چگونه شرکت توئیچ (Twitch) آموخت، درباره‌ی هر چیزی بهتر پیش‌بینی کند؟

در سیلیکون ولی، همه در حال شرط بستن هستند. موسسان سال‌های عمرشان را روی محصولاتی شرط‌بندی می‌کنند که مناسب بازار باشد، سرمایه‌گذاران میلیاردها دلار روی ارزش آینده‌ی استارتاپ‌های جاه‌طلب سرمایه‌گذاری می‌کنند و مدیران اجرایی شرط می‌بنند که استراتژی‌های آنها می‌تواند اعتبار و دارایی یک کمپانی را افزایش دهد. اینجاست که نقش پیش‌بینی آینده تنها یک قدرت نظری نیست و باید آن را بخشی از شغل خود بدانید.

اما دیدگاه ما در مورد پیش‌بینی به جایی درگذشته گره خورده است. بیشتر پیش‌بینی‌هایی که در حوزه‌ی کسب و کار نمی‌توانند به درستی میزان خروجی قابل اندازه‌گیری را پیش‌بینی کنند و از همین رو ثبت نمی‌شوند. در نتیجه نمی‌توانیم حتی بگوییم ما از آنها بهتر هستیم.

اما فیلیپ تتلاک، یکی از روان‌شناسان سازمانی و یکی از نویسندگان Superforecasting (ابرپیش‌بینی) در تحقیق خود روش جایگزینی را پیشنهاد می‌کند. در حالی که متخصصان بی‌نام رویدادهای  آتی را پیش‌بینی کرده‌اند، تتلاک با پیش‌بینی تورنمنت‌ها متوجه شد برخی از پیش‌بینی‌کنندگان به صورت مداوم بهتر از دیگران عمل می‌کنند.

علاوه بر برخورداری از استعداد ذاتی، اصطلاحی به نام ابرپیشگو موضوعی را نشان می دهند که تتلاک از آن به عنوان رشد ذهنیت یا تمایل به یادگیری از اشتباهات گذشته و به‌روزرسانی دائمی اولویت‌های نظری یاد می‌کند. توانایی ما برای پیش‌بینی مانند هر مهارت دیگری می‌تواند با تمرین بهبود یابد.

در شرکت توئیچ، یکی از زیرمجموعه‌های آمازون، می‌توانیم مصداق این تحقیق را ببینیم. اگر فردی بتواند به سطح پیشگویی برسد، در نتیجه تمام کمپانی می‌تواند این ظرفیت را داشته باشد. ما برنامه‌ای ساخته‌ایم که به تمام کارمندان ما می‌آموزد تا بدون در نظر گرفتن پیشینه‌ی کمی، نقش سازمانی و محدوده‌ی تخصص‌های آنها، بتوانند پیشگویان بهتری شوند.

بهره‌گیری از یادگیری ماشین، به کارمندان توئیچ کمک می‌کند تا قدرت پیش‌بینی خود در مقابل داده‌های تاریخی دنیای واقعی را بهبود بخشند. کارمندان ما برای پیش‌بینی سریع تشویق می‌شوند و بلافاصلاه بازخورد خود را به گونه‌ای اعلام می‌کنند که پیشگویی آنها دقیق‌تر باشد. جف بزوس، مدیر عامل آمازون در نامه‌ی سال 2017 خود به سهام‌داران می‌گوید: «هدف ما این است که بتوانیم به منظور تصمیم‌گیری‌های باکیفیت و سریع، بتوانیم موضوع پیش‌بینی را تقویت کنیم». ما از طریق پیش‌بینی می‌توانیم برای خدمات‌رسانی به میلیون‌ها گیمر بهتر آماده شویم، در حالی که همچنان در مقابل رقبا پیروز هستیم.

ما از تجربیات خود در توئیچ، درس‌های زیادی آموخته‌ایم و بهترین‌ تمرین‌هایی را پیدا کردیم که براساس آن سازمان‌های بتوانند برنامه‌های تمرینی پیش‌بینی خود را پیاده کرده، فرهنگ پیشگویی ایجاد کنند و در نتیجه برای آینده آماده باشند.

