تحولات در روش‌ تحلیل

14 فروردین 1401

دقیقه

درواقع تحلیل استفاده از داده‌ها برای انجام تصمیم‌گیری‌هایی است که نهایتاً برای دستیابی به اهداف یک سازمان مفیدتر و مؤثرتر خواهند بود. این اهداف عام شامل افزایش سود، کاهش هزینه‌ها، کاهش ریسک‌های مالی، بهبود مراقبت‌های بهداشتی، کسب نتایج آموزشی، کاهش جرم و ازاین‌قبیل موارد می‌باشد.

آخرین به‌روزرسانی: 27 دی 1401

در سری مقاله های آموزش اکسل، در فصل گذشته به بررسی اشکال کاربری (User forms) در اکسل پرداختیم، در این مقاله تحولات در روش های تحلیل را بررسی می کنیم.

 

سؤال‌هایی که در این فصل پاسخ داده خواهند شد:

  • تحلیل چیست؟
  • روش تحلیلی پیش‌بینانه چیست؟
  • روش تحلیلی تجویزی چیست؟
  • چرا اهمیت تحلیل افزایش پیدا کرده است؟
  • تحلیل برای سازمان چه اندازه بااهمیت است؟
  • برای انجام تحلیل از چه مواردی می‌بایست اطلاع پیدا کرد؟
  • هنگام اجرای یک تحلیل، چه مشکلاتی ممکن است رخ دهد؟
  • چه روندهایی بر تحولات آینده در تجزیه‌وتحلیل اثرگذار خواهند بود؟

 

تحلیل چیست؟

درواقع تحلیل استفاده از داده‌ها برای انجام تصمیم‌گیری‌هایی است که نهایتاً برای دستیابی به اهداف یک سازمان مفیدتر و مؤثرتر خواهند بود. این اهداف عام شامل افزایش سود، کاهش هزینه‌ها، کاهش ریسک‌های مالی، بهبود مراقبت‌های بهداشتی، کسب نتایج آموزشی، کاهش جرم و ازاین‌قبیل موارد می‌باشد. البته استفاده از داده‌ها برای انجام تصمیم‌گیری‌ها پدیده‌ای تازه نیست. مثلاً فیلسوف یونانی به اسم تالس از گزینه‌هایی (فصل 28 بنام گزینه‌های قیمت‌گذاری سهام را ببینید) برای افزایش سود و کاهش ریسک‌های ناشی از اجاره محل‌های روغن زیتون گیری استفاده می‌کرد. عبارت تحلیل پس از انتشار کتاب تامس داونپورت به نام ” رقابت در تجزیه‌وتحلیل” محبوبیت پیدا کرد (انتشارات هاروارد بیزنس ریویو)

تحلیل پیش‌بینانه چیست؟

تحلیل پیش‌بینانه به زبان ساده، استفاده از داده‌ها برای پیش‌بینی‌هایی دقیق در مقادیر و موارد موردعلاقه می‌باشد. مثال‌هایی ازاین‌قبیل را در ادامه می‌بینیم:

  • پیش‌بینی نتایج انتخابات ریاست‌جمهوری (فصل 60- مدل ارائه شده برای پیش‌بینی پیروزی دانلد ترامپ – گنجاندن عوامل کیفی در رگرسیون‌های چندگانه)
  • پیش‌بینی نتایج بازی‌های NFL (فصل 35 : استفاده از ابزار Solver برای رتبه‌بندی تیم‌های ورزشی)
  • تشخیص اینکه چگونه قراردادن محصولی در فروشگاه عاملی تعیین‌کننده در فروش محصول خواهد بود (فصل 62 : تحلیل واریانس:تحلیل واریانس یک‌طرفه)
  • تشخیص اینکه یک دوره درمانی چگونه بر شانس نجات از سرطان تأثیر می‌گذارد.
  • تشخیص اینکه چگونه آمیزه بازاریابی (شامل تبلیغات، تخفیفات قیمت، نمایش محصولات) بر روی فروش روزانه نوار چسب سه‌متری برند 3M تأثیر می‌گذارد. این تحلیل کار مشکلی است چرا که تغییرات فصلی هم‌روی فروش تأثیر می‌گذارد و مدل پیش‌بینی می‌بایست خود را با تأثیر تغییرات فصلی بر روی فروش‌ها وفق داده باشد.
  • شانس اینکه هرکدام از تیم‌ها در رقابت‌های NCAA (اتحادیه ملی ورزش‌های دانشگاهی) برنده شوند چقدر است؟ (فصل 80: سرگرمی و بازی‌ها: شبیه‌سازی احتمالات در رقابت‌های ورزشی و شرط‌بندی)

