نوشته های Amir Ahmad

گل مورد انتظار (xG) در فوتبال چیست و چقدر اهمیت دارد؟

Amir Ahmad — Sun, 19 Dec 2021 17:00:06 +0330

عجب گلی زد٬ چطوری این توپ رو گل نکرد٬ مگه میشه از اینجا توپ گل بشه و ... حتما این جملات رو موقع دیدن فوتبال به زبان آوردین یا شنیده اید. موضوع از همین‌جا شروع می‌شه٬ فاکتور و هدف اصلی در فوتبال به ثمر رسوندن گل در مدت زمان بازی است تا تیم به پیروزی برسه و خب برای به ثمر رسوندن باید شوت توسط بازیکن به سمت دوازه حریف انجام بشه (مگر این که بر اساس اتفاقات٬ گل به خودی و .. گل به ثمر برسه) حالا بر می‌گردیم به اول پاراگراف که ما چطوری تشخیص می‌دیم که این شوت با کیفیت بوده یا نبوده٬ این که بازیکن شوت بدی زده یا نزده و آیا یک بازیکن گل زن قهاری است یا خیلی به اصتلاح گل نزنه اینجاست که "بازگشت همه به سوی دیتاست" سال ۲۰۱۲ یک تحلیلگر داده به نام Sam Green که در شرکت Opta کار می‌کرد یک مدلی را اختراع کرد که تا بشه عملکرد مهاجمان لیگ انگلستان (Premier League) رو با دقت بیشتری بررسی کرد و برای مدل خودش از مدل های مشابهی که در ورزش های دیگه استفاده می‌شد الهام گرفت.در ابتدا مدلی که ساخته شده بود بر اساس تعداد شوتی بود که هر بازیکن می‌زنه٬ که خب شوت پایه ای ترین فاکتور به ثمر ریدن گل است٬ اما هر بازیکن برای رسیدن به گل به صورت میانگین تعداد شوت های متفاوتی رو انجام می‌دن٬ برای مثال در فصل ۲۰۱۱-۱۲ رابین فن‌پرسی از هر ۵/۴ شوت یک گل به ثمر می‌رساند و لویس سوآرز از هر ۱۳/۸ شوت یک گل٬ در صورتی که هر دو به تعداد تقریبا یکسانی در هر بازی شوت می‌زدند.در نتیجه در نظر گرفتن یک فاکتور که تعداد شوت باشه نمیتونه کیفیت یک مهاجم رو نشان بده٬ در ادامه فاکتور مکانی که شوت زده می‌شه رو اضافه کردند تا بر اساس منطقه ای که شوت زده میشه هر شوت چقدر احتمال گل شدن داره اما این فاکتور هم دید درستی نمی‌ده چرا که اگر شوتی بر روی نقطه پنالتی زده بشه این که آیا ضربه پنالتی بوده یا کرنری بوده که با سر داره به توپ زده می‌شه یا یک ضربه والی بوده می‌تونه روی احتمال گل شدن توپ تاثیر گذار باشه٬ پس نیاز به این که فاکتور های مهم دیگه هم در نظر گرفته بشه حس شد. طی سال ها شرکت Opta دیتا پوینت هایی که در هر بازی لیگ های برتر اروپا رخ می‌داد رو جمع‌آوری کرده بود و با آنالیز آن ها به مهم ترین عوامل در کیفیت یک شوت برسند٬ با بررسی بیش از 300,000 شوت فاکتور های زیر رو برای ساختن مدل در نظر گرفتند:زاویه شوتنوع پاس قبل زدن ضربهمکانی که شوت داره زده می‌شهموقعیت بازی (برای مثال ضربه کرنر یا شروع مجدد است یا بازی در جریان است)میزان نزدیک بودن بازیکن های حریف به زننده شوتفاصله توپ از دروازهدر نهایت با استفاده از این متغیر ها توانستند یک مدلی درست کنند که مقدار xG را مشخص کنند که معمولا به شکل درصد است.آمار بازی واتفورد - آرسنال همراه با xGهیچ مدل مشخصی برای اندازه گیری xG وجود ندارد و هرکسی می‌تونه مدل جدید و متفاوتی ارائه بده و مدلی که داریم راجبش صحبت می‌کنیم توسط شرکت Opta که از بزرگترین شرکت های آنالیز ورزشی دنیا است ارائه شده.مدل xG طراحی شده تا درصدی که انتظار میره یک شوت گل بشه رو به ما به عنوان خروجی بده برای مثال هری کین اگر 100 شوت زده باشه بر اساس داده های هستوریکال و دیتا پوینت هایی که مدل xG رو شکل می‌دهند٬ انتظار می‌ره تا 0.202 (یا 20.2%) از شوت هاش گل بشه در نتیجه انتظار میره که 20 گل به ثمر برسونه xG که شامل 100 شوت هری کین باشه می‌تونه شامل موقعیت های بزرگ مثل ضربه پنالتی با 0.783xG یا ضربات غیر از پنالتی داخل محوطه جریمه با 0.387xG و حتی ضربات بیرون از محوطه جریمه با 0.036xG باشه٬ در نهایت می‌شه عملکرد هری کین رو با تعداد گل واقعی که از این 100 شوت به ثمر رسونده سنجید اگر بیشتر از 20 گل زده باشه در اصل خیلی عملکرد خوبی داشته و بیش از حد انتظار گل زده و اگر کمتر از 20 گل بزنه می‌فهمیم که عملکرد به نسبت متاسبی نداشته و کمتر از حد انتظار گلزنی کرده در نتیجه با این متریک می‌توانیم عملکرد کلی یک گلزن را بسنجیم.هری کین مهاجم تاتنهام و تیم ملی انگلیسدر نهایت میشه xG رو به صورت تیمی هم در نظر گرفت تا متوجه بشیم یک تیم آیا عملکرد خوبی داشته و موقعیت خوبی خلق کرده یا خیر و آیا نسبت به موقعیت ها بیشتر از انتظار گل زده یا خیر.محدودیت‌ها و نواقص xG:یکی محدودیت های این متریک جمع‌آوری دیتا برای حساب کردن فرمول٬ برای مثال در لیگی مثل ایران هیچ مرکز با ابزاری برای جمع کردن داده های یک بازی وجود ندارد٬ از نواقص مدل xG هم می‌توان به کامل نبودن این متریک در بیشتر مدل هایی که الان داره محاصبه می‌شه اشاره کرد٬ برای مثال متریک های قدرت شوت٬ وضعیت گلر تیم حریف (این که اصلا داخل چارچوب هست؟ یا در شرایط متعادلی هست؟) و... لحاظ نمی‌شوند. در نتیجه هیچوقت نمی‌توان خیلی به xG بها داد و در نهایت به عنوان یک داده تکمیلی باید بهش نگاه کرد.

