داده های جزیره ای: عددِ واقعی کسب و کار کدامست؟ داخل یکی از نرم افزار هاست یا بین اکسل ها گم شده؟
وقتی فروش یک عدد می دهد، انبار یک عدد، و حسابداری عدد سوم... عملاً با «چند حقیقت» طرفیم، نه چند گزارش. نتیجه اش هم معمولاً می شود: ساعت ها تطبیق دستی، کند شدن بستن ماه/سال، و مهم تر از همه از بین رفتن اعتماد به داده.این همان اثر «جزیره ای شدن داده ها»ست: داده ها بین واحدها و سیستم ها پخش می شوند، کیفیت و سازگاری شان افت می کند و تصمیم گیری سخت تر می شود.وقتی برای پر کردن این شکاف، اکسل های وصله پینه وارد بازی می شوند، ریسک خطا بالا می رود. پژوهش های حوزه ی خطای انسانی و خطای صفحات گسترده نشان می دهند نرخ خطا در کارهای شناختی و در توسعه ی اکسل ها می تواند قابل توجه باشد و در فایل های بزرگ، احتمال وجود حداقل یک خطای مهم عملاً زیاد است.
راه حل:1- یک مرجع واحد قابل اتکا (Single Source of Truth) برای گزارش گیری بسازید تا همه با یک تعریف واحد از قیمت/تعداد/تخفیف/تاریخ حرف بزنند. 2- تطبیق بین ماژولی داشته باشید (فروش
انبارحسابداری).
تجربه ی شما چیست؟بیشترین مغایرت شما از کجاست؟ قیمت / تعداد / تاریخگزارش تطبیق بین ماژولی دارید یا هنوز همه چیز دستی کنترل می شه؟چه راه حلی ساختید که واقعاً جواب داد؟
https://gobi.teamhttps://fararo.org
#آموزشی #هوش_تجاری #حسابداری #انبار #فروش #کنترل_داخلی #گزارش_مدیریتی
#GoBI #BI #ERP #Data_Quality #Reporting
وقتی فروش یک عدد می دهد، انبار یک عدد، و حسابداری عدد سوم... عملاً با «چند حقیقت» طرفیم، نه چند گزارش. نتیجه اش هم معمولاً می شود: ساعت ها تطبیق دستی، کند شدن بستن ماه/سال، و مهم تر از همه از بین رفتن اعتماد به داده.این همان اثر «جزیره ای شدن داده ها»ست: داده ها بین واحدها و سیستم ها پخش می شوند، کیفیت و سازگاری شان افت می کند و تصمیم گیری سخت تر می شود.وقتی برای پر کردن این شکاف، اکسل های وصله پینه وارد بازی می شوند، ریسک خطا بالا می رود. پژوهش های حوزه ی خطای انسانی و خطای صفحات گسترده نشان می دهند نرخ خطا در کارهای شناختی و در توسعه ی اکسل ها می تواند قابل توجه باشد و در فایل های بزرگ، احتمال وجود حداقل یک خطای مهم عملاً زیاد است.
راه حل:1- یک مرجع واحد قابل اتکا (Single Source of Truth) برای گزارش گیری بسازید تا همه با یک تعریف واحد از قیمت/تعداد/تخفیف/تاریخ حرف بزنند. 2- تطبیق بین ماژولی داشته باشید (فروش
انبارحسابداری).تجربه ی شما چیست؟بیشترین مغایرت شما از کجاست؟ قیمت / تعداد / تاریخگزارش تطبیق بین ماژولی دارید یا هنوز همه چیز دستی کنترل می شه؟چه راه حلی ساختید که واقعاً جواب داد؟
https://gobi.teamhttps://fararo.org
#آموزشی #هوش_تجاری #حسابداری #انبار #فروش #کنترل_داخلی #گزارش_مدیریتی
#GoBI #BI #ERP #Data_Quality #Reporting
۳آیا تحلیل داده از پس «انسان» بر می‌آید؟
در عصر کنونی انسان به شاخص ها، پروفایل ها و هویت مجازی فروکاسته شده است. امروزه بیشتر از آن که با خود «انسان» روبه رو باشیم، با «داده ی انسان» روبه رو هستیم.
