ثروت آفرینی با بیگ‌دیتا

محسن ارجمندی، بنیانگذار استارتاپ میراث می‌گوید بقای شرکت‌های بزرگ اینترنتی جهان متکی به تحلیل داده‌ها‌ست. او معتقد است تکنولوژی به‌کار‌رفته در استارتاپ‌های بزرگ ایرانی ناکارآمد است چرا که این الگوریتم‌ها ‌درآمد بالایی ایجاد نمی‌کنند

0

ثبت ۴پتنت در سطح جهان، طراحی محصولی برای تحلیل بورس‌های جهان، ساخت محصولی به نام مینیاتور و موتور جست‌وجوی زال، بخشی از مواردی است که در گفت‌وگو با محسن ارجمندی، مدیرعامل و بنیانگذار میراث مطرح کرده‌ایم. این جوان ایلامی که سابقه کار با شرکت‌های خارجی را هم دارد، بر مبنای ریاضی پیش می‌رود و ضعف بزرگ کسب‌وکارهای اکوسیستم استارتاپی را نداشتن دانش می‌داند.

ارجمندی معتقد است که دانش به معنایی که در مایکروسافت یا گوگل و اپل کاربرد و کارکرد دارد، در اکوسیستم ایران دیده نمی‌شود و بچه‌های ایرانی اغلب کپی‌کار محصولات خارجی شده‌اند و کمتر اعتماد‌به‌نفس خلق ارزشی منحصربه‌فرد را دارند. ضمن اینکه همیشه اول بازار را در نظر می‌گیرند و بابت ریسک و شکست نگران هستند.

به‌گفته‌ مدیرعامل میراث، این استارتاپ یک تکنولوژی‌کمپانی است که بر مبنای بیگ‌دیتا و هوش مصنوعی به معنای واقعی کلمه کار می‌کند؛ هر‌چند در ادامه کار مجبور شده‌اند که محصولاتی را هم بسازند و روانه بازار کنند. این جوان استارتاپی استفاده از بیگ‌دیتا در اکوسیستم کسب‌وکارهای نوآور و در میان کسب‌وکارهای سنتی در ایران را ناچیز می‌داند، چون معتقد است که استفاده از بیگ‌دیتا زمانی میسر می‌شود که از متخصصان و تحلیلگران حرفه‌ای این حوزه استفاده شود.

اما ما در ایران چنین متخصصانی که تجربه کار داشته باشند یا نداریم یا بسیار اندک هستند. از طرفی، شرکت‌ها تمایلی به استخدام آنها ندارند چون بیشتر به متخصصان برنامه‌‌نویسی و… بها می‌دهند. اهمیت بیگ‌دیتا، هوش مصنوعی، ضعف استفاده از این تکنولوژی در ایران، چرایی عدم کارایی داده‌ها در ایران و… از دیگر مباحثی بوده که با مدیرعامل میراث مطرح کردیم و در ادامه می‌خوانید.

زمانی با پروژه‌های دولتی همکاری می‌کردید 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 سیستم‌های دولتی و حکومتی می‌دیدید؟

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 سال‌۹۲ بود. متوجه شدم که نگاه و دیدگاهی که من در ساختن سیستم‌هایی با این ابعاد دارم، او هم دارد و ارزش‌شان را می‌فهمد. بنابراین با همراهی یکی از دوستانم، کارمان را در زمینه داده‌های بزرگ (Big Data) در مرکز فناوری مپس شروع کردیم.

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

در مورد ایده‌هایی که به‌عنوان اختراع ثبت کرده‌اید، بیشتر توضیح بدهید.

میراث در سال ۲۰۱۴، ۴پتنت در زمینه بیگ‌دیتا ثبت کرد. در سال‌۲۰۱۴ که ما پتنت ثبت کردیم، ۹۲درصد پتنت‌های دنیا توسط آمریکا و چین ثبت شده بود. از طرفی از کل پتنت‌هایی که در سازمان جهانی ثبت اختراعات یعنی سازمان پی‌سی‌تی ثبت شده بود، تنها ۲۰ پتنت در زمینه بیگ‌دیتا بود. وقتی به این مسئله نگاه می‌کنیم و مقایسه می‌کنیم با یک شرکت کوچکی که تیم فنی آن دو جوان ۲۶، ۲۷ساله هستند و در اتاقی کوچکی در منطقه تجریش، ۴پتنت در زمینه بیگ‌دیتا منتشر می‌کنند، آن وقت بیشتر متوجه می‌شویم که حجم کاری که در اینجا انجام شده، چقدر است و چه ارزشی دارد.

اما ظرفیت بالقوه ایده‌ها صرفا با ثبت اختراع اثبات نمی‌شود، بلکه ثبت اختراع قدم اول این مسیر است. بسیاری از اساتید دانشگاهی در ایران، ما را زیر سوال می‌بردند و می‌گفتند که ایده‌های شما تا الان در شرکت‌هایی مانند گوگل پیاده‌سازی شده است. پس اگر این ثبت اختراع را انجام می‌دادیم، نشان می‌دادیم که از قبل پیاده‌سازی نشده‌اند. بنابراین این پتنت‌ها را ثبت کردیم و نشان دادیم که ایده‌های‌مان در زمینه فناوری بیگ‌دیتا یونیک بوده است و به‌عنوان یک حوزه نوین، حرف برای گفتن دارد.

باید توضیح بدهم که ما یک مدل ریاضی داریم به‌ نام اکتورمدل (Actor Model) که به شبیه‌سازی سیستم‌های پیچیده کمک می‌کند. این مدل ریاضی یک پیاده‌سازی دارد در زبان اسکالا (Scala) و یک چارچوب برنامه‌نویسی هست به نام چارچوب آکا (Akka) که از این دو برای شبیه‌سازی سیستم‌های پیچیده‌، استفاده می‌شود.

ما از این بستر برای ساخت یک سیستم ذخیره‌سازی اطلاعاتی استفاده کردیم که بتواند به سرعت داده‌ها را ذخیره کند و بعد بتواند روی آنها الگوریتم‌های هوش مصنوعی را اجرا کند. مثلا سامانه‌هایی که در پیش‌بینی آب‌وهوا کار می‌کنند، چندین کامپیوتر هستند که به هم وصل شده‌اند. این کامپیوترها حجم زیادی از اطلاعات مربوط به ابرها و دمای هوا و… را به صورت لحظه‌ای ذخیره می‌کنند. سیستم‌های خیلی پیچیده‌ای به نام MPI وجود دارد که این کامپیوترها را به همدیگر وصل می‌کند تا الگوریتم مشخصی را روی‌شان اجرا بکند.

