# فصل ۰۵ — کارِ با ذی‌نفعِ غیرفنی

<div dir="rtl">

# فصل ۰۵ — کارِ با ذی‌نفعِ غیرفنی

## در این فصل چه یاد می‌گیری

یک مدل. یک مجموعهٔ آزمون. **و سه توصیفِ کاملاً درست که به سه تصمیمِ متفاوت می‌رسند.**

اگر دقت را بهینه کنی، آستانه ۰٫۵۹ می‌شود و دقت ۰٫۸۴۰۰. اگر هزینهٔ ترمِ ۳ را بهینه کنی، آستانه ۰٫۱۷ می‌شود و دقت به ۰٫۷۶۱۷ می‌افتد — **و هفته‌ای ۱۰٫۲ واحد هزینهٔ کمتر و ۴٫۵ تشدیدِ ازدست‌رفتهٔ کمتر دارد.** یعنی انتخابِ «مدلِ دقیق‌تر» هفته‌ای چهار و نیم پروندهٔ واقعی را از دست می‌دهد و هیچ‌جای گزارش این را نمی‌گوید.

بعد یاد می‌گیری «نمی‌دانم» را چطور با عدد بگویی. اختلافِ آن دو آستانه بازهٔ **۹۰٪ از ۳٫۲+ تا ۱۷٫۷+** دارد — قابلِ تصمیم. ولی اختلافِ دو آستانهٔ نزدیک بازهٔ **۲٫۵− تا ۴٫۵+** دارد، و جوابِ حرفه‌ای این است: **«با ۶۰۰ تیکت نمی‌شود تصمیم گرفت. حدودِ ۹۶۰۰ تیکت لازم است»** — عددی که خودمان حسابش می‌کنیم.

![یک ترازو با سه صفحهٔ مدرّجِ متفاوت روی یک محور](/lesson-assets/t6-s05-non-technical-stakeholders/prompt/01-image-three-dials-one-shaft.png)

آخر این فصل می‌توانی:

- یک متریک را به تصمیم ترجمه کنی و نشان بدهی تصمیم با تغییرِ متریک عوض می‌شود
- عددِ مدل را به واحدی بگویی که ذی‌نفع با آن کار می‌کند: پرونده در هفته
- «نمی‌دانم» را با یک بازه بگویی، نه با سکوت یا با یک عددِ ساختگی
- حساب کنی چقدر داده لازم است تا یک سؤال قابلِ جواب شود

## قبل از شروع

**از ترمِ ۳ فصلِ ۷:** ماتریسِ هزینه — نادیده گرفتنِ یک تشدید پنج برابرِ یک هشدارِ بی‌جا می‌ارزد. **همان دو عدد کلِ این فصل را می‌سازند.**

**از ژرفا ترمِ ۵:** `bootstrap` و بازهٔ اطمینان. **از ترمِ ۳ فصلِ ۵ همین دوره:** آزمونِ جفت‌شده — مقایسهٔ دو گزینه روی همان نمونه‌ها. اینجا هر دو ابزار، این بار روی یک تصمیمِ کاری.

> 💡 **نکته:** واحدِ هزینه در این فصل عمداً بی‌نام است. **نسبتِ ۵ به ۱ چیزی است که سرش بحث می‌کنی؛ واحدش را سازمانِ تو تعیین می‌کند.**

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/darbast/term-6-team-and-delivery/session-05-non-technical-stakeholders.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

</div>

| اجرا | زمانِ تقریبی |
|---|---|
| کلِ نوت‌بوک روی CPU | حدودِ یک دقیقه |
| GPU | لازم نیست |

<div dir="rtl">

## ۱. یک مدل، و سه سؤالِ متفاوت

مدل ثابت است. **تنها چیزی که عوض می‌شود، آستانه است** — همان اهرمِ پیکربندیِ ترمِ ۴ فصلِ ۱ — و اینکه با کدام معیار انتخابش کنیم.

