رهبری با کمک تحلیل تصمیم‌محور داده

بسیاری از اوقات، تحلیل‌گران داده نمی‌توانند برای بهبود تصمیم‌های کسب‌و‌کار، بینشی مفید تولید کنند. این تحلیل‌گران تقصیری ندارند، بلکه این مدیران و رهبران شرکت‌ها هستند که باید بدانند چگونه تحلیل داده باید با تصمیم‌های مختلف در شرکت همسو شود.

اگر از مدیرعامل‌ شرکت‌های مختلف بپرسید بهترین روش‌های مدیریتی چیست، حتماً از تصمیم‌ گیری داده‌ محور (DDDM) صحبت به میان خواهند آورد. این روزها شرکت‌ها بیش از هر زمان دیگری داده در اختیار دارند، اما بسیاری از مدیران اجرایی معتقدند بینش حاصل از این داده‌ها برای اخذ تصمیم‌های عملی چندان به کار نمی‌آیند یا با اتکا به آنها، اغلب نتایج ناامیدکننده‌ای حاصل می‌شود.

در عمل، تصمیم‌گیری داده‌محور به چیزی دیگر تقلیل داده می‌شود، یعنی کوشش می‌شود فوایدی برای داده‌هایی که در اختیار شرکت است، پیدا شود. شرکت‌ها به دنبال یافتن راه‌هایی برای خلق ارزش از داده‌هایشان هستند، اما این تلاش‌ها به معنای آن نیست که تحلیل‌گران داده در حال یافتن پاسخ برای پرسش‌های درست و مناسبی هستند. نتایجی در این حد تضمینی برای جلوگیری از رواج مجدد باورها و انگیزه‌های پیشین (نگاه غیر داده محور) نخواهد بود.

راه‌حل این مشکل ساده است: به‌جای آنکه به دنبال هدفی برای تحلیل مجموعه‌ای از داده‌ها بگردید، برای هدفی خاص به دنبال جمع‌آوری داده باشید. این چیزی است که به آن «تحلیل تصمیم‌محور داده» می‌گوییم.

«داده‌محور» عموماً یعنی پاسخ به پرسش‌های اشتباه

برای آنکه مقصودمان را بهتر توضیح دهیم، چند شرکت را مثال را می‌زنیم. بیایید با مثال مدیریت ارتباط با مشتریان شرکت رولینگ‌بولدر (RollingBoulder)، شروع کنیم. مدل کسب و کار این شرکت بر پایهٔ فروش عضویت است. مشتریان رولینگ‌بولدر سال‌به‌سال با تمدید عضویت خود از خدمات آن استفاده می‌کنند. شرکت برای هر مشتری پیش از آنکه عضویتش منقضی شود، نامه‌ای می‌فرستد و در آن به مشتری اطلاع می‌دهد که عضویتش به‌زودی منقضی خواهد شد. همچنین با هدف کاهش ریزش مشتری، بعضی اوقات همراه این نامه‌ها بسته‌های هدیهٔ تشویقی هم برای مشتریان در نظر گرفته می‌شود.

به‌مرورزمان و طی چند سال، این شرکت داده‌هایی غنی از مشتریانش در ابعاد مختلف، اعم از موقعیت مکانی، طول دورهٔ عضویت، رفتارهای آنلاین و استفاده از وب‌سایت و جز اینها فراهم کرده و با اتکا به این داده‌ها الگوریتم‌های پیچیده‌ای برای پیش‌بینی احتمال ازدست‌رفتن مشتری بالفعل ساخته است. اگر این الگوریتم‌ها پیش‌بینی کنند که امکان دارد فلان مشتری عضویت خود را تمدید نکند، با ارسال هدیه‌های تشویقی، او را تشویق می‌کنند که عضویت خود را تمدید کند.

