از صدای مشتری تا نقشه‌راه محصول در صنایع هوشمند

مقدمه

صنایع هوشمند به سمت زنجیره‌ی ارزش «نرم‌افزارمحور» حرکت می‌کنند؛ جایی که مزیت رقابتی فقط با فروش تجهیز یا اجرای یک پروژه‌ی اتوماسیون ایجاد نمی‌شود، بلکه از ترکیب اتوماسیون با داده، اتصال‌پذیری، تحلیل و خدمات پس از فروش به‌دست می‌آید. گزارش‌های اخیر نیز نشان می‌دهد تولیدکنندگان صنعتی با هدف نوآوری و مواجهه با چالش‌های مهارتی و زنجیره‌ی تأمین، سرمایه‌گذاری‌های دیجیتال و داده‌ای خود را هدفمندتر کرده‌اند و همین روند، انتظارات مشتریان صنعتی را از تأمین‌کنندگان اتوماسیون تغییر می‏دهد(کوکندال[i]، 2025).
با این حال، بسیاری از سازمان‌ها در «پایلوت‌زدگی» گرفتار می‌شوند: پروژه‌ها اجرا می‌شوند اما ارزش پایدار در مقیاس شکل نمی‌گیرد.

بسیاری از سازمان‌ها در «پایلوت‌زدگی» گرفتار می‌شوند: پروژه‌ها اجرا می‌شوند اما ارزش پایدار در مقیاس شکل نمی‌گیرد

یکی از علل، شروع از قابلیت‌های فنی و فرضیات داخلی است، نه از مسئله‌ی واقعی مشتری و محرک‌های اقتصادی و عملیاتی کارخانه. (گارمز و همکاران[ii]، 2019)

 در چنین فضایی، «صدای مشتری» صرفاً ابزار ارتباطی بازاریابی نیست؛ بلکه ورودی حیاتی برای تصمیم‌های نقشه‌راه محصول، طراحی خدمت و اولویت‌بندی سرمایه‌گذاری‌های توسعه است. این نگاه با اصل «مشتری‌محوری» در ادبیات کیفیت نیز هم‌راستاست (استاندارد جهانی کیفیت ،[iii] 2024)  

چارچوب مفهومی: صدای مشتری در اتوماسیون صنعتی

 VoCچیست و چرا در B2B صنعتی پیچیده‌تر است؟

در اتوماسیون صنعتی، مشتری «یک نفر» نیست؛ بلکه یک گروه چندنقشی است. بنابراین اگر VoC[iv] فقط از یک نقش (مثلاً مهندسی) جمع‌آوری شود، خروجی‌ها سوگیرانه می‌شوند و در مرحله‌ی انتخاب تأمین‌کننده یا اجماع داخلی شکست می‌خورند. پژوهش‌های مرتبط با سفر خرید B2B نشان می‌دهد خریدهای پیچیده از چند وظیفه‌ی تصمیم‏گیری تشکیل شده و خریداران بین آن‌ها رفت‌وبرگشت می‌کنند (گارتنر،[v] 2020). نتیجه‌ی عملی   VoC این است که باید نقش‌ها و وظایف تصمیمی را در کل چرخه‌ی خرید و بهره‌برداری پوشش دهد.

چرا نیازهای پنهان زیادند؟

کاربران کارخانه معمولاً نیاز را «به زبان محصول» بیان نمی‌کنند؛ آن‌ها مسئله را در قالب تجربه‌ی روزمره، میان‌برها، قیود ایمنی، کیفیت و ترس از توقف خط شرح می‌دهند. به همین دلیل، مشاهده‌ی میدانی و رویکردهای اتنوگرافیک برای کشف نیازهای پنهان توصیه می‌شود .( هایتانن،[vi] 2019).

از سوی دیگر، حرکت بازار به سمت نگهداری داده‌محور و پیش‌بینانه، انتظارات جدیدی خلق کرده که اگر به زبان نقشه‌راه ترجمه نشود، فرصت‌های محصول/خدمت از دست می‌رود. ( گالینی و همکاران[vii]، 2025) و (رمضان و رکوپرو[viii] ، 2025)

معماری منابع داده برای  VoC

برای اقدام‌پذیر شدن  VoC، ورودی‌ها را در سه لایه جمع‏آوری می‏کنیم:

1. داده‌های مستقیم: مصاحبه‌ی عمیق و نشست‌های مشترک (فهم «چرایی») (هاروارد بیزینس اسکول[ix]، 2025)
2. داده‌های اسنادی RFP: شامل  الزامات [x]FAT، [xi]SAT، [xii]SLA، اسناد انطباق (معیارهای رسمی تصمیم).
3. داده‌های رفتاری و عملکردی: داده‌های فروش و خدمات، خرابی‌ها، تماس‌های پشتیبانی، الگوی قطعه یدکی (واقعیت تجربه) .(گالینی و همکاران، 2025) .

