การประยุกต์ใช้สถิติเพื่อวัดการเติบโตของบริษัท

บทสรุปผู้บริหาร

ส่วนหนึ่งจากการติดตามบทความก่อนหน้าของฉันเกี่ยวกับการระบุตัวขับเคลื่อนการเติบโตในธุรกิจ ตอนนี้ฉันต้องการลงลึกในหลุมกระต่ายและดูว่าคุณจะวัดผลกระทบของการริเริ่มเพื่อการเติบโตได้อย่างไร ฉันจะจัดเตรียมเครื่องมือบางอย่างสำหรับการประเมินผลกระทบของการดำเนินการ เช่น การอัปเดตผลิตภัณฑ์ การประชาสัมพันธ์ และแคมเปญการตลาดเกี่ยวกับการเติบโตของลูกค้า ตัวชี้วัดการรักษาลูกค้า และการมีส่วนร่วม นี่เป็นภาพสะท้อนจากงานก่อนหน้าของฉันในฐานะนักสถิติ ซึ่งช่วยให้บริษัทต่างๆ ประเมินผลกระทบต่อการประเมินมูลค่าเหตุการณ์ภายในและภายนอกผ่านปฏิกิริยาของหลักทรัพย์ที่ซื้อขายของพวกเขา

ฉันเชื่อว่าเครื่องมือสร้างผลกระทบทางสถิติซึ่งพบเห็นได้ทั่วไปในกองทุนป้องกันความเสี่ยงและโลกของ Wall Street สามารถใช้กับบริษัทเทคโนโลยีในการจัดการการเติบโตได้มากกว่าวิธีการที่ใช้อยู่ในปัจจุบัน เนื่องจากเทคโนโลยีทำให้ช่วงของข้อมูลความถี่สูงที่เราสามารถใช้ได้เกี่ยวกับพฤติกรรมของผู้ใช้หรือลูกค้า นักวิเคราะห์สถิติหรือข้อมูลที่มีทักษะสามารถเป็นสินทรัพย์ที่แท้จริงภายในทีมการค้า

มีหลายวิธีในการวัดผลกระทบของการเติบโต

ตัวอย่างของการวัดผลกระทบทางสถิติต่อการประเมินมูลค่า สมมติว่าบริษัทที่ซื้อขายในตลาดหลักทรัพย์ประกาศผลิตภัณฑ์ใหม่และต้องการทราบขอบเขตที่มีผลกระทบต่อการประเมินมูลค่า การประเมินผลกระทบที่แท้จริงจำเป็นต้องมีการบัญชีสำหรับ:

1. วิธีการที่ตลาดดำเนินการในวันนั้น ในบริบทของความสัมพันธ์ของหลักทรัพย์กับมัน
2. ผลกระทบของข้อมูลอื่นๆ ที่เกี่ยวข้องกับบริษัทที่เผยแพร่พร้อมกัน
3. ข้อเท็จจริงง่ายๆ ที่ราคาหลักทรัพย์และพฤติกรรมผู้ใช้เปลี่ยนแปลงทุกวันจากความแปรปรวนทั่วไป แม้จะไม่มีข้อมูลใหม่ก็ตาม
4. ผลกระทบระยะยาวในแง่ของแนวโน้มราคาที่เพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ

สำหรับบริษัทเอกชน การวิเคราะห์เดียวกันสามารถทำได้ในการเปลี่ยนแปลงผู้ใช้ที่ใช้งานอยู่ หรือลูกค้า ทั้งในระยะสั้นและระยะยาว ซึ่งทำหน้าที่เป็นผลสืบเนื่องต่อกิจกรรมราคาหุ้น นอกจากนี้ยังใช้กับเมตริกการรักษาผู้ใช้และความลึกของการมีส่วนร่วม

