لماذا لم تعد أساليب جمع البيانات التقليدية كافية لصناعة القرار؟

تجمع الجهات اليوم بيانات أكثر من أي وقت مضى، من خلال الاستبيانات والتقييمات وأدوات القياس المختلفة. ومع ذلك، ما تزال كثير من القرارات تتأخر لأن البيانات لا تتحول بالسرعة نفسها إلى فهم قابل للاستخدام.

قد ينتهي الاستبيان، لكن نتائجه تبقى في جداول بيانات بانتظار التنظيف والتحليل.

وقد يكتمل التقييم، لكن احتساب الدرجات يحتاج إلى معالجة يدوية.

وقد يصل التقرير النهائي بعد أن تكون نافذة القرار قد تغيرت أو أغلقت.

وهنا تظهر الفجوة الحقيقية بين جمع البيانات واستخدامها.

فقد يعمل فريق سياسات على معلومات لم تعد تعكس الوضع الحالي. وقد تعتمد إدارة الموارد البشرية على عدة ملفات منفصلة لتقييم القيادات. وقد يقضي الباحث أسابيع في ترميز الإجابات واحتساب النتائج قبل أن يبدأ التحليل الفعلي.

وفي كل هذه الحالات، لا تكمن المشكلة في نقص البيانات.

المشكلة في غياب البنية التي تنقل الجهة مباشرة من الاستجابة الخام إلى نتيجة موثوقة، ثم إلى تحليل واضح يمكن لصانع القرار استخدامه.

على سبيل المثال، قد تنفذ جهة تقييما لمئات الموظفين لتحديد الاحتياجات التطويرية. في النموذج التقليدي، تجمع الردود أولا، ثم تصدر البيانات، ثم تنظف، ثم تحتسب الدرجات، ثم تقارن الفئات، ثم يبنى التقرير.

أما في منصة مصممة حول القرار، فيمكن تنفيذ هذه المراحل آليا بمجرد اكتمال الاستجابة، بحيث تظهر النتائج والتصنيفات والمقارنات مباشرة ضمن لوحة موحدة.

الفارق هنا ليس في جودة الأسئلة، بل في قدرة النظام على تقليص الزمن بين جمع الإجابة واتخاذ الإجراء.

ولهذا تحتاج الجهات الحديثة إلى أكثر من أداة لجمع البيانات. تحتاج إلى بنية متكاملة تحول الاستجابات إلى نتائج قابلة للتحقق، ثم إلى معلومات جاهزة للقرار بسرعة وموثوقية وعلى نطاق واسع.

عندما تتأخر نتائج التقييم أو تمر بمراحل معالجة ضعيفة، لا تكون المشكلة مجرد بطء تشغيلي. الأثر يصل مباشرة إلى جودة القرار نفسه.

في السياسات العامة

تحتاج الجهات الحكومية إلى بيانات حديثة وموثوقة عند التخطيط لبرامج مثل الصحة النفسية أو التدخلات التعليمية. وعندما تتأخر النتائج، قد تبنى السياسات على واقع تغير بالفعل، فتفقد البيانات جزءا من قيمتها في توجيه القرار.

في قرارات المواهب

عند تقييم الجاهزية القيادية أو ارتباط الموظفين بالعمل، تكون قيمة النتيجة مرتبطة بتوقيت استخدامها. فإذا استغرق احتساب الدرجات وتحليلها وقتا طويلا، قد تصل التوصيات بعد تغير الفريق أو الأولويات أو الظروف التي أجري التقييم من أجلها.

في البحث والتحليل

تزداد أهمية إمكانية تتبع النتيجة من الاستجابة الأصلية إلى الدرجة والتحليل النهائي. وكلما زاد الاعتماد على المعالجة اليدوية، ارتفع احتمال الخطأ وأصبح الدفاع عن النتائج والمنهجية أكثر صعوبة.

في تخصيص الموارد

قد تكشف المقارنات أن الحاجة تتركز في منطقة أو فئة أو إدارة محددة. وإذا لم تتوفر هذه الصورة في الوقت المناسب، قد توزع الموارد بالتساوي رغم اختلاف الاحتياج الفعلي.

