از داده مشتری، نتیجه غلط نگیرید

شرکت‌ها امروز بیش از هر زمان دیگری به اطلاعات مشتری دسترسی دارند. فروشگاه اینترنتی می‌تواند مسیر حرکت کاربر را مشاهده کند، شرکت خدماتی سوابق تماس و شکایت را نگه دارد و تیم فروش سازمانی اطلاعات مذاکرات، پیشنهادها و قراردادهای مشتریان را ثبت کند. اما افزایش مقدار داده الزاماً به معنای افزایش کیفیت تصمیم‌گیری نیست.

در مطلبی که ۱۳ اکتبر در Harvard Business Review با محور شناخت معنای واقعی داده‌های مشتری منتشر شده، بر ضرورت استفاده از روش علمی به‌جای اتکای صرف به برداشت شهودی تأکید شده است. این مسئله برای مدیرانی که روزانه با گزارش‌های فروش، نرخ تبدیل و عملکرد کمپین‌ها سروکار دارند، اهمیت زیادی دارد.

خطر اصلی آن است که شرکت از یک تغییر آماری واقعی، نتیجه علّی نادرستی استخراج کند. فروش ممکن است افزایش یافته باشد، اما افزایش آن الزاماً نتیجه تبلیغ جدید نیست. نرخ ریزش مشتری ممکن است کاهش پیدا کرده باشد، اما این تغییر لزوماً به معنای موفقیت برنامه وفاداری نیست.

برای تبدیل داده به تصمیم، باید میان مشاهده، فرضیه و اثبات رابطه علّی تفاوت گذاشت.

داده چه چیزی را نشان می‌دهد؟

فرض کنیم فروش یک شرکت در هفته پس از اجرای کمپین تبلیغاتی ۲۰ درصد افزایش یافته است. این افزایش یک مشاهده معتبر است، مشروط بر آنکه اطلاعات فروش درست ثبت شده باشند.

اما مدیر ممکن است نتیجه بگیرد که کمپین عامل رشد فروش بوده است. در این نقطه، از مشاهده به ادعای علّی رسیده‌ایم.

برای چنین نتیجه‌ای باید احتمال تأثیر عوامل دیگر بررسی شود. شاید قیمت محصولات تغییر کرده باشد، یکی از رقبا با کمبود موجودی مواجه شده باشد، تقاضای فصلی افزایش یافته یا تیم فروش تخفیف جدیدی ارائه کرده باشد.

ممکن است کمپین واقعاً مؤثر بوده باشد، اما بدون بررسی این عوامل، اندازه اثر آن مشخص نیست.

اشتباه مشابهی در تحلیل رضایت مشتری نیز رخ می‌دهد. اگر امتیاز رضایت افزایش پیدا کند، باید مشخص شود چه کسانی در نظرسنجی مشارکت کرده‌اند. ممکن است مشتریان ناراضی کمتر پاسخ داده باشند یا ترکیب مشتریان مورد بررسی نسبت به دوره قبل تغییر کرده باشد.

بنابراین، نخستین اصل تحلیل داده آن است که شاخص را بدون شناخت روش تولید آن تفسیر نکنیم.

مشکل میانگین‌ها

میانگین، شاخصی مفید است؛ اما گاهی تفاوت‌های مهم میان گروه‌های مشتری را پنهان می‌کند.

فرض کنیم متوسط مبلغ خرید در یک فروشگاه افزایش یافته است. مدیر ممکن است این نتیجه را موفقیت برنامه فروش مکمل بداند. اما بررسی دقیق‌تر نشان دهد که تعداد خریدهای کوچک کاهش یافته و چند مشتری بزرگ، میانگین را بالا برده‌اند.

در این وضعیت، فروشگاه ممکن است هم‌زمان با افزایش متوسط مبلغ هر سفارش، بخشی از مشتریان عادی خود را از دست داده باشد.

در تحلیل فروش باید میان چند عامل تفاوت گذاشت: تعداد مشتریان، دفعات خرید، تعداد اقلام در سفارش، قیمت متوسط اقلام و تغییر ترکیب محصولات.

همچنین لازم است مشتریان جدید و قدیمی جداگانه بررسی شوند. رفتار فردی که نخستین خرید خود را انجام می‌دهد، لزوماً با رفتار مشتری وفادار چندساله قابل مقایسه نیست.

همین موضوع درباره مناطق جغرافیایی، کانال‌های فروش و گروه‌های محصول نیز صدق می‌کند.

