با داده‌های موجود در شبکه‌های اجتماعی چه کاری می‌توان کرد؟
گپی با سینا شفیع‌زاده دربارۀ داده‌ها
شما می‌تونید این قسمت را در آدرس‌های زیر بشنوید یا در ادامه به متن اون دسترسی داشته باشید:
شبکه‌های اجتماعی مجازی، نسل جدیدی از فضای روابط اجتماعی هستند. با آنکه این شبکه‌ها عمر خیلی زیادی ندارند، توانسته‌اند به‌خوبی در زندگی مردم جا باز کنند. شبکه‌های اجتماعی نقش پررنگی در دنیای امروز دارند و نمی‌توان آن‌ها را نادیده گرفت.
ازآنجا‌که روزانه داده‌های زیادی در شبکه‌های اجتماعی مختلف منتشر و منتقل می‌شود، تصمیم گرفتیم بررسی کنیم که چطور می‌توانیم از داده‌های داخل شبکه‌های اجتماعی استفاده کنیم؟ اصلاً چه استفاده‌ای می‌شود کرد؟ با چه رویکردی می‌توان به آن‌ها پرداخت؟
پیرو همین موضوع با سینا شفیع‌زاده گپ زدیم.
سینا خودت رو معرفی می‌کنی؟
من سینا شفیع‌زاده هستم. نزدیک به سه‌چهار سال توی ایران کار تحقیقات بازار می‌کردم و موفق شدم بیش از ۱۵۰ پروژۀ کمّی و کیفی رو به مشتری‌های مختلف دلیور بکنم. بعد از اون هم که فعالیت نظربازار در ایران متوقف شد، یک کارآفرینی جدید اتفاق افتاد و من با تیم همراه نشدم و تصمیم گرفتم برای دکترا اقدام بکنم. در مسیر رسیدن به دکترا و شروع‌شدن این مقطع، تصمیم گرفتم کنار همون کار داده که دوست داشتم، قصه رو هم قاطی کردم و یک پادکست دادیم و الان هم کار Data Storytelling [روایتگریِ داده‌ها] رو انجام می‌دم.
(شاید مطالعۀ مطلب داستان‌سرایی در شبکه‌های اجتماعی هم در همین راستا مفید واقع بشه.)
از دیتاهایی که در طول روز در اختیارمون قرار می‌گیره چه استفاده‌هایی می‌شه کرد؟
ببین، بیا نگاهمون به شبکه‌های اجتماعی به‌عنوان یک ابزار باشه؛ یعنی دو تا مسیر کلی وجود داره: یک موقع موضوع پژوهش شما، پژوهش درمورد شبکۀ اجتماعیه، می‌خوای ببینی که آدم‌هایی که مثلاً توی اینستاگرام هستن، نظرشون درمورد فلان موضوع چیه؛ یعنی بستر پژوهش تو همون شبکۀ اجتماعیِ توییتر، اینستاگرام یا هر جای دیگه هست.
یک موقع نه، موضوع پژوهش تو اینستاگرام نیست. موضوع پژوهش تو توییتر نیست، بلکه موضوع پژوهش تو چیز دیگه‌ای هست، و می‌خوای از اینستاگرام یا توییتر استفاده بکنی برای اینکه دیتا جمع بکنی. این دو تا مسیر کاملاً متفاوت هستن. نیازهاشون متفاوته، دغدغه‌شون هم متفاوته.
اما این توضیح رو برای چی دادم؟ برای اینکه این چیزی که به‌عنوان شبکۀ اجتماعی می‌شناسیم، حالا من اولش گفتم که فرض کن ابزاره، اما کاملاً به‌صورت‌مسئلۀ پژوهش ما برمی‌گرده: ما می‌خوایم درمورد توییتر تحقیق بکنیم، یا از توییتر استفاده بکنیم برای تحقیقمون تا دیتا جمع بکنیم؟ این دو تا مسیر کلّی هست که می‌تونی از شبکه‌های اجتماعی برای پژوهش استفاده بکنی. هم برای Data Gathering [جمع‌آوری داده] و هم به‌عنوان طراحیِ پژوهش خودت یا همون Research Design.
