رقابت به وسیله داده ها

سه متخصص طرح های خود را پیشنهاد می کنند. یک استاد دانشگاه MIT، یک کارآفرین و یک مربی بسکتبال، قدرت داده ها و نقش آن در رقابت پذیری را شرح می دهند.

مدیر مرکز کسب وکار دیجیتال در MIT
اریک برینجولفسن، استاد دانشگاه و مدیر مرکز کسب وکار دیجیتال در MIT

مزیت استفاده از داده ها
اغلب انقلاب های بزرگ در علوم مختلف پس از انقلاب در سنجش اتفاق افتاده اند. ما به تازگی انقلابی در سنجش داشته ایم که امکان ایجاد تمایز دقیق تر بین فعالیت های مشتریان، فعالیت های درونی سازمان و فعالیت های کارکنان ایجاد کنند. این انقلاب فرصت های تازه ای را برای افزایش اثربخشی مدیریت به وجود آورده است.
پژوهش های ما حاکی از کم شدن گرایش به مشاهده عینی و افزایش گرایش به استفاده از داده ها در تصمیم گیری ها است. این تغییر با بهبودهای قابل سنجش در بهره وری و سایر معیارهای عملکردی همراه شده است. در نتیجه، سازمان هایی که طبق این روند حرکت کنند، احتمالاخواهند توانست با تغییر روش تصمیم گیری، در رقابت بازار پیروز شوند.

چگونه داده محور شویم؟
پیش نیاز این امر البته توسعه زیرساخت ها است؛ یعنی ایجاد امکان سنجش دقیق تر معیارها. این کار افزون برمهارت های تحلیلی نیازمند مجموعه ای از دیدگاه های نو و درک درست نسبت به کسب وکار است. عامل دیگری که ظریف ترین و شاید مهم ترین عامل در راه «داده محور شدن» است، عبارت است از تغییر فرهنگی ناظر به چگونگی استفاده از داده ها. استفاده از نمودارهای میله ای و دایره ای همراه با ارائه اعداد که در سازمان ها رایج است، تنها برای پشتیبانی از تصمیم گیری هایی که قبلاانجام گرفته اند، 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 تازه ای را برای کشف راه حل آن تدارک ببینیم.»

مهارت های لازم
کسب داده ها برای استفاده در یک نتیجه گیری آماری معنادار کار سختی نیست؛ زیرا همواره داده های هنگفتی در دسترسند. مهارت مورد نیاز بیشتر ناظر به مهارت در به کارگیری روش های نمونه گیری، طراحی تجارب و مشاهدات و استفاده از این حجم بسیار بزرگ از داده ها بدون سردرگم شدن در میان آنها است. اگر نگاهی به درون سازمان ها بیفکنید، درمی یابید که بخش هایی که از داده ها استفاده می کنند تغییر شکل داده اند. مدیران ارشد اطلاعات (CIO) مدام می بینند که بیشترین استفاده از داده ها در بخش هایی از سازمان ها است که با مشتریان سروکار بیشتری دارند؛ یعنی کارکنانی که در زمینه مدیریت ارتباط با مشتریان فعالیت می کنند. این کارکنان بیشترین همکاری را با مدیران ارشد اطلاعات دارند.
اگر مشتریان در نهایت از سازمان راضی نباشند، سودآوری سازمان متاثر می شود. در نتیجه، نتایج مالی سال آینده سازمان تضعیف می شود 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 می دهید بازخورد آن را از مشتریان در زمینه تاثیری که بر رضایت آنان داشته است، دریافت کنید.

چشم انداز تازه
به عقیده من، این تحول در سنجش که با گرایش به داده های دیجیتال و رهاکردن داده های آنالوگ آغاز شد، به اندازه اثری که کشف میکروسکوپ در زیست شناسی و داروسازی گذاشت در تحول سازمان ها موثر خواهد
بود. این تنها بزرگی مقدار داده ها نیست که قابل توجه است؛ بلکه می توان این داده های جدید را داده های «نانو» نامید؛ زیرا واحدهای تشکیل دهنده آن بسیار ریز هستند. دانه ریز بودن، قابلیت سنجش دقیق تر معیارها را فراهم
می کند. به گونه ای که مثلامی توان داده های 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 انقلاب های داده ای در سازمان ها، پیدایش سیستم های سازمانی همچون سیستم های طرح ریزی منابع سازمانی (ERP)، مدیریت ارتباط با مشتریان (CRM) و مدیریت زنجیره تامین (SCM) است. داده های این سیستم ها افزون بر کمک به سطح عملیاتی سازمان، در دستیابی به هوش کسب وکار و یادگیری شیوه های مدیریت بهتر موثرند؛ به گونه ای که چند سال پس از راه اندازی این سیستم ها در سازمان، مدیران به فکر کسب ابزارهایی برای استفاده از داده های هنگفت و مفید حاصل از آنها می افتند. میزان بهره گیری از این فرصت طلایی حاصل از داده های مفید بستگی به آگاهی و چالاکی مدیران دارد.

