سیستم سازی داده محور؛ گذار از تصمیم گیری مبتنی بر تجربه به تصمیم گیری مبتنی بر شواهد در سازمان های پیشرو (قسمت اول )

چکیده

در محیط کسب وکار امروز، سازمان ها با سطحی از پیچیدگی، عدم قطعیت و سرعت تغییر مواجه هستند که تصمیم گیری مبتنی بر تجربه فردی دیگر نمی تواند به تنهایی پاسخگوی نیازهای مدیریتی باشد. اگرچه تجربه حرفه ای مدیران همچنان یکی از منابع ارزشمند دانش سازمانی محسوب می شود، اما اتکای بیش از حد به قضاوت های شخصی، سازمان ها را با چالش هایی مانند وابستگی به افراد کلیدی، کاهش قابلیت یادگیری، تکرار خطاهای تصمیم گیری و دشواری انتقال دانش مواجه می کند.

در چنین شرایطی، مفهوم سیستم سازی داده محور (Data-Driven Systemization) به عنوان رویکردی نوین در توسعه قابلیت های سازمانی مطرح می شود؛ رویکردی که تلاش می کند میان داده های سازمانی، دانش علمی، تجربه حرفه ای و فرآیندهای مدیریتی ارتباطی نظام مند ایجاد کند. هدف این مقاله، تبیین نقش سیستم سازی داده محور در گذار سازمان ها از تصمیم گیری مبتنی بر تجربه به تصمیم گیری مبتنی بر شواهد است.

این مقاله با رویکرد مفهومی و از طریق مرور ادبیات حوزه های مدیریت مبتنی بر شواهد، سازمان یادگیرنده، مدیریت داده و تحول دیجیتال، نشان می دهد که داده به تنهایی عامل ایجاد مزیت رقابتی نیست؛ بلکه توانایی سازمان در تبدیل داده خام به شواهد معتبر، شواهد به تصمیم و تصمیم به یادگیری سازمانی، عامل تعیین کننده بلوغ مدیریتی محسوب می شود.

یافته های این مطالعه مفهومی نشان می دهد که موفقیت سازمان های داده محور بیش از آنکه به فناوری وابسته باشد، به ایجاد فرهنگ تصمیم گیری مبتنی بر شواهد، توسعه قابلیت های تحلیلی مدیران، استقرار حاکمیت داده و طراحی چرخه های یادگیری سازمانی وابسته است. بر این اساس، سیستم سازی داده محور را می توان مرحله ای تکامل یافته از سیستم های مدیریتی دانست که سازمان را از کنترل فرآیندها به سمت طراحی و بهبود مستمر نظام تصمیم گیری هدایت می کند.

۱. مقدمه

سازمان ها در طول دهه های گذشته همواره تلاش کرده اند با ایجاد سیستم های مدیریتی، استانداردسازی فرآیندها و توسعه روش های کنترل عملکرد، میزان اثربخشی و پایداری فعالیت های خود را افزایش دهند. استقرار نظام های مدیریت کیفیت، سیستم های برنامه ریزی منابع سازمانی، روش های ارزیابی عملکرد و مدل های بهبود مستمر، همگی با یک هدف مشترک توسعه یافته اند: کاهش وابستگی سازمان به تصمیم های اتفاقی و ایجاد قابلیت تکرارپذیری در عملکرد.

با این حال، تجربه عملی بسیاری از سازمان ها نشان می دهد که وجود سیستم های رسمی الزاما به معنای وجود یک سازمان سیستماتیک نیست. بسیاری از سازمان ها دارای فرآیندهای مستند، دستورالعمل های مشخص و حجم قابل توجهی از اطلاعات هستند، اما همچنان در تصمیم های مهم مدیریتی به تجربه افراد، شهود مدیران ارشد و دانش ضمنی کارکنان کلیدی وابسته اند.

این مسئله یک شکاف اساسی را آشکار می کند:

سازمان ها در بسیاری از موارد فرآیندهای خود را سیستم سازی کرده اند، اما هنوز منطق تصمیم گیری خود را سیستم سازی نکرده اند.

در گذشته، تجربه مدیریتی یکی از مهم ترین منابع تصمیم گیری محسوب می شد. مدیرانی که سال ها در یک صنعت فعالیت کرده بودند، توانایی تشخیص الگوها، پیش بینی مشکلات و اتخاذ تصمیم های سریع را داشتند. این دانش تجربی، بخش ارزشمندی از سرمایه انسانی سازمان بود.

اما محیط سازمانی امروز با گذشته تفاوت بنیادین دارد. تغییرات سریع فناوری، جهانی شدن بازارها، پیچیدگی زنجیره های تامین، تغییر رفتار مشتریان و افزایش عدم قطعیت باعث شده است که بسیاری از الگوهای گذشته دیگر قابلیت تعمیم مستقیم به شرایط جدید را نداشته باشند.

به بیان دیگر، مسئله اصلی سازمان های امروز کمبود تجربه نیست؛ بلکه محدودیت تجربه در مواجهه با شرایطی است که نمونه مشابه آن در گذشته وجود نداشته است.

در چنین محیطی، سازمان ها نیازمند رویکردی هستند که بتواند تجربه انسانی را با داده های معتبر، دانش علمی و ابزارهای تحلیلی ترکیب کند. این ضرورت، زمینه شکل گیری مفاهیمی مانند مدیریت مبتنی بر شواهد، سازمان های داده محور و تصمیم گیری تحلیلی را فراهم کرده است.

مفهوم مدیریت مبتنی بر شواهد (Evidence-Based Management) بر این اصل استوار است که تصمیم های مدیریتی باید بر اساس بهترین شواهد موجود، همراه با قضاوت حرفه ای و شناخت شرایط سازمانی اتخاذ شوند (Rousseau, 2006). در این دیدگاه، تجربه مدیر حذف نمی شود، بلکه در کنار سایر منابع دانش قرار می گیرد تا احتمال خطای تصمیم کاهش یابد.

از سوی دیگر، توسعه فناوری های داده محور، سازمان ها را قادر ساخته است حجم عظیمی از اطلاعات عملیاتی، مالی، مشتریان و منابع انسانی را جمع آوری و تحلیل کنند. با این حال، تجربه نشان داده است که صرف در اختیار داشتن داده و فناوری، سازمان را به یک سازمان هوشمند تبدیل نمی کند. بسیاری از سازمان ها با وجود سرمایه گذاری در سامانه های اطلاعاتی و ابزارهای تحلیلی، همچنان با مشکلاتی مانند تصمیم گیری شهودی، کیفیت پایین داده، نبود فرهنگ تحلیل و فقدان یادگیری سازمانی مواجه هستند.

بنابراین، چالش اصلی عصر جدید مدیریت، دسترسی به داده نیست؛ بلکه ایجاد سیستمی است که بتواند داده را به تصمیم و تصمیم را به یادگیری سازمانی تبدیل کند.