ما چیزی شبیه MPI نوشتیم با این تفاوت که وقتی شما با مدل MPI کار می‌کنید، فقط یک مدل پیش‌بینی را می‌توانید پیاده‌سازی کنید، ولی با سیستمی که ما ساختیم، یک بار سیستم ذخیره‌سازی اطلاعات نصب می‌شود و به هر تعدادی که بخواهید، می‌توان روی آن الگوریتم نوشت. انگار که با یک کامپیوتر کار می‌کنید.

تصمیم گرفتیم که سرمایه‌ ۳۰۰هزار یورویی که جذب کرده‌ بودیم و دفتر کار را پس بدهیم. حتی ۳۵هزار 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 شرکت‌های ایرانی را آغاز کردیم

شما پتنت‌ها را ثبت کردید. کارایی این پتنت‌ها را چگونه اثبات کردید؟

یکی از کارهای ما، بحث نمایه‌گذاری داده یا ایندکس‌کردن داده است. این نمایه‌گذاری چیزی شبیه نمایه‌سازی برای کتاب‌هاست که معمولا در پایان هر کتاب قرار می‌گیرد. اما در اینجا به جای اینکه داده‌های یک کتاب مطرح‌ باشد، پای داده‌های میلیون‌ها صفحه وب در میان است. وقتی قرار است این اطلاعات ذخیره‌سازی شوند، باید با سرعت خیلی زیاد پردازش‌شان کرد. سیستمی وجود دارد که مربوط به شرکت آمریکایی وی ام ویر است به نام ردیس. این شرکت هم در همین زمینه‌ کار می‌کند.

ما توانستیم رکورد ذخیره‌سازی ردیس را با ایده‌هایی که داشتیم، بشکنیم و نشان دادیم که ایده‌های ما در دنیای واقعی کاربرد دارند. از اینجا به بعد مسیر کارمان متفاوت شد و در سال ۲۰۱۴، نسخه بتای سیستم‌مان را در یکی از نمایشگاه‌های بزرگ دنیا به نام آی‌سی‌تی‌ اسپرینگ (ICTspring) در کشور لوکزامبورگ نمایش دادیم. هدف‌مان 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 زیرساخت‌های ارتباطی بزرگی در آنجا در حال شکل‌گیری بود و به لحاظ استراتژی بهترین مکان برای راه‌اندازی سیستم‌مان در اروپا بود. در لوکزامبورگ وارد شرکت تکنوپورت شدیم که بزرگ‌ترین انکیوویتور این کشور بود و سالانه حدود ۲۰۰ اپلیکیشن می‌گرفت که تنها ۹ تا پذیرش می‌گرفتند. اما بعد از ارائه ما، سریع قبول کردند و بدون هیچ کار اداری، دفترمان را نشان‌مان دادند.

ما در آنجا جذب سرمایه داشتیم و شرکت را ثبت کردیم اما بعد از مدتی با بررسی‌هایی که انجام دادیم، متوجه شدیم که اجراکردن کار در آنجا، با یکی از اصولی که در بیزینس‌مدل‌مان دیده بودیم، متفاوت بود. هدف ما این بود که بچه‌های باهوشی که در ایران هستند، از طریق شرکتی که ما ساخته‌ بودیم، ایده‌های‌شان را به آنجا بیاورند و پیاده‌سازی کنند؛ یعنی شرکت ما پلتفرمی باشد که بچه‌های 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 بچه‌های صاحب ایده را به لوکزامبورگ می‌آوردیم که نه مدل درستی بود و نه با سرمایه‌ای که ما داشتیم، جور درمی‌آمد. بنابراین تصمیم گرفتیم که سرمایه‌ ۳۰۰هزار یورویی که جذب کرده‌ بودیم و دفتر کار را پس بدهیم. حتی ۳۵هزار 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 شرکت‌های ایرانی را آغاز کردیم؛ یعنی همان یوزکیس‌هایی که ما در خارج از ایران با آنها صحبت می‌کردیم، وقتی به ایران هم آمدیم کماکان با آنها صحبت و مراوده داشتیم. یکی از شرکت‌های خارجی که با آن صحبت می‌کردیم، شفت‌های بی‌ام‌دبلیو را می‌ساخت و ما همان صحبت‌ها را با ایران خودرو مطرح کردیم.

ایران خودرو با شما همکاری کرد؟

نه. اما تقصیر آنها نبود. ما متوجه شدیم که بسیاری از زیرساخت‌هایی 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 دنیا چیزهای زیاد دیگری هم وجود دارد که موجب می‌شود از این قسمت بتوانیم استفاده کنیم.

مثلا آن شرکت خارجی، داده‌های کنترل کیفیت را جمع‌آوری می‌کرد و از مکانیسم‌هایی استفاده می‌کرد و روی شفت‌های فرمان اتومبیل لرزش انجام می‌داد، داده‌های آن لرزش را جمع‌آوری می‌کرد و بعد روی آن لرزش تحلیل انجام می‌داد تا بتواند کیفیت آن قطعه را بررسی کند. کاری که ما می‌کردیم این بود که این فرایند تحلیل را برای آنها خیلی سریع‌تر کرده بودیم و این برای‌شان ارزش زیادی داشت چون جنس مدت زمان کمتری در انبارشان می‌ماند و ‌‌زودتر به بازار فروش می‌رفت. اما در ایران خودرو چنین زنجیره‌ای وجود نداشت که قطعه‌ ساخته‌شده را به صورت داده‌محور بتوانیم آنالیز کنیم و داده‌هایش را جمع‌آوری و بعد رویش تحلیل انجام بدهیم که کیفیت آن مشخص شود.

در واقع با اینکه قرار بود کار شرکت ما ارائه دیتاتکنولوژی باشد، اما بعدا فهمیدیم که وارد حوزه‌های زیادی باید بشویم و مثلا خودمان سرویس‌های خاصی یا محصولات ویژه‌ و راه‌حل‌هایی 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 اطلاعات‌شان را جمع‌آوری و مدیریت بکنند. مورد استقبال‌شان هم قرار گرفت. پروژه‌هایی که ما برای ماهان انجام دادیم، قبل از ما بعضا یک سال به اصطلاح خوابیده بود و به نتیجه‌ای نرسیده بود.