مسیر پیشرو
خبرهایی خوب و خبرهایی هم نه چندان خوب در این باره وجود دارد. خبر خوب آن است که سرعت پیشرفت و توسعه این فناوری کم نمی شود و بهره وری شتاب فزاینده ای دارد، اما این تحول زیان هایی را هم در پی دارد. مثلادر 20 سال گذشته، میانگین دستمزدها در آمریکا نسبتا ثابت مانده است؛ زیرا بسیاری از مردم در کسب توانمندی های لازم برای استفاده کامل از مزایای این فناوری ناکام بوده اند.
ما باید با فرهنگ سازی و تغییر مهارت های مورد نیاز نیروهای کاری در سازمان ها، امکان استفاده مردم از اطلاعات را به وجود آوریم. در این میان، خلاقیت افراد در دریافتن الگوهای حاکم بر داده ها، نقش مهمی در ایجاد فرصت های تازه با استفاده از ظرفیت این فناوری دارد.

كارآفرین و متخصص داده ها«جف همرباخر»، کارآفرین و متخصص داده ها مزیت منبع باز بودن
من نخستین دانشمند پژوهشگر در فیس بوک بودم. هدف اصلی که من دنبال می کردم دریافتن چگونگی تاثیرگذاری تغییرات سایت بر رفتار کاربران بود.
ما زیرساخت های داده ای خود را بر مبنای ترابایت طرح ریزی کرده بودیم؛ اما ناچار شدیم آن را به سطح پتابایت ارتقا دهیم. ما دریافتیم که باید به جای سرمایه گذاری بر زیرساخت ها، یک منبع مشترک قدرتمندتر را با همکاری با جامعه منبع باز برای آسان سازی تحلیل کسب وکار خود ایجاد کنیم.
من در تجربه خود در تاسیس «کلودرا» هم دریافتم که توانایی استفاده از مزیت منبع باز بودن منحصر به سازمان خاصی نیست. همه سازمان ها می توانند از این ظرفیت بهره گیرند.

رهبران داده ها
وقتی کلودرا را تاسیس کردیم، نمی دانستیم که فناوری منبع باز کجا می تواند مورد استفاده قرار گیرد و وضعیت بازار ما به چه صورت خواهد بود. نخستین جاها فضای وب و فضای چندرسانه ای بود. در صنایع سنتی، دولت فدرال آمریکا با توانایی خود در تحلیل داده های چندرسانه ای مرا متعجب کرد. این دولت رهبر بازار در این زمینه است. به ویژه در آژانس های اطلاعاتی، پیچیدگی های این حوزه بسیار بیشتر از فضای تجاری است.
صنعت خرده فروشی هم از این نظر جالب توجه است. به خاطر ایجاد شعبه های بسیار در این صنعت و راه یابی آن به فضای تجارت الکترونیک، دارای حجم عظیمی از داده ها در وب است. استفاده از این داده ها در تشخیص الگوهای رفتاری مشتریان می تواند تاثیر شگرفی بر سودآوری در این صنعت داشته باشد.
سازمان های حوزه مالی برخلاف انتظار من، در این زمینه ضعیف تر عمل کرده اند و در درک کلیت کسب وکار خود، به اندازه صنعت خرده فروشی موفق نبوده اند.

ایجاد یک بخش سازمانی برای داده های بزرگ
مدیران باید خود را متعهد بدانند که داده ها را به عنوان یک مزیت رقابتی بپذیرند. آنها باید زیرساختی کم هزینه و قابل اتکا را برای گردآوری و ذخیره سازی داده ها برای استفاده در آن بخش از سازمان که موثرتر می دانند به وجود آورند. اگر این دارایی دیجیتال را نداشته باشید از قافله عقب می مانید. پس از این کار، باید قدرت تحلیل های پیچیده را کسب یا به سازمان خود تزریق کنید.
هنگامی که به سراغ استفاده از تخصص تحلیلی در سازمان خود می روید، باید درباره وضعیت کنونی سازمان خود صادق باشید؛ یعنی توانایی خود در به خدمت گرفتن افراد خبره و افق زمانی مورد نظر خود را در نظر بگیرید. در این باره نمی توان یک روش واحد ارائه کرد. در برخی سازمان ها باید یک گروه حرفه ای تشکیل شود؛ در برخی دیگر نیز می توان 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 کل نگر داشته باشید.

