https://virgool.ir/feed/@hojat.ghanadحجت قناد هستم. در تقاطع داده، تکنولوژی و مارکتینگ کار می‌کنم. از مهندسی نرم‌افزار به رشد کسب‌وکار رسیده‌ام و اینجا تجربه‌هایم از بازاریابی، مدیریت، تصمیم‌سازی و ساخت سیستم‌های رشد را روایت می‌کنم.fa2026-11-11 20:08:39https://files.virgool.ir/upload/users/7355/avatar/bdsgrb.pnghttps://virgool.ir/@hojat.ghanadhttps://virgool.ir/@hojat.ghanad/چرا-افراد-تیم-وقتی-انگیزه-و-علاقه-هم-ندارند-سازمان-را-ترک-نمی-کنند-f88oafq8p9aaهرزبرگ( یک پژوهشگر روانشناسی سازمانی) مدلی برای توصیف رفتار افراد در فضای سازمان دارد. مدلی که می‌تواند پاسخگوی بخشی از سوالات مدیران درباره دلایل رضایت/نارضایتی و عملکرد افراد تیم باشد. به نظرم اگر مدیران درست بفهمندش، می‌تواند کیفیت مدیریت تیم‌ها را افزایش دهد.هرزبرگ می‌گوید دو دسته عامل موثر بر رفتار و انگیزه افراد در محل کار وجود دارد که اثرشان کاملاً با هم فرق دارد:1- عوامل بهداشتی (Hygiene Factors)این‌ها انگیزه‌ساز نیستند؛ اما اگر نباشند، آدم‌ها دل‌شان می‌خواهد سازمان را ترک کنند. مانند:📌 حقوق و مزایا📌 امنیت شغلی📌 سیاست‌های سازمانی📌 کیفیت ارتباط با مدیر📌 شرایط محیط کارنکته مهم این عوامل این است که وجودشان فقط باعث می‌شود افراد ناراضی نباشند.اما راضی بودن با انگیزه داشتن متفاوت است!2- عوامل انگیزشی (Motivators)زمانی افراد فراتر از انتظار عمل می‌کنند که این عوامل فراهم باشند:📌 رشد و یادگیری📌 احساس پیشرفت📌 مسئولیت‌پذیری واقعی📌 معنا و اثرگذاری کار📌 به رسمیت شناخته‌شدناین‌ها همان چیزهایی‌اند که باعث می‌شود افراد تیم نه تنها بمانند که رشد کنند و بدرخشند.🔑 چه برداشت عملیاتی میشود از این مدل داشت؟اگر این روزها می‌بینیم افراد تیم «می‌مانند، اما نمی‌درخشند»، احتمالاً مشکل در عوامل انگیزشی است.اگر «می‌درخشند، اما می‌خواهند بروند»، احتمالاً مشکل در عوامل بهداشتی(Hygiene Factors) است.✅ چطور این مدل رو در محل کار عملیاتی کنیم؟به نظرم سه حرکت ساده اما اثرگذار میتواند به اجرا کمک کند:1- اول یک ساعتی با خودمان خلوت کنیم و این عوامل را در محیط کاری تیم بررسی کنیم. کدام‌یک از این موارد ممکن است باعث نارضایتی پنهان در تیم باشد؟نارضایتی‌ها معمولاً دیده نمی‌شوند، اما اثرشان در عملکرد کاملا پیداست.2- جلسات فیدبک دوره‌ای(ماهانه)هر ماه با هر عضو تیم یک گفت‌وگوی کوتاه اما عمیق درباره این چهار مورد داشته باشید:چه چیزی در این ماه یاد گرفتی؟دوست داری ماه بعد در چه چیزی رشد کنی؟چه کمکی می‌توانم بکنم؟چه چیزی در محیط کار باعث ناراحتی شده یا جلوی کارت را گرفته؟این دقیقاً همان نقطه اتصال مدیران با عوامل انگیزشی است.3- مالکیت بدهید، نه فقط وظیفهافراد زمانی انگیزه پیدا می‌کنند که «صاحب» یک خروجی باشند، نه «اجراکننده» یک دستور. به علاوه نیاز دارند تا این مالکیت در تیم به رسمیت شناخته شود.به‌جای گفتن: «این کار رو به روش X انجام بده»بگوییم: «به نظرم این کار با روش X بهترین خروجی را میدهد ولی در نهایت تصمیم با خودت است و این صرفا یک پیشنهاد است.» و این اختیار برای تصمیم گیری و اجرا را به افراد بدهیم.🔹 در پایان اگر می‌خواهید ترک سازمان کاهش پیدا کند، عوامل بهداشتی را اصلاح کنید.🔷 اگر می‌خواهید عملکرد تیم جهش کند، عوامل انگیزشی را تقویت کنید.و اگر هر دو را می‌خواهید (که معمولا همه میخواهیم)، این مدل یک نقشه راه روشن جلوی پای مان می‌گذارد.⚡ وظیفه مدیر این نیست که آتش انگیزش را روشن کند، بلکه محیطی فراهم کند تا شعله انگیزش فردی هرکس بدرخشد.برای مطالعه بیشتر درباره این موضوع میتونید با این کلید واژه به محتواهای بیشتری برسید:"herzberg two factor theory"حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSat, 08 Aug 2026 13:12:01 +0330https://virgool.ir/@hojat.ghanad/حرفه-ای-گری-در-تعامل-با-مشتری-luyer5byo8vnفرض کنید شما مسئول ارتباط با مشتری در یک شرکت هستید و مشتری به خاطر تعامل خوب یا رضایتی که از کار داره براتون هدیه‌ی شخصی می‌فرسته. مثل کارت هدیه یا دعوت به رویدادی که به شرکت ربطی نداره.اینجور وقتا خوبه از خودتون بپرسید این هدیه به خاطر عملکرد سازمان بهتون داده شده یا رابطه‌ی شخصی که با مشتری ساختید؟ اگر مرز این دوتا روشن نباشه، کم‌کم نقش‌ها جابه‌جا می‌شن و مشتری فکر می‌کنه به‌جای «برند» یا «سازمان» به یه «فرد» وفاداره.این اتفاق به مرور کارمندها رو به نقطه‌ی نفوذ بیرونی سیستم تبدیل می‌کنه. این منفعت پنهانی که به آدم‌های یک سازمان می‌رسه هم به حرفه‌ای‌گری خودشون آسیب می‌زنه و هم به اون ساختاری که توش رشد کردن.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSat, 08 Aug 2026 13:07:17 +0330https://virgool.ir/@hojat.ghanad/اعتماد-سازمان-سرمایه-شخصی-ماست-nu8pzoi5r7gaدرسته که اعتماد سازمان سرمایه شخصی ماست ولی متعلق به خودمون نیست!معمولاً وقتی از «حرفه‌ای‌گری» حرف می‌زنیم ذهن‌مون می‌ره سمت مهارت یا تجربه اما روی دیگه این سکه درک مرز بین «منِ شخصی» و «منِ شغلی» ـه.گاهی وقتا در محیط کاری به خاطر مهربونی، اعتماد یا ارتباط نزدیک با مشتری از این مرز عبور می‌کنیم. مثلاً کارمندی که به واسطه موقعیتش در سازمان با مشتری در ارتباطه، شروع می‌کنه به گرفتن پیشنهادهای شخصی یا هدیه‌هایی خارج از چارچوب همکاری. در ظاهر چیز خاصی نیست ‌ها... اما در واقع یک خط باریک از منافع مشترک به تضاد منافع تبدیل میشه.می‌خوام بگم اعتماد یه سازمان امانتیه که باید ازش مراقبت کنیم.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadThu, 06 Aug 2026 18:00:13 +0330https://virgool.ir/@hojat.ghanad/think-out-of-the-box-gmiimuuxmzbmThink out of the box!برای اینکه مدیر بتونه تصمیم‌های خلاقانه و خلاف روال‌های مرسوم بگیره ۳ چیز لازمه:اعتماد روانی به معنی ساختن تیمی که در اون اشتباه به مجازات ختم نشه، بلکه تحلیل بشه.داده به‌جای حدس یعنی ساختن بستر جسارت با کمک داده‌های واقعی (چون غیر از این هر کاری کنیم، تصمیم منطقی نیست، قماره!)وجود فرهنگ گفت‌وگوی واقعی با رویکرد ایجاد جوی که تضاد فکری سالم شکل بده تا فرصت فکر کردن به تصمیم‌های متفاوت ایجاد بشه.درنتیجه جسارت در تصمیم‌گیری یعنی بدون اینکه ساختار ذهنی‌تون فرو بریزه، بتونید از چارچوب بیرون برید و دست به اقدام‌های جدید بزنید.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadThu, 06 Aug 2026 17:56:34 +0330https://virgool.ir/@hojat.ghanad/فانل-کافی-نیست-کسب-وکار-به-growth-loop-نیاز-دارد-onlxfmd5tdc4در بیشتر جلسه‌های مربوط به رشد در سازمان، دیر یا زود یک تصویر آشنا روی میز می‌آید. یک قیف از بالا به پایین. کاربر وارد می‌شود، فعال می‌شود، خرید می‌کند، برمی‌گردد و شاید به مشتری وفادار تبدیل شود. این تصویر بد نیست. برای شروع حتی لازم است. فانل کمک می‌کند بفهمیم کاربر در کدام مرحله ریزش می‌کند. کمک می‌کند ببینیم مشکل در جذب است، فعال‌سازی است، تبدیل است یا بازگشت. اما اگر کل مدل رشد را فقط با فانل توضیح بدهیم، یک بخش مهم از واقعیت را نمی‌بینیم.فانل مسیر عبور کاربر را نشان می‌دهد، اما موتور رشد را نه. اینها دو چیز متفاوتند! در فانل، کاربر از یک نقطه وارد می‌شود و در نقطه‌ای دیگر از مسیر خارج می‌شود. اگر کاربر بیشتری بخواهیم، معمولا باید ورودی بیشتری وارد کنیم. بودجه بیشتر، ترافیک بیشتر، کمپین بیشتر، محتوا بیشتر، تماس فروش بیشتر یا تخفیف بیشتر. این مدل تا حدی جواب می‌دهد. اما یک سوال مهم را بی‌پاسخ می‌گذارد:آیا خروجی امروز، ورودی رشد فردا را می‌سازد؟همین سوال، تفاوت نگاه فانلی با نگاه چرخه‌ای را روشن می‌کند. چند سال پیش Reforge در نقد مدل‌های سنتی رشد، مفهوم Growth Loop را مطرح کرد. ایده اصلی ساده بود، اما اثر زیادی روی ادبیات رشد گذاشت. محصولات و کسب‌وکارهایی که رشد سریعی دارند را همیشه نمی‌توان با یک فانل خطی توضیح داد. بسیاری از آن‌ها با سیستم‌هایی رشد می‌کنند که خروجی یک مرحله دوباره به ورودی مرحله بعد تبدیل می‌شود. معادل فارسی دقیق و جاافتاده‌ای برای Growth Loop  نداریم. می‌توانیم آن را «چرخه رشد» بنامیم. در این متن هم از همین عبارت استفاده می‌کنم.چرخه رشد یعنی بخشی از خروجی سیستم، دوباره سوخت رشد بعدی شود! کاربر فقط مصرف‌کننده رشد نیست. رفتار او می‌تواند رشد تازه بسازد. خرید او می‌تواند اعتماد کاربر بعدی را بالا ببرد. محتوایی که امروز تولید می‌شود، می‌تواند ماه‌ها بعد ترافیک بیاورد. استفاده کاربر از محصول می‌تواند کاربر جدیدی وارد کند. تجربه خوب مشتری می‌تواند تکرار خرید، معرفی به دیگران یا تقاضای برند بسازد.در فانل، معمولا رشد بیشتر یعنی ورودی بیشتر. در چرخه رشد، رشد بهتر یعنی سیستمی که بخشی از انرژی رشد را به خودش برمی‌گرداند. این تفاوت برای پیاده‌سازی مدل عملیاتی رشد حیاتی است. چون اگر رشد را فقط خطی ببینیم، راه‌حل‌ها هم خطی می‌شوند. بودجه بیشتر، فشار بیشتر، کمپین بیشتر، تخفیف بیشتر. اما اگر رشد را چرخه‌ای ببینیم، سوال‌های دیگری خواهیم داشت:کدام رفتار کاربر می‌تواند کاربر بعدی را بیاورد؟کدام تجربه می‌تواند بازگشت بسازد؟کدام دارایی امروز، کانال جذب فردا می‌شود؟کدام بخش محصول می‌تواند خودش بخشی از توزیع را بر عهده بگیرد؟کدام داده از رفتار مشتری می‌تواند تجربه بعدی را بهتر کند؟اینجاست که رشد از خریدن ترافیک فاصله می‌گیرد و به ساختن موتور رشد نزدیک می‌شود.فانل چه چیزی را خوب نشان می‌دهد و چه چیزی را نشان نمی‌دهد؟فانل برای تشخیص ریزش خوب است. اگر تعداد زیادی کاربر وارد سایت می‌شوند اما محصول را نمی‌بینند، شاید مشکل در landing page، پیام، سرعت سایت یا اپ، اعتماد یا ... است. اگر کاربر محصول را می‌بیند اما خرید نمی‌کند، مساله شاید مراحل ثبت نام، قیمت، موجودی، تجربه مراحل پرداخت، روش پرداخت یا مقایسه با رقبا باشد. اگر خرید اول انجام می‌شود اما خرید دوم اتفاق نمی‌افتد، باید سراغ تجربه پس از خرید، رضایت، کیفیت سرویس یا ارزش واقعی محصول رفت.پس مشکل «فانل» این نیست که غلط است. مشکل این است که کامل نیست.فانل معمولا از یک ورودی شروع می‌شود که بیرون از سیستم قرار دارد. انگار رشد همیشه از بیرون تزریق می‌شود. کاربر جدید باید از تبلیغات، سئو، فروش، اینفلوئنسر، رپورتاژ، پروموشن یا کانال‌های دیگر وارد شود. بعد سازمان تلاش می‌کند او را تا انتهای مسیر ببرد.این نگاه در بسیاری از پروژه‌های رشد دیده می‌شود. تیم‌ها می‌پرسند ورودی را از کجا زیاد کنیم. کمتر می‌پرسند خروجی‌های فعلی ما چطور می‌توانند ورودی رشد بعدی شوند.در بسیاری از کسب‌وکارهای جدی، بخشی از رشد از درون خود سیستم ساخته می‌شود. محتوایی که امروز تولید می‌شود، ماه‌های بعد از گوگل ترافیک می‌آورد. مشتری راضی، کاربر جدید معرفی می‌کند. فروشنده موفق در یک مارکت پلیس، عرضه بیشتری وارد می‌کند و عرضه بیشتر تقاضای بیشتری می‌آورد. کاربر فعال در یک محصول نرم‌افزاری، همکارانش را به استفاده از محصول ترغیب می‌کند. نظر و امتیاز مشتریان، اعتماد کاربران بعدی را بالا می‌برد. داده حاصل از رفتار کاربران، تجربه شخصی‌سازی‌شده‌تری می‌سازد و همین تجربه خریدهای بعدی را بهتر می‌کند.این‌ها با نگاه صرفا فانلی خوب دیده نمی‌شوند. چون در اینجا خروجی یک مرحله پایان مسیر نیست. ورودی مرحله بعد است.اگر فقط فانل را ببینیم، ممکن است تمام انرژی سازمان صرف افزایش ورودی شود. اگر چرخه رشد را ببینیم، می‌پرسیم چطور می‌توانیم کاری کنیم هر موج رشد، موج بعدی را آسان‌تر کند. Growth Loop یعنی چه؟Growth Loop یا چرخه رشد یک سیستم تکرارشونده است. در این سیستم، یک ورودی وارد می‌شود، فرایندی را طی می‌کند، خروجی تولید می‌کند و بخشی از همان خروجی دوباره به ورودی رشد تبدیل می‌شود.مثلا در یک چرخه محتوایی، تیم محتوا مقاله‌ای تولید می‌کند. مقاله از گوگل ترافیک می‌گیرد. بخشی از کاربران تبدیل به مشتری، lead  یا عضو می‌شوند. داده جست‌وجو، رفتار کاربر و نیازهای تازه، موضوعات بعدی محتوا را روشن می‌کند. محتوای بهتر تولید می‌شود و این چرخه ادامه پیدا می‌کند.در یک چرخه  ریفرال، کاربر تجربه خوبی از محصول می‌گیرد. انگیزه یا دلیل کافی برای معرفی محصول به دیگران پیدا می‌کند. افراد جدید وارد می‌شوند. اگر آن‌ها هم ارزش را تجربه کنند، خودشان می‌توانند بخشی از چرخه معرفی بعدی شوند.در یک چرخه  مارکت پلیس، تقاضای بیشتر می‌تواند عرضه‌کننده بیشتری جذب کند. عرضه بیشتر، انتخاب و قیمت بهتر می‌سازد. انتخاب بهتر، تقاضای بیشتری می‌آورد. البته این چرخه همیشه مثبت نیست. اگر کیفیت عرضه پایین بیاید، اگر اعتماد خراب شود یا اگر تجربه عملیاتی ضعیف باشد، همین چرخه می‌تواند برعکس کار کند.در یک چرخه محصول محور، خود استفاده از محصول می‌تواند عامل رشد باشد. کاربر برای استفاده بهتر، دیگران را دعوت می‌کند. خروجی محصول در معرض دید دیگران قرار می‌گیرد. تجربه محصول بخشی از فرایند فروش را انجام می‌دهد. این تعریف یعنی محصول بخشی از فرایند رشد را بر عهده می‌گیرد، نه اینکه مارکتینگ، فروش و برند بی‌اهمیت شوند.نکته مهم این است که هیچ‌کدام از این چرخه‌ها با شعار ساخته نمی‌شوند. اگر کاربر دلیلی برای دعوت دیگران ندارد، چرخه‌ایبرای ریفرال نداریم. اگر محتوا نمی‌تواند تقاضای پایدار جذب کند، چرخه‌ای در محتوا نداریم. اگر محصول بدون دخالت شدید فروش و مارکتینگ نمی‌تواند ارزش خود را نشان دهد، محصول باعث ایجاد رشد نمی‌شود.چرخه رشد با فلش روی نمودار ساخته نمی‌شود. باید در رفتار کاربر، اقتصاد کسب‌وکار و تجربه محصول ریشه داشته باشد.هر کسب‌وکاری Growth Loop ندارد، یا هنوز ندارد.یکی از خطاهای رایج در مدیریت و مارکتینگ این است که هر مفهوم جذابی را به هر کسب‌وکاری بچسبانیم.Growth Loop هم از این قاعده جدا نیست. بعضی کسب‌وکارها واقعا چرخه رشد قوی دارند. بعضی‌ها بیشتر یک فانل جذب و تبدیل دارند. بعضی‌ها هم بالقوه می‌توانند loop بسازند، اما هنوز مکانیزم لازم را ندارند.یک فروشگاه آنلاین کوچک ممکن است در شروع کار بیشتر به paid acquisition وابسته باشد. در این مرحله شاید چرخه رشد قدرتمندی نداشته باشد. کاربر از تبلیغ وارد می‌شود، محصول را می‌بیند، خرید می‌کند یا نمی‌کند. اگر خرید کرد، مسیر تمام می‌شود. ماه بعد دوباره باید بودجه خرج شود تا کاربر تازه وارد شود.اما همین فروشگاه می‌تواند به‌تدریج چرخه بسازد. مثلا اگرنظرهای قابل اعتماد از کاربران موفق قبلی جمع کند، صفحات محصول را بهتر کند، محتوای قابل جست‌وجو بسازد، تجربه خرید تکرارشونده ایجاد کند یا برنامه معرفی مؤثر داشته باشد، بخشی از خروجی‌های امروز به ورودی رشد فردا تبدیل می‌شوند.یک سایت فروش بلیط هواپیما و رزرو هتل در نگاه اول بیشتر با فانل جست‌وجو تا خرید تحلیل می‌شود. کاربر وارد می‌شود، مسیر را جست‌وجو می‌کند، قیمت و گزینه‌ها را می‌بیند، خرید می‌کند و بعد شاید برگردد. اما اگر دقیق‌تر نگاه کنیم، چند امکان برای چرخه رشد وجود دارد. تجربه خوب خرید می‌تواند اعتماد و خرید تکراری بسازد. محتوای مقصد می‌تواند ترافیک ارگانیک بیاورد. داده جست‌وجو می‌تواند پیشنهادهای بهتر بسازد. برنامه وفاداری می‌تواند تکرار خرید را بیشتر کند. پشتیبانی خوب در موقع بحران می‌تواند بخشی از اعتماد برند و جست‌وجوی مستقیم آینده را بسازد. مثلا در همین جنگ‌های سال 1404، بعد از هر دوره جنگ و لغو پروازها، نارضایتی زیادی بابت بازپرداخت هزینه بلیط و رزروهای کنسل شده ایجاد شد. تعداد کمی از بازیگران این صنعت رضایت کاربرانشان را جلب کردند.