စာချုပ်ပါ အခြေအနေ နဲ့ အချက်အလက် များ
SCL မှာ ကျွန်မ အမြဲတမ်း ဝန်ထမ်းဖြစ်လာပြီးနောက် အချိန် သိပ်မကြာခင် အတွင်းမှာပဲ ကုမ္ပဏီ ရဲ့ အတွင်းစည်း အကြီးတန်း အရာရှိ တစ်ယောက် ဖြစ်လာခဲ့ပါတယ်။nix ပို့တဲ့ e-mail တွေထဲ မှာ အမြဲပါတဲ့ သူတွေကတော့ ကျွန်မ၊ alex tylor, Pierre, Kieran and Sabhita တို့ပါပါတယ်။ Nix က ဒီလူစုကို ကုမ္ပဏီ ရဲ့ အေရးကြီး ပြီး ပျော်ဖို့ ကောင်းတဲ့ လူတွေလို့ သတ်မှတ်ပြီး နေ့လည်စာ ကို တစ်ရက် မှာတော့ သူ့အိမ်ရှိ
လန်ဒန် မြို့လည်ခေါင်ကို ဖိတ်ကျွေးပါတယ်။
Holland park မှာ ရှိပြီး ဒါကတော့ မြို့ပုံစံဆောက်ထားတဲ့ အိမ်ပါ။ နယ်ဘက်မှာ ကျောက်တုံးတွေနဲ့ ဆောက်ထားတဲ့ အိမ်တစ်လုံးလည်း ရှိပါသေးတယ်။ ဒီ အိမ်ရဲ့ အတွင်းပိုင်း အပြင်အဆင် က Bucking ham နန်းတော် ရဲ့ သီးသန့် အဖွဲ့ဝင် တွေ အသုံးပြုတဲ့ ကလပ် လိုပဲ ခမ်းနား လှပါတယ်။
ကျွန်မ တို့ အားလုံး Nix အိမ် မှာ နေ့လည် ပိုင်းလောက် က စပြီး ရှမ်ပိန် သောက်ကြ၊ ည ဆိုရင် ညစာ ခန်းမ မှာ ဆက်သောက်ကြ နဲ့ အချိန် တွေ အတူတူ ကုန်ဆုံးကြပါတယ်။ Nix နဲ့ အခြားသူ တွေက အဲလို အချိန်ဆို အာဖရိက မှာ သူတို့ တဖွဲ့လုံး ပါဝင် ပတ်သတ် ခဲ့ တဲ့ အကြောင်း တွေ ပြောကြပါတယ်။ ဥပမာ ၂၀၁၂ တုန်းက nix က SCL က အဖွဲ့ တစ်ဖွဲ့ ကိုရော၊ သူ့မိသားစု ကိုယ်တိုင် ပါ ကင်ညာ ကို ပြောင်းရွှေ့နေထိုင်ပြီး ကင်ညာ ရွေးကောက်ပွဲ ကို သူကိုယ်တိုင် ကြီးကြပ် ပါတယ်။ အဲဒီ အချိန် သူ့မှာ လူတွေ အများကြီး မရှိသေးတော့ လုပ်ရ ကိုင်ရ တော်တော် ခက်ခဲပါတယ်။ မဲပေးသူ သုတေသန လုပ်တာမျိုးဆို တစ်အိမ် တက်ဆင်း လုပ်ရတဲ့ နည်းလမ်း ပဲ ရှိပါတယ်။ မဲဆွယ် စကား တွေ ပေးပို့ဖို့ ဆိုတာလဲ တခြား နည်းလမ်း မရှိလဲ ထရပါ ကား ရဲ့ နောက်ခန်း ကို စင်မြင့် အဖြစ် ပြောင်းထားတဲ့ လမ်းပေါ် က မဲဆွယ် ပွဲ တွေကနေ လုပ်ခဲ့ရတာပါ။
ဒါကြောင့် " အမေရိကားမှာ တို့ လုပ်နေတာ တွေက အရမ်းကို စိတ်လှုပ်ရှားစရာ ကောင်းနေတာပေါ့" လို့ nix က ပြောပါတယ်။ ခုချိန် မှာ တအိမ်တက်ဆင်း တခါးလိုက်ခေါက် ရတာ က Data ကို ယူဖို့ တခုတည်းသော နည်းလမ်း မဟုတ်တော့ဘူး၊ data က နေရာတိုင်း မှာ ရှိနေတယ်။ ဆုံးဖြတ်ချက် data ပေါ် အခြေခံ ပြီး လုပ်ရမှာပဲ။
ကျွန်မ တို့ အားလုံး Nix အိမ် မှာ ညစာ စားချိန် အထိ နေကြပါတယ်။ ပြီးရင် ရီဝေဝေ နဲ့ပဲ နောက်ဘား တစ်ခု မှာ ကော့တေး သောက်၊ နောက် တစ်နေရာ သွားပြီး တစ်ခုခု ထပ်စား၊ ပြီးရင် နောက် ဘား တစ်ခု ကိုသွားပြီး ထပ်သောက်ကြနဲ့ ညနေ ခင်း တွေကို အတူတူ ကုန်ဆုံးကြ ပါတယ်။
ဒါတွေ အားလုံးက ကျွန်မ အတွက် အမှတ်တရ အဖြစ်အပျက် တွေပါ။ နောက်ရက် ရုံးရောက်ရင် အရင် နေ့က အဖြစ်အပျက် တွေ အားလုံးကို ပြန်မမှတ်မိနိုင်အောင်ပါပဲ။ ဒါပေမယ့် Nix ရဲ့ အမေရိကား အပေါ် စိတ်ဝင်စားမှုက မူးလို့ ပြောတဲ့ အပြောမျိုး မဟုတ်ဘဲ သူ တကယ်ကို ဒီ ပရောဂျက် နဲ့ ပတ်သတ် ပြီး စိတ်လှုပ်ရှားနေတယ် ဆိုတာ ကို ကျွန်မ သိလာခဲ့ပါတယ်။
တကယ်တော့ SCL မှာ ကျွန်မ က တခြား နိုင်ငံတွေရဲ့ ပရောဂျက် တွေကို ရှာဖွေ နေချိန် မှာ ကျွန်မ လုပ်ဖော် ကိုင်ဘက် တွေ အားလုံးက တော့ အမေရိက တစ်ခု တည်းကိုပဲ အာရုံစိုက် နေကြတာ တွေ့ရပါတယ်။ သူတို့ အလုပ် တွေကို အခန်းထဲ တင် ကုပ်ပြီး လုပ်နေတာ မဟုတ်တော့ဘဲ သူတို့ရဲ့ client ရဲ့ Ted Cruz အကြောင်း ပြောနေကြတာ တွေကို ကျွန်မ ကြားနေရပါတယ်။ Ted Cruz က ၂၀၁၄ နှောင်းပိုင်း တုန်းက SCL နဲ့ အရမ်း မကြီး တဲ့ စာချုပ် ချုပ်ဆိုခဲ့ပြီး အခုအချိန် မှာတော့ ကျွန်မ တို့ဆီ က ဝန်ဆောင် မှု တွေ ပိုယူဖို့ စာချုပ်ကို ဒေါ်လာ ၅ သန်းအထိ တိုးမြှင့်ချုပ်ဆို ထားပါတယ်။ Kieran နဲ့ သူ့ရဲ့ အဖွဲ့ တွေကတော့ Ted Cruz အတွက် မြောက်မြားစွာသော မဲဆွယ် သတင်းစကား တွေ ဖန်တီးနေကြ ပါပြီ။ သူတို့ တွေရဲ့ ကွန်ပြုတာ ပေါ် မှာ မဲဆွယ် ကြော်ငြာ နဲ့ ဗွီဒီယို တွေ ပေါင်းစပ် ထားကြပြီး ဒီဟာ တွေက တခါတလေ မှာ သူတို့ ဖန်တီးမှု တွေ ရဲ့ ကြွားဝါစရာ ဖြစ်သလို ၊ ဒီ ဖန်တီးမှု တွေ အပေါ် မှာပဲ သူတို့ ငေးကြည့်နေကြပြီး စိတ်မသက်မသာ ဖြစ်ရတဲ့ အရာတွေလဲ ရှိနေပါတယ်။
တချိန်တည်းမှာ ပဲ nix က အမေရိက တစ်နိုင်ငံ တည်းကို အာရုံစိုက်ပြီး အလုပ်လုပ်နေပါတယ်။ Ted Cruz နဲ့ ချုပ်တဲ့ စာချုပ် မှာ ပြိုင်ဘက် အတွက် အလုပ်လက်မခံရဆိုတဲ့ အချက် မပါဘဲ နဲ့ ချုပ်ဆို နိုင်ခဲ့လို့ တခြားရွေးကောက်ပွဲ ဝင် အမတ်လောင်း တွေနဲ့လဲ တချိန်တည်း အလုပ်လုပ်ခွင့် ရှိနေပါတယ်။ မကြာခင် အချိန် မှာပဲ နောက်ထပ် အမတ်လောင်း Dr Ben Carson နဲ့ ချုပ်ဆိုနိုင်ပါလိမ့်မယ်။ ပြီးရင် ရီပါဘလီကန် သမ္မတလောင်း ၁၇ ယောက်လုံးကို တစ်ယောက်ပြီး တစ်ယောက် သူ စာချုပ်ချုပ်ဆိုနိုင်ဖို့ ကြိုးစားပါလိမ့်မယ်။ တချိန် တည်းမှာပဲ Jen Bush က တခြား ကုမ္ပဏီ တစ်ခု ကို ငှားရမ်း အသုံးပြုဖို့ စီစဥ်နေပါတယ်။ Nix ပြောတာကတော့ Jeb က လန်ဒန် အထိ လာပြီး သူနဲ့ တွေ့သေးတယ်၊ ဒါပေမယ့် Jeb လိုလူက သူ့ပြိုင်ဘက် အတွက် ပါ အလုပ်လုပ် ပေးနေသူ နဲ့ အလုပ်မလုပ်ချင်ဘူး။ သူ့တစ်ယောက် တည်းကိုပဲ သစ္စာ ရှိရှိ အလုပ်လုပ်ပေးမယ့် သူကို သူက လိုချင် တာ။
Cambridge Analytica ရဲ့ Data ဌာန ကတော့ ၂၀၁၆ အမေရိကန် သမ္မတ ရွေးကောက်ပွဲ အတွက် စပြီး အလုပ်များနေပါပြီ။ ၂၀၁၄ ကြားဖြတ် ရွေးကောက်ပွဲ ရဲ့ ရလဒ် တွေ အပေါ် ကနေ အဓိပ္ပာယ် ဖွင့်ဆို ဖို့ ကြိုးစား ကြပါတယ်။ သူတို့ တွေရဲ့ ရုံးခန်း မှာ လေ့လာမှု စာတမ်း တွေ ရေးကြပါတယ်။ John Bolton ရဲ့ Super PAC operations, Thom Thillis ရဲ့ ဆီးနိတ် ရွေးကောက်ပွဲ နဲ့ မြောက်ကာရိုးလိုင်းနား တစ်နယ်လုံး ရဲ့ ရွေးကောက်ပွဲ တွေနဲ့ ပတ်သတ် တဲ့ အကြောင်းအရာ တွေကို analysis လုပ်ဖို့ အလုပ်လုပ်နေကြတာပါ။ Cambridge ဘယ်လောက် အောင်မြင်လဲ ဆိုတာ ပြဖို့ အတွက် သူတို့ ပစ်မှတ်ထားတဲ့ မဲပေးသူတွေကို အဓိက ရီပါဘလစ်ကန် အမာခံ၊ အားထားလို့ရတဲ့ ရီပပဘလီကန် ထောက်ခံသူ၊ မဲထွက်ပေးဖို့ အဓိက ပစ်မှတ်ထားရမယ့် အုပ်စု၊ ဦးစားပေး ဖြောင်းဖြရမယ့် အုပ်စု နဲ့ မထင်မှတ်ထားသူ များ အစရှိသည် ဖြင့် အုပ်စု အရင်ခွဲပါတယ်။ ပြီးတာနဲ့ အုပ်စု တစ်စုချင်းစီတိုင်းကို နိုင်ငံရဲ့ စီးပွားရေး၊ လုံခြုံရေး နဲ့ လူဝင်မှု ဆိုင်ရာ ပြဿနာ တွေနဲ့ ပတ်သတ်ပြီး ဘယ်လို မဲဆွယ် သတင်းစကား တွေ ပေးပို့ရမလဲ ဆိုတာ ကို စီစဥ် ပါတယ်။
Data Analytic lab မှာလဲ Dr Jack Gillet က ကြားဖြတ် ရွေးကောက်ပွဲ ရလဒ် data တွေကို အရောင်စုံ ဘားချပ်တွေ၊ ဂရပ်တွေ၊ မြေပုံ တွေ၊ ဂရပ်ဖစ် တွေနဲ့ data ကို မြင်သာစေမယ့် presentation တွေ ဖန်တီးပါတယ်။ Dr Alexandar Tylor ကတော့ အမြဲလိုလို ဖုန်းပြောနေပြီး အမေရိကားကနေ data ရောင်းမယ့် ပွဲစားတွေကို ဆက်သွယ်နေပါတယ်။
ကျွန်မ ကတော့ SCL အတွက် တခြားနိုင်ငံ က ပရောဂျက် တွေ ရှာဖွေ နေဆဲပါ။ ဒါပေမယ့် တရုံးလုံးက လူတွေက အမေရိကား ရွေးကောက်ပွဲ အတွက် အလုပ်လုပ်နေကြတော့ ကျွန်မ ကိုယ်တိုင်လဲ လျှို့ဝှက် အချက်အလက် တွေ၊ မဲဆွယ် ကြော်ငြာ၊ ဗွီဒီယို ဖိုင်တွေ ကိုသိခွင့်ရတဲ့ အတွင်းစည်းကလူ မမျှော်လင့်ဘဲ ဖြစ်လာပါတယ်။ အဲဒီ အချိန် က ကျွန်မ ကို CA အတွက် ပို့တဲ့ email မှာ ကော်ပီ မပါပေမယ့် ကျွန်မ ပတ်ဝန်းကျင် က ကွန်ပြုတာ ပေါ်မှာ မြင်နေရတာတွေ၊ ရုံးမှာ နေ့ရှိ သ၍ ကြားနေရတဲ့ အကြောင်းတွေကနေ သိလာ ခဲ့တာပါ။
ဒါဟာ ကျွန်မ အတွက်တော့ ကိုယ်ကျင့်တရား ဆိုင်ရာ ပဋိပက္ခ ဖြစ်သလိုပါပဲ။ ပြီးခဲ့တဲ့ နွေ ကမှ Allida Black ဆီက Hilary ရဲ့ရွေးကောက်ပွဲ အစီအစဥ် တွေ အကုန်လုံးကို ကျွန်မ နားထောင်ခဲ့ရတာပါ။ ဒါပေမယ့် အခုအချိန် မှာတော့ သူ့ပြိင်ဘက် ရီပါဘလီကန် တွေကို အလုပ်လုပ် ပေးနေတဲ့ ကုမ္ပဏီကနေ ကျွန်မ လစာ ယူနေပါပြီ။ ဒါဟာ ကျွန်မ အတွက်လဲ မကောင်းသလို တခြားသူတွေ အတွက်လဲ မကောင်းဘူးဆိုတာ သိပါတယ်။
ဒါနဲ့ ကျွန်မ ကို ဘယ်သူ ကမှ မတိုက်တွန်းရပဲနဲ့ ကျွန်မ နဲ့ မိတ်ဆွေ ဒီမိုကရက် တွေရဲ့ ဆက်ဆံရေးကို ဖြတ်တောက်ပစ်ရပါတော့တယ်။ ကျွန်မ မိတ်ဆွေ တွေကိုတော့ ဘာကြောင့် ဒီလို လုပ်ရတယ် ဆိုတာ ပြောမပြ နိုင်လောက်အောင် ကို ရှက်ရွံ့နေမိပါတယ်။ SCL ဆိုတဲ့ နာမည် ကို ကျွန်မ ရဲ့ LinkedIn ရော၊ facebook profile မှာပါ မထည့်ခဲ့ပါဘူး။ ကျွန်မ မိတ်ဆွေ ဒီမိုကရက် တစ်ယောက်ယောက် အနေနဲ့ သူတို့ဆီက သိခဲ့တဲ့ အချက်အလက် တွေကို သုံးပြီး သူတို့နဲ့ ဆန့်ကျင်ဘက် အလုပ်လုပ် နေတယ် ဆိုတာကို သိသွားပြီး စိတ်အနှောက်အယှက် ဖြစ်မှာကို မလိုလားလို့ပါ။
နောက်ဆုံး ကျွန်မ ဆီ ဝင်လာနေကြ Hiliary ကမ်ပိန်း ရံပုံငွေ အဖွဲ့ရဲ့ email တွေ၊ တခြား ဒီမိုကရက် တွေရဲ့ email တွေကို ပြန်စာ ရေးတဲ့ အလုပ်ကို လုံးဝ ရပ်ပစ်လိုက်ပါတယ်။ ကျွန်မ ရဲ့ ရင်းနှီးတဲ့ ဒီမိုကရက်မိ တ်ဆွေ တွေကို ကိုယ်ရေးကိုယ်တာ email ရေးရင်တောင် SCL ဆိုတဲ့ နာမည် မပါဖို့ သတိထား ခဲ့ပါတယ်။ Hiliary ကမ်ပိန်း အတွက် အလုပ်လုပ်နေသူ တွေ ဘက်က ကြည့်ရင်တော့ ကျွန်မ ရဲ့ သူတို့နဲ့ ပတ်သတ် မှုက ပြီးဆုံးသွားပါပြီ။ ကျွန်မ ဆီ အမြဲ ဝင်လာတဲ့ စိတ်လှုပ်ရှားစရာ အစည်းအဝေး ပွဲတွေ၊ အစီအစဥ် တွေ အကြောင်း ကျွန်မ အရမ်းကို သိချင် မိပေမယ့် အားလုံးကို ကျွန်မရဲ့ email ထဲမှာ ဘဲ မဖွင့်တော့ဘဲ အတိတ် ရဲ့ အဖြစ်အပျက် တစ်ခု အနေနဲ့ ထားလိုက်ပါတော့တယ်။
တဘက်မှာလဲ ကျွန်မ ရဲ့ Cambridge Analytica က လုပ်ဖော်ကိုင်ဘက် တွေ၊ ရီပါဘလီကန် သမ္မတလောင်းတွေကိုလဲ စိတ်မပူစေချင်ပါဘူး။ နောက်ဆုံးမတော့ ကျွန်မ ဟာ အမေရိက ရဲ့ ရီပါဘလီကန် တွေကို သီးသန့် ဝန်ဆောင် မှုပေးနေတဲ့ ကုမ္ပဏီ ရဲ့ ဒီမိုကရက် တစ်ယောက် ဖြစ်နေပါတော့တယ်။ ကျွန်မ ရဲ့ LinkedIn ကနေ Obama campaign အကြောင်း၊ ပြီးတော့ ကျွန်မ နဲ့ ဒီမိုကရက် တွေရဲ့ ဆက်သွယ်မှု မှန်သမျှ အကြောင်းအရာ တွေကို ဖယ်ရှားခဲ့ပါတယ်။ ဒါတွေဟာ ကျွန်မ အတွက်တော့ နာကျင်စရာ တွေပါ။ ကျွန်မ သုံးနေကြ Twitter account ကိုလဲ အပြီးအတိုင် ပိတ်ပစ်လိုက်ပါတယ်။ ဒီလို ကျွန်မ ဘဝရဲ့ အရေးပါတဲ့ တခါးတွေကို ပိတ်ပစ်ရတာ နာကျင်စရာ ကောင်းပေမယ့်၊ အခု ကျွန်မ လျောက်လှမ်းနေတဲ့ နိုင်ငံရေး နည်းပညာ ဆိုင်ရာ အကြံပေး ဆိုတဲ့ ပရောဖက်ရှင်နယ် ဘဝ အတွက်တော့ ခုလ်ု လုပ်ဖို့ လိုအပ်တယ် ဆိုတာ နားလည် ပါတယ်။ တစ်ရက် ကျရင်တော့ အဲဒီ account တွေ ပြန်ဖွင့်နိုင်ပြီး ကျွန်မ ရဲ့ နဂို ပုံစံ အတိုင်း ပြန်နေနိုင်ကောင်းပါရဲ့။