</div>

```python
import numpy as np

MISS, FALSE_ALARM = 5, 1                      # ماتریسِ هزینهٔ ترمِ ۳ فصلِ ۷
WEEKS = len({t["week"] for t in TEST})
model = fit_model(TRAIN)
SCORE = model.predict_proba([normalise(t["text"]) for t in TEST])[:, 1]
TRUTH = np.array([t["escalated"] for t in TEST], dtype=bool)


def measure(threshold, scores=SCORE, truth=TRUTH, weeks=WEEKS):
    """یک آستانه، چهار زبانِ متفاوت برای گفتنِ نتیجه‌اش."""
    flagged = scores >= threshold
    return {"threshold": threshold,
            "accuracy": float((flagged == truth).mean()),
            "cost": float(MISS * (~flagged & truth).sum()
                          + FALSE_ALARM * (flagged & ~truth).sum()) / weeks,
            "cases": float(flagged.sum()) / weeks,
            "missed": float((~flagged & truth).sum()) / weeks}


GRID = [round(0.05 + 0.01 * k, 2) for k in range(86)]
TABLE = [measure(t) for t in GRID]
print("مجموعهٔ آزمون:", len(TEST), "تیکت در", WEEKS, "هفته ·",
      round(float(TRUTH.sum()) / WEEKS, 1), "تشدید در هفته")
```

```text
مجموعهٔ آزمون: 600 تیکت در 6 هفته · 21.5 تشدید در هفته
```

<div dir="rtl">

**اولین ترجمه همین‌جا انجام شد: «۶۰۰ تیکت» شد «هفته‌ای ۲۱٫۵ تشدید».** کسی که بودجهٔ تیم را می‌بندد با عددِ دوم کار می‌کند، نه اولی.

## ۲. سه ذره‌بین، سه آستانهٔ متفاوت

</div>

```python
CAPACITY = 18
best_accuracy = max(TABLE, key=lambda r: r["accuracy"])
best_cost = min(TABLE, key=lambda r: r["cost"])
fits_team = min((r for r in TABLE if r["cases"] <= CAPACITY), key=lambda r: r["cost"])
CHOICES = [("بیشترین دقت", best_accuracy), ("کمترین هزینه", best_cost),
           (f"جا شدن در ظرفیتِ {CAPACITY} پرونده", fits_team)]
print(f"{'اگر این را بهینه کنی':<30}{'آستانه':>8}{'دقت':>8}"
      f"{'هزینهٔ هفتگی':>14}{'پرونده در هفته':>16}{'تشدیدِ ازدست‌رفته':>18}")
for label, row in CHOICES:
    print(f"{label:<30}{row['threshold']:>8.2f}{row['accuracy']:>8.4f}"
          f"{row['cost']:>14.1f}{row['cases']:>16.1f}{row['missed']:>18.1f}")
```

```text
اگر این را بهینه کنی            آستانه     دقت  هزینهٔ هفتگی  پرونده در هفته تشدیدِ ازدست‌رفته
بیشترین دقت                       0.59  0.8400          60.7            15.2              11.2
کمترین هزینه                      0.17  0.7617          50.5            32.0               6.7
جا شدن در ظرفیتِ 18 پرونده        0.44  0.8317          59.5            17.0              10.7
```

<div dir="rtl">

**سه سطر، سه تصمیمِ متفاوت، و هر سه از یک مدل.**

سطرِ اول همان چیزی است که در بیشترِ گزارش‌ها می‌آید: بالاترین دقت. **و بدترین ستونِ آخر را دارد** — هفته‌ای ۱۱٫۲ تشدید از دستش می‌رود، در حالی که کلِ تشدیدهای هفته ۲۱٫۵ تاست. **یعنی مدلِ «دقیق‌ترین»، بیش از نیمی از پرونده‌های واقعی را رد می‌کند.**

سطرِ دوم نزدیک به هشت واحد دقت کمتر دارد و **نزدیک به دو برابر پرونده می‌فرستد**: هفته‌ای ۳۲ پرونده به‌جای ۱۵٫۲، و ۴٫۵ تشدیدِ ازدست‌رفتهٔ کمتر.

و سطرِ سوم چیزی است که هیچ‌کدام از دو معیارِ قبلی نمی‌بیند: **ظرفیت.** اگر تیم هفته‌ای بیش از ۱۸ پرونده را نمی‌تواند بازبینی کند، آستانهٔ ۰٫۱۷ روی کاغذ بهترین است و در عمل صف می‌سازد.

