مدیران جدید، دادههای شدید؛ عصر تازه مدیریت استراتژی
مقدمه
دنیای کسبوکار امروز بیش از هر زمان دیگری تحتتأثیر انفجار داده، بلوغ فناوریهای تحلیلی و هوش مصنوعی، و سرعت بالای تغییرات محیطی قرار گرفته است. اگر دو دهه قبل تصمیمگیری مدیریتی عمدتاً بر پایه گزارشهای دورهای، برداشتهای مدیریتی، تجربیات انباشته و برخی دادههای محدود صورت میگرفت، امروز این الگو دگرگون شده است. اکنون داده از منابع گوناگون—از تراکنشهای دیجیتال و رفتار مشتری گرفته تا سنسورها، لاگهای سیستم، شبکههای اجتماعی و حتی دادههای زنجیره تأمین—به صورت پیوسته تولید میشود و به شکل لحظهای یا نزدیک به لحظه وارد جریان تصمیمسازی میگردد.
اما پرسش کلیدی این است: آیا حجم بیشتر داده الزاماً به تصمیم بهتر منجر میشود؟ تجربه بسیاری از سازمانها نشان داده که «داده بیشتر» میتواند هم قدرت ایجاد کند و هم آشفتگی. در بسیاری از شرکتها، مشکل اصلی دیگر «نبود اطلاعات» نیست؛ مسئله، ناتوانی در تبدیل اطلاعات به بینش، بینش به اقدام، و اقدام به یادگیری سازمانی است. مدیران جدید دقیقاً در همین نقطه نقش تعیینکننده دارند: آنها باید بتوانند در میدان دادههای شدید (Severe Data) حرکت کنند، سیگنال واقعی را از نویز جدا کنند و استراتژی را به شکلی طراحی کنند که در دنیای پرشتاب هم قابل اجرا باشد و هم قابل اصلاح.
از همینرو، این مقاله تلاش میکند تصویر دقیقتری از عصر تازه مدیریت استراتژی ترسیم کند: عصری که در آن مدیران فقط مدیر «گزارش» نیستند، بلکه مدیر «چارچوب تصمیم»اند. دادهها شدیدتر میشوند، اما مدیران باید پاسخهایشان هوشمندانهتر باشد—ترکیبی از تحلیل، شهود حرفهای، منطق سیستمی و یادگیری مستمر.
بخش اول: انفجار داده و تغییر ماهیت تصمیمگیری مدیریتی
اقتصاد داده و سازمانهای دادهمحور
در اقتصاد جدید، داده صرفاً یک دارایی پشتیبان نیست؛ بلکه به یک دارایی استراتژیک تبدیل شده است. سازمانهای دادهمحور (Data-Driven Organizations) با این فرض کار میکنند که تصمیمها باید بر مبنای شواهد شکل بگیرند و شواهد از داده استخراج شود. این سازمانها معمولاً از خود میپرسند:
چگونه میتوانیم مسئله را به داده قابل اندازهگیری تبدیل کنیم؟
کدام دادهها واقعاً ارزش تصمیم دارند؟
چگونه کیفیت داده و حاکمیت داده (Data Governance) را مدیریت میکنیم؟
چگونه از بین تحلیلها به یک تصمیم عملی و سنجشپذیر برسیم؟
در واقع، انفجار داده باعث شده ماهیت تصمیمگیری از «تصمیمهای دورهای» به «تصمیمهای پیوسته و چرخهای» تغییر کند. مدیران دیگر تنها گزارش ماهانه یا فصلی را نمیبینند؛ آنها با داشبوردهای لحظهای، شاخصهای عملکرد پویا، و مدلهایی روبهرو هستند که رفتار مشتری، ریسک عملیاتی و ظرفیتهای آینده را برآورد میکنند.
نقش هوش مصنوعی، تحلیل کلانداده و سیستمهای تصمیمیار
فناوریهایی مانند تحلیل کلانداده، یادگیری ماشین و هوش مصنوعی، تصمیمگیری مدیریتی را از چند جهت تغییر میدهند:
پیشبینی (Forecasting): پیشبینی فروش، تقاضا، نوسانات قیمت، نرخ ریزش مشتری و زمانبندی تعمیرات.
طبقهبندی و تشخیص (Classification & Detection): تشخیص تقلب، شناسایی تخلفات، یا تشخیص ناهنجاریهای عملیاتی.
