هنگامی که داده‌های بزرگ امتیازی ایجاد نمی‌کنند

نویسنده: David Meer مترجم: عاطفه جاهدی فقط داده‌های بزرگ کارآمد نیستند، شرکت‌هایی که فقط داده‌های اندکی را در دسترس دارند نیز می‌توانند از این اطلاعات برای بهبود تجارت خود استفاده کنند. ***

یک آژانس تبلیغاتی با یکی از موکلان خود که اتفاقا سرهنگ لشکر تفنگداران دریایی بود، دیداری داشت و مکالمات آنها به موضوع داده‌های معتبر کشیده شد. سرهنگ گفت: «اگر در یک میدان جنگ و در حال دفاع از یک منطقه باشم، چنانچه اطلاعاتی حتی جزیی به دست آورم، حتی اگر ۱۰۰درصد هم از دقیق بودن اطلاعات مطمئن نباشم، تصمیماتی براساس همان اطلاعات خواهم گرفت.» او شدیدا معتقد بود که داشتن اطلاعات هرچند اندک بسیار بهتر از نداشتن آن است و نادیده انگاشتن این اطلاعات فقط به‌دلیل کم بودن آن یک حماقت است. می‌توان گفت که این سرهنگ طرفدار «داده‌های اندک»

(little data) است.

البته بحث‌های فراوانی در مورد پتانسیل داده‌های بزرگ، با حجم بالا، سرعت بالا و دارایی‌های اطلاعاتی بسیار متنوع وجود دارند که به فرم‌های جدیدی از پردازش داده‌ها نیاز دارند تا شرکت‌ها را در تصمیم‌گیری‌های بهتر و عملکرد موثرتر یاری رسانند.

مجموعه داده‌های بسیار بزرگ از توده‌ای از رفتارهای فردی (به‌طور مثال: از سایت‌های رسانه اجتماعی همچون توئیتر و اینستاگرام)، گزارش‌های ثبت شده معاملات و دستگاه‌های خودکار سنجش اطلاعات به‌وجود

می‌آیند.

شرکت‌ها به‌طور فزاینده‌ای این منابع داده‌ها را مورد بررسی قرار می‌دهند تا درک بیشتری از رفتار و ترجیحات مشتریان خود داشته باشند و حتی بتوانند جنبش‌های بازار سهام را پیش‌بینی کنند. موفقیت‌های اولیه تعدادی از شرکت‌ها در این زمینه سبب شده است تا شرکت‌های بیشتری بر زیرساخت‌ها، نرم‌افزار‌ها و استعدادهای مورد نیاز جهت کاوش داده‌های بزرگ سرمایه‌گذاری کنند.

به هرحال یک اخطار بسیار مهم در این مورد وجود دارد. بسیاری از شرکت‌ها، شاید اغلب آنها، در محیط‌هایی با داده‌های پراکنده بدون دسترسی به اطلاعات فراوان مورد نیاز جهت جست‌وجوی پیشرفته تحلیلی و داده‌ها فعالیت می‌کنند.

به‌عنوان مثال داده‌های ثبت فروش در بازارها استاندارد نیست. در اغلب صنایع در B۲B(تجارت - تجارت)، شرکت‌ها به داده‌های مربوط به فروش‌های خودشان و محموله‌ها دسترسی دارند اما اطلاعات بسیار اندکی راجع به حجم کل بازار و اینکه رقیبانشان چه چیزی را می‌فروشند دارند. بازارهای بسیار تخصصی یا تمرکز یافته همچون تامین‌کنندگان قطعات برای خودروسازان فقط اندکی چند از مشتریان بالقوه را در دسترس دارند.

این شرکت‌ها باید با آنچه که آنها را «داده‌های اندک» می‌خوانیم مجهز شوند- اطلاعاتی که به آسانی در دسترس هستند و شرکت‌ها بینش بهتری را با استفاده از آنها کسب می‌کنند، حتی اگر پراکنده باشند و یا کیفیت‌هایی نابرابر داشته باشند.

