آیا باید به مدل‌های آماری اعتماد کرد؟

استفاده از مدل‌های آماری در مدیریت کسب‌وکارها و به‌ویژه در بازاریابی و پیش‌بینی تقاضا رواج فراوان دارند. استفاده از زبان ریاضی و آمار به کار شما جلوه علمی می‌دهد و از این طریق بهتر می‌توانید مخاطب را در مورد ادعای خود متقاعد کنید. شاید علت این امر برمی‌گردد به تصور عمومی از علم. بر اساس این تصور، زبان علم، ریاضی است و هر چیزی که به‌صورتی فرمولی و با استفاده از اعداد و نمودارها عرضه شود قابل‌اعتمادتر از متون و صرف بیان مطلب به‌صورت شفاهی است.
ولی مشخص است که همه مدل‌های آماری و اطلاعاتی که در قالب این مدل‌ها عرضه می‌شوند معتبر و قابل‌اعتماد نیستند. به‌راستی چگونه می‌توان بدون داشتن تخصص در آمار و ریاضیات به اعتبار مدل‌های آماری پی برد و به آن‌ها اعتماد کرد؟ در زیر چند پرسش که به شما کمک می‌کند صحت و اعتبار مدل‌های آماری را محک بزنید را ارائه می‌دهیم:
پرسش ۱: آیا داده‌ها مناسب هستند؟ مدل‌های آماری قالب‌هایی هستند که باید داده‌ها را درون آن‌ها ریخت و پس از پردازش نتایجی به دست آورد. در صورت غیر معتبر بودن داده‌های مورداستفاده در مدل، نباید به مدل اعتماد کرد. بنابراین نخست باید اعتبار منبع داده‌ها و مربوط بودن داده‌ها به موضوع موردبررسی را سنجید.
پرسش ۲: آیا مدل داستان منسجمی را روایت می‌کند؟ در صورت در هم و برهم بودن مدل و بی‌نظمی و گیج‌کننده بودن، به آن اعتماد نکنید. مدل‌ها برای این طراحی شده‌اند که به شما در تصمیم‌گیری کمک کنند. مدل درنهایت باید نکات و راهنمایی‌هایی قابل‌فهم و منطقی برای استفاده‌کنندگان عرضه کند و شما باید سیر منطقی مدل را از اول تا آخر درک کنید.
پرسش ۳: آیا زبان ریاضی مدل به‌اندازه کافی ساده است؟ انیشتین می‌گوید: «همه‌چیز باید تا آنجا که امکان دارد ساده باشد ولی نه بیشتر از این.» درواقع اگر پیچیدگی ریاضی مدل از آنچه موردنیاز است بیشتر باشد و یا مدل بیش‌ازحد ساده شده باشد نباید به آن اعتماد کرد.
پرسش ۴: آیا مدل در شرایط فعلی هنوز مربوط و معتبر است؟ این پرسش به‌ویژه در مورد مدل‌هایی که به پیش‌بینی آینده (مثلاً پیش‌بینی میزان تقاضا در ۵ سال آینده) می‌پردازند از اهمیت ویژه‌ای برخوردار است. داده‌هایی که در مدل مورداستفاده قرار گرفته‌اند ممکن است مربوط به شرایطی متفاوت از شرایط فعلی و آینده باشند. بنابراین هیچ مدل پیش‌بینی‌ای دارای اعتبار دائمی نیست و پیوسته باید در برابر شرایط جدید مورد ارزیابی قرار بگیرد. مثلاً ممکن است پیش‌بینی فروش در سال آینده مبتنی بر داده‌های گردآوری‌شده از دو سال اخیر باشند و در آن دو سال رقبای قوی در صنعت وجود نداشته‌اند درحالی‌که هم‌اکنون رقبای جدید کم‌کم در حال توسعه بازارهای خود هستند.

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.