چنین استفاده‌ای از رویکرد داده‌محور، معمولاً به‌عنوان یکی از نمونه‌های عالی در مدیریت ریزش مشتری به شمار می‌رود، اما در واقع، این شیوهٔ استفاده دچار نقص بزرگی است. برای درک چرایی بیایید به پرسش اصلی‌ای که شرکت سعی دارد پاسخی برای آن پیدا کند، نگاهی بیندازیم: «چقدر احتمال دارد که یک مشتری از دست برود؟» پاسخ این پرسش برای شرکت ارزشمند خواهد بود. برای مثال، پاسخ این پرسش شرکت را قادر می‌سازد که تخمین‌هایی از پایگاه مشتریانش داشته باشد. اما نحوهٔ کار این شرکت باعث شده پرسش مهم دیگری بی‌پاسخ رها شود: «اثر هدایای تشویقی برای جلوگیری از ریزش مشتریان چقدر است؟» برای یافتن پاسخ این پرسش، داده‌های پیشین چندان مؤثر نیستند و نیاز به جمع‌آوری داده‌های جدید و تحلیل آنها است.

تصمیم‌سازی داده‌محور متکی بر داده‌هایی است که در اختیار شرکت است. استفاده از این روش به‌تنهایی ممکن است مدیران را به مسیری هدایت کند که به‌جای یافتن پاسخ پرسش‌های درست به دنبال پاسخ پرسش‌هایی بروند که می‌توان با داده‌های آماده به آنها پاسخ داد. در عوض، تحلیل دادهٔ همسو با تصمیم، کار خود را از تعریف دقیق تصمیم‌های لازم آغاز می‌کند و سپس به دنبال این موضوع می‌رود که چه داده‌هایی موردنیاز است.

«داده‌محور» عموماً به معنای تقویت باورهای از پیش موجود است

مورد شرکت گوین اند جنی (Gwenn & Jenny) را که کارش فروش بستنی است، در نظر بگیریم. این شرکت در جستجوی یافتن پاسخ این پرسش بود که اثر تبلیغات توییتری بر فروش چقدر است؟ شبکه‌های اجتماعی فرایندی سه‌مرحله‌ای برای سنجش اثر تبلیغات بر فروش، در اختیار شرکت‌ها می‌گذارند. نخست، یک واسطهٔ داده (data broker) مثل دیتالاجیکس (Datalogix) به جمع‌آوری داده از مشتریان بستنی‌فروش اقدام می‌کند. داده‌هایی مثل کوکی‌های مرورگرها، ایمیل‌ها و شماره‌های تلفن و … سپس این اطلاعات را با توییتر به اشتراک می‌گذارد تا توییتر فهرستی از مشتریان شرکت را که عضو توییتر هستند، پیدا کند. توییتر گزارشی از رفتار این مشتریان را (مثلاً اینکه آیا توییت‌های بستنی‌فروش را دیده‌اند یا روی آن کلیک کرده‌اند یا خیر) در اختیار شرکت قرار می‌دهد. در نهایت، با قیاس رفتار مصرفی و خرید‌های این مشتریان با مشتریان دیگر که عضو توییتر نبودند، اثربخشی تبلیغات توییتری گوین اند جنی بر مشتریان تحلیل می‌شود.

استفاده از این روش، تفاوت های جالب توجهی را برای سازمان آشکار می کند: مشتریانی که در توییتر با توییت‌های برند همراهی می‌کنند، مکرراً به فروشگاه آن مراجعه کرده و خرید بیشتری در آن انجام می‌دهند. باتوجه‌به این داده‌ها به نظر خواهد رسید که تبلیغات در شبکه‌های اجتماعی تأثیر قابل‌توجهی بر فروش دارد. این هم با مدل تجاری توییتر همخوانی دارد و هم با ذهنیت شرکتی که مشتری خدمات توییتر است، جور در می‌آید که فکر می‌کند تبلیغات در شبکه‌های اجتماعی مؤثر است و اثربخشی آن را به‌سادگی می‌توان سنجید و مشاهده کرد.

توییتر این فرایند سه‌مرحله‌ای سنجش اثر تبلیغات را به بسیاری از شرکت‌ها فروخته است، اما ما در دوره‌های آموزشی خود این روش را به‌عنوان مثالی از تصمیم‌سازی معیوب داده‌محور معرفی می‌کنیم.