این نوع اطلاعات برای شرکت‌ها بیشتر از آخرین الگوریتم داده کاوی یا سکوی رسانه‌های اجتماعی طنین انداز خواهد بود.

برخی مفسران این نکته را خاطرنشان می‌سازند که مفهوم داده‌های بزرگ فراتر از منابع داده‌های جدید، تکنیک‌ها و تکنولوژی تحلیلی است. در عوض تغییر پارادایم- به دور از مدیریت بر پایه احساسات خوب و به سوی تصمیم‌گیری‌های داده محور- تقریبا در دستور کار و در حال شتاب گیری است. این تغییر آنچنان عمیق است که شرکت‌های فاقد داده‌های بازاری کامل و شفاف دیگر نمی‌توانند از این کمبود به‌عنوان بهانه‌ای برای تکیه بر وضعیت موجود

استفاده کنند.

آنها باید تلاش‌های هم‌راستایی را جهت استفاده از داده‌هایی که در دسترس دارند (که می‌توانند داده‌های ناقصی باشند) انجام دهند یا روش‌های نوآورانه و ارزانی برای ایجاد داده‌های جدید کشف کنند.

به‌عنوان مثال، یک تولیدکننده بزرگ نوشیدنی قصد داشت تا فروش خود را در رستوران‌ها و در مکان‌های تفریحی بهبود بخشد. این شرکت سال‌ها داده‌های سندیکایی را از منبعی معتبر که بیشتر از ۱۰۰ هزار موسسه را تحت پوشش قرار می‌داد، خریداری می‌کرد.

متاسفانه داده‌ها جهت خدمات‌رسانی به مجموعه گسترده‌ای از مشتریان جمع‌آوری و پی‌ریزی شدند و طرح تقسیم‌بندی استانداردی را ایجاد کردند که بینشی کافی در چگونگی خدمت‌رسانی به بخش‌های مختلف را برای این شرکت بزرگ فراهم نمی‌آورد. بنابراین شرکت تصمیم گرفت تا مجموعه‌ای از تکنیک‌های داده‌های اندک را جهت یافتن راه‌حل مناسب در رفع نیازهایش ایجاد کند.

این کار با تحقیقات مشاهده‌ای، بازدید از کافی‌شاپ‌ها و رستوران‌ها و فهرست کردن نوع مشتریان و الگوهای مصرف آنان آغاز شد. با ترکیب این اطلاعات نتایجی با تعاریف عملی‌تر برای بخش‌ها به دست آمد. قدم بعدی تعیین کمیت بخش‌ها بود- مشخص نبودن اینکه چه تعداد مرکز در هر بخش وجود دارد.

این شرکت تولیدکننده نوشیدنی الگوریتمی را براساس ویژگی‌های قابل مشاهده ایجاد کرد و سپس از کارشناسان فروش خود خواست تا همه کافی‌شاپ‌ها و رستوران‌ها را در منطقه خود براساس الگوریتم موجود طبقه‌بندی کنند. (این یک تکنیک داده‌های اندک کلاسیک است: پر کردن درونی فاصله‌های داده‌ای). سرانجام، شرکت برای هر بخش عمده طبقه‌بندی مناسبی از محصولات، قیمت‌گذاری و برنامه‌های بازاریابی صحیحی ترتیب داد. پروژه‌های آزمایشی در دو شهر بزرگ، افزایش قابل توجهی را در فروش کلی و نفوذ سهمی در بازار نشان داد و این شرکت هم‌اکنون نیز این ابتکار عمل را در سطح ملی در دستور کار خود دارد.