## ۳. همان مدل، سه جمله

</div>

```python
for label, row in CHOICES:
    print(f"{label}:")
    print(f"    «دقتِ مدل {row['accuracy']:.0%} است.»")
    print(f"    «هفته‌ای {row['cost']:.0f} واحد هزینه دارد.»")
    print(f"    «هفته‌ای {row['cases']:.0f} پرونده برای بازبینی می‌فرستد"
          f" و {row['missed']:.1f} تشدید را از دست می‌دهد.»")
```

```text
بیشترین دقت:
    «دقتِ مدل 84% است.»
    «هفته‌ای 61 واحد هزینه دارد.»
    «هفته‌ای 15 پرونده برای بازبینی می‌فرستد و 11.2 تشدید را از دست می‌دهد.»
کمترین هزینه:
    «دقتِ مدل 76% است.»
    «هفته‌ای 50 واحد هزینه دارد.»
    «هفته‌ای 32 پرونده برای بازبینی می‌فرستد و 6.7 تشدید را از دست می‌دهد.»
جا شدن در ظرفیتِ 18 پرونده:
    «دقتِ مدل 83% است.»
    «هفته‌ای 60 واحد هزینه دارد.»
    «هفته‌ای 17 پرونده برای بازبینی می‌فرستد و 10.7 تشدید را از دست می‌دهد.»
```

<div dir="rtl">

**هر نه جمله درست‌اند. و فقط سه‌تایشان قابلِ تصمیم‌گیری‌اند.**

جملهٔ «دقتِ مدل ۸۴٪ است» به کسی که تیمِ پشتیبانی را می‌چرخاند هیچ چیزی نمی‌گوید. نه می‌داند این خوب است یا بد، نه می‌داند چه کاری باید بکند. **بدتر: چون عددِ بزرگ‌تری است، ناخودآگاه بهتر به نظر می‌رسد** — و همان چیزی است که سطرِ اول را انتخاب می‌کند.

جملهٔ سوم واحدهایی دارد که در تقویمِ آن آدم وجود دارند: **پرونده، هفته، تشدیدِ ازدست‌رفته.** رویش می‌شود تصمیم گرفت، و مهم‌تر: **رویش می‌شود مخالفت کرد** — که علامتِ یک جملهٔ مفید است.

**قاعدهٔ ترجمه: عددِ مدل را در سه چیز ضرب کن — حجمِ واقعی، بازهٔ زمانی، و واحدی که شنونده در آن کار می‌کند.** «۸۴٪» بشود «هفته‌ای ۱۵ پرونده و ۱۱ ازدست‌رفته».

## ۴. قیمتِ ذره‌بینِ اشتباه

</div>

```python
print(f"{'':<30}{'زیرِ ذره‌بینِ دقت':>18}{'زیرِ ذره‌بینِ هزینه':>20}"
      f"{'زیرِ ذره‌بینِ ظرفیت':>20}")
for label, row in CHOICES:
    print(f"{label:<30}{row['accuracy']:>18.4f}{row['cost']:>20.1f}{row['cases']:>20.1f}")
print("اختلافِ هزینهٔ «بیشترین دقت» و «کمترین هزینه» در هفته:",
      round(best_accuracy["cost"] - best_cost["cost"], 1))
print("اختلافِ تشدیدِ ازدست‌رفته در هفته:",
      round(best_accuracy["missed"] - best_cost["missed"], 1))
```

```text
                               زیرِ ذره‌بینِ دقت زیرِ ذره‌بینِ هزینه زیرِ ذره‌بینِ ظرفیت
بیشترین دقت                               0.8400                60.7                15.2
کمترین هزینه                              0.7617                50.5                32.0
جا شدن در ظرفیتِ 18 پرونده                0.8317                59.5                17.0
اختلافِ هزینهٔ «بیشترین دقت» و «کمترین هزینه» در هفته: 10.2
اختلافِ تشدیدِ ازدست‌رفته در هفته: 4.5
```

<div dir="rtl">

**۱۰٫۲ واحد در هفته، و ۴٫۵ پروندهٔ واقعی.**

انتخابِ «بیشترین دقت» یک تصمیمِ اشتباه نیست؛ **یک تصمیم است که کسی نگرفته.** هیچ‌کس ننشست بگوید «حاضریم هفته‌ای چهار و نیم تشدیدِ بیشتر را از دست بدهیم تا عددِ دقتمان هشت واحد بالاتر باشد». **این تصمیم از دلِ انتخابِ متریک بیرون آمد، بی‌آنکه کسی بداند دارد تصمیم می‌گیرد.**

> ✅ **چک کن:** به ستونِ وسطِ جدول نگاه کن. سطرِ سوم ۵۹٫۵ است و سطرِ اول ۶۰٫۷ — **تقریباً یکی.** یعنی قیدِ ظرفیت تقریباً رایگان بود، ولی فقط چون آن را در همان جدول دیدیم. **هر قیدِ عملیاتی که در جدولت ستون ندارد، در جلسه به‌شکلِ «ولی ما نمی‌توانیم» ظاهر می‌شود** — و آن‌وقت کلِ تحلیل باید از اول انجام شود.

