الگوی بلوغ تحلیلگری داده در سازمان

افزایش حجم داده‌های در دسترس و مالکیت سازمان و شناسایی آن‌ها به عنوان اموال نامشهود سازمانی، بهره‌گیری از داده‌ها را در دستور کار شرکت‌ها و کسب و کارها قرار داده است. مزایای مالی و راهبردی حاصل از تحلیل داده بر مدیران و کارشناسان پوشیده نیست. بنابرین، شرکت‌های بسیاری برای بهره‌مندی از مزایای تحلیل داده وارد این حوزه می‌شوند. مرور ادبیات حوزه‌ی تحلیلگری داده، ما را با روش‌ها و راهکارهای متعددی روبرو می‌کند که احتمالا در اولین برخورد، گیج کننده است. از این رو ارایه‌ی الگویی که بتوان در قالب آن روش‌ها و سطوح مختلف تحلیل داده را دسته‌بندی کرد، ضروری به نظر می‌رسد.

الگوی بلوغ تحلیلگری داده (ِData Analytics Maturity Model) در سازمان به رغم سادگی‌اش، مقبولیت عام در این حوزه پیدا کرده است. در این الگو تحلیل داده در سه سطح «توصیف»، «پیشبینی» و «تجویز» معنا می‌یابد. به بیانی دیگر می‌توان گفت که هر سازمانی:

  • باید از وضع گذشته و موجودش مطلع باشد.
  • بداند که در آینده به چه سو می‌رود و چه پیش خواهد آمد.
  • برای رسیدن به وضع مطلوب، با توجه به موقعیت فعلی و پیش‌بینی‌ها، چه باید بکند؟

در این موقعیت، تحلیلگر داده به کمک سازمان می‌آید تا به مدیران در پرسیدن سوالات دقیق، یافتن ابزار مناسب پاسخگویی و کشف جواب صحیح کمک نماید. سه دسته از سوالات نقش بسیار مهمی در فرایند تحلیل داده دارند:

  • چه اتفاقی رخ داده است؟/ چه اتفاقی در حال رخ دادن است؟ (سوالات توصیفی)
  • چه اتفاقی رخ خواهد داد؟/ چرا این اتفاق رخ خواهد داد؟ (سوالات پیشبینی)
  • چه کاری باید انجام دهیم؟/ چرا باید این کار را انجام دهیم؟ (سوالات تجویزی)

خروجی این سه گروه سوالات باید اولا ما را در شناخت دقیق وضع سازمان از لحاظ مشکلات و فرصت‌ها یاری کند. دوم اینکه با پیش‌بینی و سناریوسازی از عدم قطعیت‌های سازمان بکاهد و سرانجام، ما را در تصمیم‌گیری‌ها و اقدامات هدایت کند.

خلاصه‌ای از مباحث بالا را در جدول زیر مشاهده می‌کنید:

51 Data Analytics Maturity Model

نمایش داده‌های پرت و نامتنجانس

بسیار پیش می‌آید که در نمایش یک سری از داده‌ها، یکی از ورودی‌ها مقداری بسیار متفاوت از سایرین دارد. به طور مثال، در یک مجموعه داده، اکثر داده‌ها سه رقمی هستند، ولی یک ورودی پنج یا شش رقمی در بین آنها وجود دارد.  این مثال در شکل زیر نمایش داده شده است. شکل سمت چپ، نمودار رسم شده با داده‌های عادی است. بدیهی است که اکثر داده‌ها به دلیل کوچک بودن مقادیر آنها نسبت به مقادیر مندرج در محور عمودی نمودار، قابل رویت نیستند.

برای نمایش داده‌های پرت و نامتنجانس یک سری داده در نمودار، راه‌های متفاوتی پیشنهاد می‌شود. در نمودار سمت راست، از روش محور لگاریتمی استفاده شده است. در این روش، مقادیر محور هر عددی را که نشان می‌دهند، اکسل به صورت پنهان آن را معادل لگاریتم آن فرض می‌کند. دیده می‌شود که اکنون همه داده‌ها قابل رویت هستند، هرچند بدون رعایت مقیاس یا نشانه‌ای که به خواننده تمایز را منتقل کند.

50 unrelated data in a chart 1
سمت راست: تغییر مقیاس محور عمودی به صورت لگاریتمی | سمت چپ: نمایش اعداد نامتجانس در یک نمودار (شیوه غلط)

در اینجا یک پیشنهاد دیگر برای نمایش این داده‌ها ارائه می‌شود: روش ایجاد شکاف درستون‌های نمودار. بر اساس این پیشنهاد به جای اعداد واقعی بزرگ، اعدادی مجازی کوچکتر در بازه نرمال ترسیم شود. ولی بر روی محور به جای مقادیر مجازی، همان مقدار اصلی نمایش داده شود. این ایده را می‌توانید در شکل زیر ببینید.

50 unrelated data in a chart 2
شیوه مناسب نمایش اعداد نامتجانس در یک نمودار

در شکل بالا محور به دو بازه مربوط به اعداد کوچک و اعداد بزرگ تقسیم شده است و با علامت دو خط، محل برش مشخص شده است. خبر خوب اینکه انجام این کار به راحتی در اکسل ممکن است.

