خطرات تفکر مقوله ای[۱]

منبع: مجله کسب و کار هاروارد

بگید “تا” و سپس بگید”دا”. هر بار توجه کنید که چه صدایی از دهانتان بیرون می‌آید. تفاوت‌ها در چیست؟

دلیل ایجاد صداهای متفاوت، چیزی نیست که در دهان شما اتفاق می‌افتد. دلیل آن “زمان شروع صدا[۲] است – زمانی بین لحظه‌ای که شما زبان خود را تکان می‌دهید و لحظه‌ای که لرزش تارهای صوتی شما شروع به حرکت می‌کند. اگر این بازه زمانی بیشتر از ۴۰ میلی‌ثانیه باشد، انگلیسی‌زبانان صدای “تا” را خواهند شنید و اگر کمتر از ۴۰ میلی‌ثانیه باشد صدای “دا” خواهند شنید.

چیزی که جالب است این است که شما هرگز غیر از “تا” و “دا” صدای دیگری نمی‌شنوید. اگر دو شخص، هر دو در یک طرفِ خط تقسیمِ ۴۰ میلی‌ثانیه قرار بگیرند، تفاوت چشمگیر “زمان شروع صدای” آن‌ها مهم نیست. امکان دارد زمان شخصی ۸۰ میلی‌ثانیه و دیگری فقط ۵۰ میلی‌ثانیه باشد اما در هر دو مورد شما صدای “تا” بشنوید. اگر هر دو در سمت دیگر قرار بگیرند، اختلافی به میزان تنها ۱۰ ثانیه می‌تواند تحول‌آفرین باشد. اگر “زمان شروع صدای” شخصی ۴۵ میلی‌ثانیه باشد شما صدای “تا” می‌شنوید و اگر برای شخص دیگر این زمان حدود ۳۵ میلی‌ثانیه باشد شما صدای “دا” می‌شنوید. عجیب به نظر می‌رسد اما درست است.

اخیراً مردم با ترفندهای خارج از ذهن یا بازی ذهن در اینترنت سرگرمی‌های زیادی را ساخت‌اند. به کلیپ صوتی توجه کنید که افراد صدای Laurel یا Yanni می‌شنیدند یا لباسی که افراد آن را سیاه و آبی یا سفید و طلایی می‌دیدند. در این موارد مانند مورد “تا” و “دا” که در بالا بدان اشاره شد افراد در یکی از سمت‌های خط جداساز مقدس[۳] قرار می‌گیرند و هر دسته از آن‌ها حاضر هستند که زندگی خود را روی درست بودن نظر خودشان شرط ببندند.

مغز انسان یک ماشین دسته‌بندی[۴] است که در تمام مدت مشغول به کار است و حجم زیادی از اطلاعات به‌هم‌ریخته را دریافت می‌کند، سپس آن‌ها را ساده‌سازی و ساختاربندی می‌کند و در این صورت شما می‌توانید جهان اطراف خود را احساس کنید. این مورد یکی از مهم‌ترین توانایی‌های قابلیت ذهن است که به شکل فوق‌العاده‌ای ارزشمند است؛ زیرا مغز قادر است با یک سیر سریع بگوید چیزی (که می‌بینیم) مار است یا چوب.

برای اینکه دسته‌بندی ارزش داشته باشد، دو چیز باید سر جایش باشد: اول، باید دارای اعتبار[۵] باشد؛ شما نمی‌توانید به‌طور دلخواه یک گروه همگن را تقسیم کنید. همان‌طور که افلاطون بیان کرده است (به قول افلاطون)، دسته‌بندی‌های دارای اعتبار، حک کردن جهان در مفصل‌های آن[۶] (نقاط اتصال آن)؛ مانند مثال چوب و مار. دوم آنکه، باید مفید[۷] باشد؛ دسته‌بندی‌ها باید به‌گونه‌ای انجام شود که برای ما دارای اهمیت باشد. برای ما مفید است تا مار را از چوب متمایز کنیم زیرا این کار به شما کمک می‌کند تا از پیاده‌روی در جنگل زنده بیرون بیایید.

تاکنون که مورد خاصی وجود نداشته اما غالباً در کسب‌وکار بر دسته‌بندی‌هایی تکیه می‌کنیم که بی‌اعتبار یا غیرمفید هستند یا هر دو مشخصه را دارند و این امکان دارد ما را به سمت خطاهای بزرگی در هنگام تصمیم‌گیری‌ها سوق دهد.

آزمون شخصیت‌شناسی مایرز-بریگز (که یک ابزار ارزیابی شخصیت است) را در نظر بگیرید. طبق نظر ناشر آن این آزمون در مورد بیش از ۸۰% تصمیم‌گیری‌ها در زمینه HR در شرکت‌های Fortune 500 بینش‌هایی را ارائه می‌دهد. در این آزمون از کارکنان خواسته می‌شود تا به ۹۳ سؤال پاسخ دهند که هرکدام از این پرسش‌ها تنها ۲ جواب ممکن دارد و پس‌ازآن، بر اساس پاسخ‌ها، آن‌ها را در یکی از ۱۶ تیپ شخصیتی قرار می‌دهند. مشکل این است که این پرسش‌ها نیازمند ارزیابی پیچیده و پیوسته هستند. آیا در پاسخ به این سؤالات شما به واقعیات اتکا می‌کنید یا به شهود (حس درونی)؟ احتمالاً اکثر ما می‌گوییم “خب بستگی دارد”؛ اما خوب می‌دانیم که در این مورد خاص این اصطلاح صادق نیست؛ بنابراین پاسخ دهندگان باید یکی را انتخاب کنند. پاسخ سؤالات جمع‌بندی می‌شود و پاسخ‌دهنده یکی از عناوین برونگرا[۸] یا درون‌گرا[۹] و قضاوتی[۱۰] یا ادراکی[۱۱] را دریافت می‌کند؛ اما این دسته‌بندی‌ها معتبر نیستند. می‌توان ادعا کرد که این آزمون حتی مفید هم نیست زیرا: تیپ‌های شخصیتی در این آزمون خروجی‌هایی مانند موفقیت شغلی و رضایت شغلی را درون خود پیش‌بینی نکرده‌اند.

بنابراین چرا این آزمون تا این میزان مشهور است؟ زیرا تفکر مقوله ای باعث ایجاد توهم در افراد می‌شود.