ကျွန်မ ရဲ့ ပုံစံ တွေကို ပြောင်းလဲ ပစ်တာ Online တစ်ခု တည်းတင် မဟုတ်ပါဘူး။ လန်ဒန် ကို ကျွန်မ အမေ FedEx ကနေ ပို့လိုက်တဲ့ ပါဆယ် ပုံးကြီး ရောက်လာတယ်။ ကျွန်မ အမေ က နိုင်ငံတကာ လေကြောင်း ဌာန မှာ အလုပ်လုပ်တော့ သူ့မှာ နိုင်ငံတကာကို ပစ္စည်းအခမဲ့ ပို့လို့ရတဲ့ အခွင့်အရေး ရှိတယ်။ ကျွန်မ ကို သူ့ အဝတ်ဗီရို ထဲက business suit တွေ တစ်ထည်ပြီး တစ်ထည် ပို့ပေးနေတော့တာပဲ။ ကျွန်မ အမေ Houston မှာ တုန်းက မနက်ခင်း အလုပ်သွားတဲ့ ပုံစံကို မြင်ယောင်လာမိတယ်။ အဲဒီတုန်းက မနက်တိုင်း အမေ က အခု ကျွန်မ ဆီပို့လိုက်တဲ့ စျေးကြီး တဲ့ ဝတ်စုံ ရယ်၊ ဒေါက်မြင့်ဖိနပ်ရယ်၊ မိတ်ကပ်ရယ် နဲ့ အရမ်းကြည့်ကောင်းတာပဲ။ အခုတော့ ဒီ ဝတ်စုံတွေ က ကျွန်မ အတွက် ဖြစ်လာပြီပေါ့။ ကျွန်မ လဲ ဝတ်စုံတွေ ကို Mayfair မှာ ငှားထားတဲ့ တိုက်ခန်းလေးရဲ့ အဝတ်ဗီရို တွေမှာ ချိတ်ထားလိုက်တယ်။
ကျွန်မ တိုက်ခန်းလေး က သေးသေးလေးပါ။ အိပ်ခန်း တစ်ခန်းရယ်၊ မီးဖိုချောင် ရေချိုးခန်း က ခန်းမ တစ်ခု တည်းမှာ ရှိနေတဲ့ တိုက်ခန်း ပုံစံမျိုးပေါ့။ ဒါပေမယ့် ဒီတိုက်ခန်းကို ကျွန်မ ဗျူဟာ ကျကျ ရွေးချယ်ခဲ့တာပါ။ ကျွန်မ အတွက် အလုပ် နဲ့ နီးတဲ့ အပြင် Upper Berkeley street မှာ ရှိနေတဲ့ အတွက် ပတ်ဝန်းကျင် ကောင်းလို့ ဆိုရမှာပေါ့။ တကယ်လို့ ကျွန်မ ရဲ့ client တစ်ယောက်ယောက် အခု ခင်များ ဘယ်မှာ နေလဲ ဆိုပြီး မေးတာ က ကျွန်မ တကယ် နေနေတဲ့ နေရာထက် ကျွန်မ ဘယ်လို လူနေမှု အဆင့်အတန်း မှာ ရှိနေလဲ ဆိုတာ သိချင်လို့ မေးတာ ဖြစ်နိုင်ပါတယ်။ အဲဒီလိုအချိန် မှာ ကျွန်မ အနေနဲ့ တုန့်ဆိုင်း မနေဘဲ ကျွန်မ May Fair မှာ နေတယ် လို့ ချက်ချင်း ပြောနိုင်တာပေါ့။ ကျွန်မ May fair ရပ်ကွက် ရဲ့ စျေးကြီး တဲ့ နေရာမှာ နေနေသလား၊ ကျွန်မ နေရာ က ဘယ်လို မျိုးလဲ ဆိုတာ တွေတော့ သူတို့ ဘာသူတို့ ထပ် တွေးကြည့်ကြပေါ့။ ကျွန်မ တိုက်ခန်းလေး က တကယ့်ကို သေးသေးလေးပါ။ ကျွန်မ အိမ်ပြန်ရောက်လို့ တခါးပေါက် မှာ ရပ်မိတယ် ဆိုရင် တိုက်ခန်းရဲ့ တဝက်လောက် ရောက်နေပါပြီ။ တိုက်ခန်း အလယ်မှာ မတ်တပ်ရပ် ပြီး လက်နှစ် ဘက်ကို ဆန့်တန်း ကြည့်လိုက်ရင်လဲ ဘေး နံရံ တစ်ခုခု ကို လှမ်းထိလို့ ရနေပါတယ်။
ကျွန်မ နေရာ ရဲ့ အသေးစိတ် တွေကို ဘယ်သူ့မှ အသိမပေးဘဲ လျှို့ဝှက်ထားလိုက်ပါတယ်။ မနက်တိုင်း အမေ ပို့ထားတဲ့ အကောင်းစား အင်္ကျီ ဝတ်ပြီး အလုပ်သွားဖို့ ထွက်လာတာနဲ့ ပတ်ဝန်းကျင် နဲ့ ရောနှောပြီး တသားတည်း ဖြစ်သွားတာ ပါပဲ။
တစ်ရက် မှာ Nix က ကျွန်မ ကို ခင်များကို ကျွန်တော် ပရောဂျက် ရအောင်ဘ ယ်လို အဆုံးသတ်ရသလဲ ဆိုတာ လေ့လာစေချင် တယ်လို့ ပြောပါတယ်။ ကျွန်မ အနေနဲ့ clients တွေကို စကားပြောလာတာ လပေါင်းများစွာ ကြာပေမယ့် နောက်ဆုံး ပရောဂျက် သဘောတူ ညီချက် တွေ ကိုတော့ Nix နဲ့ Alex Taylor တစ်ယောက်ယောက် ရောက်လာပြီး လုပ်သွားတာ ချည်းပါ။ အခု nix ဆိုလိုတာ က ကျွန်မ တစ်ယောက်တည်း အရည်အချင်းရှိရှိ၊ ယုံကြည်ချက် ရှိရှိနဲ့ ပရောဂျက် ကို အောင်အောင်မြင်မြင်ရယူနိုင်ဖို့ အတွက်ပါ။
Nix က ကုမ္ပဏီ ရဲ့ CEO ဖြစ်ပေမယ့် သူ တကယ်လုပ်နေရတာက အရောင်းသမား တစ်ယောက်လို ပါပဲ။ သူကျွန်မ ကို အလုပ်ခွင် ထဲမှာ လိုအပ်တယ် လို့ပြောပါတယ်။ ကျွန်မ အခုအချိန် အထိ client တစ်ယောက် ရဲ့ရှေ့မှာ ပါဝါ ပွိုင့် တက်ဆက်မှု မလုပ်ဖူးသေးပါဘူး။ Nix က ဒီလို presentation လုပ်တာက အနုပညာ တစ်ခု ပဲ၊ ကျွန်တော် ခင်များ ကို သင်ပေးမယ် လို့ ပြောပါတယ်။
ကျွန်မ အနေနဲ့ SCL အတွက် နိုင်ဂျီးရီးယား တွေနဲ့ စာချုပ်ရယူ ပေးနိုင်ခဲ့ပေမယ့် ကျွန်မ လုပ်ခဲ့တာ တွေ အတွက် ပြန်စဥ်းစားရမယ့် အချိန် ဖြစ်နေပါတယ်။ ကျွန်မ အနေနဲ့ SCL ရဲ့ အာဖရိက မှာ လုပ်နေတာ တွေနဲ့ ပတ်သတ်ပြီး စိတ်မသက်မသာ ဖြစ်ရပါတယ်။ ကျွန်မ က ငယ်ရွယ် တဲ့ အမျိုးသမီး တစ်ယောက် ဖြစ်နေတာ နဲ့ပဲ ကျွန်မ နဲ့ တွေ့ခဲ့တဲ့ အာဖရိကန် တွေက ကျွန်မ ပြောတာကို နားမထောင် ချင်ကြသလို ကျွန်မ အပေါ် လဲ လေးစား မှု မရှိကြပါဘူး။ နောက်ပြီး ကျွန်မ လုပ်နေတာနဲ့ ပတ်သတ်ပြီး ကိုယ်ကျင့်တရား ချိုးဖောက် မိသလား ဆိုတဲ့ စိတ်ပူပန် သောက တွေ ဖြစ်နေပါတယ်။ ကျွန်မ တို့ ချုပ်ဆိုခဲ့တဲ့ စာချုပ် တွေဟာ ပွင့်လင်း မြင်သာမှု မရှိတဲ့ အပြင် တချို့နေရာ တွေမှာ ဥပဒေ နဲ့ မညီတာ တွေ ပါနေတယ် လို့ ယူဆမိပါတယ်။ ဥပမာ ကျွန်မ တို့ လုပ်တဲ့ အလုပ် တွေမှာ ဘယ်သူ မှ သက်သေခံ စာရွက်စာတမ်း ကျန်မှာကို မလိုလားကြပါဘူး။ တခါတရံ မှာ စာနဲ့ အတိအကျ ရေးထားတဲ့ စာချုပ်ဆိုတာ မရှိပါဘူး။ ရှိခဲ့ရင်လဲ စာချုပ်ထဲ မှာ ပါတဲ့ လူနာမည်၊ ကုမ္ပဏီ နာမည် အစစ် တွေကို မသုံးပါဘူး။ အမြဲလိုလို မတိကျ မသေချာ ဘဲ ဘယ်သူမှ ပွင့်ပွင့်လင်းလင်း မသိရတဲ့ နောက်ကွယ် က လက်မည်း အဖွဲ့အစည်း တွေပါ ပါဝင်နေတတ်ပါတယ်။ ကုမ္ပဏီ ရဲ့ ဒီလို လုပ်ပုံကိုင်ပုံတွေပ ကျွန်မ ရဲ့ ကျင့်ဝတ်ပိုင်း အတွက် စိတ်အနှောက်အယှက် ဖြစ်ရသလို ကျွန်မ ရဲ့ တကိုယ်ကောင်း ဆန်မှု ကိုလဲ ဖြစ်ပေါ်စေပါတယ်။ ပရောဂျက် တစ်ခုကို စာချုပ်ချုပ် နိုင်လိုက်တိုင်း ကျွန်မ လဲ ကောိမရှင် ခံစားခွင့်ရနေတာကြောင့် ဒီစာချုပ်က ဘာလို့ ရိုးရိုးသားသား ပွင့်ပွင့်လင်းလင်း မရှိရတာလဲ ဆိုတဲ့ စောဒက တက်တဲ့ မေးခွန်းကို ကျွန်မကိုယ်တိုင် မမေးဖြစ်တော့ပါဘူး။
SCL ရုံးမှာ ကျွန်မ နေ့စဥ်လိုလ်ု လေ့လာတာက နိုင်ငံတကာ နိုင်ငံရေး ရဲ့ common practice တွေ အကြောင်းပါ။ ဘယ်အကြောင်းအရာက မှ မရိုးရှင်းပါဘူး။ အစ္စရေး ကာကွယ်ရေး နဲ့ ထောက်လှမ်းရေး ဌာန တွေကို အလုပ်လုပ် ပေးနေတဲ့ ကုမ္ပဏီ တွေနဲ့ ရွေးကောက်ပွဲ အလွတ်သဘော လေ့လာရေး အကြောင်း ဆွေးနွေးတုန်းကဆိုရင် အဲဒီ ကုမ္ပဏီ တွေက သူတို့ အနေနဲ့ သူတို့ client ရဲ့ ကမ်ပိန်းကို တိုက်ခိုက်မယ့် အစီအစဥ် တွေကို ကြိုတင် သတိပေးတာမျိုး တွေအပြင် ပြိုင်ဘက်ကို တန်ပြန် ထိုးစစ်ဆင် ဖို့ ဆန့်ကျင်ဘက် မဲဆွယ်စကားလုံး တွေ ရှာဖွေ ပေးတာ မျိုး တွေ လုပ်ပေးနိုင်ခဲ့တယ်လို့ ခပ်ကြွားကြွား ပြောနေတာကို ကျွန်မ ကြားခဲ့ရပါတယ်။ အစ ပထမ မှာတော့ ဒါတွေ အားလုံးဟာ ကျွန်မ အတွက် သိမ်သိမ်မွေ့မွေ့ နဲ့ အရမ်းကို ကောင်းမွန် တဲ့ အရာတွေလိုပါပဲ။ အဲဒီ ကုမ္ပဏီ က SCL လိုပဲ ရွေးကောက်ပွဲ တွေ ကို ဝန်ဆောင် မှု ပေးတဲ့ ကုမ္ပဏီပါ။ သူတို့ အတွေ့အကြုံက nix လောက် နီးပါး ရှိပါတယ်။ သူတို့ အလုပ်လုပ် ပေးနေ ကြတဲ့ အထဲ ပြိုင်ဘက် client တွေလဲ ပါနေတတ်ပါတယ်။ ကျွန်မ အနေနဲ့ SCL လို ကုမ္ပဏီ တွေရဲ့ ဗျူဟာ ကို လေ့လာလေလေ၊ ဒီ ကုမ္ပဏီ တွေဟာ ပရောဂျက်ရဖို့၊ အောင်မြင်ဖို့ ဘာပဲ ဖြစ်ဖြစ် လုပ်မယ် ဆိုတာ သိလာလေ ပါပဲ။
ပရောဂျက်ရဖို့ ဘာပဲ ဖြစ်ဖြစ် လုပ်မယ် ဆိုတဲ့ မရှင်းလင်း တဲ့ အပိုင်း ကို တွေးမိတိုင်း ကျွန်မ စပြီး စိတ်အနှောက်အယှက် ဖြစ်လာပါတော့တယ်။ ကျွန်မ SCL ကို အဲဒီ ကုမ္ပဏီ နဲ့ အလုပ်တူတူ လုပ်ရင် client အတွက် ပိုကောင်းတဲ့ ရလဒ် တွေ ထွက်လာမှာပဲ လို့ အကြံပေးဖူးပါတယ်။ ဒါပေမယ့် အဲလို အကြံပေးလိုက်တာနဲ့ ကျွန်မ ကို အဲဒီ client နဲ့ ပတ်သတ် တဲ့ ဆက်သွယ် မှု တွေကန ဖယ်ထုတ်လိုက်တာပါပဲ။ ဒါကလဲ Nix လုပ်လေ့လုပ်ထ ရှိတဲ့ ပုံစံ ဖြစ်ပြီး သူတို့ client ကို ကတိပေးထားတဲ့ ရလဒ် တွေ ဘာတွေ ဖြစ်နေပြီလဲ ဆိုတာ ကျွန်မ အနေနဲ့ သိခွင့် မရတော့ပါဘူး။
ကျွန်မ ရဲ့ တန်ဖိုးတွေကို ပြသပြီး ကျွန်မ ရဲ့ ပထမ ဆုံး ပရောဂျက် ကို အပြီးသတ် ဖို့ ကြိုးစား နေချိန် မှာပဲ ကျွန်မ ဒီ အစ္စရေး ကုမ္ပဏီ ကို နိုင်ဂျီးရီးယား တွေနဲ့ မိတ်ဆက်ပေးခဲ့ပါတယ်။ ဒါပေမယ့် ရလဒ်က ကျွန်မ မျှော်လင့်သလို ဖြစ်မလာပါဘူး။ နိုင်ဂျီးရီးယား တွေ ဘက် က အစ္စရေး ကုမ္ပဏီ ကို SCL နဲ့ ပူးပေါင်း လုပ်ဆောင် စေမယ့် အခြေအနေ ကို မရွေးချယ် ဘဲ သူတို့ချည်း ပဲ သီးသန့် အလုပ်လုပ်မယ့် ပုံစံကို ရွေးချယ် သွားပါတယ်။ ကျွန်မ နောက်ပိုင်း ပြန်ကြားရတာက အစ္စရေး ကုမ္ပဏီ ကို အသုံးချပြီး ပြိုင်ဘက် သမ္မတ လောင်း ဘူဟာရီ ရဲ့ အတွင်း သတင်း တွေ ရယူဖို့ ကြိုးစား ခဲ့တယ်လို့ သိရပါတယ်။ သူတို့ အဲလို လုပ်ခဲ့တာ အောင်မြင်ခဲ့ပြီး ဘူဟာရီ ရဲ့ အတွင်းသတင်း တွေကို SCL အတွက် ပေးအပ်နိုင်ခဲ့ပါတယ်။ SCL က ဒီ သတင်းအချက်အလက် တွေကို သုံးပြီး ပြိုင်ဘက် ဘူဟာရီ အပေါ် အပုပ်ချတာ၊ လူတွေ ကို ကြောက်စိတ် ဝင်လာစေမယ့် သတင်း အချက်အလက် မီဒီယာ တွေ ထုတ်ပြန်တာ လုပ်နိုင်ခဲ့ပါတယ်။ SCL ရဲ့ Sam Pattern က နိုင်ဂျီးရီးယား မြေပေါ် မှာ မဲဆွယ် ကမ်ပိန်း အလုပ်ပြပြီး နောက်ကွယ်က SCL အဖွဲ့သား တွေက ပြိုင်ဘက် ဘူဟာရီ ကို ထိုးနှက် ဖို့ လုပ်ဆောင်ခဲ့ကြတာပါ။ ဒါပေမယ့် အစ္စရေး ကုမ္ပဏီရော၊ SCL ရော ၂ ခုပေါင်းပြီး နိုင်ဂျီးရီးယား ရွေးကောက်ပွဲ မှာ Jonathan ကို သမ္မတ ဖြစ်လာအောင် မစွမ်းဆောင် နိုင်ခဲ့ပါဘူး။ ကမ်ပိန်း က ၁ လတောင် မကြာခဲ့ပါဘူး။ Jonathan လဲ ပြိုင်ဘက် ဘူဟာရီ ကို မဲ ၂.၅ သန်း ကွာဟ ချက် နဲ့ ရှုံးနိမ့်ခဲ့ပါတယ်။ ဒီရွေးကောက်ပွဲ လဲ မကောင်းသတင်း နဲ့ ကျော်ကြားလာပါတယ်။ ဘာလို့လဲဆိုတော့ ဒီ ရွေးကောက်ပွဲ က လက်ရှိ အာဏာရ သမ္မတ ပထမ ဆုံး အနေနဲ့ ရှုံးနိမ့်တဲ့ ပွဲ ဖြစ်တဲ့ အပြင် အာဖရိက တစ်တိုက်လုံး အတိုင်းအတာ နဲ့ဆို ကုန်ကျစားရိတ် အကြီးဆုံး ရွေးကောက်ပွဲ ဖြစ်ခဲ့လို့ပါ။
ဒါပေမယ့်အဲဒီ အချိန် ကုမ္ပဏီ ရဲ့ ကျင့်ဝတ်နဲ့ ပတ်သတ်ပြီး ကျွန်မ စိတ်အဝင်စား ဆုံးမေးခွန်း က SCL အနေနဲ့ နိုင်ဂျီးရီးယား တွေက ပေးတဲ့ ပိုက်ဆံကို ဘယ်လို များ သုံးလိုက်လဲ ဆိုတဲ့ မေးခွန်းပါ။ Ceris ပြောပြချက် အရဆိုရင် နိုင်ဂျီးရီးယား တွေ ပေးတဲ့ 1.8 million ထဲက ကုန်ကျစားရိတ် က စုစုပေါင်း ဒေါ်လာ ၈ သိန်းပဲ ရှိပါတယ်။ ဒါဆို ဒိ ပရောဂျက် အပေါ်ကနေ SCL ရလိုက်တဲ့ အမြတ် က မနည်းမနော ပါပဲ။
