ثروت آفرینی با بیگ دیتا - مهسان بلاگ

ارجمندی معتقد است که دانش به معنایی که در مایکروسافت یا گوگل و اپل کاربرد و کارکرد دارد، در اکوسیستم ایران دیده نمی گردد و بچه های ایرانی اغلب کپی کار محصولات خارجی شده اند و کمتر اعتماد به نفس خلق ارزشی منحصربه فرد را دارند. ضمن اینکه همیشه اول بازار را در نظر می گیرند و بابت ریسک و شکست نگران هستند.

به گفته مدیرعامل میراث، این استارتاپ یک تکنولوژی کمپانی است که بر مبنای بیگ دیتا و هوش مصنوعی به معنای واقعی کلمه کار می کند؛ هر چند در ادامه کار مجبور شده اند که محصولاتی را هم بسازند و روانه بازار کنند. این جوان استارتاپی استفاده از بیگ دیتا در اکوسیستم کسب وکارهای نوآور و در میان کسب وکارهای سنتی در ایران را ناچیز می داند، چون معتقد است که استفاده از بیگ دیتا زمانی میسر می گردد که از متخصصان و تحلیلگران حرفه ای این حوزه استفاده گردد.

اما ما در ایران چنین متخصصانی که تجربه کار داشته باشند یا نداریم یا بسیار اندک هستند. از طرفی، شرکت ها تمایلی به استخدام آنها ندارند چون بیشتر به متخصصان برنامه نویسی و… بها می دهند. اهمیت بیگ دیتا، هوش مصنوعی، ضعف استفاده از این تکنولوژی در ایران، چرایی عدم کارایی داده ها در ایران و… از دیگر مباحثی بوده که با مدیرعامل میراث مطرح کردیم و در ادامه می خوانید.

زمانی با پروژه های دولتی همکاری می کردید اما بعد از مدتی این همکاری را قطع کردید و به مپس آمدید. چه شد که با مپس کار کردید؟ چه تفاوتی بین مپس و سیستم های دولتی و حکومتی می دیدید؟

پیشنهادهای خوبی از خارج از ایران داشتم و در حال مهاجرت بودم، اما قبل از رفتن، با مرکز فناوری مپس و فریدون کورنگی آشنا شدم. حدود سال 92 بود. متوجه شدم که نگاه و دیدگاهی که من در ساختن سیستم هایی با این ابعاد دارم، او هم دارد و ارزش شان را می فهمد. بنابراین با همراهی یکی از دوستانم، کارمان را در زمینه داده های بزرگ (Big Data) در مرکز فناوری مپس آغاز کردیم.

آن زمان ایده هایی که داشتیم خام و وحشی بودند، اما بعد از صحبتی که با آقای کورنگی داشتیم، او ما را به ایرانیان پیروز در سراسر جهان وصل کرد؛ اشخاصی که ارزش کارشان جهانی بود. این آدم ها به ما کمک کردند که به توسعه فناوری سروشکل بدهیم و بدانیم که از چه فرایندهایی باید استفاده کنیم و در جهان چه استانداردهایی وجود دارد.

در مورد ایده هایی که به عنوان اختراع ثبت کرده اید، بیشتر توضیح بدهید.

میراث در سال 2014، 4پتنت در زمینه بیگ دیتا ثبت کرد. در سال 2014 که ما پتنت ثبت کردیم، 92درصد پتنت های جهان توسط آمریکا و چین ثبت شده بود. از طرفی از کل پتنت هایی که در سازمان جهانی ثبت اختراعات یعنی سازمان پی سی تی ثبت شده بود، تنها 20 پتنت در زمینه بیگ دیتا بود. وقتی به این مسئله نگاه می کنیم و مقایسه می کنیم با یک شرکت کوچکی که تیم فنی آن دو جوان 26، 27ساله هستند و در اتاقی کوچکی در منطقه تجریش، 4پتنت در زمینه بیگ دیتا منتشر می کنند، آن وقت بیشتر متوجه می شویم که حجم کاری که در اینجا انجام شده، چقدر است و چه ارزشی دارد.

اما ظرفیت بالقوه ایده ها صرفا با ثبت اختراع اثبات نمی گردد، بلکه ثبت اختراع قدم اول این جهت است. بسکمک از اساتید دانشگاهی در ایران، ما را زیر سوال می بردند و می گفتند که ایده های شما تا الان در شرکت هایی مانند گوگل پیاده سازی شده است. پس اگر این ثبت اختراع را انجام می دادیم، نشان می دادیم که از قبل پیاده سازی نشده اند. بنابراین این پتنت ها را ثبت کردیم و نشان دادیم که ایده های مان در زمینه فناوری بیگ دیتا یونیک بوده است و به عنوان یک حوزه نوین، حرف برای گفتن دارد.

باید توضیح بدهم که ما یک مدل ریاضی داریم به نام اکتورمدل (Actor Model) که به شبیه سازی سیستم های پیچیده کمک می کند. این مدل ریاضی یک پیاده سازی دارد در زبان اسکالا (Scala) و یک چارچوب برنامه نویسی هست به نام چارچوب آکا (Aka) که از این دو برای شبیه سازی سیستم های پیچیده ، استفاده می گردد.

ما از این بستر برای ساخت یک سیستم ذخیره سازی اطلاعاتی استفاده کردیم که بتواند به سرعت داده ها را ذخیره کند و بعد بتواند روی آنها الگوریتم های هوش مصنوعی را اجرا کند. مثلا سامانه هایی که در پیش بینی آب وهوا کار می کنند، چندین کامپیوتر هستند که به هم وصل شده اند. این کامپیوترها حجم زیادی از اطلاعات مربوط به ابرها و دمای هوا و… را به صورت لحظه ای ذخیره می کنند. سیستم های خیلی پیچیده ای به نام MTI وجود دارد که این کامپیوترها را به همدیگر وصل می کند تا الگوریتم معینی را روی شان اجرا بکند.

ما چیزی شبیه MTI نوشتیم با این تفاوت که وقتی شما با مدل MTI کار می کنید، فقط یک مدل پیش بینی را می توانید پیاده سازی کنید، ولی با سیستمی که ما ساختیم، یک بار سیستم ذخیره سازی اطلاعات نصب می گردد و به هر تعدادی که بخواهید، می توان روی آن الگوریتم نوشت. انگار که با یک کامپیوتر کار می کنید.

تصمیم گرفتیم که سرمایه 300هزار یورویی که جذب کرده بودیم و دفتر کار را پس بدهیم. حتی 35هزار یورو هم بابت ثبت شرکت پرداخت کرده بودیم اما در نهایت مقداری پول هم صرف کردیم که شرکت را منحل کنیم.