در همین راستا، مفهوم سیستم سازی داده محور مطرح می شود. این مفهوم فراتر از دیجیتالی کردن فرآیندها یا ایجاد داشبوردهای مدیریتی است. سیستم سازی داده محور به دنبال طراحی یک معماری مدیریتی است که در آن:

• داده های سازمانی به صورت هدفمند تولید و مدیریت شوند؛
• تصمیم های مهم بر اساس شواهد قابل اتکا اتخاذ شوند؛
• تجربه افراد به دانش سازمانی تبدیل شود؛
• نتایج تصمیم ها اندازه گیری و تحلیل شوند؛
• و سازمان توانایی یادگیری مستمر پیدا کند.

بر این اساس، سوال اصلی این مقاله چنین مطرح می شود:

چگونه سازمان ها می توانند از مدل تصمیم گیری مبتنی بر تجربه فردی به سمت یک نظام تصمیم گیری مبتنی بر شواهد و داده حرکت کنند؟

برای پاسخ به این سوال، مقاله حاضر تلاش می کند ارتباط میان سه حوزه مهم مدیریت را تبیین کند:

1. سیستم سازی سازمانی به عنوان زیرساخت ایجاد نظم و قابلیت تکرار؛
2. مدیریت مبتنی بر شواهد به عنوان چارچوب تصمیم گیری علمی؛
3. قابلیت های داده محور به عنوان عامل توانمندساز یادگیری و بهبود مستمر.

هدف نهایی این مقاله، ارائه یک نگاه یکپارچه به سیستم سازی داده محور به عنوان یک قابلیت راهبردی است؛ قابلیتی که می تواند سازمان ها را از وابستگی به افراد و تصمیم های فردمحور، به سمت سازمان هایی یادگیرنده، منعطف و مبتنی بر شواهد هدایت کند.

منابع بخش مقدمه

• Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”? Academy of Management Review, 31(2), 256–269.
• Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
• Senge, P. M. (1990). The Fifth Discipline: The Art & Practice of the Learning Organization. Doubleday.
• McAfee, A., & Brynjolfsson, E. (2012). Big data: The management revolution. Harvard Business Review, 90(10), 60–68.

۲. تحول پارادایم تصمیم گیری در سازمان ها؛ از تجربه محوری تا شواهد محوری

 _{۲.۱. جایگاه تجربه در تاریخ مدیریت؛ سرمایه ای ارزشمند اما محدود}

تجربه مدیریتی همواره یکی از مهم ترین منابع تصمیم گیری در سازمان ها بوده است. در بسیاری از صنایع، مدیرانی که سال ها در یک حوزه تخصصی فعالیت کرده اند، توانایی بالایی در تشخیص مسائل، پیش بینی شرایط و انتخاب راهکارهای مناسب به دست آورده اند. این توانایی معمولا حاصل مواجهه مستمر با موقعیت های واقعی، مشاهده الگوهای تکرارشونده و یادگیری از موفقیت ها و شکست های گذشته است.

از دیدگاه مدیریت دانش، بخش مهمی از این تجربه در قالب دانش ضمنی (Tacit Knowledge) در ذهن افراد شکل می گیرد؛ دانشی که به سادگی قابل مستندسازی یا انتقال نیست و اغلب از طریق تعامل، مشاهده و تجربه عملی منتقل می شود(Nonaka & Takeuchi, 1995).

برای مثال، یک مدیر تولید باسابقه ممکن است تنها با مشاهده رفتار یک خط تولید، صدای غیرعادی یک تجهیز یا تغییر جزئی در عملکرد کارکنان، احتمال بروز یک مشکل را تشخیص دهد. این توانایی بخشی از سرمایه انسانی سازمان است و نمی توان آن را نادیده گرفت.

بنابراین، مسئله اصلی در تحول سازمانی، حذف تجربه نیست. سازمانی که تجربه مدیران و متخصصان خود را نادیده بگیرد، بخشی از مهم ترین منابع دانشی خود را از دست خواهد داد.

مسئله زمانی آغاز می شود که تجربه، از یک منبع تصمیم گیری به تنها مبنای تصمیم گیری تبدیل شود.

_{۲.۲. محدودیت های تصمیم گیری مبتنی بر تجربه}

اگرچه تجربه می تواند کیفیت تصمیم ها را افزایش دهد، اما در محیط های پیچیده امروز دارای محدودیت هایی است که باید مورد توجه قرار گیرد.

نخستین محدودیت، وابستگی تجربه به شرایط گذشته است. تجربه معمولا از تعامل فرد با موقعیت های قبلی شکل می گیرد؛ بنابراین زمانی بیشترین اعتبار را دارد که شرایط آینده شباهت زیادی به شرایط گذشته داشته باشد.

اما سازمان های امروزی در محیطی فعالیت می کنند که ویژگی اصلی آن تغییر سریع است. فناوری های جدید، تغییر مدل های کسب وکار، بحران های زنجیره تامین و تغییر انتظارات مشتریان باعث شده اند بسیاری از مسائل جدید، نمونه تاریخی دقیقی نداشته باشند.

در چنین شرایطی، استفاده صرف از تجربه گذشته ممکن است باعث شود سازمان به جای سازگاری با آینده، به الگوهای موفق گذشته وابسته بماند.

دومین محدودیت، تاثیر سوگیری های شناختی بر قضاوت مدیریتی است. پژوهش های حوزه اقتصاد رفتاری نشان داده اند که انسان ها حتی با وجود تجربه زیاد، در فرآیند تصمیم گیری تحت تاثیر خطاهای ذهنی قرار می گیرند (Kahneman, 2011).

برخی از مهم ترین این سوگیری ها عبارت اند از:

سوگیری تاییدی(Confirmation Bias)

افراد تمایل دارند اطلاعاتی را بیشتر مورد توجه قرار دهند که باورهای قبلی آن ها را تایید می کند. در محیط سازمانی، این مسئله می تواند باعث شود مدیران تنها داده هایی را ببینند که با برداشت اولیه آن ها سازگار است.

اعتماد بیش از حد(Overconfidence Bias)

مدیرانی که در گذشته تصمیم های موفقی داشته اند، ممکن است میزان اطمینان خود نسبت به قضاوت هایشان را بیش از حد واقعی ارزیابی کنند.

سوگیری دسترس پذیری(Availability Bias)

گاهی افراد بر اساس نمونه هایی که به راحتی در ذهنشان قابل یادآوری است تصمیم می گیرند، نه بر اساس داده های جامع و نماینده.

وجود این محدودیت ها نشان می دهد که تجربه انسانی، اگرچه ارزشمند است، اما برای تصمیم گیری در محیط های پیچیده نیازمند پشتیبانی نظام مند است.

