بایگانی‌های Decision Making - محمد می نویسد

بررسی فیلم «مانی بال»

همونطور که توی پست قبلی از دنیای داده برای بررسی رفتار انسان‌ها از سرچ‌های گوگل‌شون متوجه شدیم که می‌شه با علم داده کارهای جالبی کرد، این بار می‌خوام یه داستان جالب رو بررسی کنیم که بر اساس واقعیت هست. این داستان از طریق فیلم مانی‌بال روایت می‌شه.

مانی‌بال (Moneyball) یه فیلم درام ورزشی آمریکایی محصول سال ۲۰۱۱ هست که بر اساس داستان واقعی زندگی بیلی بین، مدیرکل سابق تیم بیسبال اوکلند اتلتیکس، ساخته شده. این فیلم بر استراتژی نوآورانه «مانی‌بال» تمرکز داره که با استفاده از آمار و تحلیل داده‌ها، تیم‌هایی که بودجه کمی را نسبت به تیم‌های بزرگ دارند، رقابتی می‌کنه.

داستان فیلم (بدون اسپویلر)

داستان در سال ۲۰۰۲ اتفاق می‌افته. بیلی بین، مدیرکل تیم اوکلند اتلتیکس با بودجه محدود، با از دست دادن ستارگانش روبرو می‌شه. او با همکاری یک فارغ‌التحصیل اقتصاد (پیتر برند)، رویکرد سنتی رو کنار می‌ذاره و از تحلیل آماری پیشرفته (Sabermetrics) برای شناسایی بازیکنان ارزان‌قیمت اما کارآمد استفاده می‌کنه. این روش انقلابی، پایه «مانی‌بال» رو می‌ریزه و نشون می‌ده چجوری داده‌ها می‌تونن صنعت ورزش رو تغییر بدن.

مانی‌بال چیست؟ استراتژی‌ای که توسط بیلی جیمز ابداع شد و بر آمارهای پیشرفته (مانند OBP یا On-Base Percentage) تمرکز داره، نه آمار سنتی (مانند HR یا Home Runs). این رویکرد الهام‌بخش صنعت ورزش مدرن (بیسبال، فوتبال، بسکتبال) و حتی کسب‌وکارها شد.

اتفاق جالبی وجود داره. این اتفاق فصل مشترک هم کتاب «همه دروغ می‌گویند» هم این فیلم هست. وقتی ما از داده‌ها و کلمات یا اعداد روی یه اسکرین صحبت می‌کنیم، هیچ صحبتی از ذهنیت و ارتباط‌های انسان که ابزار نرم هست، نمی‌کنیم. در این موقعیت‌ها که ابزار تصمیم‌گیری وجود داره، باید از دید سنتی مدیران هم استفاده کرد تا به یک نتیجه قابل قبول برسیم. مثلا در یک تیم فوتبال باید ابزارهای نرم رهبری رو هم به کار گرفت که توی کتاب «رهبری با آرامش» به زودی بررسی می‌کنیم.

همه دروغ می‌گویند! حتی شما دوست عزیز.

یه موقعی سریال جذاب «دکتر هاوس» رو می‌دیدم. (شروع کردنش با خودته، تموم کردنش با خود خدا!) یه سری قسمت‌ها و کنش‌های شخصیت اصلی حول این موضوع بود که همه دروغ می‌گویند. دقیقا با عنوان این کتابی که می‌خواهم توی این پست بررسی کنم! اما رویکردها درعین متفاوت بودن قسمت‌هایی مشابه دارد. توی سریال، دکتر هاوس می‌گه که: «باید به رفتار، نشانه‌های غیرکلامی و داده‌های فیزیولوژیک نگاه کرد، نه حتما فقط به گفته‌های بیمار گوش کرد.» این کتاب هم یکی از شاخص‌ترین کتاب‌های حوزه‌ی داده‌کاوی اجتماعی و تحلیل رفتار انسان در عصر دیجیتال محسوب می‌شه و بررسی می‌کنه که چجوری با استفاده از داده‌هایی که مردم گوگل می‌کردن و منابع آنلاین موجود از آن‌ها واقعیت‌های پنهان رفتارهای انسانی رو برملا کرد.

بیاین اول با نویسنده قدر این کتاب آشنا بشیم. به نام «ست استیونز-دیویدوویتز» اقتصاددان داده‌محور، فارغ‌التحصیل هاروارد، و تحلیل‌گر سابق داده در Google هست.