การสร้างรูปแบบการวิเคราะห์ที่กลมกล่อมนี้ช่วยให้บริษัทต่างๆ สามารถควบคุมทรัพยากรที่มีอยู่อย่างจำกัดโดยอิงจากสัญญาณข้อมูลที่แข็งแกร่งกว่ามาก แทนที่จะหลงทางโดยสิ่งที่อาจดูเหมือนเป็นตลาดหรือปฏิกิริยาของผู้ใช้ที่ในความเป็นจริงแล้วไม่ได้แสดงอะไรมากไปกว่าความผันผวนแบบสุ่ม งานเริ่มแรกในการตั้งค่าแบบจำลองทางสถิติที่แยกสัญญาณออกจากสัญญาณรบกวนสามารถให้ผลตอบแทนมหาศาลผ่านข้อมูลเชิงลึกที่นำมาซึ่งความพยายามในการเติบโตของบริษัท นอกจากนี้ยังเป็นกระบวนการแบบวนซ้ำที่สามารถอัปเดตและปรับปรุงได้อย่างง่ายดาย (และมักจะโดยอัตโนมัติ) เมื่อได้รับข้อมูลใหม่

การเลือกเมตริกเป้าหมายที่จะทดสอบ

ความพยายามในการวัดผลใดๆ โดยบริษัทควรกำหนดเป้าหมายอย่างน้อยหนึ่งในมิติของการเติบโตต่อไปนี้:

1. การเติบโตระดับ บน กำหนดเป็นการเปลี่ยนแปลงในยอดขายรวมหรือผู้ใช้/ลูกค้าที่ใช้งานอยู่เมื่อเวลาผ่านไป
2. การรักษา ผู้ใช้และไคลเอนต์ กำหนดเป็นอายุเฉลี่ยของผู้ใช้หรือไคลเอนต์ใด ๆ
3. ความลึกของการมีส่วนร่วม ของผู้ใช้และลูกค้า กำหนดเป็นความถี่ของการดำเนินการหลักหรือปริมาณของการทำธุรกรรมผ่านแพลตฟอร์ม

ทั้งสามมิติสามารถวัดได้ และบริษัทสามารถกำหนดมูลค่าเป็นพื้นที่ของสามเหลี่ยมที่เกิดจากจุดทั้งสามนี้ หากตัวใดตัวหนึ่งพัง ค่าศักยภาพของอีกสองตัวจะถูกจำกัดอย่างรุนแรง แม้ว่าฉันจะเห็นด้วยกับผู้ก่อตั้งและนักลงทุนหลายคนว่า "ผู้ใช้ไม่กี่คนที่รักคุณดีกว่าคนที่ชอบคุณ" ฉันไม่เชื่อว่าสิ่งนี้ขัดแย้งกับความสำคัญของการเติบโตในระดับบนนอกเหนือจากการมีส่วนร่วมและการรักษาที่แข็งแกร่ง วิถีทางมีความสำคัญมากกว่าระดับ และเริ่มต้นด้วยกลุ่มผู้ใช้ที่ทุ่มเทอย่างแท้จริงที่มีขนาดเล็กกว่าจะกำหนดเงื่อนไขเริ่มต้นสำหรับการเติบโตระยะยาวได้ดีที่สุดตั้งแต่แรก

งานหลักสำหรับบริษัทคือการสร้างกรอบงานการวิเคราะห์ที่ช่วยในการวัดผลที่แท้จริงของการกระทำของบริษัทต่อหนึ่งในตัวชี้วัดหลักสามตัวหรือมากกว่านั้น บริษัทอาจทดสอบแบบจำลองที่แตกต่างกันสำหรับแต่ละรายการหรือใช้เครื่องมือต่างๆ เช่น สมการพร้อมกันเพื่อเชื่อมโยงโดยตรงมากขึ้น จากประสบการณ์ของผม ความพยายามทางการตลาดและการประชาสัมพันธ์มักจะประสบปัญหาโดยเฉพาะอย่างยิ่งเนื่องจากขาดการวิเคราะห์อย่างเข้มงวดว่าบริษัทจะได้รับผลตอบแทนจากการลงทุนหรือไม่ ตัวชี้วัดบางอย่าง เช่น จำนวนการดูทั้งหมด การคลิก และการแชร์ มักจะได้รับการบันทึกเกือบทุกครั้ง แต่สิ่งเหล่านี้ล้วนเป็นหนทางสู่จุดจบ และคำถามถัดไปเกี่ยวกับผลกระทบต่อ Conversion และการมีส่วนร่วมของลูกค้ามักไม่ค่อยได้รับการวิเคราะห์อย่างจริงจัง