رندمی (random) که می‌شناسیم چقدر رندم است؟

Amir Ahmad — Thu, 19 Nov 2020 13:21:23 +0330

سوالی که کمتر بهش فکر می‌کنیم و در نظر می‌گیریم این که واقعا رندم یعنی چی و از کجا رندم تولید می‌شه؟همه ما توی جا های مختلف با کلمه رندم سر و کار داشتیم وقتی برای مثال سکه می‌ندازیم یا تاس پرتاپ می‌کنیم می‌دونیم که تاس اگر خیلی دقیق و برابر ساخته شده باشد به صورت رندم عددی بین ۱ تا ۶ به ما می‌دهد و این یک عدد رندم است٬ ولی آیا واقعا خیلی اتفاقی و رندم این عدد تولید می‌شود؟ راستش نه ما اگر بیایم و تمامی جوانب (مثل جرم و حجم تاس٬ قدرت پرتاب٬ زاویه پرتاب٬ جزییات صطحی که قراره تاس فرود بیاد و ...) رو حساب کنیم تکنیکلی قبل از این که تاس نتیجه خودش رو نشون بده ما میتونیم ۱۰۰ درصد درست پیش‌بینی کنیم که چه عددی قرار هست نمایش داده شود. همین اتفاق برا سکه انداختن هم می‌تونه بیوفته و می‌تونیم شیر یا خط اومدن سکه رو هم از قبل پیش‌بینی کنیم یا با محاسبه جوری سکه رو پرتاب کنیم که خروجی که ما میخوایم رو بهمون بده.اما ما واقعا به اعدادی که تصادفی درست می‌شن احتیاج داریم و اعداد رندم مصارف زیادی در حوزه های مختلف دارند برای مثال برای محافظت از اطلاعات و encrypt کردن داده٬ انتخاب کردن نمونه رندم از داده های بزرگ و ... به اعدادی غیر قابل پیشبینی و رندم احتیاج داریم. راه های مختلفی تا به امروز برای تولید اعداد رندم به کار گرفته شده مثلا استفاده از یک کامپیوتر برای تولید عدد رندم اما خب مگه تمام کامپیوتر ها کاری به جز این سه مرحله می‌کنند؟۱- دریافت ورودی۲- انجام محاسبه بر روی ورودی۳- دادن خروجیدر نتیجه کامپیوتر نمی‌تونه چیزی رو رندم تولید کنه و در اصل ما داریم با استفاده از فرمول های ریاضی (مثل Linear congruential generator) به کامپیوتر میگیم که رندم عددی تولید کنه که خب این با ماهیت تعریفی که از رندم داریم سازگار نیست چون در این صورت امکان پیشبینی عدد رندمی که کامپیتر قراره تولید کنه(PRNGs) با استفاده از فرمول ریاضی که استفاده کردیم وجود داره و می‌تونیم پیشبینی کنیم یا ساده سازی کنیم عددی که قراره تولید بشه. روش دیگه ای که برای تولید اعداد رندم استفاده میشه کمک گرفتن از پدیده های فیزیکی و طبیعی(TRNGs) هست برای مثال وبسایت random.org از atmospheric noise استفاده میکنه که به راحتی حتی با یک رادیو هم قابل اندازه گیری هستند و با بکار گیری فرمولی٬ اعداد تصادفی و رندم تولید میکنه و خب به نظر خیلی روش بهتر و رندم تری(رندم تر خودش جای بحث داره:)) برای تولید اعداد تصادفی است. اما تکنیکلی پدیده های فیزیکی و طبیعی هم غیر قابل پیشبینی نیستند و نهایت اثر پروانه‌ای چیز های ریز و درشت هستند و امکان این که منشع تمام این پدیده هارو پیدا کنیم وجود دارد و می‌توان پیشبینی کرد که چه نویزی قراره تولید بشه پس میشه عددی که قراره تولید بشه رو پیش‌بینی کرد.در کل وقتی درمورد رندم صحبت میکنیم نباید بتونیم اون رو ساده سازی کنیم و با یک فرمول بهش برسیم یا بتونیم به هر نحوی پیش‌بینیش کنیم.تمام چیز هایی که تا اینجا نوشته ام در مورد classical randomness بود با این اوصاف رسیدن به رندم واقعی غیر ممکن به نظر میاد اما تحقیقاتی که در حوزه فیزیک کوانتوم که در اصل یک روش و ابزاری است بر پایه ریاضیات احتمالی که از طریق اون بشه رفتار ذرات در ابعاد بسیار کوچک رو بررسی و مدل سازی کرد نشون میده که ذرات در اسکیل (Scale) خیلی کوچک رفتار غیر قابل پیشبینی دارند و خب با استفاده از این میتوان به Quantum Randomness رسید در حال حاظر نزدیک ترین تعریف نسبت به رندم رو بهمون میده چون کاملا غیر قابل پیش‌بینی است و با استفاده ازش میتونیم اعداد کاملا رندم تولید کنیم. اما همونطور که انیشتن راجب فیزیک کوانتم میگه : "خدا تاس نمی‌اندازه" که اشاره به این داره که حتما به روشی میشه فهمید که ‌ذرات توی اسکیل خیلی کوچک هم رفتارشون قابل پیشبینی است اما خب چیزی که تا امروز مشخص است اینه که نمیشه پیش‌بینی کرد و با استفاده از همین ما میتونیم عدد رندم واقعی رو داشته باشیم.