بهینهسازی (Optimization): بهینهسازی مسیر حملونقل، زمانبندی تولید، تخصیص نیروی انسانی و مدیریت موجودی.
توصیهگری (Recommendation): پیشنهاد محصولات به مشتریان بر اساس رفتارشان یا پیشنهاد اقدامات به تیم عملیاتی بر اساس شرایط.
برای نمونه، شرکتهای تجارت الکترونیک معمولاً با مدلهای توصیهگر کار میکنند. این مدلها ممکن است بهجای تصمیمهای شهودی درباره «کدام کالا را در کدام فصل برجسته کنیم»، به مدیر بازاریابی کمک کنند که بر اساس الگوی خرید واقعی تمرکز ایجاد کند. همچنین در صنعت بیمه، مدلهای پیشبینی ریسک میتوانند میزان خسارتهای آینده را با دقت قابل توجهی برآورد کنند و به شرکت کمک کنند قیمتگذاری و مدیریت پرتفوی را دقیقتر انجام دهد.
فرصتها و خطرات اتکای بیش از حد به داده
داده میتواند فرصت بسازد—اما اگر کنترل نشود میتواند آسیب هم ایجاد کند. سه خطر رایج در اتکای بیش از حد به داده عبارتاند از:
1) خطاهای ناشی از کیفیت داده
اگر داده ناقص، سوگیرانه یا اشتباه جمعآوری شده باشد، مدلها هم صرفاً همان خطاها را تکرار و حتی تشدید میکنند. مثلاً اگر در یک شرکت، دادههای CRM رفتار مشتریان را درست نشان ندهند، مدلهای پیشبینی ممکن است مشتریان واقعی را با مشتریان «غیرواقعی» یا کانالهای ناموفق اشتباه بگیرند.
2) توهم قطعیت
مدلها خروجیهایی با اعداد دقیق ارائه میدهند، اما این اعداد الزاماً «واقعیت» را بدون ابهام منعکس نمیکنند. مدیران ممکن است به اشتباه تصور کنند که پیشبینی مدل یعنی «قطعاً همین اتفاق میافتد»، در حالی که بسیاری از این خروجیها احتمالمحورند.
3) غفلت از زمینه انسانی و سازمانی
داده به تنهایی نمیتواند به شما بگوید کارکنان چگونه واقعاً واکنش نشان میدهند، فرهنگ سازمانی چگونه بر اجرای استراتژی اثر میگذارد یا مشتری در لحظه تصمیم چگونه تحت تأثیر تجربه برند قرار میگیرد. بنابراین، داده نباید جای تجربه مدیریتی را بگیرد، بلکه باید جای «حدس بیپایه» را پر کند.
در نتیجه، مدیریت استراتژی در عصر داده یعنی ایجاد توازن میان قدرت داده و محدودیتهای آن.
بخش دوم: مدیران جدید چه تفاوتی با مدیران سنتی دارند؟
مهارتهای موردنیاز مدیران در عصر داده
مدیر سنتی غالباً بر مهارتهایی مانند مذاکره، سازماندهی تیم، مدیریت روابط و تصمیمگیری مبتنی بر تجربه تکیه داشت. مدیر جدید اما در کنار این مهارتها به مجموعهای از توانمندیها نیاز دارد که بدون آنها، سازمان ممکن است در مسیر داده هزینه کند اما به نتیجه نرسد.
مهارتهای کلیدی مدیران دادهمحور شامل موارد زیر است:
درک مفهومی داده و مدلها: مدیر لازم نیست برنامهنویس باشد، اما باید بداند مدل چه میکند، فرضهایش چیست و محدودیتهایش کجاست.
مهارت سوالپرسیدن درست: یکی از مهمترین تواناییها، تبدیل مسئله کسبوکار به مسئله تحلیلی است. سؤال درست، نصف پاسخ است.
قدرت تفسیر و ارتباط بین تیمها: مدیر باید بتواند یافتههای تحلیلی را به زبان کسبوکار برای مدیران ارشد، به زبان فنی برای تیم داده، و به زبان عملی برای واحدهای اجرایی ترجمه کند.
مدیریت تغییر و پذیرش سازمانی: داده محور بودن یعنی تغییر رفتار: از تصمیمگیری تا ارزیابی عملکرد و مدیریت ریسک. بدون مدیریت تغییر، تحلیلها به عمل تبدیل نمیشوند.
