https://virgool.ir/feed/@vfaraji89تحلیلگر داده منابع انسانی که روی تقاطع داده های مالی، فروش و منابع انسانی کار می‌کنهfa2026-11-12 00:00:01https://files.virgool.ir/upload/users/7074/avatar/qfKlik.pnghttps://virgool.ir/@vfaraji89https://virgool.ir/@vfaraji89/از-پایه-تا-پیشرفته-بخش-اول-نقشه-راه-تحلیل-داده-های-افراد-n8wgmlmworqjاول بیایید با این واقعیت تلخ مواجه شویم!. این حوزه تجربه-مهارت و یادگیری بلند مدت می خواهد و یک روزه، یک ماهه و حتی یکساله حداقل به راحتی برخی از اصول منابع انسانی به دست نمی آید! یک دوره 20 ساعته و یا یک وبینار یا سمینار این مطالبی را باز نشر می کند که شاید در این نوشته هم به کلیات برسید! یا حتی بدبینانه تر با یک جست و جوی ساده از قبل هم پیدا کرده اید!. البته مختار هستید که حضوری یا آنلاین در هر دوره ای که خواستید شرکت کنید.. این حق طبیعی شماست ولی از قبل حداقل ارزیابی درستی از سرفصل، مدرس و مهم تر بار انتقال تجربه داشته باشید. بازار کار آنقدر رقابتی و فشرده شده که از ما توانایی های با تابع تغییر زمان و فناوری می خواهد و پایداری این نرخ رقابت برای ما انسان ها ساده نیست. با این حال، اگر به خانواده شغلی داده های افراد علاقه مند هستید، یا در ابتدای راه بوده و هنوز خم و چم را ندیده و نچشیده اید! این مطلب(ها) شاید یک کمک تجربی باشد برای درک درست و شناخت مسیر. به مثابه یادگیری زبان، اول الفبا یاد بگیرید، سپس دستور زمان و در نهایت ترکیب های اسمی و فعلی! پس از الفبا یعنی تفاوت ها و شباهت های بین حوزه های مختلف شروع می کنیم.حوزه داده های افراد تنوع زیادی پیدا کرده (حداقل از 2010 که در معرض افراد بیشتری قرار گرفت و به چند شرکت محدود نشد) و دیگر فقط به طراحی و ترسیم داشبورد، گزارش نویسی و یا محاسبه ساده و یا پیشرفته آماری یک سری شاخص های خیلی ساده محدود نمی شود. رشته هایی مثل تحلیل افراد (People Analytics)، تجزیه و تحلیل نیروی کار، تجربه کارکنان باید در تلاقی واحد، بخش و داده های دیگر باشد. برای مثال دانش مالی، بازاریابی، فروش و عملیات می تواند برای بهتر کردن خروجی و یا استنباط درست داده های افراد کمک زیادی بکند و به غنی شدن آن منجر شود. به همین خاطر ابتدا علاقه و تقاضای فراوانی برای ورود به این نوع تخصص حرفه ای وجود دارد ولی با درک این مسائل و با در نظر گرفتن زمان و احتمال تقابل با طیف های مختلف یادگیرنده احساس گیج شدگی و یا حتی استیصال می کند. فرقی ندارد که تازه کار باشید، به تازگی علاقه مند به این حوزه شده اید یا می خواهید خودتان را از سطح متوسط به پیشرفته ارتقا دهید، فرصت های داده های افراد گسترده تر از این حرف هاست و بسیار تغییر پذیر!. ثقل مرکزی برای هر فرد یکسان است اما کسی شاید در مواجه با پیشرفت باشد که مدام تمرین می کند!.