خانه / مدیران / درس‏هایی از ترامپ و برگزیت برای قدرت پیش‏بینی کسب‏وکارها
نکات مدیریتی

روزنامه دنیای اقتصاد - شماره 4031 تاریخ چاپ:1396/02/09 بازدید:933بار کد خبر: DEN-1098705

مترجم: فریبا ولیزاده

ما در عصری شگفت انگیز زندگی می‌کنیم. از سویی مردم انگلستان به خروج از اتحادیه اروپا رای می‎دهند و از سوی دیگر شاهد موفقیت یک تاجر، سرمایه‎دار و ستاره تلویزیون در رقابت‎های ریاست‌جمهوری آمریکا هستیم. چنین رویدادهایی به روشنی در نوع خود بی نظیر هستند. اما نکته جالب این است که هر دو مورد مذکور با وجود پیش‎بینی‌های حاصل از نتایج صدها نظرسنجی و برخلاف نظرات تحلیل‌گران سیاسی رخ داده‌اند، دقیقا در عصری که پیشرفت‌ در زمینه کلان داده، تجزیه و تحلیل اطلاعات و هوش مصنوعی بیش از هر زمان دیگری در تاریخ بشری سر و صدا به پا کرده است.

 

این دوران قطعا عصری شگفت‌انگیز برای پیش‌بینی‌های داده‌محور است. به‌طور مثال انتخابات از جمله رویدادهایی است که در سراسر جهان مورد توجه تمامی اقشار جامعه است و شامل مجموعه‌ای از اصول و قوانین مشترک است که نتیجه‌ای تقریبا ساده نیز در پی دارد که البته مجموعه‌ای از اطلاعات در دسترس و تاریخی در آن دخیل هستند. اما روزنامه‌نگاری پس از انتخابات اخیر آمریکا چنین نوشت: «این روز، روزی بود که اطلاعات مرد.» هم‌زمانی این رویدادها با پیشرفت‌های اخیر در حوزه تجزیه و تحلیل اطلاعات و هوش مصنوعی و همچنین ادعاهای جسورانه و فزاینده در خصوص تاثیرات آنها بر زندگی ما موضوعی قابل توجه است. به نظر می‌رسد اطلاعات و الگوریتم‌های هوشمند می‌توانند ارزش‌های فوق‌العاده‌ای برای کسب‌وکارها به ارمغان بیاورند، چه از طریق بهبود اثربخشی تبلیغات و بهره‌وری عملیاتی و چه به واسطه فعال کردن موتورهای پیشنهاد خودتنظیم. هنوز هم برگزیت و انتخابات ریاست جمهوری دونالد ترامپ این موضوع را به ما یادآوری می‌کنند که اطلاعات و ابزارهای تجزیه و تحلیل می‌توانند به راحتی منجر به گمراهی همه شوند.

تجارب تلخ دنیای سیاست در سال گذشته به خوبی ثابت کرد که تجزیه و تحلیل‌های پیشرفته می‌توانند به راحتی جایگزین نبوغ، خلاقیت و ابتکار انسانی شود. چنین وقایعی برخی ایده‌ها پیرامون چالش‌های پیش‎روی کسب‌وکارها در زمینه بهره‌برداری از مزایای الگوریتم‌های هوشمند و نیاز به تعامل انسان و ماشین‌ها را تقویت کرد. در ادامه به ۴ نکته اصلی برای رهبران کسب‎وکار پرداخته می‎شود.

۱) نبوغ انسانی مکملی برای بهره‌برداری از فناوری در موقعیت‌های ناشناخته. ترکیب اطلاعات و الگوریتم‌های پیچیده در موقعیت‌ها و وضعیت‌های آشنا راهکاری به شدت قدرتمندانه است. نیت سیلور (Nate Silver)، روزنامه نگار و آمارگر آمریکایی توانست نتایج انتخابات تمامی ۵۰ ایالت آمریکا در انتخابات ریاست جمهوری سال ۲۰۱۲ میلادی را به درستی پیش‌بینی کند، چرا که این رویداد همچون کسب وکاری معمول بود که به دست شخصیت‌هایی شناخته شده اداره می‌شد. با این حال تصمیم‌های مردم هنوز هم مزیتی قاطع در قبال هدایت موقعیت‌های ناشناخته دارند و مبارزات انتخاباتی اخیر چیزی بود جز آن کسب‌وکار معمول. بنابراین، کارشناسانی که نتایج را با وضوح بیشتری می‎بینند، افرادی که توجهی به کسب‎وکار معمول ندارند و بر جنبه‌های انسانی و غیر قابل سنجش اطلاعات توجه دارند، موفقیت بیشتری در این حوزه دارند.