 

روش تحلیل تجویزی چیست؟

در تحلیل تجویزی از مدل‌های ریاضی که معمولاً داده‌محور هستند برای کمک به انجام تصمیم‌گیری‌هایی که هدفی مشخص را به حداکثر یا حداقل می‌رساند استفاده می‌کنند. برخی مثال‌های مرتبط شامل موارد زیر هستند:

  • کدام قیمت محصول سود را به حداکثر می‌رساند؟ (فصل 88 الی 90 را ببینید)
  • کدام ترکیب از محصولات سود ماهیانه شرکت “الی لیلی” را به حداکثر می‌رساند؟ (فصل 29: مقدمه‌ای بر بهینه‌سازی با ابزار Solver اکسل را مشاهده کنید)
  • چگونه می‌توان نیروی کاری را به شیوه‌ای برنامه‌ریزی کرد تا هزینه‌های عملیاتی به حداقل برسد؟ (فصل 30: استفاده از ابزار Solver برای مشخص‌کردن ترکیب محصول بهینه را مشاهده کنید)
  • یک شرکت چگونه می‌تواند هزینه ارسال محصولات کارخانه به مشتریان را به حداقل برساند؟ (فصل 32: استفاده از ابزار Solver برای برطرف‌کردن مشکلات نقل‌وانتقال و توزیع را نگاه کنید)
  • یک سازمان چگونه می‌تواند پروژه‌هایی انتخاب کند تا اهداف شرکتی مشروط بر محدودکردن منابع را به حداکثر برساند؟ مثلاً شرکت مایکروسافت باتوجه‌به محدودیت سرمایه و برنامه‌نویسان، چگونه می‌تواند سودآوری ناشی از محصولات جدید را به حداکثر برساند؟ یا اینکه اعضای هیئت‌مدیره مدرسه محلی چگونه می‌توانند از منابع مالی محدود برای بالابردن تعداد فارغ‌التحصیلان دوره متوسطه مدرسه استفاده نماید؟ این موارد در فصل 33 : استفاده از ابزار Solver برای بودجه‌بندی سرمایه‌ای، موردبحث قرار گرفته‌اند.
  • چقدر پول نیاز داریم تا هرسال مقدار لازمی برای دوران بازنشستگی پس‌انداز کنیم؟ (فصل 34: استفاده از Solver برای انجام برنامه‌ریزی مالی)
  • متصدیان شرط‌بندی چگونه می‌توانند با تنظیم تفاوت امتیازات احتمالی اطمینان پیدا کنند که سود به دست می‌آورند؟ (فصل 35 را ببینید)
  • انبار می‌بایست در چه جایی بنا شد تا فاصله ارسال محموله‌ها به حداقل برسد؟ (فصل 36: مکان انبار و کاهش گرادیان تعمیم‌یافته چند شروعی (GRG Multistart) و ابزار Evolutionary Solver را ببینید)
  • چگونه می‌بایست کارگران را به انجام کارها و وظایف گماشت تا هم آنها و هم رؤسای آنها راضی باشند؟ (فصل 37: مجازات‌ها و ابزار Evolutionary Solver را ببینید)
  • یک راننده شرکت پست آمریکایی UPS بسته‌های پستی را با چه نظمی می‌بایست به صاحبان برساند تا زمان موردنیاز برای ارسال تمام بسته‌ها را به حداقل برساند؟ (فصل 38: مشکل فروشنده سیار را ببینید.)
  • شرکت هال مارک می‌بایست چند کارت ولنتاین چاپ کند تا سود موردنظر را به حداکثر برساند؟ (فصل 77: مقدمه‌ای بر شبیه‌سازی Monte Carlo)
  • یک شرکت برای به حداکثر رساندن سود مورد نظرش در یک پروژه ساختمانی می‌بایست در چه مواردی پیشنهاد معامله دهد؟ (فصل 78 : محاسبه یک پیشنهاد معامله بهینه)
  • چه تخصیص دارایی ای ریسک موجود برای کسب بازده مورد انتظار را به حداقل می‌رساند؟ (فصل 79: شبیه‌سازی ارزش سهام و مدل‌های تخصیص دارایی را مشاهده کنید)