رقابت در قیمت‌گذاری

یکی از ابهامات همیشگی مدل‌های تحلیلی در کسب و کار، در نظر گرفتن موضوع رقابت است. طبیعی است که موضوع قیمت‌گذاری یک کالا نیز ارتباط زیادی به قیمت کالای رقیب یا جایگزین دارد. در اکثر مدلهایی که تا کنون در مورد آن بحث کرده‌ایم، می‌بینید که موضوع رقابت در ظاهر در نظر گرفته نشده است. سوال اینجا است که آیا این مدل‌ها، کارآ هستند؟

موضوع رقابت در بحث قیمت‌گذاری به سه شکل دیده می‌شود: وارد کردن فرضیات رقابت در تخمین تابع عکس‌العمل مشتری، روش مدل‌سازی انتخاب مشتری و تلاش برای پیش‌بینی عکس‌العمل رقبا پس از قیمت‌گذاری کالای ما.

وارد کردن فرضیات رقابت در تخمین تابع عکس‌العمل مشتری

خیلی از اوقات تحلیل‌گران در عمل به قیمت رقبا دسترسی ندارند. به خصوص در محصولات B2B که ارائه محصولات ممکن است با تخفیفاتی همراه بوده حتی گاهی تعریف یک پیشنهاد استاندارد دارای پیچیدگی است، عملا دسترسی به قیمت قرارداد رقبا نیز کمی پیچیده است.

بر خلاف بازار B2B، فعالان بازار محصولات خرده‌فروشی ایده‌های تقریبا کاملی از استراتژی قیمتی رقبای خود دارند، ولی عملا زمان و منابع لازم برای تحقیق در جزئیات قیمت‌گذاری و تحلیل برای پاسخگویی را ندارند.

بنابراین به دلیل عدم دسترسی دقیق به داده‌های رقابتی، عملا در تخمین تابع عکس العمل مشتری دچار مشکل خواهیم شد. در عمل هم این چنین است که تابع عکس‌العمل مشتری، خود به طور غیرمستقیم دارای اطلاعات رقابتی نیز هست. چرا که تابع عکس‌العمل، اطلاعات ترجیحات مشتریان برای خرید یک نوع محصول خاص است. طبعا مشتریان برای ترجیح یک محصول، کالاهای جایگزین یا رقیب را نیز در نظر می‌گیرند.

مدل‌سازی انتخاب مشتری

در این نوع از مدلسازی، چند کالای رقیب را در نظر می‌گیرند که یک محصول مشابه تولید می‌کنند. هر محصول در نام تجاری، قیمت یا برخی دیگر از ویژگی‌ها تفاوت دارد. هر مشتری، برداری از «تمایل به پرداخت» دارند که نشان می‌دهد که هر مشتری بابت این کالای به خصوص، حداکثر تمایل به پرداخت چه مبلغی دارد؟ هر چه قیمت پیشنهادی یک محصول از تمایل به پرداخت مشتری کمتر باشد، احتمال خرید آن محصول بیشتر است.

اگر یک مشتری برای کالای الف حداکثر ۱۰۰ تومان حاضر به پرداخت باشد، در صورتی که قیمت کالا ۸۰ تومان باشد مازاد ارزش برای مشتری ۲۰ تومان و در صورتی که ۶۰ تومان باشد، مازاد ارزش برای مشتری ۴۰ تومان خواهد بود. مشتری از بین محصولات رقیب، محصولی را می‌خرد که مازاد وی را حداکثر کند. بنابراین شما به عنوان صاحب کسب و کار با استفاده از مدل‌سازی انتخاب مشتری، قیمتی را تعیین خواهید کرد که مازاد مشتری را ماکزیمم کند. این روش، روشی مناسب و کاربردی در قیمت‌گذاری است و در ادبیات این موضوع، به طور گسترده‌ای در مورد آن بحث شده است. ما نیز در آینده به طور مبسوط به این بحث خواهیم پرداخت.

پیش‌بینی عکس‌العمل رقبا

در کنار قیمت‌گذاری رقابتی که به معنای قیمت‌گذاری بر اساس لیست قیمت‌های پیشنهادی رقبا است، موضوع پیش‌بینی عکس‌العمل رقبا نیز اهمیت دارد. هر گونه اتخاذ سیاست‌های رقابتی یا تصمیمات جدید در قیمت‌گذاری، رقبا را به عکس‌العمل وا می‌دارد. از این جهت ممکن است که حتی سایر اطلاعاتی که در مدلسازی انتخاب مشتری به کار گرفته شد، دیگر معتبر نباشد. به این موضوع از نظر تحلیلی  در سایر مطالب خواهیم پرداخت.