بعد از اینکه کار را در لوکزامبورگ تعطیل کردیم، به ایران برگشتیم و کارکردن با شرکت های ایرانی را آغاز کردیم

شما پتنت ها را ثبت کردید. کارایی این پتنت ها را چگونه اثبات کردید؟

یکی از کارهای ما، بحث نمایه گذاری داده یا ایندکس کردن داده است. این نمایه گذاری چیزی شبیه نمایه سازی برای کتاب هاست که معمولا در انتها هر کتاب قرار می گیرد. اما در اینجا به جای اینکه داده های یک کتاب مطرح باشد، پای داده های میلیون ها صفحه وب در میان است. وقتی قرار است این اطلاعات ذخیره سازی شوند، باید با سرعت خیلی زیاد پردازش شان کرد. سیستمی وجود دارد که مربوط به شرکت آمریکایی بی ام و است به نام ردیس. این شرکت هم در همین زمینه کار می کند.

ما توانستیم رکورد ذخیره سازی ردیس را با ایده هایی که داشتیم، بشکنیم و نشان دادیم که ایده های ما در جهانی واقعی کاربرد دارند. از اینجا به بعد جهت کارمان متفاوت شد و در سال 2014، نسخه بتای سیستم مان را در یکی از نمایشگاه های بزرگ جهان به نام آی سی تی اسپرینگ (ICTspring) در کشور لوکزامبورگ نمایش دادیم. هدف مان این بود که بتوانیم در آنجا وارد بازار جهانی بشویم.

لوکزامبورگ فاصله کمی با کشورهایی چون آلمان، فرانسه و… دارد و به همین دلیل به مرکزی تبدیل شده که چندین دیتاسنتر بزرگ در آنجا ساخته شده است. ضمن اینکه زیرساخت های ارتباطی بزرگی در آنجا در حال شکل گیری بود و به لحاظ استراتژی بهترین مکان برای راه اندازی سیستم مان در اروپا بود. در لوکزامبورگ وارد شرکت تکنوپورت شدیم که بزرگ ترین انکیوویتور این کشور بود و سالانه حدود 200 اپلیکیشن می گرفت که تنها 9 تا پذیرش می دریافتد. اما بعد از ارائه ما، سریع قبول کردند و بدون هیچ کار اداری، دفترمان را نشان مان دادند.

ما در آنجا جذب سرمایه داشتیم و شرکت را ثبت کردیم اما بعد از مدتی با آنالیز هایی که انجام دادیم، متوجه شدیم که اجراکردن کار در آنجا، با یکی از اصولی که در بیزینس مدل مان دیده بودیم، متفاوت بود. هدف ما این بود که بچه های باهوشی که در ایران هستند، به وسیله شرکتی که ما ساخته بودیم، ایده های شان را به آنجا بیاورند و پیاده سازی کنند؛ یعنی شرکت ما پلتفرمی باشد که بچه های ایرانی بتوانند روی آن و در سطح جهانی کار کنند.

اما آن شرایط خوب را رها کردید و آنجا نماندید و الان ایران هستید؛ چرا؟

باید همه بچه های صاحب ایده را به لوکزامبورگ می آوردیم که نه مدل درستی بود و نه با سرمایه ای که ما داشتیم، جور درمی آمد. بنابراین تصمیم گرفتیم که سرمایه 300هزار یورویی که جذب کرده بودیم و دفتر کار را پس بدهیم. حتی 35هزار یورو هم بابت ثبت شرکت پرداخت کرده بودیم اما در نهایت مقداری پول هم صرف کردیم که شرکت را منحل کنیم.

بعد از اینکه کار را در لوکزامبورگ تعطیل کردیم، به ایران برگشتیم و کارکردن با شرکت های ایرانی را آغاز کردیم؛ یعنی همان یوزکیس هایی که ما در خارج از ایران با آنها صحبت می کردیم، وقتی به ایران هم آمدیم کماکان با آنها صحبت و مراوده داشتیم. یکی از شرکت های خارجی که با آن صحبت می کردیم، شفتای بی ام دبلیو را می ساخت و ما همان صحبت ها را با ایران خودرو مطرح کردیم.

ایران خودرو با شما همکاری کرد؟

نه. اما تقصیر آنها نبود. ما متوجه شدیم که بسکمک از زیرساخت هایی که برای تحلیل داده در آن ابعاد نیاز است، در ایران وجود ندارد. ما خیلی تخصصی وارد بخشی از زنجیره ارزش تحلیل داده شدیم و آن را بهبود دادیم اما در اطراف چنین چیزی، در جهان چیزهای زیاد دیگری هم وجود دارد که موجب می گردد از این قسمت بتوانیم استفاده کنیم.

مثلا آن شرکت خارجی، داده های کنترل کیفیت را جمع آوری می کرد و از مکانیسم هایی استفاده می کرد و روی شفتای فرمان اتومبیل لرزش انجام می داد، داده های آن لرزش را جمع آوری می کرد و بعد روی آن لرزش تحلیل انجام می داد تا بتواند کیفیت آن قطعه را آنالیز کند. کاری که ما می کردیم این بود که این فرایند تحلیل را برای آنها خیلی سریع تر کرده بودیم و این برای شان ارزش زیادی داشت چون جنس مدت زمان کمتری در انبارشان می ماند و زودتر به بازار فروش می رفت. اما در ایران خودرو چنین زنجیره ای وجود نداشت که قطعه ساخته شده را به صورت داده محور بتوانیم آنالیز کنیم و داده هایش را جمع آوری و بعد رویش تحلیل انجام بدهیم که کیفیت آن معین گردد.

در واقع با اینکه قرار بود کار شرکت ما ارائه دیتاتکنولوژی باشد، اما بعدا فهمیدیم که وارد حوزه های زیادی باید بشویم و مثلا خودمان سرویس های خاصی یا محصولات ویژه و راهکار هایی هم باید ارائه کنیم برای اینکه زنده بمانیم. نخستین قراردادمان را با نهاد ریاست جمهوری و با هواپیمایی ماهان در زمینه مدیریت داده بستیم. زیرساختی به آنها ارائه کردیم که بتوانند اطلاعات شان را جمع آوری و مدیریت بکنند. مورد استقبال شان هم قرار گرفت. پروژه هایی که ما برای ماهان انجام دادیم، قبل از ما بعضا یک سال به اصطلاح خوابیده بود و به نتیجه ای نرسیده بود.

به صورت مصداقی بگو که با این زیرساختی که شما به ماهان دادید، چه اتفاق مثبتی برای شان رخ داد؟

هواپیمایی ها سیستمی دارند به نام (DCS Departure control system)؛ این سیستم یک شبکه اطلاعاتی خیلی قدیمی است که حتی از اینترنت هم قدیمی تر است و شبیه تلکس است. از زمانی که مسافر کارت پروازش را دریافت می کند، این سیستم فعال شده تا لحظه ای که هواپیما از زمین بلند می گردد و تمام اطلاعات مربوط به مسافر و هواپیما را ثبت می کند. این اطلاعات مدام در حال ردوبدل شدن هستند و فرودگاه به وسیله این اطلاعات، موقعیت هواپیما و شرایط آن را ردیابی می کند.