یک کسب و کار SaaS اگر محصولش به‌صورت طبیعی در جریان کار تیمی استفاده شود، ظرفیت چرخه قوی‌تری دارد. وقتی یک کاربر برای استفاده بهتر از محصول باید همکارش را دعوت کند، یا خروجی محصول را با دیگران به اشتراک بگذارد، محصول در خودش کانال توزیع دارد. اما اگر محصول فقط یک ابزار فردی و بسته باشد، نمی‌توان صرفا با گذاشتن دکمه «مارا به دوستانتان معرفی کنید!» چرخه رشد ساخت.یک کسب‌وکار B2B فروش‌محور هم ممکن است چرخه داشته باشد، اما نه مثل مصال‌های قبلی. شاید از مشتری راضی قبلی نمونه کار موفق بسازد. شاید اجرای موفق برای یک مشتری، مسیر ورود به مشتریان مشابه را باز کند. شاید داده‌های استفاده مشتری از خدمات، تیم فروش را در  ارتباط با نیازمندی‌های این نوع از مشتریان قوی‌تر کند تا در موردهای آینده خروجی بهتری داشته باشند. این‌ها هم چرخه‌اند، اما چرخه‌هایی کندتر، سازمانی‌تر و وابسته‌تر به اعتماد.پس سوال درست این نیست که آیا باید Growth Loop داشته باشیم یا نه. سوال درست این است:در مدل کسب‌وکار ما، کدام خروجی می‌تواند ورودی رشد بعدی شود؟اگر پاسخی برای این سوال نداریم، احتمالا هنوز موتور رشد را کامل نفهمیده‌ایم.تفاوت رشد چرخه‌ای با رشد تزریقیرشد تزریقی خیلی ساده‌تر است. بودجه می‌دهیم، کمپین می‌رویم، ترافیک می‌آید، بخشی از آن تبدیل می‌شود. اگر بودجه قطع شود، رشد هم کند می‌شود.این مدل همیشه بد نیست. خیلی از کسب‌وکارها به paid acquisition نیاز دارند. حتی کسب‌وکارهایی که چرخه رشد قوی دارند، ممکن است برای سرعت گرفتن، ورود به بازار جدید یا دفاع در برابر رقبا از تبلیغات پولی استفاده کنند. بحث این نیست که paid بد است. بحث این است که اگر همه رشد از بیرون تزریق شود، کسب‌وکار همیشه به هزینه بیشتر وابسته می‌ماند. اصل داستان رشد برای ما این است که به مدل‌های ارگانیک‌تر و کم هزینه‌تر برسیم.رشد چرخه‌ای سخت‌تر ساخته می‌شود، اما اگر درست کار کند، اثر ماندگارتری دارد. چون هر موج رشد می‌تواند موج بعدی را کمی آسان‌تر کند. محتوای خوب، دارایی بلندمدت می‌سازد. مشتری وفادار، هزینه جذب آینده را پایین می‌آورد. محصولی که خودش کاربران جدید را درگیر می‌کند، بخشی از بار فروش و مارکتینگ را کم می‌کند. برند قابل اعتماد، نرخ تبدیل کانال‌های دیگر را بهتر می‌کند. تجربه عملیاتی خوب، خرید دوباره می‌سازد.این به معنی رشد رایگان نیست. هیچ چرخه رشدی واقعا رایگان نیست. محتوا هزینه دارد. محصول هزینه دارد. اعتماد هزینه دارد. ریفرال هزینه طراحی و انگیزه دارد. مارکت پلیس هزینه ایجاد تعادل میان عرضه و تقاضا دارد. برند هزینه دارد. ایجاد تکرار خرید در کاربران هزینه دارد.تفاوت در این است که هزینه صرفا برای خریدن یک ورودی مقطعی خرج نمی‌شود. بخشی از آن به ساختن یک دارایی رشد تبدیل می‌شود.اینجا تفکر رشد از نگاه کمپینی جدا می‌شود. تیمی که فقط کمپین می‌بیند، معمولا دنبال خروجی کوتاه‌مدت است. تیمی که مدل رشد می‌بیند، می‌پرسد آیا این فعالیت، چرخه‌ای برای رشد آینده هم می‌سازد یا نه. یک رپورتاژ ممکن است فقط چند روز ترافیک بیاورد. اما اگر بخشی از استراتژی اعتماد، جست‌وجوی برند، لینک‌سازی و تقاضای بلندمدت باشد، نقش متفاوتی پیدا می‌کند.یک کمپین تخفیف ممکن است فقط فروش امروز را جلو بیندازد. اما اگر به فعال‌سازی کاربر درست، تکرار خرید و یادگیری از حساسیت قیمتی وصل شود، بخشی از مدل رشد می‌شود. یک کمپین برند ممکن است فقط awareness بسازد. اما اگر اثرش روی branded search، نرخ تبدیل، CAC  و سهم کانال‌های مستقیم دنبال شود، از یک هزینه مبهم به یک تاثیر قابل تحلیل تبدیل می‌شود.رشد چرخه‌ای یعنی همین. فعالیت‌ها جدا از هم دیده نمی‌شوند. هر فعالیت باید روشن کند چه چیزی را وارد سیستم می‌کند و خروجی آن چطور به رشد بعدی کمک می‌کند.چرا بعضی چرخه‌ها روی کاغذ خوب‌اند اما در عمل کار نمی‌کنند؟بسیاری از شرکت‌ها روی کاغذ Growth Loop دارند. اما در عمل، چرخه کار نمی‌کند. دلیلش معمولا این است که یکی از حلقه‌های مسیر ضعیف است.برای چرخه ریفرال، فقط داشتن کد معرفی کافی نیست. کاربر باید از محصول راضی باشد، دلیل اجتماعی یا اقتصادی برای معرفی داشته باشد، فرایند دعوت ساده باشد، فرد دعوت‌شده سریع ارزش را بفهمد و تجربه‌اش آن‌قدر خوب باشد که خودش هم بتواند چرخه را ادامه دهد.اگر هر کدام از این‌ها خراب باشد، ریفرال به جای موتور رشد، تبدیل به یک کمپین پروموشنی کوتاه‌مدت می‌شود.Andrew Chen در نوشته‌هایش درباره viral growth روی یک نکته مهم تاکید می‌کند که رشد ویروسی واقعی از تکرار خرید و جریان‌های طبیعی معرفی آدم‌ها می‌آید، نه از دعوت‌های اجباری و فشار مصنوعی. محصولی که ارزش تکرارشونده ندارد، با چند دکمه "معرفی به دوستان" رشد نمی‌کند.برای  چرخه محتوا، فقط تولید مقاله کافی نیست. باید تقاضای جست‌وجو وجود داشته باشد، محتوا بتواند رتبه بگیرد، کاربر درست وارد شود، مسیر تبدیل روشن باشد، داده عملکرد محتوا به تصمیم‌های بعدی برگردد و تیم محتوا فقط بر اساس تعداد مقاله سنجیده نشود. اگر نه، خروجی می‌شود انبار محتوا، نه چرخه رشد.برای رشد از سمت خود محصول، فقط داشتن یک مدلی از استفاده رایگان از محصول کافی نیست. کاربر باید سریع به لحظه درک ارزش محصول و خدمت برسد. محصول باید آنبردینگ درست داشته باشد. تیم فروش و مارکتینگ هم نباید از مدل حذف شوند. بیشتر یک مدل ترکیبی است که در آن محصول بخشی از مسیر رشد را بر عهده می‌گیرد.چرخه خوب با یک فلش روی نمودار ساخته نمی‌شود. هر فلش باید پشتوانه رفتاری، اقتصادی یا عملیاتی داشته باشد.مدل عملیاتی رشد باید چرخه‌ها را قابل مدیریت کنددر مقاله قبلی اشاره کردم که رشد زمانی در کسب‌وکار پیاده می‌شود که به مدل عملیاتی تبدیل شود. اینجا یک لایه مهم به آن اضافه می‌کنم. مدل عملیاتی رشد نباید فقط فانل را مدیریت کند. باید چرخه‌های رشد را هم بشناسد.اگر چرخه محتوایی داریم، نباید فقط ترافیک را ببینیم. باید کیفیت تقاضا، نرخ تبدیل، سهم برند، موضوعات بعدی، اثر روی اتوریتی و اثر بلندمدت را هم ببینیم. اگر چرخه ریفرال داریم، نباید فقط تعداد دعوت را ببینیم. باید نرخ پذیرش دعوت، کیفیت کاربران دعوت‌شده، تکرار خرید آن‌ها، انگیزه واقعی کاربر معرف و هزینه هر کاربر معرفی‌شده را هم ببینیم. اگر چرخه محصول محور داریم، نباید فقط فعال سازی کاربران را ببینیم. باید بفهمیم کدام رفتار در محصول باعث دعوت، اشتراک‌گذاری یا استفاده تکراری می‌شود. اگر چرخه مارکت پلیس داریم، باید هم سمت عرضه و هم سمت تقاضا را با هم ببینیم. رشد یک سمت بدون کیفیت سمت دیگر، چرخه را خراب می‌کند. اگر چرخه برند داریم، نباید فقط reach و impression را ببینیم. باید بدانیم این فعالیت روی جست‌وجوی برند، direct traffic، conversion rate، اعتماد، CAC و کانال‌های دیگر چه اثری می‌گذارد.پس قبل از ساختن Metric Map، باید بدانیم داریم چه چیزی را map می‌کنیم. فانل؟ چرخه؟ ترکیبی از چند مسیر؟ یا فقط چند کانال جذب که هنوز به موتور رشد تبدیل نشده‌اند؟این یک مساله خیلی مهم است چون اگر مدل رشد را غلط بفهمیم، متریک‌ها را هم غلط می‌چینیم. اگر متریک‌ها غلط چیده شوند، تیم رشد روی مساله غلط کار می‌کند. اگر تیم روی مساله غلط کار کند، حتی تست‌های زیاد هم فقط سرعت اشتباه را بیشتر می‌کنند و در کل تا ثریا میرود دیوار کج!مدل عملیاتی رشد باید کمک کند چرخه‌ها دیده شوند، اندازه‌گیری شوند، تقویت شوند و در برابر خراب شدن محافظت شوند.یک مثال ساده از تفاوت فانل و چرخه رشدفرض کنیم یک کسب‌وکار آنلاین برای جذب کاربر جدید روی تبلیغات کلیکی کار می‌کند. مدل فانلی ساده این است:ImpressionclickSessionproduct viewcheckoutpurchaseتیم تلاش می‌کند CTR را بهتر کند، CPC را پایین بیاورد، conversion را بالا ببرد و هزینه جذب را کنترل کند اما اگر همه رشد همین باشد، هر ماه باید دوباره برای ورودی جدید هزینه شود. حالا فرض کنیم همین کسب‌وکار بعد از خرید، از کاربران نظرات ارزشمندی می‌گیرد. آن نظرات در صفحات محصول نمایش داده می‌شوند. اعتماد کاربر بعدی بالا می‌رود. نرخ تبدیل بهتر می‌شود. هزینه جذب مؤثر پایین می‌آید. کاربران بیشتری خرید می‌کنند و دوباره نظرات بیشتری تولید می‌شود.اینجا یک حلقه کوچک ساخته شده است. خروجی خریدهای قبلی، ورودی اعتماد برای خریدهای بعدی می‌شود. اگر از داده خرید، پیشنهادهای دقیق‌تر ساخته شود و همین پیشنهادها تکرار خرید را بالا ببرند، یک حلقه دیگر شکل می‌گیرد.اگر کاربران راضی دیگران را دعوت کنند، حلقه سوم شکل می‌گیرد. اگر محتوای تولیدشده بر اساس داده تقاضا ترافیک ارگانیک بیاورد، حلقه چهارم شکل می‌گیرد. اگر تجربه پشتیبانی خوب، شکایت را به رضایت تبدیل کند و همین رضایت در کانال‌های عمومی دیده شود، حلقه اعتماد شکل می‌گیرد.این کسب‌وکار هنوز فانل دارد. اما دیگر فقط فانل ندارد. حالا چند چرخه رشد دارد که باید اندازه‌گیری، تقویت و محافظت شوند.نکته مهم این است که این چرخه‌ها خودکار و جادویی نیستند. هر کدام به طراحی نیاز دارند. اگر نظر جمع شود اما در جای درست دیده نشود، اثرش کم می‌شود. اگر داده خرید جمع شود اما به پیشنهاد بهتر تبدیل نشود، چرخه ساخته نمی‌شود. اگر مشتری راضی باشد اما مکانیزم معرفی ساده و معنادار نداشته باشد، دعوت از شبکه ارتباطی اطرافیان کاربر اتفاق نمی‌افتد. اگر محتوا تولید شود اما به نیاز واقعی کاربر وصل نباشد، خروجی سئو به انبار متن تبدیل می‌شود.چرخه رشد یعنی طراحی رابطه میان خروجی و ورودی. نه امید بستن به اینکه خودبه‌خود اتفاقی بیفتد.رشد پایدار معمولا ترکیبی استقرار نیست همه کسب‌وکارها فقط با یک چرخه رشد کنند. واقعیت معمولا ترکیبی است.یک کسب‌وکار ممکن است paid acquisition داشته باشد، سئو هم داشته باشد، CRM هم داشته باشد، ریفرال هم داشته باشد، برند هم بسازد و در کنار آن محصول را برای activation بهتر اصلاح کند.مساله این نیست که فقط یک مدل را انتخاب کنیم و بقیه را کنار بگذاریم. مساله این است که بدانیم هر مسیر چه نقشی دارد.Paid acquisition شاید برای سرعت لازم باشد.محتوا شاید برای تقاضای پایدار لازم باشد.CRM شاید برای retention لازم باشد.محصول شاید برای فعال سازی و تکرار خرید لازم باشد.برند شاید برای اعتماد لازم باشد.عملیات شاید برای حفظ تجربه و جلوگیری از ریزش کاربران لازم باشد.فروش شاید برای باز کردن بازارهای B2B لازم باشد.پارتنرشیپ شاید برای توزیع سریع‌تر لازم باشد.تفکر رشد یعنی این مسیرها را جدا از هم نبینیم. یعنی بفهمیم اثر یک مسیر روی مسیر دیگر چیست. برند می‌تواند کانورژن تبلیغات را بهتر کند. تجربه محصول می‌تواند ریفرال را تقویت کند. تکرار خرید می‌تواند LTV را بالا ببرد و LTV بالاتر می‌تواند اجازه دهد جذب کاربر گران‌تری را تحمل کنیم. کیفیت عملیات می‌تواند خرید دوباره بسازد. محتوای خوب می‌تواند هم ترافیک بیاورد، هم اعتماد بسازد، هم تقاضای برند را تقویت کند.اینجاست که رشد از جمع چند کانال جداگانه به یک سیستم تبدیل می‌شود. مدیر رشد یا مدیر مارکتینگ اگر فقط کانال‌ها را جداگانه ببیند، ممکن است تصمیم‌های درست محلی بگیرد، اما تصمیم غلط سیستمی بسازد. مثلا کانالی را حذف کند که مستقیم فروش زیادی نمی‌آورد، اما روی اعتماد وکانورژن کانال‌های دیگر اثر دارد. یا کمپینی را موفق بداند که فروش امروز را بالا برده، اما ریتنشن و حاشیه سود را خراب کرده است یا محتوایی را کم‌ارزش بداند چون کانورژن  مستقیم ندارد، اما در ساختن تقاضا و جست‌وجوی برند اثرگذار است.مدل چرخه‌ای به ما کمک می‌کند اثرهای غیرمستقیم را بهتر ببینیم. نه اینکه هر چیزی را بهانه کنیم و هر هزینه‌ای را توجیه کنیم. بلکه بتوانیم فرضیه روشن بسازیم و اثر مسیرهای مختلف را دقیق‌تر دنبال کنیم.چرخه رشد بدون متریک درست، فقط روایت است!اینجا باید یک هشدار جدی داد.Growth Loop  اگر به متریک وصل نشود، خیلی زود تبدیل به یک روایت خوشگل می‌شود. نموداری با چند فلش و چند کلمه جذاب، اما بدون قابلیت تصمیم‌گیری. برای اینکه چرخه رشد واقعی باشد، باید چند چیز روشن شود:ورودی چرخه چیست؟چه فرایندی آن ورودی را به خروجی تبدیل می‌کند؟خروجی چرخه چیست؟کدام بخش از خروجی دوباره به ورودی تبدیل می‌شود؟کدام متریک نشان می‌دهد چرخه قوی‌تر شده؟کدام متریک نشان می‌دهد چرخه در حال خراب شدن است؟مثلا در چرخه محتوا، صرفا تعداد مقاله متریک خوبی نیست. باید دید impression، rank، click، engagement، conversion، assisted conversion، branded search، کیفیت lead یا کیفیت کاربر چه تغییری کرده است.در  چرخه ریفرال، صرفا تعداد دعوت کافی نیست. باید دید invite rate، acceptance rate، activation دعوت‌شده‌ها، ریتنشن آن‌ها و هزینه واقعی چرخه چقدر است. در چرخه مربوط به محصول، صرفا تعداد کاربر فعال کافی نیست. باید دید کدام رفتار محصول به استفاده تکراری، دعوت، share یا خرید وصل می‌شود.این همان جایی است که وارد بحث متریک‌ها می‌شویم. وقتی مدل رشد را شناختیم، باید آن را به نقشه متریک‌ها تبدیل کنیم. تا وقتی چرخه رشد فقط در ذهن یا روی اسلاید باشد، قابل مدیریت نیست. باید وارد Metric Map شود. باید معلوم شود کدام عدد کجای چرخه قرار دارد و چه رابطه‌ای با عددهای دیگر دارد.رشد بدون مدل، حدس است. مدل بدون متریک، روایت است. متریک بدون رابطه، داشبورد است. و داشبورد بدون تصمیم، فقط گزارش است.اول موتور رشد را بفهمیم، بعد سراغ متریک برویماگر مقاله اول این پرونده درباره ضرورت مدل عملیاتی رشد بود، این مقاله یک قدم جلوتر رفت و می‌پرسد:این مدل عملیاتی قرار است روی چه موتوری سوار شود؟دیدیم که پاسخ همیشه فانل نیست! فانل لازم است، اما کافی نیست. رشد بسیاری از کسب‌وکارها در چرخه‌هایی ساخته می‌شود که خروجی امروز را به ورودی فردا تبدیل می‌کنند. این چرخه ممکن است از محتوا، از محصول، از ریفرال، از مارکت پلیس، از داده، از تجربه مشتری، از فروش، از عملیات یا از اعتماد برند بیاید.کسب‌وکاری که فقط فانل را می‌بیند، معمولا بیشتر به تزریق ورودی فکر می‌کند. کسب‌وکاری که چرخه‌ها را می‌بیند، به ساختن مکانیزمی فکر می‌کند که رشد را تکرارپذیرتر، کم هزینه‌تر و قابل یادگیری‌تر کند.در مقاله بعدی همین مدل رشد را به زبان متریک ترجمه می‌کنیم. آنجا بحث Metric Map و Metric Tree شروع می‌شود. چون تا وقتی ندانیم مدل رشد ما فانلی است، چرخه‌ای است یا ترکیبی از چند مسیر، نمی‌توانیم متریک‌های درست را بچینیم.رشد خوب از یک نمودار شروع نمی‌شود. از فهمیدن موتور واقعی کسب‌وکار شروع می‌شود.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSat, 13 Jun 2026 22:44:21 +0330https://virgool.ir/@hojat.ghanad/چه-زمانی-ai-در-سازمان-لازم-نیست-zog6kwqqcba2در مقاله قبل نوشتم که مساله خیلی از سازمان‌ها این نیست که AI ندارند. مساله این است که نمی‌دانند کدام مشکلشان واقعا AI می‌خواهد. اما این فقط نیمه اول ماجراست.