رزومه، امتیاز ارزیابی عملکرد، KPI، تست شخصیت، پروفایل رفتاری، الگوی حضور و غیاب، نرخ بهره وری و حتی رفتار دیجیتال، تصویر سریعی از افراد می سازد. اما این تصویر حاصل از ابزار های کمی تکنولوژی داده هرگز کامل نیست. داده ها در بهترین حالت فقط نشانه هایی از فرد هستند؛ آنها Proxy (نماینده نسبی) شناخت انسان اند، نه خودِ شناخت.
یک داشبورد مدیریتی به ما می گوید:
· چه کسی افت عملکرد داشته است؟
· نرخ جابه جایی نیروها در کدام بخش نگران کننده است؟
اما همین داشبورد به تنهایی نمی گوید:
· پشت این افت عملکرد، چه روایت انسانی ای وجود دارد؟
· ریشه مسئله فردی است یا سیستماتیک و سازمانی؟
· آیا این عدد، کل واقعیت را نشان می دهد یا صرفاً برشی جهت دار از آن است؟
· آیا تصمیم نهایی ما بر اساس این داده، عادلانه، زمینه مند و اخلاقی است؟
بزرگ ترین ریسک عصر People Analytics همین جاست: زمانی که شاخص های کمی آن قدر صلب و پررنگ می شوند که جای قضاوت انسانی، گفتگو و درکِ زمینه (Context) را می گیرند. در چنین اتمسفری، ممکن است فردی در گزارش ها «عالی» به نظر برسد اما در آستانه فروپاشی روانی و فرسودگی (Burnout) باشد؛ یا برعکس، کسی در نمودارها «متوسط» دیده شود، اما در عمل چسب سازمانی و کاتالیزور خلاقیت تیم باشد.
این چالش، مدیران را معمولاً به دو قطب افراطی سوق می دهد:
۱- انکار مطلق: رد کردن هرگونه تحلیل داده محور و پناه بردن به شهود سنتی.
۲- تسلیم مطلق: پذیرش بی چون وچرای شاخص ها و الگوریتم ها و پراکسی های اطلاعاتی به عنوان حقیقت محض.
مواجهه با این دو قطب افراطی (داده هراسی سنتی در برابر داده زدگی)، ما را به بازتعریف نقش ابزارها دعوت می کند. حقیقت این است که People Analytics نه بی ارزش است و نه همه چیز؛ ارزش واقعی آن زمانی نمایان می شود که داده را «نقطه شروع پرسشگری و کشف نشانه» ببینیم، نه پاسخ نهایی و پایان داوری.
برای عبور از این دو قطب، به یک رویکرد متوازن نیاز داریم:
· داده را ببینیم، اما به آن تسلیم نشویم: شاخص ها و پروفایل ها را جدی بگیریم، اما انسان را به عدد و شاخص تقلیل ندهیم.
· تحلیل را با فهم انسانی تلفیق کنیم: تحلیل های آماری را در کنار فهم انسان گرا (Anthropologic–Humanistic)، تجربه زیسته و فرهنگ سازمانی تفسیر کنیم.
· داده از منابع واقعیت است، نه حقیقت مطلق: داشبورد باید کمک کند بهتر ببینیم؛ نه اینکه جای گفت وگو، مشاهده مستقیم و قضاوت زمینه مند را بگیرد.
شاید بلوغ مدیریتی امروز همین باشد: استفاده از داده، بدون قربانی کردن فهم انسانی. نه داده هراسی، نه داده زدگی؛ بلکه جدی گرفتن داده همراه با قضاوت انسانی، اخلاق تصمیم گیری و درک زمینه.
نظر و تجربه شما چیست؟
1- با کدام تیپ مدیران بیشتر سر و کار داشته اید؟ «داده هراس ها» یا «داده زده ها»؟ آسیب پذیرترند؟
2- تا چه حد می توان انسان را فرمولیزه کرد؟ آیا مسائل کیفی انسانی سنجش پذیر (Measurable) هستند؟
3- تا به حال به تصمیمی رسیده اید که تحلیل داده یک چیز می گفت اما واقعیت انسانی چیز دیگری بود؟ آن لحظه چه کردید؟
https://fararo.org
https://gobi.team
#آموزشی #نقد_هوش_تجاری #تحلیل_داده #منابع_انسانی #مدیریت_عملکرد
#GoBI #BI #People_Analytics #HR #KPI #Data_Analytics
در عصر کنونی انسان به شاخص ها، پروفایل ها و هویت مجازی فروکاسته شده است. امروزه بیشتر از آن که با خود «انسان» روبه رو باشیم، با «داده ی انسان» روبه رو هستیم.