منحنی پیش‌بینی در توئیچ

پیش‌بینی‌های آماری و عددی محدوده‌ی وسیعی از منافع را برای سازمان‌های بزرگ و نوآور مانند توئیچ ایجاد می‌کنند. این پیش‌بینی‌ها هم دقیق و مختصر هستند و هم تیم شما می‌تواند راحت با آن ارتباط برقرار کند. پیش‌بینی کردن براساس احتمالات ریاضی، کارمندان را مجبور می‌کند شک و تردیدهای خود نسبت به رویدادهای آتی را کمی‌سازی کنند. چندین پیش‌بینی برای یک رویداد واحد می‌تواند تجمیع شده و در نتیجه به مدیران کمک کند که بفهمند تمام تیم یا بخش‌های سازمان به چه چیزی فکر می‌کنند. این پیش‌بینی‌های عددی به خوبی تصمیمات را شفاف کرده، باعث انگیزش کارمندان می‌شود و ارتباطات متمرکز تیم کاری کمک می‌کند.

اعتقاد ما در پیش‌بینی کردن این بوده است که وقتی توانستیم قدرت یک پروژه را ببینیم، آنگاه آن را شروع کنیم. توئیچ پلتفرمی برای ترویج بازی‌های ویدیوی است. ما محصولی به نام حالت میزبانی داریم که به یک منتشرکننده کمک می‌کند تا بتواند روی کانال خود به صورت زنده کانال دیگران را میزبانی کرده و پخش کند. تقویت این ویژگی با ساده‌سازی آن برای پخش‌کنندگان می‌تواند در مدیریت کانال‌هایی که به صورت خودکار در زمان آفلاین بودن شما وظیفه‌ی میزبانی را دارند، مفید باشد.

ما برای آینده‌ی این پروژه برنامه داریم و این موضوع برای ما خیلی اهمیت دارد، اما من به تنهایی نمی‌توانم اولویت‌ها را اعتبارسنجی کنم. بیشتر مردم هیچ گاه در لحظه‌ی فعلی نیاز خود را مرتفع نمی‌کنند و خریدی انجام نمی‌دهند. بنابراین باید پیش‌بینی کنیم که:

«اگر ما بتوانیم سیستم میزبانی خودکار داشته باشیم، من 70 درصد اطمینان دارم که طی 8  هفته، 15 درصد شرکای تجاری ما به صورت خودکار میزبانی خواهند شد.»

سپس می‌توانم شواهدی را در راستای حمایت از ساده‌سازی پیش‌بینی جمع‌آوری کنم. ما تحقیقاتی را درباره‌ی میزبانی خودکار انجام دادیم و نتایج به دست آمده خیلی مثبت بود. تقریبا نیمی از شرکت‌کنندگان ما 10 درصد رشد را در میزان تماشاگران و بینندگان مشاهده کردند. چیزی که نیاز داریم ساختن یک نمونه‌ی بسیار ساده و ارزان است. جیژوآن وانگ، یکی از مهندسان ارشد ما این طور پیش‌بینی کرده است که 70 درصد اطمینان دارد می‌تواند طی هشت هفته‌ی مهندسی می‌تواند این قابلیت را ایجاد کند. این دو پیش‌بینی درباره‌ی ارزش و هزینه‌ی این ویژگی به ما کمک می‌کند ببینم به چه تعداد سرمایه‌گذار نیاز داریم.

یک تیم به صورت اختصاصی روی میزبانی خودکار کار می‌کند و از همه درخواست کرده‌ام میزان خرید را پیش‌بینی کنند. مهندس ما 75 درصد مطمئن است که به هدف خود می‌رسیم و نتایج دیگر مشارکت‌ها، اطمینان 70 درصدی را نشان می دهد. منتور اجرای ما کمی محتاط است و پیش‌بینی خود را روی 50 درصد بسته، اما برای بیشتر بخش‌ها باور داریم و می‌دانیم که این اعتقاد ماست.