فرض کنیم سازمان مساله را پیدا کرده است. مثلا فهمیده که پشتیبانی کند است، نرخ خطا در یک فرایند بالاست، تصمیم‌های عملیاتی دیر گرفته می‌شود، داده‌ها پراکنده‌اند، یا بخشی از تیم‌ها وقت زیادی را صرف کارهای تکراری می‌کنند. سوال بعدی این نیست که «حالا با کدام مدل AI حلش کنیم؟»سوال درست‌تر این است که این مساله در کدام سطح از پیچیدگی قرار دارد و ساده‌ترین مداخله موثر برای حل آن چیست؟این سوال ساده، جلوی بخش زیادی از پروژه‌های اشتباه را می‌گیرد. چون بسیاری از سازمان‌ها از همان ابتدا چند پله بالاتر می‌پرند. مساله هنوز درست مستند نشده، اما درباره Agent حرف می‌زنند. داده هنوز ساختار ندارد، اما دنبال مدل پیش‌بینی‌اند. فرایند هنوز دستی و مبهم است اما می‌خواهند روی آن GenAI بگذارند. مالک تصمیم هنوز معلوم نیست، اما می‌خواهند تصمیم را خودکار کنند. این همان جایی است که تکنولوژی به جای حل مساله، خودش مساله تازه می‌سازد.استفاده از تکنولوژی پیچیده برای مساله ساده، بلوغ نیست.در بعضی سازمان‌ها هرچه راه‌حل پیچیده‌تر باشد، جدی‌تر به نظر می‌رسد. اگر بگویی مساله با اصلاح یک فرم حل می‌شود، کسی هیجان‌زده نمی‌شود. اگر بگویی باید یک AI Agent طراحی کنیم، جلسه جدی‌تر می‌شود. همین میل به پیچیده کردن، یکی از ریشه‌های شکست پروژه‌های تکنولوژی است.سازمان بالغ، سازمانی نیست که برای هر مساله‌ای پیشرفته‌ترین ابزار را انتخاب کند. سازمان بالغ، سازمانی است که سطح مساله را درست تشخیص می‌دهد. گاهی بهترین تصمیم این است که AI استفاده نکنیم.این حرف محافظه‌کارانه نیست. اتفاقا برای استفاده درست از AI لازم است. اگر هر مساله‌ای را AI بنامیم، هم هزینه سازمان را بالا می‌بریم، هم توقع غلط می‌سازیم، هم پروژه‌های واقعا مهم را بی‌اعتبار می‌کنیم.هوش مصنوعی باید جایی وارد شود که مساله واقعا از جنس یادگیری، تشخیص الگو، زبان، پیش‌بینی، تصمیم‌سازی یا تعامل پیچیده باشد. اگر مساله از جنس نبود فرایند، نبود داده، نبود مالکیت، نبود گزارش یا نبود discipline اجرایی است، AI احتمالا زود است.پله اول: گاهی مساله فقط دیده نشده استخیلی از مسائل سازمانی قبل از آنکه نیاز به تکنولوژی داشته باشند، نیاز به دیده شدن دارند. مثلا همه می‌دانند یک فرایند کند است. اما هیچ‌کس نمی‌داند دقیقا کجا کند است. تیم عملیات می‌گوید مشکل از محصول است. تیم محصول می‌گوید مشکل از داده است. تیم پشتیبانی می‌گوید مشکل از سیاست‌های مبهم است. مدیریت می‌گوید تیم‌ها بهره‌ور نیستند. در چنین وضعیتی، شروع کردن با AI اشتباه است. چون هنوز معلوم نیست قرار است چه چیزی را بهتر کند.اینجا اولین مداخله، نقشه‌برداری از فرایند است. باید فهمید کار از کجا شروع می‌شود، از چه مسیرهایی عبور می‌کند، چه کسی تصمیم می‌گیرد، کجا توقف دارد، کجا دوباره‌کاری می‌شود و کدام مرحله بیشترین هزینه را می‌سازد.تا وقتی فرایند روی کاغذ نیامده، AI فقط یک حدس گران‌قیمت است.در بسیاری از شرکت‌ها همین مرحله ساده، نیمی از مساله را حل می‌کند. چون وقتی کار دیده می‌شود، معلوم می‌شود بخشی از پیچیدگی اصلا لازم نبوده است. یک تایید اضافه، یک گزارش بی‌مصرف، یک مرحله ارجاع، یک سیاست نانوشته یا یک وابستگی بی‌دلیل باعث کندی شده است. اینجا نه GenAI لازم است، نه Machine Learning. فقط باید سازمان خودش را ببیند.پله دوم: گاهی مساله هنوز دیجیتال نیستبعضی وقت‌ها سازمان می‌خواهد AI داشته باشد، اما داده لازم هنوز در سیستم نیست. اطلاعات در اکسل‌های جداگانه است. بخشی از تصمیم‌ها در پیام‌رسان‌ها گرفته می‌شود. بخشی از دانش سازمانی در ذهن افراد قدیمی است. گزارش‌ها دستی ساخته می‌شوند. وضعیت‌ها در سیستم ثبت نمی‌شوند. دلیل تصمیم‌ها ذخیره نمی‌شود. داده هست، اما قابل استفاده نیست. در چنین وضعیتی، AI روی هوا ساخته می‌شود.یک مدل خوب، بدون داده قابل اعتماد، خروجی قابل اعتماد نمی‌دهد. یک Copilot داخلی، بدون knowledge base مرتب، فقط متن قشنگ تولید می‌کند. یک Agent عملیاتی، بدون دسترسی به داده تمیز و ساختارمند، ممکن است با اعتمادبه‌نفس بالا تصمیم بد پیشنهاد دهد.پس پله دوم، دیجیتالی‌سازی است. نه به معنای خرید یک نرم‌افزار بزرگ، بلکه به معنای قابل ردیابی کردن کار.اگر یک تصمیم مهم گرفته می‌شود، باید در سیستم رد داشته باشد. اگر یک وضعیت تغییر می‌کند، باید ثبت شود. اگر یک خطا تکرار می‌شود، باید دسته‌بندی شود. اگر یک کار دستی هر روز انجام می‌شود، باید ورودی و خروجی آن معلوم باشد.تا وقتی کار قابل ردیابی نیست، AI بیشتر شبیه دکور است تا زیرساخت تصمیم.پله سوم: گاهی اتوماسیون کافی است!بخش زیادی از کارهای سازمانی از جنس تصمیم پیچیده نیستند. از جنس rule هستند. اگر کاربر فلان رفتار را داشت، این پیام ارسال شود. اگر سفارش در فلان وضعیت ماند، alert بخورد. اگر تیکت از نوع خاصی بود، به تیم مشخصی برود. اگر اطلاعات ناقص بود، فرم برگردد. اگر مبلغ از حدی بالاتر بود، تایید دوم لازم شود.این‌ها AI نمی‌خواهند. workflow automation می‌خواهند. اشتباه رایج این است که سازمان روی چنین مسائلی اسم AI می‌گذارد. شاید از نظر تبلیغاتی جذاب‌تر باشد، اما از نظر مدیریتی خطرناک است. چون مساله‌ای که می‌توانست با یک rule ساده، شفاف و قابل کنترل حل شود، ناگهان به پروژه‌ای تبدیل می‌شود که مدل، prompt، vendor، خطای احتمالی، هزینه نگهداری و ریسک governance دارد.اتوماسیون ساده دست‌کم گرفته می‌شود، چون جذاب نیست. اما در سازمان‌های واقعی، گاهی بیشترین صرفه‌جویی از همین‌جا می‌آید. حذف کارهای تکراری، کاهش ارجاع دستی، کاهش خطای انسانی، استاندارد شدن پاسخ‌ها و سریع‌تر شدن مسیرهای مشخص.اگر یک تصمیم را می‌شود با چند شرط روشن توضیح داد، معمولا AI لازم نیست. اگر برای توضیح تصمیم باید الگوهای پنهان، داده‌های زیاد، زبان طبیعی، ابهام یا context پیچیده را فهمید، آن وقت می‌توان به پله‌های بعدی فکر کرد.پله چهارم: گاهی سازمان فقط داشبورد نداردمدیران گاهی فکر می‌کنند مساله تیمشان اجراست، در حالی که مساله اصلی دیدن است. تصمیم‌ها دیر گرفته می‌شود، چون کسی تصویر به‌روز ندارد. هزینه بالا می‌رود، چون دیر متوجه نشت می‌شویم. کیفیت افت می‌کند، چون شاخص هشداردهنده نداریم. تیم‌ها بحث می‌کنند، چون هر کس از یک فایل و یک تعریف عدد استفاده می‌کند.اینجا AI لازم نیست. اول باید BI درست داشت.داشبورد خوب، فقط نمودار نیست. داشبورد خوب یعنی سازمان روی تعریف چند شاخص توافق کرده باشد. یعنی همه بدانند metric چیست، از کجا می‌آید، چند وقت یک‌بار به‌روز می‌شود و چه کسی باید بر اساس آن تصمیم بگیرد.گاهی یک alert ساده از یک مدل پیچیده ارزشمندتر است. مثلا اگر نرخ لغو، نرخ شکایت، زمان پاسخ، خطای داده یا افت فروش در یک بخش از حد مشخصی عبور کرد، تیم مربوطه همان روز خبردار شود. این دیگر هوش مصنوعی نیست، اما اثر عملیاتی دارد.در سازمان‌های زیادی، قبل از هوشمندسازی باید شفاف‌سازی کرد. تصمیم بد همیشه به خاطر نبود AI نیست. گاهی به خاطر نبود یک تصویر مشترک از واقعیت است.پله پنجم: وقتی مساله پیش‌بینی است!Machine Learning جایی معنا پیدا می‌کند که مساله از جنس پیش‌بینی، احتمال یا تشخیص الگو باشد.مثلا می‌خواهیم بدانیم کدام مشتری احتمالا ریزش می‌کند. کدام سفارش احتمالا دچار مشکل می‌شود. کدام رفتار ممکن است نشانه تقلب باشد. کدام فروشنده در هفته‌های آینده افت عملکرد خواهد داشت. کدام کاربر بدون تخفیف هم خرید می‌کند و کدام کاربر فقط با تحریک درست برمی‌گردد.اینجا دیگر ruleهای ساده همیشه کافی نیستند. چون الگوها ممکن است خطی و واضح نباشند. متغیرها زیادند. رفتارها تغییر می‌کنند. تصمیم نیاز به احتمال دارد، نه جواب قطعی.اما حتی اینجا هم نباید سریع سراغ مدل رفت. اول باید پرسید اگر مدل پیش‌بینی کرد، سازمان با آن چه می‌کند؟اگر احتمال churn یک کاربر را دانستیم، آیا برنامه retention داریم؟ اگر احتمال fraud را دیدیم، آیا مسیر بررسی داریم؟ اگر فهمیدیم یک تامین‌کننده یا فروشنده احتمالا افت می‌کند، آیا تیمی هست که مداخله کند؟ اگر مدل بگوید این سفارش پرریسک است، چه کسی تصمیم می‌گیرد؟مدل بدون action، فقط گزارش پیچیده است.پیش‌بینی زمانی ارزش دارد که به تصمیم وصل شود. اگر سازمان برای استفاده از خروجی مدل آماده نیست، ساخت مدل زود است.پله ششم: وقتی مساله زبان و دانش استGenAI زمانی ارزشمند می‌شود که مساله با زبان، متن، دانش، خلاصه‌سازی، تولید، جست‌وجو یا تعامل طبیعی سروکار دارد. اینجا دیگر موضوع فقط عدد و rule نیست. کاربر سوال می‌پرسد. اپراتور باید متن طولانی را بفهمد. مدیر باید از چند سند جمع‌بندی بگیرد. تیم محتوا باید پیش‌نویس تولید کند. کارشناس باید بین policyها جست‌وجو کند. دانش سازمانی پراکنده است و کسی نمی‌داند پاسخ درست کجا نوشته شده. در این سطح، GenAI می‌تواند کمک جدی کند. اما باز هم باید دقیق بود.اگر دانش سازمانی مرتب نیست، GenAI جواب دقیق نمی‌دهد. اگر policyها با هم تناقض دارند، مدل تناقض را حل نمی‌کند. اگر داده محرمانه است، استفاده از ابزار عمومی خطرناک می‌شود. اگر خروجی مستقیم به مشتری می‌رود، human review لازم است. اگر محتوا روی برند اثر دارد، کنترل کیفیت لازم است.GenAI برای بسیاری از کارها عالی است، اما نباید با آن مثل یک کارمند دانای همه‌چیز برخورد کرد. بهتر است در شروع، نقش آن را محدود کنیم. مثلا پیشنهاد بدهد، خلاصه کند، پیش‌نویس بسازد، جست‌وجو را بهتر کند، اما تصمیم نهایی با انسان بماند.در سازمان واقعی، Copilot معمولا از Autopilot امن‌تر و عملی‌تر است.پله هفتم: Agent آخرین پله است، نه اولین ایدهاین روزها بسیاری از بحث‌ها به AI Agent می‌رسد. جذاب است. چون از ابزاری حرف می‌زند که فقط پاسخ نمی‌دهد، بلکه می‌تواند کار انجام دهد. می‌تواند از چند سیستم داده بگیرد، وضعیت را تحلیل کند، تصمیم پیشنهادی بسازد، حتی در محدوده‌ای اقدام کند.اما Agent وقتی معنا دارد که فرایند، داده، سطح دسترسی، مسئولیت، governance و مسیر توقف مشخص باشد.اگر این‌ها مشخص نباشند، Agent خطرناک است.چت‌باتی که جواب بد می‌دهد، یک نوع ریسک دارد. Agentی که به سیستم‌ها وصل است و action انجام می‌دهد، ریسک دیگری دارد. ممکن است داده حساس ببیند، تصمیم اشتباه بگیرد، هزینه ایجاد کند، پیام اشتباه ارسال کند یا کاری را در مقیاس بالا تکرار کند.برای همین، Agent نباید نقطه شروع باشد. باید نتیجه بلوغ چند پله قبلی باشد.اول باید فرایند دیده شود. داده آماده باشد. ruleها و policyها مشخص باشند. موارد استثنا شناخته شده باشند. سطح تصمیم‌های انسانی معلوم باشد. بعد می‌توان بخشی از کار را به Agent سپرد.حتی آنجا هم بهتر است با سطح پایین autonomy شروع کرد. اول مشاهده کند. بعد پیشنهاد بدهد. بعد با تایید انسان اقدام کند. بعد در موارد کم‌ریسک خودکار شود.Agent واقعی یعنی تغییر در مدل کار، نه فقط یک interface جدید.چرا سازمان‌ها از پله‌ها می‌پرند؟دلیل اول، فشار نمایش است. AI برای مدیران، سرمایه‌گذاران، رسانه‌ها و حتی کارکنان جذاب است. گفتن اینکه «ما فرایند را اصلاح کردیم» به اندازه «ما Agent ساختیم» هیجان ندارد.دلیل دوم، خستگی سازمانی است. خیلی وقت‌ها حل مساله واقعی سخت است. باید بین تیم‌ها هماهنگی ایجاد کرد. مالکیت‌ها را شفاف کرد. داده‌ها را تمیز کرد. فرایندها را عوض کرد. آدم‌ها را قانع کرد. در مقایسه، خرید ابزار یا ساخت یک دمو راحت‌تر است.دلیل سوم، vendor-driven شدن تصمیم است. وقتی مساله از داخل سازمان تعریف نشده باشد، ابزار فروشنده به‌جای مساله واقعی می‌نشیند. سازمان به جای اینکه بگوید چه می‌خواهد، می‌پذیرد که ابزار چه چیزی بلد است.دلیل چهارم، نبود زبان مشترک بین بیزینس و تکنولوژی است. تیم بیزینس مساله را با درد توضیح می‌دهد. تیم فنی آن را با سیستم و محدودیت می‌بیند. مدیر ارشد آن را با هزینه و نتیجه می‌سنجد. وقتی زبان مشترک نیست، AI تبدیل می‌شود به کلمه‌ای که همه روی آن توافق ظاهری دارند، اما هرکس چیز متفاوتی از آن می‌فهمد.اینجا نقش کسی که transformation را می‌فهمد مهم می‌شود. نه کسی که فقط ابزار می‌شناسد، نه کسی که فقط درد بیزینس را می‌شنود. کسی که بتواند مساله را به سطح درست مداخله ترجمه کند.یک مثال ساده از تشخیص اشتباهفرض کنیم یک شرکت می‌گوید می‌خواهد برای تیم فروش خود AI بسازد، چون فروشندگان زمان زیادی را صرف پیگیری مشتریان می‌کنند. اگر از پله آخر شروع کنیم، شاید بگوییم باید یک sales agent طراحی شود که مشتریان را تحلیل کند، پیام بنویسد، پیگیری کند و پیشنهاد next best action بدهد.اما بررسی دقیق‌تر شاید چیز دیگری نشان دهد. شاید داده مشتریان ناقص است. پس پله اول، تمیز کردن CRM است.شاید وضعیت leadها یکسان تعریف نشده است. پس پله اول، استانداردسازی stageهاست. شاید پیگیری‌ها فراموش می‌شود. پس اتوماسیون reminder کافی است. شاید مدیر فروش نمی‌داند کدام فروشنده در کدام مرحله مشکل دارد. پس داشبورد funnel لازم است. شاید بعضی leadها ارزش پیگیری ندارند. پس scoring ساده یا ML می‌تواند کمک کند. شاید فروشنده وقت زیادی صرف نوشتن پیام می‌کند. پس GenAI Copilot مفید است.شاید بعد از همه این‌ها، بخشی از پیگیری‌ها قابل سپردن به Agent باشد. همه این‌ها ممکن است در نهایت به AI برسد. اما نه از روز اول. نه بدون پله‌های قبلی.انتخاب سطح مداخله، تصمیم مدیریتی است نه فنی!اینکه برای یک مساله از automation استفاده کنیم یا GenAI یا ML یا Agent، صرفا تصمیم فنی نیست. تصمیم مدیریتی است. چون هر پله هزینه، ریسک و اثر سازمانی متفاوتی دارد.اتوماسیون ساده معمولا قابل فهم‌تر و قابل کنترل‌تر است. BI به سازمان دید می‌دهد، اما خودش تصمیم نمی‌گیرد. ML احتمال می‌دهد، اما نیاز به تفسیر و اقدام دارد. GenAI زبان و دانش را وارد بازی می‌کند، اما خطای متنی و اعتماد کاذب می‌سازد. Agent می‌تواند کار انجام دهد، اما مسئولیت، کنترل و governance جدی‌تری می‌خواهد.پس انتخاب تکنولوژی باید با این سوال همراه باشد:اگر این راه‌حل اشتباه کند، چه اتفاقی می‌افتد؟اگر درست کار کند، چه ارزشی ایجاد می‌کند؟اگر تیم‌ها از آن استفاده نکنند، چه می‌شود؟اگر scale شود، چه هزینه‌ای دارد؟اگر متوقفش کنیم، چه چیزی از دست می‌رود؟پاسخ این سوال‌ها گاهی نشان می‌دهد راه‌حل ساده‌تر، بهتر است.نردبان را برای پایین رفتن هم لازم داریمبیشتر سازمان‌ها نردبان تکنولوژی را برای بالا رفتن می‌خواهند. یعنی از automation به AI، از AI به Agent، از Agent به operating model هوشمند.اما نردبان برای پایین آمدن هم مهم است. گاهی باید شجاعت داشت و گفت این پروژه AI نیست. این فقط یک workflow است. گاهی باید گفت این Agent لازم ندارد. یک Copilot کافی است. گاهی باید گفت این مدل پیش‌بینی نمی‌خواهد. یک dashboard با alert کافی است. گاهی باید گفت این داشبورد هم کافی نیست. اول باید فرایند را عوض کنیم.پایین آمدن از نردبان یعنی کاهش جاه‌طلبی نیست. یعنی افزایش دقت.در سازمان‌هایی که تکنولوژی را برای نمایش نمی‌خواهند، این نوع تصمیم‌ها ارزشمندتر است. چون منابع محدودند. اعتماد سازمان محدود است. توجه مدیران محدود است. هر پروژه اشتباه، شانس پروژه درست بعدی را کم می‌کند.اول سطح مساله را بفهمیم!AI قرار نیست جای تفکر مدیریتی را بگیرد. قرار است در جاهایی که واقعا مناسب است، آن را تقویت کند. برای همین قبل از هر پروژه AI باید بپرسیم مساله در کدام پله است.