چگونه داده به تصمیم تبدیل می‌شود؟

در اقتصاد دیجیتال، مشکل اصلی بسیاری از سازمان‌ها کمبود داده نیست؛ کمبود تبدیل داده به قضاوت سازمانی است. MIT Sloan به‌درستی یادآوری می‌کند که فناوری امروز شرکت‌ها را قادر کرده تقریباً «همه‌چیز» را اندازه‌گیری کنند، اما پیشرفت واقعی از صرفِ جمع‌آوری اطلاعات حاصل نمی‌شود. ارزش واقعی زمانی ایجاد می‌شود که داده، در زمان مناسب، در زمینه‌ی درست، با تفسیر درست و درون یک فرایند تصمیم‌گیری قابل اتکا به کار گرفته شود. به همین دلیل، مزیت رقابتی امروز کمتر در داشتن انبوه داده است و بیشتر در توانایی تبدیل آن به عمل سنجیده نهفته است.

یکی از شواهد مهم این ادعا در مطالعه McKinsey درباره customer analytics دیده می‌شود. در این مطالعه، شرکت‌هایی که از تحلیل مشتری به‌صورت گسترده و فشرده استفاده می‌کنند، ۲۳ برابر بیش از کاربران غیرمتمرکزِ این ابزارها احتمال دارد در جذب مشتری جدید از رقبای خود پیشی بگیرند، و احتمال رسیدن آن‌ها به سودآوری بالاتر نیز نزدیک به ۱۹ برابر گزارش شده است. اما نکته‌ی تعیین‌کننده در همین گزارش، بخش دوم ماجراست: تفاوت از خودِ فناوری نمی‌آید؛ از این می‌آید که برندگان، تحلیل را یک مسئله‌ی استراتژیک می‌بینند نه صرفاً یک مسئله‌ی IT. خود McKinsey تصریح می‌کند که «آنچه انجام می‌دهید» و تغییرات سازمانی‌ای که برای استفاده از اطلاعات اعمال می‌کنید، از خودِ فناوری مهم‌تر است.

با این‌همه، اغلب سازمان‌ها پیش از آنکه به مرحله‌ی تفسیر برسند، در لایه‌ی ساختار داده متوقف می‌شوند. IBM داده‌سیلو یا data silo را مجموعه‌های منزوی اطلاعات تعریف می‌کند که مانع اشتراک‌گذاری داده بین واحدها، سیستم‌ها و کسب‌وکارها می‌شوند. همین منطقِ جزیره‌ای باعث می‌شود تیم‌ها با داده‌های قدیمی، تکه‌تکه یا ناسازگار کار کنند و تصمیم‌گیرنده به‌جای یک تصویر کامل، تنها بخشی از واقعیت را ببیند. در همان منبع، IBM گزارش می‌کند که نزدیک به ۷۷ درصد پاسخ‌دهندگان معتقدند سیلوهای داده توان سازمان برای تحلیل بلادرنگ و تصمیم‌گیری داده‌محور را مختل می‌کنند. پژوهش دیگری در Journal of Business Research نیز نشان می‌دهد که تصمیم‌گیری داده‌محور عملاً به همکاری میان IT و کسب‌وکار و نیز به کیفیت اطلاعات وابسته است؛ یعنی بدون همکاری بین‌وظیفه‌ای، حتی داده‌ی خوب هم الزاماً به تصمیم خوب تبدیل نمی‌شود.

به همین علت، مزیت از «حجم» آغاز نمی‌شود؛ از «بینش» آغاز می‌شود. پژوهش‌های دانشگاهی در سال‌های اخیر همین تفاوت را روشن‌تر کرده‌اند. در یک مطالعه‌ی منتشرشده در Journal of Business Research، مشخص شد که سرعت، تنوع و وثوق داده‌ها می‌توانند تولید بینش را تقویت کنند، اما حجم داده به‌تنهایی چنین اثری ندارد. مطالعه‌ای دیگر در Technological Forecasting and Social Change نیز نشان داد که قابلیت تحلیل کلان‌داده و ابزارهای هوش تجاری زمانی بیشترین اثر را بر کیفیت تصمیم می‌گذارند که سازمان بتواند آن‌ها را به data-driven insights تبدیل کند. نتیجه‌ی مهم این دو پژوهش این است که داده تا وقتی به الگوی قابل‌فهم، تفسیر قابل‌اقدام و اولویت تصمیم تبدیل نشده، هنوز دارایی راهبردی کامل نیست.