 

چرا اهمیت تحلیل افزایش پیدا کرده است؟

در این روزها دلایل متعددی برای افزایش اهمیت تحلیل وجود دارد. ابتدا باید گفت که این روزها داده‌های مفید بیشتری در دسترس است. به‌عنوان‌مثال شرکت Factual شرکتی است که سعی در جمع‌آوری تمام داده‌هایی دارد که ممکن است مفید باشند. شرکت Factual در میان مواردی که ارائه می‌دهد، دارای بانک داده‌ای است که حاوی مکان تمامی پمپ‌بنزین‌های ایالات متحده و همچنین اطلاعات تغذیه‌ای مربوط به تمام اقلام فروخته شده توسط سوپرمارکت‌های زنجیره‌ای است. منابع جدید داده‌های مفید با سرعت بسیار بالایی تولید می‌شوند. مثلاً این موضوع را در نظر بگیرید که بسیاری از سالن‌های بازی بسکتبال NBA دارای دوربین‌هایی هستند که در هر ثانیه از بازی مکان هریک از بازیگران و توپ را دنبال و ثبت می‌نمایند.

علاوه بر داده‌های مضاعفی که برای استفاده در دسترس هستند، کامپیوترها و برنامه‌های کامپیوتری هر لحظه سریع‌تر شده و به‌کارگیری مجموعه‌ای از کلان‌داده‌ها را راحت‌تر نموده‌اند. مثلاً ابزار Power Pivot (فصل 47: Power Pivot را ببینید) کار را برای ایجاد گزارش‌های هوشمند تجاری بر اساس صدها میلیون ردیف از داده‌ها بسیار آسان کرده است. برنامه‌های موازی دیگری شبیه اکسل به نام‌های SAS و HADOOP وظیفه پردازش و تحلیل مجموعه‌های عظیمی از داده‌ها را نسبتاً آسان‌تر نموده‌اند.

تحلیل برای یک سازمان چه اندازه بااهمیت است؟

اهمیت تحلیل در یک سازمان بستگی به منافعی دارد که از رویکرد تحلیلی در برابر هزینه‌های اجرایی کسب شده است. مثلاً اینکه آیا منافع کسب شده از ارزشیابی معلمان از طریق روش‌های تحلیلی بیشتر از هزینه بررسی داده‌ها است یا نه؟

بررسی نحوه استفاده از تحلیل‌ها در ورزش حرفه‌ای اهمیت تحلیل را برای ما بسیار روشن و واضح‌تر می‌نماید. در بیسبال (فیلم MoneyBall را به‌خاطر آورید) داده‌های قابل خوانشی است که می‌تواند برای ارزشیابی بازیکنان بیسبال مورداستفاده قرار بگیرد.

تحولات در روش‌ تحلیل

ازآنجاکه این داده‌ها نسبتاً به‌سادگی قابل‌تحلیل هستند، تقریباً هر تیم بزرگی دارای یک بخش تحلیل و ارزشیابی شده است. درگذشته تیم‌های بسیار اندکی از NBA دارای بخش تحلیل و ارزشیابی بودند. در کنفرانس تحلیل ورزشی اسلون در سال 2013 تنها یک تیم معرفی نشده بود (که تیم لیکرز بود و ما می‌دانیم نحوه بازی آنها چگونه بود). از سوی دیگر در میان تیم‌های NFL (لیگ ملی فوتبال) تیم‌های اندکی دارای بخش تحلیل و ارزشیابی هستند. به نظر من این بدان دلیل است که بسیاری از مشکلات مهم در تحلیل فوتبال را نمی‌توان به‌آسانی حل کرد. مثلاً در بیسبال و بسکتبال تخمین ارزش منصفانه یک بازیکن کار بسیار سختی نیست. اما این مورد در فوتبال بسیار مشکل‌تر است. وقتی که آمار بسیار کمی در مورد ارزشیابی بازیکنان خط جلو در دسترس است، چگونه می‌توان ارزش یک مدافع را تخمین زد؟