_{۲.۳. ظهور تصمیم گیری مبتنی بر شواهد؛ تغییر منطق مدیریت}

در پاسخ به محدودیت های تصمیم گیری صرفا تجربی، مفهوم مدیریت مبتنی بر شواهد (Evidence-Based Management) در ادبیات مدیریت توسعه یافت.

مدیریت مبتنی بر شواهد، ریشه در پزشکی مبتنی بر شواهد دارد؛ حوزه ای که تلاش می کند تصمیم های درمانی را بر اساس بهترین شواهد علمی موجود، همراه با تخصص پزشک و شرایط بیمار اتخاذ کند.

انتقال این منطق به حوزه مدیریت، به معنای آن است که مدیران نیز باید تصمیم های خود را بر اساس ترکیبی از منابع معتبر اتخاذ کنند، نه صرفا بر اساس برداشت شخصی یا تجربیات محدود.

بر اساس دیدگاه Rousseau (2006)، مدیریت مبتنی بر شواهد بر چهار منبع اصلی تکیه دارد:

1. شواهد علمی پژوهش های معتبر
2. داده ها و اطلاعات سازمانی
3. تجربه و تخصص حرفه ای مدیران
4. ارزش ها و دیدگاه های ذی نفعان

این چارچوب نشان می دهد که تصمیم گیری علمی در سازمان، جایگزین تفکر انسانی نیست؛ بلکه تلاش می کند کیفیت تفکر انسانی را افزایش دهد.

به عبارت دیگر:

مدیریت مبتنی بر شواهد، تجربه را حذف نمی کند؛ بلکه تجربه را از حالت شهودی و فردمحور، به بخشی از یک فرآیند تحلیلی و قابل ارزیابی تبدیل می کند.

_{۲.۴. تفاوت بنیادین میان مدیر باتجربه و سازمان مبتنی بر شواهد}

یکی از مهم ترین تغییرات پارادایمی در مدیریت جدید، انتقال تمرکز از «فرد تصمیم گیرنده» به «سیستم تصمیم گیری» است.

در مدل سنتی، کیفیت تصمیم بیشتر به ویژگی های فردی مدیر وابسته است:

• میزان تجربه،
• قدرت تحلیل شخصی،
• شهود مدیریتی،
• شناخت محیط.

اما در مدل مبتنی بر شواهد، سازمان تلاش می کند کیفیت تصمیم را به یک قابلیت سازمانی تبدیل کند.

در این مدل، سوال اصلی دیگر این نیست:

چه کسی این تصمیم را گرفته است؟

بلکه پرسش اصلی این است:

این تصمیم بر اساس چه شواهدی اتخاذ شده است؟

این تغییر ظاهرا ساده، پیامدهای عمیقی دارد.

زیرا سازمان را از یک ساختار وابسته به افراد، به یک سیستم یادگیرنده تبدیل می کند.

در چنین سازمانی:

• تصمیم ها قابل بررسی هستند؛
• خطاها منبع یادگیری می شوند؛
• دانش افراد به سیستم منتقل می شود؛
• و کیفیت تصمیم ها در طول زمان افزایش می یابد.

_{۲.۵. ضرورت بازتعریف مفهوم سیستم سازی}

تحول از تجربه محوری به شواهد محوری، مفهوم سنتی سیستم سازی را نیز دچار تغییر کرده است.

در گذشته، هدف اصلی سیستم سازی این بود که فعالیت ها استاندارد شوند و سازمان بتواند عملکردی پایدار ایجاد کند.

اما در محیط امروز، استانداردسازی فرآیندها به تنهایی کافی نیست.

زیرا سازمان ها فقط مجموعه ای از فعالیت های تکرارشونده نیستند؛ بلکه مجموعه ای از تصمیم های پیوسته هستند.

هر تصمیم درباره:

• سرمایه گذاری،
• منابع انسانی،
• کیفیت،
• تولید،
• مشتری،
• ریسک،
• و نوآوری،

می تواند مسیر آینده سازمان را تغییر دهد.

بنابراین، سازمان های پیشرو علاوه بر سیستم سازی فرآیندها، به سمت سیستم سازی تصمیم ها حرکت می کنند.

این همان نقطه ای است که مفهوم سیستم سازی داده محور اهمیت پیدا می کند.

سیستم سازی داده محور تلاش می کند یک ارتباط ساختاریافته میان:

• داده های سازمانی،
• دانش مدیریتی،
• تجربه انسانی،
• تحلیل علمی،
• و تصمیم های سازمانی

ایجاد کند.

_{۲.۶. جمع بندی بخش دوم}

تحول از تجربه محوری به شواهد محوری به معنای کنار گذاشتن تجربه انسانی نیست؛ بلکه به معنای ارتقای جایگاه تجربه در یک سیستم تصمیم گیری جامع تر است.

تجربه، بدون داده و تحلیل، ممکن است به تکرار الگوهای گذشته منجر شود.

داده، بدون تجربه و شناخت زمینه، ممکن است به تحلیل های ناقص منتهی شود.

اما ترکیب این دو، همراه با دانش علمی و سازوکارهای یادگیری سازمانی، می تواند زمینه شکل گیری سازمان هایی را فراهم کند که نه تنها تصمیم های بهتری می گیرند، بلکه از تصمیم های خود نیز یاد می گیرند.

این تغییر پارادایم، پایه نظری حرکت به سمت سیستم سازی داده محور است؛ رویکردی که در بخش بعدی بررسی خواهد شد.

منابع بخش دوم

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.
• Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”? Academy of Management Review, 31(2), 256–269.
• Barends, E., Rousseau, D. M., & Briner, R. B. (2017). Evidence-Based Management: How to Use Evidence to Make Better Organizational Decisions. Kogan Page.

_{۳. مدیریت مبتنی بر شواهد؛ چارچوب نظری تصمیم گیری علمی در سازمان ها  ۳.۱. مفهوم و خاستگاه مدیریت مبتنی بر شواهد}

در دهه های اخیر، یکی از مهم ترین تغییرات در حوزه علوم مدیریت، حرکت از تصمیم گیری مبتنی بر برداشت و شهود فردی به سمت تصمیم گیری مبتنی بر شواهد و تحلیل نظام مند بوده است. این تغییر، نتیجه افزایش پیچیدگی محیط سازمانی و ضرورت کاهش خطاهای تصمیم گیری در شرایط عدم قطعیت است.

مفهوم مدیریت مبتنی بر شواهد (Evidence-Based Management) نخستین بار با الهام از پزشکی مبتنی بر شواهد وارد ادبیات مدیریت شد. در پزشکی، تصمیم های حرفه ای بر اساس ترکیبی از شواهد علمی، تجربه پزشک و شرایط فرد بیمار اتخاذ می شوند. در مدیریت نیز همین منطق مطرح شد: تصمیم های مدیریتی باید بر پایه بهترین اطلاعات موجود، تحلیل علمی، تجربه حرفه ای و شناخت زمینه سازمانی شکل گیرند (Rousseau, 2006).