ဒါဆို ကျွန်မ ကုမ္ပဏီ အတွက် ချုပ်ဆို နိုင်ခဲ့တဲ့ ပိုက်ဆံ ပမာဏ ထဲက ဒေါ်လာ ၁ သန်း က Nix အတွက် အမြတ်လို ဖြစ်သွားတာပေါ့။ တခြား အလုပ် တွေမှာဆို စံအနေနဲ့ ပရောဂျက် တစ်ခုရဲ့ အမြတ် က ၁၅% ကနေ ၂၀% အထိ ယူလေ့ယူထ ရှိကြပါတယ်။ ဒီ ရာခိုင်နှုန်း ပမာဏ ဆိုတာကို တော်တော် များနေပါပြီ။ ဒါဟာ ကျွန်မ အတွက်တော့ Client တစ်ယောက် ကို ပရောဂျက် စျေးနှုန်း ထုတ်မပြောရဲ အောင် ကို ဖြစ်စေပါတယ်။ ကျွန်မ တို့ဆီ လာတဲ့ လူမှန်သမျှကလဲ ကုန်ချင် သလောက်ကုန်ပါစေ၊ နိုင်ရင် ပြီးရော ဆိုတဲ့ လူစား မျိုးတွေ ချည်းပဲ ဆိုတော့။ ပရောဂျက် တစ်ခု မှာ client ကျေနပ်လို့ အမြတ် အများကြီး ယူတာ က ပြဿနာ မဟုတ်ပါဘူး၊ တရားဝင်ပါတယ်။ ဒါပေမယ့် ဒီကိစ္စ မှာ SCL ဖောက်ဖျက် ခဲ့တာက ကိုယ်ကျင့်တရား ပါ။ Nix က နိုင်ဂျီးရီးယား တွေကို ပိုက်ဆံ အားလုံး သုံးလို့ ကုန်ပြီ၊ ရွေးကောက်ပွဲ ရက် နောက်ကျ သွားလို့ SCL ကို အဲဒီ ရက်အထိ နေစေချင်ရင် ထပ်ပေးရမယ် လို့ ပြောခဲ့တာက ကျင့်ဝတ်ပိုင်းဆိုင်ရာ ဖောက်ဖျက်ရာ ရောက်ပါတယ်။ ကျွန်မ ဒီ ကိစ္စ နဲ့ ပတ်သတ်ပြီး အမြတ် ပမာဏကို ကျွန်မ သိပါတယ် လို့ Nix ကို မပြောရဲခဲ့ပါဘူး။ ဒီကိစ္စ အပေါ် မှာ သူ့ကို အတိုက်အခံ မလုပ်မိခဲ့ တဲ့ အြေခအနေ ကလဲ ကျွန်မ ကို ခြောက်လှန့် နေပါတော့တယ်။
ရိုးရိုးသားသား ပြောရရင် SCL ရဲ့ ဥရောပ နိုင်ငံ တချို့ မှာ ချုပ်ဆို နိုင်ခဲ့တာတွေ ကလဲ ရိုးသား ပွင့်လင်းမှု မရှိပါဘူး။ လစ်သူရေးနီးယား ၊ Vilnius ရဲ့ မြို့တော် ဝန် ရွေးကောက်ပွဲ တုန်းကဆို SCL ဝန်ထမ်း တစ်ယောက် က Nix ရဲ့ လက်မှတ် အတု လုပ်ပြီး သူ့သဘောနဲ့ သူ ချုပ်ဆိုခဲ့ပါတယ်။ ကျွန်မ နောက်ပိုင်း သိရတာက အဲဒီ စာချုပ် က လစ်သူရေးနီးယား ဥပဒေ နဲ့ ဆန့်ကျင်နေပါတယ်။ လစ်သူရေးနီးယား မှာ ရွေးကောက်ပွဲ နဲ့ ပတ်သတ်တာ မှန်သမျှ တင်ဒါ ခေါ်ရမယ် လို့ ဥပဒေ ပြဌန်း ထားပေမယ့် တခြား ကုမ္ပဏီ တွေ တင်ဒါ တင်ဖို့ ပြင်ဆင် နေကြတဲ့ အချိန် မှာပဲ SCL ကို ဒီ ပရောဂျက် ပေးလိုက်ပြီဆိုတဲ့ သတင်း ထွက်လာခဲ့တာပါ။
Nix က သူ့လက်မှတ် ကို အတုလုပ်ပြီး ဒီစာချုပ်က တရားမဝင်တာ သိသိချင်းပဲ ကျွန်မ ကို ကျူးလွန်ခဲ့သူကို အလုပ်ထုတ် ဖို့ တာဝန်ပေးပါတယ်။ အတု လုပ်ခဲ့သူကတော့ Eton ကသူ့ သူငယ်ချင်းရဲ့ အမျိုးသမီး ပါ။ ကျွန်မ လဲ သူပြောတဲ့ အတိုင်း အဲဒီ အမျိုးသမီး ကို အလုပ်ထုတ် ပစ်ခဲ့ပါတယ်။ နောက်ပိုင်း မှာ ကျွန်မ ထင်ထင်ရှားရှား သိလာတာ က Nix တကယ် စိတ်ဆိုးတာ က သူ့လက်မှတ် ကို အတုထိုးပြီး စာချုပ်ချုပ် ခဲ့တာ ကြောင့် မဟုတ်ဘဲ ဒီ ဝန်ထမ်း အမျိုးသမီးက လစ်သူရေးနီးယား နိုင်ငံရေး ပါတီ တွေ ဆီက ရစရာ ပိုက်ဆံ တွေကို ရအောင် မယူနိုင်ခဲ့လို့ပါ။ Nix က ကျွန်မ ကို ရစရာ ပိုက်ဆံ တွေ ပြန်ရအောင် လိုက်တောင်းခိုင်းပါတယ်။ သူက ကျွန်မ ကို နိုင်ဂျီးရီးယား အကြောင်း ခဏ မေ့ထားပြီး အားလုံးရဲ့ နောက်လ လစာ ပေးဖို့ အတွက် ရစရာ ပိုက်ဆံ တွေ တောင်းဖို့ ကိစ္စ ကို သာ အာရုံစိုက်ထားပါလို့ ပြောပါတယ်။
ဒီကိစ္စ တွေ အားလုံး က ကျွန်မ အပေါ် လွှမ်းမိုးနေ ပြီး စိတ်လှုပ်ရှား မိနေပါတယ်။ ကျွန်မ ခေါင်းထဲ မှာတော့ SCL မှာ ကျွန်မ အရည်အချင်း တွေ အသုံးချနိုင်မယ့် လူမှုရေး ပရောဂျက် တွေ လုပ်နိုင်မယ့် နေရာ တွေကို လိုက်ရှာနေမိပါတယ်။ Data နဲ့ ပတ်သတ်ပြီး ကျွန်မ လေ့လာစရာ တွေ ကျွန်မ ဘက် ကပြန် ပေးဆပ်စရာ တွေ အများကြီး ကျန်ပါသေးတယ်။ ကျွန် မရဲ့ အကောင်းဆုံး အရည်အချင်း တွေကို မရိုးသားတဲ့ client တွေ အတွက် အသုံးပြုပေးရမှာ ၊ အဲလို လုပ်ပေးရတဲ့ အတွက် ကျွန်မ ရဲ့ Phd သုတေသန မပြီး မှာ တွေ မဖြစ်စေရဘူးလို့ တွေးထားလိုက်ပါတယ်။
အကောင်းဘက် က တွေးရင်တော့ အမေရိကား မှာ စိတ်လှုပ်ရှားစရာ ကောင်းတဲ့ တီထွင် ဆန်းသစ် မှု တွေ ဖြစ်ပေါ်နေပါတယ်။ အခွင့်အရေး တွေလဲ အများကြီးပါ။ ကျေးဇူးတင်စရာ ကောင်းတာက ဒီ တိုးတက် မှု တွေ အားလုံး လိုလို ရီပါဘလီကန် တွေ နဲ့ မသက်ဆိုင်တာပါပဲ။ ဥရောပ၊ အာဖရိက နဲ့ တခြား နိုင်ငံ တွေမှာ SCL ရဲ့ data အပေါ် အသုံးပြု နိုင်မှုက ကန့်သတ်ချက် တွေ အများကြီး ရှိနေပါတယ်။ ဘာလို့လဲဆိုတော့ အဲဒီ နိုင်ငံတွေရဲ့ ICT အခြေခံ အဆောက်အဦး ( Data infrastructures)က မတိုးတက်သေးလို့ပါ။ SCL မှာ အခုအချိန်ထိ တီထွင် ဆန်းသစ် ထားတဲ့ နည်းပညာ တွေ ၊ SCL ရဲ့ အကောင်းဆုံး လုပ်နည်း လုပ်ဟန် တွေ ( best practices) တွေ ကို ပေါင်းစပ်ပြီး လုပ်ရမယ့် ပရောဂျက် တွေ မလုပ်ဖူးသေးပါဘူး။
Nix ကတော့ မကြာသေးခင် ကပဲ အမေရိကား ရဲ့ အကြီးဆုံး အလှုငွေ ရှာဖွေရေး အတွက် စာချုပ်ချုပ် ဆိုနိုင်လု နီးပါး ဖြစ်နေပြီလို့ ပြောနေပါတယ်။ ကျွန်မ လဲ ဒီ ပရောဂျက် ရဖို့ Nix ကို ကူညီ ပါတော့တယ်။ ဒီလို ပရဟိတ အဖွဲ့တွေ အတွက် အလုပ်လုပ်ပေးရာမှာလဲ အလှုရှင် အသစ်ကို ရှာဖွေ သတ်မှတ်တဲ့ အပိုင်းတွေ ပါပါတယ်။ ကျွန်မ နဲ့ ရင်းနှီး ကျွမ်းဝင်ခဲ့တဲ့ အလှုငွေ ရှာဖွေရေး လုပ်ငန်း တွေမှာ data ကို အသုံးချပြီး နည်းလမ်း အသစ်တွေ နဲ့ လုပ်ရမှာ တကယ် ကို စိတ်ဝင်စားစရာပါ။ နိုင်ငံရေး ဘက်မှာဆိုလဲ SCL က ရေကာတာ ဆည်ဆောက်တာ၊ မြန်နှုန်းမြင့် ရထားလမ်း တည်ဆောက်တာလို လူတွေရဲ့ ဘဝ တိုးတက် ကောင်းမွန် လာစေဖို့ လုပ်တဲ့ ပရောဂျက် တွေမှာလဲ ပါဝင်နေပြန်ပါတယ်။ အဲဒါတွေ အပြင် ကုမ္ပဏီ အနေနဲ့ စီးပွားရေး ကြော်ငြာတွေ ကစလို့ သတင်းစာ၊ ကျန်းမာရေး အထောက်အကူ ပစ္စည်း ရောင်းတဲ့ လုပ်ငန်း မျိုးတွေမှာလဲ data ကို သုံးပြီး အကြံပေး လုပ်ဆောင် တဲ့ အလုပ်မျိုးတွေ ကို ပါဝင် လုပ်ဆောင် နေပါတယ်။
ဒီ data တွေကို ဘယ်လို ခွဲခြမ်းစိတ်ဖျာတယ် ( Analytic) ဆိုတာကို ကျွန်မ သင်ယူချင်ပါတယ်။ ကျွန်မ တို့ရဲ့ အောင်မြင်မှု တွေကို ဘယ်လို တိုင်းတာ နိုင်တယ်၊ ဘယ်နေရာ တွေ မှာ မြင်ရမယ်၊ ဘယ်နေရာ တွေမှာ လူတွေ ရိူးရိုးသားသား နဲ့ ပွင့်လင်း မြင်သာ စွာနဲ့ အလုပ်လုပ်ကြတယ် ဆိုတာကို ကျွန်မ သိချင်ပါတယ်။ ကျွန်မ Barrack Obama နဲ့ အတူတူ အလုပ်လုပ်ခဲ့တာကို ပြန်သတိရမိပါတယ်။ Obama က ဂုဏ်သိက္ခာ ရှိသူ တစ်ဦး ဖြစ်ပြီး သူ့ကိုယ်ကျင့်တရား က စံနမူနာ ပြုစရာ ကောင်းလောက်အောင် ကို အစွန်းအထင်း မရှိသူပါ။ သူ တစ်ဦး ထဲတင်မဟုတ်ဘဲ သူ့အနား က သု့အဖွဲ့ဝင် တွေလဲ ကိုယ်ကျင့်တရား နဲ့ ပတ်သတ်ရင် မှတ်ကျောက်တင်ခံ နိုင်သူတွေပါ။ သူတို့ ရွေးကောက်ပွဲ ကမ်ပိန်း လုပ်ခဲ့တဲ့ ပုံစံက တကယ်ကို ကိုယ်ကျင့်တရား ကို အလေးထား ခဲ့တဲ့ ပုံစံနဲ့ပါ။ Obama ရဲ့ ကမ်ပိန်း မှာ ပိုက်ဆံ အများကြီး လှုသူ မရှိပါဘူး။ Obama ကိုယ်တိုင်လဲ ပြိုင်ဘက်ကို အပုပ်ချ တိုက်ခိုက်တဲ့ မဲဆွယ် နည်းကို ပြင်းပြင်း ထန်ထန် ရှုံချ ပါတယ်။ သူ့ရဲ့ ဒီမိုကရက်တစ် ပြိုင်ဘက် တွေကို လုံးဝ မတိုက်ခိုက်ခဲ့တဲ့ အပြင် ရီပါဘလီကန် သမ္မတ လောင်းတွေ အပေါ်လဲ အောက်တန်းကျ တဲ့ စကားလုံး တွေ သုံးနှုန်းတာ မရှိခဲ့ပါဘူး။ ကျွန်မ အတွက် တော့ အဲဒီ အချိန် တုန်းက ရွေးကောက်ပွဲ တစ်ခု အတွက် မဲဆွယ် လုပ်ငန်း ဆိုတာ သတ်မှန်ထားတဲ့ စည်းမျဥ်း တွေ အပြင် ကိုယ်ကျင့်တရား နဲ့ လူ့ကျင့်ဝတ် တွေကိုပါ ထည့်သွင်း လုပ်ဆောင်ရတယ် ဆိုတာ သိခဲ့တဲ့ အတွက် ပျော်ရွှင် စိတ်လှုပ်ရှားခဲ့ရပါတယ်။
ကြည့်ရပုံအရ တော့ ကျွန်မ ရဲ့ အနာဂတ် ကသာ ဒီ ကုမ္ပဏီ မှာ ရှိနေသေးရင် အနှေး နဲ့ အမြန် ဆိုသလို အမေရိက အတွက် အလုပ်လုပ် ရမယ့် ပုံစံပါပဲ။
ကျွန်မ nix ကို Cambridge Analytica ရဲ့ ပေရာဂျက် တွေ ရယူ တဲ့ အပိုင်းကို လေ့လာချင်တယ်၊ စိတ်ဝင်စားတယ် လို့ ပြောခဲ့ပါတယ်။ ဒီလ်ု လုပ်ဖို့ ရွေးချယ် လိုက်တာက ကျွန်မ အတွက်တော့ သတိပေး ခေါင်းလောင်းတွေ၊ ခရာ တွေ အပြည့် ရှိနေတဲ့ ကုမ္ပဏီ မှာ အလုပ်ဝင်လိုက်ရသလို ပါပဲ။
Dr alex tylor လုပ်နေတဲ့ Cambridge Analytica ရဲ့ အောင်မြင်မှု တွေဟာ Data Analytic အပေါ် လုံးဝ မှီခို နေတယ် ဆိုတာ မသိသေးခင်တော့ ကျွန်မ အတွက် nix ရဲ့ စွမ်းဆောင် မှု မှန်သမျှ ဟာ အထင်ကြီး လေးစားစရာ ပါပဲ။ Taylor ရဲ့ တင်ဆက် ပြသမှု က ပိုပြီး နည်းပညာ ဆန်ပြီး၊ Data Analytic ရဲ့ အရမ်းကို အသေးစိတ် တဲ့ အပိုင်းတွေ ပါဝင်ပါတယ်။ သူ ပြောပြတာက Cambridge Analytica ရဲ့ အောင်မြင်မှု ရဲ့ လျှို့ဝှက် ချက် က တစ်ခု တည်းမဟုတ် ဘဲ ကုမ္ပဏီ ကို တခြား လုပ်ငန်းတူ တွေ နဲ့ ကွဲထွက် နေအောင် သူတို့ မှာ တခြား လျှို့ဝှက် ချက်တွေလဲ ပိုင်ဆိုင်ထားတယ် ဆိုတာ သိလိုက်ရပါတယ်။ Nix မကြာခဏ ပြောသလိုဘဲ " ကျွန်တော်တို့ရဲ့ လျှို့ဝှက် နည်းပညာ က ဟင်းချက်ရာမှ ပါဝင်တဲ့ ပစ္စည်း တွေ အများကြီး အတွက် သုံးနိုင်တယ်၊ အဲဒီ ပါဝင် ပစ္စည်း တွေ ပေါင်းစပ်လိုက်ရင် ကိတ်ကောင်းကောင်း တစ်လုံး ဖြစ်လာတာပေါ့"
CA နဲ့ တခြား ကုမ္ပဏီ တွေရဲ့ အရေးကြီး ဆုံး ကွာခြားချက် က CA ပိုင်ဆိုင်ထားတဲ့ database ရဲ့ အရွယ်အစား ဖြစ်နိုင်ပါတယ်။ Taylor ရှင်းပြပုံ အရဆိုရင် ဒီ database က လက်ရှိ ခေတ် မှာ တခါမှ မရဖူးသေးတဲ့ အရွယ်အစား၊ အဘက်ဘက် က ရနေတဲ့ data တွေနဲ့ တစ်နေ့ တခြား ကြီးလာနေပါတယ်။ ဒီ database အတွက် data တွေကို အမေရိကန် နိုင်ငံသားတွေ ပိုင်ဆိုင် နေတဲ့ ကိုယ်ရေး အချက်အလက် တွေကို ဝယ်တာပဲ ဖြစ်ဖြစ် ၊ လိုင်စင် ရယူတဲ့ နည်းနဲ့ ဖြစ်ဖြစ် ကျွန်မ တို့ ရယူထားတာပါ။ ဒီ data တွေကို Experian, Axiom, info group အစရှိတဲ့ ကုမ္ပဏီ တွေကနေ ရသမျှ ဝယ်ထားခဲ့တာပါ။ နောက်ပြီး အမေရိကန် ရဲ့ ဘဏ္ဍာရေး ကုမ္ပဏီ တွေ ဆီကလဲ ဝယ်ပါသေးတယ်။ ဒီ data တွေကနေ အမေရိကန် နိုင်ငံသားတွေ ဘယ်နေရာမှာ စျေးဝယ်ကြလဲ၊ ဘယ်လောက် သုံးလဲ၊ ဘယ်နေရာ ကို အားလပ်ရပ် ခရီးထွက်ကြလဲ၊ ဘယ်လို စာအုပ်မျိုးတွေ ဖတ်ကြလဲ ဆိုတာ ကျွန်မ တို့ သိနေတာပေါ့။
ဒီ data တွေ အားလုံးကို သူတို့ရဲ့ နိုင်ငံရေး အချက်အလက် တွေ ဖြစ်တဲ့ သူတို့ရဲ့ မဲပေးပုံ အလေ့အထ data တွေနဲ့ တွဲပါတယ်။ တခါ ထပ်ပြီး ဒီ တွဲထားတဲ့ data တွေကိုပဲ သူတို့ရဲ့ facebook အချက်အလက် တွေ ဖြစ်တဲ့ ဘယ် ပို့စ်ကို သူတို့ Like ပေးလဲ၊ ဘယ် ပုံကို သဘောကျလဲ အစရှိတဲ့ အချက်အလက် တွေနဲ့ တခါ ထပ်တွဲ ပါတယ်။ facebook တစ်ခု တည်းကနေ ပဲ လူတစ်ယောက် နဲ့ ပတ်သတ် တဲ့ အကြောင်းအရာ ပေါင်း ၅၇၀ ကိုရပါတယ်။ ဒီ data တွေကို အပေါ် မှာဖော်ပြ ခဲ့တဲ့ ဝယ်ယူလို့ရတဲ့ data တွေနဲ့ ပေါင်းလိုက်ရင် အသက် ၁၈ နှစ် အထက် အမေရိကန် နိုင်ငံသား ပေါင်း သန်း ၂၄၀ ရဲ့ တစ်ယောက်ချင်းစီ အတွက် အချက်အလက် ပေါင်း ၅၀၀၀ ကျော်ကို Database ထဲ မှာ ရလာပါတော့တယ်။