نمونه استراتژی پیش‌بینی شرکت توئیچ درباره راه‌اندازی TwitchCon

زمانی که قرار است تصمیمات بزرگی اتخاذ شود، باید از پیش‌بینی‌های موجود به عنوان یک نقطه‌ی شروع استفاده کنیم. به عنوان مثال، می‌پرسیم که آیا برای راه‌اندازی TwitchCon باید عجله داشته باشیم؟ این مانند محلی کامل برای شرکاست که بتوانند توافقات تبلیغاتی خود را انجام دهند اما کارهای زیاد دیگری برای انجام داریم و می‌ترسیم هدف را گم کنیم.

استیو لین، یکی از شرکای برجسته‌ی ما مطمئن است اجرای تویئچ‌کُن می‌تواند شانس رسیدن به هدف ما را 10 درصد افزایش دهد. براساس این پیش‌بینی، تمام تیم ما با این موضوع موافق است که اجری توئیج‌کن شانس رسیدن به موفقیت را برای ما بیشتر می‌کند. علت این پیش‌بینی این است که تیم ما کاملا یک دست هستند.

حالا این ویژگی به موفقیت رسیده است و بیش از نیمی از شرکای ما به صورت خودکار میزبانی می‌شوند و کانال‌هایی پذیرنده‌ی 10 مورد از این شرکا برای میزبانی خودکار از انها نیز به طور متوسط 10 درصد افزایش داشته است.

به طور همزمان، به دیگر مدیران کمک می‌کنیم تا بتوانند پیش‌بینی خوبی داشته باشند. اما رشد پیش‌بینی‌ها در توئیچ عموما به تلاش‌های من برای ساده‌سازی، آموزش و ایجاد اعتقاد جدی خلاصه می‌شد. امروز، تمریناتی که توسعه دادیم به ما اجازه می‌دهد تا بتوانیم از این محدودیت‌ها عبور کرده و پیش‌بینی‌های خود را در تمام کمپانی مقیاس‌پذیر کنیم.

تمرین مدیران محصول توئیچ برای ارائه‌ پیش‌بینی‌های آماری

ما تمرینی را برای مدیران محصول، مهندسان، مدیران اجرایی، محققان، طراحان، توسعه‌دهندگان کسب و کار و اصولا تمامی افرادی توسعه داده‌ایم که می‌خواهند روی محصول توئیچ تاثیر داشته باشند. بنابراین، نه تنها هر کسی می‌تواند پیش‌بینی آماری خود را ارائه کند، بلکه تمرین ما این موضوع را برای هر فردی ساده و مناسب‌سازی کرده است.

ابتدا نه تنها درباره‌ی پیش‌بینی آینده، بلکه در مورد تخمین گذشته‌ی توئیچ به کارمندان آموزش می‌دهیم. درک این اعداد نه تنها برای درک کسب و کار توئیچ لازم است، بلکه به کارمندان کمک می‌کند تا تخمین خود را اعلام کنند. برای مثال:

– به طور متوسط چه تعداد از بازدیدکنندگان فعلی، سال گذشته نیز از توئیچ استفاده کرده‌اند؟

– نسبت به سال 2016، تعداد بازدیدکنندگان و مشترکان چه میزان افزایش داشته است؟

– چند درصد مشترکان از طریق موبایل از این سرویس استفاده کرده‌اند؟

به جای اینکه از کارمندان خود بخواهیم یک عدد را به عنوان پاسخ این سوالات اعلام کنند، از آنها درخواست کردیم کمترین و بیشترین تخمینی که اعتقاد دارند 80 درصد مواقع درست بوده بیان کنند. به معنای دیگر، اگر از شما بخواهیم در پنج سوال متفاوت پاسخی بدهید که 80 درصد نسبت به آن مطمئن هستید، 80 درصد، پاسخ صحیح در بین گزینه‌هایی است که اعلام می‌کنید. اگر پاسخ صحیح در محدوده‌ی شما کمتر از چهار پنجم بود، می‌توان گفت شما اعتماد به نفس زیادی دارید به اصطلاح خودرای هستید.

