سناریوی اول
فرض کنید شما مدیر کنترل کیفیت یک شرکت سازنده‌ی سلول‌های خورشیدی هستید. اخیرا به شما گزارش شده که سلول‌های خورشیدی تولیدشده، بهره‌وری سابق را ندارند. از آن‌جایی که این موضوع باعث به خطر افتادن اعتبار شما شده، باید هرچه زودتر این مسئله را حل کنید. سوال‌هایی از قبیل این موارد از ذهن شما عبور می‌کند: “چرا چنین مسئله‌ای برای سلول‌های خورشیدی ایجاد شده است؟”، “چگونه باید این مسئله را حل کنیم؟”، “چگونه می‌توان مطمئن شد که سلول‌های خورشیدی در آینده به مشکل بر نخواهند خورد؟”.
زمان می‌گذرد، هر مشکل در یک محصول جدید باعث ضرر مالی شده و اعداد و ارقام در حال بزرگتر شدن هستند.
سناریوی دوم
فرض کنید شما کاپیتان یک کشتی و جوینده‌ی گنج هستید. به تازگی، رویای شما به حقیقت پیوسته و یک سرمایه‌گذار خصوصی، سرمایه‌ی عظیمی به شما پیشنهاد داده تا گنجی گمشده را در اقیانوس آرام کشف کنید. همچنین در صورتی که بتوانید کشتی 1715 را که قبلا در همین مسیر غرق شده، کشف کنید، این سرمایه‌گذار حاضر است بهای بیشتری به شما پرداخت کند؛ اما این سرمایه تنها برای پوشش هزینه‌های سی روز کشتی و خدمه‌ی آن کافی است.
شما کدامیک را انتخاب می‌کنید؟ یک محقق مثل شرلوک هولمز یا یک کاشف مثل کریستف کلمب؟
درست است که این دو سناریو با هم کاملا متفاوت هستند؛ اما روش‌های حل این دو مسئله جهت رسیدن به بهترین راه‌حل ممکن، با هم مشابهت دارند.
اگر شما کریستف کلمب بودن را انتخاب کنید، احتمالا بادبان‌ها را کشیده و راهی اقیانوس آرام می‌شوید. در مسیر، از زیبایی‌های اقیانوس و تماشای دلفین‌ها لذت می‌برید؛ اما یادتان نرود که زمان به سرعت در حال سپری شدن است. آیا روشی که در پیش گرفته‌اید، به قدر کافی کارآمد است؟ در این سی روز آیا کشتی غرق شده را پیدا خواهید کرد؟ از آن‌جایی که هدف پیدا کردن گنج با هدف پیدا کردن کشتی گمشده مستقل از هم هستند، در پاسخ باید گفت: احتمالا نه؛ اما اگر قرار بود دو چیز مشابه را پیدا کنید، احتمالاً داستان فرق می‌کرد.
حال اگر شرلوک هولمز بودید چطور؟ چه کار می‌کردید؟ احتمالاً ابتدا به دنبال شناسایی مکان‌های احتمالی غرق شدن کشتی گشته و سپس در آن مکان‌ها، به دنبال کشتی غرق شده بودید. احتمالاً روند غرق شدن کشتی‌های گذشته را بررسی کرده و سپس، طبق اطلاعات عمیق به‌دست‌آمده، بعضی احتمالات را حذف می‌کردید. برای شناسایی مکان‌های احتمالی غرق شدن کشتی، به مسیرهای طی شده توسط کشتی 1715 دقت می‌کردید. بعد از یافتن سه مکان با بالاترین احتمال غرق‌شدگی، زیردریایی‌ها را برای پیدا کردن کشتی غرق شده به آن مکان‌ها می‌فرستادید.
کاری که انجام دادید این بود که شانس خود را برای پیدا کردن کشتی بیشتر و زمان کوتاه‌تری برای این کار صرف کردید. در صورت شکست‌خوردن نیز دوباره زمان خواهید داشت تا با رویکرد دیگری مسئله را حل کنید.