سبک این کتاب آمیزه‌ای از پژوهش داده‌محور و تفسیر اجتماعی، با رویکرد آماری و طنز تلخ محسوب می‌شود.

* ایده‌ی مرکزی:

مردم در نظرسنجی‌ها یا تعاملات اجتماعی دروغ می‌گویند یا نقش بازی می‌کنند، اما در جستجوهای اینترنتی‌شان نه.

مثال‌های نویسنده:

پیش‌داوری‌های نژادی، جنسی و فرهنگی از تحلیل داده‌های Google Trends آشکار می‌شود.
جستجوها تصویر واقعی‌تری از ترس‌ها، آرزوها و نفرت‌های پنهان انسان به دست می‌دهند.
داده‌ها می‌تونند جایگزینی برای روش‌های قدیمی جامعه‌شناسی و روان‌شناسی باشند.

* رویکرد تحلیلی:

ترکیب مدل‌های آماری با Big Data Analysis.
تکیه بر Google Trends, PornHub, Wikipedia, Facebook به‌عنوان نمونه‌های داده‌محور.
بررسی مسائلی مثل نژادپرستی، سیاست، آموزش، سکسوالیته، و اقتصاد رفتاری از طریق داده واقعی.

(=== به طور کلی می‌شه گفت این چیزهایی گفتم بنیان کتاب رو می‌سازن و حول این عنوان‌ها، کتاب مثال‌های خیلی زیادی در مورد هر کدام از قسمت‌ها رو به صورت ریز گفته ===)

ارزش کاربردی در مهندسی صنایع رو هم می‌تونیم به این شکل تفسیر کنیم که:

از منظر مهندسی صنایع (تحلیل سیستم‌های انسانی و تصمیم‌سازی)، این کتاب سه آموزه داره:

تبدیل داده‌های غیرساخت‌یافته به دانش رفتاری:

روشی عملی برای استخراج insight از داده‌های متنی (text mining + sentiment analysis).
تکیه بر دادهٔ رفتاری به جای دادهٔ ادعایی:

درست همان تفکر تحلیل بهره‌وری واقعی در کارخانه نه از گزارش، بلکه از دادهٔ حسگر.
پیوند سیاست‌گذاری و تحلیل کمی:

نشان می‌دهد چگونه می‌توان تصمیمات اجتماعی و اقتصادی را با داده پشتیبانی کرد. (الگویی برای Data-driven Decision Making در هر سیستم پیچیده.)

در قسمت بعد می‌خوام در مورد فیلم «مانی‌بال» صحبت کنم. یه چیزی که توی فکرمه که توی پست بعدی بیارم اینه که فقط استفاده از داده به تنهایی کافی نیست!!

حتی سوار شدن به هواپیما هم نیاز به بهینه سازی داره!

یکی از حوزه‌های مورد علاقه من صنعت هوانوردی هست که با توجه به مدل‌های ریاضی می‌شه بهینه‌سازی‌های جالبی توی این زمینه انجام داد. مثلا کم کردن مصرف سوخت، زمان معطلی یا اینکه با توجه به سایز هواپیما چه تعداد صندلی رو به کلاس‌های مختلف اختصاص بدیم که سود ما بیشینه بشه!

به یه مقاله قدیمی از نیویورک تایمز برخورد کردم که نوع سوار شدن و پیاده شدن مسافرها رو بررسی می‌کنه تا زمان معطلی رو به حداقل برسونه که شاید اون هواپیمایی، پروازهای بیشتری رو توی یه روز بتونه انجام بده! خیلی برام جالب بود و گفتم اگر به فارسی هم منتشر بشه خالی از لطف نیست!

شرکت‌های هواپیمایی دهه‌ها هست که مسافران رو سوار هواپیما می‌کنن، مدت زمانی که به نظر می‌رسه باید کافی باشه تا بهترین روش برای سوار و پیاده کردن مسافران را پیدا کرده باشند. اما هنوز هم اینطور نیست.

تحت فشارهای مالی و پروازهای پرتراکم (معمولاً ۸۰ تا ۹۰ درصد ظرفیت پره)، خطوط هوایی روش‌های متنوعی برای سوار کردن مسافران ابداع کرده‌‌ن؛ از روش سادهٔ «از عقب به جلو» تا یکی از پیچیده‌ترین استراتژی‌ها به اسم «سیستم هرم معکوس» که US Airways آن را اجرا کرده.

