چالش‌های تحلیل داده در سازمان‌های دولتی و خصوصی

چالش اصلی تحلیل داده در سازمان‌های امروزی، کمبود داده یا نرم‌افزار نیست؛ ناتوانی در تبدیل داده موجود به تصمیم تکرارپذیر است. در بخش خصوصی گلوگاه عمدتاً «مقیاس‌پذیری و اثبات ارزش مالی» است و در بخش دولتی «تفکیک مالکیت داده، سامانه‌های موروثی و چارچوب‌های حقوقی اشتراک داده». هر دو بخش در یک نقطه مشترک‌اند: نبود حاکمیت داده‌ای که مسئولیت را به فرد مشخص گره بزند.
این مقاله بخشی از راهنمای جامع تحلیل داده در سازمان‌ها: از داده خام تا تصمیم‌گیری هوشمند است و به‌طور اختصاصی روی موانع تمرکز دارد، نه بر ابزار یا فرایند پاکسازی.

چرا تحلیل داده در سازمان‌ها دشوارتر از چیزی است که به نظر می‌رسد؟

در نگاه اول، فرایند تحلیل داده ساده به نظر می‌رسد: داده جمع‌آوری می‌شود، تحلیل روی آن انجام می‌گیرد و نتیجه در اختیار مدیر قرار می‌گیرد. مسئله اینجاست که در سازمان واقعی، داده در خلأ وجود ندارد.
داده در دل فرایندهای کسب‌وکار تولید می‌شود؛ توسط واحدهای مختلف، در سامانه‌های متفاوت و با قواعد دسترسی و مسئولیت‌های گوناگون. بنابراین تحلیل داده زمانی پیچیده می‌شود که بخواهیم اطلاعات چند واحد را کنار هم قرار دهیم، یک مسئله مشترک را تعریف کنیم و خروجی تحلیل را وارد چرخه تصمیم‌گیری کنیم.
برای مثال، ممکن است واحد فروش درباره مشتری یک تعریف داشته باشد، واحد مالی تعریف دیگری و واحد خدمات پس از فروش اطلاعات مشتری را با ساختار متفاوتی نگهداری کند. این مسئله صرفاً یک مشکل فنی نیست؛ پشت آن، تفاوت فرایند، مسئولیت و منطق کاری واحدها قرار دارد.
به همین دلیل، سازمان داده‌محور تنها سازمانی نیست که ابزار تحلیل در اختیار دارد؛ سازمانی است که داده، مسئولیت، تصمیم و اقدام را به یک زنجیره متصل تبدیل کرده است.

۱.چرا چالش‌های تحلیل داده در سازمان‌های دولتی و خصوصی را باید جداگانه تحلیل کرد؟

پیش از بررسی موانع، باید این تصور رایج را کنار بگذاریم که «چالش تحلیل داده در همه سازمان‌ها یکسان است و فقط شدت آن فرق می‌کند». در واقع، چنین نیست. تحلیل داده فقط یک پروژه فناوری نیست؛ بلکه بر شیوه تصمیم‌گیری و تقسیم اختیار میان بخش‌های سازمان اثر می‌گذارد. به همین دلیل، نوع موانع به ماهیت سازمان، اهداف و مأموریت‌های آن، ساختار تصمیم‌گیری و شیوه تأمین منابع بستگی دارد.

۱-۱. منطق سنجش عملکرد؛ ریشه اصلی تفاوت

محور
سازمان دولتی ایران
سازمان خصوصی ایران
معیار موفقیت

انطباق با مقررات، پاسخ‌گویی به مراجع نظارتی، پوشش خدمت

سودآوری، سهم بازار، بقا در نوسان بازار

چرخه تصمیم

سالانه و وابسته به چرخه بودجه و تغییر مدیریت

ماهانه تا فصلی، وابسته به فشار رقابت

هزینه خطا

مسئولیت اداری و حقوقی برای فرد تصمیم‌گیر

زیان مالی مستقیم و قابل اندازه‌گیری

پرسش محوری پروژه داده

«آیا مجاز به این اقدام هستیم؟»

«چقدر زود به ارزش می‌رسیم؟»