سوگیری‌های شناختی (cognitive biases)

Amir Ahmad — Fri, 03 Jul 2020 18:54:12 +0430

سوگیری‌ شناختی (cognitive bias)سوگیری‌های شناختی (cognitive biases) خطایی سیستماتیک است که معمولا وقتی داریم با توجه به اطلاعات و محیط پیرامون تصمیم میگیریم یا قضاوتی انجام میدیم رخ میدهد.در کل این خطا ها زمانی رخ میدهند که ذهن نا خودآگاه سعی در رسیدن سریع به جواب دارد که در دو بخش کلی میشه به آن نگاه کرد:سوگیری هایی که در به یاد آوردن چیزی انجام میدهیم, ما اعتماد زیادی به حافظه خودمون داریم اما خیلی وقتها برای به یاد آوردن و نتیجه گرفتن از اتفاق یا اطلاعاتی که قبلا مشاهده کردیم نا خودآگاه در به یاد آوردن آن سو گیری میکنیم و جوری که واقعا بوده به یاد نمی آوریم.سوگیری هایی که حاصل عدم توجه هستند, انسان هر چقدر هم که تلاش کنه نمیتونه به تمامی جوانح و جزییات توجه کنه چون توجه آدم محدود هست و نا خودآگاه جزییات زیادی را نمیبیند و این عدم آگاهی روی تصمیم گیری تاثیر گذار است.ما زمانی که میخواهیم قضاوت کنیم یا تصمیم بگیریم فکر میکنیم که بسیار منطقی هستیم و تمام جوانب را سنجیده ایم و تمام اطلاعات دریافتی را به خوبی راستی آزمایی کرده ایم و الان آماده تصمیم گیری درست هستیم ولی متاسفانه سوگیری ها (biases) همیشه گریبان گیر تصمیمات ما هستندکه گاهی باعث تصمیم یا قضاوت های کاملا اشتباه شده و حتی در بعضی مواقع ممکنه باعث شود ما تصمیم درست تر و بهتر و سریعتری داشته باشیم اما در هر حالت این که نسبت به این سو گیری ها شناخت داشته باشیم میتونه کمک کنه تا بهتر عمل کنیم.بیش از ۱۰۰ نوع سوگیری شناختی (cognitive bias) تا به حال شناسایی شده اند اما من به چند تا از این سوگیری ها که بیشتر در انجام تحقیق یا مدل کردن الگوریتم یادگیری ماشین و جمع آوری و تحلیل داده ممکن است رخ بدهد می پردازم.سوگیری‌های شناختیسوگیری خودکارسازی(Automation bias): ما همیشه فکر میکنیم عملکرد یک ماشین و تصمیم گیری یک سیستم خودکار بهتر از تصمیم انسانی آن هست خوب بله ممکن هست باشه اما نه همیشه ما باید میزان خطای سیستم رو بدونیم تا تصمیم گیری رو بر اساس اون انجام بدیم چون ممکن است خطای سیستم زیاد باشد و تصمیم گیری خود ما از سیستم بهتر باشد.سوگیری در بدست آوردن گزارش (Reporting Bias): همیشه امکان داره وقتی در حال تهیه یا نوشتن گزارش هستیم بر روی یک سری آیتم ها و موارد مهم چشم پوشی کنیم یا بر عکس روی چیز های کم اهمیت زیادی وقت بگذاریم در هر دو حالت ممکن هست این سو گیری ما باعث تصمیم گیری اشتباه و مدل سازی نادرست شود.سوگیری در انتخاب (Selection Bias): سو گیری در انتخاب انواع مختلفی دارد برای مثال ما میخواهیم محصول جدیدی ةولید کنیم برای ارائه پیش بینی فروش مثلا پرسشنامه طراحی کنیم و این پرسشنامه را فقط برای کسایی که قبلا محصول ما را خرید کرده اند بفرستیم در اینجا ما کسانی را که محصول شرکت رقیب را خریداری کرده اند را لحاظ نکرده ایم و سوگیری در پوشش (Coverage bias) داشتیم که باعث میشه پیشبینی ما خیلی اشتباه از آب دربیاد.گاهی ممکن است ما در مورد پوشش دادن مشکلی نداشته باشیم اما با کمبود دیتا سوگیری انجام بدیم برای مثال ممکنه از کسانی که محصول رقبا را خریداری کرده اند هم پرسش انجام شود اما ۸۳ درصد از آنها پاسخ ندهند در اینجا اگر ما نتیجه ای از روی پرسشنامه ها بگیریم دچار سوگیری در مشارکت (participation bias) شده ایم زیرا توضیع درستی در نمونه گیری نداشته ایم.و حتی بعضی اوقات ممکن است روی نمونه گیری سوگیری انجام بدیم (Sampling bias) یعنی از لحاظ آماری نمونه گیری غلط و بدرد نخوری از جامعه هدف خود انجام بدیم در این صورت ممکن است به اشتباه نتیجه گیری کنیم در مثال پرسشنامه اگر ما بعد از ارسال پرسشنامه از ۲۰۰ نفری که سریع تر پاسخ داده اند نتیجه گیری انجام بدیم نمونه ای که انتخاب شده به صورت تصادفی نیست چون کسایی که زود تر جواب داده اند به احتمال زیاد مشتاق تر هستند.سوگیری در رابطه با ویژگی یک گروه (Group Attribution Bias): در دو حالت ممکن است ما ناخودآگاه سوگیری انجام دهیم برای مثال وقتی داریم دیتا مربوط به یک نفر را بررسی میکنیم اگر ببینیم سلایق طرف یا ویژگی مشترک با ما دارد نباید روی نظر ما و قضاوت در مورد اون فرد تاثیر بگذاره و حتی برعکس اگر کسی ویژگی داره که ما نداریم نمیتونیم سوگیری در انتخاب یا عدم انتخاب آن داشته باشیم. سوگیری و نتیجه گرفتن با پیشفرض های خودمون(Implicit Bias): هیچ وقت نباید با پیشفرض هایی که در ذهن داریم و ثابت نشده اند تصمیم بگیریم یا قضاوت کنیم یک مثال ساده فرض کنید یک محقق در حال پرسیدن یک سوال است با سر تکان دادن ( زبان بدن ) جواب خود را میگیرد و پیش فرض محقق این است که سر تکان دادن به معنی <<نه>> است آما اگر کسی که پاسخ میدهد فرهنگ متفاوتی داشته باشد (مثل آلبانیایی ها ) ممکن است جوابش برعکس باشد در اصل گفته <<بله>>.همان طور که اشاره شد ما بیش از ۱۰۰ نوع سو گیری شناختی (cognitive bias) داریم و من توی این نوشته کوتاه سعی کردم به اون هایی که خودم بیشتر باهاشون سر و کار دارم اشاره ای کوتاه بکنم و در کل هدفم از این نوشته این بود که کمی بیشتر به جزییات دقت کنیم و پیش داوری را در قضاوت دخیل نکنیم و بدون فرضیه داشتن از قبل تحقیق یا مدل خود را طراحی کنیم چون خواه یا ناخواه همیشه با سوگیری (bias) طرف هستیم ولی بهتره که بشناسیمشون.