گفتی می‌تونیم از شبکه‌های اجتماعی به‌عنوان ابزار برای جمع‌آوری دیتا استفاده کنیم. چه دیتاهایی رو می‌شه از شبکه‌های اجتماعی استخراج کرد؟
اول من یک نکته بگم. من الزاماً نمی‌گم که شبکۀ اجتماعی رو فقط ابزار ببینیم. شبکۀ اجتماعی رو یا به‌عنوان ابزار می‌تونیم ببینیم، یا به‌عنوان بستر پژوهش. این رو گفتم که قبلش بدونیم.
ببین بیا پژوهش رو به سه دسته تقسیم کنیم. این سه دسته پژوهش چی هستند؟
- یک موقع شما می‌خوای یک کار کیفی بکنی توی شبکۀ اجتماعیِ توییتر. من مثال‌ها رو با توییتر می‌زنم. هیچ دلیل خاصی هم نداره. ولی برای اینکه ذهنیت داشته باشین و واقعی باشه، با توییتر پیش می‌رم. مثلاً منِ نمایندۀ اسنپ می‌خوام ببینم، عواملی که آدم‌ها از اسنپ راضی هستن و به جایی می‌رسن که میان راجع بهش توییت می‌زنن چیه. چه فاکتورهایی رو دارن بهش اشاره می‌کنن. این صورت‌مسئله، یک صورت‌مسئلۀ کیفی هست. شما می‌خواید مقوله‌های مختلفی رو که تأثیرگذار باشه و مخاطب یا مشتری‌تون رو به جایی می‌رسونه که توییت بزنه، پیدا کنید.برای این مسئله چی کار می‌کنیم؟مثلاً میاید توی توییتر، براساس هشتگ سرچ می‌کنید. برای مثال، هشتگ #اسنپ رو سرچ می‌کنید. کلیدواژه‌های مرتبط به صنعت‌تون رو سرچ می‌کنید. اکانت‌های مختلف رو می‌خونید. منشن‌هایی رو که به اون توییت راجع به اسنپ داده شده می‌خونید. کاملاً از روش‌های کافی استفاده می‌کنید که اون دانش و اطلاعاتی رو که می‌خواید، دربیارید. پس ابزار شبکۀ اجتماعی می‌تونه وسیله‌ای باشه برای جمع‌آوری دیتای کیفی.
- حالا فرض کن من به‌عنوان متخصص بازاریابی توی اسنپ، بعد از این پژوهش سؤالم این می‌شه که من الان پنج تا مقوله دارم که آدم‌ها به نفع اسنپ و در تأیید اسنپ توییت می‌کنن. کدوم عامل بیشتر از بقیه است؟ نسبت کدوم فاکتور بیشتر مورد توجه آدم‌هاست؟ اون وقت این مسئله دیگه داره یک مسئلۀ کمّی می‌شه. توی ساحت پژوهش‌های کمّی (Cognitative) داره تعریف می‌شه. اون موقع ممکنه بگم که من می‌رم و همۀ توییت‌هایی رو که در یک ماه اخیر این کلیدواژه توش هست، Crawl می‌کنم و یک پژوهش متن‌کاوی روشون انجام می‌دم، دیتا رو تمیز می‌کنم و به این نتیجه می‌رسم که در یک ماه اخیر، درصد آدم‌هایی که به قیمت اشارۀ مثبت کردن، فلان‌قدر درصد بالاتر از آدم‌هایی بوده که به رفتار راننده اشاره کردن.
- مورد سوم رو که می‌تونیم به شبکۀ اجتماعی به‌عنوان ابزار نگاه کنیم، بحثی هست که اصطلاحاً بهش می‌گن Netnography (نتنوگرافی). در این مورد چی کار می‌کنن؟در این مورد، شما میای تحلیل شبکۀ اجتماعی انجام می‌دی. مثلاً شما یک برند سفر و گردشگری هستی. می‌خوای Network (شبکۀ) آدم‌ها رو تحلیل کنی؛ آدم‌هایی که توی شبکۀ اجتماعی توییتر و توییتر فارسی تأثیرگذار هستن، سرنمون‌ها و Prototype (نمونه) های اولیۀ نماینده‌های فعال محیط‌زیست هستن، تارگت بکنی و با اون‌ها یک کمپینی رو اجرا کنی.خب اینجا چی نیاز داری؟ اینجا دیگه نه اون حالت کمّی هست و نه حالت کیفی. این یک مسئلۀ جدیده، مسئلۀ پژوهش اینه که بتونی با تخصص‌هایی که وجود داره و مهارت‌هایی که نیاز داره، Graph [نمودار] ارتباط این آدم‌ها رو به دست بیاری که کدوم آدم با کدوم آدم‌ها بیشتر در ارتباطه و تأثیرگذاری‌شون بیشتره. این می‌شه پژوهشی که توی دیتاهایی که می‌خوای به دست بیاری استفاده می‌شه؛ برای SNA یا همون Social Network Analyze [تحلیل شبکۀ اجتماعی] که می‌خوای انجام بدی.البته دسته‌بندی‌های مختلفی وجود داره و اختلاف‌نظرهایی هست. ولی این سه دسته‌ای که گفتم، کیفی و کمّی و SNA هستن که ما می‌تونیم توی نوع دیتا و نوع پژوهشمون برای نزدیک‌شدن به شبکه‌های اجتماعی، به‌عنوان یک ابزار ازشون استفاده کنیم.