مالکیت داده

تفکیک‌شده میان دستگاه‌ها بر مبنای شرح وظایف قانونی

تفکیک‌شده میان معاونت‌ها بر مبنای قدرت سازمانی

ریسک غالب

ریسک انطباق و افشا

ریسک هدررفت سرمایه و از دست دادن پنجره بازار

نتیجه این مقایسه روشن است: در بخش خصوصی، پروژه تحلیل داده زمانی متوقف می‌شود که نتواند ارزش اقتصادی و بازده مالی خود را نشان دهد. در بخش دولتی، زمانی به نتیجه نمی‌رسد که مبنای قانونی مشخص و مسئولیت افراد در اجرای تصمیم‌ها روشن نباشد. بنابراین، هر بخش به راهکار متفاوتی برای عبور از این موانع نیاز دارد.

۱-۲. پیامد عملی این تفاوت

نتیجه این مقایسه روشن است: در بخش خصوصی، پروژه تحلیل داده زمانی متوقف می‌شود که نتواند ارزش اقتصادی خود را اثبات کند؛ در بخش دولتی، زمانی به نتیجه نمی‌رسد که مبنای قانونی مشخص و مسئولیت افراد در استفاده و تبادل داده روشن نباشد.
تفاوت موانع نیز از همین‌جا شکل می‌گیرد. در دستگاه‌های دولتی، بخش زیادی از داده‌ها در جریان فرایندهای اداری ثبت می‌شوند و چالش اصلی، یکسان‌سازی معنا، تعاریف و استانداردهای آن‌هاست. در شرکت‌های خصوصی، داده‌ها معمولاً از سامانه‌های عملیاتی مختلف به دست می‌آیند و چالش اصلی، اتصال و یکپارچه‌سازی این اطلاعات است.
با وجود این تفاوت‌ها، هر دو بخش در یک نقطه با مشکل مشترکی روبه‌رو هستند: مشخص نبودن مسئول هر داده و هر شاخص کلیدی.
جمع‌بندی: در بخش دولتی، نقطه شروع، تعیین چارچوب قانونی اشتراک‌گذاری داده و مشخص کردن مسئولیت‌هاست؛ در بخش خصوصی، شناسایی یک تصمیم با ارزش اقتصادی مشخص و سنجش تأثیر تحلیل داده بر آن. استفاده از یک راهکار یکسان برای هر دو بخش، یکی از خطاهای رایج پروژه‌های تحلیل داده در ایران است.

۲. سیلوی داده: مانعی که در حال بدتر شدن است

سیلوی داده کهنه‌ترین چالش این حوزه است، اما داده‌های جدید نشان می‌دهد وضعیت رو به بهبود نیست. در نظرسنجی روند مدیریت داده DATAVERSITY (منتشرشده دسامبر ۲۰۲۴ برای افق ۲۰۲۵)، ۶۸ درصد پاسخ‌دهندگان سیلوی داده را نگرانی نخست خود اعلام کردند؛ ۷ درصد بیشتر از سال قبل. تنها ۳۷ درصد سازمان‌ها مسیر تدوین راهبرد داده در سطح کل سازمان را آغاز کرده بودند.
نکته مهم این گزارش برای مدیران، تشخیص علت است: ابتکارهای پراکنده تحلیل داده ، هر واحد با انبار داده و داشبورد خودش ، به‌جای شکستن سیلوها، سیلوهای نسل جدید می‌سازند. یک دریاچه داده که فقط یک معاونت به آن دسترسی دارد، سیلو است با نام مدرن‌تر.

تفاوت الگوی سیلو در دو بخش

ویژگی
سازمان دولتی
سازمان خصوصی
منشأ سیلو

تفکیک قانونی وظایف بین دستگاه‌ها

خریدهای فناوری واحدمحور و ادغام شرکت‌ها

مانع رفع سیلو

نبود مبنای حقوقی تبادل داده بین دستگاهی

مالکیت داده به‌عنوان اهرم قدرت بین معاونت‌ها

هزینه پنهان

مراجعه مکرر شهروند برای ارائه داده‌ای که دولت دارد

گزارش‌های متناقض در جلسه هیئت‌مدیره

راه‌حل واقع‌بینانه

لایه اشتراک داده با کنترل دسترسی و ثبت رد (audit)

مدل دامنه‌محور با قرارداد داده بین واحدها

اگر می‌خواهید عمیق‌تر بدانید چرا داده‌های ناهمگون در همین سیلوها بی‌اعتبار می‌شوند، بحث کامل آن در کیفیت داده و پاکسازی داده‌های سازمانی آمده است و در این مقاله تکرار نمی‌شود.