مثلا، قد يظهر تقييم على مستوى عدة مناطق أن متوسط الحاجة إلى برنامج معين يبلغ 30%. لكن التحليل التفصيلي قد يكشف أن النسبة لا تتجاوز 15% في معظم المناطق، بينما ترتفع إلى 55% في منطقتين فقط.

من دون هذه المقارنة، قد يكون القرار توزيع الميزانية على جميع المناطق بالتساوي. أما مع وجودها، فقد يتغير القرار إلى توجيه الجزء الأكبر من الموارد إلى المناطق ذات الحاجة الأعلى.

وهذا يلخص المشكلة الأساسية:

الجهات تجمع البيانات لكي تتخذ قرارات أفضل، لكن القيمة تضيع عندما تكون السلسلة بين الاستجابة والنتيجة والتحليل والتوصية بطيئة أو غير مترابطة.

كلما كانت هذه السلسلة أقصر وأكثر موثوقية، أصبحت البيانات أقرب إلى القرار الذي جمعت من أجله.

صممت كثير من أساليب الاستبيانات والتقييمات التقليدية لبيئات أبطأ وأقل تعقيدا من احتياجات الجهات اليوم.

فالاحتساب اليدوي يستغرق وقتا ويزيد احتمال الخطأ. والأدوات الورقية تحتاج إلى إدخال البيانات وتنظيفها والتحقق منها قبل بدء التحليل. وحتى بعض الأدوات الرقمية لا تتجاوز هذه المشكلة فعليا، إذ تنقلها فقط إلى الشاشة.

قد يحصل المستخدم على درجة دون تفسير واضح لما تعنيه.

وقد تحصل الجهة على جداول أو تقارير PDF أو لوحة أساسية، ثم تترك مهمة تفسير النتائج وربطها بالقرار للمحللين أو القيادات.

وهنا يظهر قصور أساسي: رقمنة التقييم لا تعني أتمتة الفهم.

تخيل مثلا أن جهة أجرت تقييما على 5,000 موظف لقياس أحد جوانب الجاهزية المهنية. إذا كانت المنصة تنتج درجات خام فقط، فسيظل الفريق بحاجة إلى تصنيف النتائج، ومقارنتها بين الإدارات، وتحديد الفئات التي تستحق التدخل، ثم بناء التوصيات يدويا.

أما النظام الأكثر نضجا، فيحول الاستجابة مباشرة إلى درجة مفسرة، ويقارنها بالفئات المرجعية، ويكشف أين تتركز الفجوات، بحيث ينتقل الفريق بسرعة أكبر من جمع البيانات إلى تحديد الإجراء.

وتزداد المشكلة أهمية عندما تكون جودة البيانات نفسها غير مضمونة.

فإذا لم تستطع الجهة التحقق من أن المشاركين حقيقيون أو ينتمون فعلا إلى الفئات المستهدفة، فقد تدخل استجابات غير صالحة إلى قاعدة البيانات وتؤثر في المتوسطات والمقارنات والتوصيات اللاحقة.

كما أن التعامل مع التقييم باعتباره حدثا ينتهي بإصدار تقرير يفقد الجهة جزءا كبيرا من قيمته.

فالنتائج يمكن أن تصبح مصدرا مستمرا للتعلم عندما تقارن عبر الزمن، وبين الإدارات، والمناطق، والفئات الديموغرافية، والمجموعات المرجعية ذات الصلة.

عندها لا يعود السؤال فقط: ما نتيجة التقييم؟

بل يصبح: أين نحن الآن؟ كيف تغير الأداء؟ من يختلف عن المتوسط؟ وأين يجب أن نوجه الاهتمام أو الموارد؟

وهذا هو الفارق بين أداة تنتهي مهمتها عند جمع الإجابات، ومنظومة تحول التقييم إلى معرفة قابلة للمقارنة والمتابعة والاستخدام في القرار.