آیا اصلا فرایند را می‌شناسیم؟آیا داده ثبت می‌شود؟آیا با اتوماسیون ساده حل می‌شود؟آیا فقط گزارش و دید مدیریتی کم داریم؟آیا مساله از جنس پیش‌بینی است؟آیا زبان و دانش سازمانی درگیر است؟آیا واقعا به Agent نیاز داریم؟آیا سازمان برای تغییر نقش انسان و ماشین آماده است؟این سوال‌ها شاید هیجان یک دمو را نداشته باشند، اما جلوی هدررفت جدی را می‌گیرند. تکنولوژی وقتی ارزش می‌سازد که در سطح درست استفاده شود. استفاده از ابزار پیچیده برای مساله ساده، نه نوآوری است، نه تحول. فقط پیچیده‌تر کردن مساله‌ای است که شاید با یک تصمیم ساده‌تر حل می‌شد.سازمان AI-ready سازمانی نیست که سریع‌تر از همه سراغ AI می‌رود. سازمانی است که می‌داند چه زمانی نباید سراغ AI برود.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadWed, 10 Jun 2026 15:59:30 +0330https://virgool.ir/@hojat.ghanad/رشد-را-نمی-شود-به-کمپین-تبلیغاتی-واگذار-کرد-qt8fwefnd0byتقریبا هر کسب‌وکاری یک نقطه مشترک را تجربه می‌کند. رشد کند می‌شود. نه لزوما به این معنا که فروش سقوط کرده باشد. گاهی فروش هنوز بالا می‌رود، اما کندتر از قبل. گاهی هزینه جذب مشتری بالا می‌رود. گاهی کاربران جدید می‌آیند اما برنمی‌گردند. گاهی نرخ تبدیل افت می‌کند. گاهی هم همه چیز روی گزارش‌ها خوب به نظر می‌رسد، اما مدیرعامل و تیم اجرایی حس می‌کنند موتور کسب‌وکار دیگر مثل قبل کار نمی‌کند.واکنش رایج در چنین موقعیتی معمولا قابل پیش‌بینی است. بودجه تبلیغات بیشتر می‌شود. چند کمپین جدید تعریف می‌شود. آژانس عوض می‌شود. تیم مارکتینگ تحت فشار قرار می‌گیرد. ابزارهای جدید خریداری می‌شود. داشبوردهای داده تمیزتر می‌شوند. گاهی هم یک Growth Manager استخدام می‌شود تا مساله رشد را حل کند.اما چند ماه بعد، سازمان دوباره با همان سوال روبه‌رو است:دقیقا چه چیزی رشد ما را می‌سازد؟این سوال ساده نیست. بسیاری از شرکت‌ها در عمل می‌دانند چطور کمپین اجرا کنند، چطور تبلیغ بخرند، چطور گزارش بسازند، چطور KPI تعریف کنند و چطور درباره رشد جلسه بگذارند. اما هنوز نمی‌دانند رشد در کسب‌وکارشان از چه مکانیزمی ساخته می‌شود.همین‌جا تفاوت مهمی شکل می‌گیرد. یک شرکت ممکن است مدل عملیاتی مارکتینگ یا تبلیغات داشته باشد، اما مدل عملیاتی رشد نداشته باشد.مدل عملیاتی تبلیغات یعنی سازمان می‌داند چطور بودجه بگیرد، مدیا بخرد، کمپین اجرا کند، گزارش بگیرد و درباره هزینه و بازدهی حرف بزند. این‌ها لازم‌اند، اما کافی نیستند. «مدل عملیاتی رشد» یعنی سازمان می‌داند رشد از چه مسیرهایی ساخته می‌شود، کجا نشت دارد، کدام رفتار مشتری مهم است، کدام متریک اهرم است، کدام متریک فقط نشانه است، چه چیزی باید تست شود و اثر واقعی هر مداخله چطور باید سنجیده شود.معادل انگلیسی مدلی که در این پرونده درباره آن حرف می‌زنم، Growth Operating Model است. این عبارت را می‌شود «مدل عملیاتی رشد» ترجمه کرد. منظور از آن یک نمودار تزئینی، یک فایل استراتژی یا یک اسم جدید برای تیم مارکتینگ نیست. منظور سازوکاری است که رشد را از سطح کمپین، گزارش و جلسه خارج می‌کند و وارد سیستم تصمیم‌گیری کسب‌وکار می‌کند.Brian Balfour در نوشته‌هایش درباره رشد بارها این موضوع را میگوید که رشد مجموعه‌ای از تاکتیک‌های بازاریابی نیست. رشد حاصل تعامل محصول، کانال، مدل کسب‌وکار، بازار و رفتار کاربر است. همین نگاه باعث می‌شود رشد را نتوان فقط به تبلیغات، فقط به محصول یا فقط به فروش واگذار کرد. رشد جایی ساخته می‌شود که این بخش‌ها روی هم اثر می‌گذارند.این حرف برای بسیاری از مدیران بدیهی به نظر می‌رسد، اما در عمل کمتر اجرا می‌شود. هنوز در بسیاری از شرکت‌ها، رشد به شکل ساده‌تری فهمیده می‌شود یعنی اگر فروش کم است، تبلیغات بیشتر. اگر کاربر کم است، کمپین بیشتر. اگر نرخ تبدیل پایین است، تخفیف بیشتر. اگر کانال قبلی جواب نمی‌دهد، کانال تازه‌تر.گاهی این تصمیم‌ها لازم‌اند. اما اگر سازمان نداند مساله اصلی کجاست، همین تصمیم‌ها فقط صورت مساله را عقب می‌اندازند.رشد، اسم جدید تبلیغات نیست!در خیلی از شرکت‌ها، مخصوصا شرکت‌هایی که از مسیر دیجیتال رشد کرده‌اند، واژه رشد خیلی زود با تبلیغات یکی می‌شود. وقتی گفته می‌شود باید رشد کنیم، ذهن‌ها به سمت Google Ads، SEO، CRM، اینفلوئنسر، کمپین، پروموشن، پیامک، push notification یا performance marketing می‌رود. این‌ها ابزارهای مهمی هستند. اما خود رشد نیستند.تبلیغات می‌تواند ترافیک بیاورد، اما اگر صفحه محصول قانع‌کننده نباشد، رشد ساخته نمی‌شودSEO. می‌تواند کاربر بیاورد، اما اگر مسیر بعد از ورود روشن نباشد، رشد در همان نقطه نشت می‌کند.CRM می‌تواند کاربر را برگرداند، اما اگر ارزش پیشنهادی محصول برای تکرار خرید کافی نباشد، پیام بیشتر فقط مزاحمت بیشتر و اسپم می‌سازد. تخفیف می‌تواند فروش امروز را بالا ببرد، اما اگر رفتار خرید را خراب کند یا حاشیه سود را بسوزاند، رشد واقعی نساخته‌ایم.به همین دلیل، رشد را نباید فقط در واحد مارکتینگ جست‌وجو کرد. بخشی از رشد در محصول است. بخشی در قیمت‌گذاری. بخشی در تجربه پرداخت. بخشی در عملیات. بخشی در برند. بخشی در CRM. بخشی در فروش. بخشی در عرضه. بخشی هم در اعتماد.تیم مارکتینگ ممکن است یکی از مهم‌ترین بازیگران رشد باشد، اما اگر رشد فقط به مارکتینگ واگذار شود، سازمان بخش بزرگی از واقعیت را نمی‌بیند.فرض کنید نرخ تبدیل یک کسب‌وکار آنلاین افت کرده است. اگر مسئله را فقط از زاویه مارکتینگ ببینیم، احتمالا سراغ کیفیت ترافیک، پیام کمپین، پروموشن یا landing page می‌رویم. اما ممکن است مشکل از جای دیگری باشد. شاید قیمت رقبا تغییر کرده. شاید موجودی کالا یا ظرفیت سرویس کم شده. شاید درگاه پرداخت خطا دارد. شاید کاربر به برند اعتماد نمی‌کند. شاید تجربه موبایل ضعیف است. شاید ترکیب ترافیک عوض شده و کاربران تازه با نیت خرید پایین‌تری وارد می‌شوند. شاید محصول هنوز برای کاربران جدید به اندازه کافی قابل فهم نیست.همه این‌ها روی رشد اثر دارند، اما همه آن‌ها در اختیار مارکتینگ نیستند.در چنین وضعیتی، افزایش بودجه تبلیغات گاهی حتی مسئله را بدتر می‌کند. چون کاربر بیشتری را وارد مسیری می‌کند که خودش مشکل دارد. سازمان خوشحال می‌شود که ورودی بالا رفته، اما خروجی اقتصادی بهتر نمی‌شود. تفکر رشد از همین‌جا شروع می‌شود: از پذیرفتن اینکه رشد یک مساله میان‌واحدی است، نه یک وظیفه تبلیغاتی.بسیاری از شرکت‌ها مدل عملیاتی تبلیغات دارند، نه مدل عملیاتی رشد!این جمله برای فضای بسیاری از کسب‌وکارهای ایرانی آشناست. شرکت بودجه دارد. کمپین دارد. گزارش دارد. داشبورد دارد. KPI دارد. جلسات منظم دارد. حتی ممکن است تیم مارکتینگ نسبتا حرفه‌ای و ابزارهای خوب داشته باشد.اما اگر بپرسیم رشد این کسب‌وکار دقیقا از کجا می‌آید، پاسخ روشن نیست.آیا رشد از افزایش تقاضای برند می‌آید؟ از performance marketing؟ از محتوای ارگانیک؟ از تکرار خرید؟ از referral؟ از فروش سازمانی؟ از بهبود نرخ تبدیل؟ از بهبود تجربه محصول؟ از کاهش churn؟ از افزایش میانگین ارزش سفارش؟ از افزایش عرضه؟ از بهبود قیمت؟ از ترکیب چند عامل؟اگر پاسخ روشن نباشد، سازمان در ظاهر داده‌محور است، اما در عمل با حدس جلو می‌رود. در چنین سازمانی، بودجه هست اما مدل نیست. گزارش هست اما تشخیص نیست. KPI هست اما اولویت نیست. کمپین هست اما یادگیری نیست.این همان تفاوت مدل عملیاتی تبلیغات و مدل عملیاتی رشد است.مدل عملیاتی تبلیغات معمولا از بودجه شروع می‌شود. مدل عملیاتی رشد از مساله شروع می‌شود.مدل عملیاتی تبلیغات می‌پرسد کدام کانال را بیشتر خرج کنیم. مدل عملیاتی رشد می‌پرسد کدام اهرم واقعا خروجی کسب‌وکار را حرکت می‌دهد. مدل عملیاتی تبلیغات به دنبال بهینه‌سازی کمپین است. مدل عملیاتی رشد به دنبال فهمیدن موتور رشد است. مدل عملیاتی تبلیغات گزارش عملکرد می‌دهد. مدل عملیاتی رشد فرضیه می‌سازد، تست می‌کند و یادگیری را به تصمیم بعدی برمی‌گرداند.این تفاوت نظری نیست. اثر مستقیم روی تصمیم‌های مدیریتی دارد. شرکتی که مدل عملیاتی رشد ندارد، معمولا دیر می‌فهمد مشکل از کجاست. وقتی فروش افت می‌کند، مارکتینگ را فشار می‌دهد. وقتی CAC بالا می‌رود، بودجه را کم می‌کند. وقتی retention افت می‌کند، CRM را مقصر می‌داند. وقتی نرخ تبدیل پایین می‌آید، صفحه فرود را عوض می‌کند. شاید بعضی از این کارها درست باشد، اما بدون مدل رشد، اولویت‌ها بیشتر شبیه واکنش‌اند تا تصمیم.رشد، قبل از تیم رشد شروع می‌شود!در سال‌های اخیر، بسیاری از شرکت‌ها وقتی احساس می‌کنند رشدشان کند شده، به فکر ساختن تیم رشد یا استخدام Growth Manager می‌افتند. این تصمیم در ظاهر مدرن است، اما اگر زود یا غلط گرفته شود، نتیجه خوبی ندارد.تیم رشد وقتی معنا دارد که شرکت حداقل تصویری از مدل رشد خود داشته باشد. یعنی بداند کاربر از کجا می‌آید، چرا فعال می‌شود، چه چیزی باعث خرید یا استفاده دوباره می‌شود، کجا ریزش می‌کند، کدام رفتار ارزش اقتصادی می‌سازد و کدام متریک‌ها نشان می‌دهند مسیر درست است.اگر این تصویر وجود نداشته باشد، Growth Manager تبدیل می‌شود به کسی که باید همه چیز را درست کند، بدون اینکه اختیار کافی داشته باشد. از محصول درخواست تغییر دارد. از مارکتینگ درخواست کمپین. از دیتا درخواست گزارش. از فنی درخواست پیاده‌سازی. از مالی درخواست بودجه. از مدیرعامل درخواست صبر. اما هیچ‌کدام از این‌ها به تنهایی رشد نمی‌سازند.Andrew Chen در توضیح کار روزمره تیم رشد، کار این تیم را به دو بخش اصلی تقسیم می‌کند:planning/modelinggrowth testsیعنی تیم رشد اول باید رشد را مدل کند، بعد بر اساس آن تست طراحی کند. اگر مدل وجود نداشته باشد، تیم رشد فقط به کارخانه ایده و تست‌های پراکنده تبدیل می‌شود. این نکته مهم است. تیم رشد قرار نیست جای مدل رشد را بگیرد. تیم رشد باید روی مدل رشد کار کند.اگر سازمان هنوز نمی‌داند مسئله اصلی activation است یا retention، acquisition است یا monetization، کیفیت کاربر است یا نرخ تبدیل، تشکیل تیم رشد فقط یک اسم تازه به ابهام قبلی می‌دهد. برای همین، قبل از اینکه بپرسیم چه کسی را برای رشد استخدام کنیم، باید بپرسیم رشد در این کسب‌وکار از چه مکانیزمی ساخته می‌شود.داشبورد داشتن به معنای رشد محور بودن نیست!یکی از خطاهای رایج در شرکت‌های دیجیتال این است که داده‌محور بودن را با گزارش‌محور بودن اشتباه می‌گیرند. داشبورد دارند، اما تصمیم‌هایشان همچنان حدسی است.KPI دارند، اما نمی‌دانند کدام عدد علت است و کدام عدد نتیجه. گزارش هفتگی دارند، اما هر هفته همان بحث‌ها تکرار می‌شود.داشبورد می‌گوید چه اتفاقی افتاده است. اما لزوما نمی‌گوید چرا اتفاق افتاده است. اگر GMV افت کند، داشبورد افت را نشان می‌دهد. اما پاسخ نمی‌دهد افت از کاهش ترافیک آمده، از افت نرخ تبدیل، از کاهش میانگین ارزش سفارش، از خطای پرداخت، از افزایش کنسلی، از تغییر ترکیب کانال‌ها یا از افت کیفیت کاربران جدید.اگر CAC بالا برود، داشبورد آن را نشان می‌دهد. اما توضیح نمی‌دهد مشکل از گران شدن media است، از افت conversion، از کاهش تقاضای برند، از ضعیف شدن پیام، از تغییر رفتار رقبا یا از فشار بیش از حد روی یک کانال.اگر retention افت کند، داشبورد هشدار می‌دهد. اما نمی‌گوید مشکل از onboarding بوده، از expectation mismatch، از تجربه پشتیبانی، از کیفیت محصول، از جذب کاربران نامناسب یا از فاصله میان وعده کمپین و تجربه واقعی.Ben Yoskovitz و Alistair Croll در کتاب Lean Analytics مفهوم One Metric That Matters را مطرح می‌کنند. حرف آن‌ها این نیست که فقط یک عدد را برای همیشه ببینیم. نکته مهم‌تر این است که در هر مرحله از رشد، باید بدانیم کدام متریک بیش از بقیه جهت تصمیم را روشن می‌کند. این نگاه دقیقا نقطه مقابل داشبورد زدگی است. مساله تعداد نمودارها نیست. مساله این است که آیا سازمان می‌داند الان کدام عدد واقعا مهم است یا نه.برای همین، کسب‌وکار رشد محور فقط داشبورد نمی‌سازد. نقشه می‌سازد. نقشه‌ای که نشان دهد متریک‌ها چگونه به هم وصل‌اند و هر واحد سازمانی روی کدام بخش از این نقشه اثر دارد. مدل عملیاتی رشد از همین‌جا شکل می‌گیرد. اول باید مدل رشد را فهمید. بعد باید آن را به متریک‌ها ترجمه کرد. بعد باید تیم، اختیار، فرآیند تست و سازوکار تصمیم‌گیری را حول همان مدل چید.رشد خوب از فرضیه شروع می‌شود، نه از ایده!یکی دیگر از نشانه‌های نبود مدل عملیاتی رشد، زیاد بودن ایده‌ها و کم بودن یادگیری است. در چنین شرکت‌هایی همیشه ایده وجود دارد. یک نفر می‌گوید باید referral راه بیندازیم. یکی می‌گوید باید بیشتر روی SEO کار کنیم. یکی می‌گوید باید اپلیکیشن را push کنیم. یکی می‌گوید مشکل از خلاقه تبلیغاتی است. یکی می‌گوید باید قیمت را تغییر بدهیم. یکی می‌گوید باید CRM را جدی‌تر کنیم. یکی می‌گوید باید کمپین برند برویم.ممکن است همه این ایده‌ها درست باشند. ممکن است هیچ‌کدام اولویت امروز کسب‌وکار نباشند. تفاوت تیم رشد بالغ با تیم ایده‌پرداز همین‌جاست. تیم رشد خوب از ایده شروع نمی‌کند. از مساله شروع می‌کند. مساله را به متریک وصل می‌کند. بعد فرضیه می‌سازد. بعد تست طراحی می‌کند. بعد یادگیری را به مدل رشد برمی‌گرداند.مثلا به جای اینکه بگوید «بیایید onboarding را بهتر کنیم»، دقیق‌تر می‌پرسد: آیا کاربران جدید در روز اول به نقطه‌ای می‌رسند که ارزش اصلی محصول را تجربه کنند؟ اگر نه، کدام رفتار اولیه بیشترین رابطه را با خرید یا استفاده دوباره دارد؟ اگر آن رفتار را افزایش دهیم، آیا retention cohortهای جدید بهتر می‌شود؟یا به جای اینکه بگوید «باید کمپین برند برویم»، می‌پرسد: آیا کاهش branded search روی CAC و conversion اثر گذاشته؟ آیا سهم ما در تقاضای برند نسبت به رقبا کم شده؟ اگر awareness را بالا ببریم، اثر آن را از کدام متریک‌های میانی باید دنبال کنیم؟یا به جای اینکه بگوید «باید تخفیف بدهیم»، می‌پرسد: تخفیف قرار است کدام گلوگاه را حل کند؟ نرخ تبدیل را؟ خرید اول را؟ بازگشت کاربر را؟ افزایش AOV را؟ آیا تخفیف فروش افزایشی می‌سازد یا فقط خریدی را که قرار بود هفته بعد اتفاق بیفتد جلو می‌آورد؟ اثر آن روی margin و رفتار خرید بعدی چیست؟این نوع سوال‌ها مسیر رشد را از سلیقه جدا می‌کند. تصمیم‌ها هنوز ممکن است اشتباه باشند، اما اشتباه‌ها قابل یادگیری می‌شوند.بدون فرضیه، تست فقط تغییر است. با فرضیه، تست به یادگیری تبدیل می‌شود.رشد واقعی، میان چند واحد ساخته می‌شوددر ساختارهای سنتی‌تر، مارکتینگ معمولا مسئول آوردن مشتری تا در مغازه بود و فروش باقی مسیر را جلو می‌برد. در کسب‌وکار دیجیتال، این مرزها به هم ریخته است. کاربر وارد سایت یا اپلیکیشن می‌شود، محصول را می‌بیند، قیمت را مقایسه می‌کند، به برند اعتماد یا بی‌اعتماد می‌شود، در checkout گیر می‌کند، پیامک یا push دریافت می‌کند، دوباره برمی‌گردد یا برای همیشه می‌رود.در این مسیر، مارکتینگ تنها بازیگر نیست. محصول، فنی، دیتا، عملیات، مالی، پشتیبانی، فروش و حتی حقوقی ممکن است روی رشد اثر بگذارند.اگر تیم‌ها هرکدام متریک جدا، هدف جدا و زبان جدا داشته باشند، رشد تکه‌تکه می‌شود. مارکتینگ ترافیک می‌آورد، محصول می‌گوید کیفیت ترافیک پایین است. محصول تغییر می‌دهد، مارکتینگ می‌گوید پیام برند خراب شد. مالی هزینه را می‌بیند، تیم رشد LTV را. پشتیبانی شکایت‌ها را می‌بیند، اما کسی آن‌ها را به retention وصل نمی‌کند.