دولت با انباشت داده یا بحران اطلاعات روبه‌روست؟

امروز دستگاه‌های اجرایی با انباشتی از داده‌ها روبه‌رو هستند، اما داده فراوان الزاماً جایگزین کیفیت داده نیست. در ادبیات علمی، تصور اینکه حجم عظیم داده می‌تواند ضعف‌های کیفیت، اعتبار و روش تولید داده را جبران کند، تکبر داده‌های کلان نامیده شده است.

برای دولت نیز پیام روشن است: میلیون‌ها رکورد ناسازگار و غیرقابل‌اعتماد، الزاماً ظرفیت تصمیم‌گیری را افزایش نمی‌دهد؛ بلکه ممکن است خطا را در مقیاسی بزرگ‌تر وارد سیاست‌گذاری کند.

از منظر حکمرانی، دولتِ بی‌داده در تاریکی تصمیم می‌گیرد، اما دولتِ برخوردار از داده‌ی بی‌کیفیت، با اطمینان بیشتری در مسیر اشتباه حرکت می‌کند؛ خطایی که می‌تواند مستقیماً عدالت اداری، حقوق شهروندان و کارآمدی تصمیم‌های کلان را تحت تاثیر قرار بدهد.

تصور کنید دو دستگاه اجرایی درباره تعداد افراد مشمول یک حمایت عمومی، دو آمار متفاوت ارائه کنند. در یک سامانه، شهروندی واجد شرایط شناخته شود و در سامانه‌ای دیگر، همان فرد از فهرست حذف گردد. در همین حال، مدیر باید بر مبنای همین اطلاعات متناقض درباره تخصیص بودجه، توزیع منابع و نحوه ارائه خدمت تصمیم بگیرد. در چنین وضعیتی، مسئله فقط وجود چند رکورد اشتباه نیست؛ بلکه کیفیت داده، مستقیماً کیفیت تصمیم، عدالت در ارائه خدمات و اعتماد عمومی را هدف قرار می‌دهد.

پیتر دراکر (۱۹۰۹–۲۰۰۵)، نظریه‌پرداز برجسته مدیریت و از بنیان‌گذاران مدیریت مدرن، در کتاب (۱۹۵۴) The Practice of Management هشدار داد: «روزهای مدیرِ صرفاً شهودی به شماره افتاده است.» او شهود مدیریتی را بی‌ارزش نمی‌دانست؛ بلکه هشدار متوجه مدیری بود که بدون سنجش شواهد قابل‌اتکا تصمیم می‌گیرد. امروز پس از گذشت هفت دهه، بخش عمومی کشور با مجموعه‌ای پیچیده از ناترازی‌ها روبه‌روست؛ از شکاف تولید و مصرف انرژی و افت منابع آب گرفته تا ناترازی صندوق‌های بازنشستگی و چالش‌های نظام بانکی. مدیریت مؤثر این بحران‌ها با تصمیم‌های مقطعی ممکن نیست؛ بلکه نیازمند «حکمرانی داده‌مبنا» یعنی سیاست‌گذاری بر اساس داده‌های یکپارچه، باکیفیت و قابل‌ردیابی است.

تصمیم‌گیری در تاریکی یا حرکت مطمئن در مسیر اشتباه؟

امروز دستگاه‌های دولتی حجم بالایی از داده تولید می‌کنند، اما داده ممکن است ناقص، قدیمی، تکراری، متناقض یا مبتنی بر تعاریف جزیره‌ای باشد. گاهی نیز منشأ داده و تغییرات آن در طول زمان نامشخص است. در این شرایط، نمودارهای زیبا، داشبوردهای مدیریتی و هوش مصنوعی هم نمی‌توانند ضعف داده ورودی را جبران کنند. قاعده طلایی تحلیل داده‌ها ساده است: کیفیت خروجی تابع کیفیت ورودی است. خطر اصلی زمانی رخ می‌دهد که مدیر، خروجیِ یک سامانه یا داده نما (داشبورد) را به دلیل ظاهر آراسته و جذاب آن کاملاً معتبر فرض کند. به همین دلیل است که داده بی‌کیفیت، از داده‌نداشتن نیز خطرناک‌تر است.

هزینه پنهان داده بی‌کیفیت؛ از بدهی داده‌ای تا تضییع حقوق شهروندان

هزینه داده بی‌کیفیت تنها به اتلاف بودجه فناوری اطلاعات محدود نمی‌شود. بخشی از این هزینه در قالب دوباره‌کاری کارکنان، اصلاح دستی گزارش‌ها و رفع مغایرت میان سامانه‌ها ظاهر می‌شود؛ اما بخش مهم‌تر آن در تصمیم‌هایی پنهان است که بر پایه داده نامعتبر گرفته می‌شوند: تخصیص نادرست بودجه، برآورد اشتباه نیازها یا شناسایی نادرست جامعه هدف. در این میان، شهروندی که به دلیل خطای داده از حق قانونی خود محروم می‌شود یا خدمت موردنیازش را با تأخیر دریافت می‌کند، یکی از جدی‌ترین پیامدهای این وضعیت را تجربه می‌کند. از این منظر، کیفیت داده مستقیماً با عدالت اداری، کارآمدی دولت و حقوق شهروندان پیوند دارد.