در تلاقی منابع انسانی و تصمیم گیری مبتنی بر داده، درک تفاوت های بین زیر حوزه های مختلف ضروری است: داده های افراد، تجزیه و تحلیل افراد، تجزیه و تحلیل منابع انسانی و سایر حوزه های مرتبط هر کدام از آنها تمرکز و کاربردهای خاص خود را دارند. در این مجموعه نوشته، هدف بررسی تفاوت های بین این زیر حوزه ها است تا بتوانید مسیر مشخصی برای خود تعیین کنید. در نهایت به شما در تصمیم گیری کمک کند که کدامیک بهترین تقارن را با علاقه مندی و اهداف شغلی شما داشته و برای یادگیری شغلی چه نکات کلی را در نظر بگیرید. طبیعی است که برنامه ریزی شخصی سازی شده خارج از توان این نوشته بود و بیشتر بر پایه تجربه های شخصی نویسنده است.تعاریف داده های افراد> People /Person data مدیریت، تحلیل و مدل سازی هر گونه اطلاعات یا داده ای خاصی از طیف فرد یا در حالت جمع افراد است که نقش های مختلفی در یک جامعه و یا گروه ایفا می کنند. یک فرد ممکن است همزمان کارمند، مشتری، مدیر و یا حتی جویای کار باشد و ترکیبی از این نقش ها را بگیرد. دانشجوی مهاجر حداقل دو پرسونا یا شخصیت می تواند ایفا کند و در نتیجه به گستردگی متغیرها منتج می شود. داده های افراد صرفا برای منابع انسانی محدود نشده و می تواند اطلاعات رفتاری، ترجیح، انحراف یا تقلب و حتی صداقت و وفاداری را در بر بگیرد. به طور کلی اطلاعات دموگرافیک یا جمعیت شناختی، اطلاعات مهارت، آموزش و بازار کار و یا حتی اطلاعات رفتاری (ترجیحات) هر شخص می تواند یک نوع داده رفتاری باشد. یکی از مثال های ادغام داده های افراد با داده های مالی و اقتصادی، تجزیه و تحلیل بازار کار، تولید و یا تخمین درآمد ناشی از عملکرد است. ترکیب داده های عملکرد کارکنان، مهارت ها و اطلاعات جمعیت شناختی با شاخص های مالی و اقتصادی، می تواند به صاحبان کسب و کارها این درک و بینش را فراهم کند که چطور قابلیت های فعلی و یا پنهان نیروی کارشان بر درآمد شرکت تأثیر می گذارد. در نتیجه در مورد میزان و نسبت رشد استخدام، فروش و حتی تعدیل احتمالی به صورت منطقی و با در نظر گرفتن احتمالات قبل از اتفاق تصمیم معقول تری بگیرند. اشباع استخدام و تعدیل های لحظه آخری از ریسک های نبود این نوع تحلیل می تواند باشد.تحلیل افراد>People Analytics ترجمه های زیادی در ایران وجود دارد اما به نظرم بهترین معادل، تحلیل افراد در مقابل فرد است. افرادی تجزیه را نیز اضافه می کنند یا حتی کلا بار کامل منابع انسانی به آن می دهند ولی من از اول روی تحلیل افراد تاکید کرده و از این ترجمع دفاع می کنم. تحلیل افراد بخش عملیاتی از دانش داده های افراد است. تمرکز آن بر روی بهره گیری از داده های کارکنان و یا کاندید های بالقوه یک شرکت، سازمان و یا بهتر بگوییم یک جغرافیای مشخص است. از لحاظ کارکرد برای درک و بهبود جوانب مختلف مثل بهبود جذب، تجربه کارکنان یا کاندیداهای شغلی یا بهتر بگوییم استعدادها، کمی کردن سطح روابط و در نهایت از ورود تا خروج نیروی کار(صرفا به داخل شرکت محدود نمی شود) می شود. تعریف این مفهوم می تواند به کلمات مختلفی تفسیر شود؛ اما یک موضوع ثابت می ماند: تحلیل درست از خروجی و بینش های به دست آمده از