بازاریاب ها چگونه می توانند پیش بینی کنند که آیا بینندگان برای تماشای یک فیلم و یا شنیدن یک موسیقی جدید هزینه می کنند؟ چنین پیش بینی هایی شدیداً دشوار هستند. محققان آکادمیک، فیلم ها و موسیقی را محصولات مُد می نامند زیرا فروش آنها بستگی به ذائقه متغیر مشتریان دارد. محصولات مد غالباً دوره حیات کوتاهی دارند و وابسته به تصمیم گیری های لحظه ای هستند.
یک راه برای بهبود پیش بینی ها این است که داده بیشتری گردآوری کنیم. اما تحقیقات جدید نشان می دهد که در محصولات مد، این موضوع همیشه مفید نیست. متیاس سیفرت از دانشکده کسب و کار ای ای و تیمی از همکاران او نقش مشترک داده های تاریخی و قرینه ای در قضاوت های انسان ها درباره اینکه چه محصولی موفق می شود و کدام یک مورد غضب واقع می شود را مورد بررسی قرار دادند. برای مثال، یک شرکت موسیقی چگونه در هنگام ارزیابی انتشار یک آلبوم جدید، داده های تاریخی (آلبوم موسیقی قبلی تیلور سوییفت که X عدد فروخته است) را در مقابل داده های قرینه ای (برنامه ما این است که Y دلار برای بازاریابی آلبوم جدید هزینه کنیم) می سنجند؟
به دلیل اینکه صنایع خلاقیت محور شدیداً متغیر هستند، داده های تاریخی به خودی خود همیشه مفید نیستند. اگرچه ممکن است فرض کنید که مثلاً فیلمی با ستاره های بزرگ فروش خوبی خواهد داشت، اما مطالعات نشان می دهند که قدرت ستاره فیلم عامل پیش بینی مهمی در فروش فیلم به شمار نمی رود و داده های قرینه ای معمولاً موضوعی و کمی هستند که موجب افزایش پیچیدگی قضاوت می شوند.
تیم سیفرت، پیش بینی هایی که در مورد زمان وارد شدن یک موسیقی تک آهنگ پاپ در لیست ۱۰۰ آهنگ برتر شده بود را مطالعه کردند. ابتدا آنها با ۲۳ مدیر ارشد از ۴ شرکت موسیقی مصاحبه کردند و از آنها خواستند تا متغیرهای پیش بینی کننده را شناسایی کنند (عواملی که باید با موفقیت همراه باشند). این عوامل شامل مواردی است مانند بودجه بازاریابی برای هر تک آهنگ، اینکه چه خواننده دیگری در همین هفته آهنگ جدید منتشر کرده است و آیا هنرمند ما شناخته شده است و یا چهره ای جدید است. سپس آنها لیستی از تک آهنگ های آینده را به همراه داده های متغیرهای پیش بینی کننده آنها، به ۹۲ مدیر هنرمندان و گزارشگران (افرادی که به شناسایی و جذب آهنگسازان می پردازند) دادند. در یک دوره ۱۲ هفته ای، مدیران با استفاده از متغیرهای پیش بینی در چهار نظرسنجی در خصوص رتبه های احتمالی تک آهنگ هایی که به آنها محول شده بود پیش بینی هایی کردند. پس از آن، محققان منتظر ماندند تا ببینند هر کدام از تک آهنگ ها چه نتیجه ای می گیرند.
در نهایت، آنها هر کدام از متغیرهای پیش بینی کننده را در دو دسته تاریخی یا قرینه ای قرار دادند و برای مشاهده اینکه کدام یک از آنها بهتر است (و این دو با هم چه عملکردی داشته اند) از تحلیل ریاضی استفاده کردند. آنها موضوع جالبی را دریافتند: وقتی تنها داده های قرینه ای را در نظر داشته باشیم، در خصوص تقاضای متغیر قضاوت بهتری ارائه می کنیم. به نظر می رسد داده های تاریخی توانایی مدیران را برای تفسیر قراین مختل می کند.
از آنجا که الگوریتم ها بسیار بهتر از مغز انسان ها می توانند روابط خطی را پیش بینی کنند، تیم سیفرت پیشنهاد می کند که سپردن تصمیم گیری ها به کامپیوتر در شرایط ثابت که پیش بینی تنها به داده های تاریخی بستگی دارد مفید است. اما وقتی از کسی بخواهیم که در محیط متغیر تصمیم گیری کند، بهتر است داده های تاریخی را به او ندهید تا او بتواند بر داده های قرینه ای تمرکز کند.
داده بیشتر همیشه خوب نیست.
