کتاب Data Driven Decisions

کتاب Data Driven Decisions: Systems Engineering to Understand Corporate Value and Intangible Assets (تصمیمات مبتنی بر داده: مهندسی سیستم برای درک ارزش شرکت و دارایی‌های نامشهود) در 3 بخش مختلف به شرح مفاهیم تصمیم‌گیری بر مبنای داده‌های موجود خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Data Driven Decisions را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Data Driven Decisions:

این کتاب در درجه اول به ارزیابی‌های شرکتی و مهندسی سیستم‌ها در رابطه با نحوه ترکیب آن‌ها برای کمک به صاحبان مشاغل، تحلیلگران، سرمایه‌گذاران و مشاوران در درک دارایی‌های نامشهود یک تجارت می‌پردازد.

برای دستیابی به بررسی کافی از سه موضوع ارزش‌گذاری شرکت، مهندسی سیستم‌ها و دارایی‌های نامشهود، باید هر یک از آن‌ها را به اجزای خود تقسیم کنیم تا دقیقاً منظورمان از اصطلاحات مربوطه چیست.

ارزش‌گذاری شرکتی یک اصطلاح ساده برای درک است. این به سادگی به معنای ارزش یک شرکت است. ارزش‌گذاری، همانطور که بعداً در این کتاب به آن خواهیم پرداخت، به طور کلی توسط یکی از این دو روش تعیین می‌شود – روش‌شناسی درآمد و روش‌شناسی قابل مقایسه.

روش‌شناسی درآمد از پیش‌بینی جریان نقدی کسب‌وکار به دست می‌آید که سپس بر اساس ارزش زمانی پول تنزیل می‌شود. یکی به ارزش فعلی کسب و کار بر اساس جریان‌های نقدی آن می‌رسد.

روش دوم ارزش‌گذاری شرکتی که معمولاً مورد استفاده قرار می‌گیرد، روش‌شناسی مقایسه‌ای است، که در آن شرکت‌های مشابهی که معاملات را در بازارهای سرمایه بر اساس نوعی چندگانه یا بر اساس نوعی شناسه و سپس آن شناسه را برای کسب و کار مورد نظر اعمال می کند.

نسبت قیمت به سود هر سهم (Multiples) معمولاً ارزش شرکتی درآمد یا ارزش شرکت بر درآمدهای قبل از بهره، مالیات، استهلاک و استهلاک (EBITdA) هستند، اما شناسه‌های چندگانه می‌توانند چیزی به سادگی توسعه محصول یا یک تیم مدیریتی پیچیده را شامل شوند.

عنصر دوم مهندسی سیستم‌ها است که در ادامه این فصل کتاب Data Driven Decisions با جزئیات بیشتر به آن خواهیم پرداخت. مهندسی سیستم‌ها، که بسیار کمی است، ابزاری است که عموماً در دوره‌های تحصیلات تکمیلی در دسترس است تا به مهندسان کمک کند تا با مهندسان دیگر کار کنند. این ابزار توسط یک سری ابزار هدایت می‌شود که در کشف ارزش‌گذاری‌های شرکتی و دارایی‌های نامشهود بسیار مفید خواهند بود.

در دنیای مشاوره و ابزار‌های عملیاتی، آخرین بخش مثلث دارایی‌های نامشهود است که اساساً دارایی‌هایی هستند که نمی‌توانید آن‌ها را لمس یا احساس کنید، مانند دانش فنی، فرآیند‌ها، تخصص، نرم‌افزار، ثبت اختراع، علائم تجاری، کپی رایت، گردش کار. ، و موارد مختلف دیگری که به آن‌ها خواهیم پرداخت.

آنچه من می‌خواهم در حال حاضر روی آن تمرکز کنم، ارزش‌گذاری شرکت‌ها، مهندسی سیستم‌ها و دارایی‌های نامشهود است. هر سه این مفاهیم در حوزه علمی و عملی خود با یکدیگر همگرا یا همپوشانی دارند. مهندسی سیستم‌ها احتمالاً مهم‌ترین یا خاص‌ترین حوزه از این سه حوزه است، و بنابراین، ابتدا آن را بررسی می‌کنیم تا تکنیک‌ها و اصول مربوط به کتاب Data Driven Decisions را تعیین کنیم.

