طبق داشبورد، سرانه فروش این واحد برای سومین ماه متوالی از میانگین مجموعه پایین‌تر است و هزینه حقوق کل این واحد هم بالاست.
روی پرده پروژکتور جدولی از «سرانه فروش واحدهای سازمانی» نمایش داده شده است که واحد مورد نظر با رنگ قرمز متمایز شده و در قسمت دیگری از داشبورد، هزینه حقوق و تعداد نیروی انسانی قرار دارد.
مدیر مالی در ادامه صحبت گزارش‌دهنده، از شرایط واحد می‌گوید: «با این سطح از فروش و این هزینه نیروی انسانی، ادامه وضعیت فعلی قابل دفاع نیست. پیشنهاد می‌کنم ظرفیت واحد کمتر بشه.»
دستیار مدیرعامل می‌گوید: «شاید مسئله از تعداد نیرو نباشد و ساختار واحد باید تغییر کند.»
بحث در جلسه بالا می‌گیرد…
مدیر واحد مخالفت می‌کند: «همین الان هم ظرفیت نیرو لب مرزه. یک نفر هم کمتر بشه، شیفت‌ها و کیفیت کار به مشکل می‌خوره!»
مدیر مالی دوباره به داشبورد اشاره می‌کند: «اما این فقط وضعیت این ماه نیست. سه ماهه این واحد پایین‌تر از میانگین بوده و بیشترین هزینه رو هم داره.»
مدیر واحد با ناراحتی صحبت مدیر مالی را قطع می‌کند: «و من ماه گذشته هم به شما گفتم که با این تعداد نیرو اتفاقاً عملکرد واحد از دید من خوب بوده و با شما موافق نیستم.»
مدیرعامل میان دو روایت گیر کرده است:
- از نگاه مدیر مالی، داده‌ها از بهره‌وری پایین واحد خبر می‌دهند.
- از طرف دیگر، مدیر واحد می‌گوید همین حالا هم نیروی کافی ندارد.
این واحد از نظر مالی واقعاً تحت فشار است. هزینه نیروی انسانی طی چند ماه افزایش پیدا کرده، درحالی‌که داشبورد نشان می‌دهد سرانه فروش آن نسبت به سایر واحدها پایین‌تر است. بنابراین حرف مدیر مالی منطقی به نظر می‌رسد؛ او تحت فشار کنترل هزینه‌هاست و اعداد هم ظاهراً حرفش را تأیید می‌کنند.
از آن طرف، مدیر واحد هم صرفاً برای حفظ نیروهایش مقاومت نمی‌کند. بخشی از فعالیت نیروها مستقیماً درآمدزا نیست، اما برای عملیات سازمان ضروری است. کاهش نیرو ممکن است زمان پاسخ‌گویی، کیفیت خدمت یا بار کاری سایر کارکنان را تحت تأثیر قرار دهد.
پیشنهاد تغییر ساختار نیز بدون هزینه نیست؛ جابه‌جایی افراد، تغییر شرح وظایف، اصطکاک سازمانی و زمانی که تا مشخص‌شدن نتیجه تغییرات لازم است، این گزینه را هم از یک راه‌حل فوری دور می‌کند.
حالا مدیرعامل سه روایت پیش روی خود دارد:
- مالی: اعداد می‌گویند این هزینه بالا در مقابل سرانه فروش پایین توجیه اقتصادی ندارد.
- مدیر واحد: این شاخص تمام کاری را که واحد انجام می‌دهد نشان نمی‌دهد.
- دستیار مدیریت: شاید مشکل خود ساختار باشد، نه افراد.
اما در بررسی مبنای گزارش، یک نکته تصویر مسئله را تغییر می‌دهد:
عددی که هر دو طرف بر سر معنای آن بحث می‌کنند، تا چه اندازه می‌تواند مبنای این تصمیم باشد؟
با بررسی داده‌های این سازمان متوجه می‌شویم فروش واحد به‌صورت مستقیم در سیستم ثبت نشده و فروش فقط در سطح کل سازمان وجود داشته و برای رسیدن به «فروش هر واحد»، مبلغ کل با یک مبنای محاسباتی بین واحدها توزیع شده است؛ درحالی‌که مبنای انتخاب‌شده رابطه قابل‌دفاعی با میزان واقعی ایجاد فروش توسط واحدها نداشته است.