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

هواپیمایی‌ها سیستمی دارند به نام (DCS Departure control system)؛ این سیستم یک شبکه اطلاعاتی خیلی قدیمی است که حتی از اینترنت هم قدیمی‌تر است و شبیه تلکس است. از زمانی که مسافر کارت پروازش را دریافت می‌کند، این سیستم فعال شده تا لحظه‌ای که هواپیما از زمین بلند می‌شود و تمام اطلاعات مربوط به مسافر و هواپیما را ثبت می‌کند. این اطلاعات مدام در حال ردوبدل‌شدن هستند و فرودگاه از طریق این اطلاعات، موقعیت هواپیما و وضعیت آن را ردیابی می‌کند.

اطلاعات این سیستم به صورت رمزشده است و یک کتاب چندصدصفحه‌ای در این زمینه وجود دارد که برای فهمیدن سازوکار این سیستم باید خواند. وقتی ما کار با ماهان را شروع کردیم، آنها به دنبال راهکاری بودند که بتوانند این اطلاعات را در پایگاه داده‌ها ذخیره بکنند تا بتوانند از این اطلاعات تحلیل‌های بیشتری کسب کنند. راهکار ما استفاده از تکنولوژی‌های بیگ‌دیتا به جای تکنولوژی‌های پایگاه داده بود.

تفاوتش این است که اگر قرار بود از تکنولوژی پایگاه داده برای ذخیره‌کردن این اطلاعات استفاده کنند، باید برای این پیام‌ها ساختاری می‌ساختند. چون پایگاه‌ داده‌ها اطلاعات را به صورت ساختارشده مثلا مانند دفترچه تلفن با نام و نام خانوادگی و… ذخیره می‌کنند. بنابراین طراحی‌کردن چنین ساختاری یک چالش بود. اما در سیستم‌های بیگ‌دیتا شما هیچ پیش‌فرضی درباره ساختار داده ندارید. بنابراین اطلاعات ممکن است از توییتر بیاید یا از یک پایگاه خبری. این مسئله کمک می‌کند که پروژه‌هایی را که مربوط به داده است، به سرعت جلو ببرید.

اما نکته این است که این بی‌نظمی که در ابتدای کار در ذخیره‌سازی اطلاعات دارید، منجر به دسترسی سخت به این داده‌ها نمی‌شود، بلکه خیلی ساده می‌شود. ما سیستم مدیریت داده‌ای به آنها دادیم که بدون اینکه از پیش ساختاری ایجاد بکنند، تمام اطلاعات سیستم DCS در این پلتفرم قرار می‌گرفت و با هر مدلی که می‌‌خواستند امکان دسترسی به این داده‌ها را داشتند. بعدا هم چند سیستم دیگر به این داده‌ها وصل شد و اطلاعات مربوط به پرواز را کاملا دریافت می‌کردند و انواع و اقسام‌ها پرس‌وجو (Query) را روی این داده‌ها اعمال می‌کردند. آنها از این داده‌ها برای پیش‌بینی تاخیر هواپیماها، برنامه‌ریزی پرواز و … استفاده می‌کنند.

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

ما همکاری‌هایی با مشتریان ایرانی داشتیم، اما گرفتن پول از مشتری برای‌مان خیلی سخت شده بود. دلیلش هم این بود که اساسا تحلیل داده در کسب‌وکارهایی که ما با آنها سروکار‌ داشتیم، جایگاهی در ساختار کسب‌وکارشان ندارد، چون در بازار ایران رقابت به معنای واقعی وجود ندارد که کسب‌وکارها برای به دست آوردن مشتریان بیشتر، خود را نیازمند ‌تحلیل داده و بررسی رفتار و اعمال مشتری بدانند.
در سازمان‌های ایرانی، هزینه‌ها معمولا از قبل تراشیده شده است.

حتی در زمینه تبلیغات هم می‌توان کمتر و بهینه‌تر هزینه کرد. اما سازمان‌ها می‌ترسند که در این زمینه کم خرج کنند، چون فکر می‌کنند که اگر برای تبلیغات کم خرج کنند، شکست می‌خورند. از طرفی شرکت‌ها و سازمان‌ها برای درآمد، راهکارهایی دارند. به‌عنوان مثال، بانک‌ها منابع اصلی کسب درآمدشان از جمع‌آوری سپرده و میزان سودی است که می‌پردازند. بنابراین نسبت به راهکاری که به آنها بگوید کمتر پول بگیرید اما درآمد بیشتری داشته باشید، مقاومت دارند و برای‌شان باورپذیر نیست، چون رقابتی در بازار نیست و هر کسی سهم مشخصی از بازار را در اختیار دارد.

مشکل ما این است که بچه‌ها عمدتا بیزینس‌من هستند و نه فنی. شاید حرفم کمی تند باشد اما این یک واقعیت است که اگر بسیاری از مدیران استارتاپی ایران برای استخدام به شرکت‌هایی مانند همراه اول و ایرانسل بروند، رد می‌شوند چون تخصص ندارند. بچه‌های استارتاپی باید حداقل روی یک حوزه، تخصص داشته باشند. الان آدم‌ها به اقیانوس‌های یک سانتی تبدیل شده‌اند 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 شرکت‌های خارجی کار می‌کنیم، اما در ایران با شرکت‌هایی چون ماهان، مپنا، بانک ملت و… که به اندازه کافی داده داشتند، وارد همکاری شدیم.

شما در ابتدا به‌عنوان کمپانی تولیدکننده تکنولوژی‌ کارتان را شروع 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 تکنولوژی‌محور 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 برنامه‌نویسی ارائه می‌کند که تمامیت یک محصول حول محور همین تکنولوژی یعنی الگوریتم یا متد برنامه‌نویسی ساخته می‌شود. کاری که ما عملا به دنبال آن بودیم، این بود که در حوزه داده‌، اعم از بیگ‌‌دیتا، هوش مصنوعی و بلاکچین، دیتاتکنولوژی‌هایی ارائه بکنیم که مشکلات مشتریان را حل کند.

همان‌طور که اشاره کردم، ما در ایران با شرکت‌هایی که داده زیادی داشتند، همکاری می‌کردیم اما بعد از مدتی متوجه شدیم که دائما در حال ساخت تکنولوژی هستیم اما فروختن‌شان برای‌مان دشوار 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 کرده‌اید هم توضیح بدهید.