تفکر مقوله ای امکان دارد به چهار صورت خطرزا باشد؛ امکان دارد سبب شود تا اعضای یک دسته را تحت‌فشار[۱۲] بگذارید یعنی آن‌ها را تهدید کنید که اگر شبیه به دسته دیگر بودند امکان موفقیت وجود داشت؛ در مورد تفاوت‌های بین اعضای دسته‌های مختلف غلو کنید[۱۳] (زیاده‌روی کنید)؛ بین اعضای دسته موردعلاقه خود با دیگر دسته‌ها تبعیض[۱۴] قائل شوید؛ و یک دسته را بیش از بقیه دوست داشته باشید و ساختار یک دسته را درصورتی‌که بدون تغییر باشد درخطر قرار دهید[۱۵] (دسته را فرسوده کنید).

اختصار تقلیلی[۱۶]

وقتی دسته‌بندی می‌کنید، به فکر ایجاد نمونه‌های فکری[۱۷] هستید (نمونه اولیه) اما این کار باعث می‌شود تا بسیاری از تغییرات موجود بین دسته‌ها را فراموش کنید.

افسانه مشتری هدف

طبق داستانی از کتاب تاد رز[۱۸] با عنوان”پایان دوران میانگین‌ها[۱۹]“، روزنامه‌ای در کلیولند در سال ۱۹۴۵ برای یافتن نمونه آناتومی یک زن، مسابقه‌ای برگزار کرد. پیش از آن، در یک پژوهش مقادیر متوسط برای تعدادی از اندازه‌گیری‌های آناتومیکی تعیین‌شده بود و سردبیر مقاله از آن اندازه‌ها برای تشریح نمونه استفاده کرده بود. ۳۸۶۴ زن اندازه‌های (اندام) خود را ارسال کرده بودند. آیا می‌توانید حدس بزنید چه تعداد از آن‌ها به میزان نسبی به اندازه‌های ارائه‌شده نزدیک بودند؟

هیچ‌کدام. افراد در بسیاری از ابعاد متفاوت هستند و احتمال بسیار کمی وجود دارد که شخصی به میزان نسبی به هرکدام از این اندازه‌های اعلام‌شده نزدیک باشد.

همین مورد برای مشتریان نیز درست است. مطالعات طبقه‌بندی مشتریان را در نظر بگیرید (یکی از رایج‌ترین ابزارهای مورداستفاده توسط بخش‌های بازاریابی همین نوع از مطالعات است). هدف مطالعه طبقه‌بندی تقسیم کردن مشتریان به دسته‌های گوناگون و پس‌ازآن شناسایی مشتریان هدف (دسته شایسته توجه ویژه و تمرکز استراتژیک) است.

مطالعات طبقه‌بندی معمولاً به‌واسطه پرسش از مشتریان در خصوص رفتارها، تمایلات و همچنین مشخصه‌های جمعیتی انجام می‌شود؛ سپس یک الگوریتم خوشه‌بندی پاسخ‌دهندگان را طبق تشابهات موجود در پاسخ‌ها تقسیم‌بندی می‌کند. در این نوع تجزیه‌وتحلیل به‌ندرت دسته‌بندی‌های خیلی متفاوت ایجاد می‌شود اما بازاریاب‌ها بجای اینکه به شکل جدی ارزیابی کنند که آیا خوشه‌بندی‌ها معتبر هستند یا خیر، به سراغ مراحل بعدی فرآیند بخش‌بندی یعنی: تعیین مقادیر متوسط، پروفایل سازی و ساختن پرسونا یا شخصیت‌های نمونه می‌روند.

بنابراین این‌گونه است که دسته‌هایی مانند Minivan Mom (مادرانی که مینی ون دارند و فرزندان خود را جابجا می‌کنند.) و دیگر دسته‌ها شکل می‌گیرند. بعد از انجام آمارگیری، شخصی از افراد مشغول در بخش بازاریابی یک خوشه جالب را شناسایی می‌کند که ۶۰% پاسخ دهندگانِ آن مؤنث هستند و به‌طور متوسط ۴۰ سال سن و ۲.۷۵ فرزند دارند. با نگاه به این مقادیر متوسط می‌توان به‌راحتی داده‌های زیاد را کنار گذاشت و دسته مختص به این مشتریان را ایجاد نمود یعنی: Minivan Mom.

اختصاص چنین عناوینی ما را از توجه کردن به تفاوت‌های بین دسته‌ها غافل می‌کند. برای مثال پژوهشگران در سال ۲۰۱۱، به شرکت‌کنندگان طیفی از شاخص توده بدنی که شامل ۹ نقاشی سیاه یکدست از زنانی که با فاصله‌های یکسان در طول آن قرارگرفته بودند را نشان دادند. به شرکت‌کنندگان دو تصویر متفاوت نشان داده شد که بار اول تصویر مانند شکل ۱ بود و بار دوم عناوینی مانند “بسیار لاغر”، “نرمال” و “چاق” روی آن تصویر نوشته‌شده بود، همان‌طور که در تصویر شکل ۲ نشان داده‌شده است.

از شرکت‌کنندگان خواسته شد که هر بار تصاویر با اندازه‌های مختلف را درجه‌بندی کنند. هنگامی تصویر دارای عناوین را می‌دیدند نسبت به زمانی که عناوینی نداشتند، نگاه متفاوتی داشتند و این در حالی بود که تصاویر تغییری نکرده بود. برای مثال، شرکت‌کنندگان فرض می‌کردند شخصیت و سبک زندگی زن شماره ۷ بیشتر شبیه به شماره ۹ است، به این دلیل که هر دو عنوان چاق را داشتند. مشابه با همین مثال شماره ۴ و ۶ نیز همانند یکدیگر دیده می‌شدند زیرا عنوان نرمال را داشتند.

همانند انواع بدن، بخش‌های مختلفی که بیشتر کسب‌وکارها با آن مواجه هستند نیز از شفافیت و مرزبندی مشخصی برخوردار نیستند. مشتریان یک بخش اغلب رفتارهای بسیار متفاوتی دارند. برای مقاومت در برابر تأثیرات اختصار تقلیلی، تحلیلگران و مدیران ممکن است سؤال کنند، چگونه امکان دارد دو مشتری از دسته متفاوت رفتار مشابهی نسبت به دو مشتری از یک دسته یکسان از خود نشان دهند؟ برای مثال، چه مقدار احتمال دارد تا برند لباس موردعلاقه یک Minivan Mom بیشتر مشابه یک Maverick Mom باشد (نوع دیگری از خودرو که معمولاً اسپرت است و نشان از استقلال مادران دارد) تا اینکه شبیه دیگر Minivan Mom ها باشد؟ احتمال شباهت این دسته‌ها نه‌تنها صفر نیست بلکه به ۵۰-۵۰ نزدیک‌تر است.