برخلاف تصور رایج، مدیریت مبتنی بر شواهد به معنای جایگزینی کامل قضاوت انسانی با داده و الگوریتم نیست. تصمیم گیری سازمانی همواره با عناصر انسانی، فرهنگی، اقتصادی و رفتاری همراه است و نمی توان آن را صرفا به یک مسئله محاسباتی تقلیل داد.

هدف اصلی این رویکرد، افزایش کیفیت قضاوت مدیریتی از طریق استفاده آگاهانه تر از شواهد است.

به بیان دیگر، مدیریت مبتنی بر شواهد نمی پرسد:

آیا مدیر باید از تجربه استفاده کند یا از داده؟

بلکه می پرسد:

چگونه می توان تجربه، داده و دانش علمی را به شکلی یکپارچه برای تصمیم بهتر به کار گرفت؟

۳.۲. منابع چهارگانه شواهد در تصمیم گیری مدیریتی

یکی از ویژگی های مهم مدیریت مبتنی بر شواهد، نگاه چندمنبعی به دانش مدیریتی است. برخلاف رویکردهای ساده انگارانه که تنها داده های کمی را معتبر می دانند، این رویکرد معتقد است تصمیم اثربخش حاصل ترکیب چند نوع شواهد است.

۳.۲.۱. شواهد علمی و پژوهشی

اولین منبع شواهد، یافته های علمی حاصل از تحقیقات معتبر دانشگاهی است.

پژوهش های علمی می توانند به سازمان ها کمک کنند تا به جای تکیه بر باورهای رایج یا تجربیات محدود، از دانش انباشته شده در یک حوزه استفاده کنند.

برای مثال:

• آیا نظام پاداش مالی واقعا بهره وری کارکنان را افزایش می دهد؟
• چه نوع سبک رهبری بیشترین تاثیر را بر تعهد سازمانی دارد؟
• چه روش هایی در مدیریت کیفیت اثربخشی بیشتری نشان داده اند؟

پاسخ به این پرسش ها نیازمند استفاده از یافته های پژوهشی است، نه صرفا تجربه فردی.

_{۳.۲.۲. داده های سازمانی}

دومین منبع مهم شواهد، داده هایی است که در داخل سازمان تولید می شوند.

هر سازمان روزانه حجم زیادی از داده ایجاد می کند:

• داده های تولید،
• داده های کیفیت،
• اطلاعات مالی،
• رفتار مشتریان،
• عملکرد کارکنان،
• اطلاعات پروژه ها،
• داده های زنجیره تامین.

اما تفاوت میان سازمان های موفق و ناموفق در میزان داده نیست؛ بلکه در توانایی آن ها برای تبدیل داده به بینش مدیریتی است.

یک سازمان ممکن است هزاران گزارش تولید کند، اما همچنان تصمیم های ضعیفی بگیرد؛ زیرا میان داده و تصمیم ارتباط منطقی ایجاد نکرده است.

داده زمانی به شواهد تبدیل می شود که:

• مرتبط با مسئله باشد،
• کیفیت آن بررسی شده باشد،
• تحلیل مناسب روی آن انجام شود،
• و بتواند از یک تصمیم پشتیبانی کند.

_{۳.۲.۳. تجربه و تخصص حرفه ای مدیران}

سومین منبع شواهد، تجربه متخصصان و مدیران است.

در برخی رویکردهای داده محور افراطی، این تصور ایجاد شده است که با وجود داده کافی، نقش تجربه انسانی کاهش می یابد. این دیدگاه از نظر علمی قابل دفاع نیست.

داده ها همیشه نیازمند تفسیر هستند.

برای مثال، افزایش نرخ خرابی یک محصول ممکن است در داده ها مشاهده شود، اما تشخیص اینکه علت واقعی آن:

• تغییر مواد اولیه،
• ضعف آموزش کارکنان،
• مشکل طراحی،
• یا تغییر شرایط محیطی

بوده است، نیازمند دانش تخصصی و شناخت زمینه است.

بنابراین، تجربه انسانی همچنان یک جزء ضروری تصمیم گیری باقی می ماند.

_{۳.۲.۴. ارزش ها و دیدگاه ذی نفعان}

چهارمین منبع شواهد، شناخت ارزش ها، محدودیت ها و انتظارات ذی نفعان است.

هیچ تصمیم مدیریتی در خلا اتفاق نمی افتد. حتی تصمیمی که از نظر تحلیلی بهترین گزینه باشد، ممکن است بدون توجه به شرایط انسانی و سازمانی با شکست مواجه شود.

برای مثال، اجرای یک سیستم جدید فناوری اطلاعات ممکن است از نظر اقتصادی منطقی باشد، اما اگر مقاومت کارکنان، فرهنگ سازمانی و آمادگی منابع انسانی در نظر گرفته نشود، احتمال موفقیت کاهش می یابد.

بنابراین، تصمیم مبتنی بر شواهد باید هم زمان علمی، داده محور و انسانی باشد.

_{۳.۳. تفاوت میان داده، اطلاعات، دانش و شواهد}

یکی از اشتباهات رایج در سازمان ها، یکسان دانستن داده و شواهد است.

در حالی که این مفاهیم دارای تفاوت اساسی هستند.

داده (Data)
واقعیت های خام ثبت شده هستند که هنوز تفسیر نشده اند.

مثلا:

• تعداد محصولات معیوب،
• زمان توقف دستگاه،
• میزان فروش ماهانه.

اطلاعات (Information)
داده هایی هستند که دسته بندی و سازمان دهی شده اند.

مثلا:

• نرخ خرابی ماهانه هر خط تولید،
• روند تغییر فروش در یک دوره زمانی.

دانش (Knowledge)
درکی است که از تحلیل اطلاعات و شناخت روابط میان عوامل ایجاد می شود.

مثلا:

• شناسایی اینکه خرابی تجهیزات در شیفت خاصی افزایش می یابد.

شواهد (Evidence)
اطلاعات و دانشی است که اعتبار کافی برای پشتیبانی از یک تصمیم مشخص دارد.

بنابراین، هر داده ای شواهد نیست.

این تمایز اهمیت زیادی دارد؛ زیرا بسیاری از سازمان ها تصور می کنند صرفا با جمع آوری حجم بیشتری از داده ها، تصمیم های بهتری خواهند گرفت.

در حالی که مسئله اصلی، کیفیت مسیر تبدیل داده به شواهد است.

