Exploratory data analysis for Soccerطی چند هفته‌ی گذشته، داشتیم روی مثال مطالعه‌ی موردی تحلیل‌های بازاریابی (بخش‌ ۱ و بخش‌ ۲ از سری مقالات تحلیل بازاریابیِ خرده‌فروشی‌ دایکه را مطالعه کنید) کار می‌کردیم. در بخش پایانی (بخش ۲)، چندین هدف تحلیلی پیشرفته را برمبنای مشکل کسب‌وکار موجود در شرکت آنلاین خرده‌فروشی‌ای به‌نام شرکت درس‌اسمارت[1] تعریف کردیم. در این بخش، تعدادی از تحلیل‌های کاوشگرانه‌ی داده‌ها را به‌عنوان بخشی از مثال موردی مشابه اجرا می‌کنیم. اما پیش از اجرای این تحلیل‌ها اجازه دهید قدرت تحلیل کاوشگرانه‌ی داده‌ها ( [2] EDA) را به‌منظور افشای حقایق پنهان مربوط به مهم‌ترین بازی دنیا، یعنی فوتبال بررسی کنیم.

فوتبال – تحلیل کاوشگرانه‌ی داده‌ها

فوتبال بی‌شک محبوب‌ترین بازی دنیا است و بیش از ۲۰۰ کشور تیم فوتبال رسمی خودشان را دارند. هیچ بازی دیگری از چنین جذابیت جهانی و میلیون‌ها طرفدار پروپاقرص برخوردار نیست. تمامی جزئیات فوتبال توسط بازیکنان، مربیان و کادر پشتیبانی تحلیل می‌شوند. با این‌وجود، همان‌طور که در دو مثال مطالعه‌ی موردی بعدی خواهید دید، تحلیل کاوشگرانه‌ی دقیق داده‌های بازی می‌تواند رمز و رازهای بُرد مسابقه را راجع به مهمترین بازی جهان افشا کند.

ضربات پنالتی

بیایید اولین مسابقه‌ی حذفی (پیش از مرحله‌ی نهایی) جام جهانی فوتبال ۲۰۱۴ بین برزیل و شیلی را مرور کنیم. نتیجه‌ی ‌این مسابقه در پایان ۹۰ دقیقه ۱-۱ بود. حتی یک ساعت وقت اضافی هم نتوانست نتیجه را عوض کند. همین باعث شد بازی به ضربات پنالتی کشیده شود تا این تساوی بالاخره بشکند. پس از این‌که بازیکن برزیلی، نیمار[3]، پنالتی یکی مانده به آخر را گل کرد، برزیل ۳-۲ در ضربات پنالتی جلو افتاد. شیلی هنوز یک ضربه‌ی پنالتی داشت که گونزالو جارا[4] زننده‌ی آن بود؛ پس شیلی فرصت داشت نتیجه‌ی تساوی را همچنان پیش ببرد. اما اگر این ضربه گل نمی‌شد، شیلی از مسابقه حذف می‌شد. پس گونزالو جارا چه باید می‌کرد تا تساوی همچنان پابرجا می‌ماند؟

در این سطح، به‌طور متوسط حدود ۷۵ درصد از ضربات پنالتی گل می‌شوند. با این حساب، احتمالات شدیداً به نفع گونزالو جارا هستند. گونزالو جارا توپ را کجای دروازه باید شوت کند تا احتمالات را بهبود بخشد؟ همه‌ی طرفداران، مربیان و بازیکنان می‌گویند توپ را به سمت یکی از گوشه‌های دروازه، دور از دسترس دروازه‌بانی که در وسط دروازه ایستاده است شوت کن. همچنین برخی توصیه می‌کنند که هرگز توپ را مستقیماً به سوی مرکز بسته‌ی سمت دروازه‌بان شوت نکن. گروهی از محققان پرسش‌های مشابهی را مطرح و تحلیل کاوشگرانه‌ی داده‌های ضربات پنالتی را در سطح سرآمدی از فوتبال اجرا کردند.