اثر غربالگری[۲۰]

اختصار تقلیلی امکان دارد سبب تأثیرگذاری نادرست بر تصمیمات استخدام کارکنان نیز شود. تصور کنید که مسئولیت استخدام را در شرکت خود بر عهده دارید. اخیراً نیز آگهی استخدام منتشر کرده‌اید و بیست نفر درخواست کار داده‌اند. اولین مرحله غربالگری را انجام داده‌اید و نامزدهای شغلی را بر اساس مهارت‌های تکنیکی مرتب کرده‌اید و ۵ کاندیدای برتر را برای مصاحبه دعوت کرده‌اید.

اگرچه مهارت‌های تکنیکی در بین این ۵ نامزد دریافت شغل بسیار متفاوت است، اما شما از این میزان تفاوت برای تصمیم‌گیری در مورد استخدام شخص موردنظر زیاد تحت تأثیر قرار نمی‌گیرید زیرا هنگامی‌که غربالگری را بر اساس مهارت‌های تکنیکی انجام می‌دهید، افرادی که به مرحله بعدی رفته‌اند (۵ نامزد اول) از دید شما مشابه یکدیگر هستند. درواقع شما تحت تأثیر تفکر مقوله ای هستید و در این هنگام تصمیم‌گیری را بر اساس مهارت‌های نرمی که نامزدهای برتر در هنگام مصاحبه نشان می‌دهند، مانند چه میزان باشخصیت (موجه و باوقار) هستند، در هنگام گفتگو چه مقدار تأثیرگذار هستند و برخی موارد این‌چنینی انجام می‌دهید. شاید این مهارت‌ها از اهمیت بالایی برخوردار باشند اما برای بسیاری از مشاغل شرط مهم، بالاترین میزانِ ممکنِ مهارت‌های فنی است و اثر غربالگری مانع می‌شود تا مهارتی که شما در نظر دارید به نظر آنها نیز مهم جلوه کند.

بسیاری از بخش‌بندی‌هایی که کسب‌وکارها حول آنها شکل می‌گیرند، آن‌گونه که به نظر می‌رسند شفاف و روشن نیستند.

ناهنجارهای موجود در سرمایه‌گذاری‌های مالی

اختصار تقلیلی در بازارهای مالی نیز اتفاق می‌افتند. سرمایه‌گذاران معمولاً دارایی‌ها را بر اساس اندازه (سهام بزرگ یا کوچک)، صنعت (انرژی یا بیمه درمانی)، جغرافیا و بقیه موارد دسته‌بندی می‌کنند. این تقسیم‌بندی‌ها به سرمایه‌گذاران کمک می‌کنند تا تعداد گسترده گزینه‌های سرمایه‌گذاری در دسترس را بررسی و انتخاب کنند و این کار از اهمیت بالایی نیز برخوردار است؛ اما سرمایه‌گذاران را به سمت تخصیص ناکارآمد سرمایه ازنظر ریسک و بازده سوق می‌دهد. برای مثال، در دوران به وجود آمدن حباب اینترنت در اواخر دهه ۹۰ میلادی، افراد به میزان زیاد و بی‌درنگ روی شرکت‌های دارای اسامی دات-کام سرمایه‌گذاری می‌کردند؛ حتی هنگامی‌که این شرکت‌ها شاهد هیچ‌گونه تغییری (ازنظر کسب‌وکار) نبودند. این اشتباه برای بسیاری از سرمایه‌گذاران گران تمام شد. مثال دیگری که می‌توان به آن اشاره کرد هنگامی است که سهام شرکتی به لیست شاخص S&P 500 اضافه می‌شود، در این حالت قیمت سهام شرکت بسیار نزدیک به دیگر شرکت‌های موجود در این شاخص می‌شود، درحالی‌که درواقع هیچ‌چیز در این شرکت تغییر نکرده است و یا ارزش سهام آن هیچ تغییری نداشته است.

بزرگنمایی[۲۱] (اغراق)

تفکر مقوله ای شما را به سمت اغراق در رابطه با تفاوت‌ها ورای مرزهای دسته‌ها ترغیب می‌کند و امکان دارد شما را به سمت برچسب زدن به دیگر گروه‌ها، تعیین حدود مرزی خودسرانه برای تصمیم‌گیری‌ها و ترسیم نتایج نادرست سوق دهد.

پویایی گروه

هنگامی‌که بزرگنمایی بر نحوه تفکر شما درباره اعضای جامعه و گروه‌های سیاسی تأثیر بگذارد، امکان دارد پیامدهای جدی داشته باشد. مطالعات نشان می‌دهد افرادی که به احزاب سیاسی مخالف وابسته هستند، بیشتر تمایل دارند تا شدت یا حدود مرزی[۲۲] دیدگاه‌های یکدیگر را بیش‌ازحد تخمین بزنند.

فکر می‌کنید برای کدام گروه، برابری اجتماعی اهمیت بیشتری دارد، لیبرال‌ها یا محافظه‌کاران؟ اگر جواب شما لیبرال‌ها است، شما درست فکر می‌کنید. به‌طور میانگین، لیبرال‌ها به برابری اجتماعی اهمیت بیشتری نسبت به محافظه‌کاران می‌دهند اما برخی از محافظه‌کاران نسبت به برخی دیگر از لیبرال‌ها، به‌طور نسبی اهمیت بیشتری برای برابری اجتماعی قائل هستند. تصور کنید به شکل تصادفی دو نفر از مردم خیابان را انتخاب کرده‌ایم – فرد اول کسی است که محافظه‌کاران را قبول دارد و فرد دوم کسی است که لیبرال‌ها را قبول دارد. چقدر احتمال دارد تا شخص اول برابری اجتماعی را نسبت به شخص دوم مهم‌تر قلمداد کند؟ احتمال آن بسیار بیشتر از آنکه شما فکر کنید به ۵۰% نزدیک‌تر است. به‌طور میانگین افراد هم‌پوشانی بین دو گروه را نادیده می‌گیرند و در مورد تفاوت‌های پیش‌فرض اغراق می‌کنند. برخلاف فرضیات، بسیاری از محافظه‌کاران بسیار بیشتر از لیبرال‌ها به برابری اجتماعی اهمیت می‌دهند.

اگر شما یک لیبرال در ایالات‌متحده هستید، احتمالاً فکر می‌کنید که همه محافظه‌کاران ضد سقط‌جنین، کنترل اسلحه، سیستم ایمنی اجتماعی هستند. اگر شما محافظه‌کار هستید، احتمالاً فکر می‌کنید همه لیبرال‌ها مرزهای باز و بیمه درمانی جهانی دولتی می‌خواهند. واقعیت این است که ایدئولوژی‌ها و مواضع سیاسی در یک طیف معنامند می‌شوند.