نگاهی به روش های تحقیق (Research)

Amir Ahmad — Sun, 24 May 2020 11:43:43 +0430

روش های تحقیق (research methods)اصولا تحقیق برای رسیدن به یک نتیجه یا اثبات یک فرضیه استفاده میشه, ما تحقیق را طراحی میکنیم تا به سوالی که برامون پیش آمده جواب بدیم یا فرضیه ای که با اون مواجه شدیم رو ثابت یا رد کنیم.بدست آوردن داده : برای انجام تحقیق (research) اول باید بدونیم که چطوری داده (data) مناسب برای رسیدن به جواب مورد نظر را پیدا کنیم, طراحی روش تحقیق با توجه به نوع داده جمع شده ممکن است متفاوت باشد.داده کمی یا کیفی(Qualitative vs. Quantitative) : داده بدست آمده بصورت عدد و رقم هست یا بصورت کلمه؟دیتا Primary یا secondary : این که دیتا بدست آمده رو خودمون بدست آوردیم (مثل پرسشنامه) یا دیتا از قبل موجود هست (مثل دیتا توی اینترنت)توصیفی یا تجربی(Descriptive and Experimental) : این که مقدار و داده را بر اساس چیزی که هست و مشاهده میشه توصیف میکنیم یا با انجام آزمایش به داده مورد نظر میرسیم.آنالیز داده : بعد از بدست آوردن داده باید از روش مناسب برای آنالیز کردن داده با توجه به نوع آن استفاده کنیم. داده کمی(quantitative) : برای آنالیز کردن داده کمی میتوانیم از آزمون های آماری (مثل Paired T-Test) استفاده کنیم تا ارتباط بین دو متغیر مورد نظر را متوجه بشیم.داده کیفی (qualitative) : برای آنالیز کردن داده کیفی میتوانیم از آنالیز موضوعی (Thematic analysis) استفاده کنیم تا الگو معنا داری از داده ای که در اختیار داریم بدست آوریم.روش های جمع آوری داده :داده یا دیتا به اطلاعاتی گفته میشه که ما جمع میکنیم تا به سوال و یا فرضیه پیش آمده بپردازیم.داده کمی در مقابل کیفی (Qualitative vs. Quantitative data) :این که دیتا بدست آمده کمی باشه یا کیفی بستگی به پرسش ما داره اگر ما به دنبال اطلاعاتی مثل ایده یک چیز یا معنا یک چیز یا مطالعه بر روی چیزی که نمیتوان آن را بصورت عدد و رقم تحلیل کرد با داده کیفی سر و کار داریم, و اگر سوال مطرح شده مارا به سمت توضیح های ریاضی یا تست فرضیه سوق دهد ما با دیتا کمی طرف هستیم.درست نیست که ما داده کمی یا کیفی را با هم مقایسه کنیم هر کدام مزایا و سختی هایی برای کار کردن دارند برای مثال با نمونه کوچکی از داده کیفی میتوان به نتایجی رسید ولی برای به نتیجه رسیدن با داده کمی معمولا نمونه بزرگی از داده را نیاز داریم, یا برای آنالیز کردن داده کمی میتوانیم از آزمون های آماری مختلف استفاده کنیم در صورتی که برای داده کیفی این امکان وجود ندارد, گاهی در یک تحقیق ما با ترکیبی از داده های کمی و کیفی مواجه میشیم که با آنالیز آنها میتوانیم ارتباط معنا داری بین آن ها بر قرار کنیم.داده دست اول در مقابل داده دست دوم(Primary vs. Secondary data):داده دست اول (Primary data)‌به داده ای گفته میشه که خود تحقیق کننده یا ریسرچر برای رسیدن به پاسخ سوالی که داره جمع آوری میکنه (برای مثال پرسشنامه, مشاهده و آزمایش), داده دست دوم (secondary data) به داده ای گفته میشه که از قبل جمع آوری شده و ریسرچر از آن ها استفاده میکنه تا به هدف خودش برسه (مثل نتایج سرشماری که دولت انجام میده یا تحقیات علمی که صورت گرفته).