ظهور «دانشمند داده ها»
هم اکنون برخی افراد تخصص خود را با عنوان «دانشمند داده ها» معرفی می کنند. آنها دریافته اند که نقش آفرینی در این حوزه متفاوت از نقش آفرینی متخصصان آمار یا تحلیل گران داده ها یا تحلیل گران کسب وکار است. این دانشمندان دارای مهارت های گسترده ای هستند که متشکل از شیوه های پژوهش علمی، مهارت های اجتماعی، مهارت های برنامه نویسی رایانه ای و مهارت بسیار بالادر اولویت بندی است. البته دانش آمار و یادگیری مستمر هم از ویژگی های بسیار مهم این افراد است. البته طبیعی است که یافتن فردی که این مهارت های بسیار را داشته باشد، دشوار خواهد بود.

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

چگونه با استفاده از داده ها و علم تحلیل در بسکتبال تغییر ایجاد کردید؟
داده ها همواره بخش مهمی از کار من بوده اند. بسیاری از پیچیدگی ها را می توان به وسیله اعداد مطالعه کرد. ما در تیم بسکتبال خود بودجه ای برای انجام تحلیل های پیچیده نداریم، اما وقتی با استفاده از اعداد برای بازیکن هایم دقیقا شرح می دهم که برای بهتر شدن چه باید بکنند، بسیار بهتر نتیجه می گیرم.

اگر بودجه ای تمام نشدنی داشتید، چه کارهایی انجام می دادید؟
اولین کاری که می کردم این بود که یکی از پست های سازمانی افراد خود یا شاید تمام آنها را به کارهای آماری اختصاص می دادم تا طرح ریزی بازی و چگونگی اثربخشی بازیکنان را پایش کنند: مسائلی از این قبیل که «افراد در حال انجام چه حرکاتی در بازی، تا به حال اثربخش تر بوده اند؟» یا «محل استقرارشان در زمین کجا باشد که اثربخش تر باشند؟» اگر برای هر بازیکن مواردی این چنین را در نظر بگیریم، می توانیم بهترین استفاده را از بازی هر فرد به عمل آوریم.

حال که آن افراد (تحلیل گر داده ها) را در خدمت ندارید، چه می کنید؟
ابتدا همه آمارهای مربوط به رقبا را تجزیه می کنم و سعی می کنم روندهای آنها را دریابم. برای نمونه تعداد حرکت های سه گانه رقبا که منجر به کسب امتیاز در بسکتبال می شود، شاخص خوبی برای تعیین قدرت آنها
است.

مثال های دیگری که از این شاخص ها می توان بیان کرد عبارتند از درصد دفاع نسبت به حمله، بیشترین تعداد حرکت هایی که منجر به مغلوب شدن و امتیاز دادن رقبا شده است؛ و این که تمرکز دفاعی رقبا معطوف به چه حرکاتی است؟
سپس فیلم های بازی ها را به وسیله رایانه به سرعت تکه تکه می کنم تا همه حرکات یک بازیکن را یکجا بررسی کنم. اثربخشی کار بازیکنان با این کار مشخص می شود. فیلم ها را با آمارها تطبیق می دهم. به این ترتیب می توانم ویژگی های هر یک از بازیکنان را با دقت بیشتری بفهمم.

اما آن چه باید مواظب آن باشیم این است که در تحلیل ها فقط به آمار یک فصل اکتفا نکنیم. تیم ها تغییر می کنند. هر چه به پایان فصل نزدیک می شویم، من زمان بیشتری را صرف بررسی مسابقات اخیر می کنم. چه تفاوت هایی در تیم ایجاد شده است؟ چه پیشرفت ها و پسرفت هایی در تیم صورت گرفته است؟
من می توانم وقت بیشتری را برای دستیابی به داده های بیشتر صرف کنم؛ اما ترجیح می دهم 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 تصمیم گیری کنند. اگر بازیکنان بخواهند ذهن خود را درگیر آمارهای پیچیده کنند، کیفیت بازیشان کمتر هم می شود. ساده سازی اطلاعات برای انتقال موثر به بازیکنان اهمیت زیادی دارد.

می توانید درباره ساده سازی داده ها برای بازیکنان توضیح بیشتری بدهید؟ چگونه بازیکنان خود را درگیر می کنید؟
باید بفهمید که آنها چگونه واکنش نشان می دهند؟ چگونه بهترین کارآیی را در یادگیری تیمی خواهند داشت؟ چگونه یادگیری فردی بازیکنان کارآیی بیشتری می یابد؟ اگر ما فردی را به تیم بیفزاییم که اعداد را به خاطر بسپارد و مثلابه یک بازیکن بگوید:
«تو 43 درصد شوت میزنی. اگر در هر بازی یک شوت بیشتر بزنی، درصد شوت های تو به 48 یا 49 درصد می رسد.»، هم ساده سازی کرده ایم و هم از مزیت داده ها برای دقیق تر شدن تحلیل های خود استفاده نموده ایم.