شرکت‌های دیگری نیز از داده‌های اندک با موفقیت استفاده کرده‌اند. به‌عنوان مثال یک سازنده فرآورده‌های پوشش صنعتی داده‌های اندکی در مورد تفکیک قیمت‌ها با درنظر گرفتن مشتری و منطقه داشت. در نتیجه او نمی‌توانست مدل‌های قیمت‌گذاری انعطاف‌پذیر و قوی با استفاده از تجزیه و تحلیل رگرسیون کلاسیک بسازد. اما شرکت با استفاده از تکنیک‌های تجزیه و تحلیلی دیگر می‌توانست نواحی خاصی را مشخص کند تا خط مشی‌های قیمت‌گذاری و سرویس‌دهی را بهبود بخشد. این شرکت به یک رویکرد قیمت‌گذاری مبتنی بر ارزش روی آورد تا مطمئن شود که سودآورترین مشتریانش بالاترین سطح خدمات را دریافت می‌کنند.

اجرای این عملیات فقط در یک واحد تجاری در یک منطقه به تنهایی توانست ۴ درصد افزایش را در فروش سبب شود.

در مثال دیگری یک شرکت بیمه درمان منطقه‌ای که تلاش می‌کرد تا خود را به واسطه تجربیات مشتریان برجسته متمایز کند، دریافت که مرکز تماس‌هایش منبع بالقوه‌ای از داده‌ها در مورد اطلاعات بیماری مشتریان و راه‌حل‌های بالقوه است. این شرکت لیست کاملی از این تماس‌ها را گرفت- و نه فقط خلاصه‌ای از آن‌که توسط نمایندگی‌های خدماتی وارد شده بودند- و الگوریتم‌های متن کاوی را به‌کار برد.

با استفاده از این داده‌ها شرکت توانست فرمت و زبان مکالمات کتبی و خط جریان مکالمات خود را بهبود بخشد. علاوه‌بر این، شرکت موردنظر فرصت‌های معرفی موقعیت‌های نمایی در محله‌های خاص را تعیین کرد تا تعامل مشتریانش را بهبود بخشد و میزان ابقای مشتریان را افزایش دهد.

حتی شرکت‌های بزرگ هم می‌توانند از تکنیک‌های داده‌های اندک استفاده کنند.

شرکت لوازم خانگی حایر (Haier) چین از اطلاعاتی استفاده می‌کند که توسط تکنسین‌های خدماتی برای هدایت نوآوری‌ها جمع‌آوری می‌شود. به‌طور مثال در اواخر دهه ۱۹۹۰ برخی از تکنسین‌ها دریافتند که مشتریان روستایی از ماشین‌های لباسشویی خود برای شست‌وشوی سبزیجات استفاده می‌کنند که سبب مسدود کردن لوله آن می‌شد. حایر از این اطلاعات استفاده کرد تا ماشین شوینده جدیدی بسازد با این عنوان «برای شست‌وشوی لباس، سیب‌زمینی و بادام زمینی».

با یک مجموعه فکری صحیح، در واقع همه منابع حاوی اطلاعات می‌توانند برای بهبود فرآورده‌ها، تجربیات در مورد مشتری یا منافع شرکت مورد بهره‌برداری قرار بگیرند. بنابراین تکنیک‌های داده‌های اندک می‌توانند دربرگیرنده هر نوع روشی جهت ارائه بینش بیشتر به شرکت در مورد مشتریانش بدون در بر داشتن هزینه زیاد باشند.

همان‌گونه که در مثال‌های فوق بیان شد، کاوش در داده‌های اندک به معنی سرمایه‌گذاری در کسب داده‌ها، سخت‌افزار، نرم‌افزار یا زیرساخت تکنولوژی گران‌قیمت نیست بلکه بیان می‌کنند شرکت‌ها به سه چیز احتیاج دارند:

• تعهد داشتن و محوریت قرار دادن هرچه بیشتر «حقیقت» در تصمیم‌گیری‌های خود. این تعهد غالبا با این حس که رقابت در حال داغ شدن است یا شرکت در حال عقب افتادن از تغییرات عادتی و ترجیحات مشتریان است، دنبال می‌شود. اما تصمیم‌گیری‌های حقیقت‌محور می‌توانند منبع مهمی از منافع رقابتی برای شرکت‌های پیشرو بازار

باشند.