اطلاعات این سیستم به صورت رمزشده است و یک کتاب چندصدصفحه ای در این زمینه وجود دارد که برای فهمیدن سازوکار این سیستم باید خواند. وقتی ما کار با ماهان را آغاز کردیم، آنها به دنبال راهکاری بودند که بتوانند این اطلاعات را در پایگاه داده ها ذخیره بکنند تا بتوانند از این اطلاعات تحلیل های بیشتری کسب کنند. راهکار ما استفاده از تکنولوژی های بیگ دیتا به جای تکنولوژی های پایگاه داده بود.

تفاوتش این است که اگر قرار بود از تکنولوژی پایگاه داده برای ذخیره کردن این اطلاعات استفاده کنند، باید برای این پیام ها ساختاری می ساختند. چون پایگاه داده ها اطلاعات را به صورت ساختارشده مثلا مانند دفترچه تلفن با نام و نام خانوادگی و… ذخیره می کنند. بنابراین طراحی کردن چنین ساختاری یک چالش بود. اما در سیستم های بیگ دیتا شما هیچ پیش فرضی درباره ساختار داده ندارید. بنابراین اطلاعات ممکن است از توییتر بیاید یا از یک پایگاه خبری. این مسئله کمک می کند که پروژه هایی را که مربوط به داده است، به سرعت جلو ببرید.

اما نکته این است که این بی نظمی که در ابتدای کار در ذخیره سازی اطلاعات دارید، منجر به دسترسی سخت به این داده ها نمی گردد، بلکه خیلی ساده می گردد. ما سیستم مدیریت داده ای به آنها دادیم که بدون اینکه از پیش ساختاری ایجاد بکنند، تمام اطلاعات سیستم DCS در این پلتفرم قرار می گرفت و با هر مدلی که می خواستند امکان دسترسی به این داده ها را داشتند. بعدا هم چند سیستم دیگر به این داده ها وصل شد و اطلاعات مربوط به پرواز را کاملا دریافت می کردند و انواع و اقسام ها پرس وجو (Query) را روی این داده ها اعمال می کردند. آنها از این داده ها برای پیش بینی تاخیر هواپیماها، برنامه ریزی پرواز و … استفاده می کنند.

ارائه ای در همایش یلداسامیت امسال داشتید و گفتید که در یک بازه زمانی نمی توانستید، محصول و خدماتی را در بازار ایران بفروشید و با مشکل روبه رو شده بودید. از طرفی با نهاد ریاست جمهوری و شرکت ماهان همکاری کردید. مشکل چه بود و چگونه از این مرحله عبور کردید؟

ما همکاری هایی با مشتریان ایرانی داشتیم، اما دریافت پول از مشتری برای مان خیلی سخت شده بود. دلیلش هم این بود که اساسا تحلیل داده در کسب وکارهایی که ما با آنها سروکار داشتیم، جایگاهی در ساختار کسب وکارشان ندارد، چون در بازار ایران رقابت به معنای واقعی وجود ندارد که کسب وکارها برای به دست آوردن مشتریان بیشتر، خود را نیازمند تحلیل داده و آنالیز رفتار و اعمال مشتری بدانند.

در سازمان های ایرانی، هزینه ها معمولا از قبل تراشیده شده است.

حتی در زمینه تبلیغات هم می توان کمتر و بهینه تر هزینه کرد. اما سازمان ها می ترسند که در این زمینه کم خرج کنند، چون فکر می کنند که اگر برای تبلیغات کم خرج کنند، شکست می خورند. از طرفی شرکت ها و سازمان ها برای درآمد، راهکارهایی دارند. به عنوان مثال، بانک ها منابع اصلی کسب درآمدشان از جمع آوری سپرده و میزان سودی است که می پردازند. بنابراین نسبت به راهکاری که به آنها بگوید کمتر پول بگیرید اما درآمد بیشتری داشته باشید، مقاومت دارند و برای شان باورپذیر نیست، چون رقابتی در بازار نیست و هر کسی سهم معینی از بازار را در اختیار دارد.

مشکل ما این است که بچه ها عمدتا بیزینس من هستند و نه فنی. شاید حرفم کمی تند باشد اما این یک واقعیت است که اگر بسکمک از مدیران استارتاپی ایران برای استخدام به شرکت هایی مانند همراه اول و ایرانسل بفرایند، رد می شوند چون تخصص ندارند. بچه های استارتاپی باید حداقل روی یک حوزه، تخصص داشته باشند. الان آدم ها به اقیانوس های یک سانتی تبدیل شده اند و این به ضرر اکوسیستم است

الان روی بازار ایران تمرکز دارید یا بازار خارج از ایران؟

تمرکز زیادی روی بازار ایران نداریم و بیشتر با شرکت های خارجی کار می کنیم، اما در ایران با شرکت هایی چون ماهان، مپنا، بانک ملت و… که به اندازه کافی داده داشتند، وارد همکاری شدیم.

شما در ابتدا به عنوان کمپانی تولیدکننده تکنولوژی کارتان را آغاز کردید اما بعدا به حوزه ساخت و عرضه محصول هم روی آوردید. این رویکرد به خاطر همان مشکل سختی فروش تکنولوژی در بازار ایران بود؟

میراث یک شرکت تکنولوژی محور است؛ یعنی از اول به دنبال ساختن محصول یا ارائه راهکار نبود. اما چون در بازار ایران، تکنولوژی به معنای واقعی وجود ندارد، مجبور شدیم به حوزه محصول بیاییم.در حالی که کار میراث این است که مثلا یک الگوریتم ریاضی یا یک روش خاص برای برنامه نویسی ارائه می کند که تمامیت یک محصول حور محور همین تکنولوژی یعنی الگوریتم یا متد برنامه نویسی ساخته می گردد. کاری که ما عملا به دنبال آن بودیم، این بود که در حوزه داده ، اعم از بیگ دیتا، هوش مصنوعی و بلاکچین، دیتاتکنولوژی هایی ارائه بکنیم که مسائل مشتریان را حل نماید.

همان طور که اشاره کردم، ما در ایران با شرکت هایی که داده زیادی داشتند، همکاری می کردیم اما بعد از مدتی متوجه شدیم که دائما در حال ساخت تکنولوژی هستیم اما فروختن شان برای مان سخت شده بود، چون در بازار ایران مشتریان زیادی برای خرید تکنولوژی وجود ندارد. بنابراین به این سمت حرکت کردیم که به جای ساخت تکنولوژی، محصولات خودمان را بسازیم.

در مورد محصولاتی که به بازار عرضه کرده اید هم توضیح بدهید.