رزومه، امتیاز ارزیابی عملکرد، KPI، تست شخصیت، پروفایل رفتاری، الگوی حضور و غیاب، نرخ بهره وری و حتی رفتار دیجیتال، تصویر سریعی از افراد می سازد. اما این تصویر حاصل از ابزار های کمی تکنولوژی داده هرگز کامل نیست. داده ها در بهترین حالت فقط نشانه هایی از فرد هستند؛ آنها Proxy (نماینده نسبی) شناخت انسان اند، نه خودِ شناخت.
یک داشبورد مدیریتی به ما می گوید:
· چه کسی افت عملکرد داشته است؟
· نرخ جابه جایی نیروها در کدام بخش نگران کننده است؟
اما همین داشبورد به تنهایی نمی گوید:
· پشت این افت عملکرد، چه روایت انسانی ای وجود دارد؟
· ریشه مسئله فردی است یا سیستماتیک و سازمانی؟
· آیا این عدد، کل واقعیت را نشان می دهد یا صرفاً برشی جهت دار از آن است؟
· آیا تصمیم نهایی ما بر اساس این داده، عادلانه، زمینه مند و اخلاقی است؟
بزرگ ترین ریسک عصر People Analytics همین جاست: زمانی که شاخص های کمی آن قدر صلب و پررنگ می شوند که جای قضاوت انسانی، گفتگو و درکِ زمینه (Context) را می گیرند. در چنین اتمسفری، ممکن است فردی در گزارش ها «عالی» به نظر برسد اما در آستانه فروپاشی روانی و فرسودگی (Burnout) باشد؛ یا برعکس، کسی در نمودارها «متوسط» دیده شود، اما در عمل چسب سازمانی و کاتالیزور خلاقیت تیم باشد.
این چالش، مدیران را معمولاً به دو قطب افراطی سوق می دهد:
۱- انکار مطلق: رد کردن هرگونه تحلیل داده محور و پناه بردن به شهود سنتی.
۲- تسلیم مطلق: پذیرش بی چون وچرای شاخص ها و الگوریتم ها و پراکسی های اطلاعاتی به عنوان حقیقت محض.
مواجهه با این دو قطب افراطی (داده هراسی سنتی در برابر داده زدگی)، ما را به بازتعریف نقش ابزارها دعوت می کند. حقیقت این است که People Analytics نه بی ارزش است و نه همه چیز؛ ارزش واقعی آن زمانی نمایان می شود که داده را «نقطه شروع پرسشگری و کشف نشانه» ببینیم، نه پاسخ نهایی و پایان داوری.
برای عبور از این دو قطب، به یک رویکرد متوازن نیاز داریم:
· داده را ببینیم، اما به آن تسلیم نشویم: شاخص ها و پروفایل ها را جدی بگیریم، اما انسان را به عدد و شاخص تقلیل ندهیم.
· تحلیل را با فهم انسانی تلفیق کنیم: تحلیل های آماری را در کنار فهم انسان گرا (Anthropologic–Humanistic)، تجربه زیسته و فرهنگ سازمانی تفسیر کنیم.
· داده از منابع واقعیت است، نه حقیقت مطلق: داشبورد باید کمک کند بهتر ببینیم؛ نه اینکه جای گفت وگو، مشاهده مستقیم و قضاوت زمینه مند را بگیرد.
شاید بلوغ مدیریتی امروز همین باشد: استفاده از داده، بدون قربانی کردن فهم انسانی. نه داده هراسی، نه داده زدگی؛ بلکه جدی گرفتن داده همراه با قضاوت انسانی، اخلاق تصمیم گیری و درک زمینه.