روش اجرا: از جمع‌آوری داده تا خروجی‌های تصمیم‌پذیر

دامنه را با «سؤال تصمیم» شروع کنید

قبل از هر اقدام، روشن کنید خروجی برای کدام تصمیم است: نقشه‌راه محصول، بسته‌ی خدمات یا آموزش، قطعه یا سگمنت‌بندی و جایگاه‌یابی. این کار از تبدیل شدن تحقیق به گزارش‌های غیرقابل‌استفاده جلوگیری می‌کند.( هاروارد بیزینس اسکول، 2025)

نمونه‌گیری چندنقشی با منطق گروه خرید

در هر کارخانه، حداقل نقش‌های تولید، نگهداری، مهندسی اتوماسیون و فرآیند، IT وOT یا امنیت داده، تدارکات و مدیریت را پوشش دهید. یک قاعده‌ی عملی این است که ۱۲ تا ۲۰ مصاحبه‌ی عمیق در ۴ تا ۶ کارخانه (با صنایع و بلوغ متفاوت) معمولاً برای رسیدن به الگوهای پایدار کافی است، به شرط آن‌که تحلیل هم‌زمان انجام شود. ( کالیو[xiii]،2023) .

مصاحبه‌ی عمیق: تمرکز بر تجربه‌ی واقعی

به جای «چه می‌خواهید؟» بپرسید «آخرین بار چه اتفاقی افتاد؟» و با پرسش‌های پیگیرانه به جزئیات برسید.  محورهای پیشنهادی تحقیق بر اساس نظر کالیو، 2023 بشرح ذیل است:

• رخدادهای توقف، کیفیت و روند حل مسئله؛
• اثر اقتصادی Downtime، ضایعات، انرژی و  KPIهای حیاتی؛
• محدودیت‌ها (مهارت، قطعه، داده، امنیت، بودجه)؛
• میان‌برهای عملیاتی  (workarounds)؛
• معیارهای رد یا قبول تأمین‌کننده در RFP یا تصمیم داخلی.

مشاهده‌ی میدانی خط: دیدن شکاف «کار واقعی»

مشاهده‌ی ۶۰ تا ۹۰ دقیقه‌ای در نقاط بحرانی[xiv] HMI، تابلو، اتاق کنترل، ایستگاه نت و …  کمک می‌کند گلوگاه‌ها و تعامل انسان_ ماشین را شناسایی کنید و نیازهای پنهان را به نیازمندی واقعی تبدیل کنید (رولر[xv]، 2022) .

تحلیل RFP و امنیت OT

RFPها معیارهای رسمی انتخاب و حذف را نشان می‌دهند. در صنایع هوشمند، امنیت OT و استانداردهای مرتبط مانند ISA/IEC 62443 به بخش مهمی از نیازمندی‌ها تبدیل شده‌اند (انجمن اتوماسیون بین المللی[xvi]) . راهنماهای تدارکات نیز توصیه‌های عملی برای ترجمه‌ی الزامات 62443 به اسناد خرید ارائه‌ی می‌کنند.( شبکه امنیت سایبری اروپا،[xvii] 2022).

خروجی این بخش: «چک‌لیست معیارهای تصمیم» برای هر صنعت یا سگمنت را تشکیل می‏دهد.

تحلیل داده‌های فروش و خدمات

الگوهایی مثل تکرار خطا، اوج تماس پشتیبانی، قطعات پرخرابی، یا تأخیرهای راه‌اندازی، سرنخ مستقیم فرصت‌های محصول و خدمت هستند. در نگهداری هوشمند، چالش‌هایی نظیر کمبود داده و دشواری مقیاس‌پذیری می‌تواند به پیشنهاد ارزش سرویس‌محور تبدیل شود. (رمضان و رکوپرتو، 2025)

تحلیل کیفی و تبدیل به تصمیم

برای تبدیل داده‌ها به خروجی، «تحلیل تماتیک» روشی عملی و شناخته‌شده است که شامل یک روال سه مرحله‏ای است: ( برایان و کلارک [xviii]، 2021)

1. کدگذاری چند مصاحبه و مشاهدات (واژگان و مسئله‌های مشترک)؛
2. ساخت تم‌ها (مثل «ترس از توقف»، «ابهام مالکیت داده»، «بار مهارتی»، «هزینه‌ی پنهان راه‌اندازی»)؛
3. تبدیل هر تم به نیازمندی و سپس ایده محصول و خدمت با معیار سنجش.

