چه زمانی می‌توان بر اساس همبستگی عمل کرد؟

چه زمانی می‌توان بر اساس همبستگی عمل کرد؟

یک سوپرمارکت زنجیره‌ای در استرالیا با یک شرکت بیمه خودرو یک برنامه مدیریت وفاداری مشتریان مشترک ایجاد می‌کند. اطلاعات ترکیبی به‌دست‌آمده از کارت‌های عضویت مشتریان همبستگی‌های جالبی را مشخص کردند. داده‌ها نشان داد که آن‌هایی که گوشت قرمز و شیر بیشتری می‌خرند، با احتمال بیشتری دچار تصادف  می‌شوند و از بیمه خود استفاده می‌کنند. در مقابل آن‌هایی که پاستا و یک نوشیدنی خاص را می‌خرند و شب‌ها بنزین می‌زنند، ریسک کمتری برای شرکت بیمه دارند. شرکت بیمه از این جمع‌بندی چگونه می‌تواند استفاده کند؟

پرسش اصلی در مسائلی مانند مثال بالا این است که آیا می‌توان بر اساس همبستگی دیده‌شده بین دو متغیر تصمیم به اقداماتی گرفت. در مقاله دیگری به تفاوت بین رابطه علت و معلولی و همبستگی اشاره کردم و این‌که چطور عدم درک تفاوت این دو می‌تواند منجر به تصمیمات نادرست شود.

آیا همین‌که بدانیم دو رخداد باهم اتفاق می‌افتند می‌تواند کافی باشد یا حتماً لازم است بدانیم چرا این دو رخداد اتفاق می‌افتند؟ چه زمانی می‌توانیم بر مبنای همبستگی عمل کنیم؟

پاسخ در دو نکته نهفته است:

نکته اول، تا چه حد اطمینان داریم که همبستگی در آینده هم رخ خواهد داد. هرچه اطمینان بیشتری داشته باشیم که همبستگی در آینده هم رخ خواهد داد، منطقی‌تر آن است که اقدام کنیم. این مسئله دو جنبه دارد. یکی آنکه بر اساس داده‌های تاریخی بررسی کنیم این رابطه با چه فرکانسی تکرار شده است. هرچه این همبستگی بیشتر تکرار شده باشد، احتمال آنکه دو متغیر به هم مربوط باشند بیشتر است. مسئله بعد این است که چه توضیحاتی برای وجود این همبستگی داریم. اگر فرضیه‌هایی که برای توضیح این همبستگی داریم کمتر باشد و به نسبت آن‌ها اطمینان بیشتری داشته باشیم، احتمال بیشتری وجود دارد که دو متغیر به هم مربوط باشند.

نکته دوم، سبک‌سنگین کردن بین ریسک و پاداش اقدام است. اگر اقدام منجر به‌اشتباه شود و ما در معرض ریسک بالایی قرار بگیریم، آنگاه ممکن است اقدام بر اساس یک همبستگی خیلی قوی هم درست نباشد.

بر همین اساس گروه مشاوران بوستون (Boston Consulting Group – BCG) چارچوبی را مطرح کرده که در شکل-۱ آمده است. مطابق این چارچوب هرچه ارزش اقدام کردن بالاتر و هزینه اشتباه پایین‌تر باشد، می‌توانیم حتی بر اساس یک همبستگی ضعیف عمل کنیم.

شکل-۱

 برای مثال فرض کنید برای کنترل میزان آلایندگی حسگرهایی در جاهای مختلف یک رودخانه نصب شده است. داده‌ها نشان می‌دهد که در یک بخش از رودخانه تجمع آلاینده‌های روغنی افزایش ‌یافته است. همچنین می‌دانیم که به‌تازگی یک رستوران در نزدیکی آن محل باز شده که ممکن است قوانین زیست‌محیطی برای تصفیه فاضلاب را نادیده گرفته باشد. این هم‌زمانی بین تجمع آلاینده‌های روغنی و باز شدن آن رستوران ممکن است تنها یک تصادف باشد و دلایل دیگری برای این رخداد وجود داشته باشد. اما بازرسی رستوران ریسک بالایی ندارد. در اینجا اقدام کردن بر اساس یک همبستگی ضعیف هزینه چندانی ایجاد نمی‌کند.

اما تصمیم برای انجام آزمایش غربال‌گری PSA (Prostate-Specific Antigen) برای تشخیص زودهنگام ابتلا به سرطان پروستات شامل سبک‌سنگین کردن ریسک‌ها و پاداش‌های متفاوتی است. همبستگی بین آزمایش خون PSA و داشتن سرطان پروستات ضعیف است. همین‌طور تاکنون هیچ رابطه علت و معلولی مشخصی در مورد این‌که چگونه افزایش سطح PSA منجر به توسعه سرطان پروستات می‌شود، وجود ندارد. همین‌طور انجام عمل جراحی پیشگیرانه سرطان پروستات اثر بلندمدت چندانی روی نرخ نجات مبتلایان نداشته است. همین‌طور اگر خطای نوع اول رخ دهد (فرد سرطان نداشته باشد درحالی‌که آزمایش نشان دهد سرطان دارد) ریسک اقدام به علت عوارض جراحی بالاست. به همین دلایل بود که انجمن پزشکی آمریکا (American Medical Association) توصیه قبلی خود را به مردان بالای ۵۰ سال مبنی بر این‌که به‌طور مرتب آزمایش‌ خون PSA دهند، تغییر داد (توجه کنید این صرفاً یک مثال است و نباید مبنای عمل خوانندگان قرار گیرد. مطالعات پزشکی دائماً در حال بروز شدن است و در این مورد باید با افراد متخصص مشورت کرد).

به نمونه‌ای که در ابتدای مقاله اشاره شد، بازگردیم. فرض کنید با توجه به مشاهدات انجام‌شده دو اقدام زیر پیشنهاد شده است:

طراحی یک برنامه بازاریابی جدید برای جذب کردن افرادی که ریسک پایین‌تری دارند

قیمت‌گذاری بیمه خودرو بر اساس رفتار خرید افراد آنان از سوپرمارکت

این دو سیاست را می‌توان با چارچوب پیشنهادی ارزیابی کرد. بدون داشتن هیچ‌گونه اطلاعات بیشتر، اجرای سیاست دوم در صورت افشا شدن می‌تواند به برند سازمان ضربه بزند. بنابراین سیاست اول بهتر به نظر می‌رسد.

اگر بتوانیم با اطلاعات بیشتر بفهمیم چرا این رابطه همبستگی بین دو متغیر وجود دارد، ممکن است حاضر باشیم ریسک بیشتری برای اقدام بپذیریم. ممکن است با جمع‌آوری اطلاعات تکمیلی متوجه شویم کسانی که الگوی خرید مشخصی دارند و ریسک بیمه‌ای بیشتری، کسانی هستند که دوره گذاری را در زندگی خود تجربه می‌کنند. برای مثال اخیراً شغل خود را ازدست‌داده‌اند یا طلاق گرفته‌اند. این اطلاعات جدید ممکن است مشخص کند چرا این رابطه همبستگی بین دو متغیر وجود دارد و به ما اعتماد بیشتری دهد که این همبستگی در آینده هم رخ خواهد داد. همین‌طور فهمیدن علت این همبستگی به ما کمک می‌کند بفهمیم چه اتفاقاتی ممکن است این همبستگی را تضعیف کند یا کامل از بین ببرد. به‌این‌ترتیب ما را قادر می‌کند به اتفاقات جدید پاسخ‌هایی بدهیم که پاسخ‌های قبلی را منسوخ کند.

درمجموع، وقتی با داده کار می‌کنید در برخی موارد ممکن است همبستگی کفایت کند. در برخی موارد دیگر دانستن علت اصلی یک پدیده حیاتی است. چارچوب پیشنهادی در این مقاله به شما کمک می‌کند بفهمید چه زمانی به همبستگی کفایت کنید و چه زمانی به دنبال رابطه علی و معلولی باشید.

منابع:

Ritter, D. (2017). “When to Act on a Correlation, and When Not To” HBR Guide to Data Analytics Basics for Managers, Harvard Business Review Press, Boston, Massachusetts

چرا مدیران باید تفاوت بین همبستگی و رابطه علّی را بدانند؟

چرا مدیران باید تفاوت بین همبستگی و رابطه علّی را بدانند؟

مطالعه علت پدیده‌ها بسیار اهمیت دارد چراکه به ما کمک می‌کند تا اقدامات و سیاست‌های بهتر و مؤثرتری طراحی کنیم. در مقابل عدم فهم علت یک پدیده می‌تواند موجب اتخاذ اقدامات بی‌اثر شود و حتی نتایج ناخوشایندی به همراه بیاورد. برای مثال اگر شما فکر کنید یک نوع پشه موجب بروز بیماری مالاریا است، در سفر خود به منطقه‌ای که مالاریا شایع است، خود را مجهز به پشه‌بند می‌کنید؛ اما اگر فکر کنید هوای آلوده موجب بروز این بیماری است، به‌مانند آنچه درگذشته تصور می‌شد، ماسک تنفسی به همراه خواهید برد. امروزه می‌دانیم رویکرد دوم برای سلامتی شما کاملاً بی‌فایده و حتی خطرناک است!

شاید بتوان گفت در بیشتر موارد مدیریت یعنی ایجاد تغییر در چیزهایی که تحت کنترل است به‌منظور آن‌که روی چیزهای دیگری که تحت کنترل نیست، اثر گذاشت تا به نتیجه دلخواه رسید. برای مثال یک مدیر بودجه تبلیغات سازمان خود را افزایش می‌دهد (آنچه تحت کنترل است) به امید آنکه فروش بیشتری ایجاد کند (نتیجه دلخواه). یا دستمزد سال آتی کارمند خود را افزایش می‌دهد (آنچه تحت کنترل است) تا انگیزه او را برای کار کردن بیشتر کند (نتیجه دلخواه). پس نکته مهم آن می‌شود که یک مدیر بتواند علت پدیده‌ها را درست تشخیص دهد.

اما مثال‌های زیادی وجود دارد که افراد روابطی بین پدیده‌ها فرض کرده‌اند که وجود خارجی نداشته است. یکی از دلایل مهم بروز این مسئله را باید در عدم درک صحیح تفاوت بین همبستگی (Correlation) و رابطه علّی (Causation) جست. همبستگی یک مفهوم آماری است و به زبان ساده نشان می‌دهد که افزایش یا کاهش یک متغیر با افزایش یا کاهش متغیر دیگری همراه است. برای مثال، بین سیگار کشیدن و مصرف نوشیدنی‌های الکلی همبستگی وجود دارد ولی سیگار کشیدن عامل اعتیاد به الکل نیست. درحالی‌که سیگار کشیدن یکی از عوامل اصلی ابتلا به سرطان ریه است.

عدم درک تفاوت این دو مفهوم می‌تواند به نتیجه‌گیری‌های گمراه‌کننده و سیاست‌گذاری‌های نادرست منجر شود. در این مقاله با تکیه‌بر مثال‌هایی از دنیای واقعی به توضیح این موضوع می‌پردازم.

همبستگی، رابطه علّی، مصرف سیگار و سرطان

در دهه ۱۹۵۰، مطالعاتی مدعی شدند سیگار کشیدن موجب ابتلا به سرطان ریه می‌شود. متأسفانه آن مطالعات مبتنی بر رابطه همبستگی بین مصرف سیگار و نرخ ابتلا به سرطان ریه بود. به همین دلیل بلافاصله گزارش نه‌تنها توسط شرکت‌های سیگارسازی بلکه توسط برخی آماردانان معروف مانند رونالد فیشر (Ronald Fisher)، زیر سؤال رفت. آنان ادعا کردند که شاید فاکتور پنهانی دیگری مانند عامل ژنتیکی باعث به وجود آمدن سرطان و تمایل به سیگار کشیدن می‌شود. اگر این فرضیه درست می‌بود، آنگاه کشیدن یا نکشیدن سیگار اثری روی ابتلا به سرطان نمی‌گذاشت.

یک روش نشان دادن این‌که آیا واقعاً سیگار کشیدن موجب سرطان می‌شود استفاده از آزمایش کنترل‌شده با نمونه تصادفی (Randomized Controlled Experiment) است. فرض کنید آزمایشگری وجود داشت که می‌توانست افراد را وادار کند که سیگار بکشند یا نکشند. سپس آزمایشگر تعداد زیادی از افراد را برای آزمایش جمع می‌کرد و آنان را به‌صورت تصادفی به دو گروه تقسیم می‌کرد. یک گروه مجبور می‌شدند که سیگار بکشند و گروه دیگر نباید سیگار می‌کشیدند. به‌این‌ترتیب آزمایشگر ارتباط بین سیگار کشیدن و هر عامل پنهان دیگر را که موجب سرطان و سیگار کشیدن می‌شود، قطع می‌کرد. با مطالعه نرخ ابتلا به سرطان در دو گروه، مشخص می‌شد آیا سیگار کشیدن حقیقتاً عامل ایجاد سرطان است یا خیر.

گرچه روش آزمایش کنترل‌شده با نمونه تصادفی بهترین روش برای اثبات رابطه علّی است، در عمل این کار همواره امکان‌پذیر نیست. به‌طور مشخص در این مثال، به لحاظ اخلاقی و قانونی ما نمی‌توانیم افراد را وادار به سیگار کشیدن یا از منع کنیم. برای نزدیک به چهل سال صنعت سیگارسازی ادعا می‌کرد کشیدن سیگار با ابتلا به سرطان ریه تنها همبستگی دارد. البته مطالعات گسترده در این زمینه تائید کرد که مصرف سیگار در بلندمدت از عوامل اصلی ابتلا به سرطان ریه است.

قرار دادن تلفن همراه در جیب شلوار موجب کاهش قدرت جنسی مردان می‌شود

مثال جالب دیگر مربوط به یک مطالعه پزشکی در مجارستان است که بر روی ۲۲۱ مردی که تلفن همراه با خود حمل می‌کردند، در سال ۲۰۰۳ انجام شد. مطالعه ادعا می‌کرد مردانی که تلفن همراهشان را در جیب شلوار خود حمل ‌می‌کنند به‌جای آن‌که آن را در جیب جلوی پیراهن و یا کیفشان بگذارند، ۳۰ درصد تعداد اسپرم کمتری نسبت به متوسط تعداد اسپرم جمعیت مردان – که در دهه ۱۹۷۰ اندازه‌گیری شده بود – دارند. بازتاب این مطالعه بلافاصله فضایی را علیه تولیدکنندگان تلفن‌های همراه ایجاد کرد که تولیدات آنان را باعث کاهش باروری در مردان معرفی می‌کرد. برخی سازمان‌های حمایت از مصرف‌کننده خواستار نصب برچسب‌های هشداردهنده بر روی تلفن‌های همراه شدند.

اما مشکل آنجا بود که این مطالعه تنها بر مبنای همبستگی انجام شده بود و هیچ رابطه علّی دقیقی را روشن نمی‌کرد. منتقدان این‌طور عنوان می‌کردند که بسیاری از مردان سیگاری تلفن همراه خود را به‌جای جیب جلویی پیراهن در جیب شلوار خود می‌گذارند. آنان معمولاً پاکت سیگار خود را در جیب پیراهن خود می‌گذارند تا به سیگارها آسیبی وارد نشود؛ بنابراین با احتمال بیشتری تلفن همراه خود را در جیب شلوار خود قرار می‌دهند. سال‌هاست که مشخص ‌شده است سیگار کشیدن تعداد اسپرم‌ها را در مردان کاهش می‌دهد. به‌علاوه اثر عوامل دیگر مانند استرس در نظر گرفته نشده بود. استرس نیز باعث کاهش تعداد اسپرم در مردان می‌شود. شاید کسانی که مجبور هستند دائماً تلفن همراه را با خود حمل کنند، دارای مشاغل استرس‌آوری هستند که لازم است در طول ۲۴ ساعت در دسترس باشند.