یکی از این محصولات‌مان مینیاتور است. مینیاتور سیستمی است که از الگوریتم‌ها و متدهای ما برای تحلیل متن اخبار، توییتر، تلگرام، کامنت‌های دیجی‌کالا و… استفاده می‌کند. مجموعه داده‌ای که ما برای مینیاتور ساختیم، که موتور جست‌وجوی زال در حال استفاده از آن است، قوی‌ترین و غنی‌ترین دیتاست(DataSet) فارسی دنیاست و به جز فارسی، فقط ۴ زبان دیگر تاکنون به این سطح رسیده‌اند. مقاله‌ای هم در این زمینه منتشر کردیم و الان تیم‌هایی در دانشگاه‌های معتبر مانند هاروارد از سیستم ما برای تحلیل زبان فارسی استفاده می‌کنند، چون در حوزه زبان فارسی، ما در خیلی جهات از گوگل جلوتریم. کاری که ما کرده‌ایم، نشان می‌دهد که چگونه یک تحقیق دانشگاهی و آکادمیک می‌تواند به محصول تبدیل شود. مینیاتور برای پایش رسانه، تحلیل بورس و برای ژورنالیست‌ها، کاربرد زیادی دارد.

الان روزانه حدود ۱۰‌میلیون سند مختلف از منابع مختلف وارد مینیاتور می‌شود. الگوریتم‌هایی مانند تشخیص تمایل یعنی مثبت و منفی‌بودن پیام یا خبر را تشخیص می‌دهد، دسته‌بندی اخبار که مثلا در چه حوزه‌ای است؛ آیا اقتصادی است، اجتماعی است، سیاسی است و… یعنی کتگوری خبر را مشخص می‌کند. تشخیص احساس یعنی مثلا توییتی که شده، عصبی است یا خوشحال یا ناراحت. الگوریتم‌های دیگری هم در مینیاتور وجود دارد که توهین‌آمیزبودن متن را تشخیص می‌دهد.

در واقع کاری که مینیاتور انجام می‌دهد، این است که ذره‌ذره روی داده‌ها کار می‌کند و به مخاطب و کاربر این امکان را می‌‌دهد که یک بیگ‌پیکچر یا تصویر بزرگ از ‌نتیجه بررسی این ذره‌ها در اختیار داشته باشد. همچنین این امکان را هم به کاربر می‌دهد که به‌طور مداوم اطلاعات را به اصطلاح برش بزند و با ایجاد دسته‌بندی، 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 ۹۶درصد، میزان آرای ۴ کاندیدا را پیش‌بینی کردیم. این پلتفرم الان در حال استفاده است و رایگان عرضه شده تا کاربران از آن استفاده کنند و کم‌کم بیزینس‌مدل مناسبی برایش پیدا بکنیم. محصول دیگری را هم در حوزه فناوری‌های فین‌تک وارد بازار کردیم که در زمینه تحلیل اطلاعات بورس‌های دنیاست و یک محصول کاملا جهانی محسوب می‌شود. این محصول احتمالا در انگلیس یا سوئیس با نامی غیرایرانی، به‌زودی وارد بازار جهانی می‌شود.

الان در فضای اکوسیستم استارتاپی ایران و حتی در حوزه‌های دولتی و شرکت‌های سنتی، اصطلاح بیگ‌دیتا زیاد به کار می‌رود و حتی مسئولان و بنیانگذاران کسب‌وکارها در مورد استفاده از این تکنولوژی حرف می‌زنند. اما می‌‌خواهم شما به‌عنوان کسی که به صورت تخصصی در این حوزه کار کرده‌اید، بگویید که اصولا در ایران چقدر این مفهوم در معنای درست خودش به کار می‌رود و چقدر ظرفیت و زیرساخت برای استفاده درست از آن را داریم؟

اکثر تکنولوژی‌ها و فناوری‌های نوینی که شکل می‌گیرند، علاوه‌ بر مسائل فنی که موجب شکل‌گیری‌شان می‌شود، مسائل انسانی یعنی بازار مربوط به آنها مهم است؛ یعنی این تکنولوژی‌ها یک بخش علمی دارند و یک بخش کسب‌وکاری. اتفاقی که معمولا در ایران روی چند ترند مختلف می‌افتد و من در مورد بلاکچین، وب، سیستم‌های انبارداری و حسابداری و الان روی بیگ‌دیتا دیده‌ام، این است که محصولی مانند ERP را که مثلا شرکت SAP یا اوراکل می‌دهد و در بازار خارجی در حال فروش است، ایرانی‌ها فکر می‌کنند در بازار ایران هم همان نتیجه را خواهد داد. یکی از همین شرکت‌های بزرگی که در ایران در حال فعالیت است، چندین سال پیش، ۷۰میلیارد تومان برای پیاده‌سازی ERP بودجه اختصاص دادند و حتی لایسنس ERP شرکت SAP را خریداری کردند.

ERP نرم‌افزاری است که به تمام قسمت‌های سازمان وصل می‌شود. سیستم منابع انسانی را به سیستم ارزیابی عملکرد، سیستم حضور و غیاب وصل می‌کند و… یکی از نتایج این سیستم این است که مثلا به صورت اتوماتیک کارمند نمونه یک شرکت، بن تخفیف دریافت می‌کند چون سیستم، نمونه‌بودنش را با ارزیابی‌ داده‌هایی که دارد، تشخیص می‌دهد. الان چنین نرم‌افزاری در بعضی از شرکت‌های ایرانی در حال فعالیت است اما نه به شکل و شیوه‌ای که برای آن طراحی شده است. حتی آن پروژه ۷۰میلیارد تومانی شکست خورد.

مهم‌ترین دلیلش هم این است که آن نرم‌افزار براساس یک فرهنگ ساخته شده که مثلا بررسی کند که کارگر خط تولید طی چه فرایندی ارتقا‌ پیدا کند یا مسئولیت‌های جدید به او محول شود؛ یعنی یک تیم جداگانه این نرم‌افزار را مانیتور می‌کنند، اما در ایران به جای اینکه به بخش انسانی و کسب‌وکار و فرایند آن نگاه شود، بیشترین تمرکز روی بخش تکنولوژی است. معمولا می‌شنویم که می‌گویند در ایران به تکنولوژی اهمیت نمی‌دهیم اما به نظر من مسئله برعکس است و اتفاقا روی تکنولوژی هزینه زیادی می‌کنیم.

برای بخش انسانی و بررسی بازار و… باید آدم‌های خبره از خارج از ایران می‌آوردیم که این کارها را انجام بدهند چون خودمان دانشش را نداریم. کما اینکه در حوزه فوتبال، مربی خارجی می‌آوریم. در واقع ما در خیلی از زمینه‌ها به این مسئله دچاریم، چون مثلا ساختن کسب‌وکار و چینش چارچوب کسب‌وکارهای بزرگ، دانشی است که ما نداریم و باید از مربی خارجی استفاده کنیم. اما این کار را نکردیم و نمی‌کنیم و می‌خواهیم با سعی و خطا پیش برویم و تا ما سعی و خطا بکنیم، تکنولوژی‌ها، قدیمی می‌شوند و روندهای نوینی جایگزین می‌شوند.