هوش مصنوعی در این میان نقش مهمی دارد، اما نه آن‌طور که تبلیغات اغراق‌آمیز وعده می‌دهند. شواهد MIT نشان می‌دهد AI می‌تواند کیفیت تصمیم انسان را در برخی زمینه‌ها بهتر کند. در یک پژوهش درباره بازی Go، تحلیل داده‌های ۷۵۰,۹۹۰ حرکت نشان داد بازیکنان حرفه‌ایِ آموزش‌دیده با AI کیفیت حرکت‌های خود را بهبود دادند، تعداد خطاها را کاهش دادند و شدت اشتباهات کلیدی آن‌ها نیز کمتر شد؛ پژوهشگران از این یافته به‌عنوان شواهدی برای نقش instructional و مکمل هوش مصنوعی در بهبود تصمیم انسانی یاد می‌کنند. اما همین تصویر، وقتی به کل سازمان تعمیم داده می‌شود، نیازمند احتیاط است. فراتحلیل بزرگ MIT Sloan و همکارانش بر ۱۰۶ آزمایش نشان داد ترکیب انسان و AI به‌طور متوسط در کارهای تصمیمی، از بهترین انسان یا بهترین AI بهتر عمل نکرده و حتی در میانگین از بهترینِ آن دو ضعیف‌تر بوده است؛ در حالی‌که مزیت این ترکیب بیشتر در برخی کارهای خلاقه و تولید محتوا دیده شد. خود MIT Sloan نتیجه می‌گیرد که موفقیت کمتر به «تقسیم ریزوظایف» و بیشتر به بازطراحی کل فرایند همکاری انسان و ماشین بستگی دارد.

این یافته‌ها یک درس مهم دارند: تصمیم خوب حاصل «اتوماسیون بیشتر» نیست؛ حاصل معماری بهترِ تصمیم است. اگر AI در مسئله‌ای از انسان ضعیف‌تر باشد، ترکیب این دو می‌تواند مفید باشد، چون انسان می‌داند چه زمانی باید به سیستم اعتماد کند و چه زمانی نه. اما اگر AI از انسان بهتر باشد و فرایند اعتماد، کنترل و تفسیر درست طراحی نشده باشد، همکاری انسان و ماشین حتی می‌تواند خروجی را بدتر کند. MIT Sloan همچنین تأکید می‌کند که توانایی‌هایی مانند قضاوت، اخلاق، همدلی و فهم زمینه‌ای، هنوز از مهم‌ترین مکمل‌های محدودیت‌های AI هستند. از سوی دیگر، پژوهش Journal of Management Control نشان می‌دهد که افزایش توان تحلیلی و اطلاعات تصمیم‌پشتیبان، لزوماً به معنای اتکای بیشتر مدیران به داده نیست؛ نقش «معناسازان» سازمانی و کیفیت تفسیر همچنان تعیین‌کننده است.

پس اگر بخواهیم «هوشمندسازی تصمیم» را دقیق تعریف کنیم، باید آن را از دو سوءبرداشت جدا کنیم. نخست، هوشمندسازی به معنای انبار کردن داده نیست؛ به معنای اتصال داده‌های پراکنده، ساختن یک single source of truth، تعریف استانداردهای داده و طراحی دسترسی درست است. دوم، هوشمندسازی به معنای جایگزین کردن کامل انسان با ماشین هم نیست؛ بلکه به معنای ساختن ترتیبی از کار است که در آن ماشین برای کشف الگو، پیش‌بینی و پردازش سریع به کار گرفته شود و انسان برای هدف‌گذاری، تفسیر، کنترل استثناها و سنجش پیامدهای اخلاقی و راهبردی. IBM در همین چارچوب تأکید می‌کند که شکستن سیلوهای داده از طریق معماری یکپارچه، حاکمیت داده و فرهنگ همکاری، تصمیم‌ها را آگاهانه‌تر می‌کند. MIT Sloan نیز برای تشخیص اینکه کدام آرایشِ انسان و AI بهتر است، استفاده از آزمایش‌های واقعی و بازطراحی فرایند را پیشنهاد می‌کند.

در زبان EMPY، این یعنی «هوش» نباید به یک ابزار تقلیل پیدا کند؛ باید به‌صورت یک لایه‌ی تحلیلی دیده شود که فاصله‌ی میان اطلاعات خام و تصمیم آگاهانه را کم می‌کند. روی سایت شما نیز «Intelligence» دقیقاً با عبارت «هوشمندسازی تصمیم‌ها» تعریف شده است، نه صرفاً «تحلیل داده». این انتخاب، از منظر پژوهشی انتخاب درستی است: داده، به‌تنهایی، سازمان را هوشمند نمی‌کند؛ سازمان زمانی هوشمند می‌شود که داده را در ساختار مناسب، با قضاوت مناسب و در زمان مناسب به کنش قابل دفاع تبدیل کند.

بازگشت به صفحه قبل