در عمل، بسیاری از سازمانها با مشکل «پروژههای تحلیلی بیمحصول» مواجه میشوند: مدل ساخته میشود، اما در فرایند تصمیمگیری وارد نمیشود. اینجا مدیر جدید استراتژیمحور باید ریشه مشکل را ببیند: آیا مسئله کسبوکار دقیق تعریف شده؟ آیا شاخصهای موفقیت روشن هستند؟ آیا جریان تصمیم در سازمان تغییر کرده است؟
ترکیب شهود مدیریتی با تحلیل داده
نکته ظریف این است که داده جای شهود را نمیگیرد؛ بلکه شهود را دقیقتر میکند. شهود مدیریتی اگر فقط بر تجربه گذشته تکیه کند، ممکن است اسیر «تکرار گذشته» شود. اما وقتی شهود با داده تقویت شود، به شکل یک مزیت رقابتی تبدیل میشود: مدیر از داده به عنوان چراغ راه استفاده میکند، نه به عنوان حقیقت مطلق.
برای مثال، در یک شرکت تولیدی که قصد دارد درباره سرمایهگذاری در اتوماسیون تصمیم بگیرد، داده میتواند هزینههای کاهشیافته، افزایش بهرهوری و زمان بازگشت سرمایه را تخمین بزند. اما این تحلیل ممکن است همه واقعیتها را پوشش ندهد: از مقاومت کارکنان در برابر تغییر تا قابلیت جذب و آموزش نیروی انسانی، تا ریسکهای اجرایی. بنابراین، مدیر باید بر اساس تحلیل داده، شهود سازمانی خود را در چارچوب واقعیتها قرار دهد و تصمیمی اتخاذ کند که هم از نظر مالی معنیدار است و هم قابل اجرا.
سواد داده (Data Literacy) به عنوان مهارت کلیدی رهبری
سواد داده یعنی توانایی فهم مفاهیم پایهای داده، آمار، مفروضات مدلها، و پیامدهای تصمیمهای مبتنی بر داده. در سطح مدیریتی، سواد داده سه خروجی عملی دارد:
توانایی پرسش درباره کیفیت داده و طراحی آزمایش/ارزیابی
مثلاً مدیر باید بتواند بپرسد: داده از کجا میآید؟ چگونه تمیز شده؟ چگونه بهروزرسانی میشود؟ آیا آزمون A/B انجام شده یا داده صرفاً تاریخی است؟توانایی تفسیر نتایج با درک عدم قطعیت
مدیر باید بتواند تفاوت بین همبستگی و علیت، و تفاوت بین دقت مدل و سود کسبوکار را تشخیص دهد.توانایی تصمیمگیری بر اساس ارزش (Value) نه فقط دقت (Accuracy)
گاهی مدل دقیقتر است اما هزینه آن یا ریسک اجرای آن بالاست. تصمیم مدیریتی باید ارزش نهایی را بسنجد.
در عصر داده، مدیرانی که سواد داده ندارند معمولاً یا بیش از حد به تحلیلها اعتماد میکنند یا آنها را نادیده میگیرند. مدیر جدید باید هر دو افراط را مدیریت کند.
بخش سوم: فرآیند جدید مدیریت استراتژی در عصر داده
مدیریت استراتژی در عصر داده دیگر یک رویداد سالانه نیست؛ بلکه یک سیستم چرخهای است که از محیط شروع میکند، به اجرا میرسد و با یادگیری سازمانی کامل میشود. در ادامه، فرآیند مرحلهای مدیریت استراتژی را به شیوهای عملیاتی ارائه میکنیم:
1) پایش محیط و جمعآوری دادهها
قدم اول، تعریف دقیق مسئله و دامنه تصمیم است. در این مرحله مدیر باید مشخص کند:
چه متغیرهایی اهمیت دارند؟ (مشتری، رقابت، هزینه، ریسک، ظرفیت)
چه افقی را نگاه میکنیم؟ کوتاهمدت یا بلندمدت؟
کدام دادهها قابل دسترساند و کدامها باید تولید شوند؟
آیا دادهها از نظر حقوقی و اخلاقی مجاز هستند؟
برای مثال، یک بانک که قصد دارد استراتژی کاهش نرخ ریزش را تدوین کند، باید بداند دادههای مرتبط شامل چه چیزهایی است: الگوی استفاده از اپلیکیشن، زمان تماس با پشتیبانی، نوع محصولات، رویدادهای رفتاری قبل از خروج مشتری، و سیگنالهای تعامل با کمپینها.