การเลือกเกณฑ์มาตรฐานและตัวอย่างเหตุการณ์ที่เกิดขึ้นครั้งเดียว

เราเริ่มต้นด้วยเหตุการณ์ที่เกิดขึ้นครั้งเดียวเวอร์ชันที่เรียบง่าย สมมติว่าบริษัทเผยแพร่การอัปเดตผลิตภัณฑ์ใหม่หรือเผยแพร่เรื่องราวการประชาสัมพันธ์ครั้งใหญ่ในวันที่ 0 และต้องการทราบว่าข้อมูลดังกล่าวแสดงถึงทิศทางที่ถูกต้องในแง่ของผลกระทบต่อการเติบโตหรือไม่ การพิจารณาว่าได้รับสัญญาณจริงหรือไม่ว่าบริษัทควรดำเนินการในลักษณะเดียวกันนี้ต่อไป จำเป็นต้องรู้ว่ามันเพิ่มขึ้นมากน้อยเพียงใด เทียบกับจำนวนที่ได้รับ หากไม่มีเหตุการณ์ที่เป็นปัญหา

การเติบโตของเกณฑ์มาตรฐานสามารถประมาณได้โดยใช้แบบจำลองการถดถอยที่คาดการณ์การเติบโต การรักษาลูกค้า หรือการมีส่วนร่วมของบริษัทตามตัวแปรภายนอกและภายใน ในบางกรณี ความสามารถในการแยกผู้ใช้ที่ได้รับผลกระทบจากการอัปเดตผลิตภัณฑ์ช่วยให้ทำการทดสอบ A/B กับกลุ่มควบคุมได้โดยตรง อย่างไรก็ตาม นี่ไม่ใช่กรณีสำหรับผลิตภัณฑ์ขนาดใหญ่ การประชาสัมพันธ์ และความพยายามทางธุรกิจที่ส่งผลกระทบต่อผู้ใช้ปัจจุบันและผู้มีโอกาสเป็นลูกค้าค่อนข้างสม่ำเสมอ แม้ว่าจะมีแหล่งข้อมูลที่ดีเยี่ยมสำหรับการทดสอบดังกล่าว แต่บริษัทระยะเริ่มต้นหลายแห่งก็พบว่ามีค่าใช้จ่ายสูง

ตัวแปรที่สามารถพิจารณาได้สำหรับรุ่นนี้ ได้แก่ :

ควรระบุตัวแปรทั้งหมดเป็นอัตราการเปลี่ยนแปลงมากกว่าระดับสัมบูรณ์ โดยใช้ลอการิทึมแทนเปอร์เซ็นต์

กรอบเวลาสำหรับตัวแปรแต่ละตัวต้องได้รับการพิจารณาอย่างรอบคอบเช่นกัน ตัวแปรบางตัวกำลังเป็นผู้นำ (เช่น ตลาดหุ้นขึ้นอยู่กับความคาดหวังเป็นอย่างมาก) ในขณะที่ตัวแปรอื่นๆ เช่น การให้คะแนนความพึงพอใจของผู้ใช้นั้นอิงจากประสบการณ์ในอดีต แต่แน่นอนว่าอาจมีความเกี่ยวข้องกับการเติบโตที่คาดหวัง

สำหรับการถดถอย ฉันแนะนำให้เริ่มต้นด้วย Ordinary Least Squares (OLS) แล้วย้ายไปใช้รูปแบบการทำงานอื่น ๆ ด้วยเหตุผลเฉพาะเท่านั้น OLS ใช้งานได้หลากหลายและในทำนองเดียวกันช่วยให้สามารถตีความผลลัพธ์ได้โดยตรงมากกว่ารูปแบบอื่นๆ ที่ซับซ้อนกว่า การปรับเปลี่ยนในบริบทของ OLS จะรวมถึงการถดถอยลอการิทึมสำหรับตัวแปรไม่เชิงเส้น ตัวแปรการโต้ตอบ (เช่น ความพึงพอใจของลูกค้าในปัจจุบันและกิจกรรมโซเชียลมีเดีย) และตัวแปรกำลังสองที่คุณเชื่อว่ามีผลกระทบที่ไม่สมส่วนในค่าที่มากกว่า เนื่องจากหวังว่าการเติบโตจะเป็นเลขชี้กำลัง การถดถอยลอการิทึมจึงสามารถพิสูจน์ได้ว่าเหมาะสมอย่างยิ่ง