تقسیم‌بندی استان‌های ایران از لحاظ جمعیت و ثروت

اگر مدیر فروش یک شرکت باشید که محصولات مصرفی بسته‌بندی‌شده تولید می‌کند و قصد ورود به بازارهای استانی را داشته باشید، کدام استان‌ها را انتخاب می‌کنید؟ در مورد محصولات مصرفی بسته‌بندی‌شده، سهم استان از تولید ناخالص داخلی و جمعیت آن، دو معیار مقدماتی جهت مقایسه استان‌ها است. برای انجام این مقایسه، می‌توان از نمودار پراکندگی استان‌ها با دو محور جمعیت و سهم از تولید ناخالص داخلی استفاده کرد.

48 iran province 1

همانطور که مشاهده می‌کنید، استان تهران با جمعیت تقریبی ۱۲ میلیون و سهم ۲۸ درصدی از تولید ناخالص داخلی، باعث شده تا سایر نقاط در هم فشرده شوند و نتوان بین آن‌ها تمایزی قایل شد. بنابرین در این تحلیل استان تهران یک داده‌ی پرت محسوب می‌شود و با حذف آن، تلاش می‌کنیم که تصویر دقیق‌تری از سایر استان‌های کشور به دست آوریم (قبلا به این نکته اشاره کرده‌ایم: اینجا).

48 iran province 2
جهت مشاهده در ابعاد بزرگتر کلیک کنید.

با رسم خطوط میانگین جمعیت و تولید ناخالص، موقعیت استان‌های مختلف را نسبت به این خطوط نمایش دادیم. استان‌های اصفهان، خراسان رضوی، خوزستان، فارس و مازندران پس از تهران بیشترین سهم را از تولید ناخالص داخلی دارند. با داشتن این تصویر کلی در کنار سایر معیارهای عملیاتی و تجاری، باید بررسی بیشتری با جزئیات و تفاصیل دیگرانجام شود.

تخمین تابع عکس‌العمل مشتری

با استفاده از اطلاعات به دست آمده از پرسشنامه‌ها و ترجیحات مشتریان، می‌توان تابع عکس‌العمل متشری را تخمین زد. این تابع می‌تواند به صورتهای مختلف خطی، نمایی، چند جمله‌ای و … تخمین زده شود. کدام تخمین برای تابع عکس‌العمل مناسب است؟

تخمین خطی

این تخمین، یکی از پراستفاده‌ترین مدل‌های تخمین تابع عکس‌العمل است. در حالی که فرضیات آن دور از واقعیت است. در این تخمین فرض می‌شود که به طور متناسب با میزان افزایش قیمت، تقاضای یک محصول نیز تغییر می‌کند. این در حالی است که تقاضای یک محصول زمانی که قیمت آن نزدیک به کالاهای رقیب یا جایگزین است، با سرعت بیشتری تغییر می‌کند.

47 prcing 12

تخمین با فرض ثبات کشش قیمتی

در مدل بالا فرض بر این بود که کشش و حساسیت قیمتی در همه نقاط ثابت است. می‌توان مدلی را فرض کرد که تنها کشش قیمتی در همه نقاط ثابت باشد. فرم تابع شبیه به شکل زیر خواهد بود. ایراد اصلی این مدل‌ها این است که مقدار واقعی تقاضا هیچگاه صفر نخواهد شد و از آن طرف نیز با کاهش قیمت، تقاضای کالا به بی‌نهایت میل می‌کند. طبیعی است که این فرض‌ها دور از واقعیت هستند.

47 prcing 12 2

مشکل دیگر این توابع در این است که تحلیل درآمد را دچار انحراف می‌کنند. مثلا برای یک کالای غیرالاستیک، تحلیل‌گر نتیجه خواهد گرفت که فروشنده با افزایش قیمت تا بی‌نهایت می‌تواند درآمد خود را بالا ببرد. برای کالاهای الاستیک نیز تحلیل‌گر نتیجه خواهد گرفت که فروشنده با کاهش قیمت خود تا نزدیک به صفر، درآمد خود را ماکزیمم برساند.

مشکل دیگر این تخمین نیز این است که در دنیای واقعی، کشش قیمتی در تمام نقاط یکسان نیست و به خصوص در محدوده قیمتی کالای رقیب یا جایگزین بسیار متفاوت است.

تخمین با فرض ثبات کشش قیمتی

یک تخمین منطقی از تابع عکس‌العمل، تخمین «لوجیت» است. در این تخمین، سرعت تغییر تقاضای مشتری در قیمت‌های بسیار بالا یا بسیار پایین، چندان سریع نیست. ولی در قیمت‌های نزدیک به قیمت بازار، سرعت تغییر تقاضای مشتری افزایش می‌یابد. به دلیل ویژگی‌های مناسب رفتاری این تابع، این تخمین کارآیی زیادی در عمل داشته و برای بسیاری از کالاها و صنایع مناسب است.

47 prcing 12 3

خوشبختانه، همه تخمین‌های بالا را می‌توان از طریق توابعی در اکسل استفاده کرد. از این جهت، تحلیل‌گران نباید نگران پیچیدگی‌های محاسباتی آن باشند. بلکه بایستی تنها بر روی جنبه‌های تحلیلی آن تمرکز کنند تا بهترین تخمین را به دست آورند.