بسته به تحقیقی که در حال انجام هست یک ریسرچر ممکنه از هر کدوم از این روش ها برای جمع آوری دیتا استفاده کنه, استفاده از داده دست دوم هزینه ریسرچ را کاهش میده (هزینه مالی و زمانی) اما استفاده از داده دست اول دست ما رو باز میگذاره تا کنترل بیشتری روی نمونه گیری و روش های اندازه گیری داشته باشیم و خب امکان داره راحت تر به سوال مطرح شده برسیم اما هزینه زمانی و مالی بیشتری داره.داده داده توصیفی در مقابل داده تجربی (Descriptive vs. Experimental data):در جمع آوری داده توصیفی (Descriptive data) داده بر اساس مطالعه و مشاهده بدست میاد و ریسرچر مداخله ای بر روی متغیر ها نمیکند, ارزش داده توصیفی به نمونه گیری(sampling) انجام شده بر میگردد هر چه نمونه حساب شده و دقیق باشد داده ما قابل اتکا تر است, جمع آوری داده تجربی (experimental data) تقریبا برعکس هست ریسرچر کنترل کاملی روی متغیر ها داره با کم یا زیاد کردن مقدار یک متغیر اثری که بر روی متغیر های دیگر میگذارد رو بررسی میکند تا به فرضیه مورد نظر بپردازد, برای کار با داده تجربی و تحقیق, ما باید کنترل روی متغیر غیر وابسته (independent variable) داشته باشیم و بتونیم مقدار آن را کم و زیاد کنیم تا اثری که روی متغیر وابسته (dependent variable) میگذارد را بسنجیم (بدیهی است که متغیر وابسته باید قابل اندازه گیری باشد).کی باید از کدوم متد یا روش تحقیق استفاده کنیم استفاده کنیم؟؟کاملا بستگی داره که س.ال یا فرضیه ما برای انجام ریسرچ چی هست:اگر سوال ما در مورد تاثیر یک چیز روی چیز دیگر هست و رابطه علت و معلولی (cause-and-effect) دارند ما باید از روش تحقیق تجربی استفاده کنیم (experimental research) و داده کمی(quantitative) دسته اول (primary) جمع کنیم.اگر میخواهیم روی مشخصات و ویژگی های یک جامعه بپردازیم با روش پرسشنامه (survey) میتوانیم داده کمی و دسته اول از نمونه خود جمع کنیم و آنالیز کنیم.اگر روی یک موضوع خاص تمرکز داریم میتوانیم با مصاحبه (Interview) داده کیفی (Qualitative) دسته اول جمع کنیم.اگر بر روی ماهیت یک چیز میخواهیم تحقیق انجام بدیم از روش مشاهده (Observation) استفاده میکنیم....بسته به سوال و فرضیه ممکن هست از ترکیب هر کدوم از روش ها و انواع دیتا استفاده کنیم.روش ها و متد های آنالیز کردن داده:بنا به نوع دیتایی که جمع آوری میشه و روشی که ریسرچ انجام میشه برای آنالیز کردن ممکن هست اقدامات مختلفی صورت بگیره.داده ها معمولا به دو روش کمی و کیفی قابل آنالیز کردن هستن برای مثال اگر داده با پرسشنامه جمع آوری شده باشد میتوانیم با آنالیز کیفی آن بار معنایی جواب ها را بسنجیم و از لحاظ کمی تعداد هر نوع پاسخ را اندازه بگیریم.برای مثال اگر داده ما به صورت عدد و رقم باشه و قابل اندازه گیری باشه (داده ممکنه از پرسشنامه, آزمایش, مشاهدات و ... باشد) ما میتوانیم با استفاده از آزمون های آماری آنالیز را انجام بدیم و به جواب سوال یا درستی و نادرستی فرضیه برسیم.و اگر داده ما از مصاحبه جمع آوری شده یا با یک سورس متنی سر و کار داریم میتوانیم از آنالیز موضوعی (Thematic analysis) استفاده کنیم.

