تطبيقات الإحصاء لقياس نمو الشركة

ملخص تنفيذي

في جزء منه كمتابعة لمقالتي السابقة حول كيفية تحديد محركات النمو في الأعمال التجارية ، أريد الآن المضي قدمًا في حفرة الأرانب والنظر في كيفية قياس تأثير مبادرات النمو. سأقدم بعض الأدوات لتقييم تأثير الإجراءات مثل تحديثات المنتج والعلاقات العامة والحملات التسويقية على نمو العملاء ومقاييس الاستبقاء والمشاركة. يمثل هذا انعكاسات من عملي السابق كخبير إحصائي ، لمساعدة الشركات على تقييم التأثير على تقييمها للأحداث الداخلية والخارجية من خلال ردود فعل الأوراق المالية المتداولة.

أعتقد أن أدوات التأثير الإحصائي ، الأكثر شيوعًا في صناديق التحوط وعالم وول ستريت ، يمكن أن تكون مفيدة لشركات التكنولوجيا لإدارة النمو أكثر من كيفية تطبيقها حاليًا. نظرًا للتكنولوجيا التي تتيح لنا مجموعة من المعلومات عالية التردد حول سلوك المستخدم أو العميل ، يمكن أن يكون محلل الإحصاء أو البيانات الماهر أصلًا حقيقيًا داخل الفرق التجارية.

هناك طرق عديدة لقياس تأثير النمو

كمثال لقياس التأثير الإحصائي على التقييم ، لنفترض أن شركة مطروحة للتداول العام تعلن عن منتج جديد وترغب في معرفة مدى تأثيرها على تقييمها. يتطلب تقدير التأثير الحقيقي المحاسبة عن:

1. كيف كان أداء السوق نفسه في ذلك اليوم ، في سياق علاقة الأوراق المالية به.
2. تأثير أي معلومات أخرى متعلقة بالشركة تم إصدارها في نفس الوقت.
3. الحقيقة البسيطة المتمثلة في أن أسعار الأوراق المالية وسلوك المستخدم ينتقلان بشكل يومي من التباين العام ، حتى في حالة عدم وجود معلومات جديدة.
4. تأثير طويل المدى ، من حيث اتجاه ذو دلالة إحصائية في زيادة الأسعار.

بالنسبة لشركة خاصة ، يمكن إجراء نفس التحليل على التغيير في المستخدمين النشطين ، أو العملاء ، على المدى القصير والطويل ، والتي تعمل كنتيجة طبيعية لنشاط أسعار الأسهم. ينطبق هذا أيضًا على مقاييس الاحتفاظ وعمق المشاركة.

يتيح إنشاء هذا الشكل المستدير من التحليل للشركات توجيه مواردها المحدودة بناءً على إشارات معلومات أقوى بكثير ، بدلاً من الانغماس في ما قد يبدو أنه رد فعل سوق أو مستخدم لا يمثل في الواقع أكثر من تقلب عشوائي. يمكن أن يؤدي العمل الأولي لإعداد النموذج الإحصائي الذي يفصل الإشارة عن الضوضاء إلى أرباح هائلة من خلال الرؤى التي يجلبها لجهود نمو الشركة. إنها أيضًا عملية تكرارية يمكن تحديثها وتنقيحها بسهولة (وغالبًا تلقائيًا) عند تلقي بيانات جديدة.

اختيار المقياس الهدف للاختبار

يجب أن يستهدف أي جهد قياس من قبل شركة واحدًا على الأقل من أبعاد النمو التالية:

1. نمو الخط الأعلى ، المُعرَّف بأنه التغيير في إجمالي المبيعات أو المستخدمين / العملاء النشطين بمرور الوقت.
2. الاحتفاظ بالمستخدمين والعملاء ، المُعرَّف على أنه متوسط ​​عمر أي مستخدم أو عميل معين.
3. عمق مشاركة المستخدمين والعملاء ، ويُعرّف على أنه إما تكرار الإجراء الأساسي المتخذ أو حجم المعاملات عبر النظام الأساسي.