درنهایت این‌که مبنای مقایسه، تعداد اسپرم مردان در دهه ۱۹۷۰ بوده است. این امکان وجود دارد به شکل کلی تعداد اسپرم مردان از آن موقع تاکنون به دلایل دیگری مانند افزایش آلودگی‌های شیمیایی کاهش ‌یافته باشد و ربطی به اثر تلفن همراه نداشته باشد. چنان‌که ممکن است تعداد اسپرم تمساح‌های پوزه‌کوتاه در سیستان و بلوچستان نسبت به دهه هفتاد میلادی ۳۰ درصد کم شده باشد ولی کسی فکر نمی‌کند به خاطر استفاده از تلفن همراه بوده باشد!

توجه کنید هدف من از این مثال رد یا تائید اثرات تلفن همراه بر بدن انسان نیست، بلکه روش نتیجه‌گیری بر مبنای داده‌ها مورد نقد است.

مصرف بستنی موجب افزایش بهره هوشی می‌شود!

در آوریل سال ۲۰۱۳، مجله اکونومیست (Economist) در مقاله‌ای ادعا کرد مصرف بستنی موجب افزایش بهره هوشی (IQ) می‌شود. گرچه برخی آن را دروغ اول آوریل اکونومیست می‌دانند، مقاله با لحنی جدی مانند سایر مقالات آن مجله نوشته شده و همچنان (مهرماه سال ۱۳۹۶) روی وب‌سایت آن در دسترس است. اشاره به این مقاله می‌تواند مفید و آموزنده باشد. در آن مقاله رابطه بین مصرف سرانه بستنی و نمره میانگین آزمون PISA در کشورهای عضو OECD (Economic Co-operation and Development) به تصویر کشیده شده است (شکل-۱). اکونومیست این‌گونه جمع‌بندی می‌کند که اگرچه ممکن است عجیب باشد ولی مصرف بستنی اثر مثبتی روی سطح هوش دانش آموزان می‌گذارد؛ بنابراین دولت می‌تواند با دادن یارانه در کشورهایی که مصرف بستنی پایین است، میزان عملکرد تحصیلی دانش آموزان را بالاتر ببرد. آیا این استدلال درست است؟

شکل-۱

باید نسبت به این استدلال بسیار مشکوک بود. اول آنکه نویسنده نمره متوسط آزمون PISA که توانایی خواندن افراد را می‌سنجد به هوش ربط داده است. هیچ ارتباط مستقیمی بین این دو وجود ندارد. دوم، همبستگی با رابطه علّی تفاوت دارد. هیچ دلیلی روشنی وجود ندارد که این رابطه علّی را توجیه کند. این همبستگی می‌تواند به دلایل دیگری به وجود آمده باشد. برای مثال اگر به نمودار شکل-۱ دقت کنید، مصرف سرانه بستنی در کشورهایی که ثروتمندتر هستند بیشتر است. معمولاً سیستم آموزشی در کشورهای ثروتمندتر به علت سرمایه‌گذاری بیشتر باکیفیت‌تر است. نتیجه آن‌که دانش آموزان در این کشورها توانایی خواندن بالاتری دارند. درواقع متغیر سومی عامل اصلی حرکت هم‌زمان هر دو متغیر بوده است.

تلویزیون نبینید تا بیشتر عمر کنید!

گروهی از محققان استرالیایی در سال ۲۰۱۱ گزارشی منتشر کردند که عنوان می‌کرد بر مبنای مشاهدات آنان به‌طور متوسط کسانی که شش ساعت تلویزیون در روز نگاه می‌کنند پنج سال زودتر از کسانی که اصلاً تلویزیون نگاه نمی‌کنند، می‌میرند. با در نظر گرفتن عادات مردم استرالیا در دیدن تلویزیون، آنان این‌طور نتیجه گرفته بودند که با ندیدن تلویزیون به‌طور متوسط دو سال به عمر انتظاری (Life Expectancy) افراد اضافه می‌شود.

مشکل اصلی در این گونه مطالعات مشاهده‌ای، سوگیری خود-انتخابی (Self-Selection Bias) است. سوگیری خود-انتخابی زمانی رخ می‌دهد که افراد خود تصمیم می‌گیرند داخل گروهی باشند یا نباشند. در این مثال شاید کسانی که تصمیم گرفتند بیشتر تلویزیون نگاه کنند، ازنظر بدنی کمتر فعال هستند، یا مبتلا به افسردگی شده‌اند و یا در شرایط جسمی خوبی نیستند و نمی‌توانند مانند افراد سالم به فعالیت‌های پرتحرک بپردازند. درواقع ممکن است عامل پنهان دیگری هم‌زمان موجب افزایش دیدن تلویزیون و کاهش طول عمر می‌شود.

پنجره‌های شکسته و میزان جرم و جنایت

یکی از دغدغه‌های سیاست‌گذاران عمومی همواره این بوده است که چگونه منابع مالی را مصرف کنند تا پدیده‌های ناخوشایندی را که در جامعه وجود دارد، از بین ببرند. یک نمونه شهر نیویورک (New York) در دهه ۱۹۸۰ است که به شهر خطرناکی تبدیل شده و نرخ انواع جرم و جنایت به بالاترین سطح خود رسیده بود. تحلیل گران متوجه شدند که بین جرم‌های کوچک نظیر دیوارنویسی، فرار از پرداخت بلیت مترو و مانند آن در مناطق مختلف شهری و نرخ جنایت در آنجا همبستگی وجود دارد.

تئوری پنجره شکسته (Broken Windows Theory) این‌گونه استدلال می‌کرد در نواحی شهری افراد به محیط اطراف خود نگاه می‌کنند تا بفهمند هنجار‌های اجتماعی در آنجا چگونه است. یک محیط مرتب و تمیز این پیام را به افراد می‌دهد که آنجا تحت کنترل است و هیچ‌گونه جرمی تحمل نمی‌شود. در مقابل یک محیط نامرتب که زباله‌های زیادی در آن ریخته شده، دیوارنوشته‌ها همه‌جا را پرکرده و پنجره‌های ساختمان‌ها شکسته است این پیام را منتقل می‌کند که محیط تحت کنترل نیست و در صورت ارتکاب جرم در آن محل، ریسک کشف آن پایین است. بر همین مبنا رودی جولیانی (Rudy Giuliani) شهردار وقت نیویورک بودجه زیادی را به کمپین آراسته سازی محیط شهری و مقابله با دیوارنوشته‌ها اختصاص داد. همچنین سیاست‌های سخت‌گیرانه‌ای در برابر انجام جرم‌های کوچک مانند فرار در پرداخت بلیت اتخاذ شد. در دهه ۱۹۹۰ نرخ جنایت در نیویورک کاهش چشمگیری پیدا کرد. شهردار این موفقیت را نتیجه سیاست‌های خود دانست. شکل-۲ تعداد بازداشت‌ها به علت جرم‌های کوچک و تعداد جرائم خشونت‌آمیز را نشان می‌دهد.

شکل-۲

تحت تأثیر این موفقیت، شهرهای دیگر نیز علاقه‌مند به اجرای رویکرد مشابهی شدند ولی نتایج موفقیت‌آمیز نبود. مطالعات بعدی شواهد ناچیزی مبنی بر مؤثر بودن پیشنهاد تئوری پنجره شکسته در کاهش فعالیت‌های مجرمانه نشان داد. چرا آنان نتوانستند این موفقیت را تکرار کنند؟

تحقیقات تاکنون نتوانسته وجود رابطه علّی مستقیم بین جرم‌های کوچک و فعالیت‌های مجرمانه خشونت‌آمیز را اثبات کند. می‌دانیم بین این دو همبستگی وجود دارد؛ اما بین فعالیت‌های مجرمانه خشونت‌آمیز و نرخ بیکاری نیز همبستگی وجود دارد. در دهه ۱۹۹۰ نرخ بیکاری در نیویورک به‌طور پیوسته رو به کاهش گذاشت. همین‌طور بین فعالیت‌های مجرمانه خشونت‌آمیز و نرخ مصرف مواد مخدر نیز رابطه همبستگی وجود دارد. در نیویورک در اواخر دهه ۱۹۸۰ به دنبال به اوج رسیدن مصرف مواد مخدر، کلینیک‌های زیادی برای درمان اعتیاد تأسیس شد. این کلینیک‌ها بلافاصله اثر خود را نشان ندادند. این احتمال وجود دارد کسانی که در آن درمان شدند دیگر نیازی نداشتند تا برای تأمین پول موردنیاز برای اعتیاد خود وارد فعالیت‌های مجرمانه شوند و این مسئله اثر خود را با تأخیر در سال‌های بعد نشان داده باشد. حتی برخی اشاره می‌کنند کاهش نرخ جرم و جنایت که در سراسر آمریکا در دهه ۱۹۹۰ به وقوع پیوست محصول سیاست قانونی کردن سقط‌ جنین در سی سال قبل از آن بوده است. آنان تخمین می‌زنند قانونی کردن سقط‌ جنین ۵۰ درصد از کاهش جرم و جنایت را توضیح می‌دهد. در هر شکل آنچه روشن است کاهش جرم و جنایت در نیویورک صرفاً محصول یک دلیل نبوده است.

پیام این بحث برای مدیران چیست؟

تأکید اصلی بحث من در مقاله این بود که مدیران باید توجه کنند لزوماً رخ دادن هم‌زمان دو پدیده، بدان معنی نیست که یکی دلیل دیگری است. فرض کنید اخیراً در شرکت خود یک مدیر فروش با مدرک ام.بی.ای استخدام کرده‌اید. سه ماه پس از استخدام او فروش شرکت ۳۰۰ درصد رشد می‌کند. آیا این نتیجه فعالیت او بوده است؟ این امکان وجود دارد؛ اما می‌توان به توضیحات دیگری فکر کرد؟ آیا این افزایش فروش می‌توانسته نتیجه افزایش تقاضای فصلی بوده باشد؟ احتمال دارد تقاضای کلی برای آن محصول در بازار صعودی شده است؟ آیا ممکن است به علت خارج شدن یکی از رقیبان، تقاضا برای محصولات شرکت شما افزایش یافته باشد؟ به چه دلایل دیگری می‌توان فکر کرد؟ چه شواهدی برای رد یا اثبات این دلایل وجود دارند؟

بهترین روش برای شناخت رابطه علّی، آزمایش کنترل‌شده با نمونه تصادفی است. البته در دنیای واقعی نمی‌توان همواره این روش را بکار برد. من در مقاله دیگری چارچوب عملیاتی را شرح می‌دهم که به شما کمک می‌کند بفهمید در چه زمانی می‌توانید بر مبنای همبستگی بین دو متغیر اقدام کنید.

برای تمرین به استدلال‌های زیر توجه کنید:

داده‌ها نشان می‌دهد بین درآمد و ازدواج رابطه همبستگی مثبت وجود دارد. پس اگر ازدواج کنید درآمد شما بیشتر می‌شود.

داده‌ها نشان می‌دهد که کودکانی که بازی‌های کامپیوتری می‌کنند رفتارهای خشونت‌آمیز بیشتری از خود نشان می‌دهند. بازی‌های کامپیوتری موجب افزایش بروز پرخاشگری و رفتارهای خشونت‌آمیز در کودکان می‌شود.

مطالعات اقتصادی نشان می‌دهد وقتی میزان بدهی یک کشور به ۹۰ درصد تولید ناخالص داخلی (GDP) آن می‌رسد، رشد اقتصادی کند می‌شود. نتیجه آن‌که بدهی زیاد موجب کاهش رشد اقتصادی است.

به نظر شما آیا در این استدلال‌ها می‌تواند خطایی وجود داشته باشد؟

منابع:

Economist (2013). “Ice Cream and IQ”, https://www.economist.com/blogs/graphicdetail/2016/04/daily-chart

Fisher, R. (1958), “Cigarettes, Cancer, and Statistics”, The Centennial Review of Arts & Science, 2, 151–۱۶۶

Harcourt, B. E., & Ludwig, J. (2006). “Broken Windows: New Evidence from New York City and a Five-City Social Experiment”, The University of Chicago Law Review, 271-320

Pearl, J., Glymour, M., Jewell, N. P. (2016). “Causal Inference in Statistics”, Wiley & Sons Ltd

Smith, G. (2014). “Standard Deviations: Flawed Assumptions, Tortured Data, and Other Ways to Lie with Statistics”, Overlook Duckworth, Peter Mayer Publishers, Inc. New York

Wheeler, K. (2017). “Correlation and Causation”, https://web.cn.edu/kwheeler/logic_causation.html

Wilson, J. Q, & Kelling, G. L. (1982), “Broken Windows: The Police and Neighborhood Safety”, The Atlantic

چگونه بازماندگان شما را فریب می‌دهند؟

چگونه بازماندگان شما را فریب می‌دهند؟

در جنگ جهانی دوم، بمباران هوایی یکی از ابزارهای مؤثر متفقین برای از بین بردن زیرساخت‌های صنعتی و نظامی آلمان و درنهایت شکست آن کشور بود؛ اما این رویکرد همراه با تلفات سنگینی برای نیروی هوایی انگلیس و آمریکا بود. برآوردها حاکی است دوره عمر انتظاری خدمه یک بمب‌افکن بین ۱۲ تا ۱۵ مأموریت بود. در یک دوره‌ای از جنگ، اگر شما خلبان یک بمب‌افکن در اروپا بودید، شانس این‌که سالم از مأموریت خود بازگردید، چیزی در حدود ۵۰ درصد بود. رهبران نظامی به این نتیجه رسیده بودند که باید زره تقویتی بیشتری به هواپیماهای خود اضافه کنند تا آن‌ها را در برابر آتش ضدهوایی و جنگنده‌ها حفاظت کند؛ اما افزودن زره به همه قسمت‌های هواپیما امکان‌پذیر نبود و سرعت را بسیار کم و آن را آسیب‌پذیرتر می‌کرد؛ بنابراین آنان باید تصمیم می‌گرفتند که به کدام قسمت‌های هواپیما زره بیفزایند.

به همین دلیل نیروی هوایی جمع‌آوری داده در مورد نقاطی را که هواپیماها آسیب می‌دیدند، شروع کرد. آنان پس از هر مأموریت هواپیماهایی را که بازگشته بودند به‌دقت بررسی می‌کردند و تعداد آسیب‌های ناشی از ترکش‌ها و گلوله‌ها و جای آن‌ها را روی هواپیما مشخص می‌کردند. به‌تدریج مشخص شد الگوی خاصی در توزیع آسیب‌ها روی هواپیما وجود دارد. شکل-۱ نشان می‌دهد که بیشتر آسیب‌ها روی ناحیه بال و بدنه هواپیما بوده است.

شکل-۱

بر این اساس کارشناسان نظامی نتیجه‌گیری کردند ازآنجاکه بیشترین گلوله‌ها به نواحی بال و بدنه هواپیما اصابت کرده پس این قسمت‌ها نیازمند زره حفاظتی بیشتر هستند. در نگاه اول این نتیجه‌گیری درست به نظر می‌رسد.