_{۳.۴. نقش مدیریت مبتنی بر شواهد در کاهش خطاهای مدیریتی}

تصمیم های مدیریتی همواره با عدم قطعیت همراه هستند. هیچ داده ای نمی تواند آینده را با اطمینان کامل پیش بینی کند. اما استفاده از شواهد می تواند احتمال خطا را کاهش دهد.

مدیریت مبتنی بر شواهد از طریق چند سازوکار این هدف را دنبال می کند:

نخست:

وادار کردن مدیران به تعریف دقیق مسئله قبل از اقدام.

بسیاری از تصمیم های اشتباه نه به دلیل انتخاب راهکار نامناسب، بلکه به دلیل تعریف نادرست مسئله رخ می دهند.

دوم:

افزایش قابلیت ارزیابی تصمیم ها.

در تصمیم گیری سنتی، گاهی موفقیت یا شکست یک تصمیم به برداشت شخصی افراد وابسته است.

اما در رویکرد مبتنی بر شواهد، معیارهای ارزیابی از قبل مشخص می شوند.

سوم:

ایجاد فرهنگ یادگیری.

سازمان بررسی می کند:

• چه تصمیمی گرفته شد؟
• چه نتیجه ای ایجاد کرد؟
• چه چیزی باید در تصمیم بعدی تغییر کند؟

این چرخه یادگیری، پایه شکل گیری سازمان های هوشمند است.

_{۳.۵. ارتباط مدیریت مبتنی بر شواهد با سیستم سازی داده محور}

مدیریت مبتنی بر شواهد، منطق تصمیم گیری را مشخص می کند؛ اما برای تبدیل شدن به یک قابلیت پایدار سازمانی، نیازمند زیرساخت سیستماتیک است.

به عبارت دیگر:

مدیریت مبتنی بر شواهد پاسخ می دهد:

چگونه باید تصمیم بگیریم؟

اما سیستم سازی داده محور پاسخ می دهد:

چگونه این شیوه تصمیم گیری را در ساختار سازمان نهادینه کنیم؟

این تفاوت بسیار مهم است.

ممکن است یک مدیر به صورت فردی تصمیم های خود را بر اساس شواهد اتخاذ کند، اما اگر این رویکرد در فرآیندهای سازمانی، سیستم های اطلاعاتی، فرهنگ مدیریتی و سازوکارهای ارزیابی نهادینه نشود، با تغییر افراد از بین خواهد رفت.

بنابراین، سیستم سازی داده محور را می توان زیرساخت سازمانی تحقق مدیریت مبتنی بر شواهد دانست.

_{۳.۶. جمع بندی بخش سوم}

مدیریت مبتنی بر شواهد، یک تغییر اساسی در فلسفه تصمیم گیری سازمانی ایجاد می کند. در این رویکرد، تصمیم خوب تصمیمی نیست که صرفا توسط یک مدیر باتجربه گرفته شده باشد؛ بلکه تصمیمی است که بتوان منطق، منابع اطلاعاتی و مبنای تحلیلی آن را توضیح داد.

این رویکرد نشان می دهد که آینده مدیریت نه در حذف تجربه انسانی، بلکه در ترکیب هوشمندانه تجربه، داده و دانش علمی قرار دارد.

با این حال، برای آنکه این فلسفه از سطح فردی به سطح سازمانی منتقل شود، سازمان نیازمند یک معماری منسجم برای تولید، مدیریت و استفاده از داده هاست.

این نقطه، آغاز ورود به مفهوم اصلی مقاله یعنی سیستم سازی داده محور است که در بخش بعد بررسی خواهد شد.

_{منابع بخش سوم}

• Barends, E., Rousseau, D. M., & Briner, R. B. (2017). Evidence-Based Management: How to Use Evidence to Make Better Organizational Decisions. Kogan Page.
• Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”? Academy of Management Review, 31(2), 256–269.
• Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
• Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.

۴. سیستم سازی داده محور؛

بازتعریف سیستم سازمانی در عصر داده

۴.۱. از سیستم سازی سنتی تا سیستم سازی داده محور

مفهوم سیستم سازی در مدیریت، سابقه ای طولانی دارد و همواره یکی از ابزارهای اصلی سازمان ها برای ایجاد نظم، کاهش وابستگی به افراد و افزایش قابلیت تکرارپذیری عملکرد بوده است.

در نگاه سنتی، سیستم سازی عمدتا بر طراحی و استانداردسازی فرآیندها تمرکز داشت. سازمان ها تلاش می کردند فعالیت های خود را از طریق:

• تدوین روش های اجرایی،
• تعریف مسئولیت ها،
• ایجاد ساختارهای سازمانی،
• طراحی شاخص های عملکرد،
• و مستندسازی دانش کاری،

قابل کنترل تر و قابل پیش بینی تر کنند.

این رویکرد، پایه بسیاری از نظام های مدیریتی مدرن مانند مدیریت کیفیت، مدیریت فرآیند کسب وکار و استانداردهای سازمانی بوده است.

با این حال، تحول محیط کسب وکار نشان داد که استانداردسازی فرآیندها اگرچه ضروری است، اما برای ایجاد مزیت رقابتی پایدار کافی نیست.

زیرا سازمان ها تنها مجموعه ای از فرآیندهای تکرارشونده نیستند؛ بلکه سیستم هایی پویا هستند که دائما در حال تصمیم گیری، یادگیری و سازگاری با تغییرات محیطی اند.

در چنین شرایطی، سوال اساسی تغییر می کند:

در گذشته پرسیده می شد:

«چگونه فعالیت های سازمان را استاندارد کنیم؟»

اما امروز پرسش مهم تر این است:

«چگونه سازمان را قادر کنیم از عملکرد خود یاد بگیرد و تصمیم های بهتری اتخاذ کند؟»

پاسخ به این پرسش، مفهوم سیستم سازی داده محور را شکل می دهد.

۴.۲. تعریف سیستم سازی داده محور

سیستم سازی داده محور را می توان به عنوان یک رویکرد مدیریتی تعریف کرد که در آن فرآیندها، تصمیم ها، عملکردها و یادگیری سازمانی بر پایه داده های معتبر و تحلیل نظام مند طراحی و بهبود داده می شوند.

در این رویکرد، داده صرفا یک خروجی جانبی از فعالیت های سازمان نیست، بلکه به عنوان یکی از عناصر اصلی طراحی سیستم مدیریتی در نظر گرفته می شود.

به عبارت دیگر، سازمان داده محور تنها سازمانی نیست که اطلاعات زیادی جمع آوری می کند؛ بلکه سازمانی است که:

• می داند چه داده ای برای چه تصمیمی نیاز دارد،
• کیفیت داده های خود را مدیریت می کند،
• داده را به دانش تبدیل می کند،
• از دانش برای تصمیم استفاده می کند،
• و از نتایج تصمیم ها برای بهبود سیستم بهره می گیرد.