قیاس مشتریانی که محتوای تبلیغاتی یک برند را دیده‌اند با مشتریانی که مخاطب این دست محتوا نبوده‌اند، قیاس دو چیز به‌کلی متفاوت است. چنین مشتریانی تفاوت‌های بسیاری دارند. گوین اند جنی مشتریان وفاداری دارد که احتمال واکنش نشان‌دادن و همراه شدن آنها با برند در توییتر بیشتر است. همچنین این مشتریان، به‌خودی‌خود از فروشگاه خرید می‌کنند. این‌ها مشتریانی نیستند که چون در معرض محتوای برند در توییتر قرار گرفته‌اند از آن خرید کرده باشند، بلکه مشتریان وفاداری هستند که محصولات برند را می‌پسندند و به این دلیل هم هست که برند را در شبکه‌های اجتماعی دنبال می‌کنند. در این مورد رویکرد توییتر بزرگ‌نمایی غیرواقعی در مورد اثربخشی تبلیغات برای افزایش فروش برندهاست.

تصمیم‌سازی داده‌محور، امکان‌های تحلیلی زیادی به دانشمندان داده می‌دهد؛ اما ریسک آن وجود دارد که تصمیم‌گیرندگان، آن دست از داده‌ها را مد نظر  قرار دهند که با باورهای از پیش موجود آنها همخوانی دارد.

حرکت به سمت تحلیل دادهٔ همسو با تصمیم

برای حرکت به سمت تحلیل داده‌های همسو با تصمیم‌، هر شرکت باید در ابتدا، افراد تصمیم‌ساز و تصمیم‌های کلیدی تجاری مربوط به کار خود را شناسایی کند. سپس باید برای این اهداف مشخص به دنبال جمع‌آوری داده بگردد و نه آنکه برعکس در پی ابداع اهدافی برای داده‌هایی باشد که در اختیار دارد.

وقتی با مدیران دربارهٔ رویکرد «تصمیم‌محور» صحبت می‌کنیم، بعضی به‌سرعت به مشکلی فراگیر اشاره می‌کنند. ممکن است تصمیم‌گیرندگان به‌جای آنکه برای بررسی تصمیم‌ها به دنبال جمع‌آوری داده بروند، تنها داده‌هایی را جمع‌آوری کنند که تصمیم‌های از پیش گرفته شده را تأیید می‌کند و به‌این‌ترتیب، در تلهٔ سوگیری اسیر می‌شوند. اما، در واقع، این دیگر تحلیل داده‌های همسو با تصمیم‌سازی نیست بلکه تحلیل دادهٔ همراه با سوگیری‌های شخصی است که احتمالاً بدترین روش ممکن برای تصمیم‌گیری‌های تجاری است و متأسفانه بسیار هم عمومیت دارد.

برای جلوگیری از افتادن در تلهٔ سوگیری‌، در استفاده از تحلیل داده‌ها و حرکت به سمت تحلیل داده‌های همسو با تصمیم‌سازی، لازم است که مدیران شرکت‌ها مسیر صحیح را در سه گام مهم طی کنند.

نخست: تصمیم‌گیرندگان شرکت وظیفه دارند تا به مجموعهٔ مشخصی از اقدامات احتمالی و جایگزین در مورد هر مسئله بیندیشند.

دوم: هم تصمیم‌گیرندگان و هم دانشمندان داده باید مجموعه داده‌هایی را که برای اخذ تصمیم‌ لازم است، شناسایی کنند.

سوم: مدیران باید بتوانند در مورد هر مسئله بهترین راه‌حل را پیدا کرده و تصمیم‌ را اخذ کنند.

