عندما لا يكون السؤال: ماذا سيحدث؟ بل: ماذا ينبغي أن نفعل؟

من البيانات إلى القرار

في القطاع المصرفي، قد يبدو القرار واضحًا ومباشرًا: هل نوافق على طلب القرض أم نرفضه؟ في قطاع الخدمات اللوجستية، تظهر اسئلة مختلفة على سبيل المثال: إذا كان من المتوقع أن يرتفع الطلب في منطقة معينة، فأين ينبغي أن نضع مركباتنا؟ وهل نحتاج أصلًا إلى توسيع الأسطول؟ وفي التجارة الإلكترونية، قد يكون القرار هو ما إذا كان ينبغي خفض الأسعار، أو زيادة الإنفاق على التسويق، أو ببساطة ترك الأمور كما هي.

في إدارة المخاطر، يتجاوز التحدي مجرد قياس حجم الخطر. السؤال الحقيقي هو ما إذا كان الأمر يستحق اتخاذ إجراء من الأساس، وما إذا كانت تكلفة ذلك الإجراء أقل فعلًا من الخسارة المحتملة. وينطبق المنطق نفسه على التأمين، والبحوث السريرية، وحتى الدراسات البيئية. فإذا أُدخلت، على سبيل المثال، الإضاءة الاصطناعية إلى منطقة طبيعية، فسيتغير النظام البيئي بطريقة ما. والسؤال هو: كيف سيتغير، ومتى؟

قد تبدو هذه المجالات مختلفة تمامًا، ومع ذلك تظهر المشكلة الأساسية نفسها مرة بعد مرة. لدينا بيانات. ولدينا نماذج. وقد نتمكن حتى من إجراء تنبؤات جيدة إلى حد معقول بشأن المستقبل. لكن لا يزال هناك شيء لا تستطيع البيانات وحدها الإجابة عنه: ماذا ينبغي أن نفعل بهذه المعلومات؟

يمكن للبيانات أن تخبرنا بما حدث، ويمكن للنماذج أن تساعدنا في تقدير ما قد يحدث لاحقًا. لكن التنبؤ وحده لا يحدد القرار؛ فالقرار يتطلب أيضًا النظر في البدائل المتاحة، والنتائج المتوقعة لكل منها، والتكلفة والمخاطر المرتبطة بها.

التنبؤ ليس قرارًا

لنفترض أن مصرفاً بنى نموذجًا يتنبأ باحتمالية تعثر أحد العملاء عن السداد. هذه بلا شك معلومة مفيدة، لكنها لا تخبر البنك بما ينبغي أن يفعله بها.

ماهي احتمالية التعثر؟ هل ينبغي رفض الطلب؟ هل ينبغي الموافقة على القرض بمعدل فائدة مختلف؟ هل ينبغي عرض مبلغ أقل على العميل؟ أم ينبغي طلب ضمانات إضافية؟

قد يكون النموذج ممتازًا في التنبؤ، لكنه لا يختار بين هذه البدائل. وفي الحقيقة، هذا ليس ما صُمم من أجله النموذج أصلًا.

وينطبق الأمر نفسه على الخدمات اللوجستية. إذا أخبرنا نموذج بأن الطلب في مدينة معينة من المتوقع أن يرتفع بنسبة 15% في الشهر المقبل، فإن القرار لا يصبح واضحًا فجأة. فما زلنا بحاجة إلى معرفة عدد المركبات المطلوبة، وأين ينبغي توزيعها بالضبط، وكم سيكلف نقلها، وماذا سيحدث إذا لم يتحقق النمو المتوقع.

ويواجه التسويق تحديًا مشابهًا. فقد نلاحظ أن الإنفاق على قناة معينة يرتبط بارتفاع المبيعات، لكن هذا لا يعني بالضرورة أن زيادة الإنفاق ستؤدي إلى زيادة متناسبة في المبيعات. قد تكون العلاقة التي نلاحظها سببية، وقد لا تكون كذلك، وقد نكون قد وصلنا بالفعل إلى مرحلة من التشبع في هذه القناة، بحيث تصبح الزيادات الإضافية في الإنفاق أقل تأثيرًا. كما قد تتغير الظروف بمرور الوقت.

وهذه هي بالضبط الأسئلة التي تجعل الانتقال من تحليل البيانات إلى اتخاذ القرار أكثر تعقيدًا بكثير مما يبدو في البداية.

أثر القرار نفسه

هناك فرق مهم بين ملاحظة أن شيئين مرتبطان، وبين معرفة أن أحدهما يتسبب فعليًا في الآخر.

إذا ارتفعت المبيعات بعد حملة تسويقية، فقد تكون الحملة هي التي تسببت في الزيادة. لكن قد يكون السبب أيضًا هو الموسمية، أو تغير ظروف السوق، أو حقيقة أن الحملة استهدفت عملاء كانوا بالفعل أكثر احتمالًا لإجراء عملية شراء.

وهذا تحديدًا هو نوع المشكلة الذي يحاول الاستدلال السببي معالجته.

فبدلًا من السؤال: «ما العوامل المرتبطة بالمبيعات؟» نسأل سؤالًا أكثر دقة: كيف كانت ستبدو المبيعات لو لم يتم إطلاق الحملة أصلًا؟

وفي الرعاية الصحية، يتمثل السؤال المقابل في معرفة ما إذا كان التحسن الذي نلاحظه قد نتج فعلًا عن العلاج. وفي البحوث البيئية، قد نسأل ما إذا كان انخفاض التلوث قد نتج عن تنظيم جديد، أم أن عوامل أخرى تغيرت بالصدفة خلال الفترة نفسها.

