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
با سلام و عرض احترام
ممنون از مقاله مفید و پربارتان
موفق و کامیاب باشید