به شکل گذرا می‌تونی اشاره بکنی که اگه یک نفر خواست به‌صورت کیفی داده‌ها رو جمع‌آوری کنه، به چه شکلی باید این کار رو بکنه؟
ببین نیما، خیلی موضوع گسترده‌ایه. ولی اگه بخوام یک سرنخ بدم که آدم‌ها گوش‌شون آشنا باشه و اگه خواستن برن جلو و یک مقدار عمیق بشن توی این عنوان، می‌تونم دو تا کتاب معرفی بکنم: کتاب اولی که معرفی می‌کنم به اندازۀ کافی آشناست و فکر کنم خودت هم خلاصه‌اش رو توی همین پادکست نیماتودی گفتی. کتاب تست مامان.
ببین، کتاب تست مامان، کتابیه که داره درواقع اصول پژوهش کیفی رو با قصه روایت میکنه. اگه بخوایم بدونیم پژوهش کیفی اصولش چیه و چه شکلیه، خب خیلی منابع وجود دارن. منابع دانشگاهی هست که تو می‌تونی ساختاریافته یادش بگیری. ولی قصه‌داشتن، ارتباط‌گرفتن باهاش رو ساده‌تر میکنه. یک کسی مثل من کارش اینه، و مبحث چه شیرین و جذاب باشه و چه نباشه، باید بره و یادش بگیره. ولی خیلی افراد دیگه می‌خوان به‌عنوان یک ابزار کنار کارشون یاد بگیرن. برای همین به نظرم کتاب تست مامان به‌عنوان یک ابزار یا یک سرنخ برای شناخت پژوهش کیفی، شروع خوبیه. بعد از اون، اگر کسی خواست عمیق‌تر بشه، کتابی هست با عنوان نظریۀ زمینه‌ای.
البته اگه همین الان این کتاب رو گوگل کنی و تعریفش رو ببینی، نوشته که یک ابزار کیفی نیست. اینجا خیلی اختلاف‌نظر وجود داره؛ ولی یکی از جاهایی که خیلی مورد استفاده قرار می‌گیره، توی پژوهش‌های کیفی هست. این کتاب هم به‌عنوان یک منبع دانشگاهیه. یعنی توش قصه نیست و گفته نشده. پس به این راحتی شخص نمی‌تونه بخونه. این کتاب برای کسایی هست که بیشتر سرشون درد میکنه برای مبحث پژوهش کیفی. می‌تونیم بگیم که با استفاده از این کتاب، آدم‌ها می‌تونن برای پژوهش‌هایی که Qualitative Research هستن، یک سرنخی بگیرن و با اون جلو برن.
حالا یک سؤالی دارم. اگه بریم توی اون قسمت کیفی و ببینیم که آدم‌ها خودگزارشی کردن یا رفتاری رو از خودشون نشون دادن، می‌تونی راجع به این رفتارها یک مقدار توضیح بدی؟ آیا برتری‌ای نسبت به همدیگه دارن یا باز بستگی داره به مدلی که می‌خوایم تحلیل بکنیم؟
ببین قطعاً همۀ این فاکتورها روی همدیگه و با همدیگه تأثیرگذار هستن. ولی اگه بخوام یک تفاوت عمده بگم که به‌عنوان پیش‌فرض توی ذهنمون باشه، اینه که من الان نشستم و با تو یک مصاحبۀ عمیق رو انجام می‌دم و تبلیغ یک محصول جدید، مثلاً ماست با یک طعم جدید. فرض کن من شرکت کاله‌ام. نشستم با شما یک Deep Interview انجام می‌دم. احتمالاً یک مشوقی به شما دادم، شما اومدی با من مصاحبه کردی و گپ می‌زنیم. این می‌شه یک نوع دیتا.