کاهش زمان توقف روی زمین، به‌ویژه در پروازهای کوتاه با هواپیماهای تک راهرو، به این معنیه که هواپیماها سریعتر به آسمان برمی‌گردن و درآمدزایی می‌کنن. حتی چند دقیقه اضافه روی زمین می‌تونه برنامهٔ روزانه رو به هم بریزه.

دیوید سویِرِنگا، اقتصاددان و رئیس مشاورهٔ هوایی AeroEcon، می‌گه: «مزیت turnaround سریع، کاهش هزینه‌ها نیست، بلکه ایجاد درآمد است. اگر در هر توقف، مثلاً در هفت پرواز، زمان ذخیره کنید، ممکن است بتوانید یک پرواز هشتم را برنامه‌ریزی کنید.»

ریچارد ابوالعافیه، تحلیلگر گروه Teal، می‌گه: «صرفه‌جویی زمانی در پروازهای بین‌قاره‌ای تفاوت چندانی ایجاد نمی‌کند، اما در پروازهای کوتاه مثل بالتیمور به ایسلایپ در لانگ آیلند، این موضوع اهمیت دارد.»

روش‌های مختلف سوار کردن مسافران:

عقب به جلو (Back-to-Front): این روش ساده و رایج است و هنوز توسط بسیاری از خطوط هوایی مانند ایر کانادا، آلاسکا، امریکن، بریتیش ایرویز، کانتیننتال، فرانتیر، میدوست، اسپیریت و ویرجین آتلانتیک استفاده می‌شه. (تقریباً همهٔ خطوط هوایی به مسافران کلاس اول یا بیزینس و افراد با نیازهای ویژه اجازه می‌دن اول سوار بشن.)
روش «ویلما» (Wilma – پنجره، وسط، راهرو): این روش که توسط دلتا و یونایتد استفاده می‌شه، اول صندلی‌های کنار پنجره، سپس وسط و در آخر راهرو رو پر می‌کنن.
روش بدون سیستم (Open Seating): ساوتوِست ایرلاینز پیشگام این روشه که در اون مسافران به ترتیب ورود سوار می‌شن و صندلی اختصاصی ندارن.
سیستم هرم معکوس US Airways: یواس ایرویز یکی از پیچیده ترین روش ها ر, داره که اساساً همان ویلما هست، اما با ترتیبی دقیق مثل مدارهای یک میکروچیپ: اول صندلی‌های پنجره و وسط عقب، سپس پنجره و وسط جلو، بعد راهروی عقب و در نهایت راهروی جلو. این شرکت آن را سیستم هرم معکوس می‌نامه، اما بهتره به عنوان یک توالی V-شکل بر اساس مناطق توصیف بشه.

این روش از آمریکا وِست (شرکت ادغام‌شده با یواس ایرویز) به ارث رسیده که در سال ۲۰۰۲ با کمک تیم مهندسی صنعتی دانشگاه ایالتی آریزونا طراحی شد. محقق‌ها با استفاده از عکس‌های فرودگاه لس‌آنجلس، مدلهای ریاضی و شبیه‌سازی‌هایی با «پیکسل به جای انسان» ایجاد کردن.

یواس ایرویز اکنون این روش را در نیمی از هواپیماهای ایرباس A320 و بوئینگ ۷۵۷ خود اجرا کرده و قصد دارد تا سال بعد آن را کامل کند. هدف این سیستم، «کاهش تداخل در صندلیها و راهرو» است. تاکنون، این روش زمان توقف را ۲ تا ۵ دقیقه کاهش داده است.

روش‌های دیگر:

ایرتران (AirTran): این شرکت هواپیما را به ۶ بخش تقسیم می‌کنه و به صورت چرخشی مسافران رو سوار می‌کنه تا تداخل کمتری ایجاد بشه.
ساوتوِست (Southwest): این شرکت از سیستم صندلی باز استفاده می‌کنه که مسافران به ترتیب ورود سوار می‌شن و صندلی دلخواه خود رو انتخاب می‌کنن. این روش به ساوتوِست کمک کرده تا زمان توقف خود را به ۲۵ دقیقه برسونه (در مقایسه با ۳۵ دقیقه تا ۱ ساعت در سایر خطوط هوایی!).