Tyler ပြောစကား အရ ဒီ database က အချက်အလက် တွေ ပေါ် အခြေခံ ပြီး လူတွေကို ဆက်သွယ် မယ့် နည်းလမ်းကိုတော့ Facebook ကို အဓိက ထားသုံးပါတယ်။ ကျွန်မ တို့ စုဆောင်းရရှိထားတဲ့ အချက်အလက် တွေ ရှိနေတဲ့ လူတွေကို ဆက်သွယ်ဖို့ Facebook ကနေ လုပ်ပါတယ်။
ကျွန်မ SCL ကို ရောက်ခါစ အချိန် မှာပဲ Nix က ကျွန်မ ကို ပွဲ ၂ ခုကို အာရုံစိုက်ဖို့ ပြောပါတယ်။ 2014 December ရဲ့ တစ်ရက် မှာ SCL ရဲ့ အကြီးတန်း Data Scientist Suraj Gosai က ကျွန်မ ကို သူ့ ကွန်ပြူတာ နား လာခဲ့ဖို့ ခေါ်ပါတယ်။ သူ့ စားပွဲနားမှာ Phd research လုပ်နေသူ တစ်ဦး နဲ့ SCL ရဲ့ စိတ်ပညာ ရှင် ၄ ယောက် အတူတူ ရှိနေပါတယ်။
သူတို့ထဲက ၃ ယောက် က ကိုယ်ရေး အချက်အလက် ဆိုင်ရာ ပဟေဠိ ပရိုဂရမ် တစ်ခု ကို တီထွင်ထားပါတယ်။ Sex compass လို့ ခေါ်ပါတယ်။ ကျွန်မ အတွက်တော့ ဒီနာမည် က ရီစရာ ပါ။ ဒီ ပဟေဠိ ပရိုဂရမ် ကနေ လူတွေ ရဲ့ လိင်ပိုင်းဆိုင်ရာ ကြိုက်နှစ်သက်မှု စစ်တမ်းကို ကောက်ယူမှာပါ။ အိပ်ယာ ထဲမှာ ဆို ဘယ်လို အနေအထားကို ကြိုက်လဲ အစရှိတဲ့ မေးခွန်း တွေ ပါတာပေါ့။ ဒီ ပဟေဠိ စစ်တမ်း က ြေဖဆိုသူတွေ အတွက် အပျော် စစ်တမ်း တစ်ခု မဟုတ်ဘူးဆိုတာ ကျွန်မ နားလည်လာပါတယ်။ ဒီ ပဟေဠိ ြေဖဆိုသူ တွေကို သူတို့ရဲ့ အဖြေ အပေါ် မူတည် ပြီး သူတို့ရဲ့ လိင်ပိုင်းဆိုင်ရာ ကိုယ်ရည် ကိုယ်သွေး အချက်အလက် အပြင်၊ သူတို့ရဲ့ အမူအကျင့်၊ အလေ့အထ တွေကိုပါ နှိုက်ယူနိုင်ဖို့ ပါ။ SCL အတွက်တော့ ဖြေဆို သူ တစ်ဦး တည်းတင်မကဘဲ ဖြေဆိုသူ ရဲ့ သူငယ်ချင်း တွေရဲ့ အချက်အလက် တွေကိုပါ လက်ရှိရှိပြီးသား database ထဲက အချက်အလက် တွေနဲ့ ပေါင်းစည်းဖို့ အခွင့်အရေး ရသွားတာပါ။
နောက်ထပ် စစ်တမ်း တစ်ခု ဖြစ်တဲ့ Musical Walrus ဆိုတာကလဲ အတူတူပါပဲ။ ကာတွန်း ဇတ်ကောင် ပင်လယ်ဖျံ လေးက နေ အသုံးပြုသူ တွေကို ဂီတ နဲ့ ပတ်သတ်တဲ့ သူ့ရဲ့ ကြိုက်နှစ် သက်မှု တွေ မေးပြီး ဖြေဆိုသူရဲ့ ဂီတ အမျိုးအစား က pop လား၊ rock လားဆိုပြီး နောက်ဆုံး အဖြေထုန်ပေးတဲ့ ပုံစံပါ။ ဒီ ကနေလဲ SCL အတွက် data အမြောက်အမြား ရခဲ့ပါတယ်။
Taylor က တခြား online ပေါ်က ပဟေဠိ တွေ၊ စစ်တမ်း တွေကနေ လဲ လူတစ်ယောက်ချင်းစီ ရဲ့ အချက်အလက် ပေါင်း ၅၇၀ ကို ရယူနိုင်ကြောင်းပြောပြပါတယ်။ facebook ကိုယ်တိုင် က အသုံးပြု သူ ရယ်၊ သူ့ရဲ့ facebook သူငယ်ချင်း တွေရဲ့ အချက်အလက် တွေကို ရယူပြီး သားပါ။ ဥပမာ facebook အသုံးပြု သူတစ်ယောက် က candy crush ကို မကစားခင် သဘောတူညီချက် ္terms and conditions ကို yes လို့ နှိပ်လိုက်တာနဲ့ အသုံးပြုသူရဲ့ ကိုယ်ရေး အချက်တွေရော၊ သူငယ်ချင်း တွေရဲ့ ကိုယ်ရေး အချက်တွေကိုရောပါ ပရိုဂရမ် ကိုတီထွင် သူထံ အလကားပေးမယ်၊ ပရိုဂရမ် တီထွင်သူ ကနေ ဒီ အချက်အလက် တွေကို သူကြိုက်တဲ့ ဘယ်သူ့ကို မဆို လွှဲပြောင်း နိုင်တယ် ဆိုတာ သဘောတူလိုက်တာပါပဲ။ facebook က ဒီလို data ရယူမှုကို friend API လို့ ခေါ်တဲ့ ပေါ်တယ် ကနေ ရယူခွင့်ပြုထားပါတယ်။ ဒီဟာ က နောက်ပိုင်းမှာတော့ နာမည် ဆိုးနဲ့ ကြော်ကြားလာပြီး နိုင်ငံ တွေရဲ့ သတင်းအချက်အလက် ဥပဒေ နဲ့ ထိပ်တိုက် တွေ့လာပါတယ်။ အရွယ်ရောက်ပြီးသူ တစ်ယောက်ရဲ့ ကိုယ်ရေး အချက်အလက် ကို သူ့ကိုယ်စား လွှဲပြောင်းရယူခွင့် ရှိသလား ဆိုတဲ့ အပိုင်းက အမေရိကားမှာရော နိုင်ငံ တော်တော် များများမှာပါ ဥပဒေ ကြောင်းအရ ကန့်သတ် ထားတာ မရှိသေးပါဘူး။ ဘယ်သူ မဆို တွေးကြည့်ရင် သိသာပါမယ်၊ ဒီ friend API ကို အသုံးပြု သူများလေလေ Facebook အတွက်တော့ ဝင်ငွေ ကောင်းလေလေ ပါ။ ဒီ ဟာကွက် ကို အသုံးချပြီး Cambridge Analytica အပါအဝင် ကုမ္ပဏီ တော်တော်များများ က Facebook အသုံးပြု သူတွေ သိတောင် မသိလိုက်ဘဲ သူတို့ရဲ့ ကိုယ်ရေး အချက်အလက် တွေ ရရှိသွားပါတော့တယ်။
Cambridge Analytica ကတော့ Data တွေကို အမြဲ ပုံမှန် စုဆောင်းနေပြီး လူတွေ အခုအချိန် မှာ ဘာကို အာရုံစိုက် နေကြတယ် ဆိုတာ အမြဲ သိအောင် လုပ်နေပါတယ်။ Data တွေကို ပြည့်စုံ သထက် ပြည့်စုံအောင် ဝယ်တဲ့ နည်းကိုလဲ သုံးသလို website တွေရဲ့ cookies ကို လက်ခံ အသုံးပြုမလား ကို Yes လို့ ပြောတာမျိုး၊ online ပေါ်က တစ်ခုခု သုံးဖို့ terms and conditions ကို agree လို့ နှိပ်လိုက်တာမျိုး ၊ အဲလို နည်းလမ်း တွေကနေ လဲ data တွေက တစ်ရက်ပြီး တစ်ရက် တိုးပွားလို့ နေပါတော့တယ်။
Cambridge Analytica က Experian လို ကုမ္ပဏီ ကနေ Data အသစ် စက်စက် တွေ ဝယ်ပါတယ်။ Experian က အသုံးပြုသူ ရဲ့ Digital live ကို အမြဲ ထောက်လှမ်းနေပြီး online ပေါ်ကနေ ဘာဝယ်လိုက်တယ်၊ ဘယ်လို ဝန်ဆောင် မှုမျိုး ရယူလိုက်တယ် ဆိုတာ တွေကို မှတ်သားထားပြီး အသုံးပြုသူကို သူ့ရဲ့ အသုံးစာရင်း ထုတ်ပေးတဲ့ အပြင် ဒီ အချက်အလက် တွေကို အသုံးပြုသူက ပြန်ရောင်းမယ် ဆိုလဲ ပြန်ဝယ်ပါတယ်။ Experian ကတော့ ဒီ သတင်းအချက်အလက် တွေကို CA ကို ပြန်ရောင်းပြီး အမြတ်ငွေ ရှာတာပေါ့။ တခြား Data ပွဲစားတွေ ဖြစ်တဲ့ Axiom, Macgellan, Label and lists တို့ လုပ်ပုံကလဲ အတူတူပါပဲ။
ဒီလို data စုဆောင်းယူ တာတွေ အတွက် အသုံးပြုသူဘက် က တသီးတသန့် သဘောတူ နေစရာ မလိုပါဘူး။ ဘယ်သူမှ ပြီးအောင် မဖတ်မယ့် သဘောတူညီချက် အရှည်ကြီး ရေးထားတာ၊ အသုံးပြုသူဘက်ကနေ agree လို့ လုပ်ရမယ့် လေးထောင့်ကွက် သေးသေးလေး ထားပေးလိုက်တာ၊ အစရှိတဲ့ နည်းလမ်း တွေကို data တွေကို အလွယ်တကူပဲ စုဆောင်းရယူနိုင်ပါတယ်။ ဒီ သဘောတူ ညီချက် တွေကို အသုံးပြူသူ အနေနဲ့ သူကစားချင်တဲ့ ဂိမ်း ကစားရဖို့၊ သူ သွားချင်တဲ့ Website ပေါ်က ဝန်ဆောင် မှု တစ်ခုခု ကို သွားဖို့ အတွက် မဖြစ်မနေ သဘောတူ ရတယ် ဆိုတဲ့ ဖိအားပေး တဲ့ နည်းလမ်း တွေ သုံးပါတယ်။
Data နဲ့ ပတ်သတ်ပြီး ထိတ်လန့် စရာ အကောင်းဆုံးကတော့ ကျွန်မ Dr Tylor ဆီကနေ Data တွေ ဘယ်က လာလဲ သိလိုက်ရတဲ့ အချိန်ပါ။ ကျွန်မ အခု စာဖတ် နေသူ ကို မပြောပြချင်ပါဘူး။ ဒါပေမယ့် အခု ဒီ စာအုပ်ကို Amazon ကနေ e book version ဖြစ် ဖြစ် ၊ စကားပြော ဖြစ်ဖြစ် ဝယ်လိုက်တာနဲ့ ဝယ်ယူသူ ရဲ့ ကိုယ်ရေး အချက်အလက် တွေ တော်တော် များများ ကို ကမ္ဘာပေါ် က data ပွဲစားတွေ၊ ကြော်ငြာ ကုမ္ပဏီ တွေ လက်ထဲ ပေးအပ်လိုက်တာပါပဲ။
ဒီ စာအုပ်ကို မဝယ်ခင် online မှာ အရင် ရှာထားတဲ့ search recordတွေ၊ web page တစ်ခု စီမှာ အချိန် ဘယ်လောက်သုံးတယ်၊ ဘယ် ကဒ်နဲ့ ပိုက်ဆံ ပေးချေတယ်၊ အစရှိတာတွေ အတွက် ကိုယ့်ကွန်ပြုတာ ရဲ့ cookies တွေက တဆင့် ထောက်လှမ်း ခံလိုက်ရပါပြီ။
Cookies တွေ အကြောင်းပြောရရင် web page တွေက cookies တွေကိုလက်ခံ ဖို့ မေးနေချိန် မှာ ဘယ်လို အချက်အလက် တွေပါ တောင်းဆို နေသလဲ ဆိုတာ တွေးမိဖူးလား၊ ဒီလ်ု cookies တွေကို လက်ခံလိုက်တာက လူမှုရေး အရ လက်ခံ နိုင်တဲ့ spyware တစ်ခု ထည့်သွင်းလိုက်သလိုပါပဲ။ ဒါမျိုး ကိုလဲ ကျွန်မ တို့ နေ့စဥ် လိုလို လုပ်မိကြတယ်။ ဒါက ကျွန်မ တို့ အပေါ် သကာရည် အုပ်ထားတဲ့ စကားလုံး လှလှ လေး သုံးလိုက်သလိုပါပဲ။ တကယ်ကတော့ သူ့ရည်ရွယ်ချက် ကို သံသယ မဖြစ်တဲ့ သုံးစွဲ သူတွေ အပေါ် ကနေ ချသမျှ အချက်အလက် ကို ထောက်လှမ်း ဖို့ပါပဲ။
Cookies တွေက ကွန်ပြုတာ တွေ ဖုန်းတွေပေါ် က အသုံးပြုသူ လုပ်သမျှ အရာမှန်သမျှ ကို ထောက်လှမ်းပါတယ်။ Mozilla lightbeam, Cliqz international Ghostery, Electronic frontier foundation privacy badger တို့လို ပရိုဂရမ် တွေသုံးပြီး ကုမ္ပဏီ ဘယ်နှစ်ခုက ကိုယ့်ကိုယ်ရေး အချက်အလက် တွေကို ထောက်လှမ်း နေတယ် ဆိုတာ စစ်ကြည့်လို့ရပါတယ်။ ၅၀ ထက် မနည်း တဲ့ ကုမ္ပဏီ တွေ ကျွန်မ တို့ကို ထောက်လှမ်းနေတာ တွေ့ရမှာပါ။ ကျွန်မ ကိုယ်တိုင် lightbeam ကိုသုံးပြီး စစ်ကြည့်တုန်းကဆိုရင် ကျွန်မ တစ်မိနစ် အတွင်း ဝင်ကြည့်တယ် ဆိုရုံလေး ဝင်ကြည့်မိတဲ့ website 2 ခုကနေ တခြား website 172 ခုကို ကျွန်မ ရဲ့ အချက်အလက် တွေ ဆက်သွယ် ထောက်လှမ်းနေတာကို တွေ့လိုက်ရပါတယ်။ အဲဒီ website တွေကနေ Rocket Fuel, Lotame တို့လို Big Data ကုမ္ပဏီ ကြီး တွေကို ရောင်းချပါတယ်။ ကျွန်မ တို့ရဲ့အချက်အလက် တွေက သူတို့ အတွက်တော့ ကြော်ငြာ စက်ကြီး အတွက် လိုအပ်နေတဲ့ လောင်စာဆီ လိုပါပဲ။ ဒီ အချက်အလက် တွေကို သုံးပြီး ထိရောက်တဲ့ စီးပွားရေး ကြော်ငြာ တွေကို ဖန်တီးကြပါတယ်။ ကျွန်မ တို့ရဲ့ ကိုယ်ရေး အချက်အလက် data ကို ထိမိသူ မည်သူမဆို အမြတ် တခုခုတော့ ရသွားကြတာချည်းပါ။
အခု ကျွန်မ ရေးတဲ့ စာအုပ်ကို Amazon kindle ကဖြစ် ဖြစ် google book ကနေ ဖြစ် ဖြစ် ipad မှာ ဖတ်နေတယ် ဆိုပါစို့။ ဒီလိုဖတ်နေတာ နဲ့ ကို စာမျက် မှာ တစ်မျက် နှာ ကို ဘယ်လောက်ကြာအောင် ဖတ်လဲ၊ ဘယ်နားမှ ခဏ နားလဲ၊ ဘယ်လောက် ကြာကြာ နားလဲ၊ ဘယ်စာပိုဒ်ကို တော့ အမှတ်အသား လုပ်ထားလဲ အစရှိတဲ့ အရမ်းတိကျ တဲ့ data တွေ ထုတ်ပေးနေသလို ပါပဲ။ ဒီစာအုပ် ကို ဝယ်ဖို့ တဲ့ စာဖတ်သူ ပထမ ဆုံးရှာခဲ့တဲ့ စကားလုံး တွေ နဲ့ အပေါ်က အချက်အလက် တွေ ပေါင်းစပ် ပြီး ကုမ္ပဏီ တွေက ဒီ data တွေကို ရောင်းစား ပါလိမ့်မယ်။ အဲလို ရောင်းချပြီးတာနဲ့ စာဖတ်သူ အတွက် ရောင်းချ လို့ရမယ့် ကုန်ပစ္စည်း အသစ် ရဲ့ ကြော်ငြာ လက်ခံ ရရှိပါတော့မယ်။ စျေးရောင်းမယ့် သူအဖို့ ကတော့ စားသုံးသူ နဲ့ ပတ်သတ် တာကို နည်းနည်းလောက် သိတယ် ဆိုရင်ပဲ သူတို့ အရောင်း ပိုင်းမှာ လိုအပ်တဲ့ ပြောင်းလဲ မှု တွေ လုပ်နိုင်ပါလိမ့်မယ်။ ဒီလို data စုဆောင်းတဲ့ အဖြစ်အပျက် တွေဟာ စားသုံးသူရဲ့ အသိ မပါဘဲ နဲ့ နောက်ကွယ် မှာ ဒီအတိုင်း ဖြစ်နေကြတာပါ။
