چگونه فروش کفش باعث شد من یک تحلیلگر داده بهتر باشم

شکل ۱: کفش دوندگی
شکل ۱: کفش دوندگی
منتشر‌شده در: towardsdatascience به تاریخ ۱۲ ژوئن ۲۰۲۱
لینک منبع How Selling Shoes Made Me a Better Data Analyst

من به عنوان دانشجوی سال دوم دبیرستان شروع به کار در یک فروشگاه محلی کردم. من در تیم‌های دو و می‌دانی بودم، یک دیوانه وسواسی وقتی که نوبت به دوندگی می‌رسید، و بنابراین تنها پیدا کردن شغلی که هر دو را با هم ترکیب کند منطقی به نظر می‌رسید. در مغازه، من بیشتر وقت خود را صرف کار یک به یک با مشتریان کردم تا به تناسب آن‌ها با کفش و گاهی اوقات انتخاب لباس‌های مختلف کمک کنم.

وقتی می‌گویم یک خوره وسواسی لوازم دوندگی بودم، واقعا منظورم این است. من می‌توانستم ارتفاع هر کفشی را به شما بگویم، ترکیبات شیمیایی که کف کفش را تشکیل می‌دادند، و در یک نقطه هر کد رنگی را برای مدل‌های ۵۰ + حفظ کرده بودند. من بیشتر روزها را صرف پوشیدن ۳-۲ جفت کفش مختلف در حین کار می‌کردم، «آزمایش محصول» مدل‌هایی که می‌توانستم بعدا با آن‌ها صحبت کنم.

کار کردن در یک فروشگاه دوندگی، طیف گسترده‌ای از مشتریان را به این فروشگاه آورد. تعداد زیادی از دانش آموزان دبیرستانی و دانشگاهی، افراد مسن تری که برای مدتی در حال دویدن بودند، افراد جدیدی که با اولین کفش خود تلاش می‌کردند، و بسیاری از تغییرات دیگر وجود داشت. با توجه به تنوع پایه مشتری، من درگیر تعاملات مختلفی بودم و در نتیجه، واقعا توانایی فروش کفش را تقویت کردم.

طرز فکری که من در زمان فروش کفش داشتم این بود که من هیچ وقت به طور خاص اهمیت نمی‌دادم اگر فردی کفش بخرد. حالا، این ممکن است غیر شهودی به نظر برسد، اما دلیلی برای آن وجود دارد. تمرکز من روی پیدا کردن یک محصول بود که یک تجربه مثبت بین آن‌ها و اجرا ایجاد کند. مجبور کردن کسی به خرید یک کفش به نفع آن‌ها نبود و در نتیجه به نفع من نبود.

بنابراین به جای اینکه "چگونه می توانم این کفش را بفروشم؟" سوال، این بود که "چگونه می‌توانم محصول مناسب این شخص را پیدا کنم؟" اینجاست که همه چیز جالب می‌شود.

هنگام کار با مشتری، مهم است که مخاطبین خود را بشناسید. اگر من با یک دونده با تجربه رقابتی کار می‌کردم، مکالمه بسیار متفاوت از زمانی می‌شد که من با اولین خریدار کفش کار می‌کردم. در مورد اول، ممکن است بیشتر به برخی از مشخصات فنی بپردازم، تفاوت‌های وزن، سبک‌های مواد، و چگونگی تاثیر آن‌ها بر اجرا را توضیح دهم. در حالت دوم، مکالمه معمولا کمی متفاوت پیش می‌رود. به جای توضیح تفاوت بین مش مهندسی، کف EVA و موارد مشابه، من اغلب چیزها را در سطح بالاتر توضیح می‌دهم، مقایسه کفش با بالش و فنر.

اطلاعات اساسی که منتقل می‌شد، هنوز هم یک‌سان بود، اما فرمت آن متفاوت بود. دانستن اینکه با چه کسی صحبت می‌کنید، جنبه عظیمی از فروش است و توانایی قرار دادن زبان فنی در یک مکالمه راحت، حل مشکل را آسان‌تر می‌کند.