یکی از این محصولات مان مینیاتور است. مینیاتور سیستمی است که از الگوریتم ها و متدهای ما برای تحلیل متن اخبار، توییتر، تلگرام، کامنت های دیجی کالا و… استفاده می کند. مجموعه داده ای که ما برای مینیاتور ساختیم، که موتور جست وجوی زال در حال استفاده از آن است، قوی ترین و غنی ترین دیتاست(DataSet) فارسی جهانست و به جز فارسی، فقط 4 زبان دیگر تا به امروز به این سطح رسیده اند. مقاله ای هم در این زمینه منتشر کردیم و الان تیم هایی در دانشگاه های معتبر مانند هاروارد از سیستم ما برای تحلیل زبان فارسی استفاده می کنند، چون در حوزه زبان فارسی، ما در خیلی جهات از گوگل جلوتریم. کاری که ما کرده ایم، نشان می دهد که چگونه یک تحقیق دانشگاهی و آکادمیک می تواند به محصول تبدیل گردد. مینیاتور برای پایش رسانه، تحلیل بورس و برای ژورنالیست ها، کاربرد زیادی دارد.

الان روزانه حدود 10 میلیون سند مختلف از منابع مختلف وارد مینیاتور می گردد. الگوریتم هایی مانند تشخیص تمایل یعنی مثبت و منفی بودن پیام یا خبر را تشخیص می دهد، دسته بندی اخبار که مثلا در چه حوزه ای است؛ آیا مالی است، اجتماعی است، سیاسی است و… یعنی کتگوری خبر را معین می کند. تشخیص احساس یعنی مثلا توییتی که شده، عصبی است یا شاد یا ناراحت. الگوریتم های دیگری هم در مینیاتور وجود دارد که توهین آمیزبودن متن را تشخیص می دهد.

در واقع کاری که مینیاتور انجام می دهد، این است که ذره ذره روی داده ها کار می کند و به مخاطب و کاربر این امکان را می دهد که یک بیگ پیکچر یا تصویر بزرگ از نتیجه آنالیز این ذره ها در اختیار داشته باشد. همچنین این امکان را هم به کاربر می دهد که به طور مداوم اطلاعات را به اصطلاح برش بزند و با ایجاد دسته بندی، از مینیاتور بخواهد که مثلا دسته اخبار از حوزه سیاسی را به او نشان بدهد.

دقت این سیستم را در آخرین دوره انتخابات ریاست جمهوری که برگزار شد، نشان دادیم. آن زمان با دقتی بیش از 96درصد، میزان آرای 4 کاندیدا را پیش بینی کردیم. این پلتفرم الان در حال استفاده است و رایگان عرضه شده تا کاربران از آن استفاده کنند و کم کم بیزینس مدل مناسبی برایش پیدا بکنیم. محصول دیگری را هم در حوزه فناوری های فین تک وارد بازار کردیم که در زمینه تحلیل اطلاعات بورس های جهانست و یک محصول کاملا جهانی محسوب می گردد. این محصول احتمالا در انگلیس یا سوئیس با نامی غیرایرانی، به زودی وارد بازار جهانی می گردد.

الان در فضای اکوسیستم استارتاپی ایران و حتی در حوزه های دولتی و شرکت های سنتی، اصطلاح بیگ دیتا زیاد به کار می رود و حتی مسئولان و بنیانگذاران کسب وکارها در مورد استفاده از این تکنولوژی حرف می زنند. اما می خواهم شما به عنوان کسی که به صورت تخصصی در این حوزه کار کرده اید، بگویید که اصولا در ایران چقدر این مفهوم در معنای درست خودش به کار می رود و چقدر ظرفیت و زیرساخت برای استفاده درست از آن را داریم؟

بیشتر تکنولوژی ها و فناوری های نوینی که شکل می گیرند، علاوه بر مسائل فنی که موجب شکل گیری شان می گردد، مسائل انسانی یعنی بازار مربوط به آنها مهم است؛ یعنی این تکنولوژی ها یک بخش علمی دارند و یک بخش کسب وکاری. اتفاقی که معمولا در ایران روی چند ترند مختلف می افتد و من در مورد بلاکچین، وب، سیستم های انبارداری و حسابداری و الان روی بیگ دیتا دیده ام، این است که محصولی مانند ERP را که مثلا شرکت SAP یا اوراکل می دهد و در بازار خارجی در حال فروش است، ایرانی ها فکر می کنند در بازار ایران هم همان نتیجه را خواهد داد. یکی از همین شرکت های بزرگی که در ایران در حال فعالیت است، چندین سال پیش، 70میلیارد تومان برای پیاده سازی ERP بودجه اختصاص دادند و حتی لایسنس ERP شرکت SAP را خریداری کردند.

ERP نرم افزاری است که به تمام قسمت های سازمان وصل می گردد. سیستم منابع انسانی را به سیستم ارزیابی عملکرد، سیستم حضور و غیاب وصل می کند و… یکی از نتایج این سیستم این است که مثلا به صورت اتوماتیک کارمند نمونه یک شرکت، بن تخفیف دریافت می کند چون سیستم، نمونه بودنش را با ارزیابی داده هایی که دارد، تشخیص می دهد. الان چنین نرم افزاری در بعضی از شرکت های ایرانی در حال فعالیت است اما نه به شکل و شیوه ای که برای آن طراحی شده است. حتی آن پروژه 70میلیارد تومانی مغلوب گردید.

مهم ترین دلیلش هم این است که آن نرم افزار براساس یک فرهنگ ساخته شده که مثلا آنالیز کند که کارگر خط تولید طی چه فرایندی ارتقا پیدا کند یا مسئولیت های جدید به او محول گردد؛ یعنی یک تیم جداگانه این نرم افزار را مانیتور می کنند، اما در ایران به جای اینکه به بخش انسانی و کسب وکار و فرایند آن نگاه گردد، بیشترین تمرکز روی بخش تکنولوژی است. معمولا می شنویم که می گویند در ایران به تکنولوژی اهمیت نمی دهیم اما به نظر من مسئله برعکس است و اتفاقا روی تکنولوژی هزینه زیادی می کنیم.

برای بخش انسانی و آنالیز بازار و… باید آدم های خبره از خارج از ایران می آوردیم که این کارها را انجام بدهند چون خودمان دانشش را نداریم. کما اینکه در حوزه فوتبال، مربی خارجی می آوریم. در واقع ما در خیلی از زمینه ها به این مسئله دچاریم، چون مثلا ساختن کسب وکار و چینش چارچوب کسب وکارهای بزرگ، دانشی است که ما نداریم و باید از مربی خارجی استفاده کنیم. اما این کار را نکردیم و نمی کنیم و می خواهیم با سعی و خطا پیش برویم و تا ما سعی و خطا بکنیم، تکنولوژی ها، قدیمی می شوند و فرایندهای نوینی جایگزین می شوند.