2) تحلیل داده و استخراج الگوها
در این مرحله تحلیل فقط «گزارشسازی» نیست؛ بلکه تلاش برای استخراج الگوهای معنادار است. انواع تحلیلها میتوانند شامل این موارد باشند:
تحلیل توصیفی: چه اتفاقی افتاده؟
تحلیل تشخیصی: چرا اتفاق افتاده؟
تحلیل پیشبینانه: احتمال وقوع چه چیزی چقدر است؟
تحلیل تجویزی: چه اقدامی بیشترین اثر را دارد؟
اما مدیر باید مطمئن شود که تحلیلها دارای چارچوب هستند: آیا از داده بهطور صحیح استفاده شده؟ آیا مدل آموزش دیده روی دادهای مشابه محیط واقعی است؟ آیا آزمونهای اعتبارسنجی انجام شده؟ آیا احتمال overfitting وجود دارد؟
3) تبدیل داده به بینش استراتژیک
بینش استراتژیک یعنی ارتباط دادن الگوها به تصمیم و مزیت رقابتی. بسیاری از سازمانها در این مرحله متوقف میشوند: گزارش میدهند، اما استراتژی تولید نمیکنند. بینش استراتژیک باید پاسخ دهد:
این الگو دقیقاً چه چیزی را درباره مزیت رقابتی ما تغییر میدهد؟
آیا این فرصت یا تهدید پایدار است یا صرفاً یک نوسان؟
چه فرضی باید برای آینده بپذیریم؟
کدام بخش بازار یا مشتریان ارزش هدفگیری دارند؟
مثلاً در صنعت خردهفروشی، تحلیل ممکن است نشان دهد برخی مناطق شهر نرخ وفاداری بالاتری دارند. اما بینش استراتژیک میگوید: آیا این وفاداری ناشی از قیمت است، تنوع محصول یا تجربه فروش؟ و سپس به تصمیم برای تغییر مدل عرضه یا برنامه بازاریابی تبدیل میشود.
4) طراحی گزینههای استراتژیک
در عصر داده، طراحی گزینههای استراتژیک باید سیستماتیک شود. مدیران جدید به جای ساخت یک مسیر واحد، مجموعهای از گزینهها را تعریف میکنند و سپس با معیارهایی مانند هزینه، ریسک، اثر مالی، اثر عملیاتی و قابلیت اجرا، آنها را رتبهبندی میکنند.
در این مرحله، ابزارهای تحلیل میتوانند در «شبیهسازی سناریو» کمک کنند. برای مثال:
اگر قیمت را ۱۰٪ کاهش دهیم، تقاضا چقدر تغییر میکند؟
اگر کانال فروش را به دیجیتال منتقل کنیم، هزینه خدمت مشتری چه میشود؟
اگر زنجیره تأمین را متنوع کنیم، ریسک تأخیر کاهش مییابد؟
5) تصمیمگیری و اولویتبندی
تصمیمگیری در عصر داده باید به یک مکانیزم شفاف تبدیل شود. مدیر باید تعیین کند:
تصمیم بر اساس کدام شاخصها و چه سطوحی از عدم قطعیت انجام میشود؟
چه مقدار «ریسک قابل قبول» است؟
چه بخشی از تصمیم نیاز به تأیید انسانی دارد و کدام بخش میتواند خودکار شود؟
برنامه مدیریت ریسک (Risk Management Plan) چیست؟
این بخش معمولاً با تضاد میان تیمها همراه است: تیم داده ممکن است پیشنهاد کند که مدل جدید پیاده شود، تیم مالی ممکن است بگوید هزینه زیاد است، و تیم عملیات ممکن است بگوید زمان پیادهسازی کم است. مدیر جدید باید با ساخت چارچوب تصمیم، این تضاد را به یک تصمیم عملی تبدیل کند.
6) اجرای استراتژی در سازمان
اجرا جایی است که ارزش واقعی داده نمایان میشود. اگر تحلیلها بدون تغییر در فرایندهای سازمانی اجرا نشوند، به نتیجه نمیرسند. در این مرحله باید:
مالکیت فرایندها مشخص شود (Who owns what?)