داده باکیفیت می‌تواند یک دارایی راهبردی و ملی باشد؛ اما انباشت داده‌های ناقص، متناقض، تکراری به‌تدریج نوعی بدهی داده‌ای ایجاد می‌کند. بدهی‌ای که در آینده خود را در قالب افزایش هزینه اصلاح داده، دشواری یکپارچه‌سازی سامانه‌ها، کاهش اعتماد به گزارش‌های مدیریتی و افزایش ریسک تصمیم‌گیری نشان می‌دهد. بنابراین کیفیت داده را نباید صرفاً به دقت چند رکورد تقلیل داد؛ دقت، کامل‌بودن، به‌هنگام‌بودن، اعتبار، سازگاری و قابلیت ردیابی، همگی در قابل‌اتکا بودن داده نقش دارند. ریشه این مسئله را نیز نباید فقط در خطای کاربران جست‌وجو کرد. نبود تعاریف و استانداردهای مشترک، ضعف تعامل‌پذیری سامانه‌ها، جزیره‌ای‌بودن واحدهای سازمانی، فقدان قواعد اعتبارسنجی و مشخص‌نبودن نقش‌هایی مانند مالک داده و ناظر داده، از عوامل مهم شکل‌گیری بدهی داده‌ای هستند.

تجربه جهانی نشان می‌دهد که داده دیگر صرفاً محصول جانبی سامانه‌های فناوری اطلاعات تلقی نمی‌شود. برای نمونه، چین در سال ۲۰۲۰ داده را در کنار زمین، نیروی کار، سرمایه و فناوری به‌عنوان یکی از عوامل تولید به رسمیت شناخت. اما داده تنها زمانی می‌تواند چنین نقشی ایفا کند که استاندارد، امن، قابل‌استفاده و قابل‌اعتماد باشد. در ایران نیز «قانون مدیریت داده‌ها و اطلاعات ملی»، بند «پ» ماده ۱۰۷ قانون برنامه هفتم پیشرفت، نقشه راه دولت هوشمند مصوب شورای عالی اداری و دستورالعمل تدوین برنامه عملیاتی و نحوه استقرار نظام حکمرانی داده‌مبنا، سیاست‌های کلانی برای خروج از این وضعیت را ترسیم کرده‌اند که اجرای آن‌ها مستلزم توجه و حمایت مدیران ارشد دولت و ظرفیت سازی در دستگاه‌های اجرایی است.

هشدار؛ هوش مصنوعی با داده معیوب؛ بازتولید خطا در مقیاس بزرگ

در آستانه توسعه هوش مصنوعی در دستگاه‌های اجرایی کیفیت داده اهمیت مضاعفی پیدا می‌کند. هوش مصنوعی نه‌تنها ضعف کیفیت داده را جبران نمی‌کند، بلکه خروجی آن نیز خطا را با ظاهری فنی‌تر و معتبرتر بازتولید می‌کند و ممکن است تصمیم‌گیری را در مسیر اشتباه، سریع‌تر و مطمئن‌تر کند. بنابراین، آمادگی دولت برای ورود به عصر هوش مصنوعی از خرید ابزار یا طراحی الگوریتم آغاز نمی‌شود؛ نقطه شروع، داده‌های استاندارد، قابل‌ردیابی، امن و قابل‌اعتماد که با استقرار صحیح نظام حکمرانی داده قابل تحقق است.

سخن پایانی

سرمایه‌گذاری در کیفیت داده، پیشگیری از اتلاف منابع ملی است. مدیر دولتی باید بتواند همان‌گونه که درباره وضعیت بودجه و نیروی انسانی گزارش می‌گیرد، درباره سلامت داده‌های حیاتی دستگاه نیز گزارش شفاف دریافت کند. در نهایت، مسئله اصلی دولت تولید داده بیشتر نیست؛ بلکه به‌کارگیری داده‌ای است که مدیر بتواند به آن اعتماد کند و شهروند از آثار درست آن بهره‌مند شود. کیفیت داده حلقه‌ای فنی در انتهای فرایند نیست؛ نقطه آغاز تصمیم درست، تخصیص عادلانه منابع، خدمت شایسته و حکمرانی اثربخش است.

نادر رنجه رئیس گروه ترویج و استقرار حکمرانی داده‌مبنای امور راهبری سامانه های ملی و حکمرانی داده‌مبنای سازمان اداری و استخدامی کشور