الان بیگ دیتا هم دیگر مانند 5سال پیش، در سطح جهان ترند نیست، بلکه به زیرساختی تبدیل شده که داشتنش بسیار بدیهی و ابتدایی است و نداشتنش عجیب است. حتی هوش مصنوعی هم همین شرایط را دارد. الان در سطح جهان، بدون هوش مصنوعی کارکردن، عجیب است. در حالی که ما در ایران تازه داریم در موردش حرف می زنیم.

پس نتیجه می گیریم که اتفاقا در ایران به تکنولوژی اهمیت داده می گردد. شما الان به هر کدام از بانک های ایران که سر بزنید، در بولتن های خبری و وب سایت های شان صدها مقاله در مورد بیگ دیتا می بینید که به دست مدیر و رئیس بانک رسیده است، اما وقتی بیزینس مدل بانک را آنالیز می کنید، اثری از استفاده کردن از بیگ دیتا نمی بینید یا درصد بسیار اندکی استفاده شده است. پس مسئله در کشور ما این نیست که از تکنولوژی های نوین اطلاعی نداریم، مسئله این است که فرهنگ انسانی و شیوه استفاده از آن تکنولوژی را نداریم. ما برای تکنولوژی پول خرج می کنیم اما متخصصانی که کاربرد آن تکنولوژی را در جایی دیده باشد، نداریم. اگر فرد متخصصی این فرایند را آنالیز می کند، قطعا می گوید که فرایند هایی که در ایران وجود دارد، اصلا اجازه استفاده از بیگ دیتا را به شما نمی دهد.

پس مسئله صرفا به آشنایی با مباحث بیگ دیتا ختم نمی گردد. فرض کنید ما با تکنولوژی خود هزینه های ماه آینده یک سازمان را مبنی بر افزایش یا کاهش آن پیش بینی می کردیم. اصلا کسی وجود نداشت که براساس این پیش بینی بخواهد تصمیم کلانی در سطح سازمان اتخاذ کند؛ یعنی جایگاهی برای چنین شخصی در ساختار شرکت ها و سازمان ها در نظر گرفته نشده است. از طرفی در بازار ایران هم رقابت آنچنانی وجود ندارد که شرکت ها بخواهند با استفاده از تحلیل داده برای بهبود فرایندها تلاش کنند. شاید فضای استارتاپی و شرکت های این حوزه بتوانند تغییری ایجاد بکنند. البته الان هم در شرکت های بزرگ اکوسیستم استارتاپی مانند دیجی کالا و اسنپ از تکنولوژی بیگ دیتا استفاده می کنند اما این کار را به شیوه درستی انجام نمی دهند.

چرا اعتقاد دارید که شرکت های ایرانی و حتی استارتاپ ها به شیوه درستی از این تکنولوژی ها استفاده نمی کنند؟

چون اغلب آدم هایی که وارد استارتاپ ها شده اند، از همان حوزه هایی هستند که شیوه استفاده از این تکنولوژی ها را نمی دانند. ما از مکنزی لندن متخصص نیاورده ایم. البته در شرکت هایی چون آپ یا اسنپ اوضاع بهتر است چون مدیرانی از خارج از کشور آورده اند و توانسته اند تفاوت هایی ایجاد کنند.

تکنولوژی بیگ دیتا چه امکان و چه توانایی را برای شرکت ها فراهم می کند که به نظرتان الان این امکان و این توانایی در شرکت های ایرانی یا وجود ندارد یا کمرنگ است؟

تکنولوژی بیگ دیتا به افراد این امکان را می دهد که بدون اینکه برای ساختار اطلاعات پیش فرضی قرار دهید، خیلی زود به منابع داده ای مختلف وصل بشوید. مثلا در دیجی کالا، تمام اطلاعات رفتاری کاربر از زمانی که وارد سایت می گردد تا خارج گردد، اطلاعات انباداری، اطلاعات فروش، اطلاعات بازار و رقبا و… روی مجموعه ای ذخیره سازی می گردد به نام دریاچه داده یا دیتالیک. (Datalake) در مرحله بعد، افرادی که به آنها دانشمند داده گفته می گردد، این داده ها را تحلیل می کنند و این سایت ها (insight) یا بینش هایی را استخراج می کنند که در زمینه های مختلف ارزش ایجاد می کنند؛ از توسعه محصول و تولید محصول گرفته تا شیوه اتخاذ استراتژی برای دریافت سهم بازار بیشتر، برای انبارداری، حتی برای ارتقای میزان رضایت کارکنان در بخش های مختلف شرکت و ده ها مورد دیگر که حاصل استفاده از تحلیل داده ها و استخراج بینش است.

بنابراین چنین بخشی در هر شرکتی، به تنهایی یک دپارتمان است. همان طور که در شرکت ها دپارتمان مالی و حقوقی و فنی وجود دارد که کار هر کدام، روی کلیت سازمان تاثیرگذار است، بحث بیگ دیتا و تحلیل داده هم از همین جنس است. یکی از دلایلی که بعد از بیگ دیتا هوش مصنوعی خیلی ترند شد، این بود که تکنولوژی هایی که در بیگ دیتا توسعه داده شدند، به جمع آوری داده کمک کردند. ضمن اینکه هوش مصنوعی از 1984 توسط مهندسان برق اختراع شده بود و تکنولوژی جدیدی نبود اما جمع آوری داده به وسیله فناوری های بیگ دیتا و افزایش توان سخت افزاری، موجب شد که حجم پردازش ها بالاتر برود تا هوش مصنوعی بتواند با قدرت بیشتری تحلیل داده انجام بدهد؛ قدرتی که مدل های آماری نداشتند. زیرساخت چنین ساختاری که بحث تحلیل داده و هوش مصنوعی است، بیگ دیتا ست.

به عنوان مثال اگر الگوریتم پیشنهاد به کاربر در دیجی کالا خاموش گردد، اتفاق خاصی برای این شرکت رخ نمی دهد اما اگر انبارش دچار مسئله گردد، حیاتش تهدید می گردد. اما الگوریتم نتفلیکس اگر خاموش گردد، خود نتفلیکس نابود می گردد. آمازون هم الگوریتم مشابهی دارد که کتاب و سایر کالاهایش را پیشنهاد می دهد. این الگوریتم ها الان در حال تغییردادن جهان هستند. حتی اینستاگرام هم از این ابزار استفاده می کند و میزان حضور کاربرانش را افزایش می دهد. نمونه هایی که گفتم، نشانه های قدرتی است که بیگ دیتا اعمال می کند