۳. سامانه‌های موروثی: بدهی فنی که تحلیل را متوقف می‌کند

در بخش دولتی ایران، مانع فنی غالب سامانه‌های موروثی و جزیره‌ای است. مرکز پژوهش‌های مجلس در گزارش «بررسی چالش‌های تعامل‌پذیری دولت الکترونیکی در کشور» (بهمن ۱۴۰۳) نتیجه می‌گیرد با وجود آیین‌نامه اجرایی چارچوب تعامل‌پذیری دولت الکترونیکی ، تشکیل کارگروه تعامل‌پذیری و تصویب قانون مدیریت داده‌ها و اطلاعات ملی ، ضعف تبادل داده میان دستگاه‌ها و وجود داده‌های ناقص و جزیره‌ای همچنان پابرجاست.

طبق همین گزارش، نبود نظام اولویت‌بندی روشن برای درخواست‌های تبادل اطلاعات، در سال ۱۴۰۲ به انبوهی از درخواست‌های بی‌پاسخ (حدود ۱٬۶۰۰ مورد) انجامیده است. مشکل این سامانه‌ها برای تحلیل داده سه‌لایه است:
لایه دسترسی: پایگاه‌های داده قدیمی و بدون API، خروجی تحلیلی استاندارد نمی‌دهند و استخراج داده به گزارش‌های دستی یا دسترسی موردی به بانک اطلاعاتی وابسته می‌شود.
لایه معنا: نبود مستندات فنی و وابستگی به دانش ذهنی توسعه‌دهندگان قدیمی، تفسیر فیلدها و منطق کسب‌وکار را غیرقابل اتکا می‌کند.
لایه حقوقی: حتی وقتی اتصال فنی برقرار است، اشتراک داده باید در چارچوب مصوبات کارگروه تعامل‌پذیری و شرح وظایف قانونی دستگاه مجاز شود؛ همین لایه، بیشترین تأخیر را به پروژه تحمیل می‌کند.
نتیجه عملی: در بخش دولتی، بدهی فنی خود را به‌شکل قفل‌شدگی داده نشان می‌دهد، نه کمبود داده. داده وجود دارد، اما در دسترس تحلیل نیست.

در بخش خصوصی همین پدیده به شکل دیگری ظاهر می‌شود: انبوهی از ابزارهای موازی که هیچ‌کدام منبع حقیقت واحد نیستند. انتخاب اشتباه ابزار خودش یک چالش مستقل است که در مقایسه ابزارهای تحلیل داده سازمانی بررسی شده است.

۴. حاکمیت داده: پنج سال متوالی در صدر اولویت‌ها و همچنان حل‌نشده

در نظرسنجی جامعه مدیران ارشد داده و تحلیل (CDAO) گارتنر/Evanta با مشارکت ۸۵۰ مدیر ارشد داده، سه اولویت نخست سال ۲۰۲۵ عبارت بودند از: هوش مصنوعی مولد و سنتی، راهبرد داده و تحلیل، و حاکمیت داده ، که برای پنجمین سال پیوسته در فهرست اولویت‌های اصلی مانده است.
وقتی یک موضوع پنج سال پشت سر هم «اولویت» است، دو تفسیر دارد: یا حل‌ناشدنی است، یا اشتباه صورت‌بندی شده. تجربه میدانی به تفسیر دوم نزدیک‌تر است. حاکمیت داده در بسیاری از سازمان‌ها به‌صورت یک سند و یک کمیته تعریف می‌شود، در حالی که کارکرد واقعی آن پاسخ به چهار پرسش عملیاتی است:
مالک هر قلم داده چه نقشی است (نه چه واحدی)؟
تعریف رسمی هر شاخص کلیدی کجا نگهداری و نسخه‌بندی می‌شود؟
مجوز دسترسی بر چه مبنایی صادر و بازبینی می‌شود؟
در صورت خطای داده، فرایند اصلاح و اطلاع‌رسانی به مصرف‌کننده گزارش چیست؟
سازمانی که این چهار پاسخ را مکتوب و اجراشدنی ندارد، حاکمیت داده ندارد؛ صرف‌نظر از اینکه چند شورا تشکیل داده باشد.
نکته مکمل از همان پژوهش: امروز ۷۰ درصد مدیران
داده مسئولیت کلان راهبرد هوش مصنوعی سازمان را هم بر عهده دارند. بدون حاکمیت داده قوی، پیاده‌سازی این فناوری جدید نیز شکست خواهد خورد.

