رقابت به‌وسیله‌ داده‌ها

مترجم: محمدجعفر نظری

منبع: فصلنامه مکنزی

توانایی ایجاد و تحلیل مقادیر زیاد داده‌ها امروزه نیازمند آن است که مدیران درباره‌ نقش اطلاعات در کسب‌وکار و حتی درباره‌ طبیعت مزیت رقابتی تجدید نظر کنند. اظهارات سه متخصص زیر در این باره جالب توجه است.

سه متخصص طرح‌های خود را پیشنهاد می‌کنند. یک استاد دانشگاه MIT، یک کارآفرین و یک مربی بسکتبال، قدرت داده‌ها و نقش آن در رقابت‌پذیری را شرح می‌دهند.

مدیر مرکز کسب‌وکار دیجیتال در MIT

اریک برینجولفسن، استاد دانشگاه و مدیر مرکز کسب‌وکار دیجیتال در MIT

مزیت استفاده از داده‌ها

اغلب انقلاب‌های بزرگ در علوم مختلف پس از انقلاب در سنجش اتفاق افتاده‌اند. ما به‌تازگی انقلابی در سنجش داشته‌ایم که امکان ایجاد تمایز دقیق‌تر بین فعالیت‌های مشتریان، فعالیت‌های درونی سازمان و فعالیت‌های کارکنان ایجاد کنند. این انقلاب فرصت‌های تازه‌ای را برای افزایش اثربخشی مدیریت به وجود آورده است.

پژوهش‌های ما حاکی از کم شدن گرایش به مشاهده‌ عینی و افزایش گرایش به استفاده از داده‌ها در تصمیم‌گیری‌ها است. این تغییر با بهبودهای قابل‌سنجش در بهره‌وری و سایر معیارهای عملکردی همراه شده است. در نتیجه، سازمان‌هایی که طبق این روند حرکت کنند، احتمالا خواهند توانست با تغییر روش تصمیم‌گیری، در رقابت بازار پیروز شوند.

چگونه داده‌محور شویم؟

پیش‌نیاز این امر البته توسعه‌ زیرساخت‌ها است؛ یعنی ایجاد امکان سنجش دقیق‌تر معیارها. این کار افزون برمهارت‌های تحلیلی نیازمند مجموعه‌ای از دیدگاه‌های نو و درک درست نسبت به کسب‌وکار است. عامل دیگری که ظریف‌ترین و شاید مهم‌ترین عامل در راه «داده محور شدن» است، عبارت است از تغییر فرهنگی ناظر به چگونگی استفاده از داده‌ها. استفاده از نمودارهای میله‌ای و دایره‌ای همراه با ارائه اعداد که در سازمان‌ها رایج است، تنها برای پشتیبانی از تصمیم‌گیری‌هایی که قبلا انجام گرفته‌اند، سودمند خواهند بود. این قبیل نمودارها فاقد توانایی یاددهی هستند و در افزایش توانمندی برای کشف پاسخ درست نقشی ندارند. در واقع تغییر فرهنگی این است که مدیر بگوید: «خوب، این مساله‌ جالبی است. بیایید روش تازه‌ای را برای کشف راه‌حل آن تدارک ببینیم.»

مهارت‌های لازم

کسب داده‌ها برای استفاده در یک نتیجه‌گیری آماری معنادار کار سختی نیست؛ زیرا همواره داده‌های هنگفتی در دسترسند. مهارت مورد نیاز بیشتر ناظر به مهارت در به‌کارگیری روش‌های نمونه‌گیری، طراحی تجارب و مشاهدات و استفاده از این حجم بسیار بزرگ از داده‌ها بدون سردرگم‌شدن در میان آنها است. اگر نگاهی به درون سازمان‌ها بیفکنید، درمی‌یابید که بخش‌هایی که از داده‌ها استفاده می‌کنند تغییر شکل داده‌اند. مدیران ارشد اطلاعات (CIO) مدام می‌بینند که بیشترین استفاده از داده‌ها در بخش‌هایی از سازمان‌ها است که با مشتریان سروکار بیشتری دارند؛ یعنی کارکنانی که در زمینه‌ مدیریت ارتباط با مشتریان فعالیت می‌کنند. این کارکنان بیشترین همکاری را با مدیران ارشد اطلاعات دارند.