شاخصهای عملکرد تعریف شود (KPIs و OKRs)
قابلیتهای لازم در تیمها ایجاد شود (آموزش، ابزار، دسترسی به داده)
گلوگاهها و ریسکهای عملیاتی مدیریت شود
برای مثال، اگر یک شرکت تصمیم میگیرد سیستم پیشبینی تقاضا را برای برنامهریزی تولید استفاده کند، باید مطمئن شود تیم برنامهریزی تولید به داده دسترسی دارد، برنامه تولید با پیشبینی همراستا میشود و اختلافات بین پیشبینی و واقعیت قابل تحلیل و اصلاح است.
7) پایش نتایج و یادگیری سازمانی
آخرین مرحله چرخه، یادگیری است. در سازمان دادهمحور، نتیجه فقط «گزارش شکست یا موفقیت» نیست؛ بلکه ورودی برای بهبود مدلها، بهبود تصمیمها و اصلاح استراتژی است.
اینجا مفاهیمی مثل:
پایش انحرافها (Deviation Monitoring)
بهروزرسانی مدلها (Model Refresh)
درسآموختهها و مستندسازی
تحلیل علل ریشهای (Root Cause Analysis)
نقش حیاتی دارند. سازمانی که یاد نمیگیرد، حتی اگر داده داشته باشد، محکوم به تکرار خطاهاست.
بخش چهارم: چالشهای مدیریت استراتژی در عصر داده
با وجود مزایای داده، مدیریت استراتژی در این عصر با چالشهای جدی مواجه است. در ادامه مهمترین چالشها را بررسی میکنیم:
اضافهبار اطلاعاتی
بسیاری از مدیران با «انبوه داشبوردها» روبهرو میشوند. داشبورد زیاد یعنی توجه پراکنده، پیامهای متناقض و تصمیمهای تاخیری. اضافهبار اطلاعاتی زمانی خطرناک میشود که:
شاخصهای زیادی بدون ارتباط با هدف استراتژیک ارائه شود
هر تیم KPI خودش را تعریف کند و همراستایی ایجاد نشود
سیگنالهای اصلی در میان نویز پنهان شوند
راهحل مدیریتی در اینجا، معماری شاخصها و تعریف سلسلهمراتب تصمیم است: کدام داده برای کدام تصمیم حیاتی است؟ کدام شاخص باید در سطح هیئتمدیره گزارش شود و کدام در سطح تیمی؟
خطاهای الگوریتمی
مدلها میتوانند خطاهای جدی تولید کنند. این خطاها ممکن است ناشی از:
دادههای سوگیرانه (Biased Data)
خطای اندازهگیری (Measurement Error)
تغییر محیط (Domain Shift) و منسوخ شدن مدل
تداخل عوامل و همبستگیهای گمراهکننده
باشد.
برای مثال، یک مدل قیمتگذاری ممکن است در گذشته برای یک بخش مشتری مؤثر بوده باشد، اما با تغییر رفتار بازار، همان مدل شروع به پیشنهادهای نادرست کند. مدیر باید بداند مدلها «جاودانه» نیستند و نیاز به پایش دارند.
توهم قطعیت در دادهها
اعداد دقیق میتوانند توهم ایجاد کنند. خروجی مدل ممکن است یک درصد مشخص نشان دهد، اما واقعیت همیشه با عدم قطعیت همراه است. اگر مدیران عدم قطعیت را نادیده بگیرند، ممکن است تصمیمهای پرریسک بگیرند یا استراتژی را بر فرضهای غیرواقعی بنا کنند.
راهکار: مدیران باید با مفاهیمی مانند فاصله اطمینان، سناریوهای احتمالمحور و تحلیل حساسیت آشنا شوند تا تصمیمها «انعطافپذیر» طراحی شود.
فاصله میان تحلیل داده و عمل سازمانی
شاید مهمترین چالش مدیریتی باشد. بسیاری از سازمانها میتوانند تحلیل کنند، اما در اجرای تحلیل شکست میخورند. دلایل رایج:
نبود مالک تصمیم (Decision Owner)
نبود فرایند تصمیمگیری (Decision Process)
مقاومت سازمانی و نبود انگیزه برای تغییر
نبود داده لازم در نقطه تصمیم
عدم ارتباط تحلیل با KPIهای واقعی
برای رفع این فاصله، مدیر باید از همان ابتدا طراحی کند که «چگونه تحلیل وارد تصمیم میشود». یعنی داده باید در چرخه مدیریت استراتژی قرار بگیرد، نه فقط در گزارشها.