เกี่ยวกับกรอบเวลาของผลกระทบของการดำเนินการ อย่าลืมพิจารณาความถี่ในการดำเนินการหรือการซื้อของผู้ใช้เพื่อช่วยคุณกำหนดช่วงเวลาที่เหมาะสมในการค้นหาผลกระทบ เมื่อใช้กรอบเวลาที่นานกว่า 1 วัน โปรดทราบว่าผู้ใช้ที่ใช้งานอยู่รายสัปดาห์ไม่ใช่ผลรวมของผู้ใช้ที่ใช้งานอยู่รายวันในสัปดาห์นั้น ถ้าฉันใช้ผลิตภัณฑ์ของคุณทุกวันในสัปดาห์นั้น ฉันจะถูกนับทุกวันสำหรับการวิเคราะห์รายวัน หากคุณเปลี่ยนไปใช้การวิเคราะห์รายสัปดาห์ ฉันควรแสดงเพียงครั้งเดียว ดังนั้นการรวมแต่ละวันจะนับเกิน

โมเดลนี้ช่วยให้คุณประเมินการเติบโต/การรักษา/การมีส่วนร่วมที่คาดหวังสำหรับช่วงเวลาหนึ่งๆ หรือช่วงเวลาต่อเนื่องโดยพิจารณาจากประสิทธิภาพของตัวแปรอธิบายเหล่านี้ ความแตกต่างระหว่างการเติบโตที่คาดหวังกับการเติบโตจริงที่สังเกตได้หลังเหตุการณ์คือส่วนที่ผิดปกติที่อาจบ่งบอกถึงผลกระทบ แบ่งการเติบโตที่ผิดปกตินี้ด้วยค่าเบี่ยงเบนมาตรฐานของการเติบโตที่คาดหวัง จากนั้นบ่งชี้ว่าส่วนประกอบที่ผิดปกติจะเกิดขึ้นโดยบังเอิญมากน้อยเพียงใด โดยทั่วไปแล้ว ผลลัพธ์ของ 1.96 (ซึ่งอยู่ห่างจากค่าที่คาดการณ์ไว้ประมาณสองส่วนเบี่ยงเบนมาตรฐาน) จะใช้เป็นจุดตัดสำหรับการพิจารณาว่ามันไม่ได้เกิดขึ้นโดยบังเอิญ

ในบริบทของกลุ่มประชากรตามรุ่น การรักษาผู้ใช้และการมีส่วนร่วมสามารถพิจารณาได้ในแง่ของการเปลี่ยนแปลงในกลุ่มประชากรตามรุ่นที่ต่อเนื่องกัน (กล่าวคือ การคงค่าคงที่สำหรับแต่ละกลุ่มประชากรตามรุ่น) หรือการเปลี่ยนแปลงในช่วงเวลาของการรักษาผู้ใช้และการมีส่วนร่วมทั้งหมด โดยไม่แยกย่อยออกเป็น กลุ่ม

ผลกระทบการเติบโตสะสมจากเหตุการณ์ต่อเนื่อง

กลยุทธ์การเติบโตมักจะทำให้จุดของการปรับใช้ชุดของเหตุการณ์มากกว่าความพยายามครั้งเดียว ทั้งสำหรับผลกระทบทันทีมากขึ้นของการมีความพยายามหลายครั้งและผลกระทบพื้นฐานของการแสดงให้ลูกค้าเห็นรูปแบบเอง การวิเคราะห์ผลกระทบจึงสามารถดูผลกระทบสะสมได้เช่นกัน ชุดของเหตุการณ์ที่ไม่มีนัยสำคัญแต่ละรายการสามารถส่งผลให้เกิดผลกระทบสะสมที่มีนัยสำคัญ และในทางกลับกัน ชุดของเหตุการณ์สำคัญอาจกลายเป็นความไม่สำคัญ