مدل عملیاتی رشد قرار نیست همه این تعارض‌ها را حذف کند. اما باید یک زبان مشترک بسازد. زبانی که در آن همه بدانند کدام متریک برای کسب‌وکار حیاتی است، کدام متریک قابل اقدام است، کدام واحد روی کدام بخش اثر دارد و تصمیم‌ها بر اساس چه شواهدی گرفته می‌شوند.Amplitude در North Star Framework روی همین اتصال میان زبان مشتری، زبان محصول و زبان کسب‌وکار تاکید می‌کند. ارزش این چارچوب فقط انتخاب یک عدد مرکزی نیست. ارزشش این است که تیم‌ها بفهمند کاری که هر روز انجام می‌دهند چطور به ارزش مشتری و خروجی کسب‌وکار وصل می‌شود.این برای مدیران رشد و مارکتینگ مهم است. چون بسیاری از اختلاف‌های سازمانی از نبود زبان مشترک شروع می‌شود. مارکتینگ درباره demand حرف می‌زند. محصول درباره feature. مالی درباره هزینه. فروش درباره target. پشتیبانی درباره شکایت. مدیرعامل درباره رشد. اگر این زبان‌ها به هم ترجمه نشوند، داده هم همیشه مساله را حل نمی‌کند. گاهی فقط به هر تیم ابزار بیشتری می‌دهد تا از روایت خودش دفاع کند. رشد در سازمانی که زبان مشترک ندارد، معمولا به دعوای روایت‌ها تبدیل می‌شود.مدل عملیاتی رشد از پنج لایه ساخته می‌شودبرای اینکه رشد در کسب‌وکار پیاده شود، باید چند لایه به هم وصل شوند. این لایه‌ها مستقل از هم نیستند. اگر یکی از آن‌ها ضعیف باشد، بقیه هم درست کار نمی‌کنند.لایه اول، مدل رشد است.کسب‌وکار باید بفهمد رشدش از چه مکانیزمی ساخته می‌شود. آیا رشد وابسته به جذب paid است؟ آیا با محتوا و سئو تغذیه می‌شود؟ آیا referral دارد؟ آیا محصول خودش باعث جذب کاربر جدید می‌شود؟ آیا رشد از فروش سازمانی می‌آید؟ آیا retention موتور اصلی اقتصاد کسب‌وکار است؟ آیا marketplace باید هم‌زمان عرضه و تقاضا را متعادل کند؟اگر مدل رشد روشن نباشد، تصمیم‌ها پراکنده می‌شوند. تیم‌ها روی چیزهایی کار می‌کنند که شاید مهم باشند، اما الزاما گلوگاه امروز رشد نیستند.لایه دوم، نقشه متریک‌هاست(metric map).مدل رشد باید به عدد ترجمه شود. باید روشن شود کدام متریک نتیجه است، کدام متریک ورودی است، کدام متریک هشدار است و کدام متریک فقط برای تشخیص علت کاربرد دارد. revenue، GMV، CAC، LTV، retention، conversion و ROAS همه مهم‌اند، اما نقش یکسانی ندارند.بعضی متریک‌ها outcome هستند. بعضی driver. بعضی diagnostic. بعضی guardrail. اگر این نقش‌ها قاطی شوند، سازمان ممکن است عددی را هدف‌گذاری کند که فقط باید برای تشخیص استفاده می‌شد. یا عددی را نادیده بگیرد که در واقع علامت اولیه یک مشکل بزرگ‌تر بوده است.لایه سوم، تیم و اختیار است.اگر مساله رشد میان محصول، مارکتینگ، دیتا و عملیات پخش شده، تیم رشد هم باید توان اثرگذاری روی همین مرزها را داشته باشد. تیمی که فقط گزارش می‌دهد و اختیار تغییر ندارد، تیم رشد نیست. تیمی که فقط کمپین اجرا می‌کند، تیم رشد نیست. تیمی که فقط ایده می‌دهد و برای اجرای هر ایده باید از چندین واحد مجوز بگیرد، دیر یا زود فرسوده می‌شود.تیم رشد باید مسئله مشترک، متریک مشترک، backlog مشترک و حدی از اختیار اجرایی داشته باشد.لایه چهارم، ریتم تست و یادگیری است.رشد با چند ایده پراکنده ساخته نمی‌شود. باید backlog، اولویت‌بندی، فرضیه، تست، تحلیل و ثبت یادگیری وجود داشته باشد. تیم رشد باید بداند چه چیزی را تست می‌کند، چرا آن را تست می‌کند، موفقیت را با چه متریکی می‌سنجد و نتیجه تست قرار است چه تصمیمی را تغییر دهد. اگر تست‌ها به تصمیم وصل نباشند، فقط فعالیت تولید می‌کنند. نه یادگیری.لایه پنجم، سنجش اثر و حکمرانی متریک‌هاست.سازمان باید بداند کدام تغییر واقعا اثر افزایشی ساخته و کدام فقط روی کاغذ خوب دیده شده است. همچنین باید مراقب باشد KPIها رفتار غلط نسازند. هر عددی که هدف می‌شود، می‌تواند بازی داده شود. اگر فقط lead هدف شود، lead بی‌کیفیت زیاد می‌شود. اگر فقط CTR هدف شود، تیتر زرد زیاد می‌شود. اگر فقط GMV هدف شود، تخفیف بی‌منطق بالا می‌رود. اگر فقط ROAS هدف شود، تقاضاسازی بلندمدت قربانی کاربران آماده خرید می‌شود.این پنج لایه با هم مدل عملیاتی رشد را می‌سازند. اگر مدل رشد نباشد، تیم‌ها نمی‌دانند روی چه چیزی کار کنند. اگر نقشه متریک‌ها نباشد، گزارش زیاد می‌شود اما فهم کم. اگر تیم اختیار نداشته باشد، فرضیه‌ها در جلسه می‌مانند. اگر ریتم تست نباشد، تصمیم‌ها سلیقه‌ای می‌شوند. اگر سنجش اثر و حکمرانی متریک‌ها نباشد، سازمان نمی‌فهمد واقعا چه چیزی کار کرده و چه چیزی فقط عددها را زیباتر کرده است.چرا این بحث برای مدیران کسب‌وکار مهم است؟ممکن است مدل عملیاتی رشد در نگاه اول بحثی تخصصی برای تیم‌های محصول، مارکتینگ یا دیتا به نظر برسد. اما در واقع مساله مدیرعامل و مدیران ارشد است.چون رشد فقط یک عدد در گزارش نیست. رشد یعنی تصمیم درباره بودجه، استخدام، محصول، قیمت، کانال، برند، عملیات و اولویت‌های سازمان. اگر مدل رشد روشن نباشد، همه این تصمیم‌ها با خطای بیشتری گرفته می‌شوند.مدیرعامل ممکن است فکر کند مشکل از مارکتینگ است، در حالی که مسئله در retention است. مدیر مارکتینگ ممکن است بودجه بیشتری بخواهد، در حالی که مشکل در conversion محصول است. تیم محصول ممکن است دنبال redesign برود، در حالی که مساله از کیفیت ترافیک می‌آید. تیم مالی ممکن است هزینه جذب را زیاد ببیند، در حالی که LTV برخی cohortها آن هزینه را توجیه می‌کند. تیم CRM ممکن است به ارسال پیام بیشتر فشار بیاورد، در حالی که مشکل اصلی این است که کاربر از تجربه اول ارزش کافی نگرفته است.مدل عملیاتی رشد کمک می‌کند این بحث‌ها دقیق‌تر شوند. نه اینکه همیشه جواب قطعی بدهد، بلکه کمک می‌کند سازمان سؤال‌های بهتری بپرسد و در رشد، کیفیت سوال‌ها از تعداد گزارش‌ها مهم‌تر است.رشد پایدار از اتصال ساخته می‌شود، نه از فشار بیشتر!بسیاری از کسب‌وکارها وقتی رشد کند می‌شود، فشار را بیشتر می‌کنند. فشار روی تیم مارکتینگ. فشار روی فروش. فشار روی بودجه. فشار روی کمپین. فشار روی تخفیف. فشار روی محتوا. فشار روی محصول.گاهی فشار لازم است اما اگر سیستم رشد درست طراحی نشده باشد، فشار بیشتر فقط اصطکاک بیشتر می‌سازد.اگر acquisition و activation به هم وصل نباشند، ورودی بیشتر به خروجی اقتصادی تبدیل نمی‌شود. اگر retention و acquisition جدا دیده شوند، ممکن است کاربران بیشتری جذب کنیم که ارزش طول عمر پایینی دارند. اگر برند و performance جدا دیده شوند، ممکن است کوتاه‌مدت خوب به نظر برسیم و بلندمدت تقاضای برند را از دست بدهیم. اگر محصول و مارکتینگ جدا حرف بزنند، وعده‌ای که در کمپین می‌دهیم با تجربه‌ای که کاربر می‌گیرد یکی نخواهد بود. اگر مالی فقط هزینه را ببیند و کیفیت cohort را نبیند، ممکن است کانالی را قطع کند که در بلندمدت سودآور است. رشد پایدار از اتصال این بخش‌ها ساخته می‌شود.مدل عملیاتی رشد دقیقا برای همین اتصال لازم است. قرار نیست جای استراتژی را بگیرد. قرار نیست جای خلاقیت را بگیرد. قرار نیست همه چیز را مکانیکی کند. اتفاقا برعکس. کار آن این است که خلاقیت، داده، محصول، مارکتینگ و تصمیم مدیریتی را به یک مسیر قابل یادگیری وصل کند. در چنین مدلی، کمپین همچنان مهم است. اما کمپین دیگر پایان فکر نیست. بخشی از یک فرضیه است.داشبورد همچنان مهم است. اما داشبورد دیگر جای تحلیل را نمی‌گیرد. ابزار تشخیص است. تیم رشد همچنان مهم است. اما تیم رشد قرار نیست ناجی تنهای سازمان باشد. باید درون یک مدل عملیاتی کار کند. KPI همچنان مهم است. اما KPI بدون guardrail و تفسیر درست می‌تواند سازمان را به مسیر غلط ببرد.رشد را اول باید در سیستم تصمیم‌گیری سازمان ایجاد کردرشد پایدار با یک کمپین ساخته نمی‌شود. با استخدام یک نفر هم ساخته نمی‌شود. با داشبورد هم به تنهایی ساخته نمی‌شود. این‌ها می‌توانند مفید باشند، اما وقتی در یک مدل عملیاتی قرار بگیرند. کسب‌وکار باید بداند رشد از چه مسیری ساخته می‌شود، کدام متریک‌ها باید دیده شوند، چه تیمی روی چه اهرمی کار می‌کند، فرضیه‌ها چطور تست می‌شوند، اثر واقعی تغییرات چطور سنجیده می‌شود و کدام KPIها ممکن است سازمان را به مسیر غلط ببرند.تفکر رشد یعنی سازمان یاد بگیرد رشد را فقط نخرد، فقط گزارش نکند و فقط آرزو نکند. آن را مدل کند، تست کند، اندازه بگیرد و وارد سیستم تصمیم‌گیری خود کند.مقاله‌های بعدی این پرونده از همین نقطه شروع می‌شوند. اول باید بفهمیم کسب‌وکار با چه مدل یا loopی رشد می‌کند. بعد آن مدل را به Metric Map تبدیل می‌کنیم. سپس درباره North Star، تیم رشد، backlog تست، تحلیل رابطه میان متریک‌ها، سنجش اثر واقعی کمپین‌ها و خطر KPIهای غلط صحبت می‌کنیم.اگر این مسیر درست طی شود، رشد از یک واژه باکلاس مدیریتی به یک قابلیت واقعی سازمانی تبدیل می‌شود.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadTue, 09 Jun 2026 19:23:09 +0330https://virgool.ir/@hojat.ghanad/مسئله-خیلی-از-سازمان-ها-این-نیست-که-ai-ندارند-skc3nhjihtqdاین روزها در خیلی از شرکت‌ها جلسه‌های هوش مصنوعی با یک سوال اشتباه شروع می‌شود:«کجا می‌توانیم از AI استفاده کنیم؟»همین سوال، با اینکه مدرن و آینده‌نگر به نظر می‌رسد، معمولا مسیر را خراب می‌کند. چون سازمان را از مساله جدا می‌کند و مستقیم می‌برد سمت ابزار. از همین‌جا پروژه‌هایی شروع می‌شوند که در جلسه ارائه جذاب‌اند، در لینکدین خوب دیده می‌شوند اما در عمل اثر جدی روی سازمان و خروجی‌اش ندارند.سوال درست این نیست که کجا AI استفاده کنیم. سوال درست این است که کدام مساله سازمان آن‌قدر مهم و اثرگذار است که ارزش حل شدن دارد و برای حل آن واقعا به چه نوع راه‌حلی(نه الزاما AI) نیاز داریم.گاهی پاسخ AI است. گاهی نیست. گاهی مساله با یک داشبورد ساده حل می‌شود. گاهی با تغییر یک فرایند. گاهی با اتوماسیون. گاهی با تعریف مالکیت تصمیم. گاهی با اصلاح یک فرم، پیام، پنل یا گزارش. سازمانی که برای هر مساله‌ای سراغ AI می‌رود، پیشرو نیست. احتمالا مساله‌اش را درست نفهمیده است.AI روی مساله مبهم، فقط ابهام را بیشتر می‌کند!فرض کنیم یک شرکت با حجم بالای تماس‌های پشتیبانی روبه‌روست. اولین پیشنهاد احتمالا این است که چت‌بات بگذاریم. ظاهرا منطقی است. تماس زیاد است، اپراتور کم است، مشتری معطل می‌شود، پس AI باید پاسخ بدهد.اما اگر کمی عقب‌تر برویم، شاید ببینیم علت تماس‌ها چیز دیگری است. شاید مشتری به خاطر مبهم بودن وضعیت سفارش تماس می‌گیرد. شاید پیامک‌ها درست نوشته نشده‌اند. شاید پنل کاربر به‌موقع به‌روزرسانی نمی‌شود. شاید سیاست‌های پشتیبانی بین اپراتورها یکسان نیست. شاید کاربر برای فهمیدن یک پاسخ ساده مجبور است چند مرحله را طی کند.در چنین وضعیتی، چت‌بات فقط یک لایه تازه روی همان آشفتگی قبلی است. اگر پشت صحنه مبهم باشد، AI هم جواب دقیق نمی‌دهد. اگر داده ناقص باشد، مدل هم حدس می‌زند. اگر فرایند خراب باشد، اتوماسیون فقط خرابی را سریع‌تر می‌کند.این همان نقطه‌ای است که بسیاری از پروژه‌های AI شکست می‌خورند. نه چون مدل بد بوده، نه چون تیم فنی ضعیف بوده، بلکه چون مسئله از اول بد تعریف شده است.خیلی وقت‌ها AI راه‌حل نیست، واکنش عصبی سازمان است!سازمان‌ها تحت فشارند. همه درباره AI حرف می‌زنند. مدیران می‌ترسند عقب بمانند. تیم‌ها ابزارهای مختلف را امتحان می‌کنند. چند نفر در سازمان با ChatGPT بهتر و سریع‌تر کار می‌کنند و ناگهان این تصور شکل می‌گیرد که شرکت باید هرچه زودتر «AI Transformation» را شروع کند.اما استفاده پراکنده از AI، تحول نیست.اینکه تیم محتوا چند متن را سریع‌تر پیش‌نویس کند، خوب است. اینکه برنامه‌نویس از ابزار کمکی برای کدنویسی استفاده کند، خوب است. اینکه مدیر محصول با AI ایده بگیرد، خوب است. اما این‌ها هنوز تحول سازمانی نیستند. این‌ها بهره‌وری فردی‌اند.تحول وقتی شروع می‌شود که AI وارد مسائل و فرایندهای کاری اصلی سازمان شود. یعنی جایی که هزینه بالا است، خطا تکرار می‌شود، تصمیم کند است، تجربه مشتری آسیب می‌بیند، یا فرصت رشد از دست می‌رود. حتی آنجا هم باید اول فهمید که آیا AI بهترین پاسخ است یا نه.گاهی سازمان از AI حرف می‌زند چون نمی‌خواهد درباره مساله اصلی حرف بزند. درباره ابهام در تصمیم‌گیر و مالکیت تصمیم، فرایندهای کثیف، داده‌های پراکنده، سیاست‌های نانوشته، KPIهای غلط و تیم‌هایی که با هم هماهنگ نیستند. AI در چنین فضایی تبدیل می‌شود به پوششی مدرن برای مشکلات قدیمی و اساسی.مساله باید عدد داشته باشدتا وقتی مساله با کلمات کلی توضیح داده می‌شود، هنوز مساله نیست. «پشتیبانی کند است»، «فروش خوب نیست»، «مشتری ناراضی است»، «تیم بهره‌ور نیست»، «فرایند دستی است» و «گزارش‌ها دیر آماده می‌شوند» همه نشانه‌اند، نه تعریف مساله.تعریف مسئله باید دقیق‌تر باشد. مثلا در پشتیبانی باید بدانیم چه سهمی از تماس‌ها مربوط به چند موضوع پرتکرار است، میانگین زمان رسیدگی چقدر است، چند درصد تیکت‌ها ارجاع می‌شوند، کجا دوباره‌کاری داریم، کدام پاسخ‌ها اختلافی‌اند و نارضایتی دقیقا در کدام مرحله شکل می‌گیرد.وقتی مساله این‌طور دیده شود، انتخاب راه‌حل عوض می‌شود. شاید بفهمیم اصلا نباید به سمت چت‌بات برویم. شاید باید knowledge base بسازیم. شاید باید policyها را یکسان کنیم. شاید فقط نیاز به آموزش بهتر پرسنل داریم. شاید باید صفحه وضعیت سفارش را بهتر کنیم. شاید باید alert داخلی داشته باشیم. شاید باید برای اپراتور copilot بسازیم، نه برای مشتری chatbot. شاید هم در یک مرحله بعد، پاسخ خودکار معنا پیدا کند.مساله‌ای که عدد ندارد، پروژه AI نمی‌خواهد. اول باید دیده شود و بعد یک تعریف صریح و همه فهم برایش ایجاد کنیم.از ساده‌ترین راه‌حل شروع کن!در کار با تکنولوژی، سال‌هاست که یک قاعده ساده اما مهم را یاد گرفته‌ام:از ساده‌ترین راه‌حلی که می‌تواند مساله را حل کند، شروع کن.اگر مساله با شفاف‌سازی فرایند حل می‌شود، AI لازم ندارد. اگر با یک rule ساده حل می‌شود، مدل لازم ندارد. اگر با داشبورد حل می‌شود، copilot لازم ندارد. اگر داده آماده نیست، agent خطرناک است. اگر مالک تصمیم مشخص نیست، هوش مصنوعی فقط داستان را با ضریب زیادی پیچیده و مبهم‌تر می‌کند.این حرف ضد AI نیست. اتفاقا شرط استفاده درست از AI است.هوش مصنوعی زمانی ارزش می‌سازد که روی مساله درست بنشیند. اگر زودتر از موعد وارد شود، هم هزینه می‌سازد، هم توقع بی‌جا ایجاد می‌کند، هم اعتماد پرسنل و سازمان را به پروژه‌های بعدی از بین می‌برد.بسیاری از سازمان‌ها هنوز بین چند سطح متفاوت فرق نمی‌گذارند. دیجیتالی کردن یک فرایند با اتوماسیون فرق دارد. اتوماسیون با تحلیل داده فرق دارد. تحلیل داده با مدل پیش‌بینی فرق دارد. مدل پیش‌بینی با GenAI فرق دارد. GenAI با Agent فرق دارد.وقتی این تفاوت‌ها روشن نباشد، هر چیزی اسم AI می‌گیرد. یک rule ساده می‌شود AI. یک فرم هوشمند می‌شود AI. یک داشبورد می‌شود AI. بعد هم وقتی اثر جدی نمی‌بینیم، می‌گوییم AI جواب نداد. در حالی که از اول معلوم نبود درباره چه چیزی حرف می‌زنیم.سخت‌ترین بخش، ابزار نیست!حتی وقتی مطمئن شدیم AI واقعا لازم است، تازه بخش سخت شروع می‌شود. انتخاب مدل، ابزار، API یا vendor فقط بخشی از کار است. مساله اصلی این است که بعد از ورود AI، کار در سازمان چگونه تغییر می‌کند.