جميع الأبعاد الثلاثة قابلة للقياس الكمي ، ويمكن للشركة تصور قيمتها على أنها مساحة المثلث التي تشكلها هذه النقاط الثلاث. إذا انهار أحدهما ، فإن القيمة المحتملة من الاثنين الآخرين مقيدة بشدة. بينما أتفق بالتأكيد مع العديد من المؤسسين والمستثمرين على أن "عدد قليل من المستخدمين الذين يحبونك أفضل من العديد ممن يحبونك" ، لا أعتقد أن هذا يتعارض مع أهمية نمو الأرباح بالإضافة إلى المشاركة القوية والاحتفاظ. المسار مهم أكثر بكثير من المستوى ، والبدء بمجموعة أصغر من المستخدمين المتفانين حقًا يحدد أفضل الظروف الأولية للنمو طويل الأجل في المقام الأول.

تتمثل المهمة الرئيسية للشركة في إنشاء إطار العمل التحليلي الذي يسمح بقياس التأثيرات الحقيقية لأفعالهم على واحد أو أكثر من هذه المقاييس الرئيسية الثلاثة. قد تختبر الشركة نماذج مختلفة لكل منها أو تستخدم أدوات مثل المعادلات المتزامنة لربطها بشكل مباشر أكثر. تميل جهود التسويق والعلاقات العامة ، من واقع خبرتي ، إلى المعاناة بشكل خاص من الافتقار إلى التحليل الدقيق حول ما إذا كانت الشركة تحصل على عائد على استثماراتها. يتم دائمًا تسجيل بعض المقاييس ، مثل إجمالي المشاهدات والنقرات والمشاركات ، ولكن هذه كلها وسائل لتحقيق غاية ونادرًا ما يتم إعطاء تحليل جاد للسؤال التالي حول التأثيرات على تحويل العملاء ومشاركتهم.

اختيار المعيار والمثال لحدث لمرة واحدة

نبدأ بالنسخة المبسطة لحدث لمرة واحدة. لنفترض أن الشركة أصدرت تحديثًا جديدًا للمنتج أو تنشر قصة علاقات عامة كبيرة في اليوم 0 وترغب في معرفة ما إذا كانت تمثل خطوة في الاتجاه الصحيح من حيث التأثير على النمو. إن تحديد ما إذا كان قد تم تلقي إشارة حقيقية بأن الشركة يجب أن تستمر في بذل جهود مماثلة يتطلب معرفة مقدار الزيادة ، مقابل المقدار الذي يمكن أن تحصل عليه ، في غياب الحدث المعني.

يمكن تقدير النمو المعياري من خلال نموذج الانحدار الذي يتنبأ بنمو الشركة أو الاحتفاظ بها أو مشاركتها بناءً على المتغيرات الخارجية والداخلية. في حالات معينة ، تسمح القدرة على عزل هؤلاء المستخدمين المتأثرين بتحديث المنتج بإجراء اختبار A / B مباشر مع مجموعة تحكم. ومع ذلك ، ليس هذا هو الحال بالنسبة للمنتجات واسعة النطاق والعلاقات العامة وجهود الأعمال التي تؤثر على جميع المستخدمين الحاليين والمحتملين بشكل موحد إلى حد ما. في حين أن هناك بعض الموارد الممتازة المتاحة لمثل هذا الاختبار ، يمكن للعديد من الشركات في المراحل المبكرة أن تجدها باهظة الثمن.

تشمل المتغيرات التي يمكن أخذها في الاعتبار لهذا النموذج ما يلي:

يجب تحديد جميع المتغيرات على أنها معدل تغيير بدلاً من مستوى مطلق ، باستخدام اللوغاريتمات بدلاً من النسب المئوية.