دروازه‌بانان، زمانی‌که توپ با سرعت پیش‌بینی‌ناپذیری به سمت‌شان شوت می‌شود، معمولاً برحسب غریزه عمل می‌کنند؛ یا به سمت چپ‌شان (۵۷ درصد از مواقع) یا به سمت راست‌شان (۴۱ درصد مواقع) شیرجه می‌زنند. این باعث می‌شود فقط ۲ درصد از مواقع برای گرفتن توپی که به سمت‌شان پرتاپ می‌شود در مرکز دروازه باشند. بنابراین، ضربه‌ی دقیق به سمت مرکز دروازه، در مقایسه با ضربات به یکی از گوشه‌ها در ارتفاع یکسان، شانس بسیار بالایی برای گل‌شدن دارد.

Gonzalo Jara’s Kickبه گونزالو جارا برمی‌گردیم؛ او توپ را به سمت راستش شوت می‌کند، یعنی در مسیر شیرجه‌زنی دروازه بان (شکل بالا). ضربه‌ی او گل نمی‌شود، توپ به تیر دروازه برخورد می‌کند و از دروازه دور می‌شود. به این ترتیب، شیلی از مسابقات جام جهانی حذف و برزیل وارد مرحله‌ی بعدی شد. در دفاع از گونزالو جارا باید بگوییم که نرخ گل‌شدن ضربات پنالتی بحرانی‌ای مثل این مورد (برای اجتناب از حذف‌ شدن) ۴۴ درصد افت دارد. بله!‌ فشار غول دیگری است که حتی بهترین‌ها هم دربرابرش تسلیم می‌شوند.

ضربات کُرنر

cornerدر موردی دیگر، چندین سال پیش تیم فوتبال منچستر سیتی[5] با ضربات کرنر مشکل داشت و بنابراین، تصمیم گرفت تحلیل کاوشگرانه داده‌ای انجام دهد تا ضربات کرنر نتیجه‌بخش را از ضربات کرنر بی‌نتیجه متمایز کند. تیمی از تحلیل‌گران، صدها ویدئوی ضربات کرنر مربوط به لیگ برتر را تحلیل کردند. آنها پس از تکمیل تحلیل دریافتند که ضربات چرخشی به سمت دروازه بسیار نتیجه‌بخش‌تر و خطرناک‌تر از ضربات غیرچرخشی بودند.

آنها نتایج‌شان را به روبرتو مانیچی[6]، مربی تیم منچستر سیتی در آن زمان، ارائه دادند. مانیچی، که از کودکی فوتبال بازی و دنبال می‌کرده است، این یافته‌ها را به‌کلی رد کرد. او همه‌ی گل‌های به‌یادماندنی و بی‌نقص توسط سرزن‌های شوت‌های غیرچرخشی را یادآوری کرد. از سوی دیگر، گل‌های ناشیانه‌ی شوت‌های چرخشی نتوانسته بودند خاطره‌ی ماندگاری در ذهن تماشاچیان حک کنند. از قرار معلوم، مانیچی اشتباه می‌کرد. شوت‌هایی که فوق‌العاده و به‌یادماندنی به‌نظر می‌رسند، همیشه هم بهینه نیستند. این مورد به‌خوبی ثابت می‌کند که تحلیل کاوشگرانه‌ی داده‌ها چطور به‌سادگی اما صادقانه می‌تواند باورهای عمیقاً‌ ریشه‌داری که طی قرن‌ها شکل گرفته‌اند را به چالش بکشد (بله!‌ فوتبال واقعاً‌ یک بازی قدیمی‌ است).

تحلیل کاوشگرانه‌ی داده‌ها – مثال مطالعه‌ی موردی خرده‌فروشی

به مثال مطالعه‌ی موردی‌مان برمی‌گردیم (بخش‌ ۱ و بخش‌ ۲ را مطالعه کنید)؛ در این مثال، شما مدیر ارشد تحلیل و رئیس راهبرد کسب‌وکار در فروشگاه آنلاینی به‌نام شرکت درس‌اسمارت هستید. شما در ارتقاء نتایج کمپین‌های شرکت به مدیرعامل کمک می‌کنید. طی چند روز گذشته، به‌عنوان بخشی از تحلیل کاوشگرانه‌ی داده‌ها، با داده‌ها ور می‌روید. گراف زیر یکی از چندین الگو و نتیجه‌ی جالبی است که در داده‌ها یافته‌اید. زمانی‌که توزیع مشتریان در تعدادی از دسته‌های کالاها (پیراهن مردانه، شلوارهای غیررسمی، دامن‌های رسمی و غیره) خریداری‌شده توسط هر مشتری را تحلیل می‌کنید، به الگوی زیر می‌رسید.