برای انجام تحلیل از چه چیزهایی می‌بایست اطلاع پیدا کرد؟

بسیاری از دانشگاه‌ها برنامه‌های دوره کاردانی، لیسانس و آنلاین برای ارائه مدرک تحلیل گری حرفه‌ای ارائه می‌دهند. در سال 2013 مؤسسه تحقیقات عملیات و مدیریت علوم (INFORMS) آزمونی مشابه آزمون CPA (گواهی حسابداری عمومی) برای ارائه مدرک به افراد به‌عنوان تحلیل گران حرفه‌ای دارای گواهینامه معرفی نمود. تحلیل گران حرفه‌ای حداقل می‌بایست دانش لازم در زمینه‌های زیر را داشته باشند:

  • چگونه داده‌ها را به هر شکلی که هستند بامهارت دست‌کاری کنند. این عمل شامل دست‌کاری داده‌های غیرکمی مثل توییت‌های توییتر نیز می‌باشد.
  • چگونه مجموعه‌داده‌های جداگانه را چنان باهم یکی کنند که بتوانند در مطالعات تحلیلی مورداستفاده قرار گیرند. مثلاً یک رستوران فست‌فود ممکن است بخواهد میزان جایگزینی کارگران خود را کاهش دهد. این امر نیازمند جمع‌آوری تمام اطلاعات کسب شده در زمان استخدام کارگر (مثل تحصیلات، سن، نمره‌های امتحانی و ازاین‌قبیل) به همراه سابقه کاری کارگر می‌باشد. آنگاه می‌توان مدلی را توسعه داد که جایگزینی کارگر را بر اساس آنچه از زمان استخدام وی می‌دانیم پیش‌بینی نماید. متأسفانه معمولاً داده‌های استخدامی و عملکردی کارمندان در بسیاری از شرکت‌ها در بانک‌های داده جداگانه‌ای ذخیره شده‌اند که با یکدیگر هیچ تعاملی ندارند.
  • توانایی برنامه‌نویسی به زبان‌هایی چون جاوا یا پایتون.
  • توانایی تحلیل و دست‌کاری داده‌ها در نرم‌افزار اکسل.
  • توانایی تحلیل مجموعه‌ای از کلان‌داده‌ها با استفاده از بسته‌های آماری چون R، SPSS و یا SAS.
  • دانش آماری که شامل تمامی اشکال تحلیل پیش‌بینانه و الگوریتم‌های طبقه‌بندی می‌شود. مثلاً اینکه چگونه شخصی را به‌عنوان مورد احتمالی حمله قلبی طبقه‌بندی کنیم.
  • دارابودن دانش اینکه چگونه می‌توان از شبیه‌سازی برای ایجاد مدل وضعیت‌های نامطمئن مثل سابقه برنامه 401K (برنامه مزایای بازنشستگی در ایالات متحده) یا صف انتظار اورژانس بیمارستان استفاده کرد.
  • چگونگی استفاده از بهینه‌سازی برای یافتن بهترین روش جهت انجام کارها. مثلاً اینکه کدام نوع تخصیص فضا به محصولات مختلف سود یک فروشگاه زنجیره‌ای را بالا می‌برد.

 

هنگام اجرای یک تحلیل، چه مشکلاتی ممکن است رخ دهد؟

در طی اجرای یک تحلیل ممکن است مشکلات زیادی رخ دهند، برخی از این مشکلات در زیر آورده شده‌اند:

  • اغلب مشکل است که برای ارزشیابی موفقیت (در بیسبال) بر سیستم ارزشیابی مناسبی توافق کرد. مثلاً تا وقتی بیل جیمز، متخصص تحلیل آماری نتایج بیسبال (Sabmetrics Guru) به جلو نیامده بود، همه فکر می‌کردند میدان‌داری در بیسبال می‌بایست بر اساس درصد دفاع (Fielding Percentage) که کسری از تعداد توپ‌های خورده شده در نزدیکی مدافع که در واقع با موفقیت گرفته شده و پاس داده شده است محاسبه شود. واضح است که چنین معیاری این واقعیت را در نظر نمی‌گیرد که یک مدافع کند اجازه می‌دهد بسیاری از توپ‌ها به خارج از محیط میدان رفته و به تیم مقابل امتیاز برساند بیل جیمز ضریب برد (Range Factor) را ایجاد کرد که بسیار بهتر از ارزشیابی اجرای دفاع در میدان عمل می‌کرد. ضریب برد برای یک مدافع عبارت بود از تعداد اخراج‌های آن مدافع به‌علاوه امتیازهایی که در هر ست بازی به دست می‌آورد تقسیم بر میانگین تعداد اخراج‌ها به‌علاوه امتیازهایی که تمامی مدافعین در هر ست به دست می‌آوردند. ضریب برد که بیشتر از 1 می‌شد نشان می‌داد که بازیکن توپ‌های بیشتر از آنچه مدافع متوسط ازدست‌داده دریافت کرده است. آزی اسمیت به‌طورکلی یکی از بهترین مدافعین میدان تمام دوران محسوب می‌شد. درصد میدان‌داری حرفه ورزشی وی یعنی رقم 966. چندان عالی نبود، اما در طول بهترین سال‌های ورزشی او ضریب برد وی از این هم فوق‌العاده‌تر به نظر می‌رسید. از تمامی این حرف‌ها نتیجه می‌گیریم که هیچگاه در به زیر سؤال بردن معیارهایی که فکر می‌کنید با عملکرد سازمان مرتبط نیستند تأمل نکنید.
  • همان‌طور که پیش‌ازاین اشاره شد، منابع داده موردنیاز برای پروژه تحلیل اغلب با یکدیگر تعامل ندارند. مثلاً شرکت نرم‌افزاری را در نظر بگیرید که می‌خواهد درآمدهای آینده‌اش را پیش‌بینی کند. این شرکت می‌داند که درآمدهای آینده به نسخه‌های آینده نرم‌افزاری که به مشتریان بالقوه ارسال می‌کند و همچنین تماس‌های فروش شخصی به آنها بستگی دارد. متأسفانه داده‌های فروش و داده‌های مشتریان در بانک‌های داده متفاوتی ذخیره شده‌اند که با محتویات یکدیگر ارتباط برقرار نمی‌کردند، بنابراین این پروژه از تأخیر بسیار بالا و غیرضروری ای لطمه خورد.
  • در مطالعه تحلیل پیش‌بینانه، تحلیل گران اغلب نمی‌دانند چه داده‌هایی باعث ایجاد تصمیم‌گیری‌های بهتر می‌شود. توصیه این است که کار را به‌صورت معکوس انجام دهید؛ پس از مشخص‌کردن آنچه می‌خواهید پیش‌بینی کنید، به متغیرهایی که ممکن است به شما در پیش‌بینی متغیر موردعلاقه کمک کنند فکر کنید. در اینجا مثال‌هایی در مورد موقعیت‌هایی که می‌بایست برای تکمیل یک پروژه تحلیل به مجموعه جدیدی از داده‌ها نیازمند هستیم را ارائه کرده‌ایم.
  • تحلیل‌گر شخصیت ورزشی جف ساگرین و من قصد داشتیم روشی برای ارزشیابی توانایی‌های دفاعی بازیکنان NBA تعیین کنیم. ازآنجاکه لیست امتیازهای NBA تنها تعداد بسیار کمی از آمارهای دفاعی (ربودن توپ و دفاع در برابر حملات) می‌باشد، مجموعه‌ای جدید از داده‌ها موردنیاز بود. استدلال ما این بود که بازیکن دفاعی خوب به هنگام حضور در بازی باعث ازدست‌دادن امتیازهای کمی می‌شود و عدم حضور وی باعث می‌شود که تیم امتیازهای بیشتری از دست بدهد. ما مجموعه‌ای از داده‌ها ایجاد کردیم که فهرستی از تمام دقایقی بازی، بازیکنان موجود در میدان و تعداد امتیازهای ازدست‌رفته می‌شد. ما با استفاده از این داده‌ها می‌توانستیم میزان مشارکت دفاعی مدافعین بزرگی مثل کاوی لئونارد، کوین گارنت و رودی گوبرت را مشخص کنیم.
  • شرکت UnitedHealthcare قصد داشت هزینه‌های مراقبت‌های بهداشتی که کارمندانش متحمل می‌شوند را کاهش دهد. این شرکت تشخیص داده بود که نیاز به آن دارد بداند آیا کارمندانش تحت درمان شرایط بیماری‌هایی هستند که ممکن است در آینده باعث هزینه‌های مراقبتی بهداشتی بالا شود. به‌عنوان‌مثال دیابت باعث هزینه‌های بالای مراقبت‌های بهداشتی در آینده (و مشکلاتی بسیار وحشتناک) می‌شود. شرکت UnitedHealthcare به کارمندانش 450 دلار بابت معاینه‌های مخصوص دیابت و سایر بیماری‌ها می‌پردازد. شگفت‌انگیز است که مشخص شد 30 درصد از کارمندان دارای دیابت یا شرایط نزدیک به دیابت و از این موضوع بی‌خبر بودند. درمان آن بیماران شرکت UnitedHealthcare را قادر ساخت تا هزینه‌های درمانی را ثابت نگه داشته و کیفیت زندگی کارمندان خود را در آینده بهبود بخشد.