တကယ်လို့ စာဖတ်သူ က ဒီ စာအုပ်ကို Online က မဝယ်ဘဲ စာအုပ်ဆိုင်က ဝယ်တယ် ထားပါအုံး။ စာအုပ်ဆိုင်ကို လာတဲ့ လမ်းမှာ ဖုန်းက ္GPS ဖွင့်ပြီး Google map ကိုသုံးနေမယ်။ ဒီလ်ု အခြေအနေ မျိုးဆိုရင် ကိုယ့်ရဲ့ တည်နေရာပြတဲ့ data တွေကို ninth decimal လို ကုမ္ပဏီမျိုးက ရသွားပါပြီ။ ဖုန်းက စာအုပ်ဆိုင် လမ်းတလျောက် ဖြတ်သန်းလာတာတွေကို မှတ်သားထားပြီး၊ စာအုပ်ဆိုင် ရောက်ဖို့ ဘယ်လောက်ကြာတယ်၊ စာအုပ်ဆိုင်မှာ စာအုပ် တစ်အုပ်ချင်းစီ ကို ဘယ်လောက်ကြာကြာ ကြည့်တယ်၊ ဘာစာအုပ် တွေကို ကြည့်တယ်၊ ဘယ်စာအုပ် ကိုတော့ မရွေးဘဲ နဲ့ ဒီစာအုပ်ကို တော့ ရွေးလိုက်တယ် အစရှိတဲ့ အချက်အလက် တွေကို မှတ်သား ထောက်လှမ်း ပါလိမ့်မယ်။ စာအုပ်ဖိုးကို ခရက်ဒစ် သို့ ဒက်ဘစ် ကဒ်နဲ့ပေးချေ တဲ့အခါ ဒီ ဝယ်ယူမှုကို ကိုယ့်အသုံးစာရင်း မှတ်တမ်း မှာ မှတ်တမ်းတင်ပါမယ်။ ဒီအချက်အလက် တွေကို ဘဏ် သို့ ခရက်ဒစ် ကဒ် ကုမ္ပဏီ တွေက data အကြီးအကျယ် စုဆောင်း တဲ့ ကုမ္ပဏီ တွေ ကို ရောင်းချ ပြီး ဒီ ကုမ္ပဏီ တွေကလဲ သူတို့ တတ်နိုင်သလောက် လက်ဆင့်ကမ်း ရောင်းချ ကြပါတယ်။
အခု စာဖတ်သူ က အိမ်ပြန်ရောက်ပြီး စာအုပ်ကို ဖတ်နေပြီ ဆိုပါစို့။ အိမ်မှာ ရှိတဲ့ ရိုဘော့ ဖုန်စုပ်စက် က ထိုင်နေတဲ့ ကုလားထိုင် သို့ ဆိုဖာ ရဲ့ တည်နေရာ ကို ထောက်လှမ်း မှတ်သားနေပါတယ်။ တကယ်လို့ အိမ်မှာ Alexa, Cortana , google assistance လိုမျိုး ပစ္စည်း တွေရှိရင် သူတို့က စာဖတ်သူ စာဖတ်ရင်း အကျယ်ကြီး အော်ရယ် လိုက်တာ၊ ငိုချလိုက်တာ အစရှိတဲ့ အသံ တွေကို ထောက်လှမ်း မှတ်သားပါတယ်။ တကယ်လို့ စာဖတ်သူ အိမ်မှာ စမတ် ရေခဲသေတ္တာနဲ့ ကော်ဖီ ဖျော်စက် ပါ ရှိရင်တော့ စာဖတ်ရင်း ကော်ဖီ ဘယ်နှစ်ခွက် သောက်လဲ ဆိုတာ ကိုပါ သိနေမှာပါ။
ဒီ data တွေကို အပြုအမူ ဆိုင်ရာ data တွေလို့ ခေါ်ပါတယ်။ Data ပေါင်းစပ် သူတွေက ဒီ data တွေကို အသုံးချပြီး သင် ဘယ်လ်ု လူမျိုးဆိုတာ ပုံဖော် နိုင်ပါတယ်။ ဒါက အရမ်းကို တိကျ ပြီး အဆုံးမရှိ အသုံးဝင်ပါတယ်။ ဒီ အချက်အလက် တွေကို သုံးပြီး ကုမ္ပဏီ တွေက သင့်ရဲ့ နေ့စဥ် လူနေမှု ပုံစံ နဲ့ကိုက်ညီ မယ့် ပစ္စည်းတွေ ထုတ် ကြပါတော့တယ်။ နိုင်ငံရေး သမားတွေကလဲ ဒီ အပြုအမူ ဆိုင်ရာ data တွေကို သုံးပြီး သင့်ဆီကို သင့်တော် တဲ့ အချိန် မှာ သတင်းစကားတွေ ပေးပို့ပါလိမ့်မယ်။ သင့်အနေနဲ့ကတော့ ဒီသတင်းစကား တွေကို မှန်လှချည်လား ဆိုပြီး တန်းလက်ခံ သွားမှာပါ။ သင့် ကလေးကို ကျောင်းက နေ ပို့ပြီးပြီးချင်း မှာ ရေဒီယို ကနေ ပညာရေး နဲ့ ဆိုင်တဲ့ ကြော်ငြာ တွေ လာတာ နားထောင် ဖူးပါသလား၊ ဒါတွေ အားလုံးဟာ တိုက်ဆိုင်တာ မဟုတ်ပါဘူး။ စနစ် တကျ စီစဥ် ဆောင်ရွက် ထားတာ တွေချည်းပါ။
နောက် အရေးကြီး တဲ့ အချက် တစ်ခုက သင့် data တွေကို ကုမ္ပဏီ တွေက ဝယ်လိုက်ပြီဆိုရင် သူတို့ ဝယ်ယူလိုက်တဲ့ ကုန်ကျစားရိတ် က ကြော်ငြာ ကုမ္ပဏီ တွေ က ဒီ data ကို ပြန်အသုံးပြု တဲ့ တန်ကြေး နဲ့ ယှဥ်ရင် မပြောပလောက်ပါဘူး။ သင့်ရဲ့ Data တွေက ဘယ်နေရာ က ဘယ်သူ မဆိုကို သင့်ကို ပစ်မှတ်ထားပြီး ကြော်ငြာ ပို့ဖို့အတွက် ခွင့်ပြုတာချည်းပါ။ သင့်ကို နိုင်ငံရေး၊ စီးပွားရေး၊ လူမှုရေး၊ အစရှိတဲ့ သတင်းစကား တွေကို သင့်တော်တဲ့ အချိန် မှာ သင့်တော် တဲ့ သတင်းစကား ပေးပို့နိုင်ဖို့ အတွက် အသုံးပြုပါတယ်။
ဒီလို သင့်ရဲ့ကိုယ်ရေး အချက်အလက် တွေကို ရောင်းချင် သလို ရောင်း ၊ သုံးချင်သလို သုံးနေတာ သိပေမယ့် သင့်အနေနဲ့ ဆန့်ကျင်ဖို့ အင်အား မရှိပါဘူး။ ဘာလို့လဲ ဆိုတော့ အခုအချိန် မှာ ဘာလုပ်လုပ် online ကနေ လုပ်ရတာ အရမ်းအဆင်ပြေ နေတာကိုး။ သင့်ရဲ့ ဒီလို အဆင်ပြေမှု အတွက် ပေးလိုက်ရတဲ့ ကုန်ကျစားရိတ် ကတော့ အရမ်းကို ကြီးမားပါတယ်။ သင့်ရဲ့ တန်ဖိုး ရှိတဲ့ data တွေကို အခြားသူ ကို အခမဲ့ပေးရတဲ့ အပြင် ဒီ အချက်အလက် အပေါ်ကနေ အမြတ်အစွန်း ပေါင်းများစွာ ရယူနေတာကိုလဲ ဒီအတိုင်းပဲ ထိုင်ကြည့်နေရတာပါပဲ။ သင်သတိမထား မိလိုက် တဲ့ မိနစ် တိုင်း မှာ အလကားပေးမိနေတဲ့ data တွေ အပေါ် မှာ ထရီလီယံ နဲ့ ချီတဲ့ ဒေါ်လာ တန်ဖိုး တွေ နဲ့ အကျိုးအမြတ် ရနေကြသူ တွေ အများကြီးပါ။ သင့်ရဲ့ data က မယုံနိုင်စရာ ကောင်းအောင် တန်ဖိုးကြီး ပါတယ်။ ဒါကို Cambridge Analytica က သင့်ထက်ရော၊ တချို့ client တွေထက်ရော ပိုသိနေပါတယ်။
Alexandra Tylor က ကျွန်မ ကို Cambridge Analytica ဘာလုပ်နိုင်လဲ လို့ သင်ပေးတုန်းက ကျွန်မ ထပ်သိလာတာ က ကျွန်မ တို့ ကုမ္ပဏီ က Big Data ရောင်းတဲ့ သူတွေဆီ က data ကို ဝယ်ယူသလို Client ရဲ့ သီးသန့် data တွေကိုလဲ အသုံးပြုပါတယ်။ client ရဲ့ သီးသန့် Data ဆိုတာ အပြင် Data စျေးကွက် မှာ ဝယ်လို့ မရနိုင်ဘဲ သူတို့အဖွဲ့ အစည်း အတွက် သူတို့ ကိုယ်တိုင် ရှာဖွေ ပြုစုထားတဲ့ Data ကို ဆိုလိုတာပါ။ ကျွန်မ တို့ရဲ့ ညှိနှိုင်း မှု အပေါ် မူတည်ပြီး ဒီ client ရဲ့ သီးသန့် data တွေဟာ သူတို့ ကိုယ်ပိုင် အဖြစ် ဆက်တည်ရှိ နိုင်သလို တခါတရံ မှာ ကျွန်မ တို့ ကုမ္ပဏီ ရဲ့ ညာဏ ပိုင်ဆိုင်ခွင့် ဖြစ်လာပါတယ်။ အဓိပ္ပာယ်ကတော့ ကျွန်မ တို့ရဲ့ ညာဏ ပိုင်ဆိုင်ခွင့် ဖြစ်လာရင် ဒီ data တွေကို ကျွန်မ တို့ ရဲ့ ကိိုယ်ပိုင်လို အသုံးပြုတာ၊ ရောင်းချတာ၊ တွေ ပြုလုပ်နိုင်ပါတယ်။
ဒါက အမေရိက အတွက် ထူးခြားတဲ့ အခွင့်အရေး ဖြစ်ခဲ့ပါတယ်။ ယူကေ၊ ဂျာမနီ၊ ပြင်သစ် နိုင်ငံ တွေရဲ့ Data ဥပဒေအရ ဒီလို လွတ်လပ်ခွင့် မရှိပါဘူး။ အမေရိကားက Cambridge Analytica အတွက် တော့ စားကျက်မြေ လိုဖြစ်လာပါတယ်။ Nix ကတော့ အမေရိကား ရဲ့ Data စျေးကွက် ကို Wild West လို့ ခေါ်နေတော့တာပါပဲ။
Cambridge Analytica က ရှိပြီးသား data တွေကို နောက်ရလာတဲ့ data point တွေ နဲ့ ပေါင်းစပ် ပြီး ပုံမှန် အပ်ဒိတ် လုပ်နေချိန် မှာပဲ ကျွန်မ တို့ client တွေ၊ data ရောင်းချသူတွေ နဲ့ သဘောတူညီ မှု ရပါတယ်။ သဘောတူညီ ချက် အပေါ် မူတည် ပြီး Data sets တွေက မီလီယံ ဒေါ်လာ တန်နိုင်သလို တစ်ပြားမှ မတန် တာမျိုးလဲရှိပါတယ်။ ဘာလို့လဲ ဆိုတော့ CA ရဲ့ သီးသန့် data ကိုလဲ တခြား ကုမ္ပဏီ ရဲ့သီးသန့် data နဲ့ အပြန်အလှယ် လဲလှယ် တဲ့ သဘောတူညီ ချက် တွေလဲ ရှိတတ်လို့ပါ။ ဥပမာ info group ဆိုရင်ပ ရဟိတ အဖွဲ့အစည်း တွေနဲ့ data လဲလှယ် တဲ့ ပူးပေါင်းဆောင်ရွက် မှု ရှိပါတယ်။ ပရဟိတ အဖွဲ့တွေက info group ကို သူတို့ဆီ မှာ ရှိပြီးသား အလှုရှင် တွေရဲ့ အချက်အလက် တွေ ဖြစ်တဲ့ တစ်ယောက်ချင်းစီရဲ့ အလှုငွေ စာရင်း ကို ပေးလိုက်ရင် အပြန် အလှန် အနေနဲ့ into group က သူတို့ စုဆောင်းထားတဲ့ အလှုရှင် စာရင်းကို ပြန်ပေးပါတယ်။ အလှုရှင် စာရင်း အပြင် အလှုရှင် တွေရဲ့ အမူအကျင့်၊ သူတို့ရဲ့ နှစ်စဥ် လှူနိုင်မယ့် ပမာဏ၊ သူတို့ လှုလေ့လှူထ ရှိတဲ့ လူမှုရေး ခေါင်းစဥ် တွေ အစရှိသဖြင့်ပေါ့။
Cambridge Analytica ရဲ့ နေရာ အသီးသီး က စုဆောင်းရရှိထားတဲ့ Data တွေ ကနေ ဖြစ်ပေါ်လာတဲ့ ဧရာမ database ကြီး က CA နဲ့ ပြိုင်ဘက် တွေ ကွာခြားစေတဲ့ အကြောင်းချင်းရာ ပါပဲ။ ကျွန်မ တို့ ပိုင်ဆိုင် နေတဲ့ Data ပမာဏ ကြီးက ကျွန်မ တို့ အလုပ်အတွက် အရေးကြီး တဲ့ အြေခခံ အုတ်မြစ် ဖြစ်ပါတယ်။ ဒီ data တွေကနေ ခွဲခြမ်း စိတ်ဖျာတာကို ကျွန်မ တို့ Psychographic ( စိတ်ပညာရပ်ဆိုင်ရာ အုပ်စု ဖွဲ့ခြင်း) လို့ ခေါ်ပါတယ်။ ဒါကပဲ CA ရဲ့ အလုပ်တွေ တိကျ ပြီး ထိရောက် စေဖို့ အကူအညီ ပေးနေတာပါ။
Psychographic ဆိုတဲ့ အသုံးအနှုန်းကို ဖန်တီးခဲ့တာက လူတစ်ဦးချင်းရဲ့ ကိုယ်ရည် ကိုယ်သွေး အမှတ်ပေးစနစ် ကို ကျွန်မ တို့ မှာ ရှိနေတဲ့ Database အပေါ် အသုံးချ ပြီး ထွက်ပေါ်လာတဲ့ ရလဒ် တစ်ခုပါ။ Analytic Tools တွေကို သုံးပြီး လူတစ်ဦးချင်းစီ ရဲ့ ရှုပ်ထွေးတဲ့ ကိုယ်ရည် ကိုယ်သွေး အမူအကျင့် ကို ခွဲခြမ်းစိတ်ဖြာပါတယ်။ ပြီးတော့ CA ရဲ့ စိတ်ပညာရှင် တွေက နေ ဒီ မတူတဲ့ ကိုယ်ရည် ကိုယ်သွေး ရှိတဲ့ လူတစ်ယောက် စီ တုန့်ပြန် နိုင်မယ့် လှုံဆော် မှု တွေကို ရှာဖွေ ပါတယ်။ နောက်ဆုံး CA ရဲ့ ဖန်တီးမှု ဆိုင်ရာ ဌာန က မတူ ကွဲပြားတဲ့ ကိုယ်ရည်ကိုယ်သွေး ရှိသူ တစ်ဦးချင်း စီကို ပစ်မှတ်ထားတဲ့ သတင်းစကား တွေကို မီဒီယာ မျိုးစုံ သုံးပြီး ဖန်တီးပါတယ်။ ဒါကို အပြုအမူဆိုင်ရာ အသေးစိတ် ပစ်မှတ်ထားခြင်း behavioral Micro Targeting လို့ ခေါ်ပါတယ်။
ဒီ ္brhavioral microtargeting ဆိုတဲ့ စကားလုံးကို CA က ပထမမဆုံး ကုန်အမှတ် တဆိပ် မှတ်ပုံတင် အသုံးပြုခဲ့တာပါ။ ဒီနည်းလမ်း နဲ့ ပစ်မှတ်ထားရမယ့် လူအုပ်စု ကို သူတို့ရဲ့ တူညီ တဲ့ ကိုယ်ရည်ကိုယ်သွေး အမူအကျင့် တွေ အပေါ် မှာ သီးသန့် ပြင်ဆင် ထားတဲ့ သတင်းစကား ကို ထပ်ခါ ထပ်ခါပို့ပါတယ်။ သတင်းစကား ပေးချင်တဲ့ Message တစ်ခုတည်းကိုပဲ မသိမသာ နည်းနည်း ပြုပြင်လိုက်၊ ပုံစံ နည်းနည်း ပြောင်းလိုက်နဲ့ လိုချင် တဲ့ ရလဒ် မထွက်မချင်း ပေးပို့နေ တဲ့ နည်းလမ်းပါ။ ရွေးကောက်ပွဲ မှာတော့ ကျွန်မ တို့ ပနေနဲ့ လူတွေကို ရွေးကောက်ပွဲ ရံပုံငွေ ထည့်ချင်တယ်၊ ကိုယ့် ဘက် က ကိုယ်စားလှယ်လောင်း အကြောင်း နဲ့ လက်ရှိ ဖြစ်နေတဲ့ ပြဿနာ တွေကို လူတွေ သိစေချင်တယ်၊ နောက်ဆုံး လူတွေ ရွေးကောက်ပွဲ နေ့မှာ မဲရုံကို ရောက်လာပြီး ကျွန်မ တို့ရဲ့ ကိုယ်စားလှယ် ကိုပဲ မဲပေးရမယ်။ ဒီလို ရလဒ် တွေ အတွက် အပြုအမူ ဆိုင်ရာ အသေးစိတ် ပစ်မှတ်ထားခြင်း နည်းလမ်း ကို အသုံးပြုခဲ့ပါတယ်။ တချို့ ကမ်ပိန်း တွေ မှာ တော့ တချို့ လူအုပ်စု ကို မဲရုံ မသွားဖြစ် အောင် တားဆီး ရတာ မျိုးလဲ ရှိပါတယ်။
Taylor ဖြစ်စဥ် တစ်ခုလုံးမှာ အသေးစိတ် ရှင်းပြခဲ့သလို CA အနေန ဲ့ Facebook အသုံးပြုသူတွေရဲ့ Data တွေကို Sex compass, Musical Walrus တို့လို ကိုယ်ရည် ကိုယ်သွေး စစ်တမ်း နဲ့ ရယူနိုင်ခဲ့တယ်။ ဒီ ပရိုဂရမ် တွေကို တခြား အပြင် က ပရိုဂရမ်မာ တွေ နဲ့ ရေးဆွဲ ခဲ့ပြီး ရလာတဲ့ data တွေကို Experian လို Data ရောင်းချ သူတွေ က ရတဲ့ Data တွေနဲ့ ပေါင်းစပ်ခဲ့ပါတယ်။ ပြီးတော့ သန်းနဲ့ချီ ရှိတဲ့ လူတွေကို သူတို့ တစ်ဦးချင်းစီရဲ့ ကိုယ်ရေး အချက် တစ်ထောင် ကျော် ပေါ်ကနေ OCEAN အမှတ်ပေး စနစ် ကို သုံးပြီး အမှတ် ပေးခဲ့ပါတယ်။