وبالمثل ، يجب مراعاة الإطار الزمني لكل متغير بعناية. بعض المتغيرات رائدة (سوق الأوراق المالية على سبيل المثال يعتمد بشكل كبير على التوقعات) ، في حين أن البعض الآخر مثل تقييمات رضا المستخدم تستند إلى الخبرة السابقة ولكنها بالتأكيد قد تكون ذات صلة بالنمو المتوقع.

بالنسبة للانحدار نفسه ، أوصي بالبدء بالمربعات الصغرى العادية (OLS) ثم الانتقال فقط إلى الأشكال الوظيفية الأخرى لأسباب محددة. OLS متعدد الاستخدامات ويسمح بالمثل بتفسير مباشر للنتائج أكثر من الأشكال الأخرى الأكثر تعقيدًا. قد تتضمن التعديلات في سياق OLS انحدارًا لوغاريتميًا للمتغيرات غير الخطية ، ومتغيرات التفاعل (على سبيل المثال ، ربما رضا العملاء الحالي ونشاط الوسائط الاجتماعية) ، وتربيع المتغيرات التي تعتقد أن لها تأثيرات غير متناسبة عند القيم الأكبر. ونظرًا لأن النمو هو أمر أسي ، فمن المؤكد أن الانحدار اللوغاريتمي يمكن أن يثبت توافقًا قويًا.

فيما يتعلق بالأفق الزمني لتأثير الإجراء ، تأكد من مراعاة تواتر المستخدمين للإجراءات أو عمليات الشراء لمساعدتك في تحديد الفاصل الزمني المناسب للبحث عن التأثير. عند استخدام الأطر الزمنية التي تزيد عن يوم واحد ، تذكر أن المستخدمين النشطين أسبوعيًا ليسوا مجموع المستخدمين النشطين يوميًا في ذلك الأسبوع. إذا كنت أستخدم منتجك بنشاط كل يوم في ذلك الأسبوع ، فسيتم احتساب كل يوم لتحليل يومي. إذا قمت بالتغيير بعد ذلك إلى تحليل أسبوعي ، يجب أن أحضر مرة واحدة فقط ، وبالتالي فإن تلخيص الأيام الفردية سيؤدي إلى زيادة العد.

يسمح لك هذا النموذج بعد ذلك بتقدير النمو / الاحتفاظ / المشاركة المتوقعة لأي لحظة معينة أو فترة زمنية مستمرة بناءً على أداء هذه المتغيرات التوضيحية. الفرق بين هذا النمو المتوقع والنمو الفعلي الملحوظ بعد الحدث هو الجزء غير الطبيعي الذي قد يشير إلى التأثير. قسمة هذا النمو غير الطبيعي على الانحراف المعياري للنمو المتوقع ثم يشير إلى مدى احتمالية حدوث المكون غير الطبيعي عن طريق الصدفة. عادةً ما يتم استخدام نتيجة 1.96 (كونها تقريبًا انحرافين معياريين بعيدًا عن القيمة المتوقعة) كخط فاصل لاعتبار أنها لم تحدث بالصدفة.

في سياق المجموعات ، يمكن النظر إلى الاحتفاظ والمشاركة إما من حيث التغيير عبر المجموعات المتتالية (بعبارة أخرى ، الاحتفاظ بالقيم الثابتة لكل مجموعة) ، أو التغيير بمرور الوقت من إجمالي الاحتفاظ والمشاركة ، دون تقسيمها حسب مجموعة.

أثر النمو التراكمي من سلسلة من الأحداث

غالبًا ما تشير استراتيجيات النمو إلى نشر سلسلة من الأحداث بدلاً من بذل جهود لمرة واحدة ، سواء من أجل التأثير الفوري لجهود متعددة أو التأثير الأساسي لإظهار النمط نفسه للعملاء. لذلك يمكن لتحليل التأثير أن ينظر إلى التأثير التراكمي أيضًا. يمكن أن تؤدي سلسلة الأحداث غير المهمة بشكل فردي إلى تأثير تراكمي كبير ، وعلى العكس من ذلك ، يمكن أن تتحول سلسلة من الأحداث المهمة إلى عدم الأهمية.