الان بیگ‌دیتا هم دیگر مانند ۵سال 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 وضعیت را دارد. الان در سطح جهان، بدون هوش مصنوعی کارکردن، عجیب است. در حالی که ما در ایران تازه داریم در موردش حرف می‌زنیم.

پس نتیجه می‌گیریم که اتفاقا در ایران به تکنولوژی اهمیت داده می‌شود. شما الان به هر کدام از بانک‌های ایران که سر بزنید، در بولتن‌های خبری و وب‌سایت‌های‌شان صدها مقاله در مورد بیگ‌دیتا می‌بینید که به دست مدیر و رئیس بانک رسیده است، اما وقتی بیزینس‌مدل بانک را بررسی می‌کنید، اثری از استفاده‌کردن از بیگ‌دیتا نمی‌بینید یا درصد بسیار اندکی استفاده شده است. پس مسئله در کشور ما این نیست که از تکنولوژی‌های نوین اطلاعی نداریم، مسئله این است که فرهنگ انسانی و شیوه استفاده از آن تکنولوژی را نداریم. ما برای تکنولوژی پول خرج می‌کنیم اما متخصصانی که کاربرد آن‌ تکنولوژی را در جایی دیده باشد، نداریم. اگر فرد متخصصی این روند را بررسی می‌کند، قطعا می‌گوید که فرایند‌هایی که در ایران وجود دارد، اصلا اجازه استفاده از بیگ‌دیتا را به شما نمی‌دهد.

پس مسئله صرفا به آشنایی با مباحث بیگ‌دیتا ختم نمی‌شود. فرض کنید ما با تکنولوژی خود هزینه‌های ماه آینده یک سازمان را مبنی بر افزایش یا کاهش آن پیش‌بینی می‌کردیم. اصلا کسی وجود نداشت که براساس این پیش‌بینی بخواهد تصمیم کلانی در سطح سازمان اتخاذ کند؛ یعنی جایگاهی برای چنین شخصی در ساختار شرکت‌ها و سازمان‌ها در نظر گرفته نشده است. از طرفی در بازار ایران هم رقابت آنچنانی وجود ندارد که شرکت‌ها بخواهند با استفاده از تحلیل داده برای بهبود فرایندها تلاش کنند. شاید فضای استارتاپی و شرکت‌های این حوزه بتوانند تغییری ایجاد بکنند. البته الان هم در شرکت‌های بزرگ اکوسیستم استارتاپی مانند دیجی‌کالا و اسنپ از تکنولوژی‌ بیگ‌دیتا استفاده می‌کنند اما این کار را به شیوه درستی انجام نمی‌دهند.

چرا اعتقاد دارید که شرکت‌های ایرانی و حتی استارتاپ‌ها به شیوه درستی از این تکنولوژی‌ها استفاده نمی‌کنند؟

چون اغلب آدم‌هایی که وارد استارتاپ‌ها شده‌اند، از همان حوزه‌هایی هستند که شیوه استفاده از این تکنولوژی‌ها را نمی‌دانند. ما از مکنزی لندن متخصص نیاورده‌ایم. البته در شرکت‌هایی چون آپ یا اسنپ اوضاع بهتر است چون مدیرانی از خارج از کشور آورده‌اند و توانسته‌اند تفاوت‌هایی ایجاد کنند.

تکنولوژی بیگ‌دیتا چه امکان و چه توانایی را برای شرکت‌ها فراهم می‌کند که به نظرتان الان این امکان و این توانایی در شرکت‌های ایرانی یا وجود ندارد یا کمرنگ است؟

تکنولوژی بیگ‌دیتا به افراد این امکان را می‌دهد که بدون اینکه برای ساختار اطلاعات پیش‌فرضی قرار دهید، خیلی زود به منابع داده‌ای مختلف وصل بشوید. مثلا در دیجی‌کالا، تمام اطلاعات رفتاری کاربر از زمانی که وارد سایت می‌شود تا خارج شود، اطلاعات انباداری، اطلاعات فروش، اطلاعات بازار و رقبا و… روی مجموعه‌ای ذخیره‌سازی می‌شود به نام دریاچه داده یا دیتالیک. (Datalake) در مرحله بعد، افرادی که به آنها دانشمند داده گفته می‌شود، این داده‌ها را تحلیل می‌کنند و این‌سایت‌ها (insight) یا بینش‌هایی را استخراج می‌کنند که در زمینه‌های مختلف ارزش ایجاد می‌کنند؛ از توسعه محصول و تولید محصول گرفته تا شیوه اتخاذ استراتژی برای گرفتن سهم بازار بیشتر، برای انبارداری، حتی برای ارتقای میزان رضایت کارکنان در بخش‌های مختلف شرکت و ده‌ها مورد دیگر که حاصل استفاده از تحلیل داده‌ها و استخراج بینش است.

بنابراین چنین بخشی در هر شرکتی، به‌تنهایی یک دپارتمان است. همان‌طور که در شرکت‌ها دپارتمان مالی و حقوقی و فنی وجود دارد که کار هر کدام، روی کلیت سازمان تاثیرگذار است، بحث بیگ‌دیتا و تحلیل داده هم از همین جنس است. یکی از دلایلی که بعد از بیگ‌دیتا هوش مصنوعی خیلی ترند شد، این بود که تکنولوژی‌هایی که در بیگ‌دیتا توسعه داده شدند، به جمع‌آوری داده کمک کردند. ضمن اینکه هوش مصنوعی از ۱۹۸۴ توسط مهندسان برق اختراع شده بود و تکنولوژی جدیدی نبود اما جمع‌آوری داده به‌وسیله فناوری‌های بیگ‌دیتا و افزایش توان سخت‌افزاری، موجب شد که حجم پردازش‌ها بالاتر برود تا هوش مصنوعی بتواند با قدرت بیشتری تحلیل داده انجام بدهد؛ قدرتی که مدل‌های آماری نداشتند. زیرساخت چنین ساختاری که بحث تحلیل داده و هوش مصنوعی است، بیگ‌دیتا‌ست.