تقليص الفجوة بين جمع البيانات واتخاذ القرار يتطلب أنظمة تقييم تقوم بأكثر من استقبال الاستجابات وحفظها.

هناك خمس قدرات أصبحت أساسية:

المعالجة الآلية للنتائج

يجب أن تحتسب المنصة الدرجات مباشرة، وتحولها إلى تفسير واضح دون انتظار معالجة يدوية طويلة. فالقيمة ليست في سرعة جمع الاستجابة فقط، بل في سرعة تحويلها إلى نتيجة مفهومة وقابلة للاستخدام.

التحقق من المشاركة وجودة البيانات

يجب أن توفر المنصة آليات تساعد على التأكد من أن الاستجابات صادرة عن مشاركين حقيقيين ومن الفئات المستهدفة. فكل تحليل لاحق يعتمد على جودة البيانات التي دخلت إلى النظام من البداية.

المقارنة التي تمنح النتيجة معناها

الدرجة الفردية تصبح أكثر فائدة عندما تقارن بسياق مناسب، مثل الفئة العمرية أو المنطقة أو أي مجموعة مرجعية مرتبطة بهدف التقييم.

فمعرفة أن نتيجة المستخدم هي 65 قد لا تعني الكثير وحدها، لكن معرفة أنها أقل من متوسط الفئة المماثلة له بصورة واضحة قد تغير طريقة تفسيرها والإجراء المرتبط بها.

مرونة إنشاء أدوات جديدة

احتياجات القياس تتغير باستمرار. لذلك يجب أن تستطيع الجهة بناء استبيانات أو تقييمات جديدة وتعديل منطق الدرجات والتفسيرات دون أن تعتمد في كل مرة على فريق تقني لتطوير أداة مستقلة.

بيانات جاهزة للتحليل المتقدم

يجب أن تكون البيانات منظمة وقابلة للتصدير إلى برامج التحليل الإحصائي والبحثي، بحيث يستطيع الباحث أو المحلل الانتقال مباشرة إلى التحليل الأعمق دون إعادة بناء البيانات وتنظيفها يدويا.

وعندما تتكامل هذه القدرات، يتغير دور فريق العمل نفسه.

فبدلا من قضاء الوقت في إدخال البيانات وتنظيفها واحتساب النتائج وتجهيز الملفات، يمكن توجيه الجهد إلى السؤال الأهم: ماذا تكشف النتائج، وما الذي ينبغي أن تفعله الجهة بناء عليها؟

وهنا تنتقل منصة التقييم من أداة تشغيلية لجمع البيانات إلى جزء فعلي من منظومة دعم القرار.

عند تقييم منصات التقييم المتقدمة، لا يكفي النظر إلى سهولة الاستخدام أو شكل التقارير. الأهم هو اختبار ما إذا كانت المنصة قادرة فعليا على تحويل الاستجابات إلى نتائج موثوقة ومفيدة للقرار.

ويمكن تقييم ذلك من خلال خمسة معايير رئيسية:

المرونة العلمية

هل تسمح المنصة ببناء نماذج احتساب مخصصة، وتحديد الأوزان والحدود والتصنيفات بما يتناسب مع كل أداة قياس؟ أم تفرض بنية ثابتة لا تناسب جميع التقييمات؟

فالتقييمات العلمية لا تعمل جميعها بالمنطق نفسه، والمنصة الجيدة يجب أن تتكيف مع الأداة لا أن تجبر الأداة على التكيف معها.

سلامة البيانات والخصوصية

هل تستطيع المنصة التحقق من أن المشاركة حقيقية، والتأكد من البيانات المرتبطة بالمشارك عند الحاجة، مع الحفاظ على الخصوصية؟

المطلوب هو تحقيق توازن بين موثوقية البيانات والقدرة على جمع خصائص ديموغرافية مفيدة دون كشف هوية المشارك بطريقة غير ضرورية.

القدرة على التوسع

قد تبدأ المبادرة بمئات المشاركين ثم تتوسع إلى آلاف أو إلى مستوى وطني.