يمكن اعتبار الموقف الأول على أنه "بطيء وثابت يفوز بالسباق." لنفترض أن مبيعاتك تزداد بجزء بسيط من نسبة مئوية أسبوعيًا أسرع من القطاع ذي الصلة. خلال فترة قصيرة من الزمن ، لن يعني هذا شيئًا ، لأن نمو أي شركة سيختلف قليلاً عن المؤشر عن طريق الصدفة. إذا استمر الأداء الزائد الطفيف لفترة طويلة بما فيه الكفاية ، فيمكنك في النهاية القول بثقة أن معدل نمو الشركة يتجاوز حقًا معدل السوق.

الوضع الثاني هو في الأساس أي نوع من الانعكاس. إن الوسائل عالية التردد التي يمكن من خلالها للناس أن يتفاعلوا مع التطورات قبل المعالجة الحقيقية للمعلومات ، بالإضافة إلى عقلية القطيع على المدى القصير ، تجلب تحديًا يتمثل في ضمان مراعاة الحجم الحقيقي ومدة التفاعل من خلال الضوضاء الأكثر إلحاحًا. في ظل ظروف معينة ، قد يميل المستخدمون والأسواق إلى المبالغة في رد الفعل بشكل منهجي على المدى القصير (التقنيات الجديدة ، وأسواق العملات ، والأخبار السيئة في كثير من الأحيان التي لا تمثل تهديدًا خطيرًا لشركة ما) ولكن بعد ذلك يصححون أنفسهم في وقت لاحق.

يمكن توضيح الحالتين على النحو التالي. يشير فاصل الثقة إلى الحدود التي يمكن أن نتوقع ضمنها أن تقع 95٪ من الملاحظات ، والتي تُستخدم عادةً كحد أدنى لاعتبار شيء ذي دلالة إحصائية.

يمكن اعتبار عدم وجود انعكاس كبير كدليل على التأثير الدائم. يجب على المرء أن يكون حذرًا مع هذا المنطق لأنه يتعارض مع القاعدة العادية للشك التجريبي بأن عدم وجود دليل ليس دليلاً على الغياب ، ولكنه أفضل ما يمكننا فعله.

كن حذرًا عند مقارنة النسبة المئوية / التغييرات اللوغاريتمية خلال فترات زمنية فردية. أي انخفاض بنسبة 99٪ متبوعًا بزيادة قدرها 99٪ لا يؤدي إلى تغيير تراكمي غير مهم. تأكد من مراعاة التغيير التراكمي في النهاية.

إذا كنت تقيس التأثير التراكمي لسلسلة من الأحداث مثل حملة علاقات عامة معينة خلال فترة زمنية محدودة (على سبيل المثال ، موسم العطلات) ، فقد ترغب في تتبع النمو على مدار جميع أيام التقويم أو الأسابيع المدرجة في الإطار الزمني ، سواء تم اتخاذ إجراء معين لكل فرد أم لا. ما زلت تأمل بشكل أساسي أن تؤدي الضربة 1-2-3 إلى خروج المغلوب خلال فترة محددة حتى لو كان هناك تأخيرات طفيفة بين الضربات.

إذا كانت الأحداث المعنية متباعدة ولكنك لا تزال ترغب في تقييم التأثير التراكمي ، فيمكنك التفكير في تركيبها معًا في سلسلة واحدة مستمرة من الأيام ثم إجراء نفس التحليل. في هذا ، أنت تقول بشكل أساسي "اليوم الأول هو 5 يناير ، واليوم الثاني هو 15 مارس ، واليوم الثالث هو 10 أبريل ...") واختبار التغيير التراكمي مقابل ذلك الذي تنبأ به المعيار كما لو كانت في الواقع تواريخ متسلسلة تمامًا. عندئذ يكون اختبار الأهمية هو نفس المعادلة المستخدمة في الأحداث الفردية ، باستثناء رفع الانحراف المعياري للجذر التربيعي لعدد الأيام / الأسابيع التي تشكل الفترة التراكمية.