اما آبراهام والد (Abraham Wald) با این نتیجه‌گیری کاملاً مخالف بود. او از جمله ریاضی‌دانانی بود که در جنگ جهانی دوم برای ارتش آمریکا کار می‌کرد. والد نشان داد که خطای مهمی در تحلیل‌ها صورت گرفته چراکه نتیجه‌گیری تنها بر اساس داده‌های هواپیماهایی است که از مأموریت بازگشته‌اند؛ اما در مورد هواپیماهایی که در طول مأموریت سقوط کردند، چه می‌دانیم؟ درواقع نمونه آماری به سمت هواپیماهایی که بازگشته‌اند سوگیری داشته است. والد نشان داد که دقیقاً برعکس، آن قسمت‌هایی از هواپیما نیاز به حفاظت دارند که در شکل-۱ کمترین اصابت را داشته‌اند. درواقع نقاط آسیب در هواپیماهای بازگشتی بیانگر آن است که اگر هواپیما در این نقاط هدف قرار داده شود، با احتمال بیشتری می‌تواند سالم بازگردد. پیشنهاد‌های والد در عمل به بهبود نرخ برگشت هواپیماها کمک کرد.

ازآنجاکه نحوه فکر کردن والد در مورد مسئله گفته‌شده در بالا بسیار جالب است، در ضمیمه این مقاله به شکل کوتاهی به روش محاسباتی او در خصوص میزان آسیب‌پذیری نقاط مختلف هواپیما اشاره خواهم کرد. خوانندگان غیرفنّی می توانند آن را نادیده بگیرند.

سوگیری بازماندگی چیست؟

سوگیری بازماندگی (Survival Bias) یک خطا در استدلال است و زمانی پیش می‌آید که تنها بر روی افراد یا چیزهایی که از یک فرآیند انتخاب گذشته‌اند، تمرکز کنید و آن‌هایی را که نتوانستند عبور کنند، عمدتاً به این خاطر که دیگر قابل‌مشاهده نیستند، نادیده بگیرید.

به‌عنوان نمونه فردی بر اساس تعداد محدودی از دانش‌آموختگان یک دبیرستان که توانسته‌اند در دانشگاه‌های خوب قبول شوند، نتیجه بگیرد که آن دبیرستان خدمات آموزشی برتری ارائه می‌دهد. این ممکن است درست باشد ولی بدون در نظر گرفتن وضعیت قبولی سایر دانش‌آموختگان آن دبیرستان نمی‌توان چنین استدلالی کرد.

به‌عنوان‌مثال دیگر، ساختمان‌های با ساخت مستحکم، معماری زیبا، کاربری خوب و نگهداری مناسب در چندین نسل دوام می‌آورند و باقی می‌مانند. افراد ممکن است تنها با مقایسه ساختمان‌های قدیمی باقی‌مانده با ساختمان‌های امروزی این‌طور نتیجه بگیرند که درگذشته ساختمان‌های بهتری ساخته می‌شده است؛ اما آنان هزاران بنای دیگر را که درگذشته خوب ساخته نشده‌اند و در طول زمان از بین رفته‌اند و دیگر قابل‌مشاهده نیستند، در نتیجه‌گیری خود لحاظ نمی‌کنند. این سوگیری می‌تواند برای آثار هنری برجسته گذشته که در طول زمان از رقابت سربلند بیرون آمده‌اند و مقایسه آن با آثار هنری معاصر مصداق پیدا کند. یکی از دلایل وجود حس نوستالژی نسبت به گذشته این نوع مقایسه‌هاست.

رازهای موفقیت

این روزها کتاب‌های رازهای موفقیت که در آن به عوامل موفقیت کارآفرینان و یا سازمان‌های برتر پرداخته‌اند، طرفداران زیادی دارند. یکی از این نمونه‌ها کتاب از خوب به عالی (Good to Great) اثر جیم کالینز (Jim Collins) است که یکی از پرفروش‌ترین کتاب‌های منتشرشده در حوزه مدیریت هم هست.

او یازده شرکت را از بین ۱۴۳۵ شرکت که توانسته‌اند در چهل سال گذشته در بازار سهام، عملکرد بهتری از متوسط بازار نشان دهند انتخاب کرده و سپس به دنبال ویژگی‌های مشترکی گشته که به باور او این شرکت‌ها را موفق کرده است. لیست این یازده شرکت در زیر آمده است:

Abbott Laboratories    Kimberly-Clark    Pitney Bowes
Circuit City    Kroger    Walgreens
Fannie Mae    Nucor    Wells Fargo
Gillette    Philip Morris

اما مشکل این است که رویکرد گذشته‌نگر (Backward-Looking)، مطالعه کالینز را در معرض سوگیری بازماندگی قرار می‌دهد. کالینز باید با فهرستی از شرکت‌ها در ابتدای دوره زمانی مطالعه شروع می‌کرد و معیارهای پذیرفتنی را برای انتخاب یازده شرکت برتر انتخاب می‌کرد. این معیارها باید به شکل عینی و بی‌طرفانه بدون در نظر گرفتن این‌که این شرکت‌ها در طول چهل سال بعد چطور عمل می‌کنند، اعمال می‌شد. این معنی‌دار نیست که پس‌ازاین که ببینید کدام‌یک از شرکت‌ها در این مدت خوب عمل کردند، پیش‌بینی کنید کدام شرکت‌ها در این مدت خوب عمل خواهند کرد! این پیش‌بینی نیست، بیان تاریخ است.

درواقع سؤال را این‌طور طرح کنید: این احتمال چقدر است که شما تنها در اثر تصادف ۱۱ شرکت را پیدا کنید که ویژگی‌های مشترکی از خود نشان می‌دهند؟ کالینز در کتاب خودپاسخ می‌دهد که این احتمال ۱ در ۱۷ میلیون است؛ اما جواب درست ۱۰۰ درصد است!

فرض کنید فردی برای شماره‌گذاری خودروی خود مراجعه می‌کند و پلاک ۳۳۳س۳۳ را دریافت می‌کند. احتمال دریافت چنین پلاکی چیزی در حدود ۱ در ۲ میلیون است. اگر من قبل از دریافت این پلاک، پیش‌بینی می‌کردم که او می‌تواند این پلاک را دریافت کند، فوق‌العاده بود. ولی وقتی او پلاک را دریافت کرد، احتمالش ۱۰۰ درصد است!

وقتی شما با رویکرد گذشته‌نگر، به هر گروهی از شرکت‌ها نگاه کنید، همیشه یک سری ویژگی مشترک می‌توانید پیدا کنید. برای مثال در لیست بالا همه شرکت‌ها در اسم خود حرف i یا r را دارا هستند. آیا می‌توان گفت وجود این دو حرف در اسم شرکت‌ها باعث موفقیت آنان شده است؟ البته که نه!

پس از انتشار کتاب، با مطالعه سهام این شرکت‌ها بین سال‌های ۲۰۰۱ تا ۲۰۱۲ مشخص شد شش تا از ۱۱ شرکت بالا، عملکرد مالی پایین‌تر از متوسط بازار داشتند. این نشان می‌دهد چرا رویکرد گذشته‌نگر به‌طور سامانمند غلط است.

پیام این بحث برای مدیران چیست؟

این مثال‌ها روشن می‌کند که برای نتیجه‌گیری نیاز دارید تا به همه نمونه‌ها توجه کنید حتی نمونه‌هایی که بلافاصله نمی‌توانید آن‌ها را مشاهده کنید. همین‌طور روشن می‌کند یادگیری از شکست‌ها همواره فرآیند ساده‌ای نیست. یادگیری نیازمند مشاهده و بررسی دقیق و فراتر رفتن از فرضیات سطحی است. وقتی تنها به نمونه‌های موفق نگاه می‌کنید ممکن است از رفتارها و اشتباهات مهلکی که نمونه‌های ناموفق به آن دچار شدند، غفلت کنید. شاید به همین دلیل است وقتی از آن حکیم پرسیدند “ادب از که آموختی؟” پاسخ داد: “از بی‌ادبان”.

برای آشنایی با خطاهای رفتاری در تصمیم‌گیری این مقاله را مرور کنید.

***ضمیمه: مروری بر کارهای والد روی قابلیت مداومت هواپیما (Aircraft Survivability)

والد به این علاقه‌مند بود تا با دانستن توزیع آسیب‌ها روی هواپیماهای بازگشتی بداند کدام بخش‌های هواپیما باید با زره تقویت شوند تا مداومت هواپیما افزایش یابد. توجه داشته باشید که به اطلاعات هواپیماهایی که در طول مأموریت سقوط کرده بودند، دسترسی وجود نداشت.

در نبود چنین داده‌ای، او سعی کرد تا برآورد کند اگر به یک هواپیما که تعداد مشخصی گلوله اصابت کرده، پس از دریافت یک گلوله دیگر با چه احتمالی به پرواز خود می‌تواند ادامه دهد. او همین‌طور تلاش کرد تا احتمال مداومت هواپیما پس از اصابت گلوله به قسمت‌های مختلف را محاسبه کند.

فرض کنید ۴۰۰ هواپیما به یک مأموریت فرستاده‌ شده و ۳۸۰ هواپیما بازگشته‌اند. تعداد هواپیماهایی که i بار مورد اصابت قرارگرفته‌اند A_{i} است. این اطلاعات موجود است:

A_0=320,A_1=32,A_2=20,A_3=4,A_4=2,A_5=2

هر هواپیما به چهار بخش تقسیم شده است: ۱) موتورها، ۲) بدنه، ۳) سیستم سوخت و ۴) سایر بخش‌ها. \gamma(i) نشان‌دهنده این است هرکدام از این بخش‌ها چه سطحی از سطح کل هواپیما را اشغال کرده اند. شکل-۲ نشان می‌دهد توزیع برخورد گلوله‌ها روی بخش‌های مختلف هواپیماهای بازگشتی چگونه بوده است (N_i).

شکل-۲

بر اساس داده‌های موجود می‌توان کسری از هواپیماها را که پس از دریافت i گلوله بازگشته‌اند، به دست آورد (a_i=A_i/N ). والد فرض کرد که اگر به یک هواپیما از تعداد بیشتری مانند n گلوله اصابت کند، حتماً سقوط خواهد کرد:

i> n \rightarrow a_i=0

به‌این‌ترتیب درصد هواپیماهای ازدست‌رفته از رابطه زیر محاسبه می‌شود:

L=1-\sum_{i=0}^{n} a_{{i}}

فرض کنید p_{i} نشان‌دهنده احتمال شرطی این است که هواپیما پس از اصابت گلوله i اُم سقوط کند به شرط آنکه i-1 گلوله دریافت کرده باشد ولی سقوط نکرده باشد.

همچنین x_{i} نشان‌دهنده کسری از هواپیماهایی است که با دریافت گلوله i اُم سقوط کرده‌اند. فرض می‌شود اگر هواپیمایی مورد اصابت قرار نگیرد، حتماً بازخواهد گشت (x_i=0). بنابراین رابطه زیر برقرار است:

L=\sum_{i=0}^{n} x_{{i}}

به‌این‌ترتیب کسری از هواپیماها که در اثر اصابت i اُم سقوط می‌کنند از رابطه زیر به دست می‌آید:

x_{i}=p_{i}*(1-\sum_{{j=0}}^{i-1} a_{j} - \sum_{j=0}^{i-1} x_{{j}})

هدف این است که از روی اطلاعاتی که قابل‌مشاهده است (a_i)، احتمالات موردنظر را محاسبه کنیم. می‌توان ثابت کرد که معادله زیر برقرار است:

\sum_{j=1}^{n} (a_{j}/(q_{1} ... q_{j}))=1-a_{{0}}

در رابطه بالا q_{j} احتمال شرطی است که هواپیما پس از اصابت گلوله j اُم سقوط نکند به‌شرط آنکه j-1 گلوله دریافت کرده و سقوط نکرده باشد (q_j=1- p_j). به‌عنوان یک فرض ساده کننده می‌توان در نظر گرفت که این احتمال ثابت است (q_j\equiv q). بنابراین برای داده‌های نمونه، رابطه بالا منجر به حل معادله زیر برای یافتن q می‌شود:

0.08/q+0.05/q^2 +0.01/q^3 +0.005/q^4 +0.005/q^5 =0.2

با حل معادله بالا، q=0.851 می‌شود و می‌توان x_{i} را محاسبه کرد.

x_1=0.02980,x_2=0.01344,x_3=0.00399,x_4=0.00190,x_5=0.00087

فرض ثابت بودن q_{j} ممکن است در عمل محدودکننده باشد. والد در ادامه کارهای خود به این پرداخته که چطور بدون در نظر گرفتن این فرض مسئله را حل کند. این بحث خارج از چارچوب این نوشته است.

در قسمتی دیگری، والد به این می‌پردازد که چگونه احتمال آسیب‌پذیری قسمت‌های مختلف هواپیما را محاسبه کند. اگر \delta(i) نشان‌دهنده احتمال این باشد که ناحیه i مورد اصابت قرار گیرد به‌شرط آنکه تنها همان یک گلوله را دریافت کند و سقوط نکند، رابطه زیر برقرار است:

\delta(i)=\gamma(i)q(i)/\sum_{i=1}^{k} \gamma(i)q(i)

این رابطه درواقع همان قانون بیز (Bayes’ Law) است. با فرض ثابت بودن q_{j}، معادله بالا به شکل زیر درمی‌آید:

q_{i}=\delta(i)*q/\gamma(i)

\delta(i) نشان‌دهنده نسبت اصابت‌ها به هر بخش به‌کل اصابت‌ها به هواپیماهای بازگشتی است که از روی‌داده‌های موجود محاسبه می‌شود. \gamma(i) احتمال اصابت گلوله به یک بخش هواپیماست که می‌توان آن را معادل سطحی که آن بخش از سطح کل هواپیما اشغال می‌کند در نظر گرفت (شکل-۲). مقادیر q(i) برای بخش‌های مختلف هواپیما در شکل-۳ آمده است.

همان‌طور که مشاهده می‌شود آسیب‌پذیرترین نقطه موتورهای هواپیما است. این نتایج را مقایسه کنید با شکل-۲ که در آن پراکندگی اصابت گلوله آمده است و موتورهای هواپیماهای برگشتی جزء نقاطی است که کمترین اصابت را داشتند.

شکل-۳

منابع:

Mangel, M., & Samaniego, F. J. (1984). “Abraham Wald’s Work on Aircraft Survivability”. Journal of the American Statistical Association, 79(386), 259-267

Smith, G. (2014). “Standard Deviations: Flawed Assumptions, Tortured Data, and Other Ways to Lie with Statistics”, Overlook Duckworth, Peter Mayer Publishers, Inc. New York

Syed, M. (2015). “Black Box Thinking: Why Some People Never Learn from Their Mistakes – But Some Do”, Portfolio / Penguin, New York

آیا با استفاده از تحلیل کلیدواژه‌های جستجوشده در گوگل می‌توان روندهای تقاضا را پیش‌بینی کرد؟

آیا با استفاده از تحلیل کلیدواژه‌های جستجوشده در گوگل می‌توان روندهای تقاضا را پیش‌بینی کرد؟

بنا به آمار سال ۲۰۱۷، روزانه ۴٫۵ میلیارد جستجو در گوگل صورت می‌گیرد. در حال حاضر سهم بازار گوگل از موتورهای جستجو حدود ۷۰ درصد است. نکته جالب دیگر این‌که ایرانیان جزء کاربران اصلی گوگل محسوب می‌شوند. طبق آمار ماه فوریه ۲۰۱۷، ۳٫۱ درصد از کاربران موتور جستجوگر گوگل از ایران هستند. به‌این‌ترتیب ایران پس از آمریکا، هند و ژاپن در ردیف چهارم قرار دارد (شکل-۱).