یک موقعی من میام و توی اینستاگرام کسایی رو که اهل آشپزی هستن می‌بینم، خلاقیتی که می‌خوان به خرج بدن، ماست رو با چی قاطی می‌کنن و… . مثلاً فرض کن ۱۰هزار تا پست رو مطالعه می‌کنم.
تفاوت این دو تا رو می‌بینی چیه؟ در مورد اول شما طرف رو دعوت کردی، بهش مشوق دادی، از عمد جلوش نشستی و درمورد محصولت داری صحبت می‌کنی.
اما در حالت دوم، شخص اصلاً نمی‌دونه که تو می‌خوای محصولی رو تولید بکنی. اون فقط اومده به شکل خودگزارشی، پستی رو توی شبکۀ اجتماعی‌اش گذاشته. شما به محتوا و داده‌های کیفی که از قبل برای جمع‌آوریشون برنامه‌ریزی نشده و آدم‌ها خودگزارشی‌کردن دسترسی پیدا می‌کنی. این یک کیفیت دیگه‌ای داره. نمی‌خوام بگم این بهتره یا اون بدتره. ولی می‌خوام بگم که جنس‌شون با همدیگه فرق میکنه. مشکلش چیه؟ مشکلش اینجاست که جواب سؤالت رو ممکنه هیچ‌وقت نتونی راحت پیدا بکنی. آدم‌ها که توی خودگزارشی‌شون همۀ جواب‌های ما رو نمی‌دن. پس مجبور می‌شی Deep Interview انجام بدی. مجبور می‌شی چهارپنج نفر جمع کنی و Dynamic (اینجا منظور کلیت است) حرف‌های این آدم‌ها رو جمع‌آوری کنی و ببینی چی هست و هدایت بکنی.
ولی از اون طرف، وقتی نزدیک می‌شی به شبکه‌های اجتماعی برای جمع‌آوری داده‌های کیفی، که این داده‌ها با خودگزارشی توی شبکه‌های اجتماعی تولید و توزیع شدن، اون یک کیفیت دیگه‌ای داره.
حالا اگه بخوایم قسمت کمّی جمع‌آوری داده‌ها رو پیش ببریم، از اون‌ها چی می‌تونیم متوجه بشیم؟ مثلاً به‌صورت کمّی چطوری می‌تونیم قدم برداریم؟
مرسی. سؤال خوبی بود. ببین دقیقاً همین قصه‌ای که درمورد پژوهش کیفی گفتم، توی کمی هم هست. شما همون توییت‌هایی که Crawl می‌کنی، که چند نفر توییت درمورد فلان موضوع زدن، می‌تونید Approach محاسباتی و عددی بهش بکنید. اون‌وقت صورت‌مسئله‌تون می‌شه کمی. مثلاً یک مدل دیگه‌اش رو شما می‌تونید پرسش‌نامه طراحی کنید، از بستر توییتر استفاده کنید و اون لینک پرسش‌نامه رو بذارین اونجا تا آدم‌ها بیان پرسش‌نامه‌تون رو پاسخ بدن و یک منبعی می‌شه برای جمع‌آوری دیتای کمّی.
حالا اینجا موضوعی که وجود داره اینه که باید بدونیم آدم‌هایی که مثلاً توی اینستاگرام هستن، الزاماً نمونۀ معرف کل جامعۀ ما نیستن. یا آدم‌هایی که توی توییتر هستن، نمونۀ معرف کل جامعۀ آنلاین ما نیستن. آدم‌هایی هستن با ویژگی‌های خودشون، که حالا می‌تونیم اون‌ها رو در ادامۀ صحبتمون بهش بپردازیم.
پس به‌صورت کلی یا می‌تونیم اون داده‌ها رو عددی بکنیم، یا می‌تونیم اون‌ها رو ابزاری ببینیم برای توزیع پرسش‌نامه‌مون. حالا این داده‌های عددی بعضی‌هاش می‌شه همون Dashboard توییتری که توییت‌ها رو بهمون نشون می‌ده و اشاره کردیم. یک‌سری‌هاش رو خودش اومده و می‌گه این‌قدر کلیک شده یا این‌قدر باز شده. اون‌ها داده‌های عددی ما هست. حالا می‌تونیم توی یک بازۀ زمانی سه‌ماهه خروجی بگیریم و یک تحلیل Time Series روی اون انجام بدیم. این می‌شه نگاه کمّی به دیتاهایی که روی شبکه‌های اجتماعی وجود داره.