آموزش چگونگی تخمین‌زدن به کارمندان

سال گذشته، تتلاک در مقاله‌ی بررسی کسب و کار هاروارد این موضوع را به عنوان آزمون‌های اطمینان و اعتماد این گونه بیان کرده است:

«از شرکت‌کنندگان خواسته شده بود تا محدوده‌ی تخمین خود را درباره‌ی سوالات عمومی مانند سن مارتین لوترکینگ هنگام مرگ یا سوالات خاص درباره‌ی کمپانی مانند میزان مالیات پرداختی شرکت طی سال گذشته پاسخ دهند. وظیفه‌ی پیش‌بینی‌کنندگان این است که بهترین حدس خود را به شکل بازه‌ای بیان کند و درجه‌ای میزان اطمینان را به آن اختصاص دهند. به عنوان مثال، یکی ممکن است بگوید 90 درصد اطمینان دارد مارتین لوترکینگ زمان مرگ بین 40 تا 55 سال داشته است.

هدف اصلی نه تنها ارزیابی میزان اطلاعات عمومی شرکت‌کنندگان است، بلکه می‌خواهیم ببینیم آیا می‌دانند از چه مواردی آگاهی ندارند. همان طور که ویل راجرز اشاره کرده است چیزی که برای ما دردساز است، ندانستن نیست، چیزی است که می‌دانیم آن را بلد نیستم. معمولا شرکت‌کنندگان می‌فهمند که نصف یا بیشتر محدوده‌ی اطمینان 90 درصدی آنها شامل پاسخ صحیح نیست.

در مورد سوالات زیادی می‌توان گفت چرخه‌ی اعتماد افراد کاملا با سطح شک و تردید شخصی آن‌ها مطابقت دارد. داگلاس هوبارد، یکی از متخصصان حوزه‌ی مدیریت ریسک و خطر و یکی از پیشگامان علم تصمیم‌گیری می‌گوید که 70 سوال برای بررسی تخمین‌های شرکت‌کنندگان پرسیده است و متوجه شده که وقتی آنها 90 درصد اعتقاد دارند موضوع رخ می‌دهد، این اتفاق 90 درصد مواقع به وقوع می‌پیوندد.

از آنجایی که از کارمندان می‌خواهیم این ارزیابی را انجام دهند، بلافاصله می‌توانیم پاسخ‌های صحیح را مشخص کنیم و در نتیجه بازخورد آنی می‌تواند به کارمندان کمک کند تا ارزیابی‌های بهتری داشته باشند. کارمندان ما خیلی سریع می‌فهمند که آیا تخمین آنها درست بوده یا با اطمینان کافی انجام نشده است.

تنظیم بهتر تخمین به این معنی است که تخمین‌های کارمندان بیش از پیش به واقعیت نزدیک است و در منجر به مقاومت کمتر برای تفکرات و پیش‌بینی‌های احتمالی می‌شود. 96 درصد کارمندانی که در این دوره‌ی آموزشی شرکت کردند به همکاران خود شرکت در این برنامه را توصیه می‌کنند. این برنامه‌ی آموزشی خیلی موفق بوده است، چرا که به دست آوردن جواب‌های اساسی زمانی مفید است که بخواهید ایده‌ها را ارزیابی کنید، به دنبال مغایرت منابع باشید و استثنائات را تعیین کنید.