داده (اگر شخص تنها کارکنان و کاندید ها باشند). ممکن است این تعریف را زیاد شنیده باشید، اما من عمداً بر آن تاکید می کنم. وظیفه فقط ایجاد تصویری از داده و یا نشان دادن الگو، ترند و یا یک سری توابع ساده نیست. باید به ذی نفعان بهترین تحلیل ممکن را نشان دهید. برای مثال فوتبال را در نظر بگیرید. همه افراد به داده ها و نمودارها دسترسی دارند و تحلیل های سطحی و یا نمایان را به راحتی می گویند. اما معمولا متخصص هایی بعد از جمع آوری و آنالیز درست از رویدادهای مختلف و بررسی با گذشته عمق بیشتری به این تحلیل ها می دهند.شما باید گزارش / داده / الگو یا هر ایده ای را برای ثابت کردن تصمیمات مبتنی بر شواهد و بهینه سازی نتایج کسب و کار ارائه دهید. People Analytics مفهومی جدید نیست، اما استفاده از آن در 5 سال اخیر به صورت شگرفی افزایش یافته است. ما مطمئن نیستیم که اصطلاح "People Analytics" توسط گوگل یا وارتون ساخته شده، اما باید به این نکته توجه کنیم که آنها پیشروان این حوزه بوده اند. یکی از رویدادهای جالب در سال 2011، ارائه ای توسط خانم کاترین دکاس بود. این ارائه را برای شروع پیشنهاد می کنم که دوازده سال پیش چقدر بیشتر از ما فکر کرده اند! شاید برخی از آنها را امروز ما انجام می دهیم ولی تغییرات آنها حداقل 12 سال عوض شده!https://youtu.be/l6ISTjupi5gاولین سوال> از کجا شروع کنیم؟شروع هرچند مهم بوده ولی پیوستگی ارزش بیشتری دارد. یک شرکت یا فرد دانا بیشتر از هیجان باید به دنبال عمق دادن به درک و در نهایت حل مسائل باشد. نسخه جزیی را از هیچ کس نباید انتظار داشت چون توقع، درک و حتی امکانات شخص و شرکت متفاوت است ولی بر اساس تجربه و مشاهده، مجموعه مهارت فنی لازم برای استخراج داده و در نتیجه تحلیل حداقل از جمع آوری تا تصویر ضروری ولی الزاما نیازی نیست به تسلط کامل برسید. تخصص در تجزیه و تحلیل آمار، مدیریت داده و تصویرسازی برای شروع و در ادامه مدل سازی، تحلیل متن و یا یادگیری ماشین عمق بیشتری به شما می دهد. در ابتدا شروع و درک کلی پایتون و آر کمک زیادی به شما می کند، ولی هر چه دو زبانه شوید، برای شما تجزیه و درک منطق داده راحتتر می شود. SQL، ابزارهای هوش تجاری، انبار داده، ONA و تجزیه و تحلیل گراف نیز ممکن است برای موفقیت در این حوزه ضروری باشند.1 | مبانی HR: درک حداقلی از مفاهیم اصلی منابع انسانی برای تشریح و تحلیل مسائل2 | مدیریت داده | توانایی جمع آوری، پاکسازی و آماده‌سازی داده برای تحلیل | 3 | تحلیل آماری | آشنایی با روش‌ها و ابزارهای آماری، برای مثال انواع تحلیل رگرسیون، آزمون فرضیه ها و.... 4 | بصری سازی داده | توانایی ایجاد بصری‌سازی‌های معنادار برای ارائه درست از برداشت‌های داده‌ 5 | زبان‌های برنامه‌نویسی پرکاربرد> مهارت در زبان‌های برنامه‌نویسی مرتبط، مانند R یا Python، برای انجام تحلیل و مدل‌سازی داده | SQL- NLP 6 | یادگیری ماشین | فهم الگوریتم‌ها و تکنیک‌های یادگیری ماشین برای ساخت مدل‌های پیش‌بینی‌کننده، 