حالا فرض کنیم این داده‌ها رو گرفتیم. با اون جامعۀ مخاطبانی که ما داریم، یا اصلاً با جامعۀ آفلاین یا آنلاینی که توی فضای ایران داریم، این داده‌ها چقدر قابل تعمیم هست؟
مرسی، سؤال چالشی‌ای هست و دغدغۀ خیلی از افراده و فکر می‌کنم این تیکه به درد خیلی‌ها بخوره.
بذار قبلش من یک قدم برم عقب و توضیحی راجع به تفاوت پژوهش کمی و کیفی بدم. تفاوت زیاد دارن، اما من می‌خوام یکی از اصلی‌ترین‌هاش رو بگم. اونم رسالت این دو نوع پژوهش هست. رسالت این دو پژوهش خیلی با هم متفاوته.
پژوهش کیفی به دنبال اشباع نظریه است. به دنبال این هست که تمام فاکتورهایی که ممکنه آدم‌ها درمورد اسنپ توی توییتر خوب بگن، پیدا بکنه. دنبال این نیست که چند نفر این رو گفتن یا چند نفر اون رو گفتن. اصلاً با عدد و رقم کاری نداره. رسالت کمی اینه که عددها رو دربیاره. ضرب‌المثلی داریم که می‌گه «مشت نمونۀ خرواره.» رسالت این پژوهش با این ضرب‌المثل مشخص می‌شه. پژوهش کمی می‌خواد ببینه چقدر این داده‌های ما قابل تعمیم هست. پس اگه ما پژوهشمون کیفی هست، اصلاً نباید به این فکر کنیم که من می‌تونم این داده‌ها رو تعمیم بدم یا نه. اصلاً قرار نیست تعمیم بدیم. موضوع سؤالم این نیست.
حالا یک قدم میایم جلو تا به سؤال تو برسیم. من می‌گم یک دیتا رو جمع کردم. می‌تونم تعمیمش بدم؟ چقدر می‌تونم تعمیمش بدم؟ کجا می‌تونم تعمیمش بدم؟ الان نمی‌خوام بحث تکنیکالِ آماری کنم. فقط می‌خوام یک پاسخ خیلی کلی بگم.
ببین، یک موقعی در این پژوهش، می‌گی من می‌خوام یک کمپین توییتری برم، می‌خوام Awareness از برندم توی توییتر بره بالا. با روش‌های درست آماری، به تعداد مناسب، از توییتر دیتا جمع می‌کنم. نتیجه‌ای به دست میاد که مثلاً از کمپینی که رفتم، ۱۴درصد آگاهی از برند من رفت بالا. آیا من می‌تونم این رو تعمیم بدم به جامعۀ توییتر فارسی؟ بله. با یک احتمال خیلی خوبی می‌تونی تعمیم بدی. جامعۀ ما توییتر فارسی بوده، نمونه‌گیری درست من به تعداد کافی از جامعۀ توییتر فارسی بوده، گرفتم و تحلیل کردم و درنتیجه به این جامعه می‌تونم تعمیم بدم.
سؤال بعدی پیش میاد. آیا من می‌تونم این رو به کل جامعۀ آفلاین تعمیم بدم؟ نه الزاماً. چرا؟ به خاطر اینکه اگه دوتا نمودار Venn در نظر بگیریم، قطعاً جامعه‌های توییتر فارسی یا اینستاگرام هم بخشی از جامعۀ ایران هستن. حالا داخل ایران یا خارج از ایران زندگی می‌کنن، ولی همه‌شون نیستن. اگه تمام ۸۰میلیون نفر عضو توییتر بودن و به همه‌شون دسترسی داشتیم، می‌تونستیم به کل جامعه تعمیم بدیم. ولی حالا نمی‌تونیم. منتها این‌جوری هم نیست که فکر کنی توییتر‌ی‌ها یا اینستاگرامی‌ها یک‌سری آدم هستن توی یک کرۀ دیگه، و آدم‌های جامعۀ آفلاین وقتی راجع به چیپس و پفک تحقیق کنیم یک افراد دیگه‌ای هستن. این‌جوری هم نیست. این‌ها با هم همپوشانی دارن.