بیشتر بخوانید: کتاب Data Analysis For Business Decisions

بهترین راه برای توصیف مهندسی سیستم به عنوان یک عمل، از طریق مفهوم یک مهندس T شکل است. همه برنامه‌های مهندسی سیستم‌ها در سراسر جهان این‌ایده یک مهندس T شکل را شناسایی و مورد بحث قرار می‌دهند. مهندس T شکل کسی است که در همه دسته‌ها گسترده است، یعنی فردی که دانش عمیقی در یک حوزه خاص دارد اما در عین حال قادر به کار در حوزه‌های مختلف است. به طور خلاصه، آن‌ها دارای تخصص متقابل انضباطی هستند.

آن‌ها به عنوان مثال با حوزه‌های هوافضا، مکانیک، الکتریکی، عملیاتی و صنعتی آشنایی دارند، اما در یک زمینه، به عنوان مثال، مکانیک، یک رشته عمیق واحد دارند.
شفت عمودی روی T در استعاره نشان می‌دهد که آن‌ها در یک صنعت واحد یا حوزه موضوعی واحد بسیار عمیق هستند و نوار افقی روی T به تجربه آن‌ها یا ظرفیت آن‌ها برای کار در انواع مختلف اشاره دارد. صنایع در زمینه ارزش‌گذاری‌های شرکتی و دارایی‌های نامشهود، باید با این اصطلاحات T شکل دقیق‌تر رفتار کنیم.

در مورد موارد نامشهود، آن‌ها برای هر دامنه‌ای که من در مثال مهندسی T شکل خود به آن اشاره کردم – هوافضا، مکانیک و غیره – قابل استفاده هستند. نامشهود‌ها به خودی خود عمق مهندسی را تشکیل نمی‌دهند. به جز، شاید، در علوم کامپیوتر، جایی که بحث در مورد کد نرم‌افزار است. اما این یک تعریف ساده لوحانه خواهد بود و برای دامنه کتاب Data Driven Decisions بسیار کوچک است.

تخصص عمیق در یک رشته که در اصول مهندسی سیستم‌های این کار اعمال می‌شود، در حوزه ارزش‌گذاری شرکت‌ها و ارزش‌گذاری‌های شرکتی – یا رشد شرکت‌ها – است و یک دامنه بسیار خاص و به نوعی خود یک دامنه T شکل است. که از استراتژی‌های اقتصاد کلان و اقتصاد خرد کسب‌وکار و عوامل تجاری منحصربه‌فرد استفاده می‌کند که به شناسایی اینکه چرا یک شرکت ممکن است ارزش متفاوتی نسبت به دیگری داشته باشد کمک می‌کند. تا حد زیادی توسط جنبه‌های مالی هدایت می‌شود.

اگر به ارزش‌گذاری شرکت‌ها نگاه کنید، تمرکز عمده روی امور مالی کسب‌وکار است. اما مسائل مالی تنها راه ارزش‌گذاری یک تجارت نیست، به ویژه در عصر دارایی‌های نامشهود، که در بخش‌های دیگر کتاب Data Driven Decisions به آن خواهیم پرداخت. نکته پایانی این است که مهندسی سیستم‌ها ابزاری در حوزه توسعه شرکت و ارزش‌گذاری شرکت است. مجموعه‌ای از ابزار‌هایی است که مهندسان برای کار با سایر انواع مهندسان استفاده می‌کنند.

تکنیک‌ها و اصول مهندسی سیستم‌ها شامل تحلیل اثر حالت خطا و جریان‌های فرآیند با سلسله مراتب تحلیلی است. همه چیز این است که بتوانیم تصمیماتی را که گرفته می‌شود (سیستم‌های ناملموس)، به طور خاص با یک ذهنیت مهندسی، که همیشه کمی بیشتر و متمرکزتر از آنچه ممکن است در مدرسه کسب و کار با آن آشنا باشد، تعیین کنیم.

بیشتر بخوانید: کتاب Data Mining and Predictive Analytics for Business Decisions

به عنوان مثال، یک ابزار متداول مهندسی سیستم‌ها می‌تواند شامل فرآیند تمایل مشتری باشد، که یک تکنیک استخراج است که به فرآیند تجزیه نظرات مشتری یا بازخورد مشتری به چندین ویژگی یا دسته‌بندی مهم کمک می‌کند یا امکان‌پذیر می‌کند.