7 | سیستم‌های پیشنهادی برای شخصی‌سازی تجربه ورود به کار و آموزش برای کارکنان جدید 8 | مدل‌های پیش‌بینی برای شناسایی کارکنان در معرض خطر ترک سازمان و توسعه استراتژی‌های نگهداری 9 | پردازش زبان طبیعی (NLP) برای تحلیل بازخورد و احساسات کارکنان | 10 | دسته بندی و تحلیل گراف برای شناسایی کارکنان با پتانسیل بالا برای برنامه‌های توسعه رهبری 11 | توانایی استفاده از تجزیه و تحلیل شبکه‌ای برای روابط و الگوهای ارتباطی بین افراد در سازمان - ONA | | | تجزیه و تحلیل گراف | | 12| درک تئوری گراف و کاربردهای آن برای تجزیه و تحلیل روابط و شبکه‌های پیچیده در داده‌ها |12 و به نظر یکی از مهم ترین روندهای آینده تحلیل های عمیق از متن، صوت و.. و درک از محیط، نیت و حتی تفسیرهای مختلف از داده های متنی، کمی و رفتاری.به این دسته بندی می توان صفحه های گسترده مثل اکسل، گوگل شیت، پاور بی آی و... را نیز اضافه کرد. اما قبل از اینکه به یادگیری همه این موضوعات فکر کنید، از حوزه دانشی و تلاقی آن با داده شروع کنید..اگر می‌خواهید یک تحلیل‌گر موفق افراد شوید، وابسته به گرافها و مقالات وبلاگی نشوید! بلکه به جای برداشت سطحی و هیجانی عمیق تر بخوانید و به صورت مساله واقعی فکر کنید. شما تحلیل گر مایکروسافت، ادوبی، یا حتی کریر.نت نیستید. شاید حتی داده های شرکتتان را نمی شناسید و زود تجویز ندهید! اول اینکه انگیزه خود را چطور حفظ می کنید. به شخصه برای من ساخت ریپوهای گیت لب انگیزه زیادی می دهد. تجربه واقعی من در کریر دات نت (وب سایت کاریابی ترکیه) کار کردن بر روی داده های عنوان های شغلی بود. شاید برای بعضی از شماها عنوان شغلی بدیهی باشد ولی این پروژه حداقل چندین ماه زمان می برد! پس می‌توانید ریپوهای GitHub، مستندهای فنی واقعی را پیدا کنید و با حفظ محرمانگی به مساله ای بپردازید و نظر بقیه را بگیرید! با اشتراک دانش و گرفتن نظرهای حتی افراد خارج از منابع انسانی دید خوبی می گیرید و پیشرفت خودتان را حس می کنید. این نکته حتی به شما کمک می کند که با چه ابزاری شروع کنید. یعنی قبل از اینکه یک آچار مشخص دست بگیرید، می دانید که چه نوع آچار یا جعبه ابزای احتیاج دارید. بعد از انگیزه، پیوستگی داشته باشید.. احتمالا به چت جی پی تی و API و اپن ای آی هم می رسید1 اشکال ندارد ولی بیش از اندازه هیجان زده نشوید.. هنوز خیلی از مسائل ساده به بهترین شکل حل نشده!چند مثال کلیپیش‌بینی نرخ تعدیل، رشد منابع انسانی و شناسایی عوامل زمینه ساز مالی، درآمد و....تحلیل مشارکت افراد و شناسایی عواملی که مشارکت در یادگیری را بیشتر می‌کنندارزیابی رقابت‌پذیری برای بازطراحی برند کارفرما. رقابت پذیری جذب بر اساس حقوق، مزایا و یا حتی استعداد در دسترسداده های بازار کار و ترکیب با داده های جمعیت شناختی و پیش بینی های مربوط به روند حقوق، انتظارات و...تحلیل احساس مصاحبه ورود و خروج، ارزیابی شرح شغل های نوشته شده و آنبوردینگ و....در ادامه و در بخش دوم بیشتر صحبت می کنیم......