چگونه تصمیمات داده محور بگیریم؟

برای استفاده موثر از داده های بدست آمده، موارد زیر را باید انجام دهید:

 

چگونه تصمیمات داده محور بگیریم؟

 1.      رسالت خود را بشناسید

یک تحلیلگر داده خوب، کسب و کار را به خوبی می شناسد و نسبت به سازمان خود تیزبین است. از خود بپرسید چه مشکلی در صنعت و بازار رقابتی شما وجود دارد. آنها را بطور کامل شناسایی و درک کنید. ایجاد این دانش اساسی شما را قادر می سازد تا بعداً از داده های خود بهتر نتیجه گیری کنید.

قبل از شروع جمع آوری داده ها ، باید سوالات مربوط به کسب و کار را شناسایی کنید که با پاسخ دادن به آنها می توانید به اهداف خود برسید. با تعیین سوالات دقیقی که برای تدوین استراتژی خودتان نیاز دارید می توانید روند جمع آوری داده ها را ساده تر کرده و از هدر رفتن منابع خودداری کنید.

 

2.  منابع جمع آوری داده را مشخص کنید

منابعی را که می خواهید داده های خود را از آنها استخراج کنید، جمع کنید. ممکن است شما داده های موجود در مراکز داده های مختلف، فرم های بازخورد روی وب و حتی شبکه های اجتماعی را با هم مقایسه کنید.

مقایسه کردن منابع مختلف بنظر ساده می رسد، اما پیدا کردن متغیرهای مشترک بین هرکدام از منابع داده می تواند به یک مشکل بزرگ تبدیل شود. به راحتی می توانید برای استفاده از داده های فعلی هدفی برای پروژه فعلی تعریف کنید اما کار هوشمندانه تر این است که تعیین کنید آیا این داده ها برای پروژه های بعدی قابل استفاده است یا خیر. اگر چنین است، باید استراتژی ای تدوین کنید که طبق آن داده ها را طوری ارائه دهید که برای سناریوها و پروژه های بعدی نیز قابل استفاده باشد.

 

3.  داده ها را تمیز و سازماندهی کنید

با کمال تعجب، 80 درصد از زمان تحلیلگرهای داده به تمیز کردن و سازماندهی داده ها اختصاص داده می شود و تنها 20 درصد صرف انجام تجزیه و تحلیل می شود. این قانون به اصطلاح 80/20 اهمیت داشتن داده های تمیز و منظم را قبل از تفسیر هر داده ای که ممکن است برای سازمان شما مفید باشد را نشان میدهد.

اصطلاح "تمیز کردن داده" به فرآیند آماده سازی داده های خام برای تجزیه و تحلیل با حذف یا تصحیح داده های نادرست، ناقص یا بی ربط اطلاق می شود. برای انجام این کار، با ساختن جداول شروع کنید تا آنچه را که جمع آوری کرده اید ، سازماندهی و فهرست بندی کنید.

یک فهرست داده ایجاد کنید؛ جدولی که شامل لیست تمام متغیرهای شما و تعریف آنها با توجه به پروژه فعلی است. این اطلاعات می تواند شامل نوع داده و سایر عوامل موثر بر تجزیه و تحلیل باشد.

 

4.  تجزیه و تحلیل آماری انجام دهید

پس از تمیز کردن داده ها، می توانید با استفاده از مدل های آماری، تجزیه و تحلیل داده ها را شروع کنید. در این مرحله، شما باید مدل های آماری بسازید تا با استفاده از آنها سوالات کسب و کاری که قبلا آماده کرده اید را پاسخ دهید. آزمایش مدلهای مختلف آماری مانند رگرسیون خطی، درخت تصمیم گیری ، الگوریتم جنگل تصادفی و سایر موارد می تواند به شما کمک کند تا تعیین کنید کدام روش برای داده های شما مناسب تر است.

در این مرحله شما باید تصمیم بگیرید که چگونه می خواهید یافته ها را ارائه دهید تا به جواب سوالات برسید. سه روش برای ارائه یافته های شما وجود دارد:

روش توصیفی: فقط یافته ها را توصیف می کند.

روش استنباطی: یافته ها را توصیف می کند بعلاوه اینکه تفسیر یافته ها را در مورد پروژه فعلی ارائه می دهد.

روش پیش بینی: بر اساس یافته ها نتیجه گیری می کند و توصیه های عملی برای فعالیت بیشتر در پروژه فعلی ارائه می دهد.

مشخص کردن نوع ارائه داده ها به شما کمک می کند تا زمانی که نیاز به تفسیر داده ها نیاز دارید سازمان یافته کار کنید.

 

5.  نتیجه گیری کنید

آخرین مرحله در تصمیم گیری داده محور نتیجه گیری است. از خود بپرسید، "چه چیز جدیدی از جمع آوری اطلاعات یاد گرفتید؟" علیرغم فشاری که برای کشف یافته های جدید وجود دارد، یک نقطه خوب برای شروع این است که از خود بپرسد جواب کدام یک از سوالات را از قبل می دانستید؟ یا فکر می کنید میدانید؟

بسیاری از سازمان ها فرضیات متعددی در مورد محصولات خود می سازند. به عنوان مثال ممکن است بیان کنند که "بازار این محصول وجود دارد" یا "این محصول همان چیزی است که مشتریان ما می خواهند". اما قبل از اینکه به دنبال اطلاعات جدید باشید، اطلاعات فعلی را مورد آزمون قرار دهید. اثبات درستی این فرضیات پایه ای برای آغاز کار به شما می دهد. از طرف دیگر، رد کردن این فرضیه ها به شما این امکان را می دهد تا ادعاهای دروغین را که شاید ناآگاهانه بر کسب و کار شما تاثیر منفی میگذارند، از بین ببرید. به خاطر داشته باشید که یک تصمیم استثنائی داده محور معمولاً سؤالات بیشتری را ایجاد می کند تا جواب.

نتایج حاصل از تجزیه و تحلیل شما در نهایت به سازمان شما کمک می کند تا تصمیمات آگاهانه تری بگیرد و استراتژی را پیش ببرد. البته یادآوری این نکته مهم است که اگر نتایج بدست آمده به طور موثر ارائه نشود، می توانند واقعاً بی فایده باشند. بنابراین، تحلیلگران داده باید در هنر داستان سرایی داده مهارت داشته باشند تا یافته های خود را به ذینفعان اصلی به بهترین وجه ممکن ارائه دهند.