این بیشتر برای مناطق کاری مانند توسعه محصول کاربرد دارد. اولین گام پردازش تمایل مشتری (تبدیل خریداران به وفادار به برند) ترکیب صد‌ها قطعه بازخورد مشتری، یعنی صد‌ها نظر، در دسته‌های خاص برای ایجاد احساسات در این بخش‌ها است.

در مثال یک سیستم مکانیکی، می‌تواند در مورد سرعت معین، سطح معینی از دوام یا سطح مشخصی از ویژگی‌های فیزیکی باشد که مشتریان به دنبال آن هستند. به عنوان مثال، مشتری که به چکش نیاز دارد ممکن است نظراتی مانند \”من می‌خواهم چکش من هشت تا چهارده اینچ باشد\” را ارائه دهد. از آنجایی که این نظرات گروه‌بندی می‌شوند، به یک مهندس، نه یک تاجر، اجازه می‌دهد تا بداند مرتبط‌ترین اطلاعات چیست تا بتواند مهندسان دیگر را مطلع کند.

قابل تحویل یک فرآیند تمایل مشتری یک محاسبه بسیار پیچیده نیست. این خود یک مصنوع تجاری بسیار ساده است که مشاوران و متخصصان مالی عادت دارند بار‌ها و بار‌ها آن را بیان کنند. چیزی که آن را در زمینه کتاب Data Driven Decisions و در زمینه مهندسی منحصر به فرد می‌کند این است که روشی اساساً کمی برای شناسایی یک به یک همه نظرات مختلف مشتریان و دسته‌بندی یا ترکیب آن‌ها در مجموعه‌هایی است که مشتری یا دیگری ممکن است مهندسان نیاز به دانستن داشته باشند.

دسته‌ها می‌توانند شامل هر نوع مشخصه‌ای باشند که سلسله مراتب گروه‌بندی نسبی سیستم مورد نظر است، مانند ایمنی و دوام. سرعت ممکن است مقوله بسیار خوبی برای یک سیستم نامشهود باشد که بیشتر مبتنی بر نرم‌افزار است. نمونه دیگری از ابزار مهندسی سیستم که برای ارزش‌گذاری شرکت‌ها و دارایی‌های نامشهود بسیار کاربردی است، نمودار‌های زمینه و ماتریس‌های زمینه هستند که شامل طوفان فکری و تفکر در مورد اجزایی است که ممکن است با سیستم تعامل داشته باشند.

این می‌تواند شامل ذینفعان خارجی، ذینفعان داخلی و افرادی باشد که با سیستم آشنا یا ناآشنا هستند. این اصول مهندسی سیستم‌ها را می‌توان با کمک نمودار زمینه در شکل ۰. ۱ توضیح داد. شما یک جعبه را می‌گیرید و یک فعل در مورد نحوه تعامل یک جعبه با سیستم می‌نویسید.

به عنوان مثال، زمانی که کاربر وارد یک سکوی نرم‌افزاری می‌شود، یک کسب و کار مشتریان خود را درگیر می‌کند، مشتریان با کسب و کار، و غیره و غیره. تعداد این ذینفعان خارجی و نحوه بیان این افعال نشان می‌دهد که چگونه ذینفعان داخلی یا خارجی با سیستم تعامل دارند که در مثال ما تجارت است.

این یک روش بسیار قابل اندازه‌گیری و بسیار خاص برای درک چگونگی تعامل ذینفعان با کسب‌وکار است، و این یک فرآیند فکری است که توسط نمودار زمینه‌ای فعال می‌شود که توسط این سیستم‌های فیزیکی و مکانیکی که در داخل مهندسی سیستم‌ها مشاهده می‌کنیم، بسیار رایج شده است.

در حین صحبت در مورد ابزار‌های مهندسی سیستم‌های مختلف و نحوه ارتباط آن‌ها با ارزش‌گذاری‌های شرکتی، ده تا پانزده مورد از این نمونه‌ها را مرور خواهیم کرد. برای هدایت این نقطه به طور خاص: نمودار‌های زمینه روشی بسیار مؤثر برای درک چگونگی تعامل ذینفعان داخلی و خارجی با کسب و کار و تأثیرات عملی آن‌ها بر تجارت است.

