با یک نگاه می‌توانیم چند نکته را کشف کنیم.

فروش علی در مجموع روند صعودی دارد. از ۱۰۰۰ فنجان در فروردین به ۱۶۰۰ فنجان در شهریور رسیده است.
در خرداد یک جهش نسبتاً بزرگ دیده می‌شود. چون می‌دانیم علی همان ماه تبلیغات اینترنتی انجام داده، می‌توانیم بررسی کنیم که آیا تبلیغات در افزایش فروش نقش داشته است یا خیر.

اما مراقب باشید: نمودار به‌تنهایی اثبات نمی‌کند که تبلیغات علت افزایش فروش بوده است. شاید عوامل دیگری مانند تغییر آب‌وهوا، افزایش مشتریان محله یا یک محصول جدید نیز تأثیر داشته باشند.

در مرداد فروش از ۱۵۰۰ به ۱۴۵۰ کاهش پیدا کرده است. آیا کسب‌وکار علی وارد روند نزولی شده؟
هنوز نمی‌توان چنین نتیجه‌ای گرفت.

شهریور فروش به ۱۶۰۰ فنجان رسیده و رکورد جدیدی ثبت کرده است. بنابراین کاهش مرداد فعلاً بیشتر شبیه یک افت کوتاه در یک روند کلی صعودی است.
اینجا به یکی از مهم‌ترین مهارت‌های تحلیل داده می‌رسیم:

یک نقطه را نبین؛ داستان کل نمودار را ببین.

آیا علی می‌تواند آینده را پیش‌بینی کند؟

علی اکنون می‌تواند حدس بزند که اگر شرایط فعلی ادامه پیدا کند، احتمال دارد فروش ماه آینده نیز در محدوده بالایی قرار داشته باشد.
اما نمی‌تواند بگوید:
«چون نمودار صعودی است، ماه آینده حتماً ۱۷۰۰ فنجان می‌فروشم.»
چرا؟
چون آینده ممکن است تحت تأثیر اتفاقات جدید قرار بگیرد: افزایش قیمت، ورود یک رقیب، تعطیلات، تغییر فصل یا حتی یک تبلیغ موفق دیگر.

بنابراین:
پیش‌بینی یعنی استفاده از اطلاعات گذشته برای تخمین اتفاقات محتمل آینده؛ نه دانستن قطعی آینده.

نمودارها در دنیای واقعی

همین ایده ساده در شرکت‌های بزرگ نیز استفاده می‌شود.
شرکت‌های تولیدکننده گوشی هوشمند روند فروش مدل‌های مختلف را بررسی می‌کنند. اگر استقبال از یک مدل کاهش پیدا کند، این اطلاعات می‌تواند روی برنامه تولید و عرضه نسل بعدی تأثیر بگذارد.
شبکه‌های اجتماعی مانند Instagram نیز می‌توانند رشد و رفتار کاربران را در طول زمان تحلیل کنند. افزایش یا کاهش کاربران فعال می‌تواند اطلاعات مهمی درباره وضعیت یک محصول ارائه دهد.
در صنعت خودروهای برقی نیز نمودار فروش سال‌های مختلف به شرکت‌ها و تحلیلگران کمک می‌کند بفهمند استقبال بازار چگونه در حال تغییر است.
در هر سه مثال، اصل ماجرا همان چیزی است که در کافی‌شاپ علی دیدیم:
داده‌ها را جمع کن → آنها را ببین → الگو را پیدا کن → بعد تصمیم بگیر.

از نمودار ساده تا هوش مصنوعی

حالا تصور کنید به‌جای شش عدد، شش میلیون داده داشته باشیم.
اینجاست که کامپیوتر و هوش مصنوعی اهمیت پیدا می‌کنند.
سیستم‌های هوشمند می‌توانند حجم عظیمی از اطلاعات را بررسی کنند و الگوهایی را پیدا کنند که شاید انسان به‌سادگی متوجه آنها نشود.
یکی از کاربردهای این فناوری تحلیل پیش‌بینانه (Predictive Analytics) است؛ یعنی استفاده از داده‌های گذشته و شرایط موجود برای تخمین اتفاقات احتمالی آینده.
اما حتی هوش مصنوعی هم یک گوی جادویی برای دیدن آینده ندارد.
هوش مصنوعی نیز از داده، الگو و احتمال استفاده می‌کند. اگر داده‌ها ناقص باشند یا شرایط ناگهان تغییر کند، پیش‌بینی می‌تواند اشتباه باشد.
پس دفعه بعد که نموداری دیدید، فقط به خط‌های رنگی نگاه نکنید.

از خودتان بپرسید:
​​​​​​​
این داده‌ها از کجا آمده‌اند؟ چه الگویی در آنها وجود دارد؟ چرا اینجا خط بالا یا پایین رفته؟ و آیا این الگو می‌تواند ادامه پیدا کند؟
شاید نمودار فقط چند خط و نقطه به نظر برسد، اما اگر زبان آن را یاد بگیرید، هر نمودار می‌تواند داستانی درباره گذشته، امروز و احتمالات فردا برایتان تعریف کند.

حالا نوبت شماست
​​​​​​​
اگر بخواهید ساعت خواب خودتان را برای یک ماه ثبت کنید، روی محور X و Y چه چیزهایی قرار می‌دهید؟
اگر فروش یک محصول سه ماه پشت سر هم کاهش پیدا کند، چه دلایلی ممکن است پشت این اتفاق باشد؟
اگر نموداری برای شش ماه متوالی صعودی باشد، آیا می‌توانیم مطمئن باشیم ماه هفتم هم صعودی خواهد بود؟ چرا؟
یک آزمایش ساده انجام دهید: یک موضوع از زندگی روزمره خودتان انتخاب کنید؛ ساعت خواب، زمان مطالعه، تعداد قدم‌های روزانه یا حتی هزینه‌های روزانه. داده‌های آن را برای چند روز ثبت کنید و نمودارش را بکشید. احتمالاً چیزی در داده‌های خودتان پیدا می‌کنید که قبلاً متوجه آن نشده بودید.