به‌عنوان یک مدیر کنترل کیفیت، برای پیدا کردن مسئله‌ی موجود در سلول‌های خورشیدی نیز کار شما با یک جوینده‌ی کشتیِ غرق‌شده تفاوتی ندارد. با همان رویکرد، شما می‌توانید داده‌های موجود را جمع‌آوری و نقاط بروز مشکل را شناسایی کنید؛ اما در این‌جا با توجه به گستردگی خط تولید محصول و بسیاریِ فرایندها، برای حل مسئله باید در فرایندها دقت بسیاری به خرج داده شود. شاید مسئله‌ی به‌وجودآمده، به خاطر یک اتفاق ساده در فرایند تولید محصول باشد؛ اما چقدر احتمال دارد بتوان آن را در بین صدها فرایند پیدا کرد؟
به‌عنوان شخصی در نقش کارآگاه، با پرسیدن سوال‌های مختلف شروع کنید؛ اما نکته این‌جاست که نیاز نیست پاسخ همه‌ی سوال‌ها را بلد باشید. شما می‌توانید طبق دانسته‌های خود فرضیه‌ای ساخته و به وسیله‌ی آن، محتمل‌ترین ابعاد بروز مسئله را شناسایی کنید. بنابراین، شما می‌توانید علت بروز هر مسئله در بخش‌های مختلف خط تولید را بررسی کرده و در نهایت به جواب مسئله برسید. در این صورت در زمان هم صرفه‌جویی کرده‌اید.
دانش تجزیه و تحلیل، دانش ساخت موشک نیست!
کلمه‌ی تجزیه و تحلیل، برآمده از معادله‌ای پیچیده حاصل از علم آمار است؛ اما تجزیه و تحلیل به‌کاررفته در حوزه‌ی کسب‌وکار، به آن اندازه پیچیده نیست. واقعیت این است که بخش کوچکی از تکنیک‌های آماری را می‌توان در کسب‌وکار نیز به کار برد. از بین این تکنیک‌ها، درصد بسیار کوچکی می‌توانند محدودیت‌های بازگشت سرمایه را برطرف کنند.
در سال 2006، نتفیلیکس چالشی برگزار کرد با جایزه 1 میلیون دلار و از چندین متخصص دیتا ماینینگ خواست الگوریتم مرتب‌سازی فیلم‌ها را به اندازه‌ی 10% بهبود دهند. 1 سال بعد، تیمی اعلام کرد که 2000 ساعت وقت گذاشته و توانسته به بهبود 43/8 درصدی برسد، 2 سال بعد آن‌ها توانستند به بهبود 10 درصدی رسیده و برنده چالش شوند؛ اما نتفیلیکس از آن مدل پیشنهادی استفاده نکرد، چون که عملیاتی کردن آن بسیار گران بود و درآمد ایجاد شده، هزینه‌های پیاده‌سازی آن مدل را جبران نمی‌کرد. از این موضوع می‌توان چنین استنباط کرد که مفیدترین تکنیک‌های تجزیه و تحلیل کسب‌وکار، در مجموعه‌ی کوچکی از تکنیک‌های ساده‌تر موجود است. این موضوع شاید برایتان عجیب باشد که بدانید، این مهارت افراد است که برای جبران ناهماهنگی موجود بین کسب‌وکار و ریاضیات، نقش اصلی را ایفا می‌کند.
تجزیه و تحلیل در کسب‌وکار
تجزیه و تحلیل در کسب‌وکار فقط زمانی مفید است که تاثیرگذار باشد. بسته به کسب‌وکار شما، این تاثیر می‌تواند رشد درآمد، بهبود فرایند انجام کار یا ارائه‌ی محصول‌های بهتر باشد.
تجزیه و تحلیل تاثیرگذار دو بخش دارد:
تجزیه و تحلیل تاثیرگذار = علم داده + علم تصمیم‌گیری
علم داده: این بخش فنی ماجرا است که شامل استخراج اطلاعات از داده‌ها می‌شود.
علم تصمیم‌گیری: این بخش مربوط به کسب‌وکار بوده و به معنی این است که اطلاعات استخراج شده را چگونه باید در راستای کسب‌وکار به کار ببریم.
بهترین تجزیه و تحلیل‌ها فقط توسط ابزارهای پیچیده و جدید انجام نمی‌شوند، بلکه با داشتن مهارت‌های پایه‌ای، فهم کسب‌وکار و استفاده از اطلاعات مرتبط با کسب‌وکار توسط انسان نیز، می‌توان تجزیه و تحلیل کرد. هرجا تجزیه و تحلیل به تاثیرگذاری در کسب‌وکار منجر نشد، دیگر نمی‌توان آن را تجزیه و تحلیل نامید، بلکه اسم آن، آمار یا علم داده است.
تحلیل‌گر حرفه‌ای کسب‌وکار، یک متخصص آمار نیست (اگرچه متخصصان آمار تحلیل‌های خوبی انجام می‌دهند)، بلکه کسی است که مشتاقانه و به صورت درست با همکاران خود برای بررسی داده‌های موجود در کسب‌وکار اقدام می‌کند. درست است که تحلیل، نیازمند انتخاب تکنیک درست و ارائه‌ی اطلاعات است؛ اما یک تحلیل‌گر موفق، رابطه‌ی خوبی با ذینفعان کسب‌وکار برقرار می‌کند. این عمل موجب می‌شود که اگر زمانی حسب اطلاعات ارائه شده، نیاز بود تصمیمی گرفته شود، تحلیل‌گر بتواند در گرفتن تصمیم تاثیرگذار باشد.