نظر و تجربه شما چیست؟
1- با کدام تیپ مدیران بیشتر سر و کار داشته اید؟ «داده هراس ها» یا «داده زده ها»؟ آسیب پذیرترند؟
2- تا چه حد می توان انسان را فرمولیزه کرد؟ آیا مسائل کیفی انسانی سنجش پذیر (Measurable) هستند؟
3- تا به حال به تصمیمی رسیده اید که تحلیل داده یک چیز می گفت اما واقعیت انسانی چیز دیگری بود؟ آن لحظه چه کردید؟
https://fararo.org
https://gobi.team
#آموزشی #نقد_هوش_تجاری #تحلیل_داده #منابع_انسانی #مدیریت_عملکرد
#GoBI #BI #People_Analytics #HR #KPI #Data_Analytics
۳
راهکارهای تکنولوژی برای نابودی کسب‌وکار شماتکنولوژی به‌خودی‌خود مخرب نیست و قرار است سرعت، دقت و قدرت تصمیم‌گیری کسب‌وکار را افزایش دهد؛ اما اگر بدون شناخت ریسک‌ها و نیازهای واقعی سازمان انتخاب شود، می‌تواند به یکی از پرهزینه‌ترین تهدیدهای کسب‌وکار تبدیل شود. گاهی سازمان تصور می‌کند با خرید یک نرم‌افزار، صاحب ابزاری قدرتمند شده، درحالی‌که ممکن است به‌تدریج کنترل داده‌ها، فرآیندها و بخشی از تصمیم‌های مدیریتی خود را به تأمین‌کننده‌ای بیرونی واگذار کرده باشد. هر راهکار مدرنی الزاماً انتخاب مناسبی برای هر کسب‌وکاری نیست. ظاهر حرفه‌ای، داشبوردهای رنگارنگ و تبلیغات گسترده نباید جای ارزیابی دقیق نیازهای سازمان، مالکیت و امنیت داده، امکان توسعه و سازگاری با محیط عملیاتی را بگیرد.در این سری محتوا، مسیر‌های خطرناکی را بررسی می‌کنیم که در صورت انتخاب یا استفاده نادرست از فناوری، می‌توانند آن را از سکوی رشد به عاملی محدودکننده تبدیل کنند: وابستگی بی‌محاسبه به سرویس‌های ابری، اعتماد کورکورانه به هوش مصنوعی و تصور همیشگیِ برتری نرمافزارهای خارجی.https://fararo.org
https://gobi.team
#راهکار #تکنولوژی #هوش_مصنوعی
https://gobi.team
#راهکار #تکنولوژی #هوش_مصنوعی
۲۱
نرم‌افزار Cloud؛ شریک دزد یا رفیق قافله؟
نرمافزارهای ابری با راه‌اندازی سریع، دسترسی از راه دور و کاهش هزینه زیرساخت، مزایای مهمی دارند؛ اما وابستگی کامل به آنها می‌تواند برای سازمان خطرناک باشد. از خطرات آن می توان به موارد زیر اشاره کرد:
1. قفل‌شدن به تأمین‌کنندهداده‌ها، گزارش‌ها، تنظیمات و فرآیندهای سازمان ممکن است به شکلی ذخیره شوند که انتقال آنها دشوار و پرهزینه باشد. بنابراین پیش از انتخاب سرویس باید امکان خروج، دریافت کامل داده‌ها و حذف اطلاعات پس از پایان قرارداد بررسی شود.
2. تمرکز داده و امنیتتمرکز اطلاعاتی مانند فروش، مشتریان و سودآوری، در صورت ضعف امنیتی می‌تواند دامنه اثر یک رخداد را افزایش دهد. سازمان باید محل نگهداری داده، سطح دسترسی، مسئولیت امنیتی طرفین و نحوه پشتیبان‌گیری را به‌دقت مشخص کند.
3. وابستگی به اینترنت و سرویس‌دهندهاختلال اینترنت، محدودیت‌های بین‌المللی، افزایش هزینه‌ها یا تغییر سیاست شرکت خارجی ممکن است دسترسی به سامانه را مختل کند. در این شرایط، حتی داده‌های امن نیز ممکن است در زمان مناسب در دسترس نباشند.
#راهکار_تکنولوژی_برای_نابودی#سرويس_ابری
https://fararo.org
نرمافزارهای ابری با راه‌اندازی سریع، دسترسی از راه دور و کاهش هزینه زیرساخت، مزایای مهمی دارند؛ اما وابستگی کامل به آنها می‌تواند برای سازمان خطرناک باشد. از خطرات آن می توان به موارد زیر اشاره کرد:
1. قفل‌شدن به تأمین‌کنندهداده‌ها، گزارش‌ها، تنظیمات و فرآیندهای سازمان ممکن است به شکلی ذخیره شوند که انتقال آنها دشوار و پرهزینه باشد. بنابراین پیش از انتخاب سرویس باید امکان خروج، دریافت کامل داده‌ها و حذف اطلاعات پس از پایان قرارداد بررسی شود.