بخش پنجم: آینده مدیریت استراتژی
آینده مدیریت استراتژی نه تنها درباره داده بیشتر، بلکه درباره هماهنگی بهتر میان انسان و هوش مصنوعی، طراحی سازمان یادگیرنده و ایجاد تفکر سیستمی در کنار تحلیل است.
همکاری انسان و هوش مصنوعی در تصمیمسازی
در بسیاری از سازمانها، هوش مصنوعی در حال تبدیل شدن به «همکار تصمیمساز» است نه جایگزین مدیر. نقشهای محتمل آینده عبارتاند از:
هوش مصنوعی پیشنهادگر گزینهها و سناریوها
انسان تعیینکننده جهتگیری، ارزشها و ریسکهای قابل قبول
هوش مصنوعی پایش و کشف الگوهای اولیه
انسان تصمیم نهایی با توجه به زمینه انسانی و محدودیتهای عملی
برای نمونه، در حوزه منابع انسانی، مدلهای پیشبینی میتوانند احتمال موفقیت یک فرد در مسیر شغلی را تخمین بزنند. اما انسان باید در نهایت عدالت سازمانی، قوانین و ملاحظات اخلاقی را اعمال کند.
سازمانهای یادگیرنده و دادهمحور
آینده از آن سازمانهایی است که چرخه یادگیریشان سریعتر است. چنین سازمانهایی:
فرضیهمحور کار میکنند (Hypothesis-Driven)
آزمایش و یادگیری را جزء فرایند میدانند
مدلها را با دادههای جدید بهروزرسانی میکنند
تصمیمهای گذشته را تحلیل میکنند تا سیستم تصمیم بهتر شود
در این نوع سازمان، «یادگیری» یک پروژه جانبی نیست؛ بخشی از DNA مدیریتی است.
نقش خلاقیت و تفکر سیستمی در کنار تحلیل داده
داده ممکن است نشان دهد چه اتفاقی افتاده و حتی پیشبینی کند، اما معمولاً خلاقیت است که گزینههای جدید میسازد. در آینده مدیریت استراتژی، مدیران موفق کسانی هستند که:
از تحلیل برای کاهش حدس استفاده میکنند
اما با خلاقیت برای کشف مسیرهای جدید پیش میروند
و با تفکر سیستمی اثرات زنجیرهای تصمیمها را میسنجند
تفکر سیستمی یعنی فهم اینکه یک تصمیم فقط روی یک بخش اثر نمیگذارد. مثلاً بهینهسازی فروش ممکن است به افزایش هزینه خدمات مشتری منجر شود یا کاهش قیمت ممکن است برند را تضعیف کند. مدیر جدید باید بتواند این اثرات جانبی را در طراحی استراتژی لحاظ کند.
جمعبندی
داده بهتنهایی استراتژی نمیسازد. داده فقط ماده خام است. استراتژی زمانی شکل میگیرد که مدیر بتواند داده را به بینش تبدیل کند، بینش را به گزینههای معتبر تبدیل نماید، و گزینهها را به اقداماتی قابل اجرا و قابل اندازهگیری تبدیل کند. در عصر دادههای شدید، مزیت رقابتی از آنِ سازمانهایی است که:
تصمیمگیریشان چرخهای، شفاف و یادگیرنده باشد،
سواد داده در سطوح مدیریتی نهادینه شود،
و انسان و هوش مصنوعی در کنار هم به شکل مسئولانه و اثربخش کار کنند.
برای مدیران، پیام اصلی روشن است: آینده رهبری در عصر داده یعنی توانایی ایجاد معنا از دل داده و تبدیل آن معنا به اقدام. مدیرانی که در این مسیر مهارت پیدا کنند، نه تنها از موج داده عقب نمیمانند، بلکه از آن برای ساخت مزیت پایدار استفاده میکنند—مزیتی که با تغییرات محیطی هم سازگار است و با یادگیری سازمانی تقویت میشود.
مدیران جدید، دادههای شدید را مثل طوفان نمیبینند که باید از آن فرار کرد؛ آن را مثل جریان رودخانه میبینند که اگر مسیرش را درست بفهمی، میتواند به حرکت و رشد تبدیل شود.
دیدگاهتان را بنویسید