بر این اساس، سیستم سازی داده محور را می توان یک چرخه مستمر دانست:

ثبت عملکرد → تحلیل داده → استخراج بینش → تصمیم گیری → ارزیابی نتیجه → اصلاح سیستم

اما تفاوت اصلی این رویکرد با سیستم های سنتی در این است که این چرخه فقط برای کنترل گذشته استفاده نمی شود؛ بلکه برای پیش بینی آینده و بهبود تصمیم های آتی نیز به کار گرفته می شود.

۴.۳. تفاوت سیستم سازی داده محور با دیجیتالی سازی سازمان

یکی از برداشت های نادرست درباره تحول داده محور این است که دیجیتالی کردن فرآیندها را معادل داده محور شدن سازمان بدانیم.

در حالی که این دو مفهوم تفاوت اساسی دارند.

دیجیتالی سازی (Digitalization) معمولا به استفاده از فناوری برای انجام بهتر فعالیت های موجود اشاره دارد.

برای مثال:

• تبدیل فرم های کاغذی به فرم های الکترونیکی،
• استفاده از نرم افزارهای سازمانی،
• ایجاد پایگاه های اطلاعاتی.

اما سیستم سازی داده محور یک گام فراتر می رود.

در این رویکرد، سوال اصلی این نیست که:

چگونه فرآیند فعلی را دیجیتالی کنیم؟

بلکه پرسیده می شود:

چگونه می توانیم فرآیندی ایجاد کنیم که از داده برای یادگیری و تصمیم بهتر استفاده کند؟

ممکن است یک سازمان کاملا دیجیتالی باشد، اما همچنان تصمیم های آن مبتنی بر حدس، عادت یا تجربه شخصی باشد.

بنابراین:

دیجیتالی بودن شرط لازم است، اما شرط کافی برای داده محور شدن نیست.

۴.۴. عناصر اصلی سیستم سازی داده محور

برای اینکه یک سازمان بتواند از سیستم های سنتی به سمت سیستم سازی داده محور حرکت کند، چند عنصر کلیدی باید هم زمان توسعه یابد.

۴.۴.۱. معماری داده سازمانی

اولین عنصر، ایجاد یک معماری مشخص برای داده هاست.

در بسیاری از سازمان ها، داده وجود دارد اما پراکنده است:

• داده های مالی در یک سیستم،
• اطلاعات تولید در سیستم دیگر،
• داده های کیفیت در فایل های جداگانه،
• اطلاعات منابع انسانی در سامانه ای مستقل.

این پراکندگی باعث ایجاد جزایر اطلاعاتی می شود و مانع شکل گیری تصویر جامع از وضعیت سازمان خواهد شد.

معماری داده تلاش می کند مشخص کند:

• چه داده هایی تولید می شوند؟
• مالک هر داده چه کسی است؟
• چگونه ذخیره و کنترل می شوند؟
• چگونه بین واحدها به اشتراک گذاشته می شوند؟

بدون این زیرساخت، تحلیل های مدیریتی ممکن است بر داده های ناقص یا ناسازگار شکل بگیرند.

۴.۴.۲. حاکمیت داده (Data Governance)

داده زمانی ارزشمند است که قابل اعتماد باشد.

حاکمیت داده مجموعه ای از سیاست ها، مسئولیت ها و استانداردهایی است که کیفیت و استفاده صحیح از داده را تضمین می کند.

برخی از مولفه های اصلی حاکمیت داده عبارت اند از:

• تعیین مالکیت داده،
• تعریف استانداردهای ثبت اطلاعات،
• کنترل کیفیت داده،
• مدیریت دسترسی ها،
• حفظ امنیت اطلاعات.

در سازمان هایی که حاکمیت داده وجود ندارد، حتی پیشرفته ترین ابزارهای تحلیل نیز نمی توانند تصمیم های قابل اتکا ایجاد کنند.

زیرا:

تحلیل دقیق بر پایه داده نامعتبر، فقط خطای تصمیم گیری را سریع تر می کند.

۴.۴.۳. فرآیندهای هوشمند و قابل اندازه گیری

یکی از ویژگی های مهم سیستم سازی داده محور، طراحی فرآیندهایی است که قابلیت اندازه گیری و یادگیری داشته باشند.

در سیستم های سنتی، فرآیند زمانی موفق تلقی می شود که مطابق دستورالعمل اجرا شود.

اما در سیستم های داده محور، علاوه بر انطباق فرآیند، پرسش های دیگری نیز مطرح می شود:

• آیا فرآیند به هدف مورد نظر دست یافته است؟
• کدام بخش فرآیند بیشترین اتلاف را ایجاد می کند؟
• چه عواملی باعث کاهش عملکرد شده اند؟
• چگونه می توان فرآیند را بهبود داد؟

این تغییر نگاه، سازمان را از کنترل انطباق به سمت مدیریت عملکرد واقعی هدایت می کند.

۴.۴.۴. سیستم های تحلیل و پشتیبان تصمیم

داده زمانی ارزش ایجاد می کند که بتواند از تصمیم حمایت کند.

سیستم های تحلیل مدیریتی تلاش می کنند اطلاعات خام را به بینش تبدیل کنند.

این سیستم ها می توانند شامل:

• داشبوردهای مدیریتی،
• تحلیل روندها،
• مدل های پیش بینی،
• تحلیل ریشه ای مشکلات،
• مدل های تصمیم یار،

باشند.

اما نکته مهم آن است که ابزار تحلیل باید در خدمت تصمیم باشد، نه اینکه صرفا حجم بیشتری از گزارش تولید کند.

۴.۴.۵. چرخه یادگیری سازمانی

مهم ترین ویژگی سیستم سازی داده محور، ایجاد چرخه یادگیری است.

در سازمان های سنتی، پس از اجرای یک تصمیم، معمولا تمرکز بر نتیجه نهایی است.

اما در سازمان های داده محور، خود فرآیند تصمیم نیز بررسی می شود:

• چه داده ای مبنای تصمیم بود؟
• چه فرضیاتی وجود داشت؟
• نتیجه واقعی چه بود؟
• چه چیزی باید در تصمیم بعدی تغییر کند؟

این چرخه باعث می شود سازمان به مرور زمان هوشمندتر شود.

۴.۵. سیستم سازی داده محور و مدیریت کیفیت؛ یک پیوند راهبردی

با توجه به اینکه بسیاری از سازمان ها تجربه استقرار سیستم های مدیریت کیفیت را دارند، ارتباط میان مدیریت کیفیت و سیستم سازی داده محور اهمیت ویژه ای دارد.

مدیریت کیفیت سنتی بر اصولی مانند:

• رویکرد فرآیندی،
• تصمیم گیری مبتنی بر شواهد،
• بهبود مستمر،
• تفکر مبتنی بر ریسک،

تاکید دارد.