2. تمرکز داده و امنیتتمرکز اطلاعاتی مانند فروش، مشتریان و سودآوری، در صورت ضعف امنیتی می‌تواند دامنه اثر یک رخداد را افزایش دهد. سازمان باید محل نگهداری داده، سطح دسترسی، مسئولیت امنیتی طرفین و نحوه پشتیبان‌گیری را به‌دقت مشخص کند.
3. وابستگی به اینترنت و سرویس‌دهندهاختلال اینترنت، محدودیت‌های بین‌المللی، افزایش هزینه‌ها یا تغییر سیاست شرکت خارجی ممکن است دسترسی به سامانه را مختل کند. در این شرایط، حتی داده‌های امن نیز ممکن است در زمان مناسب در دسترس نباشند.
#راهکار_تکنولوژی_برای_نابودی#سرويس_ابری
https://fararo.org
۲۱
هوش مصنوعی؛ بز اخفش دیجیتال
بز اخفش به کسی گفته می‌شود که بدون فهم موضوع، فقط برای تأیید سر تکان می‌دهد. درست است که هوش مصنوعی می‌تواند تحلیل داده‌ها و اجرای برخی فعالیت‌ها را سریع‌تر کند؛ اما استفاده بی‌رویه و بدون هدف، ممکن است آن را به یک بز اخفش دیجیتال تبدیل کند: ابزاری که بدون درک اهداف، اولویت‌ها و زمینه واقعی سازمان، صرفاً بر اساس داده‌ها خروجی تولید می‌کند و فعالیت‌هایی را انجام می‌دهد که ممکن است بی‌فایده یا حتی زیان‌بار باشند.
متاسفانه بسياري از سازمان ها صرفا براي ايجاد حس عقب نماندن از بقيه به سراغ هوش مصنوعي مي روند.
خروجی هوش مصنوعی همیشه درست نیست. داده‌های ناقص، قدیمی یا سوگیرانه می‌توانند نتایجی ظاهراً دقیق اما گمراه‌کننده ایجاد کنند. مشکل زمانی جدی‌تر می‌شود که مدیران این خروجی‌ها را بدون بررسی و فقط به‌دلیل ظاهر فناوری‌محورشان بپذیرند.
پیش از استفاده باید مشخص شود هوش مصنوعی چه مسئله‌ای را حل می‌کند، نتایج آن چگونه ارزیابی می‌شوند و چه کسی مسئول تصمیم نهایی است. هوش مصنوعی باید در خدمت تصمیم‌گیری انسانی باشد، نه جایگزین آن.
#راهکار_تکنولوژی_برای_نابودی#هوش_مصنوعي
https://fararo.org
بز اخفش به کسی گفته می‌شود که بدون فهم موضوع، فقط برای تأیید سر تکان می‌دهد. درست است که هوش مصنوعی می‌تواند تحلیل داده‌ها و اجرای برخی فعالیت‌ها را سریع‌تر کند؛ اما استفاده بی‌رویه و بدون هدف، ممکن است آن را به یک بز اخفش دیجیتال تبدیل کند: ابزاری که بدون درک اهداف، اولویت‌ها و زمینه واقعی سازمان، صرفاً بر اساس داده‌ها خروجی تولید می‌کند و فعالیت‌هایی را انجام می‌دهد که ممکن است بی‌فایده یا حتی زیان‌بار باشند.
متاسفانه بسياري از سازمان ها صرفا براي ايجاد حس عقب نماندن از بقيه به سراغ هوش مصنوعي مي روند.
خروجی هوش مصنوعی همیشه درست نیست. داده‌های ناقص، قدیمی یا سوگیرانه می‌توانند نتایجی ظاهراً دقیق اما گمراه‌کننده ایجاد کنند. مشکل زمانی جدی‌تر می‌شود که مدیران این خروجی‌ها را بدون بررسی و فقط به‌دلیل ظاهر فناوری‌محورشان بپذیرند.
پیش از استفاده باید مشخص شود هوش مصنوعی چه مسئله‌ای را حل می‌کند، نتایج آن چگونه ارزیابی می‌شوند و چه کسی مسئول تصمیم نهایی است. هوش مصنوعی باید در خدمت تصمیم‌گیری انسانی باشد، نه جایگزین آن.