مسئله دیگر فقط این نیست که مدیرعامل باید حرف مدیر مالی را بپذیرد یا مدیر واحد را. سؤال مهم‌تری شکل می‌گیرد:
آیا هر عددی که از داده ساخته شده، می‌تواند مبنای تصمیم باشد؟
زمانی که وجود عدد با وجود شواهد معتبر اشتباه گرفته می‌شود
نویسندگان مقاله Where Data-Driven Decision-Making Can Go Wrong در نشریه Harvard Business Review توضیح می‌دهند که مدیران هنگام مواجهه با شواهد معمولاً در معرض دو واکنش افراطی قرار دارند:
۱. یا شواهد ارائه‌شده را تقریباً به‌عنوان حقیقت می‌پذیرند،
۲. یا با مشاهده محدودیت‌ها آن را به‌کلی کنار می‌گذارند.
اما راه بهتر، این است که به این سؤال پاسخ داده شود:
آیا این تحلیل‌های مبتنی بر داده واقعاً برای موقعیتی که درباره آن تصمیم می‌گیریم قابل استفاده هستند؟
در این مقاله، نویسندگان میان اعتبار درونی (Internal Validity) و اعتبار بیرونی (External Validity) تمایز می‌گذارند. اولی می‌پرسد آیا تحلیل اساساً به پرسشی که مدعی پاسخ‌دادن به آن است پاسخ معتبری می‌دهد؛ دومی بررسی می‌کند آیا نتیجه به‌دست‌آمده را می‌توان به شرایط دیگری تعمیم داد یا خیر.
آن‌ها از مدیران می‌خواهند رابطه همبستگی و علیت را با هم اشتباه نگیرند، عوامل مخدوش‌گر (Confounding Factors) را در نظر بگیرند، به اندازه نمونه و شرایط مطالعه توجه کنند و مهم‌تر از همه، مطمئن شوند چیزی را که واقعاً اهمیت دارد، اندازه می‌گیرند؛ نه صرفاً چیزی که اندازه‌گیری آن آسان است.
در ماجرای این سازمان حتی با مسئله‌ای بنیادی‌تر مواجهیم؛ «فروش واحد» یک داده ثبت‌شده و قابل مشاهده نبوده، بلکه عددی محاسبه‌شده بر مبنای یک فرض برای تخصیص فروش کل سازمان بوده است. بنابراین، پیش از آنکه این عدد در کنار سایر شاخص‌ها تفسیر شود، باید اعتبار منطق و فرضی که برای ساخت آن به کار رفته بررسی شود.
ممکن است فرمول کاملاً درست اجرا شده باشد؛ ممکن است فایل اکسل هیچ خطایی نداشته باشد. ممکن است داشبورد نیز دقیقاً همان عددی را نمایش دهد که فرمول تولید کرده است.
اما سؤال یک مرحله قبل از همه این‌ها قرار دارد:
بر چه اساسی فرض کرده‌ایم این روش تخصیص، نماینده فروش واقعی واحد است؟
اینجاست که تفاوت مهمی میان دقت محاسباتی و اعتبار تحلیلی شکل می‌گیرد. یک عدد می‌تواند با دقت کامل محاسبه شده باشد و در عین حال پاسخ معتبری برای پرسش مدیریتی ما نباشد.
آیا اصلاً چیز درستی را اندازه گرفته‌ایم؟
پژوهشگران از تله دیگری با عنوان «تمرکز بر پیامدهای نادرست» صحبت کرده‌اند. در بسیاری از تحلیل‌ها، آنچه آسان‌تر اندازه‌گیری می‌شود جای آنچه واقعاً برای تصمیم مهم است می‌نشیند.