این اصول در استانداردهایی مانند ISO 9001 نیز مورد توجه قرار گرفته اند.

اما سیستم سازی داده محور، این منطق را یک مرحله توسعه می دهد.

در واقع، اگر مدیریت کیفیت تلاش می کند سازمان را کنترل و بهبود دهد، سیستم سازی داده محور تلاش می کند سازمان را قادر سازد که خودش یاد بگیرد چگونه بهتر شود.

این تفاوت، نقطه اتصال میان مدیریت کیفیت، تحلیل داده و تحول دیجیتال است.

۴.۶. جمع بندی بخش چهارم

سیستم سازی داده محور را نمی توان صرفا یک ابزار فناوری یا یک پروژه نرم افزاری دانست. این مفهوم یک تغییر بنیادین در فلسفه اداره سازمان ایجاد می کند.

در این رویکرد:

• فرآیندها فقط اجرا نمی شوند؛ تحلیل می شوند.
• داده فقط ثبت نمی شود؛ تفسیر می شود.
• تصمیم ها فقط گرفته نمی شوند؛ ارزیابی می شوند.
• تجربه فقط در ذهن افراد باقی نمی ماند؛ به دانش سازمانی تبدیل می شود.

به همین دلیل، سیستم سازی داده محور را می توان حلقه اتصال میان سیستم های مدیریتی سنتی و سازمان های هوشمند آینده دانست.

این رویکرد سازمان را از یک سیستم واکنشی که پس از وقوع مسائل اقدام می کند، به یک سیستم یادگیرنده تبدیل می کند که قادر است پیش از وقوع مشکلات، نشانه ها را شناسایی و اقدامات مناسب را طراحی کند.

منابع بخش چهارم

• Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
• Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148–152.
• Hammer, M. (2015). What is Business Process Management? In Handbook on Business Process Management. Springer.
• van der Aalst, W. (2016). Process Mining: Data Science in Action. Springer.
• ISO. (2015). ISO 9001:2015 Quality Management Systems — Requirements. International Organization for Standardization.

۵. معماری تبدیل داده به تصمیم؛ چگونه سازمان ها از اطلاعات به خرد مدیریتی می رسند؟

 ۵.۱. مسئله اصلی سازمان های داده محور؛ فاصله میان داده و تصمیم

در سال های اخیر، بسیاری از سازمان ها سرمایه گذاری قابل توجهی در حوزه فناوری اطلاعات، سیستم های برنامه ریزی سازمانی، نرم افزارهای تحلیلی و پایگاه های داده انجام داده اند. با این حال، تجربه نشان می دهد که افزایش حجم داده لزوما به افزایش کیفیت تصمیم گیری منجر نمی شود.

بسیاری از سازمان ها با پدیده ای مواجه هستند که می توان آن را «پارادوکس داده» (Data Paradox) نامید:

سازمان ها داده بیشتری نسبت به گذشته در اختیار دارند، اما همچنان در پاسخ به پرسش های اساسی مدیریتی با مشکل مواجه اند.

برای مثال:

• چرا هزینه های تولید افزایش یافته است؟
• علت اصلی کاهش رضایت مشتری چیست؟
• کدام عامل بیشترین تاثیر را بر کاهش کیفیت دارد؟
• کدام تصمیم سرمایه گذاری بیشترین ارزش ایجاد می کند؟

مشکل اصلی در چنین شرایطی کمبود داده نیست؛ بلکه نبود یک معماری مشخص برای تبدیل داده به تصمیم است.

داده خام به تنهایی ارزش مدیریتی ایجاد نمی کند. ارزش واقعی زمانی شکل می گیرد که سازمان بتواند یک مسیر منطقی میان:

داده → اطلاعات → دانش → شواهد → تصمیم → یادگیری

ایجاد کند.

این مسیر، هسته اصلی سیستم سازی داده محور را تشکیل می دهد.

_{۵.۲. مرحله اول؛ تولید و ثبت داده های معنادار}

اولین مرحله در معماری تصمیم گیری داده محور، تولید داده با کیفیت است.

یکی از خطاهای رایج سازمان ها این است که تصور می کنند هرچه داده بیشتری جمع آوری کنند، تصمیم های بهتری خواهند گرفت.

در حالی که حجم داده بدون هدف مشخص می تواند باعث ایجاد پیچیدگی و کاهش تمرکز مدیریتی شود.

داده ارزشمند باید سه ویژگی اساسی داشته باشد:

ارتباط با مسئله مدیریتی

هر داده ای که ثبت می شود باید پاسخگوی یک نیاز تصمیم گیری باشد.

برای مثال، در مدیریت کیفیت، صرف ثبت تعداد عدم انطباق ها کافی نیست؛ بلکه باید مشخص باشد این داده قرار است به چه تصمیمی کمک کند:

• اصلاح فرآیند؟
• تغییر مواد اولیه؟
• آموزش کارکنان؟
• تغییر طراحی محصول؟

قابلیت اعتماد

داده ای که بر اساس روش های نامشخص، ثبت ناقص یا استانداردهای متفاوت ایجاد شده باشد، نمی تواند مبنای تصمیم معتبر قرار گیرد.

کیفیت داده شامل عواملی مانند:

• صحت،
• کامل بودن،
• به موقع بودن،
• سازگاری،
• قابلیت ردیابی

است.

قابلیت تفسیر

داده باید در بستری ثبت شود که معنای آن مشخص باشد.

برای مثال، عدد «۵ درصد کاهش عملکرد» بدون شناخت:

• دوره زمانی،
• معیار مقایسه،
• شرایط محیطی،
• هدف مورد انتظار،

اطلاعات محدودی ارائه می دهد.

بنابراین، اولین اصل سیستم سازی داده محور این است:

داده باید با هدف تصمیم گیری طراحی شود، نه صرفا برای ذخیره سازی.

۵.۳. مرحله دوم؛ تبدیل داده به اطلاعات مدیریتی

داده خام معمولا برای مدیر قابل استفاده نیست. سازمان باید بتواند داده ها را پردازش، دسته بندی و در قالب اطلاعات قابل فهم ارائه کند.

این مرحله شامل فعالیت هایی مانند:

• پاک سازی داده،
• یکپارچه سازی منابع مختلف،
• طبقه بندی اطلاعات،
• تحلیل روندها،
• مقایسه عملکرد واقعی با اهداف

است.

برای مثال:

ثبت روزانه تعداد خرابی تجهیزات، یک داده است.

اما زمانی که سازمان متوجه شود:

• بیشترین خرابی در کدام تجهیزات رخ می دهد،
• در چه شرایطی افزایش پیدا می کند،
• چه هزینه ای ایجاد می کند،

داده به اطلاعات مدیریتی تبدیل می شود.

در این مرحله، نقش سیستم های اطلاعاتی و ابزارهای هوش تجاری (Business Intelligence) اهمیت پیدا می کند.