اغراق به دلیل تفکر مقوله ای بخصوص در عصر امروزی که عصر داده‌های بزرگ و پروفایل سازی مشتری است، نگران‌کننده می‌نماید. برای مثال، تصور غالب این است که فیس‌بوک کاربران خود را بر اساس تاریخچه مرورگر خود برچسب سیاسی (میانه‌رو، محافظه‌کار یا لیبرال) اختصاص می‌دهد و این اطلاعات را به تبلیغ‌کنندگان ارائه می‌کرد. این مورد می‌تواند منجر به این شود که تبلیغ‌کنندگان تصور کنند تفاوت‌ها میان دسته‌های مختلف کاربران فیس‌بوک نسبت به واقعیت بزرگ‌تر است و که همین مسئله امکان دارد تفاوت‌های درست را به‌وسیله دادن انگیزه به تبلیغ‌کنندگان برای فرستادن پیامی تناسب یافته ترغیب کند. در انتخابات ریاست جمهوری سال ۲۰۱۶ ایالات‌متحده و کمپین خروج بریتانیا از اتحادیه اروپا، به نظر می‌رسد همین اتفاق افتاده است یعنی هنگامی‌که فیس‌بوک محافظه‌کاران و لیبرال‌ها را با هزاران ارتباط تفرقه‌آمیز تغذیه کرد.

بسیاری از شرکت‌ها در درون خود با پویایی اغراق به‌صورت مشابهی که توصیف شد، مواجه هستند. موفقیت اغلب سبب ایجاد هم‌افزایی بین-بخشی می‌شود اما تفکر مقوله ای امکان دارد باعث شود تا شما تا حدود زیادی این مورد که گروه شما چه مقدار می‌تواند خوب با یکدیگر کار کنند را دست‌کم بگیرد. اگر فرض کنید که دانشمندان داده در سازمان شما تخصص فنی بالا اما درک پایینی از چگونگی عملکرد کسب‌وکار دارند و مدیران بازاریابی شما دارای دانش محیطی کاربردی هستند اما توانایی آماده‌سازی داده را ندارند، احتمال بسیار کمی وجود دارد تا شما آن‌ها را گرد هم آورده و یک گروه تشکیل دهید. این موضوع یکی از دلایل شکست بسیاری از نوآوری‌ها است.

تصمیم‌گیری

اغراق پیامدهای ظریفی برای تصمیمات مدیریتی در پی دارد. مربیان NBA، هفده درصد بیشتر احتمال دارد که ترکیب شروع بازی خود را پس از باخت در یک بازی نزدیک نسبت به یک برد در یک بازی نزدیک تغییر دهند حتی اگر اختلاف امتیازی دیگر تیم‌ها تنها ۲ امتیاز باشد؛ اما تعداد کمی از مربیان امکان دارد ترکیب گروه را به دلیل باخت ۱۰۰ به ۱۰۶ نسبت به باخت ۱۰۰ به ۱۰۸ تغییر دهند و این در حالی است که اختلاف باز هم تنها ۲ امتیاز است. از منظر ماهیتی باختن با برد متفاوت است زیرا شما نتایج بازی‌های ورزشی را به‌عنوان بخشی از یک روند مستمر (سلسله وار) تلقی نمی‌کنید.

هرگاه تصمیمی را در قالب ایجاد انفصال در یک جریان پیوسته بگیرید، احتمال دارد که تفاوت‌های کوچک را تقویت کنید. بعد از بحران اقتصادی سال ۲۰۰۸، دولت بلژیک فورتیس (Fortis) یکی از شرکت‌های وابسته به BNP Paribas را مورد حمایت قرار داد (سرمایه شرکت را نجات داد). درنتیجه این اقدام، دولت صاحب میلیون‌ها سهم در BNP Paribas شد. طبق اطلاعات ارائه‌شده در روزنامه بلژیکی De Standaard در پایان ژانویه ۲۰۱۸، هنگامی‌که قیمت سهام کمی بالاتر از ۶۷ یورو بود، دولت تصمیم گرفت که اگر قیمت سهم‌ها دوباره به مرز ۶۸ یورو رسید آن‌ها را بفروشد اما هیچ‌گاه این کار را انجام ندادند و برعکس قیمت سهم‌ها کاهش پیدا کرد و هم‌اکنون ارزش این سهم تنها ۴۴ یورو است.

بازاریابان اغلب تمام و کمال درگیر مشتریان هدف خود می‌شوند و دیگران را کاملاً نادیده می‌گیرند.

هیچ‌کس در دولت بلژیک نمی‌توانست پیش‌بینی کند که قیمت سهام این‌گونه سقوط می‌کند اما اشتباه دولت بلژیک این بود که می‌خواست فروش سهام خود را به‌صورت یکجا انجام دهد. رویکرد بهتر می‌توانست این باشد که مقداری را به یک قیمت و مقداری دیگر را به قیمتی متفاوت بفروشد و این رویه را برای بقیه سهام نیز انجام دهند.

معناداری آماری

با افزایش تأثیرگذاری اقتصاد رفتاری و علم داده، شرکت‌ها به‌طور فزاینده‌ای بر A/B Testing در جهت ارزیابی اثربخشی تکیه کردند. تا اندازه‌ای این کار به این دلیل است که A/B Testing برای اجرا و تجزیه‌وتحلیل آسان است: شما دو نسخه از دنیا را می‌سازید که از همه نظر غیر از یک عامل مشابه یکدیگر هستند، یک گروه از شرکت‌کنندگان را برای تجربه کردن نسخه ۱ و گروهی دیگر را برای تجربه کردن نسخه ۲ می‌گمارید؛ سپس شما اندازه می‌گیرید که آیا رفتار بین گروه‌ها تفاوت زیادی دارد یا خیر. حتی اگر دست‌کاری شما هیچ تأثیری نداشته باشد، همیشه بین گروه‌ها تمایز وجود خواهد داشت؛ بنابراین برای اینکه تعیین کنیم که آیا تفاوت بین این دو به میزان کافی بزرگ بوده است که بگوییم دست‌کاری شما تأثیرگذار بوده است یا خیر، از آزمون آماری استفاده می‌کنیم. خروجی آزمون درواقع مقدار احتمال دیدن تفاوتی با آن مقیاس است، درصورتی‌که دست‌کاری شما هیچ تأثیری نداشته باشد. این احتمال به p-value (مقدار p) مشهور است. هرچه این مقدار به صفر نزدیک‌تر باشد، آسان‌تر می‌توان نتیجه گرفت که هرگونه اختلاف را می‌توان به عامل دست‌کاری شده نسبت داد، نه‌فقط به شانس؛ اما چقدر این مقدار به صفر نزدیک‌تر باشد برای ما کافی است؟