تقسیم داده به گروه‌های معنادار می‌تواند به آشکارشدن روندهایی کمک کند که در میانگین کل پنهان شده‌اند. البته تقسیم بیش از حد داده نیز ممکن است نمونه‌ها را کوچک و نتیجه‌گیری را غیرقابل اعتماد کند.

چهار خطای مدیریتی در تفسیر داده

خطای نخست، اشتباه‌گرفتن همبستگی با علت است. اگر دو شاخص هم‌زمان افزایش پیدا کنند، الزاماً یکی علت دیگری نیست.

برای مثال، ممکن است هم‌زمان با افزایش هزینه تبلیغات، فروش بیشتر شود؛ اما عامل مشترک هر دو، آغاز فصل پرتقاضای بازار باشد.

خطای دوم، انتخاب گزینشی داده‌هاست. مدیر ممکن است تنها دوره‌هایی را بررسی کند که فرضیه اولیه او را تأیید می‌کنند. اگر کمپین در یک هفته موفق و در سه هفته ضعیف بوده، نمایش همان هفته موفق تصویری گمراه‌کننده خواهد ساخت.

خطای سوم، نادیده‌گرفتن کیفیت داده است. اطلاعات ناقص مشتریان، ثبت اشتباه سفارش‌ها یا نبود اتصال میان سیستم فروش و خدمات می‌تواند تحلیل را مخدوش کند.

خطای چهارم، تغییر مداوم معیار موفقیت است. شرکتی که پیش از اجرای طرح بر افزایش حاشیه سود تأکید کرده، نباید پس از مشاهده کاهش سودآوری، صرفاً افزایش تعداد سفارش را به‌عنوان اثبات موفقیت اعلام کند.

این خطاها الزاماً ناشی از ضعف فنی نیستند. بسیاری از آنها به شیوه مدیریت جلسات و ارزیابی عملکرد مربوط می‌شوند.

چارچوب «فرضیه، آزمون، تصمیم»

برای استفاده بهتر از داده می‌توان یک فرایند سه‌مرحله‌ای طراحی کرد.

مرحله نخست، تعریف فرضیه است. فرضیه باید دقیق، قابل آزمون و مرتبط با یک تصمیم اقتصادی باشد.

به‌جای عبارت کلی «مشتریان از قیمت ناراضی‌اند»، می‌توان فرض کرد که «کاهش هزینه ارسال برای سفارش‌های بالاتر از یک مبلغ مشخص، نرخ تکمیل خرید را افزایش می‌دهد.»

مرحله دوم، طراحی آزمون است. اگر امکان‌پذیر باشد، گروهی از مشتریان پیشنهاد جدید را دریافت می‌کنند و گروه قابل مقایسه‌ای شرایط قبلی را تجربه می‌کنند.

تفاوت نتیجه دو گروه، پس از کنترل عوامل مؤثر، می‌تواند شواهد بهتری درباره اثر اقدام ارائه دهد.

مرحله سوم، تصمیم‌گیری است. اگر شواهد نشان دهد منفعت اقتصادی اقدام از هزینه آن بیشتر است، شرکت می‌تواند اجرای آن را توسعه دهد. اگر نتیجه نامشخص باشد، شاید به داده بیشتر یا طراحی آزمون بهتر نیاز باشد.

نکته مهم این است که شکست یک فرضیه لزوماً شکست تیم بازاریابی نیست. آزمایشی که نشان می‌دهد یک پیشنهاد ارزش توسعه ندارد، می‌تواند از هزینه‌کرد نامناسب در مقیاس بزرگ جلوگیری کند.

یک مثال از فروشگاه اینترنتی

فرض کنیم فروشگاهی متوجه شده نرخ رهاکردن سبد خرید افزایش یافته است. تیم بازاریابی تصور می‌کند علت اصلی، هزینه ارسال است.

به‌جای اجرای تخفیف عمومی، می‌توان ابتدا داده‌های سبد خرید را بررسی کرد. آیا رهاکردن سبد پس از نمایش هزینه ارسال بیشتر شده است؟ آیا این رفتار در مشتریان جدید شدیدتر است؟ آیا کاربران موبایل و دسکتاپ رفتار متفاوتی دارند؟

سپس یک آزمایش محدود طراحی می‌شود. بخشی از مشتریان واجد شرایط، پیشنهاد کاهش هزینه ارسال را دریافت می‌کنند و گروه دیگری شرایط عادی را مشاهده می‌کنند.

پس از آزمون، تنها افزایش نرخ خرید کافی نیست. باید حاشیه سود سفارش‌ها پس از کسر هزینه ارسال نیز اندازه‌گیری شود.