فرض کنیم برای تیم کال سنتر یک copilot ساخته‌ایم. ابزار می‌تواند متن شکایت را خلاصه کند، سابقه مشتری را نشان دهد، policy مرتبط را پیشنهاد دهد و پیش‌نویس پاسخ بسازد. اما آیا اپراتور کال سنتر به آن اعتماد می‌کند؟ آیا حق دارد پاسخ را رد کند؟ اگر AI اشتباه کرد، مسئولیت با کیست؟ مدیر تیم استفاده از ابزار را چطور ارزیابی می‌کند؟ سرعت مهم‌تر است یا کیفیت پاسخ؟ خطاهای ابزار کجا ثبت می‌شوند؟ چه کسی knowledge base را به‌روز می‌کند؟اگر این سوال‌ها جواب نداشته باشند، پروژه از نظر فنی ممکن است کار کند، اما از نظر سازمانی شکست می‌خورد.AI کار را حذف نمی‌کند، کار را دوباره تقسیم می‌کند. بخشی از کار از انسان به ماشین می‌رود. بخشی از کار انسانی مهم‌تر می‌شود. بخشی از نقش‌ها عوض می‌شوند. بعضی مهارت‌ها کم‌ارزش‌تر می‌شوند و بعضی مهارت‌ها ارزش بیشتری پیدا می‌کنند.اگر این تغییر طراحی نشود، آدم‌ها آن را تهدید می‌بینند. حق هم دارند.مقاومت کارکنان همیشه مشکل فرهنگی نیست!شاید شما هم تجربه داشته باشید که در سازمان‌ها زیاد می‌گویند که «تیم‌ها در برابر تغییر مقاومت می‌کنند». این جمله گاهی درست است، اما معمولا تنبلانه استفاده می‌شود. مقاومت کارکنان همیشه نشانه ضعف فرهنگ نیست. گاهی نشانه بد طراحی شدن تغییر است.وقتی کارمند نمی‌داند AI آمده کمکش کند یا جای او را بگیرد، مقاومت طبیعی است. وقتی ابزار جدید اضافه می‌شود اما KPIهای قبلی تغییر نمی‌کنند، مقاومت طبیعی است. وقتی خروجی AI ممکن است اشتباه باشد اما مسئولیت خطا با انسان می‌ماند، مقاومت طبیعی است. وقتی مدیران فقط درباره کاهش هزینه حرف می‌زنند، مقاومت طبیعی است.برای همین منابع انسانی نباید آخر پروژه وارد داستان شود تا یک دوره آموزشی برگزار کند. باید از ابتدا در طراحی تغییر حضور داشته باشد. نه برای شعار دادن درباره فرهنگ، بلکه برای پاسخ به چند سوال واقعی. نقش‌ها چه تغییری می‌کنند؟ چه مهارت‌هایی لازم می‌شود؟ معیار ارزیابی عملکرد عوض می‌شود یا نه؟ چه کسانی احساس تهدید می‌کنند؟ مدیران میانی چطور باید رفتار کنند؟ روایت سازمان از این تغییر برای تیم‌ها چیست؟در پروژه AI، آموزش یعنی یاد دادن چند prompt نیست. آموزش یعنی کمک به آدم‌ها برای کار کردن در یک مدل جدید.مدیران میانی تعیین می‌کنند AI جدی است یا نمایشی!در بیشتر سازمان‌ها، مدیرعامل می‌تواند درباره AI حرف بزند، تیم تکنولوژی می‌تواند ابزار بسازد، اما رفتار واقعی تیم‌ها را مدیران میانی شکل می‌دهند. کارمند از مدیر مستقیمش می‌فهمد این تغییر جدی است یا فقط هوس و ترند مدیریتی جدیدی است که چند ماه دیگر فراموش می‌شود.اگر مدیر میانی خودش از ابزار استفاده نکند، تیم هم جدی نمی‌گیرد. اگر فقط فشار سرعت بیاورد، کیفیت قربانی می‌شود. اگر خطای AI را تنبیه کند اما مسیر اصلاح ندهد، افراد یا از ابزار استفاده نمی‌کنند یا استفاده را پنهان می‌کنند. اگر نداند خروجی خوب با کمک AI چه شکلی است، ارزیابی عملکرد خراب می‌شود.پس هر پروژه AI باید برای مدیران میانی برنامه داشته باشد. آن‌ها باید بفهمند چه چیزی در کار تیم عوض می‌شود، چه چیزی را باید تشویق کنند، چه چیزی را نباید با AI بسنجند و کجا باید جلوی استفاده را بگیرند.بدون این لایه، AI در سازمان یا در حد ابزار فردی می‌ماند یا در سطح اسلایدهای مدیریتی.پایلوت برای نمایش نیست!پایلوت AI نباید برای این طراحی شود که در جلسه مدیریتی بگوییم «ما هم کاری کرده‌ایم». پایلوت باید برای یادگیری و تصمیم‌گیری طراحی شود. یعنی از اول مشخص باشد اگر جواب داد، چطور scale می‌شود و اگر جواب نداد، چرا متوقف می‌شود.پایلوت خوب از یک مساله محدود اما واقعی شروع می‌کند. baseline دارد. KPI دارد. مالک کسب‌وکار دارد. مالک فنی دارد. کاربران مشخص دارد. ریسک‌هایش معلوم است. زمان پایان دارد. معیار ادامه یا توقف دارد.اگر قرار است copilot پشتیبانی تست شود، فقط مهم نیست که پاسخ تولید می‌کند یا نه. باید دید زمان رسیدگی کم شده یا نه، کیفیت پاسخ افت کرده یا نه، رضایت مشتری تغییر کرده یا نه، اپراتورها واقعا از آن استفاده کرده‌اند یا نه، چند بار خروجی را اصلاح کرده‌اند و خطاها قابل رفع بوده یا نه.پایلوتی که معیار اندازه‌گیری ندارد، بعدا هر کسی می‌تواند درباره‌اش هر روایتی بسازد. تیم فنی می‌گوید موفق بود چون ابزاری که ما ساختیم کار کرد. تیم عملیات می‌گوید موفق نبود چون کار ما تغییر نکرد. مدیر ارشد می‌گوید اثر و نتیجه مالی ندیدیم. کارکنان می‌گویند کارمان بیشتر شد.این اختلاف‌ها از آخر پروژه شروع نمی‌شوند. از روز اولی شروع می‌شوند که پایلوت بدون تعریف دقیق ارزش طراحی شده است.AI آخرین حلقه است، نه اولین واکنشهوش مصنوعی می‌تواند سازمان‌ها را سریع‌تر، دقیق‌تر و کارآمدتر کند. می‌تواند هزینه را کم کند، تصمیم‌ها را بهتر کند، تجربه مشتری را تغییر دهد و حتی مدل کار را از نو بسازد. اما فقط وقتی روی مساله درست، در فرایند درست و با طراحی درست نقش انسان و ماشین پیاده شود.شروع درست این نیست که بپرسیم با AI چه کارهایی می‌توانیم بکنیم. شروع درست این است که بپرسیم کدام کارها را اساسا باید طور دیگری انجام دهیم.اول باید مساله را روشن کرد. بعد فرایند را دید. بعد داده را سنجید. بعد ساده‌ترین مداخله موثر را انتخاب کرد. اگر واقعا AI لازم بود، آن وقت باید بعضی چیزها مثل نقش‌ها، مسئولیت‌ها، KPIها، آموزش، اعتماد، governance و مسیر scale را دوباره طراحی کرد.مساله خیلی از سازمان‌ها این نیست که AI ندارند. مساله این است که هنوز نمی‌دانند کدام مشکلشان واقعا AI می‌خواهد و شاید مهم‌تر از آن، هنوز نمی‌دانند اگر AI خواستند، باید سازمان را هم همراهش تغییر دهند.در مقاله بعدی درباره چه زمانی AI در سازمان لازم نیست؟ مینویسم.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadTue, 09 Jun 2026 16:55:45 +0330https://virgool.ir/@hojat.ghanad/تحقیق-بازار-یا-قمار-با-بودجه-کارفرما-t4xxs2u1yomrچرا اکثر کمپین‌ها شبیه هم اند؟ ریشه ماجرا جایی است که نمی‌بینیم.چند وقت پیش در یک جلسه استراتژی، یک جمله به‌ظاهر ساده دوباره ذهنم را درگیر کرد:«ما وقت تحقیقات بازار نداریم، بقیه چی کار کردن، همونو می‌ریم.»این جمله، شاید در نگاه اول یک میان‌بر باشد اما در عمل ریشه بسیاری از مسائلی است که امروز در کمپین‌ها، بودجه‌سوزی‌ها و شباهت عجیبی که بین برندها می‌بینیم جریان دارد.۱) وقتی دانش بازاریابی «تزیینی» فرض می‌شود، تصمیم‌ها شخصی می‌شونددر بازار ایران تعداد زیادی از بازاریابان تحصیلات آکادمیک یا تخصصی این حوزه را ندارند و کار را تجربی یاد گرفته‌اند.از آن طرف، کسانی هم که درسش را خوانده‌اند، گویی دانش‌شان را در قفسه‌ای به نام «اینا فقط برای دانشگاه هست» می‌گذارند.نتیجه؟تصمیم‌ها بر اساس شهود شخصی یا «ببینیم فلان برند چی کار کرده، ما هم همونو اجرا کنیم»این همان Bounded Awareness است که در متون تصمیم‌گیری به آن اشاره می‌شود. اطلاعات حیاتی در دسترس است، اما انتخاب می‌کنیم نبینیم.۲) خروجی کمپین‌ها معمولی می‌شود، نه اثربخشوقتی داده‌ای در کار نیست، نتیجه خارق العاده و شگفت‌انگیزی هم در کار نخواهد بود.کمپین‌های خارجی که ما را هیجان‌زده می‌کنند، نتیجه یک Insight واقعی از رفتار مشتری هستند، نه یک «حس می‌کنم جواب می‌دهد».ما اما در بسیاری از موارد، بیشتر درگیر Brand Preference هستیم تا Brand Relevance، همان چیزی که دیوید آکر می‌گوید به این معنی که همه در یک زمین شلوغ و یکسان با هم در حال جنگند.۳) تکنیک‌ها تکثیر می‌شوند، نه استراتژی‌هااین روزها اگر از اکثر کسب‌وکارها بپرسی:«محرک و ابزار اصلی شما برای تحریک مشتری چیست؟»جواب«کد تخفیف» است!نه چون بهترین ابزار است، بلکه چون ساده‌ترین، قابل‌کپی‌ترین و بدون نیاز به درک عمیق نیاز مشتری است. در حالی که ابزار فقط یک وسیله است. این رفتار مشتری است که باید به تصمیمات بازاریابی جهت بدهد، نه بالعکس.۴) رسانه، قبل از مخاطب انتخاب می‌شودیکی از عجیب‌ترین الگوهای بازار ما در ایران این است:«فلان اینفلوئنسر جواب داده، همه بریم باهاش کار کنیم.»یا «ما باید بیلبورد بریم تا کار دربیاد»اما سوال‌های درست این‌هاست:آیا سگمنت هدف تو اصلا او را می‌بیند؟اگر می‌بیند، آیا تاثیرگذار است یا فقط سرگرم‌کننده؟آیا مسیر آن رسانه با Customer Journey در برند تو هم‌راستاست؟وقتی بدون پاسخ به این پرسش‌ها بودجه خرج می‌کنیم، عملا داریم تیر در تاریکی میزنیم و قمار می‌کنیم.راه‌حل پیچیده نیست، اما نظم و استمرار می‌خواهد. بازاریابی پیشرفته یعنی:تصمیم‌گیری مبتنی بر داده، نه ذوق و سلیقهانتخاب رسانه بر اساس سگمنت، نه مُدطراحی پیام بر اساس Insight، نه تقلیدساختن ارزش، نه مسابقه تخفیفیک تعریف معروف استراتژی اینجا به کار میاد:«استراتژی یعنی انتخاب و انتخاب یعنی نه گفتن به بسیاری از چیزهایی که جذاب به‌نظر می‌رسند.»و ما تا زمانی که تحقیقات بازار و درک رفتار مشتری را جدی نگیریم، هیچ کمپینی حتی اگر پرخرج و پرسر و صدا باشد به نتیجه پایدار نمی‌رسد و اگر میرسد فقط نشان دهنده خوش شانس بودن است!حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadTue, 02 Jun 2026 09:43:28 +0330https://virgool.ir/@hojat.ghanad/وقتی-زبان-ها-یکی-نیستن-میانجی-لازمه-q41etgiylbunیکی از چالش‌های رایج در سازمان‌ها اینه که دپارتمان‌ها زبان همدیگه رو درست نمی‌فهمن.مثلاً تیم فنی (Tech & Product) درخواست‌های تیم سئو رو جدی نمی‌گیره، چون از نگاه اون‌ها یا غیرعملیاتی به نظر میاد یا اهمیتش روشن نیست. از اون طرف تیم مارکتینگ/سئو هم فکر می‌کنه «فنی‌ها مقاومت می‌کنن و نمی‌خوان کمک کنن».این شکاف، انرژی سازمان رو می‌بلعه. ولی دلیلش این نیست که تیم‌ها بد هستن. فقط چون زبان مشترک و ترجمه بین‌فردی وجود نداره، اختلاف نظر و نارضایتی ایجاد می‌شه.در یکی از همین موقعیت‌ها، جلسه‌ای گذاشتیم و نقش فیچرهای جدید رو در فروش سازمان شفاف کردیم.به محض اینکه تیم فنی دید این تغییرات چه اثری روی درآمد و اهداف کلان داره، نگاهشون عوض شد. مخالفت تبدیل شد به همراهی.این تجربه بهم ثابت شده که سازمان به افرادی نیاز داره که به شکل حرفه‌ای تسهیلگری رو بلد باشن. منظورم کسانی هست که زبان تیم‌های مختلف رو بفهمن و بتونن ارتباط برقرار کنن. این افراد کاری می‌کنن که:سوءتفاهم‌ها به همکاری تبدیل بشن.اهداف کلان برای همه قابل لمس بشه.تیم‌ها احساس کنن بخشی از یک سیستم یکپارچه هستن و حس جدایی و رهاشدگی نداشته باشن. در نهایت سازمانی رشد می‌کنه که بین دپارتمان‌هاش پل ارتباطی داشته باشه. رابطی که بتونه ترجمه کنه، معنا بسازه و مسیر رو روشن کنه.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadMon, 01 Jun 2026 14:41:12 +0330https://virgool.ir/@hojat.ghanad/the-problem-with-logic-is-that-it-kills-magic-eub7b9fv3wx8مدیر خلاق Ogilvy یه جمله معروف داره که میگه: The problem with logic is that it kills magic!یعنی مشکل منطق اینه که جادو رو می‌کشه! در حقیقت Rory Sutherland این رو درک کرده که مارکترها معمولا بین تصمیم‌گیری کاملا احساسی و تصمیم‌گیری کاملا منطقی گیر می‌کنن و به این خاطر منطق رو قاتل کار خلاقه می‌دونه.اما واقعیت اینه که رفتار انسان نه با منطق صرف قابل پیش‌بینیه و نه با احساس خالی قابل هدایته. اون وسط یه فضای خاکستریه که سادرلند اسمش رو گذاشته Alchemy، یعنی کیمیاگری. سادرلند می‌گه ترکیب خلاقیت و منطق، حکم کیمیاگری مدرن رو داره و می‌تونه از عدد و داده، اکسیری برای جاودانگی برندها بسازه.اگر مارکتر هستید و می‌خواید یاد بگیرید چطور از منطق برای ساختن جادو استفاده کنید، کتاب Alchemy رو بخونید. با خوندن این کتاب متوجه می‌شید که چرا داده باید پایه‌ی تصمیم‌ها باشه.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadMon, 01 Jun 2026 14:24:52 +0330https://virgool.ir/@hojat.ghanad/entity-seo-جنگ-برندها-برای-ورود-به-حافظه-مدل-های-زبانی-mqbxjivkf16nتا چند سال پیش، مسئله اصلی سئو روشن بود، وقتی کاربر در گوگل جست‌وجو می‌کند، برند ما در صفحه اول دیده می‌شود یا نه؟ امروز سؤال تغییر کرده است.وقتی کاربر از ChatGPT، Gemini، Perplexity یا AI Overviews می‌پرسد که بهترین برندهای این حوزه کدام‌اند؟ آیا نام ما در پاسخ می‌آید؟ اگر می‌آید، با چه توصیفی؟ اگر نمی‌آید، مشکل از کجاست؟این همان جایی است که Entity SEO از یک بحث فنی در سئو، به یک مسئله جدی برای برند تبدیل می‌شود.سئوی کلاسیک بیشتر با صفحه، کلمه کلیدی، رتبه و کلیک کار داشت. هنوز هم این‌ها مهم‌اند. اما موتورهای جست‌وجوی جدید و مدل‌های زبانی، وب را فقط به شکل مجموعه‌ای از صفحات نمی‌بینند. آن‌ها جهان را به شکل شبکه‌ای از موجودیت‌ها می‌فهمند. برندها، افراد، محصولات، شهرها، رسانه‌ها، دسته‌بندی‌ها و رابطه میان آن‌ها. در این مدل، برند فقط یک سایت نیست. برند یک گره در گراف دانش است. اگر این گره واضح، معتبر و پرتکرار نباشد، مدل زبانی یا آن را نمی‌بیند، یا ناقص می‌فهمد، یا در پاسخ خود کنار رقبا به آن اشاره نمی‌کند.در SEO سنتی می‌پرسیدیم:«آیا صفحه من برای این کلمه رتبه دارد؟»در Entity SEO باید بپرسیم:«آیا برند من برای ماشین، یک موجودیت شناخته‌شده و قابل‌اعتماد است؟»و در GEO یا Generative Engine Optimization، سوال یک قدم جلوتر می‌رود:«آیا برند من آن‌قدر واضح و معتبر هست که در پاسخ نهایی مدل‌های زبانی وارد شود؟»مشکل برندهای ایرانی این است که در بازارقوی هستند و در داده ضعیف! در ایران برندهای زیادی وجود دارند که از نظر تجاری جدی‌اند، اما از نظر ماشین‌ها مبهم‌اند. ممکن است فروش بالا داشته باشند، در صنعت خود شناخته‌شده باشند، تبلیغات محیطی رفته باشند و سهم بازار قابل‌توجهی داشته باشند اما در وب، نشانه‌های کافی و منسجم از آن‌ها وجود نداشته باشد.نام برند در منابع مختلف متفاوت نوشته شده. توضیح فعالیت برند یکسان نیست. رسانه‌های معتبر کمتر درباره آن نوشته‌اند. مدیران و محصولات اصلی به برند وصل نشده‌اند. صفحه درباره ما بیشتر شبیه متن تبلیغاتی است تا یک منبع قابل‌استناد. برای مدل زبانی، واقعیت بازار فقط وقتی معنا دارد که در داده‌ها دیده شود. اگر یک برند در بازار قوی باشد اما در وب فارسی کم‌اثر، پراکنده و متناقض دیده شود، مدل زبانی هم آن را ضعیف‌تر از چیزی که هست می‌فهمد.این شکاف را می‌شود این‌طور خلاصه کرد:«شکاف میان قدرت واقعی برند و قدرت قابل‌خواندن برند»Entity SEO دقیقا چه چیزی را عوض می‌کند؟در بسیاری از برنامه‌های سئو، هنوز تمرکز روی تولید محتوا برای کلمات کلیدی است. این روش همچنان مهم است، اما کافی نیست. در Entity SEO مسئله فقط این نیست که برای «خرید بلیت هواپیما»، «بهترین صرافی ارز دیجیتال» یا «خرید بیمه آنلاین» محتوا داشته باشیم. مسئله این است که ماشین بفهمد برند ما دقیقا چیست، در چه دسته‌ای قرار می‌گیرد، با چه مفاهیمی مرتبط است و منابع معتبر بیرونی این برداشت را تایید می‌کنند یا نه.فرض کنیم یک برند در حوزه سفر آنلاین فعالیت می‌کند. در سئوی سنتی، روی عبارت‌هایی مثل «خرید بلیت هواپیما»، «رزرو هتل» یا «بلیط تهران مشهد» کار می‌کند. اما در Entity SEO باید سوال‌های دیگری هم پرسید:آیا مدل زبانی می‌فهمد این برند یک OTA است؟ آیا می‌فهمد در ایران فعالیت می‌کند؟ آیا می‌داند محصولات اصلی آن پرواز داخلی، پرواز خارجی، هتل یا خدمات سفر است؟ آیا منابع مستقل این موضوع را تایید کرده‌اند؟ آیا برند در کنار رقبای اصلی و در دسته‌بندی درست دیده شده است؟اگر جواب این سوال‌ها روشن نباشد، حتی محتوای زیاد هم لزوما باعث دیده‌شدن برند در پاسخ‌های AI نمی‌شود.هر اشاره‌ای به برند، سیگنال نیست!در گذشته، خیلی از تیم‌ها هر mention از نام برند را موفقیت می‌دانستند. اما در Entity SEO، صرف نام بردن کافی نیست. مهم این است که آن اشاره چه چیزی را به برند وصل می‌کند. این جمله را ببینید:«برند X یکی از پلتفرم‌های فعال در فروش آنلاین بلیت هواپیما در ایران است.»این فقط یک اشاره به نام برند نیست. چند رابطه می‌سازد:برند X با «پلتفرم» مرتبط می‌شود.با «فروش آنلاین بلیت هواپیما» مرتبط می‌شود.با «ایران» مرتبط می‌شود.با «صنعت گردشگری آنلاین» مرتبط می‌شود.حالا اگر همین رابطه در سایت برند، رسانه‌های تخصصی، پروفایل لینکدین، مصاحبه‌ها، گزارش‌ها و داده‌های ساختاریافته تکرار شود، ماشین با اطمینان بیشتری برند را در آن دسته قرار می‌دهد.اما اگر یک جا برند را «آژانس مسافرتی»، جای دیگر «سامانه فروش بلیت»، جای دیگر «اپلیکیشن گردشگری» و جای دیگر «استارتاپ حمل‌ونقل» معرفی کنیم، سیگنال‌ها پخش می‌شوند. انسان شاید منظور را بفهمد. ماشین ممکن است نه.برند را مثل یک گراف ببینیدبرای کار عملی روی Entity SEO باید برند را به شکل یک گراف دید، نه فقط یک دامنه.برند به محصولات وصل است.محصولات به دسته‌بندی‌ها وصل‌اند.دسته‌بندی‌ها به نیازهای کاربر وصل‌اند.مدیران به برند وصل‌اند.رسانه‌ها به اعتبار برند وصل‌اند.گزارش‌ها به ادعاهای برند وصل‌اند.رقبا به جایگاه برند در بازار وصل‌اند.پس پروژه Entity SEO فقط کار تیم محتوا نیست. روابط عمومی، برند، سئو، محصول، دیتا و حتی مدیران ارشد هم در آن نقش دارند. اگر برند در وب فقط از طریق صفحات فروش دیده شود، مدل زبانی تصویر عمیقی از آن نمی‌سازد. برند باید در متن‌های تحلیلی، گزارش‌های داده‌محور، مصاحبه‌ها، مقایسه‌ها، پروفایل‌های رسمی و منابع مستقل هم دیده شود.نقشه عملیاتی برای Entity SEO1. یک تعریف رسمی برای برند بسازیداولین قدم ساده است، اما در بسیاری از شرکت‌ها وجود ندارد. برند باید یک تعریف رسمی، کوتاه و دقیق داشته باشد. تعریفی که در سایت، صفحه درباره ما، لینکدین، رپورتاژها، مصاحبه‌ها، پروفایل مدیران و معرفی‌های رسانه‌ای با منطق یکسان تکرار شود. نه شعار تبلیغاتی. نه متن احساسی. یک تعریف قابل‌فهم برای انسان و ماشین. مثلا:«X یک پلتفرم آنلاین ایرانی در حوزه خدمات سفر است که امکان خرید بلیت هواپیما، رزرو هتل و استفاده از خدمات مرتبط با سفر را فراهم می‌کند.»همین جمله ساده، اگر درست و مداوم استفاده شود، پایه گراف برند را می‌سازد.در مقابل، جمله‌ای مثل «ما همراه هوشمند شما در تجربه‌ای متفاوت از سفر هستیم» شاید برای یک کمپین تبلیغاتی بد نباشد، اما برای ماشین توضیح نمی‌دهد برند دقیقا چیست، در چه صنعتی است و چه خدمتی ارائه می‌کند.۲. صفحه درباره ما را جدی بگیریدصفحه درباره ما نباید انبار جمله‌های کلی باشد. این صفحه می‌تواند خانه اصلی موجودیت برند باشد. در این صفحه باید مشخص باشد:برند دقیقا چیست؟از چه سالی فعالیت می‌کند؟در چه صنعتی است؟محصولات اصلی آن چیست؟در چه بازاری فعالیت می‌کند؟مدیران یا سخنگویان اصلی چه کسانی‌اند؟چه رسانه‌هایی درباره برند نوشته‌اند؟لینک رسمی شبکه‌های اجتماعی، اپلیکیشن‌ها و منابع بیرونی چیست؟از نظر فنی هم این صفحه باید با داده‌های ساختاریافته مثل  Organization، WebSite، Person  و sameAs تقویت شود. اما اینجا یک سوءتفاهم مهم وجود دارد، اسکیما را نباید با Entity SEO یکی گرفت.Schema در واقع یکی از تلاش‌های اولیه گوگل برای نظم دادن به فهم معنا و موجودیت‌ها در وب بود. وب پر از متن‌های نامنظم است و اسکیما کمک می‌کرد موتور جست‌وجو راحت‌تر بفهمد کدام بخش صفحه درباره سازمان است، کدام بخش درباره محصول، کدام بخش درباره نویسنده و کدام بخش درباره شبکه‌های اجتماعی یا منابع مرتبط.اما امروز سیستم‌های جست‌وجو و مدل‌های زبانی بسیار پیشرفته‌تر شده‌اند. آن‌ها فقط با اسکیما معنا را تشخیص نمی‌دهند. از متن، زمینه، هم‌نشینی نام‌ها، تکرار در منابع مختلف، اعتبار رسانه‌ها و رابطه میان موجودیت‌ها هم برداشت می‌کنند.پس اسکیما هنوز مهم است، اما کافی نیست.اسکیما مسیر فهم را ساده‌تر می‌کند، اما خودش به‌تنهایی موجودیت نمی‌سازد. اگر تعریف برند در وب پراکنده باشد، رسانه‌های معتبر درباره آن ننوشته باشند، نام برند در منابع مختلف متفاوت آمده باشد و محتوای برند فقط فروش‌محور باشد، چند خط Organization Schema مشکل خاصی را حل نمی‌کند. اسکیما شبیه برچسب‌گذاری قفسه‌های یک کتابخانه است. کمک می‌کند کتاب‌ها راحت‌تر پیدا شوند. اما اگر خود کتابخانه خالی، نامنظم یا پر از اطلاعات متناقض باشد، برچسب‌ها مسئله اصلی را حل نمی‌کنند.برای همین، صفحه درباره ما باید هم از نظر فنی درست باشد، هم از نظر معنایی. یعنی هم داده ساختاریافته داشته باشد، هم تعریف دقیق، روایت منسجم، لینک به منابع معتبر، اتصال به مدیران و محصولات، و توضیح روشن از جایگاه برند در بازار. صفحه درباره ما، برای بسیاری از برندها یک صفحه فراموش‌شده است. در Entity SEO، این صفحه می‌تواند یکی از مهم‌ترین دارایی‌های برند باشد.۳. نام و توصیف برند را یکسان کنیدبرای برندهای ایرانی این مسئله جدی‌تر است. چون معمولا چند شکل نوشتاری وجود دارد:نام فارسینام انگلیسینام حقوقینام اپلیکیشننام دامنهنام‌های اشتباه رایجاملای متفاوت در رسانه‌هااگر این موارد مدیریت نشود، سیگنال‌های برند پراکنده می‌شود. بهتر است هر برند یک Brand Entity Sheet داشته باشد. یک سند ساده که مشخص کند نام رسمی برند چیست، چطور باید معرفی شود، با چه دسته‌بندی‌هایی مرتبط است و چه توصیف‌هایی نباید درباره آن استفاده شود. این سند باید در اختیار تیم محتوا، روابط عمومی، سوشال، منابع انسانی و مدیران قرار بگیرد. در ظاهر کار کوچکی است. اما همین کار ساده می‌تواند جلوی بخشی از ابهام معنایی برند را بگیرد.۴. محتوا را فقط بر اساس کلمه کلیدی نسازیدKeyword Cluster  کافی نیست. باید Entity Cluster هم داشته باشیم. برای یک برند گردشگری، خوشه‌های موجودیتی می‌تواند این‌ها باشد:برند و سفر هواییبرند و مسیرهای پرترددبرند و ایرلاین‌هابرند و هتل‌هابرند و ویزابرند و شهرهای مقصدبرند و مناسبت‌های سفربرند و داده‌های بازار سفردر این نگاه، مقاله «راهنمای خرید بلیت تهران مشهد» فقط یک محتوای لانگ‌تیل نیست. فرصتی است برای اتصال برند به مسیر پروازی، ایرلاین، قیمت، تجربه خرید، رفتار سفر و نیاز کاربر. محتوا فقط نباید ترافیک بیاورد. باید حافظه معنایی بسازد. این تفاوت مهمی است. در یک برنامه محتوایی معمولی، هدف این است که صفحه برای یک عبارت رتبه بگیرد. در برنامه Entity محور، هر محتوا باید یک رابطه را در گراف برند تقویت کند.۵. رپورتاژ کمتر، سیگنال بهتردر بازار ایران، آف‌پیج هنوز زیاد با تعداد رپورتاژ سنجیده می‌شود. اما برای Entity SEO، تعداد کافی نیست. کیفیت رابطه‌ای که متن می‌سازد مهم‌تر است. یک مقاله تحلیلی در رسانه تخصصی که برند را در زمینه درست معرفی کند، از چند رپورتاژ عمومی با انکرتکست تکراری ارزشمندتر است. باید پرسید:آیا این رسانه در حوزه ما اعتبار دارد؟آیا متن فقط تبلیغ است یا یک برداشت قابل‌استناد می‌سازد؟آیا برند در کنار دسته‌بندی درست آمده؟آیا رابطه برند با صنعت، محصول، بازار و رقبا روشن شده؟آیا ادعای مطرح‌شده قابل اثبات است؟در Entity SEO، لینک مهم است. اما زمینه‌ای که لینک در آن قرار گرفته مهم‌تر است. یک متن بیرونی خوب فقط نباید بگوید «از برند X خرید کنید». باید توضیح دهد برند X در چه بازاری فعالیت می‌کند، چه مسئله‌ای را حل می‌کند، چه جایگاهی دارد و چرا در این دسته‌بندی قابل اشاره است.۶. ادعای بدون سند نسازیدمدل‌های زبانی با ادعاهای مبهم خوب کنار نمی‌آیند. جمله‌هایی مثل «بهترین»، «معتبرترین»، «محبوب‌ترین» یا «بزرگ‌ترین» اگر پشتوانه نداشته باشند، سیگنال قوی نمی‌سازند. به جای این‌ها باید ادعاهای قابل‌اثبات ساخت:سال شروع فعالیتتعداد کاربرانتعداد سفارش‌هاگستره خدماتتعداد شهرها یا مسیرهاگزارش‌های سالانهمطالعات موردیمصاحبه‌های مدیریتیداده‌های بازاربرند باید برای ماشین قابل راستی‌آزمایی باشد. اعتبار، فقط با تکرار ادعا ساخته نمی‌شود، با سند ساخته می‌شود. مثلا جمله «یکی از برندهای شناخته‌شده در فروش آنلاین بلیت» اگر هیچ داده، منبع یا ارجاعی نداشته باشد، ضعیف است. اما اگر کنار آن سال فعالیت، گستره خدمات، گزارش عملکرد، حضور رسانه‌ای و مقایسه‌های مستقل وجود داشته باشد، همان ادعا به سیگنال قابل‌اتکاتری تبدیل می‌شود.۷. پاسخ مدل‌های زبانی را مانیتور کنیدهمان‌طور که رتبه کلمات کلیدی را رصد می‌کنیم، باید پاسخ مدل‌های زبانی را هم رصد کنیم. چند سوال ساده می‌تواند وضعیت برند را نشان دهد:«برند X چیست؟»«بهترین برندهای این حوزه در ایران کدام‌اند؟»«رقبای برند X چه شرکت‌هایی هستند؟»«آیا برند X معتبر است؟»«برای خرید Y در ایران چه سایت‌هایی پیشنهاد می‌شود؟»«برند X را با برند Y مقایسه کن.»خروجی این تست‌ها باید ثبت شود:آیا نام برند آمده؟در چه جایگاهی آمده؟با چه توصیفی آمده؟چه برندهایی کنار آن آمده‌اند؟آیا اطلاعات اشتباه وجود دارد؟آیا منبعی برای پاسخ ذکر شده؟آیا مدل برند را با موجودیت دیگری اشتباه گرفته؟این کار در آینده بخشی از Brand Tracking خواهد شد. برندها فقط سهم بازار و سهم سرچ را نمی‌سنجند. سهم حضور در پاسخ را هم می‌سنجند. البته نباید انتظار داشت با چند تغییر کوچک، پاسخ همه مدل‌ها سریع اصلاح شود. این فرایند زمان‌بر است. اما اگر مانیتور نشود، برند حتی نمی‌فهمد ماشین‌ها چه تصویری از آن ساخته‌اند.یک مثال سادهفرض کنیم یک برند در بازار واقعی فروش خوبی دارد، اما در وب چنین وضعیتی دارد:صفحه درباره ما کوتاه و تبلیغاتی است.نام برند در رسانه‌ها به چند شکل نوشته شده.مدیران شرکت حضور محتوایی ندارند.رپورتاژها بیشتر فروش‌محورند.گزارش داده‌محور منتشر نشده.در مقالات مقایسه‌ای مستقل حضور ندارد.schema سایت ناقص است.این برند ممکن است در بازار قوی باشد، اما برای مدل زبانی هنوز مبهم است. حالا اگر همین برند طی چند ماه چند کار مشخص انجام دهد، وضعیت تغییر می‌کند:تعریف رسمی برند را یکسان کند.صفحه درباره ما را به Entity Home تبدیل کند.داده‌های ساختاریافته را اصلاح کند.چند گزارش داده‌محور منتشر کند.در رسانه‌های تخصصی با محتوای تحلیلی دیده شود.مدیرانش درباره صنعت بنویسند.پاسخ مدل‌های زبانی را ماهانه بررسی کند.این مسیر شاید شبیه کارهای کوچک به نظر برسد، اما در کنار هم تصویر برند را برای ماشین شفاف‌تر می‌کند. Entity SEO  معمولا با یک حرکت بزرگ ساخته نمی‌شود. با مجموعه‌ای از سیگنال‌های کوچک، منسجم و تکرارشونده ساخته می‌شود.خطای رایج! تولید محتوای بیشتر با AIخیلی از برندها وقتی درباره AI و SEO می‌شنوند، سریع به تولید انبوه محتوا فکر می‌کنند. اما اگر محتوا بدون ساختار Entity  تولید شود، فقط نویز بیشتری به وب اضافه می‌کند. مساله این نیست که بیشتر بنویسیم. مساله این است که دقیق‌تر، منسجم‌تر و قابل‌استنادتر بنویسیم. در دنیای جست‌وجوی با ابزارهای AI، محتوا باید در سطح جمله و پاراگراف قابل استفاده باشد. تعریف‌ها باید روشن باشند. داده‌ها باید دقیق باشند. ادعاها باید قابل بررسی باشند. رابطه برند با صنعت و محصول باید شفاف باشد. محتوای زیاد، اگر تصویر برند را شفاف‌تر نکند، لزوما دارایی نیست.گاهی حتی برعکس عمل می‌کند. وقتی ده‌ها متن ضعیف با تعاریف متفاوت از برند منتشر می‌شود، ماشین با سیگنال‌های متناقض روبه‌رو می‌شود. خروجی چنین کاری، تقویت Entity نیست، پخش و رقیق کردن معنای برند است.جمع‌بندیEntity SEO  یعنی برند را طوری در وب بسازیم که ماشین‌ها بتوانند آن را درست بفهمند، درست دسته‌بندی کنند و با اطمینان به آن ارجاع دهند. این کار با چند مقاله و چند تگ اسکیما تمام نمی‌شود. یک پروژه میان‌واحدی است. ترکیبی از سئو، برند، روابط عمومی، محتوا، داده و مدیریت روایت.در گذشته، برندها برای دیده‌شدن در صفحه نتایج گوگل رقابت می‌کردند. امروز رقابت به لایه عمیق‌تری رفته است، دیده‌شدن در پاسخ، در خلاصه، در مقایسه و در حافظه مدل‌های زبانی. برند آینده فقط برندی نیست که انسان‌ها آن را می‌شناسند. برند آینده، برندی است که ماشین‌ها هم آن را درست می‌فهمند.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadWed, 27 May 2026 20:30:09 +0330https://virgool.ir/@hojat.ghanad/چرا-یک-مدیر-مارکتینگ-باید-pl-بفهمد-gph6dcgyvqu1بیشتر آدم‌هایی که وارد مارکتینگ می‌شوند، تصور می‌کنند قرار است درباره بازار، رفتار مصرف‌کننده، برند، تبلیغات و رشد یاد بگیرند. و البته درست هم هست. اما معمولا چند سال طول می‌کشد تا متوجه شوند در شرکت‌های واقعی، مخصوصا شرکت‌هایی که رشد کرده‌اند یا سرمایه‌گذار دارند، مهم‌ترین چیزی که جایگاه مارکتینگ را تعیین می‌کند «کمپین» نیستT عددهایی است که در P&L دیده می‌شود.خیلی از مدیران مارکتینگ اولین مواجهه جدی‌شان با این واقعیت، جلسه‌ای است که مدیرعامل یا CFO از آن‌ها درباره CAC، حاشیه سود، Contribution یا EBITDA سوال می‌کند و ناگهان متوجه می‌شوند زبان سازمان عوض شده است. تا قبل از آن، همه‌چیز درباره reach و engagement و conversion بود. اما حالا مساله این است که این رشد، دقیقا چه اثری روی اقتصاد شرکت گذاشته است.اینجاست که فهم P&L دیگر یک مهارت لوکس برای مدیر مارکتینگ نیست، بخشی از سواد حرفه‌ای اوست.P&L اصلا چیست؟P&L یا Profit and Loss Statement همان صورت سود و زیان است. گزارشی که نشان می‌دهد شرکت در یک بازه زمانی مشخص، چقدر درآمد ساخته و برای ساختن آن درآمد چقدر هزینه کرده است. اما برای یک مدیر مارکتینگ، P&L فقط یک گزارش حسابداری نیست. در واقع، این گزارش نقشه‌ای است که نشان می‌دهد:رشد شرکت از کجا آمده؟سود در کدام نقطه از بین رفته؟مارکتینگ واقعا در حال خلق ارزش است یا فقط در حال خریدن رشد؟بسیاری فکر می‌کنند موفقیت یعنی فروش بیشتر. اما در شرکت‌های بالغ، فروش به‌تنهایی معیار موفقیت نیست. کیفیت آن فروش مهم‌تر است. برای همین، وقتی وارد P&L می‌شویم، با مفاهیمی روبه‌رو می‌شویم که هر مارکتر جدی باید آن‌ها را بفهمد.GMV و NMV؛ همه فروش‌ها واقعی نیستنددر بسیاری از استارتاپ‌ها و کسب‌وکارهای دیجیتال، اولین عددی که زیاد شنیده می‌شود GMV است. GMV یا Gross Merchandise Value یعنی ارزش کل تراکنش‌هایی که روی پلتفرم اتفاق افتاده است. مثلا اگر یک مارکت‌پلیس در یک ماه ۱۰۰ میلیارد تومان فروش ثبت کند، GMV آن ۱۰۰ میلیارد تومان است. اما مساله اینجاست که GMV الزاما پول واقعی موجود در حساب شرکت نیست!