کیورد ریسرچ : نکاتی که باید بهشون توجه بشه

Amir Ahmad — Thu, 21 May 2020 13:30:40 +0430

کیورد ریسرچکیوورد ریسرچ جزو اولین کار هایی هست که خود من وقتی برای کسب و کاری شروع به فعالیت میکنم انجام میدم, برای این که استراتژی تولید محتوا و کل محتوا سایت رو جوری جلو ببرم که عملکرد خوبی در کیورد های جست‌‌ و جو شده در موتور جست و جو داشته باشم.به طور کلی کیورد ریسرچ به چند سوال ما پاسخ میده:مردم راجب چی سرچ میکنند.چه تعداد در خصوص زمینه ما سرچ میکنند.به چه شکل و فرمتی اطلاعاتی که سرچ میکنند رو نیاز دارن.قبل از همه چیز اطلاعات بدست بیاورید.چیزی که خیلی مهمه و اکثرا ازش چشم پوشی میکنند اینه که قبل از همه چیز ما باید افرادی که کسب و کار را اداره میکنند و بوجود آورده اند را به خوبی بشناسیم از از اهداف و برنامه های آن ها آگاه باشیم , و بدونیم مشتری و یوزر چی میخواد و دنبال چی هست.بدست آوردن این اطلاعات قبل از بهبود محتوا یا تولید محتوا خیلی کیلیدی هست ولی اکثرا این رو در نظر نمیگیرند چرا میگم خیلی مهمه؟ چون اکثر مواقع چیزی که کسب و کار فکر میکنه با چیزی که یوزر به دنبال اون هست از زمین تا آسمون تفاوت داره ممکنه کلمه ای که صاحب کسب و کار میخواد با اون توی سرچ پرفرمنس خوبی داشته باشه خیلی متفاوت باشه با کلمه ای که یوزر سرچ میکنه.شما ممکن هست به راحتی بگین که کسب و کار شما چی کار انجام میده اما این که کاربر مورد نظر چطوری سرچ میکنه که به محصول, سرویس, یا خدامات شما میرسه مشخص نیست و جواب دادن به این سوال یکی از مهم ترین قدم ها برای شناخت نحوه سرچ کردن کاربر هست.برای بدست آوردن این اطلاعات این چنینی بهترین روش مطرح کردن و پرسید سوال هست برای مثال:مشتری این کسب و کار چه تایپ آدمی هستن؟چه نوع سوالاتی میپرسند؟از چه نوع کلمات و جمله بندی استفاده میکنند؟از طریق موبایل بیشتر سرچ انجام میدن یا دسکتاپ؟...(چیزی که میتونه اینجا خیلی کمک کنه درست کردن و داشتن پرسونای مشتری هست)اگر درست این کار رو انجام بدیم آگاهی نسبی خوبی برای تولید کردن محتوا برای کسب و کار مورد نظر بدست آوردیم.رفتار کاربر در سرچ کردن تغییر کردهامروزه رفتار آدم ها و نوع سرچ کردن آدم ها تغییر کرده طوری که مردم ۱۰ سال پیش به دنبال چیزی توی اینترنت میگشتن با امروز خیلی متفاوت هست قبلا و خب این تغییر توی وب فارسی کمتر بوده برای مثال زده میشه که در سال ۲۰۲۰ حدود ۵۰ درصد از سرچ های انجام شده توسط صدا و دستیار های هوشمند مثل گوگل هوم و آمازون الکسا و ... صورت میگیره که خب توی وب فارسی هنوز به این مرحله نرسیده ایم اما با این حال خیلی تفاوت هست بین زمانی که کسی سرچ میکرد 'رستوران شهرک غرب' و کسی که امروز سرچ میکنه 'بهترین پیتزا نزدیک من' و خب ما باید این تغییر رفتار رو بفهمیم و در نظر بگیریم.استفاد از ابزار های مناسبتا اینجای کار احتمالا تعدادی کیورد مناسب توی ذهن داریم و میتونیم با استفاده از ابزار های موجود و کیورد هایی که برای شروع در نظر داریم یک لیست کلمات کیلیدی درست کنیم.توی این زمینه ما تعداد خیلی خوبی ابزار داریم که با استفاده از اون ها میتونیم یک لیستی از کیورد های مورد نیاز بدست بیاوریم برای مثال : semrush/ahrefs/moz/Google Keyword Planner و ... میزان سرچ شدن یک کلمهبعد از این که لیست کیورد ها تا حد خوبی بدست اومد باید میزان سرچ شدن (search volume) اون هارو بدست بیاوریم هر چقدر میزان سرچ شدن اون ها بیشتر باشه هم سخت تر هست و رقیب بیشتر برای رسیدن به جایگاه خوب هم تعداد یوزر هایی که میتونیم جذب کنیم بیشتر هست بسته به کسب کار اینجا باید تصمیم گرفت که سمت کیورد هایی با سختی بیشتر بریم یا نه.از long tail keywords چشم پوشی نکنیمبسته به نوع کسب و کار ممکنه یک سری سرچ کوئری کوتاه یک یا دو کلمه ای وجود داشته باشه که هم با توجه به میزان سرچ شدن و وجود داشتن رقیب برای گرفتن رتبه روی این کیورد کار آسونی نداشته باشیمو هم این که ممکنه اون کیوورد مرتبط باشه با کسب و کار اما کسایی که این کیورد رو سرچ میکنند به دنبال سرویس یا کالایی که ما اراعه میدیم نباشند برای همین نرخ تبدیل مناسبی برایم ما نداره تعدادی یوزر نا مرتبط به روی سایت بیاوریم.به سرچ کوئری که از تعدادی کلمه ( معمولا بیشتر از ۳ کلمه) تشکیل میشه long tail keywords گفته میشه اگر long tail keywords های سرچ شده مربوط به کسب کار خودمون رو پیدا کنیم و روی آن ها کار کنیم و تولید محتوا انجام بدیم احتمال این که نرخ تبدیل خوبی از این کیورد ها بگیریم خیلی بیشتر هست درسته که میزان سرچ شدن این کلمات به مراتب کمتر هست اما کیورد دقیق تری هست و بیشتر مشخص میکنه کسی که این کیورد رو سرچ کرده به دنبال چی هست و ما با کار روی این جور جملات میتونیم یوزر های به نسبت با کیفیت تری جذب کنیم.کیوود های فصلی ممکنه کسب و کار ما کالا یا سرویسی را ارائه که توی فصل یا موقع ای از سال یا بنا به اتفاقی تقضا و سرچ های مربوط به اون زیاد بشه(برای مثال عید نوروز یا شب یلدا و ...) خیلی خوب میشه که به این جنبه فکر کرده باشیم و لیستی داشته باشیم که با توجه به اون لیست قبل از رسیدن به تایم مورد نظر محتوا و لندینگ مناسبی درست کرده باشیم تا در موقع مناسب بتونیم کاربر مورد نظر را جذب کنیم.

