هنگامی که درآژانس تبلیغاتی «JWT» کار می‌کردم، یک افسر تفنگ‌دار نیروی دریایی، حرفی به من زد که از آن زمان تا به حال فراموش نکرده‌ام. او گفت: «اگر در میدان جنگ باشم و در این میان به اطلاعاتی دست پیدا کنم، حتی اگر 100 درصد هم از صحت آن مطمئن نباشم، بر اساس همان اطلاعات کم تصمیم‌گیری خواهم کرد.»

نکته حرف او در این بود که داشتن داده‌های کوچک از فقدان آن بهتر است و شما باید خیلی نادان باشید که به صرف اینکه داده‌های شما 100 درصد کامل نیست، از آن صرف‌نظر کنید.
البته در مورد فرصت‌هایی که داده‌های جامع برای درک بیشتر و کارآیی عملیاتی مشتریان عمده در اختیار شرکت‌ها قرار می‌دهد، جای بحث بسیار است. اما اکثر شرکت‌ها، اگر نگویم همه آنها، در محیط‌هایی فعال هستند که از نظر داده و اطلاعات نسبتا پراکنده هستند: بازار‌های نو ظهور، صنایع فعال در حوزه تجارت-تجارت (B2B) بازارهای کاملا تخصصی و متمرکز از جمله این محیط‌ها هستند. این شرکت‌ها باید آکنده از داده‌هایی باشند که من به آنها «داده‌های کوچک» می‌گویم. 
در اخرین مقاله‌ام اشاره کردم که جمع آوری و پایش داده‌های بزرگ فراتر از منابع داده‌های جدید، فناوری‌ها و تکنیک‌های تحلیلی است. علاوه‌بر اینها، در حال حاضرنوعی تغییر پارادایم از مدیریت بر پایه احساسات فردی به سمت تصمیم‌گیری براساس داده‌ها در حال شگل گرفتن است که روز به روز نیز رشد آن تسریع می‌شود. برای شرکت‌هایی که دسترسی به داده‌های کامل و روشن امکان‌پذیر نیست، اتکا و بهره‌مندی از مزایا این نوع داده به معنای تلاشی هماهنگ برای استفاده بهینه‌تر از اطلاعات و داده‌هایی است که در اختیارشان است.
در اینجا، به شرکت‌هایی اشاره خواهم کرد که در این راه موفق بوده‌اند:
یک تولیدکننده محصولات صنعتی داده خود را محدود به قیمت کرده بود. او این کار را بر اساس مشتری و منطقه فروش انجام داده بود. این تولیدکننده نمی‌توانست با استفاده از تحلیل رگرسیونی (regression analysis: فن و تکنیکی آماری برای بررسی و مدل‌سازی ارتباط بین متغیرها) به مدل‌های انعاطف‌پذیر در قیمت‌گذاری دست پیدا کند. بنابراین با استفاده از تکنیک‌های آماری دیگری توانست مناطق مستعد افزایش قیمت گذاری و سیاست‌های خدماتی را شناسایی کند.این شرکت به سمت رویکردهای قیمت‌گذاری براساس ارزش کالا پیش رفت تا مطمئن شود که مشتریانش بیشترین سطح خدمات را دریافت می‌کنند. اجرای این سیاست در یک واحد تجاری در یک منطقه به تنهایی رشد 4 درصدی در فروش را به همراه داشت.
یک تولید کننده بزرگ نوشیدنی تصمیم به افزایش فروش خود در رستوران‌ها و مراکز تفریحی گرفت.اطلاعات موجود براساس بخش‌بندی قسمت‌های مختلف بود و داده‌ها در این مورد که چگونه باید قسمت‌های مختلف را پوشش داد، کافی به نظر نمی‌رسید. شرکت برای تعریف و شناسایی بخش‌های عملی از روش مشاهده‌ای (observational) استفاده کرد؛ اما برای تعیین کمیت و تعداد بخش‌های گوناگون نیازمند راه حل دیگری بود. این شرکت الگوریتمی را براساس ویژگی‌های قابل مشاهده طراحی کرد سپس با مصاحبه با متخصصان فروش، تمام رستوران‌های منطقه را بر اساس الگوریتم دسته‌بندی کرد. برای این کار، شرکت از تکنیک داده کوچک استفاده کرد. برای هر بخش اصلی، تقسیم‌بندی محصولات، قیمت‌گذاری و بازاریابی صورت گرفت. پروژه‌های صورت‌گرفته در دو شهر بزرگ حاکی از رشد چشمگیر در فروش کلی و نفوذ در بازار بود. این تکنیک در حال حاضر در کل کشور در حال اجرا است.
یک شرکت منطقه‌ای ارائه‌دهنده بیمه‌های سلامت که در تلاش است خود را از دیگر رقبا متمایز کند، متوجه این نکته شد که مرکز تماس مشتری منبعی موثق درباره مشکلات مشتریان و راه حل‌های بالقوه آن است. برای این هدف، شرکت متن کامل مکالمه‌ها را استخراج کرد؛ نه اینکه تنها به خلاصه‌هایی اتکا کند که نمایندگی‌ها در اختیار داشتند. آنها با این کار توانستند الگوریتمی با ارزش از این داده‌ها جمع‌آوری کنند. این شرکت توانست فرمت و زبان ارتباطات نوشتاری خود را گسترش دهد و فرآیند مرکز ارتباطات مشتری را نیز ساده‌سازی کند. به علاوه، شرکت این فرصت را پیدا کرد تا برای تسریع در ارتباطات مشتری و بهبود هزینه نگهداری (بیماران) مکان‌های جدیدی را معرفی کند.
شرکت هایر در کشورچین که تولیدکننده بزرگ وسایل خانگی است، برای ایجاد خلاقیت، از جمع آوری داده‌های کوچک بهره می‌برد. برای مثال، برخی از تکنسین‌های شرکت متوجه شدند که مشتریان محلی برای شست‌وشوی میوه و سبزیجات از ماشین‌های لباسشویی این شرکت استفاده می‌کنند. هایر برای طراحی نوع جدیدی از ماشین‌های شست‌وشو از این داده‌ها استفاده کرد. شرکت معتقد است: ماشین جدید که با استقبال زیادی روبه‌رو شد، برای شست و شوی لباس و میوه جات طراحی شده است.
هیچ‌یک از این مثال‌ها نیازی به ابزار، فناوری یا زیرساخت‌های گران‌قیمت ندارد و هزینه کسب این نوع داده‌ها بسیار پایین بوده و در برخی از موارد کاملا رایگان است. تنها کمی خلاقیت و علاقه نیاز است تا از این داده‌ها استفاده کرد. یک محصول، منطقه یا مشکل را انتخاب کنید که نیازمند توجه است. سپس پروژه‌ای آزمایشی انجام دهید. به این صورت، شما می‌توانید به خود و شرکت ثابت کنید که هزینه و تلاش برای این کار توجیه‌پذیراست.
مشاهدات من نشان می‌دهد که شرکت‌ها فرآیند تحلیل را آغاز کرده و اکثرا تا پایان نیز این کار را ادامه می‌دهند؛ زیرا چیز‌هایی که این شرکت‌ها بر حسب تجربه یاد می‌گیرند، باعث رشد و توسعه تجارت آنها می‌شود. خیلی سخت خواهد بود که بخواهیم برای این کار قیمت‌گذاری کنیم.
Mehrdadfarahani1365@gmail.com*