ممکن است:بخشی از سفارش‌ها مرجوع شوندتخفیف‌های سنگین داده شده باشدسهم فروشنده جدا شودیا بخشی از تراکنش هنوز وصول نشده باشدبرای همین، شرکت‌ها معمولا به عدد مهم‌تری نگاه می‌کنند: NMV یا Net Merchandise Value. NMV تصویری واقعی‌تر از ارزشی است که بعد از حذف مرجوعی، تخفیف و تعدیلات باقی مانده است. این تفاوت برای مارکتینگ حیاتی است. چون بسیاری از کمپین‌ها می‌توانند GMV را به‌صورت مصنوعی بزرگ کنند. تخفیف سنگین تقریبا همیشه GMV را بالا می‌برد. اما سوال واقعی این است که آیا بعد از تمام این هزینه‌ها، هنوز ارزش اقتصادی معناداری باقی مانده است؟مارکتینگ اگر فقط GMV را ببیند، ممکن است تصور کند کمپین موفق بوده درحالی‌که تیم مالی همان کمپین را به باد دهنده‌ی حاشیه سود بداند!COGS؛ جایی که خیال رشد به واقعیت برخورد می‌کندبعد از درآمد، یکی از مهم‌ترین بخش‌های P&L، مفهوم COGS است. COGS یا Cost of Goods Sold یعنی هزینه مستقیمی که برای تولید یا ارائه محصول و خدمت پرداخت شده است. در یک شرکت FMCG ممکن است شامل:مواد اولیهبسته‌بندیتولیدلجستیکباشد.در یک SaaS:هزینه سرورAPIزیرساختپشتیبانی فنیمی‌تواند بخشی از COGS باشد. چرا این مفهوم برای مارکتینگ مهم است؟چون تیم‌های مارکتینگ معمولا عاشق رشد هستند، اما COGS به شرکت یادآوری می‌کند که هر رشدی هزینه دارد. فرض کنید تیم مارکتینگ با یک کمپین فوق‌العاده فروش را دو برابر کرده است. همه خوشحال‌اند. اما چند هفته بعد عملیات و مالی متوجه می‌شوند هزینه سرویس‌دهی به این حجم مشتری، نه تنها سود نداشته که هزینه‌هایش شرکت را وارد ضرر کرده است. در این لحظه، مساله فقط «فروش» نیست، مسئله کیفیت اقتصادی فروش است و دقیقا این همان چیزی است که P&L به مدیر مارکتینگ یاد می‌دهد:رشد بدون درک ساختار هزینه، خطرناک است.PC1 ،PC2 و PC3؛ شرکت می‌خواهد بداند سود دقیقا کجا از بین می‌روددر بسیاری از شرکت‌های مدرن، مخصوصا استارتاپ‌ها و سازمان‌های داده‌محور، مدیران دیگر فقط به سود نهایی نگاه نمی‌کنند. آن‌ها می‌خواهند بفهمند در هر لایه از عملیات، چقدر ارزش باقی مانده است. اینجاست که مفاهیمی مثل PC1، PC2 و PC3 وارد می‌شوند. این اصطلاحات استاندارد مطلق جهانی ندارند و ممکن است هر شرکت بنا به نیازش آن‌ها را متفاوت با دیگران تعریف کند، اما منطقشان تقریبا مشابه است. شکستن سودآوری به لایه‌های مختلف. مثلا:PC1 معمولا نشان می‌دهد بعد از کسر هزینه‌های مستقیم محصول یا سرویس، چقدر ارزش باقی مانده است.PC2 یک لایه جلوتر می‌رود و هزینه‌هایی مثل مارکتینگ، جذب مشتری، کمیسیون فروش یا تبلیغات را هم وارد می‌کند.و PC3 معمولا هزینه‌های سازمانی، منابع انسانی، مدیریت و زیرساخت را هم لحاظ می‌کند تا تصویر واقعی‌تری از سودآوری عملیاتی بدهد.برای یک مدیر مارکتینگ، مهم‌ترین نقطه معمولا همان PC2 است. چرا؟چون اینجاست که اثر واقعی مارکتینگ دیده می‌شود. یک کمپین ممکن است:فروش را بالا ببرداما CAC را هم شدیدا افزایش دهدتخفیف زیادی بدهدمشتری کم‌وفادار جذب کندیا Retention ضعیفی داشته باشددر این حالت، ممکن است GMV رشد کند اما PC2 ضعیف‌تر شود. یعنی مارکتینگ ظاهرا رشد ساخته، اما در واقع سود عملیاتی را خورده است.EBITDA؛ عددی که سرمایه‌گذارها عاشقش هستنداگر کمی بیشتر در جلسات مدیریتی بمانید، دیر یا زود با واژه EBITDA روبه‌رو می‌شوید. EBITDA مخفف Earnings Before Interest, Taxes, Depreciation and Amortization است. ترجمه ساده‌ترش:سود نهایی شرکت قبل از پرداخت بهره وام‌های دریافت شده، انواع مالیات‌ها، محاسبه اصطحلاک وسائل و دارایی‌ها و سایر هزینه‌های حسابداری.چرا این عدد مهم است؟چون سرمایه‌گذارها و مدیران می‌خواهند بفهمند «هسته عملیاتی» شرکت واقعا چقدر پول می‌سازد. EBITDA کمک می‌کند اثر ساختار مالی، بدهی، مالیات یا بازی‌های حسابداری را موقتا کنار بگذاریم و ببینیم آیا خود کسب‌وکار سالم پیش می‌رود یا نه. این دقیقا جایی است که مارکتینگ دوباره وارد تصویر می‌شود. چون اگر هزینه‌های جذب مشتری، تخفیف‌ها و کمپین‌های رشد، EBITDA را ضعیف کنند، یعنی شرکت دارد رشد را با سوزاندن پول می‌خرد. این مدل شاید برای مدتی با سرمایه‌گذاری دوام بیاورد، اما در بلندمدت خطرناک است.چرا دانستن این مفاهیم برای مارکترها حیاتی است؟چون مارکتینگ امروز دیگر فقط واحد تبلیغات نیست. در شرکت‌های مدرن، مارکتینگ هسته موتور رشد شرکت است. مدیر مارکتینگ اگر P&L را نفهمد ممکن است کمپین اشتباه را موفق تصور کند، رشد ناسالم را تشویق کند یا نتواند از بودجه‌اش دفاع کند. اما وقتی زبان مالی را بلد باشد، می‌تواند نشان دهد:کدام هزینه واقعا سرمایه‌گذاری استکدام کانال رشد سودآور ساختهکدام سگمنت مشتری ارزش اقتصادی داردو چرا بعضی از کمپین‌ها، با وجود KPIهای ظاهرا ضعیف‌تر، برای شرکت ارزشمندترند.در نهایت، سازمان‌ها به مارکترهایی اعتماد بیشتری می‌کنند که فقط «بازار» را نمی‌فهمند بلکه می‌توانند اثر بازار را روی اقتصاد شرکت توضیح دهند و شاید مهم‌ترین نقطه بلوغ حرفه‌ای یک مدیر مارکتینگ همین باشد، لحظه‌ای که دیگر فقط درباره کمپین حرف نمی‌زند، بلکه می‌تواند درباره کیفیت رشد، ساختار سودآوری و سلامت اقتصادی کسب‌وکار هم صحبت کند.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadFri, 08 May 2026 16:00:34 +0330https://virgool.ir/@hojat.ghanad/دیتا-پادشاه-است-g4e9zccrwu3dخیلی وقت‌ها تیم‌ها روی داده کار می‌کنن، فایل‌های اکسل پر می‌شن از گزارش و داشبوردها رنگی می‌شن، اما تصمیم‌ها همون تصمیم‌های قدیمی باقی می‌مونه. علت اینه که داده در اون سازمان «منبع تصمیم» نیست و فقط ابزاری برای توجیه تصمیمه.درحالی که برندهایی که واقعا رشد دارن برای فهمیدن واقعیت روی داده‌ها کار می‌کنن، نه برای اینکه مفروضات خودشون رو تایید کنن. آمار و ارقام به این برندها کمک می‌کنه بفهمن «چرا چیزی کار می‌کنه یا نه؟» درنتیجه اطلاعات باید بتونه گفت‌وگو ایجاد کنه. اون‌وقت برند از گزارش‌سازی عبور می‌کنه و وارد مرحله‌ی تصمیم‌سازی میشه.📌 به نظر من دیتا وقتی ارزش داره که:1️⃣ به جای آمار گرفتن، ازش سوال درست بپرسی.2️⃣ به‌جای ختم شدن به گزارش‌های فصلی، به تیم‌های تصمیم‌گیرنده وصل بشه.3️⃣ با خلاقیت ترکیب بشه، چون عدد بدون تفسیر جهت نمی‌ده.این سه مورد باعث میشه آمار و اطلاعات خاک نخوردن و به منبع ایده و خلاقیت تبدیل بشن.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSun, 03 May 2026 19:30:13 +0330https://virgool.ir/@hojat.ghanad/با-هر-ایده-ای-موافقیم-فقط-جدید-نباشه-p8pj8rkqfdq8مدیرانی رو دیدم که باهوشن، تحلیل‌گرن و حتی اهل ریسک منطقی هم هستن ولی وقتی نوبت به امتحان کردن راه‌حل‌های غیر مرسوم و خلاقانه می‌رسه عقب‌نشینی می‌کنن. این افراد خوب می‌دونن که باید چی کار کنن اما مشکل این‌جاست که در محیط مدیریتی ما اشتباه هنوز جرم محسوب میشه.👇در خیلی از سازمان‌های ایرانی مدیران بین این دو تا ترس گرفتارند:🔻ترس از شکست و برچسب «تصمیم اشتباه» خوردن🔻ترس از موفق شدن و تغییر دادن وضع موجود (چون منافع بعضی‌ها رو جابه‌جا می‌کنه).به همین دلیله که تصمیم‌های جسورانه جای خودشون رو به تصمیم‌های «بی‌خطر» دادن. این تصمیم‌ها با اینکه می‌تونن درست باشن، اما هیچ رشدی برای سازمان‌ها نمی‌سازن. تحقیقاتی در Journal of Business Research(2024) نشون میده مدیرانی که در تصمیم‌گیری استراتژیک از شهود و جسارت هدایت‌شده استفاده می‌کنن، معمولاً در بحران‌ها عملکرد بهتری دارن.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSun, 03 May 2026 19:20:10 +0330https://virgool.ir/@hojat.ghanad/مارکتینگ-از-انتخاب-کانال-تبلیغاتی-شروع-نمی-شود-yg8hrcewsq62مارکتینگ از انتخاب کانال تبلیغاتی شروع نمی‌شود!کجا تبلیغ کنیم؟ بیلبورد یا تلویزیون؟ لینکدین یا اینستاگرام؟ SMS یا ایمیل؟متاسفانه بعضی تیم‌ها هنوزم وقتی صحبت از مارکتینگ می‌شه، اولین سوال‌شون اینه.ولی مارکتینگ از کانال شروع نمی‌شه!شروعش با شناخت آدم‌هاست! با اینکه دقیق بدونی داری برای کی حرف می‌زنی، چرا حرفت مهمه و چطوری می‌خوای دیده بشی. تا قبل از اینکه بدونی مشتری کیه، دردش چیه، ارزش پیشنهادیت چیه و پیام برندت چیه، هر تبلیغی فقط یک شلیک در تاریکیه.📊 اساس هر فعالیت مارکتینگی STP هست:۱. Segmentation: چه دسته بندی هایی در بازار وجود دارد؟ هر دسته چرا به محصول ما نیاز دارند؟۲. Targeting: از بین این دسته‌ها ما کدومشون رو به عنوان گروه هدف انتخاب می‌کنیم؟۳. Positioning: میخوایم این دسته/دسته‌ها چه تصوری از ما داشته باشند و چطوری دیده بشیم؟ محصول ما چه جایگاهی در ذهن مخاطبین بازار هدف خواهد داشت؟قبل از انتخاب کانال، وقت بذارید برای درک عمیق‌تر از آدم‌ها، مسئله‌ها و ارزش واقعی‌تون.مارکتینگ خوب از فهم شروع می‌شه، نه فریاد!حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadFri, 01 May 2026 15:31:30 +0330https://virgool.ir/@hojat.ghanad/واقعیت-رو-دستکاری-نکنیم-qaqruna5giyqبازی روانی با کارمندها برای تضعیف اعتمادبه‌نفسشونه، یکی از پنهان‌ترین و در عین حال خطرناک‌ترین رفتارهایی که توی سازمان‌ها دیده میشه. این کار متاسفانه از راه تحریف واقعیت انجام میشه و کارمندی که شخصیتش تخریب شده نمی‌تونه جلوی دروغ‌هایی که به خوردش می‌دن وایسه و اندک انگیزه‌های کاریش رو هم از دست میده.چندتا نمونه از جمله‌های گوش‌آشنا رو در ادامه آوردم که با روح و روان یه آدم در محیط کار بازی می‌کنه. ترجمه واقعی و بدون دستکاری‌شون رو هم گذاشتم که راه رو گم نکنیم!چرا نمیتونی با تغییرات کنار بیای؟ باید چابک تر باشی!اگر درست مدیریت میکردی، این تغییرها مشکل ساز نمیشد. مگه وظیفه تو نیست مه هر چیزی رو سریع جمع کنی؟اما مشکل اصلی تغییر مداوم اولویته و کسی نباید سرزنش بشهمن مسیر رو گفته بودم، شماها درست انجام ندادید.اگر حواستون رو جمع میکردید، اینجوری نمیشد.من همه چیر رو فراهم کردم، نتیجه نگرفتید چون کوتاهی کردید.در حالی که مدیر هم باید اشتباهاتش رو قبول کنه و گردن تیم نندازهاین چیزا ارزش ناراحتی نداره، بزرگش نکن.همه همین شرایط رو دارن، فقط تو این قدر سخت میگیری.داری زیاد شخصی برداشت میکنی.این فقط توی ذهن خودته، واقعیت نداره.اما احساسات تیم باید شنیده بشه و معتبر باشه.فعلا همه باید پای کار باشن تا مشخص کنیم چه کسی مسئول اصلیه.اینجا همه باید همه کاره باشن. تخصص معنی نداره!مهم اینه که کار جلو بره، حالا فرقی نمیکنه چه کسی انجام بده.مسئولیت تیمیه، فردی وجود نداره.در حالی که اینکار یعنی ایجاد ابهام عمدی در نقش هاچندتا پیشنهاد می‌گم که به کمکش میشه ترمز رو کشید و نذاشت شرکت ته دره بی‌اعتمادی بره:1️⃣ شفافیت در نقش‌ها و انتظاراتوقتی دقیقاً معلوم باشه چه کسی مسئول چه چیزیه، فضا برای دستکاری واقعیت کمتر میشه.2️⃣ پذیرش خطا در سطح رهبریاولین قدم اصلاح، پذیرفتن اشتباهاته. مدیرایی که از خطا فرار می‌کنن، فضا رو برای ایجاد این برساخت‌های جعلی آماده می‌کنن.3️⃣ ایجاد کانال‌های امن بازخوردکارکنان باید جایی برای بیان بدون ترس دغدغه‌هاشون داشته باشن و از برچسب خوردن یا اینکه سرشون تلافی بشه نترسن.4️⃣ آموزش مدیران درباره مرز بین نقد و بی‌اعتبارسازیمدیریت سالم یعنی نقد عملکرد، نه تخریب شخصیت و اعتمادبه‌نفس یا انکار احساسات.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadFri, 01 May 2026 15:00:51 +0330https://virgool.ir/@hojat.ghanad/واکسن-پیشگیری-از-بیماری-های-سازمانی-چیه-m9zv2k22liwkواکسن پیشگیری از بیماری‌های سازمانیبه این چالش‌ها دقت کنید:🚫 جلسه‌های بی‌پایان و بی‌نتیجه🚫 کشمکش‌های درون‌تیمی🚫 تمرکز قدرت روی چند نفر خاصمن توی پروژه‌های مختلف بارها دیدم سازمان‌ها به خاطر ابهام در نقش‌های اعضا دچار این بیماری‌ها شدن. درحالی که خیلی وقت‌ها برای توجیه دلایل شکستشون گفتن: «ما به خاطر بی‌انگیزگی اعضامون شکست خوردیم!»نظر من اینه که این یه جور آدرس غلط دادنه چون سازمان‌ها معمولا به خاطر کمبود استعداد یا انگیزه شکست نمی‌خورن ولی خیلی وقت‌ها به خاطر طراحی مبهم و نقش‌های نامشخص عقب می‌مونن. به نظرم شفافیت نقش‌ها هم عقب‌موندگی‌های شرکت رو می‌تونه جبران کنه و هم مثل یه واکسن جلوی بیماری‌های سازمانی رو بگیره!حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSat, 14 Feb 2026 16:48:36 +0330https://virgool.ir/@hojat.ghanad/عصای-موسی-منابع-انسانی-vp4zpiqwoxxbاون مدلی که منابع انسانی سازمان نقش‌های اعضای یک شرکت رو تعریف می‌کنه خیلی مهمه. چون وقتی به سمت کاغذبازی و جزئی‌نگری افراطی بره، از اصل ماجرا دور میشه و معمولا هیچ‌کس جدی نمی‌گیره. در حالی‌که اگر درست اجرا بشه، شفافیت نقش‌ها تبدیل میشه به یکی از ابزارهای کلیدی رشد سازمان. تجربه من میگه وقتی نقش‌ها درست تقسیم بشن، ۳ اتفاق مهم می‌افته:1️⃣ تمرکز و سرعت تصمیم‌گیری بالاتربا تعریف دقیق اینکه «چه کسی چه تصمیمی رو نهایی می‌کنه» یا اصطلاحا «کی اونر کار هست» سرعت چرخه تصمیم‌گیری به شدت بالا میره.دقت کنیم که هیچ استراتژی پیچیده‌ای در کار نیست و فقط مشخص میشه کِی باید بحث متوقف بشه و چه کسی باید نقطه پایان رو بذاره!2️⃣ اعتماد و احترام به تخصص افرادوقتی هرکس بدونه ازش چی انتظار میره، دیگه وقت و انرژیش رو صرف اثبات خودش به بقیه نمی‌کنه.در واقع در تیم افراد به‌جای رقابت خاموش با هم، شروع می‌کنند به کمک‌کردن به هم. چون می‌دونن جایگاه خودشون امنه.3️⃣ ساختار در خدمت استراتژییکی از مشکلاتی که این عدم شفافیت به سازمان تحمیل میکنه این هست که ساختار سازمانی عملا جلوی استراتژی رو سد می‌کنه. اما وقتی اختیارات و مسئولیت‌ها شفاف باشند، همون ساختار تبدیل به ابزاری برای سرعت‌دادن به اجرا میشه.📌 تقسیم و شفاف‌سازی نقش‌ها اون عصای موسی‌ای هست که یه مدیر منابع انسانی می‌تونه رو کنه تا حرکت تیم روی «ریل» انجام بشه و تیم به‌جای درجا زدن روی اختلافات، مستقیم و متمرکز به سمت هدف حرکت کنه.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadSat, 14 Feb 2026 14:01:01 +0330https://virgool.ir/@hojat.ghanad/وقتی-صاحب-تصمیم-مشخص-نباشه-oyoi1np4fkf6وقتی صاحب تصمیم مشخص نباشه...من تجربه کار در تیم‌هایی رو داشتم که هم آدم‌های باهوش و متعهد داشتن و هم منابع کافی ولی پیشرفتشون کند بوده و انرژی تیم سریع فرسوده شده. بعد از چند گفت‌وگو معمولا یک نکته مشترک پیدا می‌کردم:هیچ‌کس دقیقا نمی‌دونست چه کسی صاحب چه تصمیمیه. چالش‌هایی که در این مواقع باهاش روبه‌رو بودیم عمدتا یک یا چند تا از این‌ها بود:❌ کارهای جذاب در شرکت چند صاحب داشت و کارهای پرچالش، یتیم بودند!❌ تصمیم‌ها یا معطل می‌موند و به جلسه‌ای در آینده حواله داده می‌شدند یا نصفه‌نیمه پیش می‌رفتند.❌ بعضی کارها دوباره و چندباره انجام می‌شدند.❌ در جلسه‌ها بیشتر از اینکه روی حل مسئله تمرکز داشته باشیم، روی «این کار رو دیگری چطوری باید انجام بده...» بحث می‌شد.❌ افراد مستعدی که می‌تونستن کارهای بزرگ کنن، بعد از مدتی ناامید، خسته و فرسوده می‌شدند و در نهایت منابع سازمان به هدر می‌رفت.در یکی از تجربه‌ها فقط با مشخص کردن «مالک هر تصمیم» در سطح واحدهای سازمان، سرعت اجرا چند برابر شد درحالی که نه نیروی جدیدی اضافه نشد و نه هیچ بودجه اضافه‌ای گرفته بودیم. فقط و فقط شفافیت ایجاد شد.🔻 تجربه نشون داده:وقتی مالکیت مسئولیت‌ها رو هوا باشه حتی بهترین آدم‌ها هم نمی‌تونن جلوی سقوط انگیزه‌شون رو بگیرن.حجت قناد - Hojat Ghanadحجت قناد - Hojat GhanadFri, 13 Feb 2026 12:34:56 +0330