التعامل مع المعلومات الملوثة عند قياس نمو الشركة

نادرًا ما يمنحنا العالم مجاملة للظروف المعملية المثالية لاختبار أفكارنا ، لذلك بمجرد إنشاء النموذج الأساسي ، سيحتاج على الأرجح إلى التحكم في المعلومات الأخرى التي تؤثر على معدل النمو المتوقع في نفس وقت الإجراءات التي نتخذها إعادة السعي للقياس.

لنفترض أنه في نفس وقت حدث العلاقات العامة أو تحديث المنتج ، قرر مسؤول تنفيذي كبير للأسف المغادرة إلى أحد المنافسين وسط ضجة كبيرة من الصحافة وأنت تشعر بالقلق من أن بعض المستخدمين قد يأخذون هذا كإشارة للمزايا النسبية لـ منتجين. لسوء الحظ ، يتمثل أحد الحلول السريعة جدًا في تحديد نقطة البيانات كحدث مرتبك غير ذي صلة ، باستخدام متغير مؤشر.

ومع ذلك ، إذا كان بإمكانك الحصول على بيانات عن الحالات السابقة للحدث "المربك" ، فيمكنك إجراء تحليل مقطعي يسمح لك بالتنبؤ بمدى التأثير الذي قد يحدثه حدث معين في ظروف مماثلة ، ويمكنك إزالة التي توقعت التأثير من النتائج النهائية. في المثال أعلاه ، ستسمح لك البيانات المتعلقة بنشاط المستخدم المحيط بمغادرة أعضاء الفريق البارزين في الشركات الأخرى بتقدير وفصل تأثير هذا العامل المعين من أجل عزل تأثير حدث العلاقات العامة أو تحديث المنتج الذي كنت تأمل في ذلك. يقيم.

قد تواجه العديد من الشركات أيضًا موسمية بناءً على الوقت من العام أو لحظات رئيسية معينة مثل العطلات. قم بتعيين متغيرات المؤشر للوقت من العام المعني للتحكم في ذلك.

اللاخطية لبعض التأثيرات

عندما تفكر في نتائج تحليلك واستراتيجياتك لجهود النمو ، فإن بعض التأثيرات غير الخطية في كيفية توثيق استجابة الأشخاص للتطورات الإيجابية تستحق أن تؤخذ في الاعتبار.

يمكن أن تكون الحساسية لأعلى مقابل لأسفل مختلفة جدًا. إذا سمحت البيانات والوقت ، ففكر في تقدير الآثار المتوقعة لكل من الأحداث الإيجابية والسلبية ، إذا كان كلاهما مناسبًا لك. لسوء الحظ ، يمكن أن تكون الحركات الهبوطية في كثير من الحالات التي تتراوح من سلوك المستخدم إلى الأسواق المالية أكثر مفاجأة وشدة من التحركات الصعودية.

قد لا يساوي التأثير المشترك لأداء إجراءات متعددة في وقت واحد تأثير تنفيذها بالتسلسل لأن حقيقة النمط المستمر يمكن أن يكون لها تأثير إيجابي أو سلبي. يمكن لنمط الشركة التي تصدر تحديثًا للمنتج كل شهر أن يغرس الثقة في المستخدمين أثناء الإعلان عن الأحداث السلبية مثل تسريح العمال أو إلغاء الاشتراك أكثر من مرة يمكن أن يكون لها تأثير غير متناسب إلى حد كبير من خلال التسبب في القلق من أن الشركة لا تفهم تمامًا ما يخصها قارة. غالبًا ما "تستحم" الشركات المتداولة علنًا وتصدر جميع الأخبار السيئة في وقت واحد ، حيث يمكن أن تكون هناك إصابة أولية "ثابتة" من حقيقة الأخبار السيئة نفسها ، مع تأثير لاحق هامشي. يصف "تأثير الطوربيد" ، على سبيل المثال ، الظاهرة التجريبية المتمثلة في أن مجرد وجود أخبار سيئة يمكن أن يفسر جزءًا ذا مغزى من انخفاض السعر. لذلك يمكن تقسيم القطرات السالبة إلى تأثير ثابت مبدئي يفسح المجال لتأثير هامشي متناقص من المحتوى الفعلي للأخبار أو التطور. تعمل حملات العلاقات العامة بشكل أفضل كتسلسل من حدث ضخم واحد ، حيث أن الهدف هو وضع الشركة بمرور الوقت.