Sir Ronald Fisher آمارگر و ژنتیک‌شناس انگلیسی در سال ۱۹۲۵ به شکل خودسرانه تصمیم گرفت تا آستانه ۰.۰۵ را به‌عنوان آستانه مناسب انتخاب کند. فیشر امکان داشت ۰.۰۳ را انتخاب کند و در حقیقت او بیان کرد که آستانه مقدار p وابسته به مشخصات موردمطالعه است اما افراد بسیار کمی به این مطلب توجه کردند و برعکس طی دهه‌های بعدی، تمامی رشته‌های علمی به شکل کورکورانه ۰.۰۵ را به‌عنوان مرزی جادویی پذیرفته‌اند که سیگنال را از نویز جدا می‌کند و همین مقدار در شیوه‌های تجارت به یک هنجار تبدیل گشته است.

این موضوع یک مشکل اساسی است. هنگامی‌که در A/B Testing مقدار p، ۰.۰۴ حاصل شود، ممکن است مداخله انجام شود اما اگر مقدار ۰.۰۶ باشد احتمال عبور از آن وجود دارد – این در حالی است که بین ۰.۰۴ و ۰.۰۶ تفاوت معناداری وجود ندارد. بدتر از این مورد، بسیاری از آزمایش‌کنندگان به‌طور مرتب به داده‌ها نیم‌نگاهی می‌کنند تا معناداری آماری (Statistical Significance) را آزمایش کنند و زمانی که می‌بینند مقدار p پایین‌تر از ۰.۰۵ است جمع‌آوری داده را متوقف می‌کنند. این عمل احتمال این نتیجه‌گیری را افزایش می‌دهد که مداخله مؤثر بوده است درصورتی‌که در واقعیت چنین نیست. پژوهشی جدید پس از بررسی شیوه‌های آزمایشگرانی که از یک پلتفرم آنلاین مشهور برای A/B Testing استفاده می‌کنند، دریافت که بیشتر افراد که از روش ” p-hacking (پالایش داده‌ها)” استفاده می‌کنند، میزان کشف اشتباه [۲۳]را از ۳۳٪ به ۴۲٪ افزایش می‌دهند.

تبعیض

هنگامی‌که از یک ساختار مقوله ای استفاده می‌کنید، شما به دسته‌های مشخصی بیش از بقیه توجه دارید اما توجه نامناسب به دسته‌های دیگر امکان اشتباه را افزایش می‌دهد.

هدف‌گذاری بیش‌ازحد

تصور کنید مدیر بازاریابی دیجیتال یک شرکت خرده‌فروشی آنلاین هستید که مبلمان خانه با طراحی‌های خلاقانه و خاص را به فروش می‌رساند. شما مطالعه بخش‌بندی انجام داده‌اید و یک دسته مشتری هدف را شناسایی کرده‌اید که دارای ویژگی‌هایی است که در ادامه بیان‌شده است: مردان شاغل بین ۱۸ تا ۳۴ سال، با مشاغلی خلاقانه در زمینه مد، بازاریابی یا رسانه و با درامد تصادفی و متفاوت. شما ۱۰۰۰۰ دلار برای هزینه کردن بر تبلیغات دیجیتال در اختیار دارید و سه برنامه برای اجرا در نظر گرفته‌اید: ۱. بدون هدف‌گذاری[۲۴]. تبلیغ با احتمال مساوی دیده شدن برای همه کاربران فیس‌بوک ارائه می‌شود و برای هر کلیک ۴۰ سنت هزینه خواهد شد. ۲. هدف‌گذاری کامل[۲۵]. تبلیغ تنها به دسته هدف شما ارائه می‌شود و هر کلیک ۶۰ سنت هزینه دارد. ۳. هدف‌گذاری جزئی[۲۶]. نیمی از بودجه خود را بر بازاریابی روی دسته هدف و نیمی دیگر را روی بازاریابی انبوه[۲۷] سرمایه‌گذاری می‌کنید و هر هدف ۴۸ سنت هزینه دارد.

کدام برنامه را باید انتخاب کنید؟ شاید B یا C، زیرا باعث می‌شود تا محدوده هدف خود را دقیق‌تر کنید. آیا این کار درست است؟

نه، نادرست است. بهترین گزینه احتمالاً A است، وسیع‌ترین حالت ممکن. چرا؟ زیرا هدف‌گذاری وسیع[۲۸] اغلب سبب بازگشت سرمایه (ROI) بالاتری نسبت به هدف‌گذاری معین[۲۹] می‌شود. محققان دریافتند که تبلیغات آنلاین تنها مقدار کمی درصد احتمال خرید را افزایش می‌دهد. اگر احتمال اینکه کسی بدون دیدن تبلیغ محصول شما را خریداری کند ۰.۱۰% باشد، دیدن تبلیغ محصول شما احتمال را به ۰.۱۳% افزایش می‌دهد. اثر مثبت تبلیغ امکان دارد برای مشتریان هدف، کمی بیشتر باشد اما در بسیاری از موارد هزینه هر کلیک را جبران نخواهد کرد. بازاریابان اغلب درگیر مشتریان هدف خود هستند و ارزشی که بقیه افراد دارند را نادیده می‌گیرند.

فیس‌بوک در تلاش همه‌جانبه‌ای است تا به مشتریان تبلیغاتی خود در مورد اهمیت دستیابی نسبت به اهدافی ظریف آموزش دهد. این مورد در رابطه با یک برند آبجو که به‌طور سنتی روی مردان متمرکز بود قابل‌مشاهده است؛ هنگامی‌که برند روی پلتفرم‌های دیجیتال عرضه شد، قادر بود تا اهداف خود را دقیق‌تر کند که همین مورد خوب به نظر می‌رسید اما در حقیقت این کار باعث شد که فعالیت‌های تبلیغاتی برند به‌شدت محدود شوند و برند با عملکرد ضعیفی روبرو شد. پس از بررسی این شرکت دریافت بخش مهمی از افرادی که محصولات شرکت را خریداری می‌کردند زنان بودند. هنگامی‌که شرکت جامعه هدف خود را گسترش داد و تبلیغات خلاقانه را آغاز کرد، به‌سرعت با نتایج مثبت روبرو شد.