สถานการณ์แรกถือได้ว่าเป็น "ชัยชนะที่ช้าและมั่นคง" สมมติว่ายอดขายของคุณเพิ่มขึ้นเศษเสี้ยวเปอร์เซ็นต์ต่อสัปดาห์เร็วกว่าภาคที่เกี่ยวข้องของคุณ ในช่วงเวลาสั้นๆ นี้จะไม่มีความหมายใดๆ เนื่องจากการเติบโตของบริษัทใดๆ จะแตกต่างไปจากเกณฑ์เปรียบเทียบเล็กน้อยโดยบังเอิญ หากประสิทธิภาพที่เกินมาเล็กน้อยของคุณยังคงดำเนินต่อไปนานพอ ในที่สุด คุณสามารถระบุด้วยความมั่นใจว่าอัตราการเติบโตของบริษัทนั้นเกินตลาดอย่างแท้จริง

สถานการณ์ที่สองโดยพื้นฐานแล้วเป็นการกลับรายการใดๆ ความถี่สูงที่เพิ่มขึ้นหมายถึงการที่ผู้คนสามารถตอบสนองต่อการพัฒนาก่อนที่จะประมวลผลข้อมูลอย่างแท้จริง เช่นเดียวกับความคิดแบบฝูงสัตว์ในระยะสั้น ทำให้เกิดความท้าทายในการตรวจสอบให้แน่ใจว่าคุณพิจารณาขนาดและระยะเวลาที่แท้จริงของปฏิกิริยาผ่านสัญญาณรบกวนที่ดังขึ้นในทันที ภายใต้สถานการณ์บางอย่าง ผู้ใช้และตลาดอาจมีแนวโน้มที่จะตอบสนองมากเกินไปอย่างเป็นระบบในระยะสั้น (เทคโนโลยีใหม่ ตลาดสกุลเงิน และมักเป็นข่าวร้ายที่ไม่ได้แสดงถึงภัยคุกคามร้ายแรงต่อบริษัท) แต่แก้ไขตัวเองในภายหลัง

ทั้งสองสถานการณ์สามารถอธิบายได้ดังนี้ ช่วงความเชื่อมั่นระบุขอบเขตที่เราคาดไว้ได้ 95% ของการสังเกตจะลดลง ซึ่งโดยทั่วไปจะใช้เป็นเกณฑ์สำหรับการถือว่าบางสิ่งที่มีนัยสำคัญทางสถิติ

การไม่มีการพลิกกลับที่สำคัญสามารถนำมาเป็นหลักฐานของผลกระทบที่ยั่งยืน เราต้องระมัดระวังด้วยตรรกะนี้ เพราะมันขัดกับกฎปกติของความสงสัยเชิงประจักษ์ว่าการไม่มีหลักฐานไม่ใช่หลักฐานของการขาดงาน แต่เป็นการดีที่สุดที่เราสามารถทำได้

ระมัดระวังเมื่อเปรียบเทียบการเปลี่ยนแปลงเปอร์เซ็นต์/ลอการิทึมในแต่ละช่วงเวลา การลดลง 99% ตามด้วยการเพิ่มขึ้น 99% ไม่ได้เป็นผลสุทธิต่อการเปลี่ยนแปลงสะสมที่ไม่มีนัยสำคัญอย่างแน่นอน อย่าลืมพิจารณาการเปลี่ยนแปลงสะสมในตอนท้าย

หากคุณกำลังวัดผลกระทบสะสมของชุดกิจกรรม เช่น แคมเปญประชาสัมพันธ์เฉพาะภายในช่วงเวลาที่จำกัด (เช่น ช่วงเทศกาลวันหยุด) คุณอาจต้องการติดตามการเติบโตตลอดวันหรือสัปดาห์ตามปฏิทินที่รวมอยู่ในกรอบเวลา ไม่ว่าแต่ละคนมีการดำเนินการเฉพาะหรือไม่ คุณยังคงหวังเป็นอย่างยิ่งว่าการชก 1-2-3 จะทำให้น็อคเอาท์ภายในระยะเวลาที่กำหนด แม้ว่าอาจมีความล่าช้าเล็กน้อยระหว่างการโจมตี