اما باید توجه داشت که گزارش دهی صرف، هنوز به معنای تصمیم گیری هوشمند نیست.

گزارش پاسخ می دهد:

چه اتفاقی افتاده است؟

اما مدیر نیاز دارد بداند:

چرا اتفاق افتاده و چه اقدامی باید انجام شود؟

۵.۴. مرحله سوم؛ استخراج دانش از داده ها

مرحله بعدی، حرکت از اطلاعات به دانش است.

دانش زمانی ایجاد می شود که سازمان بتواند روابط، الگوها و علت های پنهان را شناسایی کند.

برای مثال:

اطلاعات:

نرخ خرابی محصول A در سه ماه گذشته افزایش یافته است.

دانش:

افزایش خرابی محصول A عمدتا پس از تغییر تامین کننده ماده اولیه رخ داده است.

این تفاوت بسیار مهم است.

زیرا تصمیم مدیریتی معمولا بر اساس علت ها گرفته می شود، نه صرفا بر اساس مشاهده نتایج.

در این مرحله، روش هایی مانند:

• تحلیل آماری،
• تحلیل ریشه ای علت ها (Root Cause Analysis)،
• داده کاوی،
• یادگیری ماشین،
• تحلیل پیش بینانه،

می توانند به سازمان کمک کنند الگوهای پنهان را شناسایی کند.

_{۵.۵. مرحله چهارم؛ تبدیل دانش به شواهد تصمیم ساز}

هر دانشی الزاما شواهد محسوب نمی شود.

شواهد زمانی شکل می گیرد که دانش به یک مسئله تصمیم گیری مشخص مرتبط شود.

برای مثال:

دانستن اینکه «کیفیت مواد اولیه بر عملکرد محصول تاثیر دارد» یک دانش عمومی است.

اما اگر تحلیل داده های سازمان نشان دهد:

• ۷۰ درصد عدم انطباق های یک محصول خاص،
• پس از ورود یک نوع ماده اولیه مشخص،
• و در یک بازه زمانی مشخص رخ داده است،

این تحلیل می تواند به عنوان شواهد تصمیم ساز مورد استفاده قرار گیرد.

بنابراین، شواهد دارای سه ویژگی است:

اول: ارتباط

باید مستقیما با تصمیم مورد نظر مرتبط باشد.

دوم: اعتبار

باید بر اساس داده و روش تحلیل قابل اعتماد شکل گرفته باشد.

سوم: قابلیت اقدام

باید بتواند مسیر عملی مشخصی برای تصمیم ایجاد کند.

۵.۶. مرحله پنجم؛ تصمیم گیری و طراحی اقدام سازمانی

در این مرحله، شواهد وارد فرآیند تصمیم گیری می شود.

اما تصمیم مدیریتی همچنان نیازمند قضاوت انسانی است.

برای مثال، تحلیل داده ممکن است نشان دهد یک فرآیند خاص باید تغییر کند؛ اما مدیر باید عوامل دیگری مانند:

• هزینه تغییر،
• مقاومت کارکنان،
• اثرات بلندمدت،
• شرایط بازار

را نیز در نظر بگیرد.

بنابراین، تصمیم داده محور به معنای تصمیم ماشینی نیست.

بلکه به معنای تصمیمی است که:

• اطلاعات بیشتری پشتوانه آن است،
• فرضیات آن روشن تر است،
• ریسک آن بهتر ارزیابی شده است،
• و امکان یادگیری از نتیجه آن وجود دارد.

_{۵.۷. مرحله ششم؛ بازخورد و یادگیری سازمانی}

یکی از مهم ترین تفاوت های سازمان داده محور با سازمان سنتی، وجود حلقه بازخورد است.

در سازمان های سنتی، پس از اجرای تصمیم، معمولا تمرکز بر نتیجه نهایی است.

اما در سازمان داده محور، پرسش های بیشتری مطرح می شود:

• آیا تصمیم به هدف مورد انتظار رسید؟
• کدام فرضیه درست یا نادرست بود؟
• چه عواملی در نتیجه نهایی اثر داشتند؟
• چگونه می توان تصمیم های آینده را بهتر کرد؟

این چرخه بازخورد باعث ایجاد یک قابلیت کلیدی می شود:

یادگیری سازمانی مبتنی بر شواهد.

سازمان دیگر فقط تجربه کسب نمی کند؛ بلکه تجربه خود را تحلیل و به دانش قابل استفاده تبدیل می کند.

_{۵.۸. نقش هوش مصنوعی در کوتاه کردن فاصله میان داده و تصمیم}

ظهور هوش مصنوعی، امکان توسعه سیستم های تصمیم یار پیشرفته را فراهم کرده است.

در نسل جدید سیستم های مدیریتی، هوش مصنوعی می تواند:

• الگوهای پیچیده را شناسایی کند،
• روندهای آینده را پیش بینی کند،
• ناهنجاری ها را کشف کند،
• سناریوهای مختلف را ارزیابی کند.

برای مثال:

در مدیریت کیفیت، سیستم هوشمند می تواند احتمال ایجاد نقص را قبل از وقوع پیش بینی کند.

در مدیریت پروژه، می تواند احتمال تاخیر یا افزایش هزینه را بر اساس داده های گذشته تخمین بزند.

در منابع انسانی، می تواند الگوهای مرتبط با کاهش مشارکت کارکنان را شناسایی کند.

با این حال، نقش هوش مصنوعی جایگزینی مدیر نیست؛ بلکه افزایش ظرفیت تحلیل و تصمیم گیری مدیر است.

_{۵.۹. جمع بندی بخش پنجم}

سازمان داده محور سازمانی نیست که فقط داده جمع آوری می کند؛ بلکه سازمانی است که یک سیستم کامل برای تبدیل داده به تصمیم ایجاد کرده است.

این سیستم از شش مرحله اصلی تشکیل می شود:

• تولید داده معنادار،
• تبدیل داده به اطلاعات،
• استخراج دانش،
• ایجاد شواهد،
• تصمیم گیری،
• یادگیری از نتایج.

در چنین سازمانی، داده دیگر یک محصول جانبی فعالیت ها نیست؛ بلکه بخشی از موتور یادگیری و بهبود سازمان محسوب می شود.

بنابراین، مهم ترین قابلیت سازمان های آینده نه داشتن بیشترین داده، بلکه داشتن بهترین معماری تبدیل داده به تصمیم خواهد بود.

_{منابع بخش پنجم}

• Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
• Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media.
• Davenport, T. H. (2018). The AI Advantage: How to Put the Artificial Intelligence Revolution to Work. MIT Press.
• Shmueli, G., & Koppius, O. R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553–572.
• van der Aalst, W. (2016). Process Mining: Data Science in Action. Springer.