چرا مارکتینگ در کسب و کار های SaaS متفاوت هست؟

Amir Ahmad — Fri, 15 May 2020 15:43:49 +0430

کسب و کار های SaaS یا software as a service به کسب و کاری گفته میشه که یک نرم افزار را میزبانی (host) میکنه و با استفاده از اینترنت در دسترس عموم قرار میده, مدل درآمد زایی این نوع از کسب و کار ها هم معمولا به شکل پرداخت اشتراک از طرف کاربر هست.SaaSهمونطور که مشخصه مارکتینگ و بازاریابی در یک کسب و کار حوزه SaaS بسیار متفاوت هست با هر کسب و کار دیگه ای توی این نوع کسب و کار ما حتی محصول فیزیکی نداریم که بخوایم مارکتینگ انجام بدیم, با چیزی سر و کار داریم که با گذشت زمان دائم در حال تغییر و به روز شدن و اضافه و کم شدن خصوصیات خودشه یا یک اسم عجیبی داره حتی ممکنه فقط تعداد انگشت شماری شرکت B2B همچین نرم افزاری براشون مفید باشه و به دردشون بخوره.توی این نوشته سعی میکنم کمی در مورد تفاوت های بازاریابی SaaS و روش های معمول اون بنویسم.محصول فیزیکی در کار نیست !!در SaaS ما محصول فیزیکی نداریم و خب این میتونه یک مزیت برای بازاریابی ما باشه چرا که اگر محصول ما فیزیکی بود این که به صورت مجانی در اختیار کاربر قرار بدیم یا اینکه با تخفیف زیاد اون رو برای فروش بزاریم ممکن نبود چون احتمالا مقدار قابل توجهی ضرر و زیان می کنیم ولی در SaaS ما میتونیم محصول خودمون رو برای مدتی مجانی در اختیار کاربر قرار بدیم یا تخفیف زیادی براش قائل بشیم تا کاربران بیشتری جذب کنیم ولی خب این هم هزینه های خودش رو داره درگیر شدن تیم پشتیبانی و فنی, ترافیک زیاد روی سرور ها و ... همه اینا ممکنه مشکل ایجاد کنه و هزینه هارو بالا ببره.کار درست اینه که یا ما بخشی از محصول را با امکانات محدود رایگان کنیم یا کل محصول را برای مدت محدود به رایگان در اختیار کاربر قرار بدیم یا ترکیبی از این دو حالت , به طور کلی در اختیار قرار دادن محصول به رایگان تا وقتی که استراتژی مشخصی برایش داشته باشیم میتونه مارو توی بازاریابی SaaS کمک کنه.محصول شما متفاوت هست مثل بقیه محصولات!!در حال حاضر روز به روز شاهد پیدایش کسب و کار های SaaS هستیم , اگر روی محصولی کار میکنیم که اولین در زمینه خودش نیست حتما یک سری ویژگی و خصوصیت منحصر به فرد نسبت به رقبا خواهد داشت که ممکنه از چشم کاربر پنهان باشه اگر اطلاع رسانی نشه و استراتژی درست در این شرایط این است که ما تفاوت ها و برتری های محصول خودمون رو بولد یا تبلیغ کنیم و روی آن ها تاکید کنیم.محتوای خوب برتری ایجاد میکنه.مانند بقیه حوزه ها تولید محتوا میتونه تفاوت ایجاد کنه اگر محتوا خوب و با کیفیت مثل نوشته وبلاگ, پادکست, مصاحبه, نقد و بررسی, کتاب و ... تولید بشه میتونه باعث شه وقتی یک کاربر محتوا مفید و با کیفیت ما رو میبینه, بهش کمک کنه یا باعث شه مشکلش حل شه و براش مفید بوده باشه, اگر بخواد از سرویسی استفاده کنه ممکن نیست از رقیب شما استفده کنه.محتوا خوب و با کیفیت میتونه نشون دهنده ارزش و خبرگی شما در کار خودتون باشه که کاربر نا خودآگاه متوجه میشه.به طور کلی مارکتینگ در تمامی حوزه ها با هم متفاوت هست و چالش های خودش رو داره حتی ممکن هست دو کمپانی در حوزه SaaS با یک روش و استراتژی به دو نتیجه مختلف برسند یکی شکست بخورد دیگری موفق شود , من سعی کردم به طور کلی با توجه به تجربیات و مطالعه شخصیم کمی از تفاوت ها و روش های کلی مارکتینگ برای کسب و کار های حوزه SaaS رو بیان کنم.