۵. مقیاس‌پذیری و چالش انتساب ارزش مالی

بر اساس گزارش مک‌کینزی درباره وضعیت هوش مصنوعی در سال ۲۰۲۵ که در نوامبر همان سال منتشر شد، ۸۸ درصد پاسخ‌دهندگان اعلام کرده‌اند که به‌طور منظم در دست‌کم یکی از بخش‌های کسب‌وکار خود از هوش مصنوعی استفاده می‌کنند. با این حال، نزدیک به دوسوم سازمان‌ها هنوز برای گسترش این استفاده به تمام بخش‌های شرکت اقدام نکرده‌اند.
این آمار به یک چالش مهم اشاره دارد: چرا بسیاری از شرکت‌ها با وجود تجربه موفق پروژه‌های آزمایشی هوش مصنوعی، در تبدیل آن‌ها به راهکارهایی قابل استفاده در سطح کل سازمان متوقف می‌شوند؟

۱. مانع انتساب ارزش (Attribution Gap)

بر اساس گزارش گارتنر در فوریه ۲۰۲۵، یک‌سوم مدیران ارشد داده، سنجش و اثبات ارزش مالی پروژه‌های داده و هوش مصنوعی را بزرگ‌ترین چالش خود می‌دانند.
برای مثال، پس از پیاده‌سازی یک ابزار تحلیلی، ممکن است فروش افزایش یابد یا هزینه‌ها کاهش پیدا کند؛ اما چه میزان از این تغییرات واقعاً نتیجه عملکرد تیم تحلیل داده است؟
این گزارش همچنین نشان می‌دهد که تنها ۳۹ درصد سازمان‌ها، اثر ابتکارهای داده و هوش مصنوعی بر سود عملیاتی پیش از بهره و مالیات (EBIT) را در سطح کل شرکت گزارش کرده‌اند. از میان آن‌ها نیز فقط ۵.۵ درصد، اثرگذاری بیش از ۵ درصد را ثبت کرده‌اند.

۲. شکاف مهارتی داده (Data Fluency)

گروه دوم مدیران ارشد داده (۴۲ درصد) در نظرسنجی گارتنر/Evanta، نبود مهارت‌های لازم را مانع اصلی خواندند. تحلیل داده نیازمند مترجمی است که بین نیاز تجاری و خروجی فنی زبان مشترک ایجاد کند. بدون این نقش، خروجی در قالب داشبوردهایی رها می‌شود که کسی نمی‌خواند.
اگر هدف از تحلیل داده کاهش هزینه‌هاست، چگونگی محاسبه و دستیابی به این بازگشت سرمایه در کلاستر نقش تحلیل داده در کاهش هزینه‌های سازمانی تشریح شده است.

۶. مقایسه تطبیقی چالش‌ها در بستر سازمان‌های ایران

علاوه بر چالش‌های جهانی، پروژه‌های تحلیل داده در سازمان‌های ایرانی با متغیرهای محلی زیر مواجه‌اند:
انجماد ساختاری و مقاومت در برابر شفافیت: در بخش دولتی ایران، داده اغلب منبع بقای سازمانی یا توجیه بودجه تلقی می‌شود. شفاف‌سازی داده‌ها از طریق تحلیل، موازنه قدرت بین بخش‌ها را تغییر می‌دهد، در نتیجه مقاومت شدیدی در برابر متمرکزسازی داده‌ها شکل می‌گیرد.
شوک‌های اقتصادی و کوتاهی بازه برنامه‌ریزی: بی‌ثباتی‌های کلان اقتصادی در بخش خصوصی، افق تصمیم‌گیری را به چند ماه یا حتی چند هفته محدود می‌کند. این امر باعث ترجیح پروژه‌های فوری با بازگشت سرمایه سریع به جای پروژه‌های زیرساختی داده (مانند انبار داده یا سیستم‌های بلادرنگ) می‌شود.
مهاجرت نخبگان و شکاف مهارتی شدید: جذب و حفظ دانشمندان داده و مهندسان داده ارشد به دلیل اختلاف درآمدی با بازارهای بین‌المللی بسیار دشوار شده است. بسیاری از شرکت‌های خصوصی ایرانی مجبورند پروژه‌های پیچیده را به تیم‌های جوان‌تر بسپارند که ریسک خطا در معماری و تحلیل را بالا می‌برد.