Marketing-Analytics-Distribution

توزیع فوق کمابیش شبیه توزیع پیش‌بینی‌شده است. هرچند، پیک جالبی برای مشتریانی که بیش از ۵۰ دسته کالا می‌خرند دیده می‌شود. این مشتریان چه کسانی هستند؟ چرا این همه کالا می‌خرند؟ در ادامه، این گروه از مشتریان را تحلیل می‌کنید و درمی‌یابید که نرخ رشدشان بالاتر از سایر گروه مشتریان است. از زمان شروع فعالیت ۷ سال پیش شرکت، درصد مشتریانی که بیش از ۵۰ دسته کالا در سال خریداری می‌کنند به‌طور نمایی افزایش یافته است (در حال حاضر، ۲.۱ درصد). این گروه از مشتریان در ۲۳ درصد از کل فروش شرکت درس‌اسمارت نیز مشارکت می‌کنند. گراف‌های زیر بخشی از تحلیل فوق هستند.

خُب، اینجا چه خبر است؟ در ادامه، الگوها و اندازه(های) پوشاکی که این مشتریان می‌خرند را تحلیل کردید و متوجه شدید که آنها سبک مشابه با سایزهای مختلف را می‌خرند. خب!‌ حالا این مشتریان را می‌شناسید، اینها خرده‌فروشان مجاور کوچکی هستند که از درس‌اسمارت به‌عنوان عمده‌فروش استفاده می‌کنند.

۱. ارسال کاتالوگ و کمپین خرده‌فروشی مشابه مشتریان خرده‌فروشی به این خرده‌فروشان منطقی نیست.

۲. فرصتی برای تقویت روابط تجاری با این خرده‌فروشان خانوادگی و بدین ترتیب، ارتقاء سودآوری شرکت‌تان از طریق برنامه‌ی کسب‌وکار مجزایی وجود دارد.

به‌علاوه، تحلیل بیشتر نشان داد که الگوهای تحویل یا تکمیل سفارش (کمیت تحویل/ مطالبه‌کنندگان و غیره) برای این خرده‌فروشان با مشتریان دیگر یکی است. شرکت شما، در زمان تحویل، از این مشتریان هزینه‌ی اضافی می‌گیرد. با حفظ این خرده‌فروشان کوچک در معادله، می‌توانید زنجیره‌ی تأمین کلی را بهتر طرح‌ریزی کنید. این تحلیل کاوشگرانه‌ی داده‌ها، ایده‌های خوبی برای دستیابی به اهداف سهل‌الوصول‌تر به‌منظور ارتقاء سودآوری شرکت‌تان ارائه می‌دهد.

و اما حرف آخر

تحلیل کاوشگرانه‌ی داده‌ها ابزار قدرتمندی است. EDA ضرورت مسلمی برای سوق‌دادن تحلیل‌های پیشرفته‌ی کسب‌وکارتان در مسیر درست است. EDA فرصت فوق‌العاده‌ای برای آزمودن ساده‌ترین فرضیه‌ها و حدسیات کسب‌وکارتان، پیش از پیشروی سریع به‌سوی ساختن مدلی دقیق، مهیا می‌کند. به فوتبال بازمی‌گردیم؛‌ کماکان به مراحل پایانی جام جهانی نزدیک می‌شویم. از چند بازی نهایی لذت ببرید و باشد که بهترین تیم جام را از آن خود کند.

[1] DresSmart Inc

[2] Exploratory Data Analysis

[3] Neymar

[4] Gonzalo Jara

[5] Manchester City

[6] Roberto Mancini