حتی اگر مشکل تخصیص فروش سازمان را کنار بگذاریم و فرض کنیم فروش واقعی هر واحد را در اختیار داریم، هنوز یک سؤال مهم باقی می‌ماند:
آیا سرانه فروش به‌تنهایی شاخص مناسبی برای ارزیابی عملکرد این واحد است؟
اگر بخشی از فعالیت نیروها مستقیماً درآمد ایجاد نکند اما برای ادامه خدمت سازمان ضروری باشد، سرانه فروش فقط بخشی از واقعیت را نشان می‌دهد. برای ارزیابی وضعیت واحد، ممکن است حجم خدمت، تعداد مراجعان، بار کاری، زمان انتظار، کیفیت و سطح خدمت مورد انتظار و مجموعه‌ای از شاخص‌های مالی و عملیاتی در کنار یکدیگر اهمیت داشته باشند. پس پیش از اینکه درباره مقدار یک KPI بحث کنیم، باید سؤال دیگری بپرسیم:
آیا این KPI اساساً نماینده مناسبی برای چیزی است که قصد داریم درباره آن تصمیم بگیریم؟
داشتن داده با داشتن اطلاعات یکی نیست
در ادبیات مدیریت اطلاعات، میان داده (Data)، اطلاعات (Information) و دانش (Knowledge) تمایز قائل می‌شوند. داده‌های خام زمانی به اطلاعات قابل استفاده تبدیل می‌شوند که مرتبط، دقیق، به‌موقع و مختصر و مفید باشند و سپس در کنار دانش و تجربه فرد برای تصمیم‌گیری معنا پیدا کنند.
در این سازمان نیز مسئله «نداشتن داده» نبود؛ فروش کل، حقوق و تعداد کارکنان در دسترس بود، اما وجود داده الزاماً به معنای وجود اطلاعات مناسب برای تصمیم نیست.
پژوهش‌ها نیز بر شناخت ساز‌وکار تولید داده و استفاده از داده مرتبط تأکید می‌کنند؛ حجم بیشتر داده الزاماً تصمیم بهتری نمی‌سازد، مهم این است که داده بتواند به پرسش تصمیم پاسخ دهد. در اینجا، سازمان به‌جای حرکت از پرسش مدیریتی به سمت داده مورد نیاز، تلاش کرده بود از داده‌های موجود شاخصی برای پاسخ به آن بسازد.
شاید تحلیل را از جای اشتباه شروع کرده‌ایم
نظریه‌پردازان این مسئله را یک مرحله عقب‌تر می‌برند. آن‌ها در چارچوب تحلیل تصمیم‌محور (Decision-Driven Analytics) پیشنهاد می‌کنند نقطه شروع تحلیل به‌جای داده، تصمیم باشد.
چارچوب آن‌ها چهار جزء دارد:
Decisions⟶Questions⟶Data⟶Answers
ابتدا باید روشن شود چه تصمیمی مورد سؤال است، سپس پرسش‌هایی تعریف شوند که پاسخ آن‌ها واقعاً برای گرفتن آن تصمیم ضروری باشد و پس از آن مشخص می‌شود چه داده‌ای برای پاسخ‌دادن به این پرسش‌ها لازم است و در نهایت تحلیل برای تولید پاسخ انجام می‌شود.
این ترتیب ظاهراً ساده است، اما جهت حرکت بسیاری از تحلیل‌های سازمانی را معکوس می‌کند.
به‌جای اینکه بپرسیم:
- «چه داده‌ای داریم و با آن چه تحلیلی می‌توانیم انجام دهیم؟»
می‌پرسیم:
- «چه تصمیمی داریم و برای گرفتن آن تصمیم چه چیزی باید بدانیم؟»
در ماجرای این سازمان، آنچه در ابتدا توجه مدیران را جلب کرده یک تصویر نگران‌کننده در گزارش است: هزینه نیروی انسانی بالا و سرانه فروش پایین. همین تصویر باعث شده گزینه‌هایی مانند کاهش نیرو یا تغییر ساختار وارد بحث شوند.
اما پیش از تصمیم درباره راه‌حل، یک سؤال مقدم‌تر وجود دارد:
آیا آنچه در گزارش به‌عنوان «مسئله» دیده می‌شود، واقعاً مسئله‌ای در عملکرد واحد است؟
برای پاسخ به این سؤال، ابتدا باید مشخص شود این تصویر بر اساس چه شاخص‌هایی ساخته شده، هر شاخص دقیقاً چه چیزی را اندازه می‌گیرد و داده‌های پشت آن چگونه تولید شده‌اند.
- آیا سرانه فروش واقعاً عملکرد این واحد را نشان می‌دهد؟
- آیا فروش نمایش‌داده‌شده واقعاً قابل انتساب به همین واحد است؟
- آیا هزینه بالاتر نیروی انسانی، بدون در نظر گرفتن نوع فعالیت، حجم کار و نقش واحد، نشانه‌ای از عملکرد نامطلوب است؟
- و مهم‌تر از همه، آیا شواهد موجود واقعاً وجود یک مسئله را نشان می‌دهند یا نحوه تعریف و محاسبه شاخص‌ها چنین تصویری ساخته است؟
تازه بعد از پاسخ به این پرسش‌ها می‌توان مشخص کرد آیا واقعاً مسئله‌ای وجود دارد، مسئله چیست و برای تصمیم درباره آن به چه داده‌های دیگری نیاز داریم.