 

چه روندهایی بر تحولات آینده در تجزیه‌وتحلیل اثرگذار خواهند بود؟

رایانه‌های سریع‌تر و الگوریتم‌های بهتر برای تحلیل داده‌ها و اجرای روندهای بهینه‌سازی به شکل مجازی به ما اطمینان می‌بخشند که تحلیل‌ها در آینده از اهمیت زیادی برخوردار خواهد بود. توسعه روند بصری کار را برای تحلیل گران تازه‌کار جهت شناسایی الگوهای داده‌های پیچیده آسان‌تر کرده است. در فصل 54 بنام ترفندهای ترسیم نمودار، بسیاری از ترفندهای هیجان‌انگیز ترسیم نمودار را که به شما برای ایجاد نمودارهایی که منجر به درک بهتر داده‌ها می‌شوند را یاد خواهید گرفت.

مهم‌ترین روند در تحلیل در آینده احتمالاً آن است که بسیاری از نرم‌افزارهای تحلیل همه‌جا و در هرزمان بر روی تلفن‌های همراه در دسترس خواهند بود. مثلاً در سال 2011 شهر سان رمون در کالیفرنیا نرم‌افزار گوشی هوشمندی را برای نام‌نویسی افراد جهت یادگیری تنفس مصنوعی توسعه داد تا در صورت نیاز افراد نزدیک به آنها تنفس مصنوعی ارائه دهند. این برنامه به‌صورت اتوماتیک به هنگام ایجاد یک تماس اضطراری، درصورتی‌که آمبولانس نمی‌توانست به‌سرعت به فرد موردنظر رسیدگی کند، یک پیام به افراد ثبت‌نام‌شده در نرم‌افزار می‌فرستاد و موقعیت فرد صدمه‌دیده را برای او ارسال می‌کرد. این کار باعث می‌شد فرد صدمه‌دیده زودتر به خدماتی چون تنفس مصنوعی دسترسی پیدا کند.

روند دیگر در تحلیل افزایش پیش‌بینی‌هایی است که در زمانی واقعی به عمل می‌انجامند. مثلاً اگر پیش‌بینی‌ها مشخص کنند که نوشابه پپسی فروشگاه Target در ساعت یازده قبل از ظهر تمام می‌شود، نرم‌افزار تحلیل‌گر که موقعیت کامیون‌های شرکت پپسی را می‌داند پیامی برای کامیون فروش پپسی موجود در محدوده ارسال کرده و از او درخواست می‌کند که در ساعت 11 قبل از ظهر موجودی فروشگاه را تکمیل کند. در مثالی دیگر خرید سایت Weather.com توسط شرکت IBM، به مشتریان IBM اجازه می‌دهد تا بر اساس وضعیت آب‌وهوای محلی هدف تبلیغات خود را مشخص کنند. مثلاً در یک روز سرد مرطوب، کوپن‌های خرید سوپ ممکن است پاسخ بسیار زیادی دریافت نمایند.

 

اشتراک گذاری در شبکه های اجتماعی

مایکروسافت اکسل (Excel)

loader

لطفا شکبیا باشید...