OCEAN အမှတ် ပေးနည်းဆိုတာ တက္ကသိုလ် တွေရဲ့ အပြုအမူ ဆိုင်ရာ သုတေသန နဲ့ လူမှုရေး စိတ်ပညာ ရပ်တို့ ပေါင်းစပ် ပြီး ပေါ်ထွက်လာတဲ့ အမှတ်ပေးနည်း စနစ် ဖြစ်ပါတယ်။ CA ကတော့ ဒီ နည်းကို သုံးပြီး လူတစ်ဦးချင်းစီရဲ့ ကိုယ်ရေး အတ္ထုပတ္တိ ကို တည်ဆောက်ပါတယ်။ ကိုယ်ရည် ကိုယ်သွေး စစ်တမ်း တွေနဲ့ ရရှိခဲ့တဲ့ တစ်ဦးချင်းဆိုင်ရာ အချက်အလက် တွေ ပေါ် မူတည် ပြီး CA အနေဲ့ လူတစ်ဦးချင်းစီ ရဲ့ ကိုယ်ရည်ကိုယ်သွေးကို အခုလို ခွဲခြမ်းစိတ်ဖြာ ပါတယ်။ O - open ပွင့်လင်း တဲ့ ပုံစံလား၊ C- conscientious ၊ စေ့စပ်သေချာ သူလား၊ E-extroverted၊ အပေါင်းအသင်းဆန့်ပြီး ဖော်ရွေ သူလား၊ A- Agreeable ၊ သဘောတူ လွယ်သူလား၊ N-Neurotic ၊စိတ်ပူပန် တတ်သူလား ဆိုတဲ့ အချက် တွေ အပေါ် လူတစ်ဦးချင်းရဲ့ ကိုယ်ရည်ကိုယ်သွေး အတိမ်အနက် ဒီဂရီ ကို အမှတ်ပေးပါတယ်။ CA က OCEAN ပုံစံ တည်ဆောက် ပြီးတာနဲ့ Database ထဲ မှာ ရှိပြီးသား လူတွေ ရဲ့ အချကိအလက် တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး အုပ်စု ခွဲပါတယ်။ CA က လူသန်းပေါင်းများစွာ ကို ရရှိထားတဲ့ Data တွေနဲ့ OCEAN အမှတိပေး နည်းကို သုံးပြီး လူ တစ်ဦးချင်းက O ,C, E, A,N ထဲက ဘယ်လို အမျိုးအစား လဲ ၊ ဒါမှ မဟုတ် တစ်ခု ထက်ပိုတဲ့ ပုံစံ ပေါင်းစပ် နေသူ တွေလား၊ ဥပမာ လူတစ်ယောက် က OC လား၊ OA လား၊ EA လား အစရှိသည်ဖြင့် ခွဲခြားလို့ ရသွားပါတယ်။
ဒီ ္OCEAN အမှတ်ပေး စနစ် ကနေ တဆင့် CA က လူတွေ ရဲ့ အကြောင်း ကို လေ့လာဖို့ အဆင့် ၅ ဆင့် နဲ့ ချည်းကပ်နည်း ပုံစံကို ကျင့်သုံးခဲ့ပါတယ်။
ပထမ အဆင့် အနေနဲ့ CA က လူတွေ ကို အုပ်စု ခွဲရာမှာ ဘယ်ကုမ္ပဏီ မှ မလုပ်နိုင်တဲ့ အဆင့်အတန်းမြင့်ပြီး ပိုပြီး အသေးစိတ် ကျတဲ့ အချက် တွေ ပေါ် အခြေခံ ပြီး အုပ်စု ခွဲ နိုင်ခဲ့ပါတယ်။ တခြား ကုမ္ပဏီ တွေ အနေနဲ့လဲ လူတွေ ကို အုပ်စု ခွဲရာမှာ သူတို့ရဲ့ နေရပ်၊ လိင်၊ လူမျိုး၊ အစရှိတဲ့ အခြေခံ အချက် တွေထက် ပိုတဲ့ နည်းလမ်း တွေနဲ့ ခွဲခြားနိုင်ပါတယ်။ ဒါပေမယ့် သူတို့ အနေနဲ့ လူတွေကို သူတို့ရဲ့ နိုင်ငံရေး ပါတီ ထောက်ခံမှု၊ လက်ရှိ ပြဿနာ ရပ်တွေ အပါ် ထင်မြင် မှု တွေ အပေါ် အုပ်စု ခွဲတော့မယ် ဆိုရင် လူထု စစ်တမ်းလို မျိုးတွေ ပြုလုပ်ပြီး ခွဲခြားပါတယ်။ OCEAN အမှတ်ပေးစနစ် က အသေးစိတ် ဆန်ပြီး သိမ်မွေ့တော့ CA အနေနဲ့ လူတွေ ရဲ့ အကြောင်းကို အချိန် ကာလ တစ်ခု တည်း အတွက် တင်မဟုတ်ဘဲ အုပ်စု တစ်ခုစီ မှာရှိတဲ့ လူတွေ ရဲ့ ဘဝ တလျောက် လုံး အကြောင်းအရာ တွေပါ စိသလို ဖြစ်နေပါတယ်။ တချို့ လူတွေက မွေးကတည်းက ပွင့်လင်း ပြီး အလွယ် တကူ သဘောတူညီ မှု ရယူနိုင်တဲ့ ပုံစံပါ။ တချို့ကြတော့ စိတ်ပူပန် တတ်ပေမယ့် လူမှု ဆက်ဆံရေး ကောင်းမွန်ပြီး ဖော်ရွေ ကြပါတယ်။ တချို့ ကြပြန်တော့ စေ့စပ်သေချာ ပြီး ပွင့်လင်း တဲ့ အမျိုးအစား ဖြစ်ပါတယ်။ ဒီ OCEAN ကို တွဲကြည့်ရင် စုစုပေါင်း အုပ်စု ၃၂ ခု ရှိပါတယ်။ လူတစ်ယောက် ရဲ့ ပွင့်လင်းမှု အမှတ် က ဒီလူဟာ အတွေ့အကြုံ သစ်တွေကို နှစ်ခြိုက်သူလား၊ ဒါမှမဟုတ် ရိုးရာ အစဥ်အလာ တွေကိုပဲ ပိုပြီး ဂရူစိုက် နှစ်ခြိုက်သလားဆိုတာ ကို ညွှန်ပြပါတယ်။ C- စေ့စပ်သေချာ မှု အမှတ်ကတော့ ဒီလူဟာ အစီအစဥ် တွေဆွဲပြီး လုပ်ရတာ ကြိုက်သလား၊ ရုတ်တရက် ထလုပ်ရတာမျိုးကို နှစ်ခြိုက်လားဆိုတာ ကို ညွှန်ပြ ပါတယ်။ E- လူမှု ဆက်ဆံရေး အမှတ်ကတော့ ဒီလူက အခြားလူတွေနဲ့ ဆက်ဆံရတာ ကြိုက်နှစ်သက်လား၊ အဖွဲ့အစည်း နဲ့ အတူတူ အလုပ်လုပ်ချင်သလား ဆိုတာ ပြပါတယ်။ A- သဘောတူညီမှု အမှတ်ကတော့ လူတစ်ယောက် က ကိုယ့်ထက် သူများကို ဦးစားပေး စဥ်းစား တတ်သလားဆိုတာ ကို ညွှန်ပြပါတယ်။ N- စိတ်ပူပန် မှု အမှတ်ကတော့ လူတစ်ယောက် က ဆုံးဖြတ်ချက် ချရတော့မယ့် အချိန် မှာ သူ့ရဲ့ အကြောက်တရား က ဘယ်လောက် လွှမ်းမိုးလဲ ဆိုတာ ကို ပြဆို နေပါတယ်။
လူတွေကို ခွဲခြား ပြီး စီထားတဲ့ အုပ်စုခွဲ တွေ ပေါ်မူတည် ပြီးတော့ CA က လူတွေ စိတ်ဝင်စားမှု ပြတဲ့ ပြဿနာ တွေကို တစ်ဦးချင်း စီရဲ့ အချက်အလက် မှာ ထပ်ပေါင်းထည့်ပါတယ်။ လူတွေ ဘယ်ပြဿနာ ကို စိတ်ဝင်စားလဲ ဆိုတာ ကိုတော့ facebook ရဲ့ ဘယ်အကြောင်းအရာ ကို Like ပေးတယ်၊ ဘယ်အရာ ကိုတော့ love ပေးတယ် အစရှိတဲ့ data တွေကနေ ရယူပါတယ်။ ပြီးတော့ အုပ်စု တစ်ခု စီကို ပိုပြီး အနုစိတ် တဲ့ အုပ်စုတွေ အဖြစ် ထပ်ခွဲ ပါတယ်။ ဥပမာ အသက် ၃၄ နှစ်ရှိ လူဖြူ အမျ်ုးသမီး ၂ ဦး မေစီ ဆိုင်မှာ စျေးဝယ်တယ် ဆိုတဲ့ data ကိုကြည့်ရင် ဒိ အမျိုးသမီး ၂ ဦးက တစ်ယောက်တည်း ၊ တစ်ပုံစံတည်း လိုပါပဲ။ ထပ်ပြီး စိတ်ခံစားမှု ပရိုဖိုင်၊ သူတို့ရဲ့ လူနေမှု ပုံစံ data ၊ သူတို့ရဲ့ မဲပေး မှတ်တမ်း၊ Facebook ရဲ့ like ပေးမှု နဲ့ အကြွေးစာရင်း မှတ်တမ်း တွေပါ ထည့်စဥ်းစားလ်ုက်မယ် ဆိုရင် ဒီ အမျိုးသမီး ၂ ဦး က မတူ ခြားနား တဲ့ သဘောသဘာဝ
ရှိသူ ၂ ဦး ဆိုတာ ပေါ်လွင်လာပါတယ်။ တစ်ယောက် နဲ့ တစ်ယောက် တူပါတယ် ဆိုတဲ့ လူတွေတောင် တကယ် အုပ်စုခွဲ ကြည့်ရင် မတူတာ တွေ့ရပါတယ်။ အဲလို မတူ ကွဲပြားနေသူ တွေကို သတင်းစကား တစ်ခု တည်း ပို့လို့မရပါဘူး။ ဒီ လူ လူအချင်းချင်း မှာ မတူကွဲပြားတာတွေရှိတယ်၊ မတူသူတွေကို သတင်းစကား တခုတည်း ပို့လို့မရဘူးဆိုတဲ့ အယူအဆ က ကြော်ငြာ ကုမ္ပဏီ မှာ အရင်ကတည်း က ရှိပါတယ်။ ဒါပေမယ့် မတူကွဲ ပြားသူတွေကို ဘယ်လ်ု ခွဲခြားမယ် ဆိုတာ သူတို့ မသိခဲ့ကြတာပါ။
ဒုတိယ အနေနဲ့ CA က နိုင်ငံရေး ၊ စီးပွားရေး client တွေကို တိကျ ပြီး ခန့်မှန်းနိုင်တဲ့ တွက်ချက် မှု ထုတ်ပေးပါတယ်။ ဒီ တွက်ချက် မှုကပဲ CA နဲ့ တခြား ကုမ္ပဏီ တွေ ကွာသွားတဲ့ အချက်ပါ။ Dr Alex Taylor, Dr Jack Gillet နဲ့ တခြား data scientists တွေက တွက်ချက် မှု အသစ် တွေ တစ်ခုပြီး တစ်ခု စမ်းသပ်ပြီး စိတ်ပိုင်းဆိုင်ရာ အမှတ် ထက်ပို တဲ့ တွက်ချက် အမှတ်ပေးပုံကို ထုတ်လုပ်နိုင်ခဲ့ကြပါတယ်။ အမေရိကား မှာ ရှိနေတဲ့ လူတိုင်း အတွက် အမှတ်တွေကို တွက်ချက် နိုင်ခဲ့ပါတယ်။ သူတို့တွက်ချက် အမှတ်ပေးပုံက ဥပမာ လူတစ်ယောက် မဲပေးဖို့ ရာခိုင်နှုန်းကို အမှတ် ၀ ကနေ ၁၀၀ အထိ တွက်ပြတာမျိုးပါ။ ဒါ့အပြင် လူတစ်ယောက် က ဘယ်နိုင်ငံရေး ပါတီ ပေါ်ထောက်ခံနေလဲ ကနေ ဘယ်သွားတိုက်ဆေး တံဆိပ် ကြိုက်သလဲ ဆိုတာ အထိ သူတို့ တွက်ချက်နိုင်ပါတယ်။ CA အနေနနဲ့ လူတစ်ယောက် က online မှာ ပိုက်ဆံ လှူဖို့ အတွက် နှိပ်ရမယ့် ခလုတ်က အနီရောင် ဆို ပိုလှုဖြစ်လား၊ အပြာရောင် ဆိုရင်ရော လှူဖြစ်မှာလား ဆိုတာ အထိ သိနေပါတယ်။ ပတ်ဝန်းကျင် ဆိုင်ရာ ပြဿာနာနဲ့ သေနတ် အခွင့်အရေး ဘယ်ဟာကို ပိုစိတ်ဝင်စား လဲ ဆိုတာကိုလဲ သိတာပါပဲ။ လူတွေကို ခန့်မှန်း တွက်ချက်ထားတဲ့ အမှတ်တွေအရ လူတွေကို အုပ်စုခွဲပါတယ်။ CAရဲ့ ဒစ်ဂျစ်တယ် ဗျူဟာ အဖွဲ့နဲ့ Data scientists တွေ သူတို့ ရဲ့ တွက်ချက် မှု အပေါ် ထပ်ခါ ထပ်ခါ ပြန်လည် မွမ်းမံကြပြီး သူတို့ ပေးလိုက်တဲ့ အမှတ်တွေ အပေါ် ယုံကြည်မှု ၉၅%အထိ ရှိလာအောင် လုပ်နိုင်ခဲ့ကြပါတယ်။
ဒီလ်ု အမှတ် နဲ့ ခွဲလိုက်တဲ့ လူအုပ်စုတွေကို CA မှာတော့ Audience , ပရိတ်သတ် လို့ ခေါ်ပါတယ်။
တတိယ အနေန ဲ့ တွက်ချက် မှုတွေ ကို လေ့လာပြီးတော့ CA က ကြားခံ အဖြစ် ္Twitter, Facebook, Pandora ( သီချင်း ) , youtube တို့ကို သုံးပြီး ပစ်မှတ်ထားမယ့် လူတွေ သူတို့ရဲ့ အချိန် တွေကို ဘယ်မှာ အသုံးပြုလဲဆိုတာ ကို ထောက်လှမ်းပါတယ်။ လူတစ်ယောက် စီကိုဆက်သွယ်ဖို့ ဘယ်နေရာက အကောင်းဆုံး နည်းလမ်း လဲ? လူကိုယ်တိုင် ဒါမှမဟုတ် စာတိုက်ကနေ စာထည့်တဲ့ နည်းဖြစ်ချင် ဖြစ်မယ်။ TV ကြော်ငြာ သို့မဟုတ် Google search engine ကို သုံးရင်း ပေါ်လာတဲ့ ကြော်ငြာလဲ ဖြစ်နိုင်ပါတယ်။ CA က google ကနေ အသုံးပြုသူတွေ ရှာတဲ့ စကားလုံး စာရင်းကို ဝယ်လိုက်တော့ Google အသုံးပြုသူတွေ သူတို့ ရှာချင် တဲ့ စကားလုံး ရိုက်ထည့်လိုက်တာနဲ့ CA က နေ တန်းပြီး ကြော်ငြာ ၊ သတင်းဆောင်းပါး အစရှိတာတွေကို သူတို့ရဲ့ အင်တာနက် ဘရောက်စာ မှာ ပေါ်အောင် ပေးပို့ ပါတော့တယ်။
စတုတ္ထ အဆင့် ကတော့ CA ကို ပြိုင်ဘက် တွေထက်၊ ကမ္ဘာပေါ် က နိုင်ငံရေး အကြံပေး ကုမ္ပဏီ တွေထက် ခေါင်းတစ်လုံးသာ စေတဲ့ အဆင့် ဖြစ်ပါတယ်။ CA အနေနဲ့ ပစ်မှတ်ထားသူ တွေကို ဆက်သွယ်နိုင်မယ့် နည်းလမ်း တွေ သိရုံအပြင် ဒီ နည်းလမ်း တွေရဲ့ ထိရောက်မှုကို စမ်းသပ်နိုင်ခဲ့မှုပါ။ CA က တီထွင်ထားတဲ့ Rippon လို ပရိုဂရမ် မျိုးပေါ့။ Rippon က တအိမ်တက်ဆင်း မဲဆွယ် မယ့်သူတွေ၊ ဖုန်း နဲ့ မဲဆွယ် မယ့်သူတွေ အတွက်ပါ။ သူတို့ မဲဆွယ် မယ့် အိမ်တခါးဝ မရောက်ခင်၊ ဖုန်း ခေါ်ဆိုမှု မလုပ်ခင် မှာကို သူတို့ ဆက်သွယ်မယ့် သူရဲ့ ကိုယ်ရေး အချက်အလက် အားလုံးကို Rippon ကထုတ်ပေး ပါတယ်။ Data တွေကို မြင်သာ အောင် လုပ်ထားတဲ့ ပရိုဂရမ် တွေကလဲ အိမ်တစ်အိမ် ကို တခါးသွားမခေါက်ခင်၊ ဖုန်းခွက် ကို မကိုင်လိုက်ခင် မှာ ဒီ အိမ်နဲ့ ပတ်သတ် ပြီး ဘယ်လို မဲဆွယ် ဗျူဟာ ချမှတ် ရမယ် ဆိုတာ ကို အကူအညီပေး ပါတယ်။
အဲဒီနောက် မှာ ကမ်ပိန်း တစ်ခု လုံးကို CA ရဲ့ ဒီဇိုင်းဌာန က ပြင်ဆင်ထားတဲ့ မဲဆွယ် သတင်းစကား တွေ နဲ့ ပြင်ဆင်ပါတယ်။ နောက်ဆုံး ပဥ္စမ မြောက် အဆင့်ကတော့ Micro Targeting , အနုစိတ် ပစ်မှတ်ထားခြင်း ဗျူဟာ ပါ။ ဗွီဒီယို၊ အသံ၊ သီချင်း၊ ကြော်ငြာ စာရွက် တွေ အသုံးပြုပြီး ပစ်မှတ်ထားရမယ့် သူ တစ်ဦးချင်းဆီ ကို ဆက်သွယ်ပါတယ်။ အသုံးပြုတဲ့ မဲဆွယ် သတင်းစကား တွေကို အလျိုအလျောက် ပြောင်းလဲ တဲ့ စနစ်ကို သုံးပြီး တခါနဲ့ တခါ မနူအောင် ပြုပြင်ပါတယ်။ ဒီလို လုပ်ချင်း အားဖြင့် ပစ်မှတ်ထားလိုက် တဲ့သူ က ဒီ သတင်းစကား တွေကို အဓိပ္ပာယ် ရှိရှိ နဲ့နောက်ဆုံးမှာ လက်ခံလာမယ် ဆိုတာ ကို ကျွန်မ တို့ နားလည် ကြပါတယ်။ သတင်းစကား တစ်ခု တည်းကိုပဲ ပုံစံ ကွဲ ပေါင်း ၂၀ ကနေ ၃၀ အထိ ပြုပြင်ပြီး လူမှု မီဒီယာ တွေရဲ့ တခါနဲ့ တခါ မတူညီ တဲ့နေရာ တွေ ကနေ တဆင့် လူတစ်ဦးတည်းကို အကြိမ်ရေ ၃၀ ထက်မနည်း ပို့တာပါ။ ကျွန်မ တို့ CA ရဲ့ တီထွင် ဖန်တီးဌာန က ဒီ သတင်းစကား တွေကို အမြဲ ဆန်းသစ် အောင် တီထွင် နေပြီး ဒီ လူတစ်ယောက် တည်းကို နောက်တကြိမါ ပို့ရင် ဘယ်နည်းလမ်း နဲ့ ပို့ရမလဲ ဆိုတာ သိပါတယ်။