به عنوان مثال، آن بخشی که در دیجی کالا کالاهای مشابه را که دیگران خریده اند، به کاربر پیشنهاد می دهد، از همین جنس است. اما من با یک مثال تفاوت استفاده از تکنولوژی را به شما می گویم. شرکت نتفلیکس الگوریتمی دارد که وقتی کاربر در حال تماشای یک فیلم است، فیلم های دیگر را هم به او پیشنهاد می دهد. این الگوریتم، حالت خیلی محتاط گونه ای دارد؛ یعنی وقتی کاربر نتفلیکس را روشن می کند، به خاطر عملکردی که آن الگوریتم دارد، مجبور می گردد و به واقع ترغیب می گردد که فیلم های بیشتری ببیند. حدودا سال 2014 بود که این الگوریتم، بیش از یک میلیارد دلار ارزش گذاری شد. فقط این الگوریتم در یک شرکت، به دلار امروز و با همان قیمت سال 2014 که قطعا الان چند برابر شده است، بیش از 12هزار میلیارد تومان به پول ایران ارزش دارد. آیا الگوریتمی که در دیجی کالا در حال استفاده است، یک صدم الگوریتم نتفلیکس ارزش دارد؟

چرا چنین ارزشی ندارد؟

چون الگوریتم دیجی کالا درآمد بالایی برایش ایجاد نمی کند، اما حیات نتفلیکس وابسته به همان الگوریتم یک میلیارد دلاری است. مشکل ما در ایران، به کیفیت استفاده از تکنولوژی برمی گردد. باید افراد متخصصی این کار را بکنند که براساس مدل ریاضی که پشت این اطلاعات وجود دارد، تشخیص بدهند که چه تعاملی باید بین این داده ها وجود داشته باشد که کارایی لازم را داشته باشد و مثلا بهترین پیشنهاد را به مشتریان بدهد. در این صورت آن الگوریتم به درستی کار می کند و سهم بزرگی در درآمد شرکت خواهد داشت.

الان شرایط در ایران به این صورت است که حتی شرکت های پیشرفته از ابزارها و تکنولوژی استفاده می کنند اما این ابزارها ارزش لازم را ایجاد نمی کنند؛ یعنی اگر الگوریتم پیشنهاد به کاربر در دیجی کالا خاموش گردد، اتفاق خاصی برای این شرکت رخ نمی دهد اما اگر انبارش دچار مسئله گردد، حیاتش تهدید می گردد. اما الگوریتم نتفلیکس اگر خاموش گردد، خود نتفلیکس نابود می گردد. آمازون هم الگوریتم مشابهی دارد که کتاب و سایر کالاهایش را پیشنهاد می دهد. این الگوریتم ها الان در حال تغییردادن جهان هستند. حتی اینستاگرام هم از این ابزار استفاده می کند و میزان حضور کاربرانش را افزایش می دهد. نمونه هایی که گفتم، نشانه های قدرتی است که بیگ دیتا اعمال می کند.

وقتی حرف از بیگ دیتا می گردد، انتظار می رود که مثال ها مربوط به گوگل، آمازون، نتفلیکس، فیس بوک، اینستاگرام و… باشد. چه شرکت های دیگری در سطح جهان از چنین تحلیل هایی استفاده می کنند؟

دو سه شرکت و صنعت بزرگ، پایه گذار بیگ دیتا بوده اند. مهم ترین صنعتی که در این زمینه پیشگام بوده، صنعت تلکام بوده است. همچنین گوگل و اوراکل از پیشگامان استفاده از بیگ دیتا بوده اند. گوگل با اطلاعاتی که از جست وجوهای مردم جمع آوری کرده بود، در سال 2012، گزارشی به سازمان مبارزه با بیماری های واگیردار در آمریکا داد و پیش بینی کرد که آنفلوآنزا در آن سال در آمریکا اپیدمی می گردد. اما آن سازمان در پاسخی به گوگل گفت که در زمینه ای که تخصص ندارد، اظهارنظر نکند، چون در این زمینه باید پزشکان نظر بدهند. اما بعد از اینکه آنفلوآنزا اپیدمی شد، آنها از گوگل خواستند که در این زمینه با آنها همکاری کند. گوگل براساس جست وجوی مردم به آن پیش بینی رسیده بود. اینها قدرت های بیگ دیتا ست که در سطح جهان در حال اعمال کارکرد است.

همچنین در صنایع دیگری چون صنعت بیمه از بیگ دیتا استفاده می گردد. به این صورت که الان بیشتر اتومبیل ها جی پی اس (GPS) دارند. تمام داده های جی پی اس اتومبیل ها جمع آوری می گردد و براساس رفتار راننده، اطلاعاتی را به شرکت بیمه می دهند. مثلا اگر فردی رانندگی بدون خطا و حادثه ای دارد، شرکت بیمه می تواند تخفیف های زیادی به او بدهد. در حالی که به فردی که با درصد خطای بالایی رانندگی می کند و بارها تصادف کرده و حق بیمه دریافت کرده، می تواند هیچ تخفیفی ندهد.

کاربرد دیگر بیگ دیتا در زمینه بانکداری است. مثلا بیگ دیتا کمک می کند تا تمام اطلاعات روی ای تی ام ها و پوزها و… که درگاه های مختلفی هستند، یک جا جمع شوند، بنابراین تمام رفتارهای یک کاربر را رصد و ثبت می کنند. در این صورت هم به خود کاربر و هم به کسانی که به کاربر خدماتی ارائه می کنند، می توان سرویس های ویژه ای ارائه کرد.

بین حرف هایتان چندین بار به نبود دانش استفاده از داده و بیگ داده در ایران اشاره کردید؛ الان ما سازمان ها و نهادهای عریض و طویل و زیان دهی در ایران داریم که داده های زیادی در آنها انباشته شده است. بچه های استارتاپی معتقدند که سازمان ها و نهادهای دولتی، اجازه دسترسی به داده ها را به آنها نمی دهند وگرنه می توانند در این زمینه کارهای بزرگی بکنند. در سوی دیگر داستان بسکمک از استارتاپ ها معتقدند که چون طی چندین سال، داده های کاربران را جمع آوری کرده اند، به فکر استفاده از این داده ها هستند و روی درآمدزایی از این حوزه حساب ویژه ای باز کرده اند. آیا صرف داشتن داده و داده های کاربران، می تواند زمینه راه اندازی یک استارتاپ باشد یا استارتاپ ها را به درآمدزایی از این حوزه امیدوار کند؟ شما چند بار بین حرف هایتان چنین چیزی را رد کردید.

اگر بخواهم بدبینانه نگاه کنم، باید بگویم که حتی اگر انبار داده های دولتی و غیردولتی هم به روی بچه های استارتاپی باز گردد، اتفاق خاصی رخ نمی دهد. همچنین درآمدزایی شرکت های استارتاپی از داده های کاربران شان بیشتر در حد حرف است.