لذلك يجب التأكد من قدرة النظام على التعامل مع أعداد كبيرة من المستخدمين المتزامنين دون تراجع ملموس في الأداء أو موثوقية البيانات أو مستوى الحماية.

مرونة التشغيل

ليست كل الجهات قادرة أو راغبة في استخدام النموذج التقني نفسه.

قد يناسب التشغيل السحابي جهة تحتاج إلى إطلاق سريع، بينما قد تتطلب جهة حكومية أو بيئة ذات حساسية مرتفعة للبيانات تشغيل النظام داخل بنيتها التقنية الخاصة.

ولهذا تصبح القدرة على دعم أكثر من نموذج للنشر جزءا من جاهزية المنصة.

قيمة المخرجات للقرار

هذا هو الاختبار الأهم.

هل تنتهي المنصة عند إصدار درجة؟ أم تحول الدرجة إلى تفسير واضح وتغذية راجعة مفيدة للمشارك، وفي الوقت نفسه تقدم للإدارة تحليلات مجمعة ومقارنات تساعدها على تحديد الفجوات والأولويات؟

على سبيل المثال، ليس المهم فقط أن تعرف الجهة أن متوسط نتيجة مجموعة ما بلغ 62. الأهم أن تعرف أين تتركز النتائج المنخفضة، وما الفئات المختلفة عن المتوسط، وما الاتجاهات التي تستحق التدخل.

هذه المعايير هي ما يميز منصة تجمع البيانات عن منصة تحول التقييم إلى بنية قابلة للاستخدام في القرار.

طورت IDM منصة InsightLab لتقليص المسافة بين جمع بيانات التقييم واستخدامها فعليا في القرار.

فالمنصة لا تتعامل مع التقييم باعتباره استبيانا رقميا ينتهي عند حفظ الإجابات، بل كمنظومة متكاملة تبدأ من مشاركة المستخدم، وتمر بالتحقق والاحتساب والتفسير والتحليل، وتنتهي بمخرجات يمكن للجهة استخدامها مباشرة.

وتخدم المنصة احتياجات متنوعة في الجهات الحكومية، والشركات، والجامعات، والجهات البحثية، مع إمكانية بناء أدوات قياس تناسب كل سياق والهدف الذي تريد الجهة قياسه.

وتتحقق InsightLab من المشاركة البشرية من خلال روابط آمنة ترسل عبر الرسائل النصية، مع إمكانية تسجيل الموقع الجغرافي عند الحاجة لدعم التحقق من جودة البيانات.

وبمجرد اكتمال التقييم، تحتسب النتائج آليا، وتصنف وفق القواعد المحددة مسبقا، ثم يحصل المشارك على تغذية راجعة مخصصة بناء على نتيجته.

أما على مستوى الجهة، فتجمع النتائج بصورة مجهولة الهوية، وتنظم بطريقة تسمح بتحليلها ومقارنتها وتصديرها إلى أدوات احترافية مثل SPSS وSAS وR.

وتوفر المنصة أيضا مرونة في التشغيل. فيمكن استخدامها كخدمة سحابية للإطلاق السريع، أو تشغيلها داخل البنية التقنية الخاصة بالجهة عندما تتطلب سياسات الحوكمة أو حساسية البيانات ذلك.

وتظهر القيمة العملية لهذا النموذج في تطبيقات مثل مبادرات التقييم الوطني للصحة النفسية، حيث يمكن جمع الاستجابات والتحقق منها واحتساب النتائج وإتاحتها للمشارك، وفي الوقت نفسه بناء صورة مجمعة تساعد صناع القرار على فهم الأنماط وتحديد الفئات والاحتياجات التي تستحق مزيدا من الاهتمام.

وهنا يظهر دور InsightLab بوضوح:

بدلا من فصل القياس عن التحليل، والتحليل عن التفسير، والتفسير عن القرار، تجمع المنصة هذه المراحل في مسار واحد.

وبذلك تنتقل الجهة من مجرد امتلاك بيانات تقييم إلى امتلاك بنية عملية تحول القياس إلى فهم، والفهم إلى قرار أسرع وأكثر موثوقية.