شکل-۱

یک سؤال جالب این است ‌که آیا جستجوهای افراد در اینترنت می‌تواند دلالت‌هایی بر رفتارهای آنان در محیط واقعی داشته باشد؟ اگر چنین باشد تحلیل این جستجوها چه فرصت‌های ارزشمندی برای کسب‌وکارها فراهم می‌کند؟ برای پاسخ به این سؤال به چند مثال می‌پردازم.

رفتارهای دادوستد در بازارهای مالی و روندهای جستجو در گوگل

یکی از مقالات جالب و مهمی که در این حوزه در سال ۲۰۱۳ توسط سه اقتصاددان منتشر شد، نشان داده که رفتارهای دادوستد در بازارهای مالی را می‌توان تا حد خوبی با تحلیل کلیدواژه‌های مربوط به مباحث بازارهای مالی بررسی کرد. آنان نشان دادند که روندهای جستجو در گوگل نه‌تنها وضع فعلی بازارهای مالی بلکه وضعیت آتی آن را نیز منعکس می‌کند.

در این مقاله محققان ۹۸ کلیدواژه مرتبط با بازارهای مالی مانند کلمه “بدهی- Debt” را تحلیل کردند. برای بررسی عملکرد بازارهای مالی، آنان شاخص داوجونز (Dow Jones Industrial Average -DJIA) را ملاک قراردادند. p(t) نشان‌دهنده قیمت داوجونز در روز اول هفته t است. برای هر کلیدواژه مشخص مانند “بدهی”، حجم جستجو در هفته قبل از آن – ‌که با n(t-1) نشان داده می‌شود- بررسی شد. به‌منظور کمّی کردن تغییرات حجم جستجوی اطلاعات از رابطه زیر استفاده شده است:

 \Delta n(t, \Delta t) = n(t) - N(t - 1, \Delta t)

N(t -1, \Delta t) = (n(t-1) + n(t -2) + ... + n(t-\Delta t))/\Delta t

در رابطه بالا t برحسب هفته و \Delta t بازه سه‌هفته‌ای در نظر گرفته شده است.

محققان یک سبد سرمایه‌گذاری فرضی را که مرتبط با قیمت‌های بین سال‌های ۲۰۰۴ تا ۲۰۱۱ است، تعریف کردند. استراتژی این سرمایه‌گذاری بر اساس روندهای جستجوی گوگل تعریف شد.

این استراتژی به‌این‌ترتیب اجرا شد که اگر تغییرات حجم اطلاعات مثبت بود یعنی \Delta n(t -1, \Delta t) > 0، در روز اول هفته t، سهام داوجونز به قیمت p(t) فروش می‌رفت و به قیمت p(t+1) در ابتدای هفته بعد خریداری می‌شد. برعکس اگر \Delta n(t -1, \Delta t) < 0، در روز اول هفته t سهام به قیمت  p(t)خرید می‌شد و در اولین روز هفته بعد به قیمت p(t+1) به فروش می‌رفت.

شکل-۲ نشان‌دهنده تغییرات قیمت داوجونز در روز اول هر هفته p(t) است. رنگ‌بندی‌ها نشان‌دهنده تغییرات حجم جستجو برای کلمه “بدهی” است. به‌صورت بصری می‌توان دید که در بسیاری از مواردی بین تغییرات قیمت و تغییرات حجم جستجو برای کلیدواژه “بدهی” همبستگی وجود دارد. به‌طور مشخص کمی قبل از سقوط قیمت‌ها در بحران مالی ۲۰۰۸ امریکا، حجم جستجو افزایش چشم‌گیری داشته است.

شکل-۲

نمودار شکل-۳ نشان می‌دهد اگر واقعاً این استراتژی بین سال‌های ۲۰۰۴ تا ۲۰۱۱ اجرا می‌شد، چقدر عایدی داشت. خط آبی نشان‌دهنده سود تجمعی (Cumulative Return) استراتژی مبتنی بر روند جستجوی گوگل برای کلیدواژه “بدهی” است. خط‌چین نشان‌دهنده میانگین و انحراف معیار حاصل از عایدی ۱۰۰۰۰ استراتژی متفاوت خریدوفروش تصادفی است. این نمودار نشان می‌دهد نتیجه استراتژی مبتنی بر روند جستجوی گوگل، سود تجمعی ۳۲۶ درصد است. این مقاله برای سایر کلیدواژه‌ها و بازه‌های مختلف \Delta t، همین روند را طی کرده است.

شکل-۳

این مطالعه نشان می‌دهد روندها برای فروش دارایی‌های مالی در قیمت‌های پایین با یک دوره نگرانی آغاز می‌شود. در این دوره افراد شروع به جستجوی اطلاعات در مورد وضعیت بازارهای مالی می‌کنند به همین دلیل حجم جستجوها در گوگل کمی قبل از سقوط قیمت‌ها افزایش می‌یابد. همچنین نتایج این تحقیق برای جستجو کلیدواژه‌ها در کشور آمریکا و مقایسه آن با جستجو در سطح جهان نشان می‌دهد سرمایه‌گذاری بر اساس روندهای جستجوی گوگل، بر اساس حجم جستجو در آمریکا موفق‌تر است. این شاید به این دلیل است که تعداد کاربران اینترنت در آمریکا که سهام نیز خریدوفروش می‌کنند، بیشتر است.

مثال‌های دیگر از کاربرد روندهای جستجو در گوگل

به‌عنوان نمونه دیگر، مشخص ‌شده است که میزان توجه معامله گران در بازار انرژی، خود را در حجم کلیدواژه‌های جستجو شده در گوگل منعکس می‌کند. کلیدواژه‌های مرتبط با حوزه انرژی می‌توانند پیش‌بینی کننده خوبی برای نوسانات قیمت (Price Volatility) کالاهای حامل انرژی نظیر نفت خام، نفت کوره و گاز طبیعی در بازارهای جهانی باشند. شکل-۴ نوسانات قیمت نفت برنت (خط آبی‌رنگ) – که با انحراف معیار سنجیده می‌شود- در مقابل حجم جستجو برای کلمه OPEC (خط قرمزرنگ) را نمایش می‌دهد.

شکل-۴

تحقیقات متنوع دیگری نیز در مورد قدرت پیش‌بینی کنندگی حجم جستجوی کلیدواژه‌ها در گوگل شده است. مطالعات نشان داده میزان جستجوی نام یک کشور در گوگل با حجم سرمایه‌گذاری خارجی در آن کشور همبستگی دارد، یا میزان شیوع بیماری آنفولانزا را در یک منطقه، می‌توان با تحلیل میزان جستجوی کلمات متناظر در آن منطقه تخمین زد. مطالعه دیگری نشان داده است که افراد در کشورهایی که نرخ سرانه تولید ناخالص داخلی (GDP per Capita) بالاتری دارند، بیشتر به دنبال اطلاعات مربوط به آینده می‌گردند تا اطلاعات مربوط به گذشته.

کسب‌وکارها چگونه می‌توانند از روندهای جستجو در گوگل استفاده کنند؟

موتور جستجوگر گوگل با استفاده از ابزار Google Trends به شما امکان دسترسی رایگان به اطلاعات مربوط به روند جستجوی کلیدواژه‌های مختلف را می‌دهد. با استفاده از این ابزار می‌توانید اطلاعات را بر اساس زمان‌های مختلف، زبان‌های گوناگون و مناطق جغرافیایی برش بزنید. همچنین فهرستی از کلیدواژه‌های مرتبط با کلیدواژه موردنظر شما را نیز به دست می‌دهد.

اما کسب‌وکارها چگونه می‌توانند از این ابزار استفاده کنند؟ به‌طورکلی روند حجم جستجوی یک کلمه نشان می‌دهد که میزان توجه کاربران اینترنت در طول زمان چگونه بوده است. برای بعضی از کالاها می‌تواند همبستگی قوی بین میزان جستجوی آن در اینترنت و تقاضا برای آن کالا وجود داشته باشد.

فرض کنید یک موسسه ارائه خدمات گردشگری برون‌مرزی، می‌خواهد روند تقاضا برای مقاصد گردشگری مختلف را دنبال کند. گرچه این موسسه ممکن است بر اساس داده‌های گذشته نسبت به تقاضا دیدی داشته باشد ولی لزوماً اطلاعات کافی از فضای کل بازار ندارد. برای مثال در شکل-۵ روند کلیدواژه‌های مرتبط با سفر به کشور ترکیه شامل “تور ترکیه”، “تور استانبول” و “تور آنتالیا” به ترتیب با رنگ آبی، قرمز و زرد مشخص شده است.

شکل-۵

این نمودار نشان می‌دهد که روند جستجو صعودی بوده است. این می‌تواند نشان از افزایش تقاضا برای سفر به کشور ترکیه یا افزایش کاربران ایرانی موتور جستجوی گوگل و یا تحت تأثیر هر دو باشد. نکته دیگر این‌که روند جستجو از یک الگوی فصلی پیروی می‌کند. در هرسال دونقطه بیشینه یکی نزدیکی ماه مرداد و دیگری نزدیکی بهمن‌ماه رخ می‌دهد. با احتمال زیاد این جستجوها برای برنامه‌ریزی سفر در عید نوروز و شهریور رخ می‌دهد. نکته دیگر این‌که در سال ۲۰۱۶ میزان جستجو برای سفر به ترکیه کاهش چشمگیری نسبت به سال قبل آن داشته که احتمالاً درنتیجه حوادث سیاسی رخ‌داده در آن کشور بوده است. سازمان گردشگری هم این کاهش تقاضای سفر به ترکیه را در آن سال تائید کرده است. البته همان‌طور که نمودار نشان می‌دهد دوباره حجم جستجو در سال ۲۰۱۷ رشد داشته است. مسئله دیگر این است که کدام کلیدواژه بهتر می‌تواند پیش‌بینی کننده تقاضا به کشور ترکیه باشد. اگر اطلاعات مربوط به تقاضای سفر به ترکیه در دسترس بود، این امکان وجود داشت به شکل دقیق رابطه بین کلیدواژه‌ها و تقاضای سفر مشخص شود. اگرچه از نمودار به نظر می‌رسد همبستگی زیادی بین حجم جستجو برای این سه کلیدواژه وجود دارد. ضمن آنکه کلیدواژه “تور استانبول” بیشتر از بقیه جستجو شده است.

جالب‌تر وقتی خواهد بود که کشور ترکیه را با سایر مقاصد گردشگری مقایسه کنیم. شکل-۶ شاخص حجم جستجو برای کلیدواژه‌های “تور استانبول”، “تور ارمنستان” و “تور گرجستان” را به ترتیب با رنگ‌های آبی، قرمز و زرد نشان می‌دهد. این داده‌ها نشان می‌دهد روند جستجوی گرجستان به‌عنوان یک مقصد گردشگری به‌سرعت رو به افزایش است.

شکل-۶

این سؤال همچنان مطرح است که برای هر کسب‌وکار نتایج جستجوی گوگل تا چه حد می‌تواند پیش‌بینی کننده تقاضای مشتریان باشد. شرکت گوگل در یک مقاله تحقیقی به این پرداخته که روندهای پیش‌بینی جستجوها در کدام حوزه‌ها قابل پیش‌بینی‌تر است؛ به‌عبارت‌دیگر بر اساس حجم جستجوهای گذشته برای یک کلیدواژه تا چه حد روند آینده جستجوی آن را می‌توان حدس زد. نتایج دلالت بر این دارد که در سه حوزه سلامت، خوراکی و نوشیدنی و گردشگری با تقریب بالایی می‌توان روندهای آتی جستجوی کلیدواژه‌ها را پیش‌بینی کرد. این بدین معنی است که در این حوزه‌ها رفتار کاربران سازگارتر است؛ اما آیا به این معنی است که بین تقاضای یک محصول در این حوزه‌ها و رفتار کاربران در جستجوی کلمات رابطه قوی‌تری برقرار است؟ پاسخ به این سؤال نیازمند مطالعه بیشتر است.

هر کسب‌وکاری می‌تواند با بررسی داده‌های مربوط به تقاضای کالا یا خدماتش و مقایسه آن با حجم جستجوی کلیدواژه‌ها با بهره‌گیری از روش‌های آماری میزان دقت پیش‌بینی این روش را آزمایش کند.

استفاده از روندهای جستجوی کلیدواژه‌ها در گوگل می‌تواند کاربردهای متنوعی شامل پیش‌بینی تقاضا، فهم رفتار مشتریان و تخمین سهم بازار رقبا داشته باشد. بسته به نوع کسب‌وکار ممکن است میزان مفید بودن مدل‌های پیش‌بینی تفاوت کند.

منابع:

Afkhami, M., Cormack, L., & Ghoddusi, H. (2016). The Most Predictive Energy Search Terms

Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S., & Brilliant, L. (2009). “Detecting Influenza Epidemics Using Search Engine Query Data”. Nature, 457(7232), 1012-1014

Mondria, J., Wu, T. & Zhang, Y. (2010). “The Determinants of International Investment and Attention Allocation: Using Internet Search Query Data”. Journal of International Economics 82, 85–۹۵

Preis, T., Moat, H. S., & Stanley, H. E. (2013). “Quantifying Trading Behavior in Financial Markets Using Google Trends”. Scientific reports, 3, srep01684

Preis, T., Moat, H. S., Stanley, H. E., & Bishop, S. R. (2012). “Quantifying the Advantage of Looking Forward”. Scientific Reports, 2, 350

Shimshoni, Y., Efron, N., & Matias, Y. (2009). “On the Predictability of Search Trends”. Google Research Blog

Statista (2017). “Distribution of Global Online Visitors to Google.com as of February 2017, by Country”, https://www.statista.com/

چگونه مانند یک دانشمند داده فکر کنید؟ راهنمایی برای مدیران اجرایی

چگونه مانند یک دانشمند داده فکر کنید؟ راهنمایی برای مدیران اجرایی

امروزه بسیار توصیه می‌شود تا مدیران از داده برای تصمیم‌گیری‌های حوزه‌های کسب‌وکار استفاده کنند. اما ممکن است مدیران در کار با داده، استنتاج و تحلیل بر اساس آن و درنهایت شکل‌گیری تصمیم خود راحت نباشند. خبر خوب این است که لزومی ندارد شما یک متخصص و یا دانشمند داده باشید تا بتوانید تصمیمات داده‌محور بگیرید. من در این مقاله با یک مثال عملی و ساده نشان می‌دهم چطور می‌توانید با رویکرد داده‌محور به مسائل اطراف خود نگاه کنید. این تمرین به‌طور ضمنی مراحل مختلف تصمیم‌گیری داده‌محور را نشان می‌دهد و می‌تواند به شما سرنخ‌هایی بدهد که چه فرصت‌های کوچکی در اطراف شما برای بهبود وجود دارد. همین‌طور به شما کمک می‌کند بهتر بتوانید با یک تحلیل‌گر داده و روش‌های کمّی تصمیم‌گیری ارتباط برقرار کنید.

با شرکت در آزمون خودارزیابی سبک مدیریتی داده‌محور، خود را محک بزنید و بفهمید رویکرد شما تا چه حد به تصمیم‌گیری داده‌محور نزدیک است.

یک تمرین ساده

در گام اول با یک مسئله موردعلاقه که ذهن شما را مشغول کرده است، شروع کنید. یا برعکس با مسئله‌ای که شما را آزار می‌دهد. من موضوع دیر شروع شدن جلسات کاری را انتخاب کردم. آن را در قالب یک سؤال به‌این‌ترتیب بنویسید: “جلسات کاری همواره دیر شروع می‌شود. آیا این درست است؟” درواقع من اینجا یک فرضیه مطرح کردم.