امتیاز Net Promoter

تبعیض امکان دارد روی نحوه تفسیر داده‌ها اثر بدی داشته باشد. هنگانی که کلاس‌های تجزیه‌وتحلیل داده‌ها را برگزار می‌کنیم، اغلب از دانش جویان خود می‌پرسیم که آیا آنها درباره شاخص امتیازی Net Promoter چیزی می‌دانند یا آیا شرکت‌های آنها از مقیاسی برای اندازه‌گیری استفاده می‌کنند یا خیر. بیشتر دست‌ها بالا می‌رود و دلیل خوبی برای آن وجود دارد. فردریک ریچهلد[۳۰] مفهومی را در دسامبر سال ۲۰۰۳ در مقاله‌ای تحت عنوان “امتیازی که شما باید آن را ارتقاء دهید[۳۱]” معرفی کرد که به‌سرعت بدل به یکی از مهم‌ترین شاخص‌های کلیدی عملکرد در کسب‌وکار شد و هنوز هم جایگاه مهمی دارد.

شاخص خالص مروجان (NPS) چیست و چگونه کار می‌کند؟ شرکت‌ها از مشتریان (یا کارکنان) می‌خواهند تا بگویند از ۰ تا ۱۰ چه مقدار احتمال دارد تا شرکت را به خانواده و دوستان خود معرفی کنند. صفر به معنای “اصلاً محتمل نیست” و ۱۰ به معنای “خیلی زیاد احتمال دارد” است. بعد از پاسخ، مشتریان به سه دسته مخالفان (Detractors) 0 تا ۶، منفعلان (Passives) 7 تا ۸ و مروجان (Promoters) 9 تا ۱۰ گروه‌بندی می‌شوند. NPS به‌وسیله درصد مشتریان هر دسته تعیین می‌شود و سپس درصد مخالفان را از مروجان کم می‌کنند. اگر ۶۰% مشتریان شما مروجان و ۱۰% مخالفان باشند، مقدار شاخص خاص مروجان ۵۰ است.

دلایل خوبی برای استفاده از NPS وجود دارد. این روش ساده و قابل‌درک است. همچنین کمک می‌کند تا از سوگیری بزرگنمایانه که سبب تفکر مقوله ای می‌شود دوری کنیم- یا همان‌طور که Reichheld در مقاله خود بیان کرد، تورم نمره که اغلب ارزیابی‌های سنتی میران رضایت مشتری دچار خطا می‌کند به معنای آن است که شخصی را که حتی به میزان کمی رضایت دارد، به‌عنوان راضی در نظر بگیریم.

این موضوع شاید کمی یاری گر باشد، اما سیستم NPS درواقع به‌نوعی سوگیری بزرگنمایانه مبتلاست که قرار بود خودش نافی آن باشد و شرکت‌ها را از خطا دور کند. مشتریانی که به‌طور مثال امتیاز ۶ داده‌اند بیشتر به ۷ نزدیک هستند تا صفر اما بااین‌حال آنها به‌جای دسته منفعل در دسته مخالفان جای می‌گیرند. تفاوت‌های کوچک ورای مرزهای دسته‌ها برای دادن نمرات مهم هستند یعنی در یک دسته تفاوت‌های یکسان یا بزرگ‌تر وجود ندارد.

NPS یک مشکل دیگر تفکر مقوله ای را هم دارد: منفعلان را نادیده می‌گیرد. دو مورد از نتایج را در نظر بگیرید: یک شرکت ۰% مخالف و دیگری ۰% مروج دارد. شرکت دیگری ۵۰% مخالف و ۵۰% موافق دارد. NPS برای هر دو یکسان است اما به‌طور روشن انواع مشتریان آنها بسیار متفاوت هستند و باید به‌واسطه روش‌های متفاوتی مدیریت شوند.

تفسیر سوگیرانه همبستگی‌ها

تفکر مقوله ای امکان دارد بر نحوه تفسیر داده نیز اثر منفی داشته باشد. تصور کنید شما مسئولیت مدیریت میز خدمات[۳۲] را بر عهده دارید. شما باور دارید که رضایت کارکنان شما امکان دارد روی رضایتمندی مشتری نیز تأثیرگذار باشد، بنابراین شما پژوهشی انجام می‌دهید. چند هفته بعد یک گروه از بخش تجزیه‌وتحلیل منابع انسانی (HR) داده‌ها را ارسال می‌کند و آن‌ها را در قالب شکل ۱ نمایش می‌دهد.

چگونه می‌تواند وجود ارتباط قوی بین رضایتمندی کارکنان و مشتریان را ارزیابی کنید؟ بیشتر مردم روابط را قوی می‌بینند.

اما اگر نتایج متفاوت باشند و شکل ۲ ارسال شود چگونه میزان قدرت رابطه را ارزیابی می‌کنید؟

بیشتر مردم روابط ضعیف‌تری را احساس می‌کنند و یا اصلاً روابطی احساس نمی‌کنند اما میزان استحکام روابط تقریباً یکسان است. پراکندگی تقریباً برای همه نقاط یکسان است، غیر از ۸ موردی که از ربع بالایی سمت راست به ربع پایینی سمت چپ منتقل شده‌اند.

بنابراین چرا افراد روابط شکل اول را قوی‌تر می‌بینند؟ زیرا آنها تمایل دارند تا برای ربع بالا سمت راست برتری قائل شوند. در شکل اول تعداد زیادی از کارکنان و مشتریان راضی را می‌بینند؛ بنابراین نتیجه می‌گیرند که همبستگی قوی است. در شکل دوم تعداد کمتری از کارکنان با مشتری راضی می‌بینند بنابراین نتیجه می‌گیرند که همبستگی کمتری وجود دارد. یک درس مهم در اینجا وجود دارد: عدم فهم شما از توجه مناسب به دسته‌های متفاوت به توانایی شما در آشکار کردن دقیق روابط بین متغیرها ضربه وارد می‌کند.

فسیل شدن

دسته (بندی) ها منجر به ایجاد یک جهان‌بینی ثابت می‌شود. آن‌ها به ما این احساس را منتقل می‌کنند که چیزهای مختلف این‌گونه هستند بجای اینکه (ما را متوجه این موضوع کنند) که چگونه شخصی نصمیم گرفته است تا دنیا را سازمان‌دهی کند. جان مینارد کینز (John Maynard Keynes) به زیبایی این نکته را بیان کرد. او نوشت: “مشکل نهفته در ایده‌های جدید نیست بلکه در فرار کردن از ایده‌های قدیمی است.”