به عنوان مثال اگر الگوریتم پیشنهاد به کاربر در دیجی‌کالا خاموش شود، اتفاق خاصی برای این شرکت رخ نمی‌دهد اما اگر انبارش دچار مسئله شود، حیاتش تهدید می‌شود. اما الگوریتم نتفلیکس اگر خاموش شود، خود نتفلیکس نابود می‌شود. آمازون هم الگوریتم مشابهی دارد که کتاب و سایر کالاهایش را پیشنهاد می‌دهد. این الگوریتم‌ها الان در حال تغییردادن دنیا هستند. حتی اینستاگرام هم از این ابزار استفاده می‌کند و میزان حضور کاربرانش را افزایش می‌‌دهد. نمونه‌هایی که گفتم، نشانه‌های قدرتی است که بیگ‌دیتا اعمال می‌کند

 

به‌عنوان مثال، آن بخشی که در دیجی‌کالا کالاهای مشابه را که دیگران خریده‌اند، به کاربر پیشنهاد می‌دهد، از همین جنس است. اما من با یک مثال تفاوت استفاده از تکنولوژی را به شما می‌گویم. شرکت نتفلیکس الگوریتمی دارد که وقتی کاربر در حال تماشای یک فیلم است، فیلم‌های دیگر را هم به او پیشنهاد می‌دهد. این الگوریتم، حالت خیلی محتاط‌‌‌گونه‌ای دارد؛ یعنی وقتی کاربر نتفلیکس را روشن می‌کند، به خاطر عملکردی که آن الگوریتم دارد، مجبور می‌شود و به‌واقع ترغیب می‌شود که فیلم‌های بیشتری ببیند. حدودا سال ۲۰۱۴ بود که این الگوریتم، بیش از یک میلیارد دلار ارزش‌گذاری شد. فقط این الگوریتم در یک شرکت، به دلار امروز و با همان قیمت سال‌۲۰۱۴ که قطعا الان چند برابر شده است، بیش از ۱۲هزار میلیارد تومان به پول ایران ارزش دارد. آیا الگوریتمی که در دیجی‌کالا در حال استفاده است، یک‌صدم الگوریتم نتفلیکس ارزش دارد؟

چرا چنین ارزشی ندارد؟

چون الگوریتم دیجی‌کالا درآمد بالایی برایش ایجاد نمی‌کند، اما حیات نتفلیکس وابسته به همان الگوریتم یک میلیارد دلاری است. مشکل ما در ایران، به کیفیت استفاده از تکنولوژی برمی‌گردد. 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 داده‌ها وجود داشته باشد که کارایی لازم را داشته باشد و مثلا بهترین پیشنهاد را به مشتریان بدهد. در این صورت آن الگوریتم به‌درستی کار می‌کند و سهم بزرگی در درآمد شرکت خواهد داشت.

الان وضعیت در ایران به این صورت است که حتی شرکت‌های پیشرفته از ابزارها و تکنولوژی استفاده می‌کنند اما این ابزارها ارزش لازم را ایجاد نمی‌کنند؛ یعنی اگر الگوریتم پیشنهاد به کاربر در دیجی‌کالا خاموش شود، اتفاق خاصی برای این شرکت رخ نمی‌دهد اما اگر انبارش دچار مسئله شود، حیاتش تهدید می‌شود. اما الگوریتم نتفلیکس اگر خاموش شود، خود نتفلیکس نابود می‌شود. آمازون هم الگوریتم مشابهی دارد که کتاب و سایر کالاهایش را پیشنهاد می‌دهد. این الگوریتم‌ها الان در حال تغییردادن دنیا هستند. حتی اینستاگرام هم از این ابزار استفاده می‌کند و میزان حضور کاربرانش را افزایش می‌‌دهد. نمونه‌هایی که گفتم، نشانه‌های قدرتی است که بیگ‌دیتا اعمال می‌کند.

وقتی حرف از بیگ‌دیتا می‌شود، انتظار می‌رود که مثال‌ها مربوط به گوگل، آمازون، نتفلیکس، فیس‌بوک، اینستاگرام و… باشد. چه شرکت‌های دیگری در سطح جهان از چنین تحلیل‌هایی استفاده می‌کنند؟

دو سه شرکت و صنعت بزرگ، پایه‌گذار بیگ‌دیتا بوده‌اند. مهم‌ترین صنعتی که در این زمینه پیشگام بوده، صنعت تلکام بوده است. همچنین گوگل و اوراکل از پیشگامان استفاده از بیگ‌دیتا بوده‌اند. گوگل با اطلاعاتی که از جست‌وجوهای مردم جمع‌آوری کرده بود، در سال‌۲۰۱۲، گزارشی به سازمان مبارزه با بیماری‌های واگیردار در آمریکا داد و پیش‌بینی کرد که آنفلوآنزا در آن سال در آمریکا اپیدمی می‌شود. اما آن سازمان در پاسخی به گوگل گفت که در زمینه‌ای 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 جست‌وجوی مردم به آن پیش‌بینی رسیده بود. اینها قدرت‌های بیگ‌دیتا‌ست که در سطح جهان در حال اعمال کارکرد است.

همچنین در صنایع دیگری چون صنعت بیمه از بیگ‌دیتا استفاده می‌شود. به این صورت که الان اکثر اتومبیل‌ها جی‌پی‌اس (GPS) دارند. تمام داده‌های جی‌پی‌اس اتومبیل‌ها جمع‌آوری می‌شود و براساس رفتار راننده، اطلاعاتی را به شرکت بیمه می‌دهند. مثلا اگر فردی رانندگی بدون خطا و حادثه‌ای دارد، شرکت بیمه می‌تواند تخفیف‌های زیادی به او بدهد. در حالی که به فردی که با درصد خطای بالایی رانندگی می‌کند و بارها تصادف کرده و حق بیمه دریافت کرده، می‌تواند هیچ تخفیفی ندهد.

کاربرد دیگر بیگ‌دیتا در زمینه بانکداری است. مثلا بیگ‌دیتا کمک می‌کند تا تمام اطلاعات روی ای‌تی‌ام‌ها و پوزها و… که درگاه‌های مختلفی هستند، یک‌جا جمع شوند، بنابراین تمام رفتارهای یک کاربر را رصد و ثبت می‌کنند. در این صورت هم به خود کاربر و هم به کسانی که به کاربر خدماتی ارائه می‌کنند، می‌توان سرویس‌های ویژه‌ای ارائه کرد.