اگر مشتریان در نهایت از سازمان راضی نباشند، سودآوری سازمان متاثر می‌شود. در نتیجه، نتایج مالی سال آینده‌ سازمان تضعیف می‌شود و شما به ناچار باید این تاثیر را در نظر بگیرید. در این حالت، بهترین کار این است که وقتی فرآیندی را در سازمان تغییر می‌دهید بازخورد آن را از مشتریان در زمینه‌ تاثیری که بر رضایت آنان داشته است، دریافت کنید.

چشم‌انداز تازه

به عقیده‌ من، این تحول در سنجش که با گرایش به داده‌های دیجیتال و رهاکردن داده‌های آنالوگ آغاز شد، به‌اندازه‌ اثری که کشف میکروسکوپ در زیست‌شناسی و داروسازی گذاشت در تحول سازمان‌ها موثر خواهد

بود. این تنها بزرگی مقدار داده‌ها نیست که قابل توجه است؛ بلکه می‌توان این داده‌های جدید را داده‌های «نانو» نامید؛ زیرا واحدهای تشکیل دهنده‌ آن‌ بسیار ریز هستند. دانه‌ریز بودن، قابلیت سنجش دقیق‌تر معیارها را فراهم

می‌کند. به‌گونه‌ای که مثلا می‌توان داده‌های عملکردی یک مشتری خاص (یک شخص) را بررسی و پیشنهاداتی ویژه‌ همان شخص برای استفاده از کالاها و خدمات سازمان ارائه

کرد. یکی از بزرگترین انقلاب‌های داده‌ای در سازمان‌ها، پیدایش سیستم‌های سازمانی همچون سیستم‌های طرح‌ریزی منابع سازمانی (ERP)، مدیریت ارتباط با مشتریان (CRM) و مدیریت زنجیره‌ تأمین (SCM) است. داده‌های این سیستم‌ها افزون بر کمک به سطح عملیاتی سازمان، در دستیابی به هوش کسب‌وکار و یادگیری شیوه‌های مدیریت بهتر موثرند؛ به‌گونه‌ای که چند سال پس از راه‌اندازی این سیستم‌ها در سازمان، مدیران به فکر کسب ابزارهایی برای استفاده از داده‌های هنگفت و مفید حاصل از آنها می‌افتند. میزان بهره‌گیری از این فرصت طلایی حاصل از داده‌های مفید بستگی به آگاهی و چالاکی مدیران دارد.

مسیر پیشرو

خبرهایی خوب و خبرهایی هم نه‌چندان‌خوب در این باره وجود دارد. خبر خوب آن است که سرعت پیشرفت و توسعه‌ این فناوری‌ کم نمی‌شود و بهره‌وری شتاب فزاینده‌ای دارد، اما این تحول زیان‌هایی را هم در پی دارد. مثلا در ۲۰ سال گذشته، میانگین دستمزدها در آمریکا نسبتا ثابت مانده است؛ زیرا بسیاری از مردم در کسب توانمندی‌های لازم برای استفاده کامل از مزایای این فناوری ناکام بوده‌اند.

ما باید با فرهنگ‌سازی و تغییر مهارت‌های مورد نیاز نیروهای کاری در سازمان‌ها، امکان استفاده‌ مردم از اطلاعات را به وجود آوریم. در این میان، خلاقیت افراد در دریافتن الگوهای حاکم بر داده‌ها، نقش مهمی در ایجاد فرصت‌های تازه با استفاده از ظرفیت این فناوری دارد.

کارآفرین و متخصص داده‌ها

«جف همرباخر»، کارآفرین و متخصص داده‌ها

مزیت منبع‌باز بودن

من نخستین دانشمند پژوهشگر در فیس‌بوک بودم. هدف اصلی که من دنبال می‌کردم دریافتن چگونگی تاثیرگذاری تغییرات سایت بر رفتار کاربران بود.

ما زیرساخت‌های داده‌ای خود را بر مبنای ترابایت طرح‌ریزی کرده بودیم؛ اما ناچار شدیم آن را به سطح پتابایت ارتقا دهیم. ما دریافتیم که باید به‌جای سرمایه‌گذاری بر زیرساخت‌ها، یک منبع مشترک قدرتمندتر را با همکاری با جامعه‌ منبع‌باز برای آسان‌سازی تحلیل کسب‌وکار خود ایجاد کنیم.

من در تجربه‌ خود در تاسیس «کلودرا» هم دریافتم که توانایی استفاده از مزیت منبع‌باز بودن منحصر به سازمان خاصی نیست. همه سازمان‌ها می‌توانند از این ظرفیت بهره گیرند.