• تمایل به یادگیری از طریق انجام کار. از آنجا که کاربرد داده‌های اندک توسط اشخاص ثالث به‌طور تجاری قابل دسترس نیست، شرکت‌ها باید از آزمون و خطا استفاده کنند. اما از زمانی که تعداد کمی از اولویت‌ها نمایان شدند، مجموعه‌ای از پروژه‌های آزمایشی به شرکت‌ها تجربیات مفید و البته تا حدود اندکی موفقیت‌های اولیه‌ای را که می‌توانند الهام بخش بقیه سازمان باشند ارائه می‌دهند.

• اندکی خلاقیت. شرکت‌ها برای خلق داده‌های غنی‌تر باید خلاق‌تر باشند که تاحدی با بهره‌برداری از تعاملات مشتریان به‌طور طبیعی رخ می‌دهد.

به‌طور مثال، خرده‌فروشان می‌توانند خریداران را در مغازه‌ها برای بررسی‌های سریع با آی‌پد مورد گفت‌وگو قرار دهند. هر وب سایتی با یک فرم ثبت‌نام ورای داده‌های اولیه که معمولا جمع‌آوری می‌شوند، می‌تواند سوالاتی که ترجیحات مشتریان را آشکار می‌سازد، مطرح کند. مکالمات مرکز تلفن موقعیت دیگری برای جمع‌آوری داده‌ها در مورد موضوعی خاص است و داده‌ها را می‌توان برای کسب بینش بیشتر نسبت به مشتری جست‌وجو کرد.

برخی از شرکت‌ها پنل‌های کاربر پیشرفته‌ای برای بررسی مشتریان خلق می‌کنند تا در طول فرآیند تحقیق و توسعه برای محصولات جدید داده‌هایی را به دست آورند. برخی دیگر بر نمایندگان فروش خود تکیه می‌کنند تا گرایش‌های ترجیحی مشتریان و فعالیت‌های رقیبان را گزارش کنند و جمله نهایی این است که: شرکت‌ها باید حداکثر تلاش خود را برای به دست آوردن و تفسیر داده‌هایی که هم‌اکنون در حال تولید است انجام دهند.

شرکت‌ها غالبا سفر خود را با یک محصول، یک منطقه و یک مشکل که نیازمند توجه است و همچنین راه‌اندازی یک پروژه آزمایشی آغاز می‌کنند. این امر به مدیران اجرایی اجازه می‌دهد تا به خود و بقیه سازمان اعلام کنند که بازگشت به تلاش و هزینه توجیه شده است. هنگامی که شرکت‌ها شروع به سرمایه‌گذاری بر تجزیه و تحلیل می‌کنند، تقریبا هرگز متوقف نمی‌شوند زیرا چیزی که آنها یاد می‌گیرند بیشتر از پرداختن هزینه در قبال تجزیه و تحلیل‌ها، هدایت بهبود‌ها در تجارت است. این فعالیت خود بودجه است.

در برخی از موارد شرکت‌هایی که با داده‌های اندک آغاز به‌کار می‌کنند به تشخیص ارزش بینش به دست آمده و گسترش سرمایه‌گذاری‌شان در گنجاندن مجموعه داده‌های بزرگ‌تر و تجزیه و تحلیل‌های پیشرفته‌تر پایان می‌دهند. داده‌های اندک در شرکت‌های دیگر همه آن چیزی است که نیاز دارند.

در هر یک از این موارد، منافع مشخص هستند: مدیران اجرایی بینش را از آنچه که می‌توانند برای بهبود موقعیت رقابتی خود انجام دهند به دست می‌آورند یا شناسایی آنچه می‌تواند حجم داده‌ها را برای متعجب ساختن آنها تحت حمایت بگیرد. بسیار سخت است تا بتوان برای آن قیمتی تعیین کرد.