پس هر یک از این موارد چگونه به تجزیه و تحلیل داده‌ها مربوط می‌شود؟

خوب، مشکلاتی که در تجزیه و تحلیل داده‌ها با آن‌ها مواجه می‌شویم تقریبا مانند یک فروشگاه در حال اجرا است. در داده‌ها، شما می‌توانید هر چقدر می‌خواهید فنی (یا غیر فنی) باشید، و هر چیزی را از نمودار دایره‌ای گرفته تا شبکه عصبی بسازید. با این حال، راه‌حل (ها) شما به … بستگی دارد.

  1. مخاطبین شما چه کسانی هستند؟
  2. آن‌ها واقعا به چه چیزی نیاز دارند؟

در بسیاری از موارد، اطلاعات ارائه‌شده تنها در صورتی مهم هستند که شما از مخاطبین خود خرید کنید. اگر رئیس شما از یک پس‌زمینه غیر تکنیکی می‌آید و شما اسلایدهایی ازt-test، تحلیل ANOVA، و تنظیم بیش از حد پارامترها را رها می‌کنید، آن‌ها را به سرعت از دست خواهید داد. و اگر آن‌ها داخل نشوند، کاری که شما انجام می‌دهید واقعا مهم نیست چون هرگز آن را از روی میز شما باز نمی‌کند.

خیلی شبیه به این است که من کفش می‌فروختم، حالا باید تحلیل داده‌ها را بفروشم.

در حالی که مهم است که قادر به انجام تجزیه و تحلیل داده خوب و داشتن دانش قوی از مهارت‌های فنی مورد نیاز باشیم، اما مسلما به همان اندازه (یا بیشتر) مهم است که قادر به فروش و ارتباط آن تجزیه و تحلیل باشیم. در پایان روز، اگر آن‌هایی که در اطراف شما هستند نمی‌خواهند از داده‌ها استفاده کنند، تمام تحلیل‌ها در جهان بی‌معنی است.

زمانی که با داده‌ها کار می‌کنید، به این فکر کنید که چطور آن را به کسی بفروشید. چه مزایایی دارد؟ چگونه با نیازشان هماهنگ است؟ درک آن چقدر آسان است؟

کار کردن بر روی یک مشکل در داده‌ها بسیار شبیه به فروش کفش است. شما باید پس‌زمینه مشتریان خود را درک کنید تا ببینید چگونه اطلاعات را به آن‌ها ارائه خواهید داد. شما باید بتوانید اطلاعات فنی را به چیزی قابل‌درک تبدیل کنید که منطقی به نظر برسد. گاهی اوقات این بدان معنی است که عمق آماری با نمودارهای پراکنده، نمودارهای خودهمبستگی و یک جدول از پارامترهای مدل کاهش می‌یابد. در زمان‌های دیگر به معنی یک نمودار میله‌ای است. و اگرچه ممکن است اینطور به نظر برسد که اطلاعات بیشتری را منتقل می‌کند، اما تنها در صورتی این کار را انجام می‌دهد که مخاطب شما آن را درک کند و بتواند آن را به مشکل متصل کند.

کوهی از اطلاعات بهتر از یک واقعیت نیست اگر مشتری نتواند آن را درک کند.

گرفتار شدن در جذابیت داده‌ها آسان است، با این تفکر که کیفیت تحلیلگر از عمق کار آن‌ها نشات می‌گیرد. چیزی که بسیاری از تحلیلگران (جوان) اغلب درک نمی‌کنند این است که بر خلاف مدرسه، که در آن شما اغلب برای انجام صفحات تجزیه و تحلیل نیاز دارید، جهان واقعی بر روی تاثیر تمرکز می‌کند، و تاثیر به درک گره خورده‌است.

با در نظر گرفتن این موضوع، شما چطور می‌خواهید داده‌های خود را «بفروشید»؟

این متن با استفاده از ربات مترجم مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.