خروجی‌های استاندارد برای محصول و بازاریابی

1. سگمنت‌بندی صنعتی: صنعت، حساسیت به توقف، بلوغ دیجیتال، الزامات امنیت و کیفیت؛
2. نقشه نیازهای پنهان: نیازهای گفته‌شده یا دیده‌شده، موانع پذیرش، شاخص ارزش[xix] OEE، MTTR[xx]، انرژی، کیفیت؛
3. ماتریس فرصت محصول یا خدمت: اثر اقتصادی در برابر امکان اجرا (خروجی مستقیم برای اولویت نقشه‌راه)؛
4. ترجمه به مشخصات طراحی: برای جلوگیری از «جملات خام»، می‌توان از ابزارهایی مانند مدل کانو برای دسته‌بندی انتظارات و تبدیل آن‌ها به ویژگی‌های قابل سنجش کمک گرفت. (انجمن کیفیت آمریکا[xxi]).

جمع‌بندی و نتیجه‌گیری

VoC  در اتوماسیون صنعتی زمانی ارزش‌آفرین است که به یک قابلیت تصمیم‌ساز تبدیل شود: پوشش نقش‌های کلیدی گروه خرید، ترکیب داده‌های مستقیم، اسنادی، عملکردی و تحلیل کیفی ساخت‌یافته که به خروجی‌های استاندارد ختم شود. (هاروارد بیزینس اسکول، 2025 ) ، ( برایان و کلارک ، 2021)

این رویکرد، فاصله میان «آنچه مشتری می‌گوید» و «آنچه در کارخانه رخ می‌دهد» را کاهش می‌دهد و نیازهای پنهان را آشکار می‌کند  (رولر، 2022) . همچنین توجه به امنیت OT و الزامات قابل استناد در RFP، احتمال موفقیت راهکار در ارزیابی مشتری و بهره‌برداری پایدار را افزایش می‌دهد. (انجمن بین المللی اتوماسیون، شبکه امنیت سایبری اروپا، 2022)

در نهایت، خروجی‌های پیشنهادی شامل:  سگمنت‌بندی، نقشه نیازهای پنهان و ماتریس فرصت، یک پل عملیاتی میان تحقیقات بازار و نقشه‌راه محصول یا خدمت می‌سازد و می‌تواند به کاهش ریسک توقف خط، طراحی بسته‌های خدماتی ارزش‌محور و افزایش اعتماد در بازار B2B صنعتی کمک کند.

منابع

American Society for Quality. (n.d.). What is the Kano model? ASQ.

Braun, V., & Clarke, V. (2021). Thematic analysis: A practical guide. SAGE.

Coykendall, J., Hardin, K., Morehouse, J., & Shepley, S. .2025 manufacturing industry outlook: Manufacturers prioritize targeted investments in their digital and data foundation to boost innovation and tackle ongoing skills gap and supply chain challenges. Deloitte Insights.

European Network for Cyber Security. (2022). IEC 62443 requirements for procuring RTUs and gateways for distribution automation or substation automation .

Garms, F., Jansen, C., Schmitz, C., Hallerstede, S., & Tschiesner, A. (2019, September 13). Capturing value at scale in discrete manufacturing with Industry 4.0. McKinsey & Company.

Gartner. (2020, September 15). Gartner says 80% of B2B sales interactions between suppliers and buyers will occur in digital channels by 2025 .

Gullini, A., et al. (2025). A review on three decades of manufacturing maintenance research: Past and future perspectives. Production & Manufacturing Research.

Harvard Business School Online. (2025). Voice of the customer: Strategies to listen & act effectively. Harvard Business School Online.

Hietanen, J. (2019). When customer ethnography is good for you. Industrial Marketing Management.

International Society of Automation. (n.d.). ISA/IEC 62443 series of standards. ISA.

Kallio, H. (2023). Conducting better qualitative interviews. Journal of Holistic Nursing.

Ramzan, F., & Recupero, D. R. (2025). A literature review on enhancing predictive maintenance in smart manufacturing industries: Fostering human-technology collaboration and overcoming data scarcity limitations with advanced AI models. Operations Research Forum.

Roller, M. R. (2022). Ethnography & observation method (Working paper/compilation). Research Design Review.

SGS. (2024, August 16). Customer focus in ISO 9001

[i] Coykendall et al. 2025
[ii] Garms et al., 2019
[iii] SGS, 2024
[iv] Voice of Customer
[v] Gartner, 2020
[vi] Hietanen, 2019
[vii] Gullini et al., 2025
[viii] Ramzan & Recupero, 2025
[ix] Harvard Business School Online, 2025
[x] FAT (Factory Acceptance Test)
[xi] SAT (Site Acceptance Test)
[xii] SLA (Service Level Agreement)
[xiii] Kallio,2023
[xiv] Human Machine Interface
[xv] Roller. 2022
[xvi] International Society of Automation
[xvii] European Network for Cyber Security, 2022
[xviii] Braun & Clarke, 2021
[xix] OEE=Overall Equipment Effectiveness
[xx] MTTR= Mean Time to Repair
[xxi] American Society for Quality