پس چی کار می‌کنیم؟ مثلاً نمونه‌ای که گوگل انجام می‌ده، اینه که میاد یک دیتا رو آنلاین جمع میکنه. حالا توی ایران اگه داده جمع بکنی، به احتمال زیاد ۷۰درصد دادههات آقا می‌شن و ۳۰درصد خانم. ترافیک آنلاین ما، حداقل تا آخرین بارهایی که توی بیزنس‌های مختلف و با بیزنس‌‌مدل‌های مختلف امتحان کردم، تقریباً این‌طور بوده که ۷۰درصد آقا هستن.
ترافیک پادکست ما هم تقریباً به همین شکله.
آره. جالبه که سایت‌هایی رو که مخاطبش بانوان بودن هم مطالعه کردیم و به همین شکل بوده: ۷۰درصد آقایون بودن. حالا شما این داده رو گرفتی، پس موضوع پژوهشت توییتر نیست، اگه توییتر باشه که دغدغه نیست. موضوع جایی می‌شه که می‌خوای درمورد برند شامپو تحقیق کنی، داده‌ات رو می‌خوای تعمیم بدی به جامعۀ آفلاین. خب توی جامعۀ آفلاین ۵۰درصد آقا هستن و ۵۰درصد خانم. اصطلاحاً بهش می‌گن نرمال‌سازی. تو میای از اون جامعۀ ۷۰درصدی با روش‌های آماری یک تعدادیش رو می‌ذاری کنار تا بالانس جنسیت انجام بشه. تعداد داده‌های آقا و خانمت برابر بشه.
یک تفاوت عمدۀ دیگه، بازۀ سنی هست. مثلاً اگه دادههات رو از فضای آنلاین جمع کنی، معمولاً میانگین سنی یک مقدار جوون‌تر از چیزی هست که مرکز آمار منتشر میکنه. باز به همین روش میای داده‌ها رو نرمال می‌کنی که توزیع سنی و جنسیت مشابه بشه با جامعۀ آفلاینت. حالا گوگل می‌گه اگه این دوتا فاکتورت رو نرمال بکنی، دادۀ آنلاینی که جمع‌آوری کردی، به نسبت خوبی به جامعۀ آفلاینت قابل تعمیم می‌شه.
نکته‌ای وجود داره: ما نه ضریب نفوذ آمریکا رو داریم، نه سواد رسانه‌ای مثل اون‌ها داریم؛ پس محدودیت وجود داره. ما میایم می‌گیم اوکی، این نرمال‌سازی رو انجام می‌دیم، با پذیرش این قضیه که این تعمیم رو بپذیریم. اما من می‌گم بیایم چندتا داده جمع بکنیم. اگه می‌تونیم یک دادۀ آفلاین هم جمع بکنیم. اگه می‌تونیم براساس صورت‌مسئلۀ پژوهشمون بریم یک داده‌ای از Database فراخوانی کنیم و بذاریم کنار قضیه.
یک نکتۀ دیگه‌ای که وجود داره اینه که می‌تونیم این استانداردی رو که گوگل می‌گه، سخت‌گیرانه‌تر هم بکنیم. مثلاً بالانس کلان‌شهر و غیرکلان‌شهر رو هم در اون لحاظ کنیم. نصف داده خانم است و نصف داده آقا، هرم سنی هم که اوکی شده، بعد بگیم که خب، براساس مرکز آمار سال ۸۵، ۴۵درصد جمعیت ایران توی کلان‌شهرها زندگی می‌کنن و ۵۵درصد توی بقیۀ شهرها هستن. من بیام داده‌هام رو نرمال بکنم که ۴۵درصدش بره توی کلان‌شهر و ۵۵درصدش هم بره توی شهرهای دیگه. کم‌کم سخت‌گیری رو بیشتر کنم.
