گزارش تفصیلی وبینار

وقتی به تحلیل داده فکر می‌کنیم، اغلب تصویری از کدهای پیچیده، داشبوردهای رنگارنگ و صفحات گسترده بی‌پایان در ذهنمان شکل می‌گیرد. تصور عمومی این است که این حوزه، قلمرو متخصصان فنی با مهارت‌های برنامه‌نویسی و آمار است. اما واقعیت این شغل بسیار عمیق‌تر، انسانی‌تر و غافلگیرکننده‌تر از این تصورات است.

در این وبینار، فاطمه موسوی، مدیر تحلیل داده در شرکت‌هایی چون اسنپ، فیلیمو و روبیکا از تجربیات خود و چالش‌هایی که پیش رو داشته، صحبت می‌کند؛ کسی که از نزدیک با چالش‌های ساختن تیم‌های داده‌محور و حل مسائل پیچیده کسب‌وکار دست‌وپنجه نرم کرده است.

پیشینه شما آینده‌تان را نمی‌سازد، کنجکاوی‌تان می‌سازد

یکی از موضوعات جذاب در مورد حرفه تحلیل داده این است که بسیاری از موفق‌ترین افراد این حوزه از رشته‌هایی کاملاً نامرتبط آمده‌اند. بهترین مثال برای این موضوع، خود فاطمه موسوی است. او کارشناسی و ارشد خود را در رشته مهندسی برق (کنترل) گذرانده و موضوع پایان‌نامه‌اش در حوزه علوم شناختی و مدلسازی تصمیم‌گیری در معتادان بوده است.

او با اشاره به مفهوم معروف استیو جابز می‌گوید این نقاط به ظاهر بی‌ربط، تنها زمانی که به گذشته نگاه می‌کنید به یکدیگر متصل می‌شوند. اما این اتصال صرفاً تصادفی نیست. برای مثال، او توضیح می‌دهد که چگونه نگاه مهندسی کنترل به او کمک کرده است: اینکه ما یک سیستم را در نظر می‌گیریم، آن را ارزیابی می‌کنیم و بعد فکر می‌کنیم چه ورودی به آن بدهیم تا خروجی مطلوب بگیریم، در بسیاری از بخش‌های تحلیل داده کمک‌کننده است. این نگاه سیستمی، یک مهارت انسانی برای درک روابط علت و معلولی است، نه یک تخصص فنی صرف.

در نهایت، ویژگی مشترکی که همه این افراد با پیشینه‌های متفاوت را به هم پیوند می‌دهد، مدرک تحصیلی نیست، بلکه یک کنجکاوی سیری‌ناپذیر و به قول خود او، ولع کشف کردن است. این عطش برای فهمیدن اینکه سیستم‌ها چگونه کار می‌کنند و چرا پدیده‌ها به شکل خاصی رخ می‌دهند، موتور محرک اصلی یک تحلیل‌گر داده است.

شاخص‌های کلیدی را کپی نمی‌کنند، آن‌ها را خلق می‌کنند

یک تصور غلط رایج این است که وظیفه تحلیل‌گر داده، پیاده‌سازی شاخص‌های کلیدی عملکرد (KPIs) استانداردی است که به سادگی می‌توان آن‌ها را در اینترنت پیدا کرد. اما تجربه واقعی نشان می‌دهد که مؤثرترین شاخص‌ها کپی‌کردنی نیستند، بلکه باید آن‌ها را متناسب با نیازهای منحصربه‌فرد کسب‌وکار خلق کرد. این خلق کردن، فرآیندی عمیقاً انسانی است که نیازمند همدلی با کاربر و گفتگوی مداوم با ذی‌نفعان است.

موسوی برای توضیح این موضوع، به مطالعه موردی تکامل شاخص‌ها در فیلیمو اشاره می‌کند. این فرآیند به شکل زیر پیش رفت:

1. نقطه شروع: اولین شاخص، مجموع دقایق تماشا شده برای هر محتوا بود.
2. کشف نقص: تیم متوجه شد این شاخص به تنهایی گمراه‌کننده است. برای مثال، کودکی که یک کارتون را بارها و بارها تماشا می‌کند، دقایق تماشا را به شدت بالا می‌برد، اما این لزوماً به معنای محبوبیت گسترده محتوا نیست.
3. اصلاح اول: شاخص به تعداد بینندگان یکتا تغییر کرد تا تصویر دقیق‌تری از تعداد مخاطبان ارائه دهد.
4. اصلاح دوم: تیم به این نتیجه رسید که بین کاربری که ۲ دقیقه از یک فیلم را می‌بیند و کاربری که ۱۰ دقیقه تماشا می‌کند، تفاوت وجود دارد. پس باید میزان تماشای هر کاربر نیز در نظر گرفته می‌شد.
5. تکامل نهایی: در نهایت، برای مقایسه عادلانه یک فیلم دو ساعته با یک سریال یک ساعته، شاخص به گونه‌ای تکامل یافت که درصد تماشا شده از کل زمان محتوا را نیز لحاظ کند.

این فرآیند نشان می‌دهد که بهترین شاخص‌ها از دل یک درک عمیق از کسب‌وکار و گفتگوی مداوم برای یافتن پاسخِ سؤالاتِ درست، پیدا می‌شود.

قدرتمندترین ابزار شما نرم‌افزار نیست، سؤال است

ابزارهای فنی مانند SQL، پایتون و نرم‌افزارهای ساخت داشبورد، برای یک تحلیل‌گر داده ضروری هستند، اما آن‌ها ابزاری بیش نیستند. قدرتمندترین و اصلی‌ترین ابزار یک تحلیل‌گر، سؤال است. تمام کارهایی که در حوزه داده انجام می‌شود—از طراحی فرآیندهای ETL گرفته تا ساخت گزارش‌های پیچیده—در نهایت برای پاسخ به یک سؤال اصلی کسب‌وکار انجام می‌شود.

اما ذی‌نفعان معمولاً با یک سؤال استراتژیک و دقیق به سراغ تیم داده نمی‌آیند. آن‌ها اغلب یک درخواست تاکتیکی دارند: «یه کوئری می‌خوام که فلان چیزو به من نشون بده.» اینجاست که مهارت انسانی تحلیل‌گر نمایان می‌شود. ارزش واقعی او صرفاً در اجرای آن کوئری خلاصه نمی‌شود، بلکه در این است که با گفتگو به ریشه اصلی مسئله برسد و به مدیران کمک کند تا سؤالات اولیه خود را به چالش بکشند، دقیق‌تر کنند و گاهی حتی به طور کامل تغییر دهند.

راهکارهای واقعی آماده خریده نمی‌شوند، از صفر ساخته می‌شوند

این یک فانتزی رایج است که شرکت‌های بزرگ و جاافتاده، برای مشکلات داده‌ای خود به سادگی یک راهکار آماده و بی‌نقص را از بازار خریداری می‌کنند. واقعیت اما بسیار متفاوت، پر از آزمون و خطا و نیازمند ساختن راه‌حل از ابتداست؛ فرآیندی که خلاقیت و سرسختی انسانی را بیش از هر چیز دیگری می‌طلبد.

مطالعه موردی اسنپ برای تخمین بودجه مورد نیاز برای طرح‌های تشویقی رانندگان، این واقعیت را به خوبی نشان می‌دهد:

• مسئله: تیم تجاری در ابتدای هر ماه، یک تارگت برای تعداد کل سفرها مشخص می‌کرد. تیم داده باید تخمین می‌زد که برای رسیدن به این هدف، چقدر بودجه برای پاداش به رانندگان لازم است.
• قدم اول: پیش‌بینی تعداد سفرهای ارگانیک (سفرهایی که بدون هیچ طرح تشویقی انجام می‌شوند) برای درک میزان فاصله تا هدف.
• روش: استفاده از داده‌های تاریخی و افزودن متغیرهای تأثیرگذار مانند فصل، روزهای تعطیل، آلودگی هوا و حتی بارندگی.
• واقعیت: این فرآیند ابتدا در یک فایل اکسل و با محاسبات دستی شروع شد. سپس به اسکریپت‌های ساده تبدیل شد و حتی در مراحلی، تیم مجبور بود برای اصلاح نتایج مدل، یک ضریب دستی به آن اضافه کند. این راهکار به مرور زمان بالغ شد و به یک محصول داده‌ای قابل اتکا تبدیل گشت.

این رویکرد عمل‌گرایانه و ساختن راه‌حل از صفر، اساس تحلیل داده در دنیای واقعی است، نه صرفاً کار با ابزارهای از پیش آماده.