در دهه ۱۹۵۰ شرکت Schwinn Bicycle بر بازار دوچرخه ایالات‌متحده مسلط شد. Schwinn بر بازار نوجوانان تمرکز کرد و دوچرخه‌هایی سنگین، با بدنه کروم و تایرهای بزرگ را برای بچه‌ها ساخت تا در سطح محله خود دوچرخه‌سواری کنند؛ اما بازار از دهه ۱۹۵۰ تا ۱۹۷۰ تغییر پیدا کرد. بسیاری از بزرگ‌سالان دوچرخه‌سواری را برای ورزش کردن انتخاب کردند و به دنبال دوچرخه‌های سبک‌تر و با کارایی بالاتر بودند. Schwinn در تطبیق با این تقاضا شکست خورد و مصرف‌کنندگان آمریکایی به سمت دوچرخه‌سازهای ژاپنی و اروپایی گرایش پیدا کردند. این ابتدای سقوط دردناک Schwinn به سمت نابودی بود. دیدگاه شرکت به مصرف‌کنندگان بعد از چندین دهه موفقیت در فروش دوچرخه به کودکان، فسیل‌شده بود (کهنه‌شده بود).

نوآوری

نوآوری به معنای شکستن گرایش به فکر کردن مقوله ای است. بسیاری از کسب‌وکارها قصد دارند تا کارایی فعالیت‌های خود را به‌وسیله افزایش دهند. آن‌ها وظایفی را به افراد می‌سپارند، افراد نیز این وظایف را به دپارتمان‌ها می‌سپارند و این روند همین‌طور ادامه پیدا می‌کند. این‌گونه مرزهایی با دیسیپلین برای یک هدف خدمت می‌کنند اما این مورد هزینه‌هایی هم در پی دارد. مشکلات تجاری آینده به‌سادگی در بین مرزهایی که برای کمک به حل مشکلات گذشته ایجادشده قرار نمی‌گیرند و تفکر محدود به دسته‌بندی‌های موجود امکان دارد سرعت تولید (خلق) دانش را کاهش دهد زیرا این امر در توانایی افراد به ترکیب عناصر به‌واسطه روش‌های جدید اختلال ایجاد می‌کند.

پژوهشگرانی از دانشگاه تورنتو در سال ۲۰۱۶ از ۲۰۰ شرکت‌کننده درخواست کردند تا با لگوهای در اختیار خود یک بیگانه (فرازمینی) بسازند. از برخی شرکت‌کنندگان درخواست شد از آجرهایی که در گروه‌هایی مرتب‌شده بود استفاده کنند و از دیگران نیز خواسته شد تا از آجرهایی که به شکل نامرتب بودند برای ساختن بیگانه استفاده کنند. از گروه سوم هم خواسته شد تا به خلاقیت افراد امتیاز دهند و در پایان اعلام شد که بیگانه‌هایی که با استفاده از آجرهای بدون ترتیب ساخته شدند خلاقیت بیشتری داشتند.

هنگامی‌که دسته‌بندی کهنه می‌شود، امکان دارد سبب دشوار شدن تفکر در مورداستفاده از اشیا (یا ایده‌ها) به روش‌های غیرمعمولی شود و همین امر مانع نوآوری به روش‌های دیگر شود. همین موضوع دلیل تثبیت کارکردی[۳۳] است. اگر یک پیچ و آچار به شما داده شود و درخواست شود تا پیچی را در دیوار فرو کنید، چه‌کاری انجام می‌دهید؟ احتمالاً سعی می‌کنید تا سرپیچ را به‌وسیله آچار نگه‌دارید و پیچ به سمت داخل دیوار بپیچانید – و قابل پیش‌بینی است که درنهایت نیز نتایج ناشیانه و ناکارآمد خواهد بود. مؤثرترین رویکرد استفاده از آچار مانند چکش و واردکردن پیچ به داخل دیوار مانند میخ است (که امکان دارد شما نتوانید این کار را هم انجام دهید).

کاستن از خطرات ناشی از تفکر مقوله ای

درنهایت چگونه یک رهبر مدبر می‌تواند از خطرات ناشی از تفکر مقوله ای دوری کند؟ در ادامه ما یک فرآیند ۴ مرحله‌ای پیشنهاد کرده‌ایم:

۱- آگاهی را افزایش دهید.

همه ما در قالبی مقوله‌ای می‌اندیشیم و دلایل خوبی نیز برای آن وجود دارد؛ اما ضروری است هرکسی که وظیفه تصمیم‌گیری را بر عهده دارد نسبت به ساده‌سازی‌های بیش‌ازحد فریبنده و دگرگونی‌هایی که تفکر مقوله ای افراد را به آن تشویق می‌کند و همچنین نسبت به احساس درک ساده که افراد را به آن ترغیب می‌کند و تعصبات (جانب‌داری‌های) نامرئی که ایجاد می‌کند، آگاهی داشته باشد. شرکت‌هایی که به بهترین وجه از این مشکلات جلوگیری می‌کنند، شرکت‌هایی هستند که به کارکنان خود کمک می‌کنند تا نسبت به عدم اطمینان، تفاوت‌های ظریف و پیچیدگی‌ها راحت‌تر باشند. سؤالاتی مانند آیا دسته‌بندی‌ها دارای اعتبار هستند؟ آیا مفید هستند؟ سوا لاتی هستند که باید در هنگام عمل تصمیم‌گیری دائماً پرسیده شوند.

۲- توانایی‌ها تجزیه‌وتحلیل دائمی داده‌ها را توسعه دهید.

کلید دوری از اشتباهات تصمیم‌گیری ناشی از تفکر مقوله ای، تجزیه‌وتحلیل دائمی و درست (خوب) است اما بسیاری از شرکت‌ها چگونگی انجام آن را نمی‌دانند. برای مثال هنگامی‌که نوبت بخش‌بندی فرا می‌رسد، آن‌ها عمل تجزیه‌وتحلیل را به شرکت‌های متخصص می‌سپارند اما پس‌ازآن به‌طور نادرست اطلاعاتی که خریداری کرده‌اند را تفسیر می‌کنند. این مشکل نسبتاً به‌آسانی قابل‌حل است. معیارهای مناسبی در جهت ارزیابی اعتبار یک بخش تعریف‌شده که به همراه = آموزش می‌تواند به کار گرفته شود. هر شرکتی که از پژوهش‌های بخش‌بندی به‌عنوان قسمت بزرگی از مطالعات بازاریابی یا برنامه‌ریزی استراتژیک استفاده می‌کند می‌بایست از چنین معیارها و آموزش‌هایی استفاده کند زیرا این معیارها فرصتی طلایی برای سازمان‌ها در جهت توسعه تخصص داخلی و بهره بردن از مزیت رقابتی فراهم می‌سازند.