سپس به این فکر کنید که چه داده‌هایی لازم است تا برای پاسخگویی به این سؤال جمع‌آوری کنید. تعاریف و پروتکل‌های لازم برای جمع‌آوری داده را بنویسید. در مثال من، نیاز است تا تعریف شود معنی شروع شدن جلسه دقیقاً چیست. جلسه وقتی شروع می‌شود که فردی بگوید “خوب بیاید جلسه را شروع کنیم” یا زمانی که بحث‌های واقعی مطرح می‌شود. آیا صحبت‌های غیررسمی ابتدای جلسه، جزء جلسه محسوب می‌شود؟

مرحله بعدی جمع‌آوری داده است. مهم است که داده‌های قابل‌اعتمادی داشته باشید. برای این مثال، من در طول دو هفته تأخیر در شروع جلساتی را که در آن شرکت داشتم، ثبت کردم. البته ممکن است با یک سری دشواری‌هایی در جمع‌آوری داده مواجه شوید. در مورد مثال من، ممکن است در عمل متوجه شوید حتی وقتی جلسه شروع ‌شده، با ورود یک مدیر ارشد به جلسه، دوباره همه‌چیز از نو شروع می‌شود. به‌این‌ترتیب در پروتکل و تعاریف خود باید تغییراتی ایجاد کنید.

در گام بعد خیلی خوب است تا داده‌های خود را به نمایش دربیاورید. نمایش داده به شما کمک می‌کند هم به درک بهتری از آن‌ها دست‌یابید و هم بتوانید آن‌ها را با دیگران طرح کنید. روش‌های مختلفی برای نمایش داده وجود دارد. برای این مثال، من داده‌های خودم را در قالب سری زمانی نشان دادم (شکل-۱). محور افقی روز و زمان شروع برگزاری جلسات است. محور عمودی نشان‌دهنده میزان تأخیر در شروع جلسات به دقیقه است.

شکل-۱

برای پاسخ به سؤال طرح‌شده، باید بتوانیم داده‌ها را در قالب شاخص‌های آماری خلاصه کنیم. در مثال من، در بازه زمانی دو هفته تنها ۱۳ درصد جلسات بدون تأخیر شروع شدند. به‌طور میانگین جلسات ۱۱ دقیقه تأخیر داشتند.

در همین‌جا متوقف نشوید. معنی این نتایج برای کسب‌وکار چیست؟ اگر این دو هفته بتواند وضعیت کل سال را نمایندگی کند، آن‌وقت چه هزینه‌ای به سازمان در یک سال بابت تأخیر در شروع جلسات وارد می‌شود. برای این محاسبه کافی است برآوردی از ارزش زمان افراد برای سازمان بر مبنای دستمزد ساعتی، تعداد متوسط افرادی که در هر جلسه حضور پیدا می‌کنند و تعداد کل جلسات سازمان در طول یک سال داشته باشید.

این‌که بتوانید دلالت نتایج را بر روی خروجی‌های کسب‌وکار مشخص کنید گام بسیار مهمی است. بسیاری از تحلیل‌ها در اینجا متوقف می‌شوند، چراکه این مرحله به‌خوبی جلو نمی‌رود. در این مثال نزدیک ۷۰ درصد جلسات تنها بعد از چند دقیقه شروع می‌شوند، پس پاسخ ما به فرضیه مطرح‌شده این است که “خیر، جلسات تقریباً سروقت شروع می‌شوند.” و همین‌جا بحث بیشتر متوقف می‌گردد.

می‌توان تحلیل را بازهم جلو برد. یکی از مسائل مهم در هر سیستمی واریانس است. متغیرهای مسئله معمولاً دارای نوسان هستند. در مثال من تأخیری بین ۵ تا ۱۵ دقیقه در شروع جلسات متداول است. جلسات کمی دقیقاً سر موقع شروع می‌شوند و چند جلسه هم تأخیرهای زیاد در حد ۲۵ تا ۳۰ دقیقه داشتند.

نکته جالب این‌که مسئول همه جلسات بدون تأخیر، مدیر دپارتمان مالی بوده است. اگرچه در سازمان تأخیر در شروع جلسات متداول است، اما ظاهراً مدیر دپارتمان مالی کنترل و مدیریت بیشتری روی نحوه برگزاری جلسات دارد. آیا در سطح فردی می‌توان از نحوه اداره و برگزاری جلسات از او نکاتی یاد گرفت؟

تحلیل‌ها را بازهم می‌توان جلو برد. آیا این تجربه شخصی با تجربه دیگران در سازمان هماهنگ است و می‌توان آن را تعمیم داد؟ آیا در برخی از روزها جلسات معمولاً با تأخیر بیشتری شروع می‌شوند؟ آیا رابطه‌ای بین تأخیر در شروع جلسه و حضور مدیریت ارشد در آن جلسه وجود دارد؟

من توصیه می‌کنم این تمرین را جدی بگیرید. همان‌طور که در این مثال ساده دید، شما می‌توانید فرضیه‌های مختلفی مطرح و آن‌ها را بررسی کنید. برای نهادینه کردن این طرز فکر لازم است بارها و بارها آن را در عمل اجرا کنید. به این ترتیب به‌تدریج به این نوع فکر کردن عادت خواهید کرد و از آن لذت خواهید برد. کار با داده و کشف شهود جدید از آن می‌تواند خیلی جذاب باشد!

منابع:

Redman, T. C. (2017). “A Simple Exercise to Help You Think Like a Data Scientist” HBR Guide to Data Analytics Basics for Managers, Harvard Business Review Press, Boston, Massachusetts

 

آیا شما یک مدیر داده-‌محور هستید؟

آیا شما یک مدیر داده-‌محور هستید؟

امروزه بسیاری از شرکت‌ها از داده برای تصمیم‌گیری در حوزه‌های مختلف از توسعه محصول گرفته تا استخدام و تبلیغات بهره می‌برند. بر اساس یکی از مطالعات اخیر که توسط اساتید دانشکده مدیریت دانشگاه ام.آی.تی (MIT) در آمریکا صورت گرفته است، شرکت‌های پیشرو در هر صنعتی از روش‌های داده محور در تصمیم‌گیری‌های خود استفاده می‌کنند. آنان به شکل کمّی نشان داده‌اند که این شرکت‌ها از شرکت‌هایی که از روش‌های داده‌محور استفاده نمی‌کنند، سودآورتر هستند.

از سمت دیگر ما در دوره‌ای به سر می‌بریم که امکانات بی‌سابقه‌ای برای جمع‌آوری و تجزیه‌وتحلیل داده فراهم‌شده است. امروزه روش‌های تحلیلی کسب‌وکار در حال دگرگون کردن مدل‌های کسب‌وکار هستند.

در مقالات دیگری هم توضیح داده‌ام که چرا ممکن است مدیران به‌سرعت نتیجه‌گیری‌های اشتباه کنند و یا کیفیت تصمیماتشان تحت تأثیر خطاهای ادراکی پایین بیاید.

مجموع این دلایل بیش از گذشته مدیران را به این سمت سوق می‌دهد که برای بهبود کیفیت تصمیم‌گیری خود به سمت سبک مدیریتی داده-محور حرکت کنند.

ازآنجاکه همواره توصیه می‌کنم بهتر است در مدیریت از واژه‌ها و عبارات مبهم خودداری کنیم، در این مقاله به دنبال آن هستم که برای مدیران روشن کنم که تصمیم‌گیری داده‌محور دقیقاً به چه معنی است.

ویژگی‌های یک مدیر داده‌محور

برای آن‌که خود را محک بزنید تا چه حد یک مدیر داده‌محور هستید، خودارزیابی زیر را انجام دهید:

آزمون سبک مدیریتی داده‌-محور

سؤالات مختلف این خودارزیابی ویژگی‌های یک مدیر داده‌محور را روشن می‌کند؛ اما چند نکته لازم به توضیح بیشتر است.

اول، در سازمان‌های داده‌محور تا جای ممکن تصمیمات در پایین‌تر سطح گرفته می‌شود. وقتی با برخی از مدیران گفتگو می‌کنم یکی از نکاتی که در صحبت‌های آنان پررنگ است گله‌مندی از کمبود وقت در انجام وظایفشان است. وقتی در خلال گفتگو بیشتر در فعالیت‌های روزمره آنان دقیق می‌شوم، مشخص می‌شود بسیاری از آنان عمدتاً درگیر مسائل ریزودرشت اجرایی سازمان خود هستند. در نقطه مقابل یک مدیر اجرایی دیدگاهش را نسبت به وظایف خود چنین توضیح می‌دهد: “هدف من این است که در طول یک سال، تنها شش تصمیم بگیرم. البته این یعنی که شش مسئله اصلی را که برای تصمیم‌گیری از همه مهم‌تر هستند تشخیص دهم. همچنین مطمئن شوم که کسانی که به من گزارش می‌دهند داده‌های لازم و اعتمادبه‌نفس کامل برای تصمیم‌گیری در مورد بقیه تصمیمات را دارند.” واقعیت این است که منتقل کردن بسیاری از تصمیمات به سطوح پایین‌تر سازمان، زمان مدیران ارشد را برای گرفتن تصمیمات مهم‌تر باز می‌گذارد. همچنین کسانی که در سطوح پایین‌تر مسئول آن تصمیمات می‌شوند، وقت و دقت بیشتری را برای آن تصمیمات اختصاص می‌دهند.

دوم، مدیران داده‌محور به این نکته آگاه هستند که فرآیندها دارای واریانس هستند. حتی اگر یک فرآیند بسیار ساده و یا خیلی کنترل‌شده هم باشد، بازهم متغیرهای درگیر در آن دارای نوسان هستند. یک مدیر داده‌محور کاملاً آگاه است که استفاده کردن از یک عدد یا قطعی فرض کردن متغیرها چگونه ممکن است در تصمیماتش خطا ایجاد کند. در مقاله “خطا در استفاده از میانگین” این مسئله را شرح داده‌ام.

سوم، مدیر داده‌محور روی به دست آوردن اطلاعات باکیفیت تأکید زیادی دارد. خاطرم هست یکی از دانشجویانم، تصمیم در مورد رشته انتخابی خود در دوره کارشناسی را جزء تصمیمات بدش قلمداد می‌کرد. وقتی از او درباره جزئیات تصمیمش پرسیدم پاسخش این بود که در زمان انتخاب رشته تصور می‌کرده، رشته انتخابی با مسیر شغلی که در ذهن داشته مربوط است درحالی‌که بعدها فهمیده این‌گونه نیست. درواقع او در لحظه تصمیم نتوانسته اطلاعات مناسب با مسئله را گردآوری کند. مشابه این وضع در مورد مدیران صادق است. مدیر داده‌محور می‌داند که کیفیت تصمیماتش بهتر از کیفیت داده‌هایی که در اختیار دارد، نخواهد بود. بسیاری از عدم قطعیت‌ها ناشی از عدم معرفت و آگاهی ما نسبت به موضوع است. داشتن اطلاعات باکیفیت می‌تواند فهم بهتری از واریانس موجود در فرآیندها و ریسک‌های پیشرو بدهد.

چهارم، مدیر داده‌محور با استنتاج آماری و مبتنی بر داده آشناست. لزومی ندارد مدیر با جزئیات، در جریان روش‌های تحلیلی باشد. اما در دنیای امروز مدیر باید این مهارت را داشته باشد تا بتواند بر مبنای تحلیل داده تصمیم‌گیری کند. برای آشنایی بیشتر مقاله “مقدمه‌ای بر تصمیم‌گیری داده‌محور برای مدیرانی که از ریاضیات متنفرند” را بخوانید.

پنجم، یادگیری در مرکز تصمیم‌گیری داده-محور قرار دارد. فرد یادگیرنده دائماً تصمیمات خود را مورد ارزیابی و بازنگری قرار می‌دهد. اگر شواهد و داده‌ها نشان دهند، یک تصمیم اشتباه است آنان سریع‌تر پیشگام می‌شوند تا آن تصمیم را متوقف کنند. به همین دلیل مدیر داده‌محور به دنبال این نیست تا شواهدی از داده‌ها بیابد که ایده‌های خودش را حمایت کند؛ بلکه هدفش آن است تا حقایق را کشف کند.

 برای آشنایی بیشتر با اهمیت یادگیری در تصمیمات مدیریتی، مقاله “یادگیری دوحلقه‌ای” را بخوانید.

اگر بخواهید یک مدیر داده-محور بشوید، باید از کجا شروع کنید؟

اگر می‌خواهید به سبک مدیریتی داده-محور نزدیک شوید و یا در خود بهبود بیشتری ایجاد کنید، خود را تحت‌فشار قرار دهید تا تصمیمات بیشتری را به سطوح پایین‌تر سازمان انتقال دهید. این توصیه در نگاه اول ممکن است دشوار یا خلاف شهود به نظر برسد، بخصوص برای مدیرانی که عادت کرده‌اند احساس کنترل زیادی روی امور داشته باشند. همان‌طور که اشاره کردم مدیر داده-محور اولویت‌های تصمیم‌گیری خود را می‌شناسد و می‌داند زمان و تلاش خود را روی کدام تصمیم متمرکز کند.

نکته بعد سرمایه‌گذاری در سازمان برای به دست آوردن داده‌های باکیفیت است. اگر شما به منابع داده قابل‌اطمینان دسترسی نداشته باشید، نمی‌توانید به سمت تصمیم‌گیری داده‌محور حرکت کنید. در این حالت صرفاً به شهود خود محدود خواهید شد. داشتن داده‌های باکیفیت یک الزام است.

استفاده از داده برای تصمیم‌گیری و ترکیب آن با شهود خود یک فرآیند زمان‌بر است که نیاز به تجربه و یادگیری دارد. بهتر است دانش آماری خود را از طریق مطالعه و شرکت در دوره‌های آموزشی که برای مدیران طراحی ‌شده، افزایش دهید. مهم‌تر آنکه باید تا می‌توانید سعی کنید در عمل از داده برای بهبود تصمیم‌گیری‌های خود استفاده کنید تا در به‌کارگیری از رویکردهای داده‌محور خبره‌تر شوید. همین‌طور مطمئن شوید که تیم تحت مدیریت خود را نیز در این مسیر همراه و همفکر کنید و در توانمندسازی آن‌ها بکوشید.

منابع:

Davenport, T. H. (2013). “Keep Up with Your Quants”, Harvard Business Review, https://hbr.org/2013/07/keep-up-with-your-quants

Frick, W. (2014). “An Introduction to Data-Driven Decisions for Managers Who Don’t like Math”, Harvard Business Review, https://hbr.org/2014/05/an-introduction-to-data-driven-decisions-for-managers-who-dont-like-math

Redman, T. C. (2017). “Are You Data-Driven?” HBR Guide to Data Analytics Basics for Managers, Harvard Business Review Press, Boston, Massachusetts

Valente Rosa, M. J. (2016). “Measuring Statistical Literacy”, Conference of European Statistics Stakeholders (CESS), Budapest

مدیریت عملیات رفتاری چیست؟

مدیریت عملیات رفتاری چیست؟

مدیریت عملیات رفتاری (Behavioral Operations Management) یکی از شاخه‌های جدید در حوزه مدیریت عملیات است که به بررسی اثر حضور و نقش انسان‌ها در فرآیندهای سازمانی می‌پردازد.