یک تحلیل‌گر موفق کسب‌وکار، با برگزاری جلسات با همکاران خود، به تعریف دقیق‌تری از سوال و فرضیه‌های کسب‌وکار می‌رسد. با استفاده از همین فرضیه‌ها می‌توانند در مسیر درستی برای به دست آوردن داده، تحلیل آن‌ها و ارائه‌ی رهنمودهای تاثیرگذار برای تصمیم‌گیری قدم بردارند. این به این معنی نیست که تجزیه و تحلیل فنی با استفاده از مدل‌های تحلیل قابل استفاده نیستند؛ اما باید افرادی باشند که مسیر تحلیل‌گری را به درستی هدایت کرده تا کشتی در اقیانوس گم نشود.
قانون 80/20 در تجزیه و تحلیل
تعاریف موجود در حوزه‌ی تجزیه و تحلیل هنوز در مرحله شکل‌گیری بوده و ممکن است بعضی از تعریف‌ها برای مدتی باقی بمانند. آن‌چه از تجزیه و تحلیل مد نظر ماست تعاریف زیر هستند:
تجزیه و تحلیل کسب‌وکار: استفاده از روش‌های ساده برای تحلیل داده‌های گذشته.
تجزیه و تحلیل پیشرفته: هرچیزی به غیر از تعریف بالا، از جمله تجزیه و تحلیلِ پیش‌بینی‌کننده.
با همه‌ی مباحث بزرگ و پیچیده‌ای که در مورد کلان‌داده و تجزیه و تحلیل پیش‌بینی‌کننده وجود دارد – که هر دو، مهارت‌های پیچیده و هزینه‌های کلانی را برای پیاده‌سازی می‌طلبند – باور این سخت است که می‌توان با تجزیه و تحلیل ساده به نتایج خیلی موثری در کسب‌وکار رسید. واقعیت این است که تنها 20 تا 30 درصد تصمیم‌های گرفته شده در کسب‌وکار از تکنیک‌های پیشرفته مثل تجزیه و تحلیل پیش‌بینی‌کننده استفاده می‌کنند. 70 تا 80 درصد تصمیم‌های کسب‌وکار را می‌توان با استفاده از تجزیه و تحلیل ساده کسب‌وکار اتخاذ کرد که این را هر کسی که مهارت کار با نرم‌افزاری مانند اکسل را دارد، می‌تواند انجام دهد.
تجزیه و تحلیل پیشرفته در واقع به عنوان یک گزینه‌ی اضافی برای تجزیه و تحلیل ساده به کار می‌رود که می‌تواند از داده‌های گذشته استفاده کرده و رفتار آینده را پیش‌بینی کند و نیز می‌تواند برای افزایش دقت در اطلاعات حاصل از تجزیه و تحلیل کسب‌وکار استفاده شود. (جدول زیر را ببینید).
مزایا و معایب تجزیه و تحلیل کسب‌وکار نسبت به تجزیه و تحلیل پیش‌بینی‌کننده
پیشنهاد ما این است برای شروع از روش‌های تجزیه و تحلیل ساده استفاده کنید؛ چرا که با منابع محدود، بازگشت سرمایه بیشتری برای کسب‌وکار شما دارد. در ادامه، برای حل مشکل‌های بعدی، اگر مطمئن هستید که با حل مشکل، چندین برابر بازگشت سرمایه خواهید داشت، روی روش‌های پیشرفته‌تر سرمایه‌گذاری و از ابزارهای تخصصی‌تر تمرکز کنید؛ اما در این حالت، یکی از مسائلی که با آن رو‌به‌رو خواهید شد، سوییچ کردن از ابزاری به ابزاری دیگر است. به مشکلاتی از قبیل انتقال پایگاه‌های داده از ابزار تحلیل ساده به ابزار تحلیل پیشرفته، ارتباط‌گیری با رابط‌های کاربری و داشبوردهای تحلیلی جدید و … می‌توان اشاره کرد.
سکان، این امکان را در اختیارتان قرار می‌دهد تا با استفاده از آن، هم به تحلیل‌های ساده‌ی کسب‌وکار و هم به تحلیل‌های پیشرفته مانند تحلیل پیش‌بینی‌کننده دسترسی داشته، از مشکلات مربوط به جابه‌جایی از ابزاری به ابزار دیگر، در امان بوده و تنها با بارگذاری داده‌هایتان و بدون صرف وقت و دردسرهای مربوط به تحلیل داده‌ها، تحلیل داده‌هایتان را به سرعت و در داشبوردهایی گرافیکی مشاهده کنید.