وقتی جای خالی داده را با یک عدد پر می‌کنیم
در کنار تمام موارد مذکور باید در نظر داشت که در دنیای واقعی، سازمان‌ها همیشه داده مورد نیاز خود را در اختیار ندارند. مدیر گزارش می‌خواهد، جلسه نزدیک است، اطلاعات ناقص است و ایجاد زیرساخت جدید نیز زمان می‌برد.
در چنین شرایطی چه اتفاقی می‌افتد؟
شواهد نشان می‌دهد در این شرایط کارکنان ممکن است برای پاسخ به نیاز فوری به راه‌حل‌های موقت روی بیاورند و داده‌های موجود را بازتفسیر یا بازسازی کنند. پژوهشگران پیامد این فرایند را کیفیت ظاهری داده می‌نامند: خروجی ممکن است منسجم و قابل ارائه باشد، بدون آنکه الزاماً واقعیت اصلی فعالیت‌های سازمان را به‌درستی منعکس کند.
در مثال ما، فروش به تفکیک واحد در دسترس نیست و برای پر کردن این خلأ، عددی بر اساس یک روش تخمین یا تخصیص ساخته می‌شود. تخمین لزوماً اشتباه نیست؛ مسئله زمانی آغاز می‌شود که عددی که در ابتدا «برآورد فروش واحد بر اساس یک فرض» بوده، در ادامه تنها با عنوان «فروش واحد» وارد داشبورد شود. در این نقطه، مدیر دیگر یک برآورد نمی‌بینید؛ آن را به‌عنوان یک واقعیت می‌بیند.
پیامد چنین مسئله‌ای ممکن است از یک تصمیم فراتر رود. پژوهش‌ها روی ۳۰۵ شرکت متوسط و بزرگ نشان می‌دهند اعتماد مدیران به کیفیت داده‌ها و حمایت مدیریت ارشد از تحلیل، در شکل‌گیری فرهنگ تصمیم‌گیری تحلیلی نقش مهمی دارند. مواجهه مکرر با گزارش‌هایی که اعتبارشان محل تردید است می‌تواند اعتماد مدیران به داده را کاهش دهد.
در نتیجه، سازمان ممکن است میان دو وضعیت نامطلوب نوسان کند: اعتماد بیش‌ازحد به عدد، که در آن حضور یک KPI روی داشبورد برای معتبر دانستن آن کافی است؛ و بی‌اعتمادی عمومی به داده، که مدیر را دوباره به سمت تصمیم‌گیری عمدتاً شهودی سوق می‌دهد. تصمیم‌گیری داده‌محور، هیچ‌کدام از این دو نیست. ساختن یک سازمان داده‌محور فقط با ابزارهای هوش تجاری، داشبورد یا تحلیلگر داده اتفاق نمی‌افتد؛ کیفیت داده، رفتار مدیران و فرهنگ استفاده از شواهد نیز بخشی از همان سیستم‌اند.
سه تله‌ای که پشت یک عدد ساده پنهان می‌شوند
با کنار هم قرار دادن مقالات بررسی‌شده و بازگشت به ماجرای سازمان، می‌توان سه خطای مهم در فرایند تبدیل داده به تصمیم را تشخیص داد:
تله اول: داده موجود را با داده مورد نیاز اشتباه نگیریم
اینکه فروش، حقوق و تعداد کارکنان در دسترس‌اند، به این معنا نیست که همین سه متغیر برای تشخیص مسئله و تصمیم‌گیری درباره عملکرد این واحد کافی‌اند.
رویکرد تحلیل تصمیم‌محور (Decision-Driven Analytics) پیشنهاد می‌کند مسیر را از خود تصمیم آغاز کنیم: ابتدا تصمیم را مشخص کنیم، سپس پرسش‌های مورد نیاز را تعریف کنیم و در مرحله بعد به سراغ داده مرتبط برویم.