گام نخست: شناسایی مجموعه اقداماتی که می‌توان در مواجه با مسئله انجام داد

تصمیم‌گیران باید «اول گشاده‌دست و بعد سخت‌گیرانه» حرکت کنند. بسیاری از تصمیم‌ها به شکل خودکار و تنها پس از درنظرگرفتن یک راه ممکن برای شیوهٔ مواجهه با مسئله، گرفته می‌شوند. این به کیفیت تصمیم‌گیری آسیب می‌زند. گشاده‌دست فکرکردن یعنی در برابر یک مسئله مجموعهٔ گسترده‌ای از راه‌حل‌ها و تصمیم‌های مختلف را مدنظر قرار دهید. برای تشریح بهتر به مثال شرکت رولین بولدر بازگردیم. اگر هدف شرکت کاهش خطر ریزش مشتریان است، به جز ارسال هدایای تشویقی، راه‌های دیگری هم برای رسیدن به این هدف وجود دارد. این شرکت می‌تواند با بهبود شیوهٔ تعامل با مشتریان، جلوی ریزش را بگیرد (مثلاً با فروش خدمات به‌صورت گروهی یا اشتراک چندکاربره) یا برای جذب مشتریان جدید سرمایه‌گذاری کند (مثلاً با دادن تخفیف‌های فروش) یا محتوای تبلیغاتی مؤثرتری تولید کند (مثلاً با به‌کارگیری نیروهای بهتر در زمینهٔ تولید محتوا).

بااین‌حال، افزایش بدون کنترل تعداد راه‌حل‌های جایگزین ممکن است مواجه با مسئله و اخذ تصمیم‌های لازم را عملاً برای مدیران و البته برای بررسی تحلیلی گزینه‌ها، ناممکن کند. سخت‌گیری اولیه، یعنی همان شکل دیگر که در آن تصمیم‌گیران با اتکا به دیدگاه‌ها و قضاوت‌های خود مجموعه راه‌حل‌های ممکن را هرس و محدود می‌کنند. برای مثال، ممکن است مدیر ارتباط با مشتریان شرکت رولینگ‌بولدر با خود فکر کند که تولید محتوای تبلیغاتی بهتر، خارج از شرح وظایف اوست و به کل آن را از راه‌حل‌های ممکن حذف کند.

با استفاده از این روش تصمیم‌گیران شرکت می‌توانند مجموعهٔ اقدامایت را که شانس بیشتری برای موفقیت دارد، در مورد هر مسئله شناسایی کنند.

گام دوم: تعیین مجموعه داده‌های لازم برای رتبه‌بندی اقدامات ممکن (گزینه های تصمیم گیری)

تصمیم‌گیران و دانشمندان داده برای رتبه‌بندی مجموعهٔ اقدامات  ممکن که در گام پیش فهرست شده‌اند، باید مجموعه‌ای از شاخص‌ها را تعریف کنند. هدف از تحلیل داده‌ها تبدیل ناشناخته ها به موارد شناخته شده است تا امکان مقایسه اقدامات با هم و رتبه‌بندی آنها فراهم شود.

شروع تحلیل داده با تمرکز بر تصمیم‌هایی که باید گرفته شوند، یک مزیت عمده برای شرکت به همراه خواهد داشت. اینکه بلافاصله مشخص می‌شود برای اخذ تصمیم‌ها به دانشی نیاز است که دسترسی به آن محدودیت دارد. چیزهایی هست که نمی‌دانیم، اما می‌توانیم از طرق مختلف به درک بهتری از آنها برسیم. برای مثال، اگر شما بروید و به مردم بگویید که اینتربرند (Interbrand) گفته که برند مستر کارت (Mastercard) ۱۱ میلیارد دلار می‌ارزد و آن را به‌عنوان پنجاه و هفتمین برند جهان معرفی کرده است، بسیاری از افراد این برآورد را به‌عنوان ارزش این برند در نظر خواهند گرفت. اما اگر به جای روش قبل، از آنها بپرسید به نظر شما ارزش برند مستر کارت چقدر است؟ حالا به فکر خواهند افتاد که راه‌های زیادی برای تعیین ارزش یک برند وجود دارد. البته که همین‌طور است. کانتار میلوارد براون (Kantar Millward Brown) ارزش مستر کارت را ۱۰۸ میلیارد دلار (دهمین برند دنیا) و برند فاینانس (Brand Finance) ارزش آن را ۱۹.۸میلیارد دلار (رتبه هشتاد و ششم در جهان) برآورد می‌کنند. شروع به کار با تمرکز بر آنچه ناشناخته است، نشانمان می‌دهد که جهان پیچیده و غیرقطعی است.