اگرچه حوزه مدیریت عملیات تاحدی نقش مسائل انسانی را در تصمیم‌گیری‌های عملیاتی در نظر می‌گیرد، در مدیریت عملیات رفتاری نقش مسائل انسانی و روان‌شاختی در طراحی، پیاده‌سازی و اجرای سیستم‌های عملیاتی مورد تأکید بیشتری قرار می‌گیرد. در ادامه به چند مثال از حوزه‌هایی که مدیریت عملیات رفتاری شهود جدیدی را به مدیران منتقل می‌کند، می‌پردازم.

مثال‌هایی از کاربردهای مدیریت عملیات رفتاری

در ارزیابی عملکرد سیستم در شرکت‌های خدماتی، عموماً معیارهای کمّی نظیر کاهش زمان انتظار مشتریان و افزایش سرعت ارائه خدمت شاخص‌هایی هستند که منعکس‌کننده میزان رضایت مشتری در نظر گرفته می‌شوند. اگرچه توجه به معیارهای کمی مربوط به زمان انتظار اهمیت ویژه‌ای در میزان رضایتمندی مشتری دارند، با ورود مطالعات رفتاری به حوزه مدیریت عملیات توجه به تجربه مشتری یا کیفیت انتظار وی به‌اندازه کمیت آن در سنجش میزان رضایت مشتریان در سیستم‌های خدماتی اهمیت پیدا کرده است. یک زمان انتظار ده‌دقیقه‌ای در یک محیط سرشار از هیجان و شادمانی می‌تواند بسیار ناچیز احساس شود درحالی‌که این میزان انتظار در یک محیط پراسترس، شلوغ و با شرایط دمایی نامناسب می‌تواند بسیار طولانی برآورد شود. این رویکرد توجه به طراحی المان‌های انسانی و روان‌شناختی در طراحی صف نظیر چیدمان فضای انتظار، استفاده از عوامل جذاب کننده محیطی، افزایش راحتی، کاهش اضطراب و ارائه اطلاعات مرتبط با برآورد زمان انتظار را موردتوجه قرار می‌دهد.

تصمیم‌گیری در مورد طراحی ساختار ارائه خدمت به مشتری در سیستم‌های صف یکی دیگر از مباحث مطرح در مدیریت عملیات می‌باشد. در سال‌های اخیر، بسیاری از شرکت‌های خدماتی در بخش‌های مختلف نظیر رستوران‌ها، خرده‌فروشی‌ها، ادارات پستی و بانک‌ها سیستم صفِ واحد را جایگزین سیستم صف‌های موازی نموده‌اند. بر اساس پیش‌بینی‌های مبتنی بر تئوری صف (Queueing Theory)، سیستم صفِ واحد همراه با چند ارائه‌دهنده خدمت (Single Queue – Multi Server) با افزایش بهره‌وری ارائه‌دهندگان خدمت و کاهش زمان بیکاری آنان، موجب کاهش زمان انتظار مشتریان می‌شود. بااین‌وجود، مطالعات رفتاری اخیر جوانب دیگری را نیز آشکار کرده است. تحقیقات نشان می‌دهند که در سیستم صفِ واحد فعالیت‌های افراد ارائه‌دهنده خدمت مستقل از هم نیستند و بر روی یکدیگر اثر می‌گذارند؛ ممکن است افزایش عملکرد یک ارائه‌دهنده، دیگری را به کاهش عملکرد تشویق کند (سواری مجانی – Free Riding). همچنین به دلیل وجود تنها یک صف برای همه ارائه‌دهندگان خدمت امکان گرفتن بازخورد از طول صف برای هر ارائه‌دهنده از بین می‌رود. در چنین سیستم‌هایی مشاهده شده است که تعامل مستقیم بین مشتری و ارائه‌دهنده خدمت کاهش می‌یابد چراکه در این حالت هر ارائه‌دهنده صف مجزایی را مقابل خود ندارد. این عوامل منجر می‌شود که اثرات مثبت این ساختار بر زمان انتظار مشتریان کاهش یابد.

برای آشنایی با کاربردهای مباحث رفتاری در طراحی و مدیریت خدمات می‌توانید این مقاله را بخوانید.

از دیگر بحث‌های مرتبط با حوزه مدیریت عملیات رفتاری برنامه‌ریزی نیروی کار در واحدهای تولیدی و عملیاتی هست. در شرایطی که سطح تقاضا به شکل نسبتاً قابل پیش‌بینی تغییر می‌کند، به‌راحتی فرض می‌شود که بنگاه می‌تواند ظرفیت نیروی کار خود را به‌تناسب میزان تقاضا تغییر ‌دهد. به این معنی که در زمان افزایش تقاضا، ظرفیت نیروی کار موردنیاز با افزایش ساعات کاری کارکنان یا بهره‌گیری از نیروی کار پاره‌وقت به شکل مقطعی جبران ‌شود. گرچه این رویکرد در تئوری از مزیت انعطاف‌پذیری و کاهش هزینه نیروی کار برخوردار است، مدیریت عملیات رفتاری نسبت به ریسک‌های این روش‌ها هشدار می‌دهد. افزایش ساعات کاری می‌تواند از طریق عواملی مانند افزایش خستگی، استرس و فشار عصبی به کاهش بهره‌وری نیروی کار و کاهش کیفیت تولید منجر شود. به‌کارگیری نیروی کار پاره‌وقت نیز با توجه به میزان پایین وفاداری آنان به سازمان، کافی نبودن دانش و مهارت موردنیاز و زمان‌بر بودن یادگیری در نیروی کار جدید، می‌تواند اثرات مثبت این رویکرد را خنثی کند.

یکی دیگر از چالش‌های مهم در حوزه مدیریت عملیات پیاده‌سازی سیستم‌های اتوماسیون در سازمان‌هاست. یکی از عوامل مهم موفقیت در پیاده‌سازی این سیستم‌ها به درک درست ما از رفتار انسان برمی‌گردد. مطالعات مختلف نشان می‌دهند که سیستم‌های اتوماسیون نظیر سیستم‌های پیش‌بینی تقاضا، تعیین میزان سفارش‌ها، زمان‌بندی و نوبت‌دهی و یا سیستم‌های برنامه‌ریزی منابع سازمانی (ERP)، در بسیاری موارد توسط افراد به‌درستی بکار گرفته نمی‌شوند و یا مورد مداخله قرار می‌گیرند. این مسئله عواقب نامطلوبی را برای سازمان‌ها نظیر افزایش میزان خطا در تصمیمات، ایجاد ناهماهنگی بین اعضای زنجیره تأمین، کاهش کارایی و بهره‌وری و درنهایت افزایش هزینه‌ها به همراه دارد. یافته‌های حوزه مدیریت عملیات رفتاری خطاهای ادراکی نظیر اثر تمایل به مرکز (Pull-to-Center Effect)، سوگیری دقت بیش‌ازحد (Overprecision Bias)، استفاده از میانبر ذهنی دنبال کردن تقاضا (Demand-Chasing Heuristic)، بی‌اعتمادی و تفاوت‌های بین فردی در نحوه تصمیم‌گیری (Individual Differences) را از عوامل بروز اشتباهات در سیستم‌های اتوماسیون عنوان کرده‌اند.

به چالش کشیدن مفروضات عقلانی

توجه به مسائل انسانی در مدیریت عملیات مسئله جدیدی نیست و مدیریت عملیات رفتاری را نمی‌توان انقلابی در حوزه مدیریت عملیات قلمداد کرد. حوزه مدیریت عملیات از اواسط دهه ۱۹۵۰ هم به‌طور کم‌وبیش با چالش‌های انسانی درگیر بوده و به این موضوعات می‌پرداخته است. درواقع، آنچه حوزه مدیریت عملیات رفتاری را به‌عنوان یک حوزه مجزا از اوایل دهه ۲۰۰۰ موردتوجه قرار می‌دهد، ظهور روش‌ها و شاخه‌های منسجم و ساختاریافته در مدیریت عملیات است که محققان بر روی آن تمرکز کردند.

مدل‌های بکار گرفته‌شده در حوزه مدیریت عملیات همانند سایر مدل‌ها دارای پیش‌فرض‌هایی هستند. پیش‌فرض‌های استفاده‌شده در مدل‌های عملیاتی مبتنی بر پیش‌فرض‌های عقلانی می‌باشند که به‌طور مشابه در حوزه‌هایی نظیر اقتصاد نیز بکار گرفته می‌شوند. این مدل‌ها یک فرد با مطلوبیت‌های عقلانی را فردی توصیف می‌کنند که:

۱) بر منافع شخصی خود متمرکز است و هدف اصلی‌اش افزایش منافع شخصی خویش می‌باشد،

۲) به شکل آگاهانه، هوشیارانه، بر اساس ادراک و هدفمند تصمیم‌گیری می‌کند،

۳) با دسترسی و بر اساس دانش و اطلاعات کامل تصمیم‌گیری کرده و می‌تواند بین اطلاعات مفید و غیرمفید تمایز قائل شود و

۴) در تصمیماتش بر بهینه‌سازی شرایط تمرکز دارد.

آنچه در عمل اتفاق می‌افتد این است که افراد در مواجهه با تصمیمات عملیاتی به دلایل مختلف با مدل‌هایی که مبتنی بر چارچوب عقلانیت مطلق استوارند، تصمیم‌گیری نمی‌کنند. در مدیریت عملیات رفتاری فرضیات مبتنی بر عقلانیت مطلق به چالش کشیده می‌شوند و نقش عواملی نظیر احساسات، تغییر حالات روحی، خستگی و استرس، یادگیری و ارتباطات بین فردی در تصمیمات عملیاتی موردبررسی قرار می‌گیرند.

محققان حوزه مدیریت عملیات رفتاری برانند که با در پیش گرفتن نگاهی نقادانه و با تمرکز بر تصمیمات مربوط به مدیریت عملیات، به بررسی علل این تصمیمات از دیدگاه رفتاری و یافتن راهکارهایی مبتنی بر این دیدگاه‌ها بپردازند که در دنیای واقعی و در فضای عملیاتی سازمان‌ها قابل‌درک و بهره‌برداری بیشتری باشند. در دنیای واقع، انسان‌ها در تصمیم‌گیری‌ها و انجام کارهای خود به شکل کاملاً عاقلانه عمل نمی‌کنند و رفتارشان بر اساس معیارهای عقلانیت مطلق قابل پیش‌بینی نیست.

منابع:

Bendoly, E., van Wezel, W., & Bachrach, D. G. (2015). “The Handbook of Behavioral Operations Management: Social and Psychological Dynamics in Production and Service Settings” Oxford University Press

Gino, F., & Pisano, G. (2008). “Toward a Theory of Behavioral Operations.” Manufacturing & Service Operations Management, 10(4), 676-691

Loch, C. H., & Wu, Y. (2007). “Behavioral Operations Management”, Foundations and Trends® in Technology, Information and Operations Management, 1(3), 121-232

هوش تجاری چیست؟

هوش تجاری چیست؟

شاید بتوان گفت مهم‌ترین وجه تمایز مدیران با کارمندان در تصمیم‌گیری است. هرچه سطح یک مدیر در سلسله‌مراتب سازمانی بالاتر باشد با تصمیمات پیچیده و دشوارتری مواجه است. در مقابل کارمندان بیشتر از رویه‌ها و فرآیندهای از پیش مشخص‌شده در فعالیت‌های روزانه خود پیروی می‌کنند.

اما مدیران برای ایفا کردن این نقش خود از چه روش‌هایی استفاده می‌کنند؟ آیا روش‌های آن‌ها از دقت کافی برخوردار است؟ آیا آن‌ها می‌توانند در فضای پیچیده کنونی کسب‌وکار تصمیمات مؤثری بگیرند؟ رویکردهای مختلفی به تصمیم‌گیری وجود دارد. یکی از این روش‌ها اتکا به سنت گذشته است. این روش معمولاً با این جمله همراه است که “ما درگذشته هم در برخورد با چنین مسئله‌ای همین کار را می‌کردیم.” رویکرد دیگر بر مبنای شهود است. این رویکرد بیشتر از احساسات و تا حدی از تجربیات گذشته ناشی می‌شود. اغلب فرد از بیان دلایل صریح و مشخص برای تصمیم خود عاجز است و با جملاتی مانند “حس من می‌گوید باید این انتخاب را کنم” همراه است. رویکرد دیگر بهره‌گیری از قوانین سرانگشتی است. مبتنی بر تجربیات گذشته‌اش، فرد به قوانین ساده‌ای رسیده که مبنای تصمیم اوست. برای مثال صاحب یک رستوران بر اساس تجربه گذشته خود می‌داند که در روزهای تعطیل تعداد مشتریان او افزایش می‌یابد و برای پاسخگویی به حجم تقاضا باید تعداد خدمتکاران و آشپزها را دو برابر کند. این‌ها روش‌هایی هستند که در مواردی که ما با تصمیمات نسبتاً ساد‌ه‌ای مواجه هستیم، اتفاقاً خیلی خوب کار می‌کنند. مطالعات زیادی نیز صورت گرفته است که نشان ‌می‌دهد تصمیمات و قضاوت‌های ما در روش‌های شهودی تحت تأثیر خطاهای رفتاری است.

در سمت دیگر روش‌های داده‌محور قرار دارند که دارای گام‌های مشخص برای تصمیم‌گیری هستند. گرچه استفاده از روش‌های داده‌محور رویکرد جدیدی نیست، اما تحولات اواخر قرن بیستم به رشد و پیشرفت این روش‌ها کمک بسیاری کرده است. در دهه ۱۹۹۰ تغییرات فنّاوری، اقتصادی و اجتماعی اهمیت دانش و اطلاعات را دوچندان کرد.

سه عامل اصلی در این تحول نقش بازی کرده‌اند. اول، پیشرفت فنّاوری باعث شده حجم انبوهی از داده تولید شود. گسترش استفاده از دستگاه‌های کارت‌خوان‌ الکترونیکی در فروشگا‌ه‌ها، تجارت و تبلیغات در فضای اینترنت، عضویت در شبکه‌های اجتماعی و بهره‌گیری از انواع دستگاه‌های الکترونیکی شخصی مانند گوشی‌های هوشمند حجم انبوهی از اطلاعات را ایجاد کرده است. دوم، افزایش توان سخت‌افزاری برای ذخیره‌سازی این حجم از داده‌ها با قیمت‌های نسبتاً پایین است. سوم، توسعه و پیشرفت روش‌های محاسباتی و الگوریتم‌ها برای تجزیه‌وتحلیل داده‌های با حجم بالاست. این سه تحول عمده سازمان‌ها را قادر کرده است تا با سرعت و کار آیی بیشتر مسائل پیچیده‌تری را حل کنند.

بنا به تعریف، هوش تجاری (Business Intelligence) یک فرآیند فنّاوری‌محور برای تحلیل و ارائه داده است که مدیران کسب‌وکار را قادر می‌کند تا تصمیمات بهتر و آگاهانه‌تری بگیرند. این عبارت برای اولین بار در اواخر دهه ۱۹۵۰ توسط یکی از محققان شرکت آی.بی.ام (IBM) بکار برده شد. عبارت دیگری که در سالیان اخیر متداول شده، روش‌های تحلیلی کسب‌وکار (Business Analytics) است. بنا بر تعریف موسسه اینفورمز (INFORMS) روش‌های تحلیلی کسب‌وکار یک فرآیند علمی است که داده را به دانش و شهود جدیدی تبدیل می‌کند که بر مبنای آن می‌توان تصمیمات بهتری گرفت.