## ۵. «نمی‌دانم»، با یک عدد کنارش

سؤالِ بعدی که در جلسه می‌پرسند این است: **«مطمئنی؟»**

جوابِ «بله» دروغ است و جوابِ «نه» بی‌فایده. جوابِ درست یک بازه است — و آزمونِ **جفت‌شده** (ترمِ ۳ فصلِ ۵): اختلاف را روی همان نمونه‌های بازنمونه‌شده حساب می‌کنیم، نه دو بازهٔ جدا.

</div>

```python
def bootstrap_gap(a, b, rounds=2000, seed=0, size=None):
    """اختلافِ هزینهٔ دو آستانه، روی همان نمونه‌های بازنمونه‌شده (آزمونِ جفت‌شده)."""
    dice = np.random.default_rng(seed)
    n = size or len(TRUTH)
    weeks = n / (len(TRUTH) / WEEKS)
    gaps = []
    for start in range(0, rounds, 50):                 # تکه‌تکه، تا حافظه پر نشود
        idx = dice.integers(0, len(TRUTH), size=(min(50, rounds - start), n))
        scores, truth = SCORE[idx], TRUTH[idx]
        cost = []
        for threshold in (a, b):
            flagged = scores >= threshold
            cost.append((MISS * (~flagged & truth).sum(axis=1)
                         + FALSE_ALARM * (flagged & ~truth).sum(axis=1)) / weeks)
        gaps.extend(cost[0] - cost[1])
    gaps.sort()
    return gaps[int(0.05 * rounds)], gaps[int(0.95 * rounds)]


low, high = bootstrap_gap(best_accuracy["threshold"], best_cost["threshold"])
print(f"«بیشترین دقت» منهای «کمترین هزینه» — بازهٔ ۹۰٪: {low:+.1f} تا {high:+.1f} واحد در هفته")
print("قابلِ تصمیم است؟", low > 0)
near = min((r for r in TABLE if abs(r["threshold"] - best_cost["threshold"]) > 0.04),
           key=lambda r: abs(r["cost"] - best_cost["cost"]))
low2, high2 = bootstrap_gap(near["threshold"], best_cost["threshold"])
print(f"آستانهٔ {near['threshold']:.2f} منهای {best_cost['threshold']:.2f}"
      f" — بازهٔ ۹۰٪: {low2:+.1f} تا {high2:+.1f}")
print("قابلِ تصمیم است؟", low2 > 0)
```

```text
«بیشترین دقت» منهای «کمترین هزینه» — بازهٔ ۹۰٪: +3.2 تا +17.7 واحد در هفته
قابلِ تصمیم است؟ True
آستانهٔ 0.13 منهای 0.17 — بازهٔ ۹۰٪: -2.5 تا +4.5
قابلِ تصمیم است؟ False
```

<div dir="rtl">

**دو سؤالِ به‌ظاهر شبیه، دو وضعیتِ کاملاً متفاوت.**

اولی: «آستانهٔ ۰٫۵۹ گران‌تر از ۰٫۱۷ است؟» — **بله، و کلِ بازه بالای صفر است.** جوابِ حرفه‌ای: «بین سه و هجده واحد در هفته گران‌تر است؛ عددِ دقیقش را نمی‌دانم، ولی گران‌تر بودنش قطعی است.»

دومی: «۰٫۱۳ بهتر است یا ۰٫۱۷؟» — **بازه صفر را در بر می‌گیرد.** جوابِ حرفه‌ای: **«با این داده نمی‌شود تصمیم گرفت.»** نه «تقریباً یکی‌اند»، نه «حسم می‌گوید ۰٫۱۷»، و مطمئناً نه انداختنِ سکه و گفتنِ یک عدد با اطمینان.