۲) درک فرضیه‌های اساسی پیرامون فناوری. حتی قدرتمندترین الگوریتم‎ها نیز مستلزم تبیین مساله و تعیین دامنه قطعی آن هستند. این الگوریتم‎ها از توان ارزیابی زمینه‎های موضوعی خارج از حوزه‎ای خاص برخوردار نیستند. هم‌اکنون فقط افراد هستند که از توان به چالش کشیدن مدل‎های مورد استفاده در این حوزه برخوردار هستند. همان‌طور که روشن شد، موسسه‎های نظرسنجی از مدل‎های مناسبی استفاده نمی‌کنند، الگوریتم‎های پیش‎بینی آنها به اندازه کافی دقیق بوده‌اند اما فرضیات به‌کار رفته در مدل نظیر میزان مشارکت رای‌دهندگان تا حد بسیار زیادی خطاپذیر بوده‌اند.

۳) به چالش کشیدن جعبه سیاه فناوری. انسان‌ها نقش قابل‌توجهی در استخراج ارزش از اطلاعات دارند. برای ایفای چنین نقشی، درک، بررسی، ارزیابی اعتبار خروجی الگوریتم‎ها و ارائه بازخورد از جمله مهم‌ترین الزامات به‌شمار می‌روند. هر تحلیلگر سیاسی تا پیش از برگزاری انتخابات بر این باور بود که رقابت‌های انتخاباتی اخیر رویدادی بی‌سابقه است و نتیجه نیز پیش‌بینی‌ها را اثبات کرد. خطری مشابه نیز در دنیای کسب‌وکار وجود دارد، الگوریتم‌های پیچیده کسب وکار می‌توانند به جعبه سیاهی تبدیل شوند که فرضیات بیان نشده و بی نظمی موجود در واقعیت‌ها را پنهان می‌کنند.

۴) عدم اتکا به پیش‌بینی‎های فاقد تجزیه‌ و تحلیل‌های ساختاری. تحلیلگران از توانایی تفکیک مدل‌های علی و پیش‌بینی برخوردار هستند. مدل‌های پیش‌بینی در تلاش هستند رویدادها را به دقت و بدون توجه به ساختار علی موجود میان متغیرهای ورودی و خروجی پیش‌بینی کنند. این در حالی است که مدل‌های علی به دنبال درک جداگانه روابط میان ورودی‌ها و خروجی‌ها هستند. به بیان دیگر، برخی مدل‌ها آینده را بدون درک آن پیش‌بینی می‌کنند، سایر مدل‌ها نیز بخش‌‌هایی از آینده را بدون برخورداری از توان پیش‌بینی جامع آن درک می‌کنند. تحلیل علی در قیاس با مدل‌های پیش‌بینی، نگاهی ناخوشایندتر به موضوع دارد اما امکان کشف روابط علت و معلولی پنهان که محرک عناصر کلیدی مدل‌های پیش بینی هستند، به واسطه این مدل‌ها فراهم می‌شود.

 

کلام آخر

این فرضیه که فناوری نقش انسان را به مرور کم‌رنگ‌تر خواهد کرد، اشتباهی اساسی است. برعکس، ابتکار و خلاقیت‌های انسانی بیش از گذشته مورد نیاز خواهند بود. انسان‌ها و ماشین‌ها مکمل یکدیگر هستند، بدین معنی که ارزش کسب وکار حاصل از الگوریتم‌ها و اطلاعات تنها به واسطه تعامل مناسب میان انسان‌ها و ماشین‌ها قابل بهره‌برداری خواهد بود. امروزه ترس اصلی این است که رویکرد کنونی نسبت به فناوری گرفتار دام مشابهی شود. حقایق موضوعی پیچیده و بی‌نظم هستند. بنابراین به جای استفاده جزمی از اطلاعات، باید به واسطه بهره‌مندی از منافع کثرت دیدگاه‌ها، ترکیب قابلیت‌های انسان‌ها و ماشین‌ها را امکان‌پذیر سازیم. به بیان دیگر، باید همواره به یاد داشته باشیم که مهم‌ترین بخش تفکر، به موضوع علم داده ارتباط دارد. رهبران کسب‌وکار باید نسبت به یکپارچه‌سازی اطلاعات و روش‌های تجزیه و تحلیل با فرآیندهای کسب‌وکار اقدام کنند. اما حتی در آینده‌ای که تحت عنوان «عصر ماشین‌ها» از آن یاد می‌شود، نبوغ انسانی هنوز هم کلید بهره‌برداری از قدرت فناوری است. به باور ما، این ایده باید در دستور کار رهبران کسب‌وکارها قرار بگیرد تا کسب ارزش با وجود پیشرفت در فرآیندهای تکنولوژیک امکان‌پذیر و امکان تقویت توانمندی‌های سازمانی در استفاده مناسب از آن فراهم شود.

منبع: BCG

انتشارات دنیای اقتصاد سالنامه جامع اختصاصی مدیران