หากเหตุการณ์ที่เป็นปัญหานั้นห่างกันมากขึ้น แต่คุณยังต้องการประเมินผลกระทบสะสม คุณอาจพิจารณารวมเหตุการณ์เหล่านั้นเข้าด้วยกันเป็นชุดวันที่ต่อเนื่องกันเพียงวันเดียว แล้วจึงทำการวิเคราะห์แบบเดียวกัน ในที่นี้ คุณกำลังพูดว่า “วันที่ 1 คือ 5 มกราคม วันที่ 2 คือ 15 มีนาคม วันที่ 3 คือ 10 เมษายน…”) และทดสอบการเปลี่ยนแปลงสะสมเทียบกับที่คาดการณ์โดยเกณฑ์เปรียบเทียบ ราวกับว่าเป็นวันที่ตามลำดับโดยสมบูรณ์ การทดสอบนัยสำคัญนั้นใช้สูตรเดียวกับเหตุการณ์เอกพจน์ ยกเว้นในการเพิ่มค่าเบี่ยงเบนมาตรฐานเป็นรากที่สองของจำนวนวัน/สัปดาห์ที่สร้างระยะเวลาสะสม

การจัดการกับข้อมูลที่ปนเปื้อนเมื่อวัดการเติบโตของบริษัท

โลกนี้ไม่ค่อยเอื้ออำนวยให้เราได้รับความเอื้อเฟื้อจากสภาพห้องปฏิบัติการที่สมบูรณ์แบบเพื่อทดสอบแนวคิดของเรา ดังนั้นเมื่อสร้างแบบจำลองหลักแล้ว ก็มักจะจำเป็นต้องควบคุมข้อมูลอื่นๆ ที่ส่งผลต่ออัตราการเติบโตที่คาดหวังพร้อมกับการกระทำของเรา กำลังหาทางวัดใหม่

สมมติว่าในช่วงเวลาเดียวกับงานประชาสัมพันธ์หรือการอัปเดตผลิตภัณฑ์ ผู้บริหารระดับสูงคนหนึ่งตัดสินใจลาออกเพื่อคู่แข่งท่ามกลางการประโคมข่าวมากมาย และคุณรู้สึกกังวลว่าผู้ใช้บางรายอาจมองว่านี่เป็นสัญญาณของบุญสัมพันธ์ของ สองผลิตภัณฑ์ วิธีแก้ปัญหาด่วนอย่างหนึ่งที่น่าเสียดายคือการทำเครื่องหมายจุดข้อมูลเป็นเหตุการณ์ที่ไม่เกี่ยวข้องกันที่สับสน โดยใช้ตัวแปรตัวบ่งชี้

อย่างไรก็ตาม หากคุณสามารถรับข้อมูลเกี่ยวกับเหตุการณ์ที่ "ทำให้เกิดความสับสน" ก่อนหน้านี้ได้ คุณสามารถทำการวิเคราะห์แบบตัดขวางที่ช่วยให้คุณคาดการณ์ได้ว่าเหตุการณ์นั้นมีแนวโน้มที่จะมีผลกระทบมากน้อยเพียงใดในสถานการณ์ที่คล้ายคลึงกัน และคุณสามารถลบออกได้ ที่คาดหวังผลกระทบจากผลสุดท้าย ในตัวอย่างข้างต้น ข้อมูลเกี่ยวกับกิจกรรมของผู้ใช้ที่เกี่ยวข้องกับการลาออกของสมาชิกในทีมที่มีชื่อเสียงในบริษัทอื่นๆ จะช่วยให้คุณประเมินและแยกผลกระทบของปัจจัยนั้นออกเพื่อแยกผลกระทบของเหตุการณ์การประชาสัมพันธ์หรือการอัปเดตผลิตภัณฑ์ที่คุณคาดหวัง ประเมิน.