**و «نمی‌دانم» تمام نمی‌شود؛ سؤالِ بعدی دارد: چه چیزی لازم است تا بدانم؟**

## ۶. چقدر داده کافی است؟

</div>

```python
print("برای جدا کردنِ همان دو آستانهٔ نزدیک، چند تیکت لازم است؟")
for n in (600, 2400, 9600, 38400):
    lo, hi = bootstrap_gap(near["threshold"], best_cost["threshold"], rounds=600, size=n)
    print(f"  {n:>6} تیکت → بازهٔ ۹۰٪ {lo:+.2f} تا {hi:+.2f}"
          f"  {'جدا شد' if lo > 0 else 'هنوز نه'}")
```

```text
برای جدا کردنِ همان دو آستانهٔ نزدیک، چند تیکت لازم است؟
     600 تیکت → بازهٔ ۹۰٪ -2.50 تا +4.33  هنوز نه
    2400 تیکت → بازهٔ ۹۰٪ -0.58 تا +2.88  هنوز نه
    9600 تیکت → بازهٔ ۹۰٪ +0.30 تا +2.04  جدا شد
   38400 تیکت → بازهٔ ۹۰٪ +0.69 تا +1.63  جدا شد
```

<div dir="rtl">

**جملهٔ کاملِ حرفه‌ای این است: «با ۶۰۰ تیکت نمی‌شود تصمیم گرفت. حدودِ ۹۶۰۰ تیکت لازم است — با نرخِ فعلی حدودِ نود و شش هفته.»**

**و همین‌جا جواب معمولاً عوض می‌شود.** وقتی بشنوند که جدا کردنِ این دو گزینه دو سال داده می‌خواهد، دیگر کسی نمی‌پرسد کدام بهتر است؛ می‌پرسند «فرقشان چقدر است؟» — و جوابِ «حداکثر دو واحد در هفته» بحث را در یک دقیقه تمام می‌کند.

**سه بندِ «نمی‌دانم»ِ حرفه‌ای:**

- **۱)** **چه چیزی را می‌دانم**، با بازه‌اش. «گران‌تر بودن قطعی است، مقدارش بین سه و هجده.»
- **۲)** **چه چیزی را نمی‌دانم**، و چرا. «تفاوتِ این دو آستانه در نویزِ همین دادهٔ ۶۰۰تایی گم است.»
- **۳)** **چه چیزی لازم است تا بدانم**، با عدد و زمان. «حدودِ ۹۶۰۰ تیکت، یعنی حدودِ نود و شش هفته.»

بندِ سوم است که «نمی‌دانم» را از طفره جدا می‌کند. **بدونش، شنونده فکر می‌کند تو کارت را بلد نیستی؛ با آن، می‌فهمد که مسئله سخت است و تو اندازه‌اش را می‌دانی.**

> 📏 **اندازه بگیر:** **با چه چیزی مقایسه شد؟** هر آستانه با آستانه‌های دیگرِ **همان مدل** — نه دو مدلِ متفاوت. **روی کدام داده؟** ۶۰۰ تیکتِ شش هفتهٔ آخر، یعنی برشِ زمانیِ بعدی و نه تقسیمِ تصادفی (ترمِ ۳ فصلِ ۷). **با چند `seed`؟** **دو هزار بازنمونه** برای دو بازهٔ بخشِ ۵ و **ششصد بازنمونه** برای هر سطرِ بخشِ ۶، و **جفت‌شده** — همان ریزه‌کاری‌ای که اگر رعایت نشود، دو بازهٔ روی‌هم‌افتاده به تو می‌گویند «تفاوتی نیست» در حالی که هست. **و یک صداقتِ لازم:** بازنمونه‌گیری از همان ۶۰۰ تیکت، **عدمِ قطعیتِ نمونه** را می‌سنجد، نه عدمِ قطعیتِ آینده را. اگر رفتارِ مشتری‌ها عوض شود، هیچ‌کدام از این بازه‌ها معتبر نمی‌مانند — و آن، موضوعِ ترمِ ۵ است.

> 🔧 **اگر کار نکرد:** اگر `measure` با `ZeroDivisionError: float division by zero` ایستاد، `weeks` صفر شده — یعنی `TEST` خالی است. اگر `min(...)` روی `fits_team` خطای `ValueError: min() iterable argument is empty` داد، هیچ آستانه‌ای در شبکه زیرِ ظرفیت نیست: `CAPACITY` را بالا ببر یا شبکه را تا آستانه‌های بالاتر ادامه بده — **و همان خطا خودش یک یافته است: ظرفیتِ تیم برای این مدل کافی نیست.** و اگر بازه‌هایت با کتاب فرق داشت، `seed` تابعِ `bootstrap_gap` را عوض کرده‌ای؛ عددها کمی جابه‌جا می‌شوند ولی نتیجهٔ «قابلِ تصمیم یا نه» نباید عوض شود — اگر شد، یعنی از اول هم لبِ مرز بوده.