بین حرف‌هایتان چندین‌بار به نبود دانش استفاده از داده و بیگ‌داده در ایران اشاره کردید؛ الان ما سازمان‌ها و نهادهای عریض و طویل و زیان‌دهی در ایران داریم که داده‌های زیادی در آنها انباشته شده است. بچه‌های استارتاپی معتقدند که سازمان‌ها و نهادهای دولتی، اجازه دسترسی به داده‌ها را به آنها نمی‌دهند وگرنه می‌توانند در این زمینه کارهای بزرگی بکنند. در سوی دیگر داستان بسیاری از استارتاپ‌ها معتقدند که چون طی چندین سال، داده‌های کاربران را جمع‌آوری کرده‌اند، به فکر استفاده از این داده‌ها هستند و روی درآمدزایی از این حوزه حساب ویژه‌ای باز کرده‌اند. آیا صرف داشتن داده و داده‌های کاربران، می‌تواند زمینه راه‌اندازی یک استارتاپ باشد یا استارتاپ‌ها را به درآمدزایی از این حوزه امیدوار کند؟ شما چند بار بین حرف‌هایتان چنین چیزی را رد کردید.

اگر بخواهم بدبینانه نگاه کنم، باید بگویم که حتی اگر انبار داده‌های دولتی و غیردولتی هم به روی بچه‌های استارتاپی باز شود، اتفاق خاصی رخ نمی‌دهد. همچنین درآمدزایی شرکت‌های استارتاپی از داده‌های کاربران‌شان بیشتر در حد حرف است.

چرا فکر می‌کنید این ادعاها بیشتر در حد حرف است؟

چون بحث تحلیل داده زمانی معنا پیدا می‌کند که مثلا ۱۰ نفر آدمی که ریاضی و مدل‌کردن بلد هستند، در تیم‌های استارتاپی یا هر تیم دیگری، حضور داشته باشند. در شرکت‌های ایرانی و حتی استارتاپ‌ها، تا زمانی که لینوکس، جاوااسکریپت و پلتفرم و… ندانی، هیچ اهمیتی به تو نمی‌دهند. زمانی یک استارتاپ می‌تواند مدعی استفاده از بیگ‌دیتا و درآمدزایی از آن باشد که ۳نفر 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 بچه‌های باهوش ما در رشته‌های برق و کامپیوتر تحصیل می‌کنند.

چرا این بچه‌ها اقتصاد نمی‌خوانند، چرا رتبه یک کنکور مدیریت نمی‌خواند؟ الان روند این است که بچه‌ها در رشته‌های برق، کامپیوتر و مکانیک تحصیل می‌کنند و بعد یک دوره مدیریت را در موسسات مختلف می‌گذرانند. در حالی که این شیوه مدیریت‌خواندن نیست؛ بلکه باید پروژه‌های مدیریتی انجام بدهند و نمونه‌های (کیس) مدیریتی حل بکنند. مثل دوره‌هایی که در موسسه مکنزی برگزار می‌شود. یا این سوال وجود دارد که چرا بچه‌های باهوش ما اصلا وارد حوزه کشاورزی نمی‌شوند در حالی که فرصت‌های بزرگی در آن حوزه وجود دارد.

وقتی ریاضی که زیربنای بیگ‌دیتا‌ست در دانشگاه‌های ما صرفا به واحدی درسی تبدیل می‌شود که باید پاس شود و از آن عبور کنیم، نتیجه‌اش این می‌شود که ما نمی‌توانیم از ریاضی در دنیای واقعی استفاده ‌کنیم.

داده‌های سازمانی و نهادها هم در ابتدا باید در یک واحد R&D بررسی شده و بخش‌های مهم استخراج شوند. سپس به نرم‌افزار تبدیل شده و به بیزینس وصل شوند. این کار، بینش و برنامه ویژه خود را می‌طلبد. بنابراین صرف وجود انباری از دیتا، لزوما درآمدزا یا کارگشا یا زیربنای راه‌اندازی یک استارتاپ نیست.

در فضای استارتاپی ما این مسائل مد شده که مبل‌های رنگی در دفترمان داشته باشیم و چند عکس با تم خوشحال در حساب اینستاگرام شرکت منتشر کنیم. در‌حالی‌که استارتاپ‌ها باید مقالات علمی منتشر کنند و در فضای علمی تاثیرگذار باشند. الان استارتاپ‌ها با دانشگاه‌ها ارتباط دارند که بتوانند بچه‌های دانشگاهی را استخدام کنند. در‌حالی‌که ارتباط با دانشگاه باید برای کمک به فضای علمی دانشگاه و تخصیص منابع مالی برای انجام کار علمی باشد. ما در میراث تاکنون چندین مقاله در زمینه هوش مصنوعی منتشر کرده‌ایم و با دانشگاه‌ها هم همکاری داریم و از پروپوزال‌هایی که ارزش علمی‌شان را تایید کنیم، حمایت می‌کنیم.

شما در سطح جهانی در حال فعالیت هستید؛ اتفاقی که کمتر در مورد سایر بچه‌های ایرانی شاهدش هستیم. به نظرتان چرا فعالان استارتاپی ایران، کمتر محصول جهانی تولید می‌کنند؟ آیا حضور در سطح جهان اعتماد‌به‌نفس خاصی نیاز دارد که ایرانی‌ها ندارند یا پای مسئله دیگری در میان است؟

تولید محصول و نوشتن نرم‌افزار باید براساس دسترسی به مشتری باشد. مثلا ما براساس تحلیل‌های بورسی محصول تولید کردیم و چنین داده‌هایی به صورت آنلاین وجود دارد و مشتریانی از سراسر دنیا به آن دسترسی دارند. پس اشکالی ندارد که بچه‌ها برای جامعه خودشان اپ بنویسند. به نظر من نگاه جهانی در بچه‌های ایرانی وجود دارد اما مسئله بزرگ‌تر، بحث کپی‌پیست است. بچه‌ها اعتماد‌به‌نفسِ تولید محصول غیرکپی را ندارند، چون دائما به بازار فکر می‌کنند و اینکه اگر نفروشند، ضرر می‌کنند.

برخلاف اینکه همه می‌گویند بچه‌های استارتاپی فنی هستند و نه بازاری، به نظر من همگی اول بازاری فکر می‌کنند و بیزینس‌من هستند. در حالی که باید وجه فنی غالب باشد. وقتی به شرکت‌های بزرگ تکنولوژی دنیا نگاه می‌کنید، زیرساخت فنی و علمی قوی می‌بینید. درست است که بیل‌گیتس از هاروارد بیرون آمد اما در آنجا شاگرد اول بود. پل آلن (PaulGardner Allen)، کوفاندر بیل گیتس هم ریاضی‌دان بزرگی است که تنها فردی بوده که نمره ریاضی‌اش از بیل گیتس بیشتر بوده است. شرکت‌های آی‌بی‌ام، اچ‌‌پی، فیس‌بوک و گوگل را هم تحصیل‌کرده‌های هاروارد و استنفورد بنا نهادند.