#راهکار_تکنولوژی_برای_نابودی#هوش_مصنوعي
https://fararo.org
۱
مرغ همسایه غازه!باور به اینکه هر نرم‌افزار خارجی الزاماً بهتر از نمونه بومی است، می‌تواند سازمان را به انتخابی نامتناسب با واقعیت‌های عملیاتی‌اش برساند. کیفیت یک نرم‌افزار را نام کشور سازنده تعیین نمی‌کند؛ معیار، تناسب آن با نیازها، قوانین، زیرساخت و فرآیندهای سازمان است.بعضی محصولات خارجی ممکن است با تقویم شمسی، زبان و قالب‌های بومی، مقررات داخلی، ساختار گزارش‌دهی، سامانه‌های رایج یا محدودیت‌های زیرساختی ایران سازگاری کامل نداشته باشند. پشتیبانی و به‌روزرسانی نیز ممکن است با محدودیت دسترسی، اختلاف منطقه زمانی، هزینه ارزی یا سیاست‌های شرکت عرضه‌کننده روبه‌رو شود. در چنین شرایطی، آنچه در نگاه اول محصولی پیشرفته به‌نظر می‌رسد، می‌تواند برای کارکنان دشواری ایجاد کند، اتصال سامانه‌ها را پیچیده‌تر سازد و هزینه سفارشی‌سازی و نگهداری را بالا ببرد. این نقد به معنای برتری تمامی نرمافزارهای بومی یا بی‌کیفیت‌بودن محصولات خارجی نیست. بلکه به معنای رد معیار غلط خارجی بودن محصول است.#راهکار_تکنولوژی_برای_نابودی#نرم_افزار_بومی
https://fararo.org
https://fararo.org
۲
توهم کفایتبسیاری از سازمان‌ها تصور می‌کنند ابزارهای فعلی‌شان کافی است، درحالی‌که گاهی فقط به روش‌های قدیمی عادت کرده‌اند. گزارش‌گیری دستی با فایل‌های اکسل ممکن است کار را پیش ببرد، اما معمولاً زمان‌بر، خطاپذیر و وابسته به افراد خاص است و تصمیم‌گیری با داده‌های قدیمی را به دنبال دارد.
این توهم زمانی شکل می‌گیرد که سازمان، به‌دلیل ناآشنایی با ابزارهای جدید، محدودیت‌های روش فعلی را طبیعی می‌داند. ابزارهای تحلیلی و API می‌توانند داده‌ها را از منابع مختلف گردآوری کنند، داشبوردها را به‌روز نگه دارند و نیاز به ورود دستی اطلاعات را کاهش دهند. هوش مصنوعی نیز می‌تواند در کشف الگوها و شناسایی ناهنجاری‌ها کمک کند؛ البته نه بدون نظارت انسانی و داده‌های باکیفیت.
قناعت به ابزارهای موجود همیشه صرفه‌جویی نیست؛ گاهی هزینه آن در قالب خطا، تأخیر، فرسودگی کارکنان و محدودشدن رشد پنهان می‌شود. هدف از فناوری، خرید ابزارهای بیشتر نیست، بلکه آزادکردن وقت کارکنان و فراهم‌کردن اطلاعات دقیق و به‌موقع برای تصمیم‌گیری است.
#توهم_های_بیزینسیhttps://fararo.org
این توهم زمانی شکل می‌گیرد که سازمان، به‌دلیل ناآشنایی با ابزارهای جدید، محدودیت‌های روش فعلی را طبیعی می‌داند. ابزارهای تحلیلی و API می‌توانند داده‌ها را از منابع مختلف گردآوری کنند، داشبوردها را به‌روز نگه دارند و نیاز به ورود دستی اطلاعات را کاهش دهند. هوش مصنوعی نیز می‌تواند در کشف الگوها و شناسایی ناهنجاری‌ها کمک کند؛ البته نه بدون نظارت انسانی و داده‌های باکیفیت.
قناعت به ابزارهای موجود همیشه صرفه‌جویی نیست؛ گاهی هزینه آن در قالب خطا، تأخیر، فرسودگی کارکنان و محدودشدن رشد پنهان می‌شود. هدف از فناوری، خرید ابزارهای بیشتر نیست، بلکه آزادکردن وقت کارکنان و فراهم‌کردن اطلاعات دقیق و به‌موقع برای تصمیم‌گیری است.
#توهم_های_بیزینسیhttps://fararo.org
۱