لا يمكن بالطبع قياس التباين إلا تاريخيًا ، لكن أحداثًا معينة قد تغير التباين الحقيقي الكامن واحتمال حدوث النمو غير الطبيعي بالصدفة. نظرًا لأن التباين الجديد هو في حد ذاته نتيجة للحدث المعني ، يجب استخدام التباين السابق لتجنب التفكير الدائري لرفض أهمية الحدث بناءً على التباين الأكبر الذي يأتي معه. كما هو الحال دائمًا ، هناك نقاش وقد يكون كل موقف مختلفًا.

كما ذكرنا سابقًا ، يمكن أن يولد النمو أو التباطؤ في النمو تأثيرات مماثلة لفترة من الوقت ، بسبب كل من علم النفس البشري وهياكل السوق الحقيقية للغاية. في حين أن هناك العديد من اختبارات الارتباط التلقائي الفاخرة المتاحة لقياس تأثيرات الزخم ، أجد أن النهج "اليدوي" لتراجع سلسلة النمو في نسخة متأخرة من نفسه يكون أكثر شفافية وأسهل في التجربة.

أفكار ختامية حول الاقتراب من التعلم الآلي في الأعمال

بمجرد تطوير النموذج الذي يسمح بمثل هذا الاختبار ، لا يوجد سبب يمنع ربط منصات الشركة لتتبع سلوك المستخدم والمبيعات وما إلى ذلك مباشرةً بكودها لتحديث المعامِلات باستمرار عند تلقي بيانات جديدة. لطالما كان تفضيلي الشخصي هو الحصول على فترة تقدير مدتها عام واحد عندما يكون ذلك ممكنًا ، من حيث أنه يوازن بين حجم مجموعة البيانات والقيمة الأعلى للمعلومات الأحدث ويتضمن أيضًا بشكل طبيعي جميع أوقات السنة في حالة الموسمية.

بافتراض عدم وجود فواصل هيكلية في طبيعة العمل والمنتج ، فلا يوجد سبب لعدم تمديد فترة التقدير لأكثر من عام واحد ، ولكن الشركات الشابة سريعة النمو تميل إلى التطور بسرعة. يمكن للشركات التي تعتمد على البرامج الارتباط مباشرة بـ GitHub لإنشاء العملية التي يتم من خلالها اختبار تأثير تحديثات البرامج تلقائيًا. من خلال إنشاء هذا الرابط المباشر والسماح للوظائف بالتطور تلقائيًا ، تكون قد اتخذت الخطوة الأولى نحو نشر التعلم الآلي لشركتك.

غالبًا ما يُشار إلى أن المعلومات هي السلعة الأكثر قيمة في العالم ، ولكن لا يُذكر في كثير من الأحيان أن البيانات ليست معلومات. على العكس من ذلك ، فإن الشركات غارقة في الكثير من البيانات التي قد تبدو وكأنها تحكي روايات متنافسة ، وكثير منها يمكن أن يكون مجرد أنماط زائفة تستند إلى العشوائية. الإحصائيات في أفضل حالاتها هي عملية اختزال - حيث يتم شحذ المتغيرات والعلاقات الرئيسية بسرعة ونشرها للاختبار العملي. إن روح هذا الشكل من التحليل قبل كل شيء هي غرس الشك الصحي في عملية صنع القرار من خلال إجبار البيانات على إثبات نفسها على أنها معلومات حقيقية قبل اتخاذ قرار بشأنها.