وحید فرجیوحید فرجیMon, 01 May 2023 19:24:04 +0330https://virgool.ir/@vfaraji89/الفبای-داده-های-افراد-از-شناسایی-تا-حل-سوال-درست-l7gztd2vuall به لحاظ واژه شناسی ترجمه‌ای هست از عبارت *People data سؤال اصلی که قبل از نوشتن این مطلب با خودم مرور کردم این بود: زیرساخت، تحلیل و روایت داده‌های منابع انسانی چطور به ذهنیت رشد تیمی کمک می‌کنه؟ چه مسائلی رو باید توی اولویت قرار بدیم و چطور روی یادگیری علاقه مند بمونیم؟ جوابهایی کوتاهی هم به ذهنم رسید: مثل اتکا به داشتن ذهنیت رشد، استمرار روی حل مسائل واقعی، پایداری در دقت به جزئیات کنار جمع‌آوری و مصورسازی داده ها… اما این موارد هم کافی نیستند. اصل داستان، حل کردن مشکلات واقعی و یا تبدیل مشکل به مساله و مساله به راه حل هست. یعنی اصل تبدیل نرخ بهتر از هر چیزی کاربرد داره.این مطلب حاصل فکر، مطالعه و عملیاتی کردن حداقل 367 ساعت و 35 دقیقه کار هست و امیدوارم ارزش خوندن رو داشته باشه. سوال طرح شده نیز یکی از مسائل واقعی شرکتی هست که فعلا مشغول به کار هستم.پیشگفتاربهتره بدونیم در تحلیل افراد، انرژی تیمی بر تخصص فردی ارجحیت داره. اینکه صرفا یک متخصص تمام عیار نمی تونه کل مسائل رو به بهترین شکل حل کنه. البته که نباید تخصص افراد رو دست کم بگیریم ولی باید حس کنیم این موضوع صرفا توی یک جاده یک طرفه اتفاق نمی افته و اگر تخصصی بلد هستیم، داستان حل مساله تمام نشده!برعکس بهترین تیم تحلیل از نظر من، به‌کارگیری انرژی، علاقه و تخصص ترکیب افرادی هست که اول مساله را درست و خوب صیقل بدن، و در ادامه راه رسیدن به حل مساله رو با جزئیات بهتر، با در نظر گرفتن زمان بهینه دنبال کنند.اصل موضوع باید حل مساله باشه تا صرفا خروجی گزارشهای شیک سازمانی برای سایر مخاطبان!. هر گزارش، داشبورد و یا نمایشی از گرافها و تصاویر باید حداقل وجود مساله و در ادامه رشد رو نشون بده. البته مشکلی هم نداره که این خروجی با جذابیت بصری منتشر بشه تا هم زحمات افراد دیده بشن و این تجربه در اختیار بقیه قرار بگیره، ولی اگر مساله‌ای رو توی شرکت حل نکنه تبدیل میشه به یک کاتالوگ یا محتوایی که تاریخ انقضاش فرا می‎‌رسه. پس قبل از هر شروع به تحلیل داده در منابع انسانی، اصل رو روی مساله واقعی شرکت قرار بدین و اگر سخت و دور از ذهن به نظر می‌رسند، بلند مدت روی اونها کار کنید. نکته اصلی اینکه منابع و انرژی شما باید روی تقاطع دادههای افراد یا (منابع انسانی داخل و خارج شرکت)، هزینه و فایده‌های مالی و احتمالا فروش قرار بگیرن! اخیرا با یک سری سؤال مواجه شدم که معمولا روی این نکته اشتراک دارند: «چطور میشه حداقل به یک تخصص متوسط منابع انسانی داده محور رسید». جواب قانع کننده ای برای این موضوع ندارم چرا که تجربه و زمان و سیر یادگیری افراد فرق داره. ولی یک تجربه سه ساله نمی تونه یک نسخه ایده آل رو تجویز کنه و پاسخ قطعی زمانی هم وجود نداره، ولی بدونیم زمانی به یک تخصص ایده آل میرسیم که روی یادگیری اشتراکی و با نیت خود-خواسته و استمرار قدم بذاریم. این تعریف چند نکته داره: علاقه با نیت عمل، در نظر گرفتن تخصص همه و حفظ پایداری یادگیری. یعنی یادگیری در حین کار، یادگیری فعال و مهم تر حس اینکه واقعا مساله رو به ساده‌ترین روش ممکن حل کنیم. پیچیده کردن مسائل و یا ربط دادن هر موضوعی به فناوری بدتر ذهن خود شما و بقیه رو گیج‌تر می‌کنه. اصل ساده‌سازی مسائل پیچیده واقعا لذت بخشه.