چرا فکر می کنید این ادعاها بیشتر در حد حرف است؟

چون بحث تحلیل داده زمانی معنا پیدا می کند که مثلا 10 نفر آدمی که ریاضی و مدل کردن بلد هستند، در تیم های استارتاپی یا هر تیم دیگری، حضور داشته باشند. در شرکت های ایرانی و حتی استارتاپ ها، تا زمانی که لینوکس، جاوااسکریپت و پلتفرم و… ندانی، هیچ اهمیتی به تو نمی دهند. زمانی یک استارتاپ می تواند مدعی استفاده از بیگ دیتا و درآمدزایی از آن باشد که 3نفر با مدرک دکترای ریاضی در تیمش داشته باشد. به نظر من فرار مغزها تنها مهاجرت استعدادهای ما به خارج از کشور نیست؛ بلکه وجه دیگری از فرار مغزها این است که همه بچه های باهوش ما در رشته های برق و کامپیوتر تحصیل می کنند.

چرا این بچه ها اقتصاد نمی خوانند، چرا رتبه یک کنکور مدیریت نمی خواند؟ الان فرایند این است که بچه ها در رشته های برق، کامپیوتر و مکانیک تحصیل می کنند و بعد یک دوره مدیریت را در موسسات مختلف می گذرانند. در حالی که این شیوه مدیریت خواندن نیست؛ بلکه باید پروژه های مدیریتی انجام بدهند و نمونه های (کیس) مدیریتی حل بکنند. مثل دوره هایی که در موسسه مکنزی برگزار می گردد. یا این سوال وجود دارد که چرا بچه های باهوش ما اصلا وارد حوزه کشاورزی نمی شوند در حالی که فرصت های بزرگی در آن حوزه وجود دارد.

وقتی ریاضی که زیربنای بیگ دیتا ست در دانشگاه های ما صرفا به واحدی درسی تبدیل می گردد که باید پاس گردد و از آن عبور کنیم، نتیجه اش این می گردد که ما نمی توانیم از ریاضی در جهانی واقعی استفاده کنیم.

داده های سازمانی و نهادها هم در ابتدا باید در یک واحد R&D آنالیز شده و بخش های مهم استخراج شوند. سپس به نرم افزار تبدیل شده و به بیزینس وصل شوند. این کار، بینش و برنامه ویژه خود را می طلبد. بنابراین صرف وجود انباری از دیتا، لزوما درآمدزا یا کارگشا یا زیربنای راه اندازی یک استارتاپ نیست.

در فضای استارتاپی ما این مسائل مد شده که مبل های رنگی در دفترمان داشته باشیم و چند عکس با تم شاد در حساب اینستاگرام شرکت منتشر کنیم. در حالی که استارتاپ ها باید مقالات علمی منتشر کنند و در فضای علمی تاثیرگذار باشند. الان استارتاپ ها با دانشگاه ها ارتباط دارند که بتوانند بچه های دانشگاهی را استخدام کنند. در حالی که ارتباط با دانشگاه باید برای کمک به فضای علمی دانشگاه و تخصیص منابع مالی برای انجام کار علمی باشد. ما در میراث تا به امروز چندین مقاله در زمینه هوش مصنوعی منتشر کرده ایم و با دانشگاه ها هم همکاری داریم و از پروپوزال هایی که ارزش علمی شان را تایید کنیم، حمایت می کنیم.

شما در سطح جهانی در حال فعالیت هستید؛ اتفاقی که کمتر در مورد سایر بچه های ایرانی شاهدش هستیم. به نظرتان چرا فعالان استارتاپی ایران، کمتر محصول جهانی تولید می کنند؟ آیا حضور در سطح جهان اعتماد به نفس خاصی نیاز دارد که ایرانی ها ندارند یا پای مسئله دیگری در میان است؟

تولید محصول و نوشتن نرم افزار باید براساس دسترسی به مشتری باشد. مثلا ما براساس تحلیل های بورسی محصول تولید کردیم و چنین داده هایی به صورت آنلاین وجود دارد و مشتریانی از سراسر جهان به آن دسترسی دارند. پس اشکالی ندارد که بچه ها برای جامعه خودشان اپ بنویسند. به نظر من نگاه جهانی در بچه های ایرانی وجود دارد اما مسئله بزرگ تر، بحث کپی پیست است. بچه ها اعتماد به نفسِ تولید محصول غیرکپی را ندارند، چون دائما به بازار فکر می کنند و اینکه اگر نفروشند، ضرر می کنند.

برخلاف اینکه همه می گویند بچه های استارتاپی فنی هستند و نه بازاری، به نظر من همگی اول بازاری فکر می کنند و بیزینس من هستند. در حالی که باید وجه فنی غالب باشد. وقتی به شرکت های بزرگ تکنولوژی جهان نگاه می کنید، زیرساخت فنی و علمی قوی می بینید. درست است که بیل گیتس از هاروارد بیرون آمد اما در آنجا شاگرد اول بود. پل آلن (PaulGardner Allen)، کوفاندر بیل گیتس هم ریاضی دان بزرگی است که تنها فردی بوده که نمره ریاضی اش از بیل گیتس بیشتر بوده است. شرکت های آی بی ام، اچ پی، فیس بوک و گوگل را هم تحصیل کرده های هاروارد و استنفورد بنا نهادند.

بنابراین دانش عمیق و بزرگی پشت این شرکت ها وجود دارد. مشکل ما این است که بچه ها عمدتا بیزینس من هستند و نه فنی. شاید حرفم کمی تند باشد اما این یک واقعیت است که اگر بسکمک از مدیران استارتاپی ایران برای استخدام به شرکت هایی مانند همراه اول و ایرانسل بفرایند، رد می شوند چون تخصص ندارند. بچه های استارتاپی باید حداقل روی یک حوزه، تخصص داشته باشند. الان آدم ها به اقیانوس های یک سانتی تبدیل شده اند و این به ضرر اکوسیستم است. اگر بچه ها به سمت داشتن تخصص بفرایند و بعد چهار پنج نفر از این متخصص ها در کنار هم روی یک پروژه کار کنند، بدون شک محصولی را می سازند که در کل جهان قابل استفاده است.

ما در ایران شرکت های خیلی کمی داریم که الگوریتم های ویژه خود را داشته باشند که دیگران آن را ندارند و آن منبع درآمدشان باشد. در سیلیکون ولی این قضیه برعکس است. اگر مایکروسافت بزرگ می گردد، به دلیل داشتن ویندوزی است که هیچ کس آن را ندارد. یا اپل، آی پاد را دارد که هیچ کس آن را ندارد. همه اینها تکنولوژی است که ثبت اختراع شده و رویش کار شده است. در ایران بحث دانش بنیان را پیش کشیده اند که فرایند علمی ایجاد گردد اما مکانیسمی که این کار را می کند، به دلایل مختلف غلط است و آدم هایی هم که پشت این مکانیسم هستند، دانش لازم را ندارند.