> 🤖 **از دستیارت بپرس:** «چطور یک نتیجهٔ آماری را به کسی توضیح بدهم که آمار نخوانده؟» بعد این را بپرس: **«سه جملهٔ من این‌هاست [سه جملهٔ بخشِ ۳ را بده]. کدامشان می‌تواند شنونده را به تصمیمِ اشتباه ببرد و چرا؟»** — جوابِ خوب باید به «عددِ درصدی بزرگ‌تر، ناخودآگاه بهتر به نظر می‌رسد» برسد.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| stakeholder | استیک‌هولدر | کسی که تصمیمش به کارِ تو وابسته است ولی خودش آن را نمی‌سازد |
| decision threshold | دسیژن تِرش‌هولد | مرزی که نمرهٔ مدل را به «بله» یا «نه» تبدیل می‌کند |
| operating point | اپریتینگ پوینت | نقطه‌ای از منحنیِ مدل که واقعاً در تولید استفاده می‌شود |
| capacity constraint | کپسیتی کانسترینت | سقفِ کاری که تیم در واحدِ زمان می‌تواند انجام دهد |
| confidence interval | کانفیدنس اینتروال | بازه‌ای که «نمی‌دانم» را به یک عددِ قابلِ استفاده تبدیل می‌کند |
| paired comparison | پیرد کامپریزن | مقایسهٔ دو گزینه روی **همان** نمونه‌ها، برای حذفِ نویزِ مشترک |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا «دقتِ ۸۴٪» می‌تواند شنونده را به تصمیمِ گران‌تر ببرد؟

**تمرینِ اجباری:** نسبتِ هزینه را از ۵ به ۱ به سه مقدارِ دیگر ببر — ۲ به ۱، ۱۰ به ۱، و ۱ به ۱ — و برای هر کدام **آستانهٔ کمینهٔ هزینه** و **تشدیدِ ازدست‌رفتهٔ هفتگی** را گزارش کن. **بعد جواب بده: کدام‌یک از این چهار نسبت به آستانهٔ «بیشترین دقت» می‌رسد؟** جوابت نشان می‌دهد بهینه کردنِ دقت در واقع یعنی چه فرضی دربارهٔ هزینه‌ها.

**تمرینِ ستاره‌دار ⭐:** یک **برگهٔ یک‌صفحه‌ای برای ذی‌نفع** بساز — با کد، نه با دست. ورودی‌اش نمرهٔ مدل و برچسبِ آزمون است و خروجی‌اش دقیقاً چهار چیز: توصیهٔ آستانه، دو عددِ عملیاتی (پرونده در هفته و ازدست‌رفته در هفته)، بازهٔ اطمینانِ اختلافش با وضعِ فعلی، و **جمله‌ای که می‌گوید این توصیه با چه فرضی درست است**. بعد همان برگه را برای دو نسبتِ هزینهٔ متفاوت تولید کن. **و سؤالِ سخت را جواب بده: اگر ذی‌نفعت نسبتِ هزینه را قبول نداشته باشد، کدام قسمتِ برگه‌ات باید عوض شود و کدام قسمت نه؟**

## در فصل بعد

تا اینجا فرض کرده‌ایم این سامانه را خودمان می‌سازیم. **فصلِ بعد آن فرض را برمی‌دارد.**

هزینهٔ کلِ مالکیت را به‌شکلِ یک مدلِ کوچک حساب می‌کنیم — ساختن در برابرِ خریدن — با **نگه‌داری به‌عنوان جمله‌ای که همیشه از قلم می‌افتد**. نقطهٔ سربه‌سر را پیدا می‌کنیم و بعد می‌سنجیم که جواب به کدام فرض حساس‌تر است. **و نشان می‌دهیم حذفِ همان یک جمله، تصمیم را وارونه می‌کند.**

</div>

---
Source: https://yaadestan.com/courses/darbast/lessons/t6/s05-non-technical-stakeholders (یادستان, Yaadestan)