دستاورد تخمین‌زدن کارمندان در پیش‌بینی‌های مالی و زمان‌بندی انجام پروژه

به محض این که کارمندان توئیچ بتوانند به خوبی پیش‌بینی‌های خود را با معیارهای درست تنظیم کنند، از آنها می‌خواهیم پیش‌بینی‌هایی انجام دهند که روی کار آنها موثر است. ساده‌ترین نقطه برای شروع این است که از آنها بخواهیم میزان هزینه‌ی لازم برای تکمیل پروژه‌ی جدید را از نظر زمان و موضوعات مالی پیش‌بینی کنند. در گزارش بی‌نظمی گروه استندیش که سال 2016 منتشر شده است، اعلام کرده‌اند از نظر زمان و میزان بودجه، تنها 16 درصد پروژه‌های نرم‌افزاری براساس مشخصات اصلی و به صورت کامل به پایان می‌رسند. بهبود توانایی کارمندان برای تخمین تاریخ و منابع مورد نیاز پروژه برای دستیابی به اهداف مشخص شده، به کمپانی کمک می‌کند تا همچنان در مسیر درست باقی بماند.

در ادامه مکالمه‌ی واقعی میان یکی از مدیران توئیچ و یکی از کارمندان را می‌بینید که درباره‌ی سیستم پیش‌بینی ما انجام شده است:

کارمند: من پروژه‌ی X را سه‌ماهه‌ی پیش‌رو به پایان می‌رسانم.

مدیر: اگر این پروژه تا پایان فصل جاری انجام نشد چه حسی خواهید داشت؟

کارمند: در واقع شگفت‌زده نمی‌شوم. پروژه‌ی Y اولویت اصلی من است و پروژه‌هایی مانند پروژه‌ی X در گذشته یک ماه زمان کامل برده‌اند.

مدیر: بنابراین امکان اجرای آن در سه ماهه‌ی پیش‌رو وجود ندارد. چه زمانی با اطمینان 80 درصدی فکر می‌کنید این پروژه انجام شود؟

کارمند: من 80 درصد مطمئنم که تا پایان ماه ژوئن این پروژه انجام می‌شود.

مدیر: حالا خوب شد. مرا از تغییرات احتمالی باخبر کنید.

این سبک از دیدگاه می‌تواند طرف تفکر شما نسبت به کارتان را تغییر دهد. هر زمانی که به دیگران می‌گویید کاری را انجام می‌دهید، از خودتان بپرسید آیا 80 درصد مطمئن هستم که می‌توانم این کار را انجام دهم؟ اگر پاسخ مثبت باشد که خیلی عالی است. اما اگر پاسخ منفی بود، بهتر است استثنائاتی را در نظر بگیرید و مثلا بگویید:

«متاسفم اما واقعا من به جای یک هفته به سه هفته زمان نیاز دارم.»

چالش‌های پیش‌بینی و پیش‌گویی

قراردادن پیش‌بینی لحظه‌ای و درست در توئیچ یک فرایند تکراری و در حال بهبود است. برخلاف پیش‌بینی‌ها و واکنش‌های خوش‌بینانه از کارمندان، ما با سه مشکل عمده هنگام پیاده‌سازی برنامه پیش‌بینی روبه‌رو شدیم:

1- شک و تردید نسبت به این موضوع که این پیش‌بینی جواب ندهد و پیش‌گویی‌ها دقیق نباشد.

2- ترس کارمندان از این که نتوانند پیش‌بینی درستی داشته باشند یا پیش‌بینی آنها از سوی مدیران یا همکاران سوءبرداشت شده و علیه خودشان استفاده شود.

3- این باور که شواهد و مدارک کافی برای ارائه‌ی پیش‌بینی وجود نداشته باشد.

بعد از پیاده‌سازی موفق برنامه‌ی تمرینی پیش‌بینی برای 200 نفر از کارمندان‌مان، توانستیم چندین برنامه‌ی تمرینی خوب برای اجرای روان‌تر برنامه‌های آتی توسعه دهیم.