บริษัทหลายแห่งอาจต้องเผชิญกับฤดูกาลโดยอิงจากช่วงเวลาของปีหรือช่วงเวลาสำคัญบางอย่าง เช่น วันหยุด กำหนดตัวแปรตัวบ่งชี้สำหรับช่วงเวลาของปีที่ต้องการควบคุม

ความไม่เชิงเส้นของผลกระทบบางอย่าง

ในขณะที่คุณพิจารณาผลการวิเคราะห์และกลยุทธ์สำหรับความพยายามในการเติบโต ผลกระทบที่ไม่เป็นเชิงเส้นบางประการในการที่บุคคลได้รับการจัดทำเป็นเอกสารเพื่อตอบสนองต่อการพัฒนาในเชิงบวกนั้นควรค่าแก่การคำนึงถึง

ความไวขึ้นหรือลงอาจแตกต่างกันมาก ข้อมูลและเวลาที่เอื้ออำนวย ให้พิจารณาประมาณการผลกระทบที่คาดหวังของทั้งเหตุการณ์เชิงบวกและเชิงลบ หากทั้งสองสิ่งนี้เกี่ยวข้องกับคุณ น่าเสียดายที่การเคลื่อนตัวลงในหลายกรณีตั้งแต่พฤติกรรมของผู้ใช้ไปจนถึงตลาดการเงินสามารถเกิดขึ้นอย่างฉับพลันและรุนแรงกว่าการเคลื่อนไหวขึ้น

ผลรวมของการดำเนินการหลาย ๆ อย่างพร้อมกันอาจไม่เท่ากับการดำเนินการตามลำดับเนื่องจากข้อเท็จจริงของรูปแบบที่กำลังดำเนินอยู่นั้นสามารถส่งผลในเชิงบวกหรือเชิงลบได้ รูปแบบของบริษัทที่ออกการอัพเดทผลิตภัณฑ์ทุกเดือนสามารถปลูกฝังความมั่นใจให้กับผู้ใช้ในขณะที่การประกาศเหตุการณ์เชิงลบเช่นการเลิกจ้างหรือการตัดราคามากกว่าหนึ่งครั้งสามารถมีผลกระทบที่ไม่สมส่วนอย่างมากโดยทำให้เกิดความกังวลว่า บริษัท จะไม่เข้าใจตัวเองอย่างถ่องแท้ สถานการณ์. บริษัทที่ซื้อขายในตลาดหลักทรัพย์มักจะ "อาบน้ำ" และเผยแพร่ข่าวร้ายทั้งหมดในคราวเดียว เนื่องจากอาจมีแนวโน้มที่จะ "แก้ไข" ในตอนแรกจากข้อเท็จจริงของข่าวร้ายเอง โดยมีผลกระทบเพียงเล็กน้อยในภายหลัง ตัวอย่างเช่น “ผลกระทบตอร์ปิโด” อธิบายปรากฏการณ์เชิงประจักษ์ที่การมีอยู่ของข่าวร้ายเพียงอย่างเดียวสามารถอธิบายส่วนที่มีความหมายของการลดราคาได้ ดังนั้นการลดลงเชิงลบสามารถแบ่งออกเป็นผลกระทบคงที่ในขั้นต้นซึ่งให้วิธีการลดผลกระทบจากเนื้อหาจริงของข่าวหรือการพัฒนา แคมเปญประชาสัมพันธ์ทำงานได้ดีขึ้นเป็นลำดับมากกว่างานใหญ่เพียงงานเดียว เนื่องจากเป้าหมายคือการวางตำแหน่งบริษัทในช่วงเวลาหนึ่ง

ความแปรปรวนสามารถวัดได้เฉพาะในอดีตเท่านั้น แต่เหตุการณ์บางอย่างอาจเปลี่ยนความแปรปรวนที่แท้จริงและความน่าจะเป็นที่การเติบโตผิดปกติเกิดขึ้นโดยบังเอิญ เนื่องจากความแปรปรวนใหม่เป็นผลจากเหตุการณ์ที่เป็นปัญหา ควรใช้ความแปรปรวนก่อนหน้าเพื่อหลีกเลี่ยงการใช้เหตุผลแบบวงกลมในการละเลยความสำคัญของเหตุการณ์โดยพิจารณาจากความแปรปรวนที่มากขึ้นที่มาพร้อมกับมัน อย่างไรก็ตาม เช่นเคย มีการโต้เถียงและแต่ละสถานการณ์อาจแตกต่างกัน