CA ရဲ့ ကမ်ပိန်း ထိန်းချုပ်ရေး အခန်း မှာတော့ ရှုပ်ထွေး အဆင့်အတန်း မြင့်တဲ့ Data dashboard ်တစ်ခု ရှိပါတယ်။ အဲဒီမှာ အချိန် နဲ့ တြေပးညီ ဖြစ်ပေါ်နေတဲ့ Data အခြေအနေ တွေ ဖော်ပြနေပါတယ်။ ကမ်ပိန်း မန်နေဂျာ တွေအတွက် ပေးပို့လိုက်တဲ့ သတင်းစကား တစ်ခု က အလုပ်ဖြစ်နေလား၊ ဒီ ပေးပို့လိုက်တဲ့ အပေါ် လူတွေက ကလစ်နှိ ပ်ပြီး ကြည့်ကြလား၊ Share သို့မဟုတ် comment ပေးကြလားဆိုတာ တွေ အချိန်နဲ့ တပြေးညီ တိုက်ရိုက် ထုတ်လွှင့်နေပါတယ်။
ဒီ အခန်းထဲ မှာ ရှိသူအားလုံးရဲ့ မျက်စိရှေ့မှာပဲ ဘယ်ဟာ ကတော့ အလုပ်ဖြစ်တယ်၊ ဘယ်ဟာ အလုပ်မဖြစ်ဘူး၊ သူတို့ လိုချင်တဲ့ ရလဒ်အတိုင်း ဖြစ်လာလား၊ ပိုကောင်းအောင် ဗျုဟာ ကို ဘယ်လ်ုချမှတ်ရမလဲ ဆိုတာ တွေကို screen မှာ တိုက်ရိုက် တွေ့နေရပါတယ်။ ဒီလို နည်းပညာ တွေသုံးပြီး CA အနေနဲ့ ကမ်ပိန်း တစ်ခု အောက်မှာ ရှိတဲ့ ကမ်ပိန်း အခွဲပေါင်း ၁ သောင်းကျော် ရဲ့ အခြေအနေကို အခန်း တခန်းတည်းကနေ စောင့်ကြည့်နေလို့ ရပါတယ်။
CA လုပ်ခဲ့သမျှက သက်သေ ပြနိုင်တဲ့ အရာချည်းပါပဲ။ CA က သူ့ရဲ့ client ကို ဘာတွေ လုပ်ခဲ့လဲ၊ ဘယ်သူတွေကို ဆက်သွယ်ခဲ့လဲ၊ ပစ်မှတ်ထားသူတွေရဲ့ ရာခိုင်နှန်း ဘယ်လောက် က ကိုယ်ဖြစ်စေချင် တဲ့ ရလဒ်အတိုင်း တုန့်ပြန် ကြတဲ့ အစရှိတဲ့ ရှင်းလင်း ပြတ်သား တဲ့ ရလဒ်ကို ပြနိုင်ပါတယ်။
ဒါတွေ အားလုံးက ခေတ်ပြောင်းတော်လှန်ရေးလိုပါပဲ။
Alex Taylor ကျွန်မ ကို ဒါတွေ အားလုံးပြောပြချိန် က ကျွန်မ ဘာပြောရမှန်းမသိအောင် ဆွံ့အ နေခဲ့ပြီး တချိန်တည်းမှာပဲ ဒီလုပ်ငန်း တွေအပေါ် အရမ်းကို စိတ်ဝင်စားခဲ့ပါတယ်။ ကျွန်မ အတွက်တော့ Edward Snowden ပြောခဲ့ဖူးတဲ့ အမေရိကားမှာ အကြီးအကျယ် စောင့်ကြည့်မှုကြီး ဖြစ်နေတယ် ဆိုတဲ့ စကားကို ပြန်ကြားယောင်မိပေမယ့် အမေရိကားရဲ့ Data တွေကို ဘယ်လို စုဆောင်းနေတယ် ဆိုတာ မသိခဲ့ပါဘူး။ Taylor ကတော့ ကျွန်မ ကို အခု ကျွန်မ မြင်နေရတာတွေ အားလုံးဟာ ဒီလို ပဲ ဖြစ်ရမှာပဲလို့ ပေါ့ပေါ့ပါးပါးပါး ရှင်းပြပါတယ်။
ဒါတွေ အားလုံးက အဓိပ္ပာယ်မရှိ တာ မဟုတ်သလို အရာအားလုံးက စိတ်ညစ်စရာ အမှောင်ဘက်ခြမ်း မှာ ရှိနေတာတော့ မဟုတ်ပါဘူး။ Data စီးပွားရေး ဆိုတာ ဒီလိုပဲ စီးဆင်းနေရမှာ ဖြစ်ပါတယ်။ မကြာခင် ကျွန်မ နားလည်လာတာက ကျွန်မ ရဲ့ ရည်ရွယ်ချက် တွေ အထမြောက်ဖို့ Big Data ရဲ့ အခန်း ကဏ္ဍ မပါဘဲ လဲ ခဲယဥ်းတယ် ဆိုတာကိုပါ။ ကျွန်မ လူသိခံချင်တယ်၊ ကြော်ကြားချင်တယ်၊ အရာရောက်ချင်တယ်၊ ဟုတ်ပါတယ်၊ အဲဒီအချိန် ကတော့ ကျွန်မ ဖြစ်ချင်တာတွေထက် ပိုပြီး မစဥ်းစား နိုင်ခဲ့ပါဘူး။
CA ရဲ့ အဆင့် ၅ ဆင့် အောင်မြင်မှု ပြီးမှာတော့ 2015 မှာပဲ အပြောင်းအလဲ တစ်ခု ဖြစ်ခဲ့ပါတယ်။ Facebook က April 30 ကနေ စပြီး သူ့ရဲ့ အသုံးပြုသူ data တွေကို ပြင်ပ ကုမ္ပဏီ တွေ Friend API ကတဆင့် ယူသုံးနေတာကို ရပ်တန့်ပစ်မယ် ဆိုတဲ့ သတင်းပါ။ ဒါက Dr Taylor တို့ရဲ့ facebook ကနေတဆင့် Data စုဆောင်းခြင်းကို အများကြီး ထိခိုက်စေပါတယ်။ Dr Taylor အနေနဲ့ Friend API ကတဆင့် Facebook အသုံးပြုသူ data တွေ မရနိုင်တော့သလို Sex compass, Musical Walrus ပရိဂရမ် တွေကနေလဲ မရနိုင်တော့ပါဘူး။
April 30 မတိုင်ခင် သူ့အနေနဲ့ ရသမျှ Data တော့ ရအောင်ယူရမှာပဲ လို့ Dr Taylor က ကျွန်မ ကို ပြောပါတယ်။
ဒီလို ဖြစ်တာ CA တစ်ခုတည်း မဟုတ်ပါဘူး။ တကမ္ဘာလုံးက Data စုဆောင်းသူ တွေ အားလုံး ဝရုန်းသုံးကား ဖြစ်ကုန်ကြပါတယ်။ Facebook က တံတိုင်းတွေ ကာရံထားတဲ့ ဥယျဥ် ကြီးလို ဖြစ်သွားပါပြီ။ April 30 နောက်ပိုင်း မှာတော့ data စုဆောင်းတဲ့ ကုမ္ပဏီ တွေ က သူတို့ မှာ စုဆောင်းပြီးသား data ကို ဆက်အသုံးပြုနိုင်ပါမယ်။ ဒါပေမယ့် Data အသစ်တွေကိုတော့ သူတို့ ထပ်ပြီး မရနိုင်တော့ပါဘူး။
Taylor က စုဆောင်းဖို့ ကျန်နေသေးတဲ့ ထောင်နဲ့ချီတဲ့ အသုံးပြုသူ data အုပ်စုတွေကို ကျွန်မ ကိုပြပါတယ်။ facebook ကနေ တိုက်ရိုက်ရတာ မဟုတ်ဘဲ Facebook ပေါ်မှာ ပရိုဂရမ် တည်ဆောက်သူ တစ်ဦးစီကနေရတာပါ။ CA အနေနဲ့ facebook ကနေ တိုက်ရိုက် မရနိုင်တော့ပေမယ့် Facebook ရဲ့ တခြား App တီထွင်သူ တွေ ရောင်းချတဲ့ data တွေကို ဝယ်ယူလို့ ရနေပါသေးတယ်။ Taylor အနေနဲ့ တခြားနေရာတွေကလဲ အလွယ်တကူ ဝယ်လို့ ရနေပါသေးတယ်။ သူကတော့ ဝယ်ရတာ အရမ်းလွယ်တယ်လို့ ပြောပါတယ်။ ကျွန်မ ဒီအပေါ် မှာ မေးခွန်း မထုတ်မိပါဘူး။
ရွေးချယ်စရာ Data တွေကအများကြီးပါ။ လူတစ်ဦးချင်းစီရဲ့ ဘယ် စားသောက်ကုန်ကို ကြိုက်လဲ၊ ဘယ်ဖက်ရှင် ပုံစံကို သဘောကျလဲ ဆိုတဲ့ အကြောင်းအရာ တွေကနေ ကမ္ဘာ့ရာသီဥတု ပြောင်းလဲ မှု ကို ယုံကြည်သလား ၊ မယုံကြည် ဘူးလားဆိုတဲ့ အကြောင်းအရာ တွေအထိ ပါပါတယ်။ ကျွန်မ ကတော့ Data စာရင်းကို ကြည့်ပြီး ကျွန်မ တို့ ရဲ့ client ဖြစ်လာနိုင်မယ့်သူတွေ အသုံးဝင်မယ့် အုပ်စုတွေကို စာရင်းတို့ထားလိုက်ပါတယ်။ Taylor က ဒီ စာရင်းကို CA ရဲ့ တခြား ဝန်ထမ်းတွေကိုလဲ ပေးပြီး သူတို့ စိတ်ဝင်စားမယ့် အုပ်စု ကိုရွေးချယ်ဖို့ ပြောပါတယ်။
များလေလေ ကောင်းလေလေ ပဲလို့ သူက ပြောပါတယ်။
ကျွန်မ သိတာက ဒီလို လုပ်တာဟာ facebook ရဲ့ ပေါ်လစီ နဲ့ ဆန့်ကျင်ရာရောက်ပါတယ်။ Taylor ရဲ့ နောက်ဆုံး ဝယ်ယူမှုက May 6 2015 , facebook ဘက်ကနေ ယူလို့မရတော့ဘူးလို့ ကြော်ငြာပြီး တပတ်အကြာ မှာပါ။ ကျွန်မ အတွက်တော့ API က ပိတ်သွားပြီး တာတောင် Data တွေ ရနေသေးတာ ဘယ်လိုပါလိမ့်၊ ထူးဆန်းလိုက်တာ လို့ တွေးမိပါတယ်။
Dr Taylor နဲ့ အချိန် အတော်ကြာ အလုပ်လုပ်ပြီး တဲ့ နောက် ကျွန်မ ရဲ့ CA ပရောဂျက် တင်ဆက်မှုကို ပြင်ဆင်ပါတယ်။ Nix နဲ့ Taylor တို့ရဲ့ slides တွေကိုငှားပြီး ကျွနိမ ကိုယ်ပိုင် idea တွေနဲ့ ပေါင်းစပ်ပြီး ပြင်ဆင်ပါတယ်။ ကျွန်မ တို့ရုံးရဲ့ နေ့လည်ခင်း တစ်ခု မှာ ကျွနိမ ရဲ့ presentation ကို Nix ကို ခေါ်ပြလိုက်ပါတယ်။ ကျွန်မ ရဲ့ တင်ဆက်မှု အပြီး မှာ Nix က " ခင်များ ကောင်းကောင်းလုပ်ထားတာပဲ ၊ ဒါပေမယ့် client အခုထက် ပိုပြီး ရှင်းလင်းဖို့ရယ်၊ ယုံကြည်မှုရဖို့ရယ်၊ တချို့ အသေးစိတ် အချက်လေးတွေကို ခင်များ အခုထက် ပို အာရုံစိုက်လုပ်သင့်တယ်" လို့ ပြောပါတယ်။
" အရေးအကြီး ဆုံးက ခင်များကိုယ် ခင်များ ရောင်းနိုင်ဖို့ပဲ" Nix က သတိပေးပါတယ်။ Client က ခင်များကို သဘောကျ ပြီဆိုတာနဲ့ Data ရောင်းဝယ်ရေး က သူ့အလိုလ်ု နောက်ကလိုက်လာမှာပဲ" Nix က ကျွန်မ ကို ရုံးမှာ ရှိတဲ့ လုပ်ဖော်ကိုင်ဖက် တွေအားလုံးကိုလဲ ကျွန်မ ရဲ့ presentation ကိုပြခိုင်းပါတယ်။ ဒီလို လုပ်ရတဲ့ အတွက် ကျွန်မ ကုမ္ပဏီ နဲ့ လုပ်ဖော်ကိုင်ဖက် တွေ အကြောင်းပိုသိလာပါတယ်။
krystyna Zawal ဆိုတဲ့ ပိုလန် က ပရောဂျက် မန်နေဂျာဆိုရင် ကျွန်မ ရဲ့ presentation မှာ John Bolton ရဲ့ ရွေးကောက်ပွဲ ရံပုံငွေ ပရောဂျက် နဲ့ မြောက်ကာရိုလိုင်းနား ကြားဖြတ် ရေကောက်ပွဲ တွေ အကြောင်း ထည့်သွင်း ပြင်ဆင်ပေးပါတယ်။ ဒီလို လုပ်ပေးတဲ့ အတွက် သူ့ကို ချောကလတ် ပဲ ဝယ်ကျွေးခိုင်းပါတယ်။
အီတလီ က စိတ်ပညာရှင် Bianca Independente ဆိုရင် ကျွန်မ ကို OCEAN အမှတ်ပေး မော်ဒယ် အကြောင်း အသေးစိတ် ရှင်းပြပါတယ်။ သူ ရှင်းပြတာက CA ရဲ့ ဒီအပိုင်းရဲ့ ပညာရှင် တွေက SCL ရဲ့ ပရဟိတ ဌာန ခွဲကနေ ရောက်လာကြတာ ဖြစ်တယ်။ အဲဒီ ဌာန ကို Cambridge တက္ကသိုလ် ရဲ့ သုနေသန စင်တာကို အပြုအမူ ဆိုင်ရာ သုတေသန ဌာန ၊ Behavioural Dynamic Institute , BDI လို့ခေါ်တယ်။ BDI က တက္ကသိုလ် ပေါင်း ၆၀ ကျော်လောက်နဲ့ ချိတ်ဆက်ထားတယ်။ သူမ ကိုယ်တိုင်လဲ လက်နွေ့သုတေသန တွေ ပြုလုပ်ပြီး သူ့ရဲ့ အသိပညာ ကို တိုးပွားအောင် လုပ်နေတယ်လို့ ပြောပြပါတယ်။
Harris McCloud နဲ့ ္Sebastian Richard တို့ဆိုရင် သတင်းစကား ဖြန့်ချီရေးရဲ့ ကျွမ်းကျင် ပညာရှင် တွေ။ သူတို့ဆီ ကနေ ပြီး သာမာန် လူတွေအတွက် ရှုပ်ထွေးနဲ့ နည်းပညာ အယူအဆ တွေကို ဘယ်လို ရှင်းပြရမလဲ ဆိုတာ ကျွန်မ လေ့လာခွင့်ရတယ်။ သုတေသန ဘက်Jက ordon ဆိုရင်လဲ ဒီ သတင်းစကား ပေးပို့တဲ့ အယူအဆ တွေကို မြင်သာတဲ့ စလိုက် တွေနဲ့ သေချာ ရှင်းပြတယ်။ Kieran ကလဲ ကျွန်မ အတွက် စလိုက်အသစ်တွေ တောင် ပြင်ဆင်ပေးလိုက်သေးတယ်။
ကျွန်မ ရဲ့ လုပ်ဖော်ကိုင်ဖက် အားလုံးက ကျွန်မ ကို သူတို့ ကျွမ်းကျင်ရာ အပိုင်း တွေနဲ့ ကူညီ လိုက်ကြပါတယ်။ သူတို့ အားလုံး ကျွနိမ ကို ကြိုးကြိုးစားစား ရှင်းပြ ခဲ့ကြတယ် ဆိုတာ ကို ကျွန်မ ္Nix ဆီ ဒုတိယ အကြိမ် presentation လုပ်ဖို့ ရောက်သွားချိန် မှာ ကျွန်မ ခံစားလိုက်ရပါတယ်။
ကျွန်မ ကိုယ်ကျွန်မ client အစစ် နဲ့ တွေ့သလို သဘောထားပြီး အဝတ်အစား သေသေချာချာ ပြင်ဆင်သွားပါတယ်။ တောက်ပတဲ့ အနီရောင် နှုတ်ခမ်းနီ လဲ ဆိုးတားပါတယ်။ ကျွန်မ အခန်းရဲ့ မီးရောင်ကို နည်းနည်း မှိန်လိုက်ပြီး Presentation စလုပ်ပါတယ်။
မင်္ဂလာ နေ့လည်ခင်းပါ
Cambridge Analytica က အမေရိက ရဲ့ အဆန်းသစ်ဆုံး နဲ့ အထူးခြားဆုံး နိုင်ငံရေး အခင်းအကျဥ်း ဖြစ်ပါတယ်။ ကျွန်မ တို့ အထူးပြုတာက သိပ္ပံ ပညာရပ် ရဲ့ အပြုအမူပြောင်းလဲ ခြင်းဆိုင်ရာ ဆက်သွယ်ရေး ပါ။ ဘာကို ဆိုလိုတာလဲ ဆိုတော့
ကျွန် မ slide အသစ်တစ်ခု ကိုဖွင့်လိုက်ပါတယ်။ အဲဒီ စလိုက်မှာ အရွယ်တူ ပဟေဠိ အစိတ်အပိုင်း ၂ ခုက တစ်ခု နဲ့ တစ်ခု သေသေသပ်သပ် ဆက်စပ် နေတဲ့ ပုံရှိပါတယ်။
ကျွန်မ တို့ လူတွေရဲ့ အပြုအမူ ဆိုင်ရာ ပြောင်းလဲမှုကို လက်တွေ့ အသုံးချ စိတ်ပညာ၊ စိတ်ရောဂါ ပညာ နည်းလမ်း တွေ အသုံးပြုပြီးတော့ ကမ္ဘာ့ အဆင့်မီ Data Analytic နည်းလမ်း တွေနဲ့ ပေါင်းစပ် အသုံးပြုခြင်း ဖြစ်ပါတယ်။
ကျွန်မ နောက် စလိုက် တစ်ခု ဖွင့်ပြီး ဆက်ပြောပါတယ်။
ကျွန်မ တို့ဆီ မှာ အတော်ဆုံးဆိုတဲ့ data scientist တွေ၊ ပါရဂူ ဘွဲ့ရတွေနဲ့ စိတ်ပညာရှင် တွေ အတူတူ အလုပ်လုပ်ပြီး DATA ပေါ် အခြေခံ တဲ့ မဟာဗျူဟာ တွေ ချမှတ်ပြီး အလုပ်လုပ် ပါတယ်။ ဒါဘာကို ဆိုလို လဲဆိုတော့ ကျွန်မ တို့ရဲ့ ဆက်သွယ် တဲ့ နည်းလမ်း မှန်သမျှ က ခန့်မှန်းပြီး လုပ်တာ မဟုတ်ပါဘူး။ ဆက်သွယ် မှု မဟာဗျူဟာ မှန်သမျှ က သိပ္ပံ နည်းကျ လေ့လာထားတဲ့ ရလဒ် တွေပါ။