نادراً ما تكون الإجابة مباشرة، لأننا لا نستطيع ملاحظة الواقع وبديله في الوقت نفسه. فلا يمكننا أن نرى شركة تطلق الحملة نفسها ولا تطلقها في الوقت ذاته.

يمكن للتجارب والبيانات والنماذج الإحصائية أن تساعدنا على الاقتراب من إجابة. وهذا مهم لأن العديد من القرارات تتطلب أكثر من مجرد معرفة ما يرتبط بالنتيجة. فنحن بحاجة إلى فهم ما الذي يغيرها فعليًا.

اختبار القرارات قبل اتخاذها

بعض القرارات مكلفة أو محفوفة بالمخاطر إلى درجة تجعل اختبارها مباشرة في العالم الحقيقي أمرًا صعبًا.

تخيل شركة لوجستية تدرس افتتاح مركز توزيع جديد. بدلًا من الالتزام بالاستثمار مباشرة، يمكنها بناء نموذج لعملياتها واختبار سيناريوهات مختلفة: تغيير مواقع المستودعات، وزيادة عدد المركبات، والتعامل مع ارتفاع مفاجئ في الطلب، أو أخذ تأخيرات الموردين في الحسبان.

وبعد ذلك يمكن للشركة أن تلاحظ ما قد يحدث قبل إجراء أي تغييرات فعلية في العالم الحقيقي.

وهذه هي الفكرة الأساسية وراء المحاكاة والتوائم الرقمية.

ولا يتعين بالضرورة أن يكون التوأم الرقمي نسخة ثلاثية الأبعاد لمصنع أو مدينة. بل هو، في جوهره، تمثيل لنظام يسمح لنا باختبار التغييرات قبل تنفيذها في الواقع.

قد تستخدمه شركة تصنيع لفهم ما يحدث عندما يرتفع الإنتاج. وقد تستكشف شركة طاقة تأثير انخفاض الكفاءة في أحد أصولها. ويمكن لمدينة اختبار التغييرات على شبكة الطرق قبل بدء أعمال الإنشاء.

وفي البحوث البيئية، يمكن أيضًا استخدام هذه النماذج لدراسة سيناريوهات نفضل عدم اختبارها مباشرة، مثل زيادة التلوث الضوئي أو تغيير الظروف البيئية على مدى عدة سنوات.

لم يعد النموذج يصف الواقع ببساطة. بل يصبح مساحة يمكن فيها استكشاف القرارات قبل أن نلتزم بها.

المستقبل ليس رقمًا واحدًا

تعطينا العديد من النماذج رقمًا واحدًا: مبيعات متوقعة بقيمة عشرة ملايين، أو عدد الطلبات المتوقعة يبلغ عشرين ألف طلب، أو احتمال تعثر بنسبة 8%.

هذه الأرقام مفيدة، لكنها قد تمنحنا أحيانًا شعورًا بالتأكد أكبر مما نمتلكه بالفعل.

فالمستقبل نادرًا ما يأتي في صورة رقم واحد. وقد يكون الطلب أعلى أو أقل من المتوقع. وقد يختلف أثر القرار عما توقعناه. وحتى الظروف التي بُني عليها النموذج قد تتغير بالكامل.

وهنا تصبح النمذجة الاحتمالية مفيدة بشكل خاص لأنواع معينة من القرارات.

فبدلًا من التعامل مع النتيجة على أنها مؤكدة، نحاول فهم النطاق الكامل للنتائج الممكنة. ماذا يمكن أن يحدث؟ ما مدى احتمالية كل نتيجة؟ وما المخاطر التي نتحملها إذا كنا مخطئين؟

وتكتسب هذه الطريقة في التفكير أهمية خاصة في التأمين، وإدارة المخاطر، والخدمات المصرفية، والرعاية الصحية، وأي مجال آخر يمكن أن تكون فيه تكلفة اتخاذ القرار الخاطئ مرتفعة.

من أين ينبغي أن نبدأ فعلًا؟

لدينا اليوم وفرة من الأدوات: التعلم الآلي، والذكاء الاصطناعي، والنماذج الاحتمالية، والمحاكاة، والتوائم الرقمية، والتحليل السببي، والتحسين.

وتجعل هذه الوفرة من السهل جدًا أن نبدأ بالتقنية نفسها.

هل ينبغي أن نستخدم الذكاء الاصطناعي؟ هل نحتاج إلى نموذج للتعلم الآلي؟ هل ينبغي أن نبني توأمًا رقميًا؟

لكن ربما تكون نقطة البداية الأفضل أبسط بكثير: ما القرار الذي نحاول اتخاذه فعلًا؟

فقط بعد الإجابة عن هذا السؤال تبدأ الأسئلة الأخرى في أخذ ترتيبها الصحيح.

ما المعلومات التي نحتاج إليها؟

ما الذي لا نعرفه؟

ما البدائل المتاحة؟

وما تكلفة أن نكون مخطئين؟

الهدف ليس استخدام أكثر التقنيات تطورًا المتاحة. وليس كذلك بناء أكثر النماذج تعقيدًا الممكنة.

المهم هو ما إذا كان التحليل يساعدنا فعلًا في الإجابة عن السؤال الذي يهمنا.

لأن المشكلة في كثير من الحالات ليست نقص البيانات. وليست أيضًا ضعف النماذج.

المشكلة هي أن القرار أكبر من النموذج نفسه.

وربما هنا تحديدًا تبدأ البيانات والإحصاء والذكاء الاصطناعي في الالتقاء بأكثر أشكالها فائدة: ليس فقط لفهم ما حدث أو التنبؤ بما سيحدث، بل لفهم الخيارات المتاحة أمامنا قبل أن نقرر ماذا نفعل.