۳- به معیارهای تصمیم‌گیری رسیدگی کنید.

بسیاری از شرکت‌ها تصمیم می‌گیرند که تنها پس از عبور از آستانه دلخواه به شکل زنجیره‌وار عمل کنند. این موضوع دو اشکال عمده دارد.

اول، ریسک را افزایش می‌دهد. تصور کنید که شرکتی برای تعیین موفق شدن محصول جدید مطالعه بازاریابی را انجام می‌دهد. اگر ارزیابی‌های مصرف‌کننده پس ‌از انجام مطالعه‌ای در مقیاس بزرگ در آستانه‌ای از پیش تعیین‌شده قرار بگیرد، یا اگر نتایج آزمایش مقدار p کوچک‌تر از عدد جادویی ۰.۰۵ باشد، امکان دارد تولید محصول انجام شود اما به دلیل اینکه اختلاف بین رد کردن یا رد نکردن آستانه بسیار اندک است، شرکت امکان دارد به‌سادگی به دلیل تغییرات اندک در نمونه یا سوگیری اندکی در روش جمع‌آوری داده، از آن عبور کند. یک اختلاف بسیار کم و ابتدایی معنادار امکان دارد سبب تصمیم‌گیری بسیار متفاوتی شود. همانند دولت بلژیک که در مورد سهام خریداری‌شده به تصمیمی روی آورد که عملاً تمام منافع را از آنها سلب می‌کرد. در چنین شرایطی، تصمیم مقیاس شده‌ای در زمینه سرمایه‌داری به‌جای تفکر دوگانه می‌توانست بهتر باشد.

دوم، آستانه دلخواه امکان دارد مانع یادگیری شود. شرکتی را در نظر بگیرید که برنامه‌ریزی کرده است درصورتی‌که به درآمد مشخص هدف‌گذاری شده نرسد، تغییرات سازمانی انجام دهد. به‌احتمال‌زیاد شما شگفت‌زده می‌شوید که چه تعداد از تصمیمات طبق معیار go/no go گرفته می‌شود. گاهی این موضوع غیرقابل دوری است اما معمولاً گزینه‌هایی وجود دارد و فرصت‌هایی برای بهره بردن از مزیت رقابتی ایجاد می‌کنند.

۴- جلسات مرتبی را برای جلوگیری از فسیل شدن، برنامه‌ریزی کنید.

حتی اگر ۳ مرحله بالا را انجام دهید، باز هم خطر فسیل شدن (کهنه شدن) وجود دارد. برای دوری از آن، جلسات مرتب فکری را برگزار کنید و در آن اساسی‌ترین باورهای خود در مورد اینکه چه اتفاقی در شرکت شما در حال رخ دادن است را موشکافی کنید. آیا هنوز مدل شما در مورد مشتریان درست است؟ آیا نیازها و تمایلات مشتریان تغییر کرده است؟

یکی از روش‌های نوآوری، تأمل در مؤلفه‌های فردی شکل‌دهنده دسته‌های موجود و تصور کردن عملکرد جدید برای آن‌هاست. برای مثال، خودروها افراد را از نقطه A به B منتقل می‌کنند و پستچی‌ها نیز نامه‌ها را از نقطه A به B می‌برند. درست است؟

خب بله، اما اگر این‌گونه فکر کنید شما احتمالاً از فرصت‌های جالبی چشم‌پوشی می‌کنید. آمازون این موضوع را فهمید. هنگامی‌که شرکت در مورد کارکرد خودروها شک کرد، متوجه شد که می‌توان از خودروها برای دریافت بسته‌ها استفاده کرد، بنابراین در ایالات‌متحده شرکت شروع به رساندن نامه‌ها به صندوق‌های خودروها برای مشتریان برگزیده کرد. مشابه همین مورد، در هلند هنگامی‌که PostNL عملکرد پستچی‌ها را بررسی کرد، روی داد؛ این شرکت متوجه شد که آن‌ها وقتی‌که در مسیر خود به سمت مقصد حرکت می‌کنند، به‌طور مرتب می‌توانند از علف‌های هرز عکس بگیرند تا برای ارزیابی بهتر اثربخشی علف‌کش‌ها از تصاویر استفاده کنند – یک کار باارزش که تفکر مقوله ای نمی‌گذارد هیچ‌گاه به آن توجه کند.

نتیجه‌گیری

دسته‌ها درواقع (به معنا) نحوه خلق احساس ما از دنیا و در میان گذاشتن ایده‌های ما با دیگران را شکل می‌دهند ولی ما ماشین‌های دسته‌بندی هستیم که اغلب دسته‌هایی را می‌بینیم که وجود نداشته‌اند. این موضوع دیدگاه ما نسبت به جهان را تحت سیطره در می‌آورد و به تصمیم‌گیری‌ها ضربه وارد می‌کند. در روزگاران قدیم، کسب‌وکارها قادر بودند تا در صورت وجود این مشکلات نیز پیشرفت کنند اما امروزه هم‌زمان با پیشرفت‌های انقلابی داده، یادگیری (در مورد تفکر مقوله ای) یکی از کلیدهای موفقیت برای کم اثر کردن پیامدهای ناشی از تفکر مقوله ای است.

---

[۱] Categorical Thinking

[۲] – Voice onset time

[۳] – Categorical Divine Line

[۴] – Categorization machine

[۵] – Valid

[۶] – Carve nature at its joints

[۷] – Useful

[۸] – Extrovert

[۹] – Introvert

[۱۰] – Judger

[۱۱] – Perceiver

[۱۲] – Compress

[۱۳] – Amplify

[۱۴] – Discrimination

[۱۵] – Fossilize

[۱۶] Compression

[۱۷] – Prototype

[۱۸] – Todd Rose

[۱۹] – The End of Average

[۲۰] – The Screening Effect

[۲۱] – Amplification

[۲۲] Extremity

[۲۳] – False Discovery Rates

[۲۴] – No Targeting

[۲۵] – Full Targeting

[۲۶] – Partial Targeting

[۲۷] – Mass Marketing

[۲۸] – Targeting Broadly

[۲۹] – Targeting Narrowly

[۳۰] – Fredrick F. Reichheld

[۳۱] – The One Number You Need to Grow

[۳۲] – Service Desk

[۳۳] – Functional Fixedness