افراد باید به اندازه‌ی کافی روی ساعت‌هایی که به منظور تمرین کردن برای تنظیم پیش‌بینی‌ها نیاز است زمان صرف کنند. هوبارد این تمرین را برای هزار نفر از کمپانی‌ها و صنایع مختلف اجرا کرده است و نتیجه‌ای که گرفته را به صورت زیر بیان کرده است:

به نظر می‌رسد تنظیم پیش‌بینی بسیاری از اعتراضات نسبت به تحلیل‌های آماری در تصمیم‌گری را حذف می‌کند. پیش از تمرین تنظیم پیش‌بینی، باید افراد این حس را داشته باشند که هرگونه تخمین ذهنی بلااستفاده خوهد بود. احتمالا باور دارند که تنها روش برای اطلاع از چرخه‌ی اطمینان، انجام عملیات ریاضی است که به طور مبهمی از آمار ترم اول به خاطر دارند. شاید آنها در کل به تحلیل احتمالات اعتقادی نداشته باشند، چرا که همه‌ی احتمالات کمی مطلق به نظر می‌رسند. اما بعد از انجام تنظیم، هیچگاه چالشی پیش نیامده است.

برخی از کارمندان توئیچ نسبت به این موضوع نگران بودند که تمرین و یادگیری پیش‌بینی کمبود آینده‌نگری آنها را در مقابل همکارانشان فاش خواهد کرد. دیگران فکر می‌کنند که پیش‌بینی آنها توسط مدیران استفاده نخواهد شد. اما با آنها می‌گوییم پیش‌بینی‌ها ابزاری برای تصمیم‌گیری بهتر هستند و تاثیر زیادی دارند.

تا زمانی که افراد از پیش‌بینی‌های خود شگفت‌زده هستند و هنوز پیش‌بینی‌ها درست تنظیم نشده‌اند، برنامه‌ی تنظیم ما ناشناس باقی می‌ماند. اما ما نمی‌توانیم روی پروژه‌های واقعی به صورت ناشناس باقی بمانیم، چرا که مهمترین پیش‌بینی‌ها از افراد نزدیک به پروژه نشات می‌گیرد و بنابراین آنها بهترین اطلاعات را به ما می‌دهند.

تأثیر وجود پیش‌بینی در سازمان‌ها و مدیران

ما همیشه تلاش می‌کنیم فرهنگی را بسازیم که امنیت روان‌شناسانه را معرفی کند. این اصطلاح به صورت حس اطمینانی  تعریف می‌شود که تیم کاری هیچ کسی را به دلیل بلند حرف زدن یا آزادی بیان مجازات نمی‌کند. گوگل اعلام کرده است امنیت مهمترین ویژگی تیم‌های موفق پیش‌بینی‌ کننده است و امی ادموندسون، پروفسور دانشکده‌ی کسب و کار هاروارد اعلام کرده است اساس یادگیری تیمی همین موضوع امنیت است.

ما به مدیران و رهبران یاد می‌دهیم که اولین پیش‌بینی خود را انجام داده و دلایل خود را بیان کنند و از تیم خود بخواهند پیش‌بینی‌هایشان را ارائه دهند. این امید وجود دارد که ارزش اطلاعاتی که از این بحث‌ها به دست می‌آید، روشن کند که آزادی بیان حق همه است.

یادتان باشد، همه‌ی ما چه بخواهیم چه نخواهیم در حال شرط‌‌‌‌‌بندی روی آینده هستیم. ما براساس آگهی از جنبه‌های مختلف کاری، شغلی را انتخاب می‌کنیم و براساس آنچه فکر می‌کنیم از عهده‌مان بر می‌آید پروژه‌ای را می‌پذیریم. هیچ راهی جز پیش‌بینی کردن درباره‌ی زندگی کاری و زندگی شخصی در آینده نداریم، اما این گزینه پیش روی ماست که بتوانیم بهترین تصمیم را بگیریم. افراد می‌توانند پیش‌بینی‌ بهتری داشته باشند و سازمان‌های نیز به همین صورت هستند.

اگر تمایل به مطالعه بیشتر در این موضوع داشته باشید، شاید آموزش های زیر نیز برای شما مفید باشند:

منبع

 

بر اساس رای ۲ نفر
آیا این مطلب برای شما مفید بود؟
شما قبلا رای داده‌اید!
اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد.

مشاهده بیشتر