فهرست
احتمالا تا این‌جا می‌دانید که کاروانا یک مدل کسب و کار ساده را دنبال می‌کند و آن چیزی نیست جز خرید و فروش ماشین‌های دست دوم. مساله اصلی کاروانا خرید ماشین‌هایی است که به اصطلاح ارزش خرید را داشته باشند و کمترین مشکلات را برای خریداران بوجود بیاورد. اما بیایید کمی نظام‌مندتر به مساله ورود کنیم.
تعریف مساله
در بخش قبل دیدید که اولین قدم برای شروع به تصمیم‌گیری بر اساس داده فهم درست مساله است. در مسائل مرتبط با کسب و کار معمولا سوال‌ها بسیار کلی است. اگر کمی در فضای کسب و کار تجربه داشته باشید احتمالا سوال‌های زیر را شنیده‌اید:
- چرا فروش کم است؟
- چرا نمی توانیم مشتریان بیشتری جذب کنیم؟
- چرا هزینه تولید بالا به نظر می‌رسد؟
- آیا هزینه تبلیغاتی که می‌دهیم ارزشش را دارد؟
این‌ها همه سوالات معتبری هستند که تقریبا در هر کسب و کاری پرسیده می‌شود. تنها یک مشکل وجود دارد: نمی‌توان به این سوالات پاسخ داد!
این سوال‌ها باید به بخش‌های کوچک‌تری شکسته شوند و سپس پاسخ آن‌ها را پیدا کرد. از مجموعه این پاسخ‌ها تلاش می‌شود که سوال بزرگتر پاسخ داده شود. اگر به عنوان مشاور یک کسب و کار فعالیت می‌کنید یکی از مهم‌ترین کارهای شما این است که به تصمیم‌گیرندگان کمک کنید که سوال درستی را طرح کنند.
برای این که بیشتر با نحوه شکستن مساله به مسائل کوچکتر آشنا شوید خود را جای یک استعدادیاب ورزشی بگذارید. کار استعدادیاب این است که بازیکنان مستعد را در تیم‌های کم‌تر شناخته‌شده پیدا می‌کند و آن‌ها را به تیم‌های بزرگتر منتقل می‌کند. اگر مدیر یک تیم فوتبال مشهور از شما بخواهد که یک بازیکن مستعد برای او پیدا کنید به او چه خواهید گفت؟ احتمالا مساله پیدا کردن بازیکن مستعد با پاسخ به این سوال‌ها حل خواهد شد:
- برای چه پستی باید دنبال بازیکن مستعد بگردیم؟
- دنبال بازیکنی میگردیم که بیشتر در خدمت تیم باشد یا مهارت فردی بیشتری داشته باشد؟
- بازیکن جوان مستعد می‌خواهیم یا بازیکن مستعد با تجربه؟
- چه بازیکنانی باید در کنار این بازیکن بازی کنند؟
- و بسیاری سوالاتی مانند این.
این سوالات علاوه بر اینکه به فهم کلی مشکل مدیر تیم کمک می‌کند، کار را برای استعدادیاب برای پاسخ به نیاز مدیر تیم ساده‌تر می کند زیرا او می‌داند که باید در چه حوزه‌ای به دنبال کشف استعداد باشد.
فهم مساله
همیشه شنیده‌ایم که فهمیدن صورت مساله نیمی از پاسخ است. در مساله کاروانا به دنبال پیش‌بینی هستیم. تیم تحلیل داده باید بتواند با شکستن صورت مساله به مسائل کوچکتر راهی برای این که بتواند پیش‌بینی کند کدام ماشین ارزش خرید دارد و کدام ماشین ارزش خرید ندارد را پیدا کند. فهم درست مساله می‌تواند به شما کمک کند که چه نوع روش داده‌ای را در پیش بگیرید و یا کدام نوع را با نوع دیگر ترکیب کنید.
در مساله کاروانا تیم تحلیل داده احتمالا باید به دنبال روشی برای پیش‌بینی سرانجام خرید اتومبیل باشد. اما قبل از آن لازم است در یک تحلیل اکتشافی، عواملی را که بر یک خرید اتومبیل خوب یا بد موثر است را پیدا کند. این‌ها همه انواعی از روش‌های تحلیل داده هستند.
انواع تحلیل داده
۱. تجزیه و تحلیل توصیفی: یک شکل اساسی از تجزیه و تحلیل است که الگوها و روندها را در داده‌ها توصیف می‌کند و برای خلاصه کردن و ارائه داده‌ها به شیوه‌ای معنادار استفاده می‌شود.
۲. تحلیل استنباطی: فرآیند استفاده از داده‌های نمونه برای استنباط یا پیش‌بینی در مورد جمعیت بزرگتر است. این روش شامل تجزیه و تحلیل زیرمجموعه‌ای از داده‌ها و برون‌یابی یافته‌ها به گروه بزرگتر است. تحلیل استنباطی معمولاً برای آزمایش فرضیه‌ها یا پیش‌بینی رویدادهای آینده استفاده می‌شود.
۳. تحلیل پیش‌بینی‌کننده: این نوع از تحلیل برای پیش‌بینی نتایج آینده بر اساس داده‌های تاریخی استفاده می‌شود. این شامل شناسایی الگوها و روندها در داده‌ها و استفاده از آن اطلاعات برای پیش‌بینی رویدادهای آینده است.
۴. تجزیه و تحلیل تجویزی: برای شناسایی بهترین اقدامی که باید در یک موقعیت خاص انجام شود استفاده می‌شود. این شامل استفاده از داده‌ها برای توصیه یا تصمیم‌گیری است.
۵. تجزیه و تحلیل اکتشافی: برای تجزیه و تحلیل داده‌ها به روشی باز، بدون هیچ‌گونه تصور قبلی از آنچه که داده‌ها آشکار خواهند کرد، استفاده می‌شود. اغلب در برنامه‌های داده‌کاوی و یادگیری ماشین استفاده می‌شود.
۶. تحلیل علت و معلول: برای ایجاد رابطه علت و معلولی بین متغیرها استفاده می‌شود. این شیوه تحلیل شامل شناسایی عواملی است که در داده‌ها تأثیر مستقیمی بر نتیجه مورد مطالعه دارد.
برای حل یک مساله مبتنی بر داده ممکن است از یک یا چند نوع از تحلیل‌ها برای رسیدن به اهداف استفاده کنیم. تجزیه و تحلیل اکتشافی تقریبا در تمام مسائل اولین قدم از مساله خواهد بود.