میراث در شتاب دهنده مپس حضور دارد. بحث امروز اکوسیستم این است که پروژه شتاب دهنده ها در ایران مغلوب گردیده است چون نتوانسته اند محصول و کسب وکارهای پیروزی را به بازار عرضه کنند. می خواهم به این سوال پاسخ بدهید که دانش و تجربه و دیدگاه فریدون کورنگی به عنوان کسی که تجربه خارج از کشور را دارد، چقدر در پیروزیت استارتاپی مانند میراث تاثیرگذار بوده؟ چون گفتید که داشتید از ایران می رفتید اما با مپس آشنا شدید و به خاطر دیدگاه های آقای کورنگی، در ایران ماندید.

آقای کورنگی معصوم نیست اما تشابه دیدگاهی نسبت به کاری که می کنیم، داریم. بنابراین یکی از بهترین تصمیماتی که در زندگی ام گرفته ام این بوده که به جای مهاجرت و کارکردن در گوگل و مایکروسافت، میراث را راه اندازی کردم و در زیرزمین خانه ای که مکان شتاب دهنده مپس بود، مستقر شدم و چیزهای زیادی یاد گرفتم. خیلی وقت ها من صددرصد با آقای کورنگی مخالف بوده ام، اما در مپس همه چیز مبتنی بر توافق نبود؛ بلکه نقدشدن و نقدشنیدن بخشی از فرهنگ مپس است.

ضمن اینکه مپس برمبنای دید و بازدید از یک شتاب دهنده خارج از کشور، تاسیس نشده است. آقای کورنگی هیچ گاه به مپس شتاب دهنده نمی گفت و شتاب دهنده به شکل فعلی در ایران را هم هیچ گاه قبول نداشت؛ بلکه همیشه از مپس با نام مرکز فناوری یاد می کرد اما بعدها بحث های رگولاتوری پیش آمد و ما باید مجوز شتاب دهی می گرفتیم.

در مورد شکست شتاب دهنده ها، موضوع این است که بحث شتاب دهی نه تنها در ایران بلکه در همه جای جهان مغلوب گردید و تنها دو سه نمونه مانند وای کامبینیتور پیروز عمل کرده اند. در ایران هم طبق موج شتاب دهی، همه خواستند شتاب دهنده راه اندازی کنند. اتفاقا این استراتژی بدی نبود. در بازاریابی به آن مزیت حرکت دوم یا بازیگر دوم (second mover advantage) می گویند، اما نمی توان همیشه بازیگر دوم بود چون در تاریخ ایران، خلاقیت و خلق یک اثر یا یک مقوله سابقه دارد. مثلا در حوزه معماری یا در زمینه فرش. وقتی نفر دوم یا بازیگر دوم هستید، همیشه در حد یک موج سوار باقی می مانید و یک ارزش واقعی را کشف نمی کنید.

آقای کورنگی چندین عنصر مختلف را در مپس کنار هم گذاشت؛ یکی از مهم ترین عناصر، تفکر سیستمی بود که در مدیریت از آن استفاده می گردد. این شیوه را ما به میراث هم آوردیم؛ یعنی آقای کورنگی با یک مدل فکر درست، هم مدیریت به ما یاد داد و هم شیوه فکرکردن و هم قضاوت نکردن. انتخاب این شیوه به تنهایی یک هنر است. البته در کنار این مسائل، آدم هایی هم که به مپس آمدند، خودشان باید توانایی درک و جذب این شیوه های مدیریتی را می داشتند؛ یعنی یک رابطه دوطرفه باید وجود می داشت.

خیلی ها این ارتباط را برقرار نکردند که شاید یک بخشی به ضعف آقای کورنگی مربوط باشد و بخشی به ضعف بچه ها. نکته دیگری که در مپس وجود دارد، این است که مدیرعامل مپس، دائما افرادی را که در شبکه ارتباطی اش داشت، به آنجا می آورد تا اشتراک تجربه صورت بگیرد. من وقتی وارد مپس شدم، حقوقم یک دهم میزانی شد که بیرون از مپس و بیرون از میراث می گرفتم. اینها فشار است، اما در قبالش من سهام میراث را داشتم. اما مدل مپس این نبود که بهترین امکانات را به راحتی به کسی بدهد. از طرفی همه می گفتند که چرا مپس سهام زیادی یعنی تا 60درصد را از استارتاپ ها می گیرد و این فشار هم وجود داشت، اما ما در مپس ماندیم و ادامه دادیم و توانستیم کار را پیش ببریم.

و تنها دو سه نمونه مانند وای کامبینیتور پیروز عمل کرده اند. در ایران هم طبق موج شتاب دهی، همه خواستند شتاب دهنده راه اندازی کنند. اتفاقا این استراتژی بدی نبود. در بازاریابی به آن مزیت حرکت دوم یا بازیگر دوم (second mover advantage) می گویند، اما نمی توان همیشه بازیگر دوم بود چون در تاریخ ایران، خلاقیت و خلق یک اثر یا یک مقوله سابقه دارد. مثلا در حوزه معماری یا در زمینه فرش. وقتی نفر دوم یا بازیگر دوم هستید، همیشه در حد یک موج سوار باقی می مانید و یک ارزش واقعی را کشف نمی کنید.

آقای کورنگی چندین عنصر مختلف را در مپس کنار هم گذاشت؛ یکی از مهم ترین عناصر، تفکر سیستمی بود که در مدیریت از آن استفاده می گردد. این شیوه را ما به میراث هم آوردیم؛ یعنی آقای کورنگی با یک مدل فکر درست، هم مدیریت به ما یاد داد و هم شیوه فکرکردن و هم قضاوت نکردن. انتخاب این شیوه به تنهایی یک هنر است. البته در کنار این مسائل، آدم هایی هم که به مپس آمدند، خودشان باید توانایی درک و جذب این شیوه های مدیریتی را می داشتند؛ یعنی یک رابطه دوطرفه باید وجود می داشت.

خیلی ها این ارتباط را برقرار نکردند که شاید یک بخشی به ضعف آقای کورنگی مربوط باشد و بخشی به ضعف بچه ها. نکته دیگری که در مپس وجود دارد، این است که مدیرعامل مپس، دائما افرادی را که در شبکه ارتباطی اش داشت، به آنجا می آورد تا اشتراک تجربه صورت بگیرد. من وقتی وارد مپس شدم، حقوقم یک دهم میزانی شد که بیرون از مپس و بیرون از میراث می گرفتم.

اینها فشار است، اما در قبالش من سهام میراث را داشتم. اما مدل مپس این نبود که بهترین امکانات را به راحتی به کسی بدهد. از طرفی همه می گفتند که چرا مپس سهام زیادی یعنی تا 60درصد را از استارتاپ ها می گیرد و این فشار هم وجود داشت، اما ما در مپس ماندیم و ادامه دادیم و توانستیم کار را پیش ببریم.

tani-buy.ir: مجله تانی بای، مقالات اقتصادی و کسب و کار

bigkurosh.ir: مجله کوروش بزرگ، وبلاگ خبری، تاریخی و تحلیلی