همه ما میدونیم در یک شرکت سخت اقتصادی قرار داریم. پس یک متخصص تحلیل کسب و کار می تونه نقش پررنگی در مدیریت هزینه، عملکرد و در نهایت بهتر کردن راندمان یک مجموعه، تیم و یا سازمان داشته باشه. حالا با در نظر گرفتن این پیش زمینه، منطق حل مسائل بر اساس داده می تونه با در نظر گرفتن این عوامل باشه. قبل از شروع دوست دارم این نکات رو هم یادآوری کنم.برخی موضوع ها ممکنه از نظر توالی برتری نداشته باشند و صرفا بر اساس تجربه شخصی باشهاین پیشنهادها صرفا تجربی هست و پایه کاملا عملی ندارههر بخش با سؤال، پیش فرض و راه حل حداقلی آماده شدهاز کجا شروع کنیم؟به نظرم هر تعریف مساله و فرآیند حل و اقدام داده های منابع انسانی باید یک صافی درستی رو طی کنه. پیش فرض مساله داده ها: دسته بندی، بهینه‌سازی یا جمع‌آوری داده‌های جدید و یا ترکیب با داده‌های موجود با اصل پدیده شناسی روند سیالیت داده... نقشه و یا مسیر ورودی و خروجی داده باید به جزئیات تصویر بشوند.اصل نرخ ها: تعریف مساله مشخص و عینی که قابل لمس باشه (پارامترهایی مثل هزینه، فایده، سود، ضرر، درصد رشد و.... بهتره که توی اولویت قرار بگیرند).تعریف مساله: ارتباط عملکرد فردی> تیمی و اثرگذاری روی خروجی افراد دیگه.تحلیل و درک جزئیات بیشتر و دقیق‌تر: بازتعریف درست چرخه و رعایت برابری و صداقت در داده ها (عدم دستکاری داده و یا ایجاد پیچیدگی که فهم افراد رو مشکل کنه یا اصطلاحا نکته تاریک دانشی افراد باشه.)روایت: باور درست به حل مساله و قضاوت غیر احساسی و غیر تعمیمی به مساله. (افراد قربانی یک روایت آماری نشوند. دوری از مبالغه و پوشاندن ضعف و یا زیاده روی در تحلیل مسائل)اقدام: متأسفانه این مساله خیلی در تحلیل افراد ضعیف هست.بهبود راه حل در گذر زمان: اگر حتی باور به اقدام داشته باشیم، بهبود مستمر نقطه فراموش شده در حلقه کلی چرخه می تونه باشه. متأسفانه ذهن انسان به بسته شدن سریع پرونده ها عادت داره. قبل از شروع> منتظر تعریف سؤال از مدیریت نباشید.قبل از حل مساله> خیلی و خیلی مشورت کنید. به تخصص همه افراد حتی یک فردی بی ارتباط به موضوع اهمیت بدهید.بعد از شروع حل مساله> روی دانش و یا ابزار خاصی تعصب اضافی به خرج ندهید. صداقت روی داده رو اصل حل مسائل قرار دهید.قرار نیست با این حل مساله حتما تشویق شوید، رشد فردی رو در کنار رشد سازمان گره بزنید.اگر تشویق نشدید و مطمئن به حل مساله درست تر هستید، مدیریت رو قانع به شنیدن کنید. (روی این مساله مطلبی خوبی رو آماده می‌کنم).