نکته چیه؟ نکته اینجاست که کاملاً بستگی به بودجۀ شما داره و اینکه چقدر می‌خوای پول خرج کنی. می‌تونی حتی توی یک پژوهشی که می‌خوای انجام بدی، بشینی ۸۰میلیون ایرانی رو فهرست کنی، بری شهر به شهر و استان به استان نمونه‌گیری کنی. ولی خب هزینه‌اش خیلی می‌ره بالا. بعد بعضی‌ها چون این خطا وجود داره، می‌گن نه کلاً جامعۀ آنلاین رو Highjack کنیم و بندازیم دور. این‌جوری نیست. این تفکر، تفکر کوته‌بینانه‌ای هست. ما باید به داده، نگاه احتمالاتی داشته باشیم. اینکه بخوایم کلاً دادۀ آنلاین رو هایجک کنیم، درست نیست. مخصوصاً که الان با توجه به شرایط کرونایی که پیش اومد، ضریب نفوذ اینترنت گسترده شده. چیزی که فکر می‌کردم توی چند سال بهش برسیم، شاید توی چند ماه بهش رسیدیم. پس نمی‌شه به این راحتی گذاشت کنار. کمااینکه نمونه‌های بسیاری از پژوهش‌های تحقیقات بازاری در دنیا، دیگه داره آنلاین جمع‌آوری می‌شه و نرمال‌سازی می‌شه و دارن دائماً روش کار می‌کنن تا به بهینه‌ترین روش برسن.
پس ما چی کار کنیم؟ ما دادۀ آنلاینی رو جمع می‌کنیم که به‌هر‌حال می‌دونیم خطایی توش وجود داره. ممکنه شبیه ما نباشه. به‌هر‌حال هر داده‌ای توی دنیا سوگیری داره. تو نمی‌تونی بدون سوگیری‌اش بکنی. یک‌سری پژوهش‌ها اصلاً نباید به‌صورت آنلاین انجام بشن. شما فرض کن که من تجربۀ خودم رو توی نظربازار می‌گم، ما اونجا مشوق کارت شارژ می‌دادیم، و بخش عمده‌ای از آدم‌هایی که اومده بودن، ۵۰درصد ایرانسلی شده بودن. من هیچ‌وقت نمیام Market Share اپراتورها رو از Userهای خودم بپرسم. به خاطر اینکه یک سوگیری سنگین داره. من می‌دونم که جامعه این شکلی نیست. یک همچین پژوهش‌هایی رو اصلاً نباید آنلاین انجام داد. ولی مثلاً پژوهشی مثل شامپو، چیپس یا روغن مایع، به اسم اینکه این محصول، محصول تکنولوژیک نیست، پس دادۀ آنلاین نباید جمع کنیم، این تفکر اشتباهیه.
اما توصیۀ آخرم: افرادی که سربازی رفتن، می‌دونن موقعی که شما رو می‌برن میدون تیر، اولش سه تا تیر اصطلاحاً «قلق» به شما می‌دن. سه تا تیر رو می‌زنی به سیبل، و خب مسلماً نمی‌تونی همه رو بزنی توی نقطۀ مرکز دیگه. این سه تا یک مثلث رو تشکیل می‌دن. بعد می‌گن دقت اسلحۀ تو می‌شه اون وسط این مثلثه.
من می‌گم با دیتا هم همین کار رو بکنیم. یک دادۀ آفلاینی جمع بکنیم، یک دادۀ آنلاینی می‌گیریم، خروجی از دیتابیس می‌گیریم، همه رو می‌ذاریم کنار همدیگه و برآیند همۀ این‌ها به هم، به ما نشون می‌ده که احتمالاً این اتفاق با احتمال بالاتری داره میفته یا نمیفته. من فکر می‌کنم اگه این‌جوری به داده نگاه کنیم، خیلی بهتر از اینه که یهو بگیم این نه یا این آره.
اسپانسر: باهمتا
فرقی نمی‌کند چه محصولی برای فروش دارید، در‌هر‌صورت احتمالاً با چالش اینکه چطور محصولاتتان را به آدم‌ها نشان بدهید و به قولی، آن محصول را برایشان به نمایش بگذارید، رو‌به‌رو شده‌اید. بعد از اینکه مشتری محصول شما را دید و خوشش آمد، می‌رسیم به چالش پرداخت و امنیت پرداخت و… .
برای اینکه دیگر دغدغۀ این چیزها را نداشته باشید، باهمتا که خودش سرویس پرداخت و دریافت پول است، سرویسی با عنوان «دستیار فروش آنلاین» دارد که به کمک آن می‌توانید برای محصولات خود عکس و توضیحات بنویسید و به‌صورت تکی یا گروهی، لینک محصولتان را برای جامعۀ هدفتان بفرستید و کلی امکانات متنوع دیگر.
برای ۱۴ روز استفادۀ رایگان و بدون کارمزدِ این سرویس می‌توانید به باهمتا بروید و آنجا از خدمات دستیار فروش استفاده کنید.