تحلیل دادهٔ همسو با تصمیم به این معنی  نیست که باید هر جور داده‌ای که می‌توانیم جمع کنیم. توجه به ارزش داده‌هایی که جمع‌آوری می‌شود، اهمیت دارد. اگر هر بار،‌ پس از کشف موضوعات ناشناخته در مورد یک مسئله، باز به همان تصمیمی برسید که پیشتر به آن رسیده بودید، پس دیگر جمع‌آوری داده و تحلیل آنها برای این تصمیم‌گیری فایده‌ای نداشته است.

در اکثر مواقع، داده‌هایی که برای پاسخ‌گویی به پرسش‌‌ها به منظور اخذ یک تصمیم مشخص جمع‌آوری شده‌اند، ارزش به مراتب بیشتری از داده‌های از قبل در دسترس و آماده دارند. رولینگ‌‌بولدر در فکر بود تا برای جلوگیری از ریزش مشتریان خود برای آنها هدایای تشویقی ارسال کند. برای اخذ چنین تصمیمی، لازم است اثر این هدایا بر میزان احتمال از دست رفتن مشتریان شناخته شود و این پرسش با استفاده از داده‌هایی که از پیش در اختیار شرکت بوده است، قابل پاسخگویی نیست. برای پاسخ به این پرسش به آزمون تصادفی کنترل‌شده‌ای (یک RCT یا آزمون الف/ب) نیاز است: دو گروه از مشتریان به شکل تصادفی انتخاب شوند و برای یک گروه هدایای تشویقی ارسال شود و برای گروه دیگر نشود. سپس اثر این کار بر ریزش مشتریان بررسی و مقایسه شود تا اثربخشی این روش مشخص گردد.

گام سوم: انتخاب بهترین و ساده‌ترین راه‌حل‌ها؛ اگر دو گام اول درست طی شده باشند، نتایج تحلیل داده‌ها در این گام راه‌حل مناسب را مشخص خواهد کرد.

شرکت رولینگ‌بولدر با تحلیل داده‌های حاصل از آزمون تصادفی RCT درسی مهم گرفت. ارسال هدایا برای کاهش ریزش مشتریان جواب می‌داد؛ اما نه روی همه. این هدایا برای جلوگیری ازدست‌رفتن بعضی از مشتریان مؤثر بود؛ اما روی گروهی دیگر، برعکس عمل می‌کرد. مشتریانی که احتمال ریزش آنها در حالت عادی هم کم بوده است، شانس از دست رفتنشان با دریافت این هدایا بازهم کمتر شد. اما شانس ریزش مشتریانی که بدون دخالت شرکت هم ممکن بود از دست بروند، با دریافت هدایا حتی بیش از قبل شد. به‌عبارت‌دیگر، شرکت با ارسال هدایا دقیقاً مشتریانی را که نباید، هدف قرار می‌داد. درست مانند بسیاری از شرکت‌های دیگر که چشم‌بسته دنباله‌روی «روش‌های طلایی» هدف قراردادن مشتریان با ریسک بالا با تبلیغات و هدایا، می‌شوند.

تحلیل دادهٔ همسو با تصمیم بر اهمیت پرسیدن تأکید می‌کند. این رویکرد توجه مدیران را به موضوعات ناشناخته پیرامون مسائل و ارزش جمع‌آوری و تحلیل داده‌ها برای روشن‌کردن آنها جلب می‌کند. شرکت‌ها و مدیرانی که از این رویکرد استفاده می‌کنند با اطمینان از اینکه نتایج به‌دست‌آمده با واقعیات کاری گره‌خورده، سود می‌برند؛ نتایجی که با تمرکز بر یافتن پاسخ به پرسش‌ها و چالش‌ها به دست آمده‌اند و نه با اتکا به باورهای غیرواقعی رایج بین مدیران دربارهٔ اینکه جهان چگونه کار می‌کند.