۷. چگونه این چالش‌ها را مهار کنیم؟

در رویکرد سنتی، سازمان ابتدا دو تا سه سال برای پاکسازی داده‌ها و ساخت یک انبار داده جامع زمان صرف می‌کند و ارائه نخستین گزارش تحلیلی را به تکمیل زیرساخت موکول می‌کند. این رویکرد ریسک بالایی دارد؛ زیرا در فاصله شروع پروژه تا رسیدن به نخستین خروجی قابل استفاده، ممکن است مدیر حامی پروژه تغییر کند، اولویت‌های بودجه جابه‌جا شوند و پروژه پیش از اثبات ارزش خود، حمایت مدیریتی را از دست بدهد.
جایگزین این رویکرد، روش «تحویل مرحله‌ای با خروجی ملموس» یا Thin-slice Delivery است. در این روش، به‌جای حل همه مسائل داده‌ای سازمان پیش از شروع کار، یک بخش محدود اما کامل از مسیر تحلیل داده اجرا می‌شود.
اجرای این روش با انتخاب یک پرسش کلیدی مدیریتی آغاز می‌شود؛ پرسشی که پاسخ آن به یک تصمیم یا اقدام مشخص منجر شود. سپس فقط داده‌های موردنیاز برای پاسخ به آن استخراج و پاکسازی می‌شوند. نتیجه تحلیل در اختیار تصمیم‌گیرندگان قرار می‌گیرد و در نهایت، اثر مالی یا عملیاتی تصمیم اتخاذشده اندازه‌گیری و مستند می‌شود. این نتایج، مبنای توسعه پروژه در مراحل بعد خواهند بود.
مزیت این روش آن است که سازمان پیش از آنکه درگیر حل تمام مشکلاتی مانند پراکندگی داده‌ها، سامانه‌های قدیمی و ضعف ساختار حاکمیت داده شود، می‌تواند یک نمونه موفق و قابل‌اندازه‌گیری از کاربرد تحلیل داده ایجاد کند. چنین تجربه‌ای در بخش دولتی، مستندات لازم برای توجیه و پیگیری مراحل بعدی پروژه نزد مراجع نظارتی را فراهم می‌کند و در بخش خصوصی، شواهدی برای اثبات ارزش سرمایه‌گذاری و تخصیص بودجه مراحل بعد در اختیار مدیران قرار می‌دهد.

سؤالات متداول

آیا برون‌سپاری تحلیل داده چالش‌های حاکمیت داده را حل می‌کند؟
خیر. برون‌سپاری فرایند مدل‌سازی و پیاده‌سازی ابزار را حل می‌کند، اما تعریف شاخص‌ها و حاکمیت داده کماکان با سازمان است. برون‌سپاری بدون حاکمیت داخلی، معمولاً به ابزارهای بی‌استفاده منتهی می‌شود.
تفاوت اصلی سیلوی داده در بخش دولتی و خصوصی چیست؟
در بخش دولتی، سیلوها بیشتر ریشه حقوقی و قانونی دارند (قوانین مربوط به محرمانگی یا عدم مجاز بودن اشتراک داده بین دستگاهی). در بخش خصوصی، سیلوها ناشی از ناهماهنگی بین معاونت‌ها و انتخاب مستقل ابزارها توسط هر بخش است.
چرا با وجود پذیرش ۸۸ درصدی هوش مصنوعی، اثرگذاری مالی پروژه‌ها گزارش نمی‌شود؟
زیرا بیشتر سازمان‌ها در فاز پایلوت و آزمایشی هستند و زیرساخت‌های داده آن‌ها برای مقیاس‌پذیری آماده نیست. علاوه بر این، ابزارهای مناسبی برای سنجش و انتساب ارزش مالی پروژه تحلیل داده وجود ندارد.

X