کاربردهایی از هوش تجاری

مثال‌های زیر نمونه‌هایی از سؤالاتی است که هوش تجاری در حوزه‌های مختلف می‌تواند به یافتن پاسخ آن‌ها کمک کند:

مدیریت ارتباط با مشتری: کدام‌یک از مشتریان سازمان سودآورتر از بقیه هستند؟ احتمال از دست دادن یک مشتری در یک سال آینده چقدر است؟ چگونه می‌توان رضایت مشتریان را از خدمات سازمان افزایش داد؟

مدیریت بازاریابی: چگونه می‌توان احتمال موفقیت یک محصول جدید را پیش‌بینی کرد؟ در اثر یک کمپین تبلیغاتی جدید، احتمال خرید یک محصول توسط مشتریان فعلی چقدر است؟

مدیریت کیفیت: ترکیب بهینه پارامترهای تولید برای رسیدن به اهداف کیفیت محصول کدام است؟

مدیریت زنجیره تأمین: چگونه مسیرها و برنامه زمان‌بندی کارکنان را بهینه کرد تا هزینه‌های حمل‌ونقل کمینه شود؟ مکان بهینه انبارها و مراکز توزیع در کجا باید قرار گیرد؟ میزان بهینه کالاها در انبار با توجه به میزان تقاضا چقدر باید باشد؟

مدیریت منابع انسانی: هزینه‌های ناشی از خروج کارکنان از سازمان چقدر است؟ چه پارامترهایی بر نرخ خروج کارکنان از سازمان اثر می‌گذارند؟ اثرات مالی روش‌های مختلف پرداخت کارکنان چیست؟

مدیریت مالی: ریسک سبدی از سهام مختلف چقدر است؟ چگونه می‌توان روندهای آتی بازارهای مالی را پیش‌بینی کرد؟ جریان نقدی یک شرکت را چگونه می‌توان پیش‌بینی و مدیریت کرد؟

شناسایی تقلب: چگونه تقلب را در حوزه‌های مختلف مانند ادعای خسارت در بیمه، پول‌شویی، هزینه‌های بیمارستانی و فرار مالیاتی شناسایی کنیم؟

صنعت ورزش: چگونه با یک بودجه محدود یک تیم ورزشی مؤثر و کارآمد ایجاد کنیم؟ چگونه بازیکنان را بر اساس کارایی آنان قیمت‌گذاری کنیم؟ قیمت‌های بلیت مسابقات را چطور بر اساس جذابیت بازی و میزان تقاضا تعیین کنیم؟

تجزیه‌وتحلیل وب: تبلیغات آنلاین بر روی فروش محصولات وب‌سایت چه اثری داشته است؟ بر اساس داده‌های کاربران چگونه طراحی وب‌سایت را کارآمدتر کنیم؟

صنعت تلکام: چگونه کاربران را بر اساس رفتار آن‌ها خوشه‌بندی کنیم و به هریک از آنان خدمات سفارشی‌شده ارائه دهیم؟ احتمال ترک‌کردن شبکه از سوی یک کاربر و رفتن به شبکه رقیب چقدر است؟

بانکداری: احتمال آن‌که فردی که متقاضی وام است، نتواند وام خود را پس دهد، چقدر است؟

مؤسسات مردم‌نهاد: چگونه کمپین‌های جمع‌آوری کمک‌های مالی کارآمدتر طراحی کنیم؟

هوش تجاری در حال تحول کسب‌وکارهاست

اگرچه در ایران به‌تدریج مدیران در حال آشنایی با مفاهیم هوش تجاری هستند، ولی شاید کمتر آگاه باشند که مدل‌های کسب‌وکار تحت تأثیر این رویکرد در حال تغییر هستند. این تحول در مدل ذهنی مدیران ایرانی باید صورت گیرد. در اینجا به چند روند مهم اشاره می‌کنم:

داده به‌عنوان هدف نه محصول جانبی

داده به‌قدری در کسب‌وکارها اهمیت یافته است که امروزه دیگر هدف اصلی شرکت‌های پیشرو عرضه خود محصول فیزیکی به بازار نیست، بلکه داده‌ای که از آن طریق جمع‌آوری می‌کنند، برایشان اولویت اصلی دارد. درگذشته داده محصول جانبی ناشی از فروش یک کالا یا خدمت بود. امروزه هدف اصلی از فروش یک کالا جمع‌آوری داده و به دنبال آن بهره‌گیری از هوش تجاری برای تجزیه‌وتحلیل داده است. درواقع کالا به یک کانال جمع‌آوری داده تبدیل شده است. به‌این‌ترتیب قابل توضیح است که چرا امروزه این‌همه خدمات رایگان مانند ایمیل مجانی رو به گسترش است. وقتی الگوریتم‌ها تشخیص دهند، شما در ایمیل خود بیشتر از کلمه “ورزش” استفاده کردید، تبلیغات کالاهای ورزشی بیشتر به شما عرضه می‌شود.

محصولات داده‌-محور مرزهای صنایع مختلف را کم‌رنگ کرده‌اند

شرکت نایکی (Nike) را در نظر بگیرید. اگر از همه بپرسید نایکی در چه صنعتی فعال است احتمالاً خواهند گفت صنعت لوازم ورزشی یا پوشاک. این تصور البته درست است. سال‌ها نایکی در این صنعت فعال بوده است. در سال ۲۰۱۲ نایکی محصولی را تحت عنوان FuelBand به بازار داد. این محصول شبیه یک ساعت مچی است که اطلاعات مربوط به تعداد گام‌هایی که روزانه برمی‌دارید و یا الگوهای خواب را ثبت و ذخیره می‌کند. این محصول بسیاری از پیش‌فرض‌ها مربوط به مدل کسب‌و‌کار نایکی را به چالش می‌کشد.

اول این‌که FuelBand یک محصول با فنّاوری بالا با انواع حسگرها و قطعات الکترونیکی است. بدین شکل نایکی وارد کسب‌وکار با فنّاوری پیشرفته شده است. دوم، برای استفاده بهتر از این محصول، یک نرم‌افزار برای استفاده در گوشی‌های هوشمند یا کامپیوترهای شخصی طراحی شده، پس نایکی وارد کسب‌وکار نرم‌افزار هم شده است. سوم داده‌های این نرم‌افزار اکنون نایکی را از الگوی خواب و فعالیت مشتریانش آگاه می‌کند. حالا می‌توان گفت نایکی وارد حوزه خدمات و یا حتی سلامت هم شده است. درواقع این محصول نایکی را وارد حوزه‌هایی کرد که به پوشاک و مد مربوط نبود. علت اصلی خرید این محصول از سمت مشتریان هم زیبایی ظاهری محصول نبود بلکه داده‌ها و تحلیل‌هایی بود که در اختیار کاربر قرار می‌گرفت.

روش‌های تحلیلی تغییرات بنیادی ایجاد خواهند کرد

به حوزه آموزش توجه کنید. برای دهه‌ها و شاید قرن‌هاست که سیستم آموزشی از یک الگوی ثابت پیروی می‌کند. ما همه کودکان را در یک سن مشخص بدون توجه به پیشینه و استعدادشان می‌گیریم، آن‌ها را داخل یک کلاس می‌کنیم و به همگی یک مطلب درسی ارائه می‌کنیم.

چرا در عصر داده، آموزش مبتنی بر توانایی هر فرد و سرعت دلخواهش تنظیم نشود؟ چرا معلمان بیشتر نقش توانمند‌ساز و تحریک‌کننده خلاقیت نداشته باشند به‌جای آنکه یک سری از متون را بازخوانی کنند؟ اگر کسی مطلبی را بلد است، چرا دوباره آن مطالب را گوش دهد و سریع‌تر به سراغ مطلب دیگری نرود؟ و اگر کسی در مطلبی مشکل دارد، چرا روی آن بیشتر تمرکز نکند؟

در حال حاضر مؤسساتی نظیر آکادمی خان (Khan Academy) و یا Coursera ظهور این‌گونه آموزش را نوید می‌دهند. در قلب این شیوه آموزشی داده و روش‌های تحلیلی قرار داد. داده کمک می‌کند تا مشخص شود دانش‌آموزان کدام ویدئو‌های آموزشی را مشاهده کردند، کدام تمرینات را تکمیل کردند، عملکرد آن‌ها در تمرینات و آزمون‌ها چه بوده است و کدام بخش‌ها و مفاهیم نیاز به بازبینی مجدد توسط دانش‌آموز دارند. درنهایت متناسب با عملکرد دانش‌آموز به‌طور خودکار راهنمایی‌های لازم برای او ارسال شود.

به‌زودی زمانی خواهد رسید که رقابت سازمان‌های داده‌محور در مقابل سازمان‌های سنتی مانند جنگ بین کشوری مسلح به انواع و اقسام سلاح‌های پیشرفته به جنگ الکترونیک، هواپیماهای بدون سرنشین و مانند آن در مقابل قبیله‌ای مسلح به چوب و چماق است. سازمان‌های ایرانی اگر به دنبال رقابت در محیط بین‌المللی و افزایش کارایی خود هستند ناچار به استفاده از روش‌های تحلیلی کسب‌وکار هستند؛ فرقی ندارد شما یک استارتاپ باشید، یک سازمان خصوصی با ده‌ها سال حضور در صنعت باشید، یک سازمان دولتی و خدمات رسان باشید یا یک سازمان مردم‌نهاد برای ارائه خدمات به قشر آسیب‌دیده.

منابع:

Camm, D.C., Cochran, J.J., Fry, M.J., Ohlmann, J.W., Anderson, D. R., Sweeney, D.J., Williams, T.A. (2015). “Essentials of Business Analytics”, Cengage Learning

Das, S. (2014). “Computational Business Analytics”, CRC Press

Franks, B. (2014). “The Analytics Revolution”, Wiley

خطا در استفاده از میانگین

خطا در استفاده از میانگین

ما انسان‌ها علاقه‌مند نیستیم تا تحت شرایط عدم قطعیت، تصمیم‌گیری کنیم. مطالعات اخیر یکی از اساتید دانشگاه استنفورد آمریکا نشان می‌دهد، انسان‌ها چه در شرایطی که منجر به سودآوری شود و چه در شرایطی که منجر به زیان شود، از عدم قطعیت استقبال نمی‌کنند. علت صرفاً به عدم قطعیت برنمی‌گردد بلکه به پیچیدگی مسائلی که افراد در هنگام تصمیم‌گیری تحت شرایط عدم قطعیت مواجه هستند نیز مربوط است. تحلیل احتمالات مربوط به حوادث، در نظر گرفتن افق‌های زمانی نتایج و بررسی نسبت ضرر و فایده فعالیت‌های پیچیده‌ای هستند. این فعالیت‌ها بار ذهنی (Cognitive Load) زیادی برای افراد ایجاد می‌کنند.

برای رهایی از این بار ذهنی اغلب مدیران تمایل دارند اطلاعات را به ساده‌ترین شکل ممکن دربیاورند و بر مبنای آن تصمیم بگیرند. یکی از تکنیک‌ها برای مواجهه با عدم قطعیت، استفاده از یک عدد برای تخمین متغیرهای تصادفی دخیل در تصمیم‌گیری است. برای این کار معمولاً از میانگین استفاده می‌شود. برآورد مدت زمان یک پروژه، میزان تقاضای یک کالا در ماه آینده و هزینه انبارداری مواردی هستند که مدیران آن را اغلب در قالب یک عدد می‌فهمند و با دیگران مطرح می‌کنند.

در بیشتر موارد برنامه‌ریزی‌ها بر مبنای میانگین متغیرها صورت می‌گیرد. در این مقاله می‌خواهم بحث کنم چرا این روش به‌طور سیستماتیک غلط است و نه‌تنها ریسک تصمیم‌گیری را کاهش نمی‌دهد بلکه بیشتر می‌کند. درواقع به‌طور میانگین، استفاده از میانگین غلط است!

شکل-۱ فردی را نشان می‌دهد که با اطمینان خاطر از این‌که عمق آب به‌طور میانگین یک متر است، وارد رودخانه شده است! خطای استفاده از میانگین توضیح می‌دهد چرا پروژه‌ها غالباً از برنامه زمانی عقب هستند و یا با هزینه تمام‌شده بیشتر از پیش‌بینی به پایان می‌رسند. در ادامه با چند مثال توضیح می‌دهم استفاده از میانگین چگونه ما را دچار خطا می‌کند.

شکل-۱

فرض کنید شما در ساعت ۸ صبح جلسه‌ای در محل کارتان با همکار خود دارید. از تجربه گذشته می‌دانید به‌طور میانگین ۳۰ دقیقه طول می‌کشد تا از منزل به محل کار برسید. پس برنامه‌ریزی می‌کنید که ساعت ۷:۳۰ از منزل خارج ‌شده تا به‌موقع در جلسه حاضر شوید. می‌توان فرض کرد که با احتمال ۵۰ درصد تا قبل از ساعت ۸ به دفتر کار خود می‌رسید و با احتمال ۵۰ درصد کمی بعد از ساعت ۸ به محل کار می‌رسید. برای سادگی فرض کنید، همکار شما نیز شرایط مشابهی را دارد. در این صورت با چه احتمالی جلسه به‌موقع در ساعت ۸ شروع خواهد شد؟

برای آنکه جلسه به‌موقع شروع شود هر دو نفر باید قبل از ۸ صبح به جلسه برسند که احتمال آن برابر حاصل‌ضرب احتمال رسیدن هر یک از افراد قبل از ساعت ۸ صبح است؛ یعنی 0.5^2. پس تنها با احتمال ۲۵ درصد ممکن است این جلسه دونفره به‌موقع تشکیل شود. حال اگر جلسه از پنج نفر که به‌طور میانگین افراد خوش‌قولی هستند تشکیل شده بود، احتمال تشکیل شدن جلسه سر ساعت ۸ صبح معادل 0.5^5 یعنی رقمی در حدود ۳ درصد است! به همین دلیل است که جلسات کاری معمولاً هیچ‌گاه به‌موقع شروع نمی‌شوند! این مثال توضیح می‌دهد چرا استفاده از میانگین زمان رسیدن افراد به جلسه برای پیش‌بینی میانگین زمان شروع جلسه صحیح نیست.

به‌عنوان مثال دیگر، فرض کنید شما مدیر پروژه توسعه یک نرم‌افزار هستید. توسعه این نرم‌افزار را شش تیم کاری به عهده دارند که به‌صورت موازی کار می‌کنند. برای تخمین مدت‌زمان اتمام پروژه از هر یک از تیم‌های کاری سؤال می‌کنید که می‌توانند در چه مدتی فعالیتشان را تمام کنند. فرض کنید پاسخ تیم اول این است که ما می‌توانیم کار خود را بین سه تا حداکثر نه ماه تمام کنیم. شما اصرار دارید که به یک عدد برسید؛ بنابراین آن‌ها می‌گویند به‌طور متوسط این کار در شش ماه تمام می‌شود. برای سادگی فرض کنید پنج تیم دیگر هم پاسخی مشابه می‌دهند و اعلام می‌کنند به‌طور میانگین فعالیت خود را در شش ماه می‌توانند تمام کنند. آیا می‌توان گفت به‌طور میانگین کل پروژه توسعه محصول در شش ماه تمام خواهد شد؟

برای این منظور من این مثال را در نرم‌افزار اکسل با روش شبیه‌سازی مونت‌کارلو (Monte Carlo Simulation) مدل کردم. من شش عدد تصادفی بین شش تا نه متناظر با شش فعالیت اصلی این پروژه ایجاد کردم. چون فعالیت‌ها بصورت موازی قابل انجام هستند، مدت زمان اتمام کل پروژه برابر بیشینه زمان تکمیل این شش فعالیت است. این کار را ۵۰۰ بار تکرار کردم تا ببینیم اگر بارها و بارها این پروژه اجرا شود توزیع زمان اتمام این پروژه چگونه است. شکل-۲ نشان می‌دهد در نزدیک به ۶۰ درصد موارد این پروژه، در نه ماه تمام می‌شود. مشابه مثال جلسه کاری، با احتمال بسیار کمی این پروژه در مدت شش ماه تمام خواهد شد.