رهبران داده‌ها

وقتی کلودرا را تاسیس کردیم، نمی‌دانستیم که فناوری منبع‌باز کجا می‌تواند مورد استفاده قرار گیرد و وضعیت بازار ما به چه صورت خواهد بود. نخستین جاها فضای وب و فضای چندرسانه‌ای بود. در صنایع سنتی، دولت فدرال آمریکا با توانایی خود در تحلیل داده‌های چندرسانه‌ای مرا متعجب کرد. این دولت رهبر بازار در این زمینه است. به‌ویژه در آژانس‌های اطلاعاتی، پیچیدگی‌های این حوزه بسیار بیشتر از فضای تجاری

است.

صنعت خرده‌فروشی هم از این نظر جالب توجه است. به خاطر ایجاد شعبه‌های بسیار در این صنعت و راه‌یابی آن به فضای تجارت الکترونیک، دارای حجم عظیمی از داده‌ها در وب است. استفاده از این داده‌ها در تشخیص الگوهای رفتاری مشتریان می‌تواند تاثیر شگرفی بر سودآوری در این صنعت داشته

باشد.

سازمان‌های حوزه‌ مالی برخلاف انتظار من، در این زمینه‌ ضعیف‌تر عمل کرده‌اند و در درک کلیت کسب‌وکار خود، به اندازه صنعت خرده‌فروشی موفق نبوده‌اند.

ایجاد یک بخش سازمانی برای داده‌های بزرگ

مدیران باید خود را متعهد بدانند که داده‌ها را به‌عنوان یک مزیت رقابتی بپذیرند. آنها باید زیرساختی کم‌هزینه و قابل‌اتکا را برای گردآوری و ذخیره‌سازی داده‌ها برای استفاده در آن بخش از سازمان که موثرتر می‌دانند به وجود آورند. اگر این دارایی دیجیتال را نداشته باشید از قافله عقب می‌مانید. پس از این کار، باید قدرت تحلیل‌های پیچیده را کسب یا به سازمان خود تزریق کنید.

هنگامی که به سراغ استفاده از تخصص تحلیلی در سازمان خود می‌روید، باید درباره‌ وضعیت کنونی سازمان خود صادق باشید؛ یعنی توانایی خود در به‌خدمت گرفتن افراد خبره و افق زمانی مورد نظر خود را در نظر بگیرید. در این باره نمی‌توان یک روش واحد ارائه کرد. در برخی سازمان‌ها باید یک گروه حرفه‌ای تشکیل شود؛ در برخی دیگر نیز می‌توان با تشکیل یک گروه کوچک متمرکز بر مطالعه‌ بازار هم کار را سامان داد. البته همواره بهتر است که یک گروه متخصص و دارای دیدگاه کل‌نگر داشته باشید.

ظهور «دانشمند داده‌ها»

هم‌اکنون برخی افراد تخصص خود را با عنوان

«دانشمند داده‌ها» معرفی می‌کنند. آنها دریافته‌اند که نقش‌آفرینی در این حوزه متفاوت از نقش‌آفرینی متخصصان آمار یا تحلیل‌گران داده‌ها یا تحلیل‌گران کسب‌وکار است. این دانشمندان دارای مهارت‌های گسترده‌ای هستند که متشکل از شیوه‌های پژوهش علمی، مهارت‌های اجتماعی، مهارت‌های برنامه‌نویسی رایانه‌ای و مهارت بسیار بالا در اولویت‌بندی است. البته دانش آمار و یادگیری مستمر هم از ویژگی‌های بسیار مهم این افراد است. البته طبیعی است که یافتن فردی که این مهارت‌های بسیار را داشته باشد، دشوار خواهد بود.

مربی بسکتبال تیم

دانشگاه باتلر

برد استیونز، مربی بسکتبال تیم دانشگاه باتلر است که رکورد بیشترین برد را در دست دارد.

چگونه با استفاده از داده‌ها و علم تحلیل در بسکتبال تغییر ایجاد کردید؟

داده‌ها همواره بخش مهمی از کار من بوده‌اند. بسیاری از پیچیدگی‌ها را می‌توان به‌وسیله‌ اعداد مطالعه کرد. ما در تیم بسکتبال خود بودجه‌ای برای انجام تحلیل‌های پیچیده نداریم، اما وقتی با استفاده از اعداد برای بازیکن‌هایم دقیقا شرح می‌دهم که برای بهتر شدن چه باید بکنند، بسیار بهتر نتیجه می‌گیرم.