شغل پنهان یک تحلیل‌گر داده، فروشنده است

این شاید یکی از غیرمنتظره‌ترین حقایق باشد: ساختن یک فرهنگ داده‌محور وظیفه‌ای نیست که از بالا به تیم داده محول شود؛ این فرهنگی است که تیم داده باید خودش آن را فعالانه در سازمان بسازد و بفروشد.

هیچ مدیری از تیم داده نمی‌خواهد که فرهنگ بسازد؛ آن‌ها داشبورد، گزارش و تحلیل می‌خواهند. به گفته موسوی، مسیر اشتباه این است که تحلیل‌گر بگوید من یک هفته دیگر یک داشبورد کامل به شما ارائه می‌دهم و بعد از تحویل آن، کار خود را تمام شده بداند. چنین محصولی، هرچقدر هم که بی‌نقص باشد، اغلب مورد استفاده قرار نمی‌گیرد، چون نیازی را که از دل گفتگو زاده شده باشد، برطرف نمی‌کند.

مسیر درست و مؤثر، مسیری مبتنی بر ارتباط انسانی است:

• شروع با گفتگو: به جای ساختن یک داشبورد و تحویل آن، فرآیند را با صحبت با دپارتمان‌های مختلف آغاز کنید. نقاط درد آن‌ها را بفهمید و آن‌ها را در فرآیند طراحی راه‌حل مشارکت دهید.
• ایجاد همراهی: وقتی ذی‌نفعان حس کنند که در ساخت یک محصول داده‌ای نقش داشته‌اند، نه تنها به آن اعتماد می‌کنند، بلکه به مبلغان آن در سازمان تبدیل می‌شوند. این همراهی تضمین می‌کند که ابزار ساخته شده واقعاً مورد نیاز بوده و استفاده خواهد شد.

در نهایت، تحلیل‌گر داده باید بتواند ارزش کار خود را به دیگران نشان دهد و آن‌ها را متقاعد کند که تصمیم‌گیری بر اساس داده، بهترین مسیر برای رشد است.

مسیر شغلی و آینده

جمع‌بندی تمام این درس‌ها ما را به یک موضوع مهم می‌رساند؛ تحلیل داده بیش از آنکه یک رشته فنی باشد، یک رشته عمیقاً انسانی است. تحلیل‌گر داده در دنیای امروز، ترکیبی از چند مهارت کلیدی است: کنجکاو در واکاوی ریشه‌ها، مبدع شاخص‌های سفارشی و راهکارهای مورد نیاز کسب و کار؛استراتژیست و پرسشگر در بازتعریف مسائل و یک مذاکره‌کننده متقاعدکننده است که فرهنگ داده‌محوری را در سازمان می‌فروشد.

با ظهور هوش مصنوعی، این مهارت‌های انسانی حتی حیاتی‌تر هم خواهند شد. همانطور که موسوی اشاره می‌کند، هوش مصنوعی کارهای روتین را خودکار می‌کند و این فرصت را به تحلیل‌گران می‌دهد تا بر روی وظایف منحصربه‌فرد انسانی مانند صورت‌بندی استراتژیک مسائل، ارتباط با ذی‌نفعان و تفکر خلاق تمرکز کنند.

او در مورد مسیر شغلی این حوزه اگر چه برای ورود به این حوزه، یادگیری ابزارهای پایه (SQL, Python, آمار) را ضروری می‌داند، اما آن را کافی نمی‌داند. توصیه نهایی او به علاقه‌مندان این مسیر شغلی شامل موارد زیر است:
• منتورشیپ: از تجربه افراد باسابقه کمک بگیرید.
• شناخت کسب‌وکار: قبل از مصاحبه شغلی، مدل کسب‌و‌کار شرکت مقصد را تحلیل کنید.
• مهارت‌های نرم: توانایی ارتباط موثر را همپای مهارت‌های فنی رشد دهید.
در نهایت، موسوی معتقد است که تحلیل داده شغلی نیست که به اشباع برسد. تحلیل‌گران می‌توانند در تخصص خود عمیق‌تر شوند یا با اتکا به ذهنیت تحلیلی‌شان، به حوزه‌هایی مانند مدیریت محصول یا تحلیل منابع انسانی چرخش کنند. این تغییر مسیر نه یک اجبار، بلکه انتخابی هوشمندانه در مسیر توسعه حرفه‌ای است.