شکل-۲

به مثال دیگری توجه کنید. فرض کنید شما مدیر فروش یک شرکت تولیدکننده لوازم الکترونیک هستید. شما سفارش تولید محصولات به بخش تولید را از سه ماه قبل بر اساس پیش‌بینی تقاضا انجام می‌دهید. تقاضای کالا یک متغیر تصادفی است که مقادیر مختلفی به خود می‌گیرد. شما بر اساس میانگین تقاضا که ۱۰۰۰ واحد است، سفارش محصول می‌دهید. مدیرعامل شرکت از شما می‌خواهد که یک عدد برای پیش‌بینی سود حاصل از فروش به او اعلام کنید. شما پاسخ می‌دهید که مطمئن نیستید که تقاضا چقدر باشد. ولی به‌طور میانگین تقاضا ۱۰۰۰ واحد در ماه است و ما روی فروش هر محصول ۱۰ دلار سود می‌کنیم. سپس نتیجه می‌گیرید میانگین سود فروش ۱۰ هزار دلار خواهد بود. آیا این محاسبه درست است؟

اگر تقاضا از میزان ۱۰۰۰ واحد کمتر باشد، میزان سود کمتر از ۱۰ هزار دلار خواهد بود. ولی اگر تقاضا از ۱۰۰۰ واحد بیشتر باشد، شما تنها ۱۰۰۰ واحد محصول سفارش دادید و بیشتر نمی‌توانید بفروشید. درواقع ۱۰ هزار دلار حد بالایی سود فروش شماست. به‌طور میانگین سود واقعی فروش، کوچک‌تر از سود پیش‌بینی‌شده بر اساس میانگین تقاضاست.

وقتی مدیران می‌خواهند پیش‌بینی کنند، اگر به جای توجه به توزیع متغیرهای دخیل در مسئله به دنبال یک عدد باشند، غالباً دچار خطای استفاده از میانگین می‌شوند. در مثال توسعه محصول نرم‌افزاری، اگرچه هر یک از تیم‌ها به‌درستی میانگین مدت‌زمان فعالیت خود را اعلام کردند، مدیر به شکل نادرستی طول زمان پروژه را پیش‌بینی کرد. در مثال پیش‌بینی سود، گرچه میانگین تقاضا درست برآورد شده، اما میانگین سود به‌اشتباه پیش‌بینی شده است. در مقاله دیگری توضیح خواهم داد چگونه می‌توان این نوع از خطاها را در شرایط عدم قطعیت کاهش داد.

منابع:

Hardisty, D. J., & Pfeffer, J. (2016). “Intertemporal Uncertainty Avoidance: When the Future is Uncertain, People Prefer the Present, and When the Present is Uncertain, People Prefer the Future.” Management Science, 63(2), 519-527

Savage, S.L (2009). “The Flaw of Averages.” Wiley

سوگیری‌های رفتاری در تصمیم‌گیری

سوگیری‌های رفتاری در تصمیم‌گیری

مطالعات زیادی در حوزه روان‌شناسی تصمیم‌گیری و اقتصاد رفتاری صورت گرفته است که نشان می‌دهد انسان‌ها در همه موارد لزوماً تصمیمات منطقی نمی‌گیرند و تحت تأثیر سوگیری‌های تصمیم‌گیری (Biases) هستند. شناخت این سوگیری‌ها به مدیران کسب‌وکارها می‌تواند کمک کند تا اثرات آن‌ را بشناسند و به آن‌ها قدرت بیشتری می‌دهد تا بر آن غلبه کنند. در این مقاله به چهار خطای مهم در تصمیم‌گیری می‌پردازم.

اعتمادبه‌نفس بیش‌ازحد (Overconfidence)

به‌طور ساده این سوگیری رفتاری به این معنی است که افراد بیش ازآنچه واقعاً می‌دانند، فکر می‌کنند که می‌دانند. این سوگیری در حوزه کسب‌وکار می‌تواند به شکل‌های مختلفی خود را نشان دهد. یک حالت آن است که افراد فکر می‌کنند اطلاعاتی که در اختیار دارند بیش‌ازاندازه دقیق است. این خطا تحت عنوان دقت بیش‌ازاندازه (Overprecision) شناخته می‌شود. برای مثال در استفاده از میانگین برای پیش‌بینی تقاضا، به واریانس آن توجه نمی‌شود؛ فرد تصور می‌کند که میزان تقاضای احتمالی نوسان زیادی ندارد و بسیار به آنچه برآورد کرده نزدیک است.

همین امر ممکن است موجب شود یک مدیر در جستجو برای استخدام یک کارشناس تلاش زیادی نکند، چراکه فرض می‌کند سطح مهارت و کیفیت افراد موجود در بازار کار تفاوت چندانی باهم ندارند. در انبارداری، فرد ممکن است سطح ذخیره احتیاطی را بسیار کمتر ازآنچه که نیاز است برآورد کند، چراکه واریانس تقاضا و یا واریانس دوره تأخیر تا دریافت سفارش (Lead Time) را بسیار کمتر برآورد می‌کند.

حالت دیگر اعتمادبه‌نفس بیش‌ازحد، مربوط به برآورد بیش‌ازاندازه (Overestimation) است. این سوگیری موجب می‌شود که افراد توانایی‌های خود را به شکل غیرواقعی، مثبت ببینند. برای مثال حدود ۹۳ درصد از رانندگان آمریکایی معتقدند که از متوسط بهترند (منطقاً این عدد باید حول‌وحوش ۵۰ درصد باشد). این سوگیری در کسب‌وکار می‌تواند باعث شود تا فرد تقاضا برای یک محصول جدید را بسیار  بالاتر برآورد کند و یا مدت‌زمان اتمام یک پروژه را بسیار کوتاه‌تر تخمین بزند.

خطای لنگرگیری (Anchoring)

مطالعات تجربی بسیاری نشان می‌دهد که تصمیمات ما تحت تأثیر شرایط محیطی و فاکتورهای موقعیتی است. به‌طور مشخص تصمیمات افراد ممکن است بیش‌ازاندازه تحت تأثیر مشاهدات و تجربیات گذشته که به تصمیم مربوط نیستند، قرار گیرد. در یک آزمایش به دو گروه از شرکت‌کنندگان پنج ثانیه وقت داده شد تا هشت عدد را درهم ضرب کنند. برای یک گروه ترتیب اعداد به شکل ۱×۲×۳×۴×۵×۶×۷×۸ و برای گروه دیگر ترتیب اعداد به شکل ۸×۷×۶×۵×۴×۳×۲×۱ بود. چون افراد زمان بسیار کمی برای محاسبه داشتند تنها به چند عدد اول توجه می‌کردند. میانگین برآورد در گروهی که برایشان توالی اعداد از یک شروع می‌شد، بسیار پایین‌تر از گروهی بود که برایشان توالی اعداد از هشت شروع می‌شد. درواقع چند عدد اول در نقش لنگر ذهنی عمل کرده است.

اثر لنگرگیری ذهنی در چانه‌زنی برای توافق روی قیمت در مذاکرات تجاری به‌خوبی نشان داده ‌شده است. مطالعات نشان می‌دهد در مذاکرات تجاری قیمت توافقی نهایی حول آن قیمتی تعیین می‌شود که اول پیشنهاد شده است و ادامه مذاکره حول بالا و پایین کردن آن قیمت می‌چرخد.

به‌عنوان یک مثال دیگر، به دو جمله زیر در بیان میزان تخفیف فروش توجه کنید:

” چهار عدد صابون تنها ۲ دلار”

“هر صابون تنها ۰٫۵ دلار”

اگرچه دو جمله بالا بیانگر یک‌چیز هستند، مطالعات نشان داده است استفاده ازجمله اول تا ۴۰ درصد فروش را افزایش می‌دهد. درواقع عدد چهار در نقش لنگر ذهنی عمل می‌کند و فرد به‌طور ناخودآگاه به سمت خرید بیشتر سوق داده می‌شود.

زیان گریزی (Loss Aversion) و دیدگاه نسبت به ریسک

تحقیقات نشان می‌دهد ذهن ما نسبت به زیان و منفعت نامتقارن عمل می‌کند. زیان گریزی به این معنی است که مقدار مطلق زیان در ذهن ما از مقدار مطلق منفعت بیشتر است. برای مثال مدیری را در نظر بگیرید که برای فروش سال آتی هدف‌گذاری می‌کند. از دیدگاه عقلانی اگر او هدف را محقق نکند و میزان فروش کمتر شود با حالتی که به همان مقدار، فروش بیشتر از میزان هدف‌گذاری شده باشد، خطای رخ‌داده در هدف‌گذاری یکسان است. اما در حالت اول خطای هدف‌گذاری در ذهن افراد خیلی پررنگ‌تر از حالت دوم است. اگر از دست دادن هدف در ذهن مدیر بسیار پررنگ‌تر از بردن هدف باشد، منجر به این می‌شود او اهداف بسیار پایین‌تری تعیین کند.

به‌عنوان مثال دیگر، تصمیم برای حالتی که مدیران می‌خواهند تولید یک محصول را رها کنند و از بازار خارج شوند، ممکن است دردآورتر از حالتی باشد که بخواهند وارد یک بازار شوند. این مسئله می‌تواند منجر شود که یک سازمان منابع زیادی را صرف نگه‌داشتن محصولات فعلی که ممکن است دیگر سودآور هم نباشند، کند.

مورد دیگر به دیدگاه ما به ریسک برمی‌گردد. انسان‌ها معمولاً در حالتی که قرار است چیزی را به دست آورند ریسک‌گریز هستند. در مقابل اگر قرار باشند زیان کنند، ریسک‌پذیرتر می‌شوند. در یک مطالعه نشان داده شد در تصمیم بین این‌که ۵۰ دلار را به‌طور قطع انتخاب کنند و یا وارد یک بازی شانسی شوند که در آن با احتمال ۵۰ درصد می‌توانند ۱۰۰ دلار به دست آورند و با احتمال ۵۰ درصد هیچ عایدی به دست نیاورند، تعداد زیادی حالت اول را انتخاب کردند. در مقابل افراد در برابر تصمیم بین ۵۰ دلار ضرر حتمی و ۱۰۰ دلار ضرر ۵۰-۵۰، بیشتر حالت دوم را انتخاب کردند.

ازاین‌رو ممکن است که مدیران در تصمیم‌گیری‌هایشان وقتی پای ضرر در میان باشد بیش‌ازاندازه ریسک را قبول کنند و در حالتی که پای منفعت در میان باشد کمتر ریسک کنند. این مسئله توضیح می‌دهد که چرا ممکن است تعهد مدیران به پروژه‌هایی که در آن در حال ضرر کردن هستند، افزایش یابد. درواقع مدیرانی در اثر یک تصمیم اولیه ضرر کرده‌اند، حالا ریسک‌پذیری بالایی پیدا می‌کنند و به سرمایه‌گذاری منابع خود ادامه می‌دهند تا شرایط را به حالت اولیه برگردانند و یا به سود دست یابند.

خطای چارچوب (Framing)

نحوه طرح کردن یک مسئله می‌تواند تصمیمات افراد برای حل کردن مسئله را جهت دهد. در یک آزمایش کلاسیک از افراد خواسته شد بین دو واکسن جهت درمان یک بیماری نادر که ممکن است ۶۰۰ نفر را بکشد، یکی را انتخاب کنند:

الف: ۲۰۰ نفر را به‌طورقطع نجات می‌دهد.

ب: با احتمال یک‌سوم همه ۶۰۰ نفر نجات پیدا می‌کنند و با احتمال دوسوم هیچ‌کس زنده نخواهد ماند.

در این مطالعه ۷۲ درصد شرکت‌کنندگان گزینه الف را که ریسک کمتری دارد انتخاب کردند. توجه کنید که این گزینه‌ها بر اساس منفعت بیان‌شده‌اند. بنابراین افراد ریسک‌گریز گزینه الف را که با قطعیت جان عده‌ای را نجات می‌دهد به گزینه ب ترجیح می‌دهند اگرچه ارزش انتظاری هر دو گزینه برابر است (ارزش انتظاری برابر عایدی ضربدر احتمال وقوع آن می‌باشد).

در مورد همان مسئله به افراد گروه دیگری این دو گزینه پیشنهاد شد:

ج: ۴۰۰ نفر به‌طورقطع خواهند مرد.

د: با احتمال یک‌سوم همه نجات پیدا می‌کنند و با احتمال دوسوم ۶۰۰ نفر خواهند مرد.

در این حالت ۷۸ درصد شرکت‌کنندگان گزینه د را که ریسکی‌تر است، انتخاب کردند.

مشاهده می‌کنید که هر دو حالت بیان یک موضوع اما به روش‌های متفاوتی بوده و پاسخ شرکت‌کنندگان کاملاً تغییر کرده است. در تصمیمات دنیای واقعی هم ساختاربندی مسئله می‌تواند نحوه مواجهه مدیران با مسئله را تغییر دهد. فرض کنید مدیران ارشد اجرایی یک شرکت که درباره خرید شرکت دیگری در حال تصمیم‌گیری هستند، ممکن است در ذهن خود سؤال را به گونه‌های متفاوتی طرح ­کنند: “چرا ما باید این شرکت را بخریم؟” یا “برای این خرید، چه مقدار پول حاضریم بپردازیم؟” ممکن است چارچوب‌بندی سؤال اول منجر به تمرکز بر مزایای این خرید شود، درحالی‌که چارچوب‌بندی سؤال دوم می‌تواند منجر به اتخاذ تصمیمی کاملاً متفاوت شود.

در سازمان‌ها، یک رویکرد به مسائل ایمنی در کار می‌تواند بر این پایه باشد که ” آیا می‌توان ثابت کرد شرایط محیط کار ناایمن است؟” در مقابل رویکرد دیگر که سؤال می‌کند ”آیا می‌توان ثابت کرد شرایط محیط کار کاملاً ایمن است؟” در عمل این دو رویکرد نتایج متفاوتی به همراه دارد.

نتایج این مطالعات به ما یادآوری می‌کند که انسان در معرض سوگیری‌های تصمیم‌گیری است. نمی‌توان به‌طور کل از این خطاها در امان بود ولی  آگاهی از وجود این سوگیری‌ها به مدیران کمک می‌کند تا کمتر در معرض آن‌ها قرار گیرند. هر چه بتوان فرآیند تصمیم‌گیری را به شکل صریح‌تر درآورد و از روش‌های داده‌محور بهره گرفت که دارای گام‌های مشخصی هستند می‌توان کیفیت تصمیمات را افزایش داد.

منابع:

Bendoly, E., Croson, R., Goncalves, P., & Schultz, K. (2010). “Bodies of knowledge for research in behavioral operations”, Production and Operations Management, 19(4), 434-452

Rogers, P., Carse, R., and Senturia, T. (2013). “Decision Insights: Why We Behave—and Decide—the Way We Do”, Bain & Company, Inc

Tversky, A., Kahneman, D., & Moser, P. (1982). “Judgment under uncertainty: Heuristics and Biases”, Cambridge University Press