ဆက်ပြီး အားလုံးကို လွှမ်းခြုံပြီး အချက်အလက် ပေးတဲ့ ကြော်ငြာ နည်းက အသုံးမဝင်ကြောင်း၊ SCL က သမာရိုးကျ ကြော်ငြာ နည်းလမ်း တွေက နေ ဖောက်ထွက် ခဲ့ပြီး ဖြစ်ကြောင်း ဆက်ပြောပါတယ်။ CA အနေ နဲ့ Top downအပေါ်ကနေ အောက်ကို သတင်းစကား ပေးနည်းအစား bottom up , အောက်ကနေ အပေါ် ကို သွားတဲ့ နည်းလမ်း ကျင့်သုံးကြောင်း ပြောပါတယ်။ ဒီနောက် စလိုက် အသစ် တစ်ခု ဖွင့်ပြ ပြီး စစ်တမ်းကောက် တဲ့ နည်းလမ်း နဲ့ ္OCEAN အမှတ်ပေး ပုံစံကို ရှင်းပြ လိုက်ပါတယ်။
ကျွန်မ တို့က လူတွေကို သူတို့ ဘယ်လို ပုံစံ ရှိတယ်၊ ဘယ်အရာကို ကြိုက်လောက်မယ် ဆိုတဲ့ ယူဆ ချက် တွေနဲ့ သူတို့ကို ကျွန်မ တို့ ခွဲခြားထားတဲ့ အုပ်စုတွေ ထဲ အတင်းမထည့်ပါဘူး၊ ကျွန်မ တို့ အုပ်စုခွဲထည့်တဲ့ ပုံစံက သူတို့ ကို ဖြောင်းဖျ လို့ ဘယ်လောက်ရနိုင်မလဲ၊ သူတို့ကို ပြောင်းလဲ ဖို့ ဘယ်အရာက လှုံ့ဆော်သလဲ ဆိုတဲ့ အချက် တွေပေါ် မှာ အုပ်စု ခွဲတာပါ။
ကျွန်မ တို့ရဲ့ ရည်ရွယ်ချက် က လူတွေရဲ့ မဲပေး နိုင်ခြေ ခန့်မှန်းမှု ပြကိန်း ရယ် နဲ့ Database ထဲမှာ ရှိတဲ့ ဒီမိုကရက် သို့ ရီပါဘလီကန် ဘက် ယိမ်းသူတွေကို ဘယ်လောက် အထိ ဖြောင်းဖျ နိုင်မလဲ ဆိုတဲ့ partisan score ကို တိတိကျကျ ခန့်မှန်းနိုင်ဖို့ ရည်ရွယ်ပါတယ်။ ဒါက Swing Voter လို့ ခေါ်တဲ့ ကြားနေ မဲဆန္ဒရှင် ပြည်သူကို ပစ်မှတ်ထားဖို့ ကူညီပါလိမ့်မယ်။ ကျွန်မ တို့ အထူးအာရုံစိုက် အလုပ်လုပ်တာလဲ ကြားနေ မဲဆန္ဒရှင် လူထု အပေါ်မှာပါ။
ကျွနိမ slide တစ်ခု ပြ တစ်ခု ဖွင့်ပြ ပြီး OCEAN အမှတ် အရ ခွဲထားတဲ့ အုပ်စု တွေရယ်၊ ရာနဲ့ချီ ရှိတဲ့ အခြား တွက်ချက် မှုတွေက ထွက်ပေါ်လာတဲ့ " Persuadables” , ဆွဲဆောင် သိမ်းသွင်းနိုင်မယ့် အုပ်စု တွေရယ်ကို ဆက်ပြောပြပါတယ်။ ကျွန်မ တို့ ဒီ အုပ်စု တွေကို နောက်ထပ် အုပ်စုခွဲ တွေ အဖြစ် ဘယ်လို ခွဲခြားတယ်၊ ကျွန်မ တို့ရဲ့ တွက်ချက် မှုကို အကြိမ်ကြိမ် ပြောင်းလဲ ပြီး တိကျ မှု ၉၅ % နှုန်း အထိ ရောက်အောင် လုပ်ခဲ့ပုံတွေကို ရှင်းပြပါတယ်။
ကျွန်မ တို့ရဲ့ လုပ်ငန်းစဥ် တွေကို ရှင်းလင်း စေဖို့ Nix ကျွန်မ ကို ပေးခိုင်းတဲ့ ဥပမာ က အမေရိက ရဲ့ သေနတ် အခွင့်အရေး အပေါ် လူထု ဆန္ဒခံယူပွဲ ဖြစ်ပါတယ်။
ကျွန်မ တို့မှာ မဲပေးနိုင်သူ စုစုပေါင်း 3.25 သန်း ရဲ့ အချက်အလက် တွေ Database ထဲမှာ ရှိတယ် ဆိုရင် ၁.၅ သန်း က လူထု ဆန္ဒ ခံယူပွဲကို ဆန့်ကျင် မဲပေးကြမယ်၊ လူပေါင်း ၁ သန်းကတော့ထောက်ခံမဲပေးမယ်၊ လူပေါင်း ၇၅၀၀၀ ကတော့ ကြားနေ မဲဆန္ဒရှင် တွေ ဖြစ်နေမယ် ဆိုတာ ကျွန်မ တို့ သိလာပါမယ်။ ဒီနောက် ဒီ မဲပေးသူတွေကို သူတို့ရဲ့ စိတ်ပိုင်းဆိုင်ရာ အမှတ်တွေနဲ့ အုပ်စုခွဲပြီး အုပ်စုရတစ်ခုချင်းစီ ကို ဘယ်လို သတင်းစကား ပို့နိုင်တယ်ဆိုတာ ကို ရှင်းပြပါတယ်။
ကျွန်မ စလိုက် တွေထဲက စိတ်ဝင်စားစရာ အကောင်းဆုံးက ကြားနေ မဲပေးသူတွေကို နှိုင်းယှဥ်တဲ့ အပိုင်းမှာ။ ကြားနေ မဲပေးသူ တွေရဲ့ အုပ်စု တစ်ခုက စေ့စပ်သေချာပြီး သဘောတူ လွယ်သူတွေ၊ C and A တွေ ဖြစ်တယ်။ ဒီလို လူတွေ အတွက်ဆိုရင် သူတို့ရမယ့် သေနတ် နဲ့ဆိုင်တဲ့ ကြော်ငြာ မှာ ရိုးရာနဲ့ မိသားစု ကို တန်ဖိုးထားတဲ့ စာသားတွေ ပုံတွေ ပါနေမယ်။
ကျွန်မ ရဲ့ စလိုက် တစ်ခုထဲက အဖေ နဲ့ သား ညနေ နေဝင်ရီတရော မှာ ဘဲ တွေကို အမဲလိုက် နေတဲ့ ပုံတစ်ပုံ ပြလိုက်ပါတယ်။ ပုံမှာပါတဲ့ စာသား က " အဖေ ကနေ သားအထိ၊ ငါတို့ နိုင်ငံတော် မွေးဖွားချိန် ကတည်းက" ဆိုတဲ့စာသားပါ။ ဒီ ပုံနဲ့ စာသား က သေနတ် တစ်လက်ကို လူတွေ သူတို့ ချစ်တဲ့ သူတွေ နဲ့ ကို မျှဝေ နိုင်တဲ့ အရာ တစ်ခု အဖြစ် ပြနိုင် တယ် ဆိုတဲ့ အချက် ကို ရှေ့တန်းတင်ထားတာပါ။ ဥပမာ ဆိုရင် ကျွန်မ အဖိုးက ကျွန်မ ကလေးဘဝ ကတည်းက သေနတ် ဘယ်လိုပစ်ရတယ် ဆိုတာ သင်ပေးခဲ့တာပါ။
နောက် တစ်ပုံကတော့ ကွဲပြားတဲ့ လူအုပ်စု အတွက်ပါ။ Extroverted and Disagrerable. လူမှုဆက်ဆံရေး ကောင်းပြီး သဘောမတူ သူတွေ အတွက်ပါ။ အဲဒီ စလိုက်မှာ အမျိုးသမီး ပုံ တစ်ပုံ ပါပါတယ်။
ဒီ လူမှုရေးကောင်းပြီး သဘောမတူသူ တွေအတွက် သတင်းစကား က ဒီ အမျိုးသမီး ရဲ့ ကိုယ်ပိုင် အခွင့်အေ ကို ယုံယုံကြည်ကြည် ကျင့်သုံးနိုင်မယ့် အမျိုးသမီး ရဲ့ အရည်အချင်း ဖြစ်ပါတယ်။ ဒီလို မဲပေးသူ တွေက ဘယ်အကြောင်းအရာ မျိုးမှာ မဆို သူတို့ရဲ့ အသံ၊ သဘောထားကို သိစေချင်ကြတယ်။ သူမ အနေနဲ့ သူမ အတွက် ဘာအကောင်းဆုံးလဲဆိုတာ သိပါတယ်။ သူမ မှာ ခိုင်မာ တဲ့ စိတ်ဓာတ်ရှိနေပြီး သူမကို ဘာလုပ်ပါလို့ ပြောတာကို မကြိုက်ဘူး၊ အထူးသဖြင့် အာဏာပိုင်တွေက ပြောတာကိုပေါ့။
စလိုက် မှာပါတဲ့ အမျိုးသမီး က သေနတ် အသေးတစ်လက်ကို ကိုင်ပြီး ချိန်ရွယ်ထားပြီး သူ့မျက်နှာ မှာ ရန်လိုတဲ့ အမူအရာ ရှိနေပါတယ်။ သူ့ပုံအောက်က စာသား မှာတော့ " ငါ့ရဲ့ သေနတ် ကိုင်တဲ့ အခွင့်အရေး ကိုမေးခွန်း မထုတ်နဲ့၊ ငါလဲ မင်းကို မိုက်မဲရကောင်းလားဆိုပြီး မေးခွန်း ထုတ်မှာ မဟုတ်ဘူး" လို့ရေးထားပါတယ်။
ကျွန်မ ကိုယ်တိုင် သေနတ် တစ်လက် မှ မပိုင်ဆိုင် ဖူးပေမယ့် ဒီပုံကို ကြည့်ပြီး ကျွန်မ ရဲ့ တစိတ်တပိုင်းကို ဒီအမျိုးသမီး မှာ တွေ့လိုက်ရသလ်ုပါပဲ။
ကျွန်မ nix ရဲ့ မျက်လုံးကို ကြည့်ရင်းနဲ့ပဲ တင်ဆက်မှုကို အဆုံးသတ် ပါတယ်။ Cambridge Analytica က မှန်ကန် တဲ့ အချိန်၊ မှန်ကန်တဲ့ လူအုပ်စု၊ ကို မှန်ကန် တဲ့ သတင်းအရင်းအမြစ် တွေကနေ မှန်ကန် တဲ့ နည်းလမ်း သုံးပြီး သင့်တော်မယ့် သတင်းစကား ပေးနိုင်ပါတယ်၊ ဒါကပဲ သင်အနိုင်ရဖို့ နည်းလမ်းတွေပါ" လို့ ပြောပြီး အဆုံးသတ်လိုက်ပါတယ်။
ကျွန်မ လဲ Nix ဘာပြောမလဲ ဆိုတာ ရပ်ပြီးစောင့်နေပါတယ်။ nix က နေရာ ပြင်ထိုင်လိုက်ပြီး တခဏ တိတ်ဆိတ် နေပါတယ်။
ကျွန်မ သူ့ကို ကြည့်နေမိပြီး သူ့ရဲ့ မှတ်ချက် က ကျွန်မ ရဲ့ အနာဂတ် ကို အများကြီး သက်ရောက်မှု ရှိနိုင်တယ် ဆိုတာ တွေးနေပါတယ်။ ကျွန်မအနေနဲ့ သူကျေနပ် ဖို့ အစွမ်းကုန် ကြိုးစား ခဲ့ပါတယ်။ လွန်ခဲ့တဲ့ ရက်သတ္တပတ် တွေက ကျွန်မ ရဲ့ လုပ်ဖော်ကိုင်ဖက် တွေရဲ့ အကူအညီ ရဖို့ ကျွန်မ ရုံးမှာ မိုးချုပ် တဲ့အထိ နေခဲ့ပါတယ်။ ညပိုင်းရောက်လာရင် ညစာ စား၊ ဘားသွားပြီး ညနက် တဲ့အထိ တူတူ ရှိနေခဲ့ကြပါတယ်။
ကျွန်မ ရဲ့ ဘဝ က ပြောင်းလဲ နေပြတယ်။ ကျွန်မ က ကမ္ဘာသစ် တစ်ခု ရဲ့ အစိတ်အပိုင်း တစ်ခု ဖြစ်လာပါတယ်။ အဲဒီ ကမ္ဘာ က ဖိအားတွေ နဲ့ ကခုန်နိုင်ရပြီး နေ့စဥ် အလုပ်စွဲနေသူလ်ု လုပ်၊ ညရောက် မှာ ကိုယ့်စိတ်ကို အပြီးတိုင် အနားရတဲ့ ကမ္ဘာသစ်ပါ။ ကျွန်မ အနေနဲ့ကတော့ ဒါက အလုပ်ကြိုးစားလုပ်၊ လစာ များများ ယူဆို တဲ့ သဘောလား မသေချာပါဘူး။ Nix ကတော့ အမြဲ အားပေးစကား ပြောတဲ့အခါ ကျွန်မ တို့ အားလုံးနဲ့ သူငယ်ချင်း ဖြစ်ခဲ့ရမှာလို ပြောလေ့ရှိပါတယ်။
Nix က သူ့အပြူအမူနဲ့ပတ်သတ် ပြီး အစွန်းအထင်း မရှိတဲ့ နောက်ခံက လာခဲ့တာပါ။ သူ့ရဲ့ အရက်ပုလင်းတွေကို တခါနလေ ရုံးရဲ့ ရေခဲသေတ္တာ ထဲမှာ ထားလေ့ရှိပါတယ်။ သူ့မှာ သတင်းကောင်း တခု မျှဝေ စရာ ရှိရင် ကျွန်မ တို့ အားလုံးနဲ့ ပုလင်းဖောက်ပြီး အောင်ပွဲခံလေ့ ရှိပါတယ်။ မနက်ရောက်ရင်တော့ ္Nix က ဘယ်သူ့ကြည့်ရတာ အရက်နာ အကျဆုံးလဲဆိုပြီး နောက်ပြောင်လေ့ရှိပါတယ်။ သူကိုယ်တိုင် ကတော့ အရက်မူးလွန်တာ ကို လျင်လျင်မြန်မြန် ပြန်ကုစားနိုင်ပုံရပါတယ်။ တခါတရဲ ညနက် အထိ ကျွန်မ တို့ သောက်ပြီး နောက်ရက် မနက် ကြရင် သူက ရုံးကိုတန်းမလာဘဲ အပြင်က အစည်းအဝေး ရှိရာကို တန်းသွားပါတယ်။ ကျွန်မ တို့ကတော့ ဒီလို သွားစရာ မရှိတော့ တစ်နေကုန် အလုပ်လုပ်၊ ညကျရင် ပါတီ ပွဲဆင်နွဲ၊ နောက်ရက် မနက် ရုံးပြန်တက် အလုပ်လုပ် နဲ့ပဲ ရက်တွေကို ဖြတ်ကျော်ကြပါတယ်။
Nix လူရွေးဖိတ် တဲ့ ပိုလို ကစား ပွဲဆိုရင် စျေးကြီးတဲ့ ရှမ်ပိန် အရက် တွေက ကြိုက်သလောက် သောက်လို့ ရပါတယ်။ ရာသီဥတု က နွေးလာပြီး ပိုလိုရာသီ ရောက်လာတာနဲ့ ကျွန်မ တို့ရဲ့ သီတင်းပတ် ကုန်ဆုံးရက် တွေကို ဘုရင်မ ရဲ့ ပိုလိုကွင်း၊ ္Guards polo club လို့ ခေါ်တဲ့ နေရာ မှာ ကုန်ဆုံးကြပါတယ်။ ္Nix က အဲဒီ ကလပ်ရဲ့ အဖွဲ့ဝင်ဖြစ်ပြီး သူကစားတာကို ကျွန်မ တို့ ကြည့်ကြတာပေါ့။
ကျွန်မ ပိုလို ကစား ပွဲနဲ့ပတ်သတ်ပြီး ဘာမှ မသိပါဘူး။ ကျွန်မ သိတာက ္Nix က သူ့ဘဝ တလျောက်လုံး ပိုလို ကစားခဲ့ပြီး သူ့ အသင်းကလဲ ကျွမ်းကျင်ပြီး မှတ်တမ်းကောင်း တွေရှိတဲ့ အသင်းဖြစ်ပါတယ်။ သူ့ အသင်းရဲ့ အဖွဲ့ဝင် တွေက ဗြိတိန် ရဲ့ အထက်တန်းလွှာ တွေ ဖြစ်ပြီး အာဂျင်တီးနားနဲ့ အခြား နိုင်ငံ တွေက နာမည်ကျော် ကစား သမားတွေလဲ ပါပါတယ်။ ကျွန်မ ကစားပွဲ အကြောင်း နည်းနည်းပဲ နားလည် ပါတယ်။ ဒါနဲ့ ကစားပွဲ အကြောင်း သိအောင် ကြိုးစား နေမယ့်အစား Nix စီးနေတဲ့ ကြွက်သားတွေ အပြည့်နဲ့ မြင်းကြီးကို ပွဲကြည့်စဥ် ပေါ်ကနေ ကလပ်က ဧည့်ခံ တဲ့ အစားအသောက် တွေ စားပြီး ကြည့်နေရတာ ကို ပိုသဘောကျမိပါတယ်။ ကစား ပွဲနားတဲ့ အချိန် Nix အတွက် ရှမ်ပိန် ငှဲ့ပေးပါတယ်။ Nix က မြင်းစီး တာကို ပိုနီ လေးတစ်ကောင် ကို မင်းသားလေး တစ်ပါး စီးသလ်ိုစီးပြီး မြင်းပေါ်ကနေ ရှမ်ပိန် ကို လှမ်းသောက်ပါတယ်။
ညနေခင်းမှာ တော့ Nix ရဲ့ ကျေးလက် အိမ် လေးမှာ ကျွန်မ တို့ အားလုံး ညနက် တဲ့အထိ သောက်ကြ၊ ကလိုက်ကြ၊ စကားတွေ ပြောလိုက်ကြနဲ့ ညမအိပ် ဖြစ်တဲ့အထိ ပျော်ရွှင်ခဲ့ကြပါတယ်။ ကျွန်မ ကိုယ်တိုင်လဲ ဒါက ငါလိုချင်တဲ့ ကမ္ဘာ လေး တစ်ခုပဲ လို့တွေးမိပါတယ်။ ဒီ ကမ္ဘာလေး မှာ သက်တောင့်သက်သာ ရှိမှု တွေ အောင်မြင်မှု တွေ ရှိနေတယ်။ ကျွန်မ လဲ ဒီလို အောင်မြင်မှုတွေကို တခြားဘာမှ မရချင် နေ ဒီလို ဘဝ မျိုးကို ငါရအောင် ယူမယ်လို့ စိတ်ဆုံးဖြတ်ချက် ချမိပါတယ်။
အခု ကျွန်မ ရဲ့ တင်ဆက်မှု အပြီး ရုံးခန်း ထဲမှာပဲ Nix ကကျွန်မ လုပ်ခဲ့တာ အတွက် ကောင်းချီးပေးမယ်လို့ မျှော်လင့် မိပါတယ်။ ကျွန်မ တို့ ရှမ်ပိန် ပုလင်း ဖွင့်ပြီး အောင်ပွဲခံကြတော့မှာလား။
နောက်ဆုံးမှာတော့ Nixက ရှေ့ကို ကိုင်းညွှတ်လိုက်ပြီး စိတ်ချ ယုံကြည် တဲ့ အမူအရာ နဲ့ " Brittany , ခင်များ လုပ်နိုင်ခဲ့ပြီ၊ ခင်များ တင်ဆက်တာ အရမ်းကို ကောင်းတာပဲ၊ နောက်ဆုံးတော့ ကျွန် တော် ခင်များကို အမေရိကားကို ခေါ်သွားဖို့ ခင်များ အဆင်သင့် ဖြစ်သွားပြီ" လ်ု့ ပြောလိုက်ပါတော့တယ်။
No comments:
Post a Comment