حسابرسان یک کسب و کار را تحلیل و نقد می‌کنند، مشتریان از کسب و کار خرید می‌کنند، مشتریان به کسب و کار باز می‌گردند و مشتریان کسب و کار را تبلیغ می‌کنند. با یک ابزار فرآیند تمایل مشتری، این در مورد گروه‌بندی بازخورد مشتری در مجموعه‌های طبقه‌بندی شده تلفیقی است تا مدیران و سرمایه‌گذاران بتوانند تصمیم بگیرند که کدام نیاز‌های مشتری به یکدیگر مرتبط است.

بدون استفاده از مهندسی سیستم‌ها، این ابزار‌ها عمدتاً به واحد‌های تجاری تصادفی، اغلب در فروش و بازاریابی منتقل می‌شوند، که من استدلال می‌کنم مکان اشتباهی برای آن‌ها و در نهایت باعث می‌شود ارزش‌گذاری دقیق‌تر شود زیرا این کارکردهای تجاری این کاربردها را درک نمی‌کنند.

سرفصل‌های کتاب Data Driven Decisions:

• Cover Page
• Title Page
• Copyright Page
• Contents
• Foreword
• Prologue
• Introduction
• Part I Intangible Assets
  • Chapter 1 When Intangibles Matter Most: Defining Intangible Assets
  • Chapter 2 Examples of Intangible Assets
  • Chapter 3 The Rise of Intangible Economies
  • Chapter 4 Defining Intangibles
  • Chapter 5 Valuing Intangible Assets
  • Chapter 6 EBITDA Is Not the Best Way to Value Intangible-Heavy Companies
  • Chapter 7 Separability, Measurability, and Predictability
  • Chapter 8 Why Systems Engineering Is Relevant for Corporate Valuations and Intangible Assets
  • Chapter 9 What Intangibles Matter Most for Corporate Valuation
  • Chapter 10 What Intangibles Matter Most for Corporate Expansion
  • Chapter 11 Buy-Side Intangibles
  • Chapter 12 PE Ratios
  • Chapter 13 The Business Moat as an Intangible Asset
  • Chapter 14 How Investors Think About Intangibles
  • Chapter 15 Intangible Assets in Branded Consumer Products
  • Chapter 16 Intangible Assets in Healthcare
• Part II Systems Engineering Tools and Examples
  • Chapter 17 Systems Engineering Tools
  • Chapter 18 Customer Affinity and Context Diagrams
  • Chapter 19 Context Diagrams and Context Matrices
  • Chapter 20 Use Cases and Behavioral Diagrams
  • Chapter 21 Originating Requirements
  • Chapter 22 Decision Matrix
  • Chapter 23 GQM – Goal Question Metric Analysis
  • Chapter 24 Analytical Hierarchy
  • Chapter 25 Precedence Matrix
  • Chapter 26 Failure Mode and Effect Analysis
  • Chapter 27 Interface Matrix
  • Chapter 28 House of Quality
  • Chapter 29 Operations Description Template
  • Chapter 30 Interface Tracking
  • Chapter 31 Conclusion to Tools
  • Chapter 32 GQM, Decision Matrix, and Analytical Hierarchy for Ad-Tech Industries
  • Chapter 33 GQM, Decision Matrix, and Analytical Hierarchy for Logistics Industries
  • Chapter 34 GQM, Decision Matrix, and Analytical Hierarchy for Manufacturing Industries
• Part III Geographical Application
  • Chapter 35 Introduction
  • Chapter 36 The MENA Region
  • Chapter 37 The ASEAN Region
  • Chapter 38 The Latin American Region
  • Chapter 39 Case Studies: Bringing It All Together
  • Chapter 40 Case Studies: LATAM Expanding to the United States
  • Chapter 41 Case Studies: MENA Medical Devices
  • Chapter 42 Case Studies: ASEAN Aerospace Schema – Context Diagram
  • Chapter 43 Case Studies: In Conclusion
  • Chapter 44 Summary
• Bibliography
• Index
• EULA

جهت دانلود کتاب Data Driven Decisions می‌توانید پس از پرداخت، دریافت کنید.