در مثال سازمان، سؤال نباید این باشد که «با داده‌هایی که داریم چه شاخصی می‌توانیم بسازیم؟»؛ بلکه باید پرسید: «برای تشخیص مسئله و تصمیم‌گیری درباره این واحد، واقعاً چه چیزهایی باید بدانیم؟»
تله دوم: آنچه قابل محاسبه است را با آنچه باید اندازه‌گیری شود اشتباه نگیریم
پژوهشگران درباره خطر تمرکز بر پیامدهای نادرست هشدار می‌دهند. آسان‌بودن اندازه‌گیری، نباید باعث شود پیامد اصلی مورد نظر را فراموش کنیم.
ساخت شاخص «سرانه فروش» ممکن است آسان‌تر از سنجش واقعی بار کاری، کیفیت خدمت یا ظرفیت مورد نیاز واحد باشد؛ اما آسان‌تر بودن محاسبه یک سنجه (Metric) آن را به شاخص مناسب‌تری برای تصمیم تبدیل نمی‌کند.
تله سوم: دقت عددی را با اعتبار تحلیلی اشتباه نگیریم
ممکن است داشبورد عدد ۱۲٫۷۳ را نشان دهد و فرمول نیز بدون هیچ خطای محاسباتی اجرا شده باشد. اما وجود دو رقم اعشار چیزی درباره اعتبار فرض پشت آن عدد به ما نمی‌گوید. یک عدد می‌تواند کاملاً دقیق محاسبه شده باشد، اما دقیقاً چیز اشتباهی را اندازه بگیرد.
مدیر باید قبل از پرسیدن «عدد چند است؟» چه چیزهایی بداند؟
کنار هم قرار دادن پیشنهادهای این پژوهش‌ها، نوع سؤال‌هایی را که مدیر باید از تیم تحلیل بپرسد تغییر می‌دهد.
این یافته‌ها مدیران را به بررسی اعتبار شواهد دعوت می‌کنند:
- دقیقاً چه چیزی اندازه‌گیری شده است؟
- آیا پیامد مورد بررسی واقعاً برای تصمیم اهمیت دارد؟
- چه عوامل دیگری می‌توانند نتیجه مشاهده‌شده را توضیح دهند؟
- آیا تحلیل یا داده دیگری این نتیجه را تأیید می‌کند؟
- و اگر شواهد کافی نیستند، چه اطلاعات دیگری می‌توان جمع‌آوری کرد و آیا منفعت حاصل از اطلاعات بیشتر، هزینه جمع‌آوری آن‌ها را توجیه می‌کند؟
رویکرد تحلیل تصمیم‌محور یک قدم عقب‌تر می‌رود. پیش از همه این پرسش‌ها باید مشخص باشد قرار است چه تصمیمی گرفته شود و برای گرفتن آن تصمیم دقیقاً به پاسخ چه پرسش‌هایی نیاز داریم؟
سؤال دیگری که اضافه می‌شود:
این عدد واقعاً از کجا آمده است؟
آیا مستقیماً از منبع اصلی ثبت شده است؟ آیا تخمین زده شده؟ آیا با یک روش تخصیص به‌دست آمده؟ یا حاصل یک راه‌حل موقت برای جبران داده‌ای است که سازمان در اختیار نداشته است؟
در نتیجه، شاید پیش از نگاه‌کردن به مقدار یک شاخص کلیدی عملکرد، چهار سؤال ساده اهمیت بیشتری داشته باشند:
۱. قرار است با این عدد چه تصمیمی بگیریم؟
۲. این عدد دقیقاً چه چیزی را اندازه می‌گیرد؟
۳. از چه داده‌ها و چه فرض‌هایی ساخته شده است؟
۴. و چه بخشی از واقعیت مورد نیاز برای تصمیم را نشان نمی‌دهد؟
پاسخ به این سؤال‌ها قرار نیست عدم‌قطعیت را از مدیریت حذف کند. هیچ سیستم داده‌ای چنین کاری نمی‌کند. مسئله این است که مدیر بداند کدام بخش از چیزی که روی صفحه می‌بیند واقعیت ثبت‌شده است، کدام بخش برآورد، کدام بخش فرض و کدام بخش همچنان ناشناخته باقی مانده است.
شاید همین مرزبندی یکی از تفاوت‌های اساسی میان سازمانی باشد که فقط داشبورد دارد و سازمانی که واقعاً می‌تواند از داده برای تصمیم‌گیری استفاده کند.