اگر بودجه‌ای تمام‌نشدنی داشتید، چه کارهایی انجام می‌دادید؟

اولین کاری که می‌کردم این بود که یکی از پست‌های سازمانی افراد خود یا شاید تمام آنها را به کارهای آماری اختصاص می‌دادم تا طرح‌ریزی بازی و چگونگی اثربخشی بازیکنان را پایش کنند: مسائلی از این قبیل که «افراد در حال انجام چه حرکاتی در بازی، تا به حال اثربخش‌تر بوده‌اند؟» یا «محل استقرارشان در زمین کجا باشد که اثربخش‌تر باشند؟» اگر برای هر بازیکن مواردی این‌چنین را در نظر بگیریم، می‌توانیم بهترین استفاده را از بازی هر فرد به عمل آوریم.

حال که آن افراد (تحلیل‌گر داده‌ها) را در خدمت ندارید، چه می‌کنید؟

ابتدا همه‌ آمارهای مربوط به رقبا را تجزیه می‌کنم و سعی می‌کنم روندهای آنها را دریابم. برای نمونه تعداد حرکت‌های سه‌گانه‌ رقبا که منجر به کسب امتیاز در بسکتبال می‌شود، شاخص خوبی برای تعیین قدرت آنها

است.

مثال‌های دیگری که از این شاخص‌ها می‌توان بیان کرد عبارتند از درصد دفاع نسبت به حمله، بیشترین تعداد حرکت‌هایی که منجر به مغلوب شدن و امتیاز دادن رقبا شده است؛ و این‌که تمرکز دفاعی رقبا معطوف به چه حرکاتی است؟

سپس فیلم‌های بازی‌ها را به‌وسیله‌ رایانه به‌سرعت تکه‌تکه می‌کنم تا همه‌ حرکات یک بازیکن را یکجا بررسی کنم. اثربخشی کار بازیکنان با این کار مشخص می‌شود. فیلم‌ها را با آمارها تطبیق می‌دهم. به این ترتیب می‌توانم ویژگی‌های هر یک از بازیکنان را با دقت بیشتری بفهمم.

اما آن‌چه باید مواظب آن باشیم این است که در تحلیل‌ها فقط به آمار یک فصل اکتفا نکنیم. تیم‌ها تغییر می‌کنند. هر چه به پایان فصل نزدیک می‌شویم، من زمان بیشتری را صرف بررسی مسابقات اخیر می‌کنم. چه تفاوت‌هایی در تیم ایجاد شده است؟ چه پیشرفت‌ها و پسرفت‌هایی در تیم صورت گرفته است؟

من می‌توانم وقت بیشتری را برای دستیابی به داده‌های بیشتر صرف کنم؛ اما ترجیح می‌دهم زودتر نتایج را با بازیکنان خود در میان بگذارم. زیرا آنها باید از این اطلاعات استفاده کنند؛ بنابراین نباید ذهن آنها را از این اطلاعات اشباع کنیم. در بسکتبال بازیکنان باید به ‌صورت آنی تصمیم‌گیری کنند. اگر بازیکنان بخواهند ذهن خود را درگیر آمارهای پیچیده‌ کنند، کیفیت بازیشان کمتر هم می‌شود. ساده‌سازی اطلاعات برای انتقال موثر به بازیکنان اهمیت زیادی دارد.

می‌توانید درباره‌ ساده‌سازی داده‌ها برای بازیکنان توضیح بیشتری بدهید؟ چگونه بازیکنان خود را درگیر می‌کنید؟

باید بفهمید که آنها چگونه واکنش نشان می‌دهند؟ چگونه بهترین کارآیی را در یادگیری تیمی خواهند داشت؟ چگونه یادگیری فردی بازیکنان کارآیی بیشتری می‌یابد؟ اگر ما فردی را به تیم بیفزاییم که اعداد را به خاطر بسپارد و مثلا به یک بازیکن بگوید:

«تو ۴۳ درصد شوت میزنی. اگر

در هر بازی یک شوت بیشتر بزنی، درصد شوت‌های تو به ۴۸ یا ۴۹ درصد می‌رسد.»، هم ساده‌سازی کرده‌ایم و هم از مزیت داده‌ها برای دقیق‌تر شدن تحلیل‌های خود استفاده نموده‌ایم.

آیا اتفاق افتاده که این روش واقعا سودمند بیفتد و تفاوتی ایجاد کند؟

این روش در همه‌ بازی‌ها سودمند بوده است. هیچ مسابقه‌ای نبوده که این روش ما نقش چشمگیری نداشته باشد. البته ما در این زمینه و در بسکتبال بااستعدادترین افراد نیستیم و باید در این حوزه‌ها بهتر شویم.