-lets-small-businesses-compete-big-guys-dishing-data-article-1.1559044
20.  GovLab interview with Florent Peyre, Chief Operating Officer and Co-Founder, Placemeter, August 19, 2015.
21. GovLab interview with Florent Peyre, Chief Operating Officer and Co-Founder, Placemeter, August 19, 2015
22.  “Platform – How It Works.” Placemeter. https://www.placemeter.com/platform
23.  “Privacy by Design.” Placemeter. http://www.placemeter.com/privacy
24.  “NYC MODA Presentation Federal Summit.” New York City: NYC Analytics, February 2015. http://lnwprogram.org/sites/default/files/NYC_MODA_Presentation_Federal_Summit.pdf
25.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
26.  GovLab interview with Lindsay Mollineaux, Director of Analytics, Mayor’s Office of Data Analytics, New York City, July 2, 2015.
27.  GovLab interview with Lindsay Mollineaux, Director of Analytics, Mayor’s Office of Data Analytics, New York City, July 2, 2015.
28. GovLab interview with Lindsay Mollineaux, Director of Analytics, Mayor’s Office of Data Analytics, New York City, July 2, 2015.
29. GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
30. GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
31.  Neubauer, Miranda. “With Business Atlas, NYC Analytics Office Looks to 2014.” TechPresident. January 2, 2014. http://techpresident.com/news/24635/business-atlas-nyc-analytics-office-looks-2014
32.  Krasny, Jill. “NYC Data Tool Gives Small Business an Edge.” Inc. December 27, 2013. http://www.inc.com/jill-krasny/nyc-business-atlas-helps-small-businesses.html
33. “Towards Data Driven Cities? Meet up with Chief Data Officers.” Proceedings of La Fabrique De La Cite, Paris. March 23, 2015. http://www.lafabriquedelacite.com/fabrique-de-la-cite/data.nsf/FDD3CB2E8CEA41D2C1257E0F00324482/$file/actes_cdo_02062015_def_web.pdf.
34.  New York City Department of Small Business Services. “Starting a Business Improvement District: A Step-by-Step Guide.” Nyc.gov. 2003. http://www.nyc.gov/html/sbs/downloads/pdf/bid_guide_complete.pdf.
35. “Towards Data Driven Cities? Meet up with Chief Data Officers.” Proceedings of La Fabrique De La Cite, Paris. March 23, 2015. http://www.lafabriquedelacite.com/fabrique-de-la-cite/data.nsf/FDD3CB2E8CEA41D2C1257E0F00324482/$file/actes_cdo_02062015_def_web.pdf.
36.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
37.  “FireCast: Leveraging Big Data for Mitigating Fire Risks.” The Innovation Enterprise. January 22, 2014. https://ieondemand.com/divisions/big-data/events/4/presentations/firecast-leveraging-big-data-for-mitigating-fire-risks#sthash.FidXBzgc.dpuf.
38. Yasin, Rutrell. “How analytics is making NYC’s streets and buildings safer.” GCN, October 4, 2013. http://gcn.com/articles/2013/10/04/gcn-award-nyc-databridge.aspx.
39. Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
40. http://gcn.com/articles/2014/02/19/new-york-city-geek-squad.aspx
41. Coepland, Eddie. “Big Data in the Big Apple.” Capital City Foundation. 2015. http://capitalcityfoundation.london/big-data-in-the-big-apple-web-version/.
42.  Flowers, Mike and Lauren Talbot. “Building a Gov Data Skunkworks.” Code for America. February 18, 2014. http://www.codeforamerica.org/peer-network-training/02-18-2014/.
43.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
44.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
45.  GovLab interview with Lindsay Mollineaux, Director of Analytics, Mayor’s Office of Data Analytics, New York City, July 2, 2015.
46.  GovLab interview with Mike Flowers, former Chief Analytics Officer, Mayor’s Office of Data Analytics, New York City, August 14, 2015.
47. Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
48. Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
49. Flowers, Michael. “NYC by the Numbers Annual Report.” New York City Government. December 2013. http://www.nyc.gov/html/analytics/downloads/pdf/annual_report_2013.pdf.
50. GovLab interview with Florent Peyre, Chief Operating Officer and Co-Founder, Placemeter, August 19, 2015.