ممکن است پیشنهاد جدید خرید بیشتری ایجاد کرده باشد، اما هزینه آن تمام منفعت اضافی را مصرف کند. در چنین وضعیتی، طرح از نظر نرخ تبدیل موفق و از نظر سودآوری ناموفق خواهد بود.

این تفاوت برای تصمیم مدیریتی تعیین‌کننده است.

کاربرد در فروش سازمانی

در فروش B2B، مسئله دیگری نیز وجود دارد. داده‌های فروش معمولاً تعداد محدودی قرارداد بزرگ را شامل می‌شوند و نتیجه هر معامله می‌تواند به عوامل خاصی مانند تصمیم کمیته خرید، شرایط بودجه یا رابطه بلندمدت وابسته باشد.

به همین دلیل، مقایسه ساده نرخ تبدیل فروشندگان ممکن است ناعادلانه یا گمراه‌کننده باشد.

فروشنده‌ای که پرونده‌های دشوارتر یا مشتریان بزرگ‌تر را مدیریت می‌کند، ممکن است نرخ تبدیل پایین‌تری داشته باشد، اما ارزش اقتصادی بیشتری برای شرکت ایجاد کند.

در این حوزه بهتر است شاخص‌هایی مانند ارزش قرارداد، احتمال وصول، مدت چرخه فروش، هزینه جذب و احتمال تمدید رابطه در کنار یکدیگر بررسی شوند.

همچنین ثبت دلایل واقعی باخت فرصت‌های فروش اهمیت دارد. عبارت کلی «مشتری منصرف شد» اطلاعات عملیاتی محدودی ایجاد می‌کند. باید مشخص شود مانع قیمت، زمان تحویل، ویژگی فنی، شرایط پرداخت یا عامل دیگری بوده است.

البته دلایل ثبت‌شده توسط فروشنده نیز باید با شواهد مشتری تطبیق داده شوند؛ زیرا ممکن است تحت تأثیر برداشت شخصی قرار داشته باشند.

فرهنگ سازمانی مبتنی بر آزمون

استفاده علمی از داده تنها با خرید نرم‌افزار تحلیل امکان‌پذیر نمی‌شود. سازمان باید اجازه دهد فرضیه‌های مدیران نیز آزمایش شوند.

اگر نتیجه نامطلوب همیشه به سرزنش تیم منجر شود، کارکنان ممکن است تنها داده‌هایی را ارائه کنند که تصمیم‌های قبلی مدیریت را تأیید می‌کنند.

در مقابل، شرکتی که میان آزمایش خوب و تصمیم بد تفاوت قائل می‌شود، می‌تواند سریع‌تر یاد بگیرد.

برای این منظور، بهتر است قبل از هر طرح بازاریابی، فرضیه، معیار موفقیت، دوره ارزیابی و مسئول تحلیل ثبت شود. پس از پایان طرح نیز نتیجه مستقل از انتظار اولیه بررسی گردد.

مدیر لازم نیست در تمام جلسات محاسبات آماری پیچیده انجام دهد؛ اما باید بتواند بپرسد آیا تغییر مشاهده‌شده واقعاً به اقدام ما مربوط بوده و اگر اقدام را تکرار کنیم، چه نتیجه‌ای انتظار داریم.

تصمیم برای مدیر ایرانی

از میان گزارش‌های ماه گذشته، یک تصمیم مهم بازاریابی یا فروش را انتخاب کنید. مشخص کنید این تصمیم براساس چه داده‌ای گرفته شده، چه فرضیه‌ای پشت آن بوده و چه شاخصی قرار بوده تغییر کند.

اگر فقط دو عدد قبل و بعد از اقدام وجود دارد، نتیجه را «مشاهده اولیه» بدانید، نه اثبات قطعی موفقیت.

سپس یک آزمون محدود و قابل کنترل برای تصمیم بعدی طراحی کنید. هدف، تبدیل تمام فعالیت‌های شرکت به پژوهش دانشگاهی نیست؛ هدف کاهش تصمیم‌هایی است که تنها بر حدس و برداشت شخصی تکیه دارند.

داده زمانی به مزیت رقابتی تبدیل می‌شود که به شرکت کمک کند میان آنچه اتفاق افتاده و آنچه واقعاً باعث وقوع آن شده، تفاوت بگذارد. داشبورد بهتر الزاماً مدیر بهتری نمی‌سازد؛ پرسش دقیق‌تر و آزمایش درست است که ارزش داده را آزاد می‌کند.