چالش اصلی: رفتار غیرقابل پیش‌بینی مسافران

متغیر اصلی که برنامه‌ریزی دقیق صنعت هواپیمایی رو مختل می‌کنه، غیرقابل پیش‌بینی بودن رفتار مسافران هست. این صنعت آن را «تداخل» می‌نامه، مثل وقتی که مسافران مسن برای گذاشتن چمدان در بالای سر، روی دستهٔ صندلی می‌ایستن و زمان رو هدر می‌دن.

ریچارد ابوالعافیه می‌گه: «رفتار غیرمنتظرهٔ مسافران شما را به سمت نظریهٔ آشوب (Chaos Theory) می‌برد. وقتی رویدادهای تصادفی باعث یک سری اقدامات غیرقابل پیش بینی می شوند، بهترین برنامه ریزی ها هم بی فایده است.»

برخی کارشناسان معتقدند مردم توانایی ذاتی برای «خودسازماندهی» دارن و می‌تونن از سر راه هم کنار برن. اما عده‌ای می‌گن تغییر روش سوار کردن مسافران کمتر از محدود کردن بار همراه مؤثره.

پاتریشیا فرند، رئیس انجمن مهمانداران پرواز، می‌گه: «تنها راه ساده‌سازی و بهبود سوار شدن، محدود کردن حجم بار همراه است. تا زمانی که مردم با چمدان‌های زیاد فرآیند سوار شدن را کند کنند، این روند کند خواهد بود.»

آیا این روش‌ها واقعاً مؤثرن؟

برخی شکاکان معتقدند تمام این تحقیقات و آزمایشها برای صرفه‌جویی زمانی، خودش هدر دادن وقت است. رابرت دبلیو. مان، مشاور هوایی، میگوید: «خطوط هوایی به دنبال یک ایدهٔ جدید صرفه‌جویی زمانی هستند که بتوانند به آن ایمان آورند و آن را به کد کامپیوتری تبدیل کنند. اما اگر فقط بگویید “وقت رفتن است”، سوار کردن تصادفی همان نتیجهٔ سیستماتیک را خواهد داشت.»

نتیجه‌گیری:

هیچ روشی بی‌نقص نیست، اما خطوط هوایی همچنان در تلاشن تا با آزمایش روش‌های مختلف (مانند سوار کردن از دو در، سیستم‌های ترکیبی، یا محدودیت بار همراه)، زمان توقف رو به حداقل برسونن. در نهایت، شاید ساده‌ترین روش یعنی سیستم صندلی باز همان چیزی باشه که بیشترین کارایی رو داره.

استراتژی در زمان عدم قطعیت

اخیرا به این علاقه‌مند شدم یکم در مورد رشته‌ام مطالعه بیشتری داشته باشم و صرفا درس‌هایی که خوندم یا قراره بخونم نباشه. (بعضی درس‌هایی که پاس کردم الان در موردشون مطلب می‌خونم می‌بینم چه دنیایی داشته و ما بی‌خبر بودیم!) در واقع داشتم توی یوتوب می‌دیدم «بهینه سازی احتمالی دو مرحله‌ای چیست» (خیلی ویدیوی جالبی بود، اول اومد مقاله رو بررسی کرد، بعد برای مقدمه مطلبی که می‌خواست بگه یه قسمتی از Avengers رو پخش کرد که دکتر استرنج می‌گه ۱۴ میلیون راه وجود داره که جنگ چجوری پیش بره و فقط یکی از اونا طوری هست که ما ببریم، قسمت بعد ساز و کار دو مرحله‌ای و در عین حال احتمالی بودن یه برنامه‌ریزی رو می‌گه و در آخر انگار یه مسئله احتمالی رو در دو حالت با یه بازی بررسی می‌کنه) که یه مقاله رو از هاروارد بیزنس ریویو بررسی می‌کنه و گفتم برای بار اول بعد از چند ماه بد نباشه یه پست تخصصی به حساب خودم از این مطلب بنویسم!

برای شروع باید گفت یه سری شرکت هستن برای اینکه یه محصولی رو توسعه بدن و یه انقلاب توی اون صنعت ایجاد کنن، دست به مخارج پر هزینه‌ای می‌زنن تا اگر شاید کارشون گرفت، سود زیادی بکنن. اما همه شرکت‌ها این مبالغ رو به خاطر ریسکی که داره پرداخت نمی‌کنن. به جای اون می‌آن یه سری سرمایه‌گذاری خرد یا با بقیه شرکت‌ها همکاری می‌کنن! توی این شرایط عدم قطعیت، مدیران ممکنه تصمیم‌های سنتی بگیرند، یعنی مثلا بگن این شرایطی که داریم کاملا قابل پیش‌بینی هست، پس همون استراتژی معمول اون شرایط رو در نظر می‌گیرن یا غیرقطعی هست پس کاری نمی‌شه کرد و کی از آینده خبر داره! پس دست به ابزارهای تحلیلی نمی‌زنن. حالا برای شرایطی که رخ می‌ده، این مقاله می‌آد یه چارچوب برای تعیین میزان عدم قطعیت ارائه می‌ده.