بنابراین دانش عمیق و بزرگی پشت‌ این شرکت‌ها وجود دارد. مشکل ما این است که بچه‌ها عمدتا بیزینس‌من هستند و نه فنی. شاید حرفم کمی تند باشد اما این یک واقعیت است که اگر بسیاری از مدیران استارتاپی ایران برای استخدام به شرکت‌هایی مانند همراه اول و ایرانسل بروند، رد می‌شوند چون تخصص ندارند. بچه‌های استارتاپی باید حداقل روی یک حوزه، تخصص داشته باشند. الان آدم‌ها به اقیانوس‌های یک سانتی تبدیل شده‌اند و این به ضرر اکوسیستم است. اگر بچه‌ها به سمت داشتن تخصص بروند و بعد چهار پنج نفر از این متخصص‌ها در کنار هم روی یک پروژه کار کنند، بدون شک محصولی را می‌سازند که در کل دنیا قابل استفاده است.

ما در ایران شرکت‌های خیلی کمی داریم که الگوریتم‌های ویژه خود را داشته باشند که دیگران آن را ندارند و آن منبع درآمدشان باشد. در سیلیکون‌ولی این قضیه برعکس است. اگر مایکروسافت بزرگ می‌شود، به دلیل داشتن ویندوزی است که هیچ‌کس آن را ندارد. یا اپل، آی‌پاد را دارد که هیچ‌کس آن را ندارد. همه اینها تکنولوژی است که ثبت اختراع شده و رویش کار شده است. در ایران بحث دانش‌بنیان را پیش کشیده‌اند که فرایند علمی ایجاد شود اما مکانیسمی که این کار را می‌کند، به دلایل مختلف غلط است و آدم‌هایی هم که پشت این مکانیسم هستند، دانش لازم را ندارند.

میراث در شتاب‌دهنده مپس حضور دارد. بحث امروز اکوسیستم این است که پروژه شتاب‌دهنده‌ها در ایران شکست خورده است چون نتوانسته‌اند محصول و کسب‌وکارهای موفقی را به بازار عرضه کنند. می‌خواهم به این سوال پاسخ بدهید که دانش و تجربه و دیدگاه فریدون کورنگی به‌عنوان کسی که تجربه خارج از کشور را دارد، چقدر در موفقیت استارتاپی مانند میراث تاثیرگذار بوده؟ چون گفتید که داشتید از ایران می‌رفتید اما با مپس آشنا شدید و به خاطر دیدگاه‌های آقای کورنگی، در ایران ماندید.

آقای کورنگی معصوم نیست اما تشابه دیدگاهی نسبت به کاری که می‌کنیم، داریم. بنابراین یکی از بهترین تصمیماتی که در زندگی‌ام گرفته‌ام این بوده که به جای مهاجرت و کارکردن در گوگل و مایکروسافت، میراث را راه‌اندازی کردم و در زیرزمین خانه‌ای که مکان شتاب‌دهنده مپس بود، مستقر شدم و چیزهای زیادی یاد گرفتم. خیلی وقت‌ها من صددرصد با آقای کورنگی مخالف بوده‌ام، 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 شتاب‌دهنده خارج از کشور، تاسیس نشده است. آقای کورنگی هیچ‌گاه به مپس شتاب‌دهنده نمی‌گفت و شتاب‌دهنده به شکل فعلی در ایران را هم هیچ‌گاه قبول نداشت؛ بلکه همیشه از مپس با نام مرکز فناوری یاد می‌کرد اما بعدها بحث‌های رگولاتوری پیش آمد و ما باید مجوز شتاب‌دهی می‌گرفتیم.

در مورد شکست شتاب‌دهنده‌ها، موضوع این است که بحث شتاب‌دهی نه‌تنها در ایران بلکه در همه جای دنیا شکست خورد و تنها دو سه نمونه مانند وای‌کامبینیتور موفق عمل کرده‌اند. در ایران هم طبق موج شتاب‌دهی، همه خواستند شتاب‌دهنده راه‌اندازی کنند. اتفاقا این استراتژی بدی نبود. در بازاریابی به آن مزیت حرکت دوم یا بازیگر دوم (second mover advantage) می‌گویند، اما نمی‌توان 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 موج‌سوار باقی می‌مانید و یک ارزش واقعی را کشف نمی‌کنید.

آقای کورنگی چندین عنصر مختلف را در مپس کنار هم گذاشت؛ یکی از مهم‌ترین‌ عناصر، تفکر سیستمی بود که در مدیریت از آن استفاده می‌شود. 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 قضاوت‌نکردن. انتخاب این شیوه به‌تنهایی یک هنر است. البته در کنار این مسائل، آدم‌هایی هم که به مپس آمدند، خودشان باید توانایی درک و جذب این شیوه‌های مدیریتی را می‌داشتند؛ یعنی یک رابطه دوطرفه باید وجود می‌داشت.

خیلی‌ها این ارتباط را برقرار نکردند که شاید یک بخشی به ضعف آقای کورنگی مربوط باشد و بخشی به ضعف بچه‌ها. نکته دیگری که در مپس وجود دارد، این است که مدیرعامل مپس، دائما افرادی را که در شبکه ارتباطی‌اش داشت، به آنجا می‌آورد تا اشتراک تجربه صورت بگیرد. من وقتی وارد مپس شدم، حقوقم یک‌دهم میزانی شد که بیرون از مپس و بیرون از میراث می‌گرفتم. اینها فشار است، اما در قبالش من سهام میراث را داشتم. اما مدل مپس این نبود که بهترین امکانات را به‌راحتی به کسی بدهد. از طرفی همه می‌گفتند که چرا مپس سهام زیادی یعنی تا ۶۰درصد را از استارتاپ‌ها می‌گیرد 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 وای‌کامبینیتور موفق عمل کرده‌اند. در ایران هم طبق موج شتاب‌دهی، همه خواستند شتاب‌دهنده راه‌اندازی کنند. اتفاقا این استراتژی بدی نبود. در بازاریابی به آن مزیت حرکت دوم یا بازیگر دوم (second mover advantage) می‌گویند، اما نمی‌توان 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 موج‌سوار باقی می‌مانید و یک ارزش واقعی را کشف نمی‌کنید.

محسن ارجمندی: می‌خواستم چیزی شبیه ویندوز بسازم

ارسال دیدگاه

آدرس ایمیل شما منتشر نخواهد شد.