خطاهای نوع اول و دوم چی هستن؟؟!

Amir Ahmad — Sat, 09 May 2020 17:08:10 +0430

خطاهای نوع اول و دومما در زندگی روزمره خیلی واقعیت ها و فرضیه هایی رو داریم که شاید جواب دقیق اون هارو نمیدونیم ولی مطمئن هستیم که با مشاهده مستقیم میتونیم به جواب هایی برسیم. برای مثال الان توی منزل ما احتمالا یه مقداری وجه نقد هست ولی احتمالش خیلی کمه که میزان دقیقش رو بدونیم چون احتمالا نمیدونم مثلا بابام توی جیبش چقدر پول نقد داره یا تو فلان کشو دراور اتاق پولی هست یا نیست ولی اگر FBI بریزه توی خونه تمام نقاط خونه رو بگرده میتونه یه عدد دقیق از میزان پول نقد توی خونه بدست بیاره و بگه .خوب من شاید با توجه به داده های قبلی ذهنم حدس بزنم که کمتر از ۲ میلیون تومن پول نقد موجودی الان منزل هست که ممکنه خیلی جواب پرتی باشه حتی ممکنه تو بهترین شرایط خیلی نزدیک باشه ولی دقیق نیست و من این حدس رو با توجه به مشاهدات و تجربه قبلیم زدم در صورتی که با مشاهده مستقیم رقم دقیق بدست میاد. به طور کلی به مقوله ای که با مشاهده مستقیم بتونیم به جوابش برسیم یا اثباتش کنیم Ground Truth میگیم.ما یه سنسور هشدار دهنده کربن مونوکسید توی آشپزخونه داریم که هدفش اینه که اگر میزان کربن مونوکسید هوا خطرناک باشه صدا بده در غیر این صورت کاری نکنه در یه دنیا بدون نقص این سنسور دوتا وضعیت داره :میزان کربن مونوکسید در هوا خطرناک نباشه و آلارم دستگاه به صدا در نیاد.میزان کربن مونوکسید در هوا خطرناک باشه و آلارم دستگاه فعال بشه.اما به این شکل نیست ما توی دنیا بی نقص زندگی نمیکنیم و این دستگاه دو حالت دیگه هم داره:میزان کربن مونوکسید توی هوا خطرناک نباشه و دستگاه به اشتباه آلارمش فعال شه.میزان کربن مونوکسید خطرناک باشه ولی دستگاه هیچ واکنشی نشون نده.همونطور که مشخصه این دو حالت خطای دستگاه هستن و ما به این دو خطا, خطا نوع اول و خطا نوع دوم میگیم(false positive و false negative).کدوم یکی از این خطا ها هزینه بیشتری داره؟ خب بسته به شرایط ممکنه فرق کنه الان توی این مثال اگر خطا نوع اول برای دستگاه اتفاق بیوفته ممکنه مارو بترسونه و نگرانمون کنه و بعد از این که میفهمیم اشتباه کرده مارو نسبت به کارکرد دستگاه نا امید کنه, ولی اگر خطا نوع دوم اینجا اتفاق بیوفته ممکنه جون کسی گرفته بشه.خطای نوع اول و دومیه مثال دیگه من هر دفعه شیری توی یخچال باشه که روش تاریخ انقضا نداشته باشه برای این که بفهمم سالم هست یا نه اول اون رو بو میکنم اگه بویی که توی ذهن من بوی فساد شیر هست بده اونو دور میریزم اگر بوی بدی نده احتمالا میرم فاز دوم که مزه کردن اونه تا از طعمش بفهمم فاسد شده یا نه , توی فاز اول ممکنه شیر فاسد نبوده و من به اشتباه انداختم دور و حس بویایم درست کار نکرده یا ممکنه به اشتباه فکر کردم سالمه و توی فاز دوم میخوام مزش کنم. چون مزه کردن شیر فاسد برام تجربه خوبی نیست اونو اول بو میکنم حتی ممکنه یه شیر سالم رو به اشتباه دور بریزم اما ذهنم سبک سنگین کرده و دور ریختن شیر به نظر فاسد رو به مزه کردن اون ترجیح داده.این خطا ها تقریبا اجتناب ناپذیر هستن توی طراحی یک سیستم ولی ما باید این خطا هارو به کمترین میزان ممکن برسونیم و خطایی که هزینه بیشتری داره رو بهش بیشتر بپردازیم.