(من اینجا خیلی خلاصه مطلب انگلیسی رو گفتم، توی مقاله اصلی مثال‌های عینی زیادی زده شده تا مفهوم‌تر بشه.)

چهار مرحله عدم قطعیت:

سازمان‌ها حتی در ناشناخته‌ترین وضعیت خودشون، اطلاعاتی دارن که می‌تونن از اونا استفاده و شرایط رو تحلیل کنن. عدم قطعیتی که بعد از انجام بهترین تحلیل ممکن، باقی می‌مونه، چیزی است که آن را «عدم قطعیت باقی‌مانده» می‌گیم. اما اغلب، حتی درباره این عدم قطعیت‌های باقی‌مانده هم می‌توان اطلاعات قابل توجهی به دست بیاریم. در عمل، عدم قطعیت باقی‌مانده‌ای که اکثر تصمیم‌گیرندگان استراتژیک با آن مواجه هستند؛ به یکی از چهار سطح کلی تقسیم می‌شود:

سطح ۱: آینده شفاف

توی این مرحله، مدیرها یه پیش‌بینی ساده برای آینده انجام می‌دن که برای کارشون کافیه. درسته که هیچ شرایطی قطعی کامل نیست ولی این استراتژی یه مسیر رو در نظر می‌گیره و به سمت اون پیش می‌ره.

برای مثال بیاید ایرلاین الف رو در نظر بگیرید. این ایرلاین با یه ایرلاین دیگه به اسم ب که مزیت کم‌هزینه بودن رو داره وارد رقابت می‌شه. آیا باید سرویس کم‌هزینه‌ای رو خودش بده؟ بخش‌های کم‌هزینه رو به ایرلاین ب واگذار کنه یا وارد رقابت سنگین با ب بشه؟

استراتژی پیشنهادی: در کسب‌وکارهای قابل‌ پیش‌بینی، اکثر شرکت‌ها خودشون رو با شرایط وفق می‌دن و با توجه به تحلیل‌هایی که انجام دادن دورنمایی رو می‌بینن و یک استراتژی تعریف می‌کنن که چطوری و کجا رقابت کنن.

سطح ۲: چندین سناریوی مجزای ممکن

در این سطح، آینده می‌تونه به چندین سناریوی مشخص تقسیم بشه ولی دقیق مشخص نیست کدوم یکی رخ می‌ده. برای مثال یه شرکتی می‌دونه که یه فناوری جدید ممکنه بازار رو تغییر بده ولی نمی‌دونه کدوم فناوری غالب می‌شه.

استراتژی پیشنهادی: استراتژی‌هایی اینجا لازمه که در برابر چندین سناریو مقاوم و انعطاف پذیر باشن.

سطح ۳: محدوده‌ای از نتایج ممکن

اینجا، آینده به صورت یک محدوده از نتایج ممکن تعریف می‌شه و پیش‌بینی دقیق غیرممکنه. مثلا شرکتی که وارد یه بازار می‌شه و نمی‌دونه سهم بازارش چقدر خواهد بود.

استراتژی پیشنهادی: باید روی انعطاف پذیری تمرکز کرد و بتونه خیلی سریع با شرایط متغیر انطباق بده. مثل اینکه تخم‌مرغ‌هاش رو توی یه سبد نذاره و روی استراتژی‌های مختلف سرمایه‌گذاری کنه.

سطح ۴: عدم قطعیت کامل

معلومه دیگه، هیچ چیز از آینده نمی‌دونیم و هیچ سناریوی مشخصی قابل تعریف نیست! مثل شرکتی که می‌خواهد وارد بازار فناوری‌های جدید بشه و قواعد بازی رو عوض کنه.

استراتژی پیشنهادی: باید در تحقیق و توسعه سرمایه‌گذاری انجام بشه و شراکت‌های استراتژیک انجام بده و انعطاف‌پذیری رو هم خیلی بهتر نسبت به سطوح قبلی حفظ کنه.