شکل زیر چرخه یک سؤال ساده و بدون احساس نیاز سازمانی رو نشون می‎‌ده. طرح مساله از دل این موضوع اومد که هر هفته میزان فروش و نرخ لید یا پتانسیل مشتری در قالب داشبورد صافی یا Funnel بررسی می‌شد.مدل شخصی به عنوان یک تحلیلگر کسب و کار با تقاطع دادهای مالی و منابع انسانی.روند چرخه داده رو چطور ترسیم کنیم؟حالا اگه این مراحل رو توی یک مثال ساده و کاربردی توضیح بدیم، می تونم این مساله واقعی که خودم روبرو شدم رو بسط بدم: چطور داده های مالی فروش و بازاریابی با منابع انسانی می تونند در یک نقطه تقاطع داشته باشند. نقاط بهبود هم شناسایی و در نهایت حل بشوند. برای مثال آیا خطای انسانی رو میشه به کمک داده درست تحلیل و رفع کرد یا نه. منظور از خطا، اشتباه ارادی و یا تنبلی افراد نیست بلکه افشای نکته تاریکی هست که شاید افراد خبر ندارند. در نظر بگیرید که بودجه یک شرکتی که ماهانه فروش سیصد میلیونی داره، روی دو میلیون تومن گوگل ادز پیش می‌ره و افراد بازاریابی و فروش در یک نقطه اساسی پاسخ گویی به مدیریت قرار گرفتند. یعنی نرخ تبدیل کلیک به پتانسیل مشتری و در نهایت فروش. مدیریت انتظار فروش بیشتر و افراد بازاریابی انتظار همدلی و فروش از سمت تیم فروش دارند. زیرسؤال رفتن رو تقریبا هر تیمی به سختی قبول میکنه و اتهام زدن به یک فرد نیز سخت و شاید غیر اخلاقی باشه، چون حل این تقاطع عملکرد سخت به نظر میاد.سیر داده روی چند محور باید حرکت کنه. اصولا داده از کجا منتشر میشه و توسط چه فردهایی. ابعاد داده اهمیت خیلی خاصی دارن، چون باید کمیت و کیفیت داده ها رو هم چک بکنیم. برای مثال روی کیفیت و خروجی نسبت کلیک به هزینه، عملکرد یک نیروی بازاریابی اثر میذاره البته اگر عوامل خارجی رو کنار بذاریم. و نکته جالب تر اینکه این خروجی، میشه ورودی نیروی فروش که با یک کیفیتی لید دریافت می‌کنه. مساله اساسی در تحلیل بهینه‌سازی این نرخ هاست. پس این چرخه باید با جزئیات و اصل صداقت روی تحلیل دنبال بشه.مساله ای که قرار حل بشه به صورت خلاصه اینه؟ چرا این داده به عملکرد یک یا چند نفر گره خورده؟ بدیهی ترین جواب ممکنه این باشه که چون عملکرد یک نفر روی عملکرد نفر بعدی تاثیر می‌ذاره و الزاما این رابطه هم دو طرفه نیست. برای مثال بازاریابی در تنگنا قرار می‌گیره چون نمی تونه عدم دریافت مشتری رو گردن عملکرد گوگل ادز بندازه! شاید هم اگر اینکار رو بکنه راحتتر زیر سؤال بره (گرچه میشه بودجه رو بهانه قرار داد!) ولی نیروی فروش به راحتی می‌تونه این ادعا رو داشته باشه که لید یا اطلاعات مشتزی بالقوه با کیفیت مطلوبی به دست‌اش نمی رسه.تحلیل و روایتمن قطعا جوابهایی برای این سؤال دارم ولی قبل از نگارش اون توی یک مطلب دوست داشتم باهم روی این مساله فکر کنیم. شاید این مساله جز مسائل شرکت شما هم باشه... اون موقع اشتراک دانش تعاملی و دلچسب‌تره. من سعی میکنم توی ده روز آینده با جزئیات حل مساله رو باز کنم و اگر بازخورد خوبی به دستم رسید؛ در ادامه مطلب هم اضافه کنم.وحید فرجیوحید فرجیMon, 04 Jul 2022 00:43:04 +0430