ดังที่ได้กล่าวไว้ก่อนหน้านี้ การเติบโตหรือการชะลอตัวของการเติบโตสามารถให้ผลที่คล้ายคลึงกันชั่วขณะหนึ่ง เนื่องจากทั้งทางจิตวิทยาของมนุษย์และโครงสร้างตลาดที่แท้จริง แม้ว่าจะมีการทดสอบความสัมพันธ์อัตโนมัติแบบแฟนซีหลายแบบสำหรับการวัดผลกระทบของโมเมนตัม แต่ฉันพบว่าวิธีการแบบ "ใช้มือ" มากกว่าในการถดถอยชุดการเติบโตในเวอร์ชันที่ล้าหลังนั้นมีความโปร่งใสและง่ายต่อการทดลอง

สรุปความคิดเกี่ยวกับการเรียนรู้ของเครื่องในธุรกิจ

เมื่อแบบจำลองที่อนุญาตให้ทำการทดสอบดังกล่าวได้รับการพัฒนาแล้ว ก็ไม่มีเหตุผลใดที่แพลตฟอร์มของบริษัทสำหรับการติดตามพฤติกรรมผู้ใช้ ยอดขาย และอื่นๆ ไม่สามารถเชื่อมโยงโดยตรงกับโค้ดของบริษัทเพื่ออัปเดตค่าสัมประสิทธิ์อย่างต่อเนื่องเมื่อได้รับข้อมูลใหม่ ความชอบส่วนตัวของฉันคือการมีระยะเวลาประมาณ 1 ปีหมุนเวียนเสมอเมื่อเป็นไปได้ เพราะมันจะทำให้ขนาดของชุดข้อมูลสมดุลกับมูลค่าที่สูงกว่าของข้อมูลล่าสุด และรวมช่วงเวลาของปีในกรณีตามฤดูกาลอย่างเป็นธรรมชาติ

สมมติว่าไม่มีการแบ่งโครงสร้างในลักษณะของธุรกิจและผลิตภัณฑ์ ไม่มีเหตุผลใดที่จะไม่ขยายระยะเวลาการประเมินเกินหนึ่งปี แต่บริษัทรุ่นใหม่ที่เติบโตอย่างรวดเร็วมีแนวโน้มที่จะพัฒนาอย่างรวดเร็ว บริษัทที่ขับเคลื่อนด้วยซอฟต์แวร์สามารถเชื่อมโยงโดยตรงกับ GitHub เพื่อสร้างกระบวนการที่การอัปเดตซอฟต์แวร์ได้รับการทดสอบผลกระทบโดยอัตโนมัติ การสร้างลิงก์โดยตรงนี้และการอนุญาตให้ฟังก์ชันต่างๆ พัฒนาโดยอัตโนมัติ เท่ากับว่าคุณได้ดำเนินการขั้นตอนแรกในการปรับใช้แมชชีนเลิร์นนิงสำหรับบริษัทของคุณ

บ่อยครั้งมีการชี้ให้เห็นถึงวิธีการที่ข้อมูลเป็นสินค้าที่มีมูลค่ามากที่สุดในโลก แต่มักถูกกล่าวถึงน้อยกว่าว่าข้อมูลไม่ใช่ข้อมูล ในทางตรงกันข้าม บริษัทต่างๆ เต็มไปด้วยข้อมูลมากมายที่อาจดูเหมือนเป็นการเล่าเรื่องที่แข่งขันกัน ซึ่งหลายๆ เรื่องนี้อาจเป็นแค่รูปแบบที่หลอกลวงโดยอาศัยการสุ่ม สถิติที่ดีที่สุดคือกระบวนการของการลดลง—ของการสร้างเสริมอย่างรวดเร็วในตัวแปรหลักและความสัมพันธ์ และปรับใช้สำหรับการทดสอบภาคปฏิบัติ จิตวิญญาณของรูปแบบการวิเคราะห์นี้เหนือสิ่งอื่นใดคือการปลูกฝังความสงสัยอย่างมีสุขภาพในกระบวนการตัดสินใจโดยบังคับให้ข้อมูลพิสูจน์ตัวเองว่าเป็นข้อมูลจริงก่อนที่คุณจะตัดสินใจ