المكاسب:
- القدرة على تحويل سؤال العميل الغامض إلى بيان مشكلة واضح وقابل للحل وإنشاء شجرة فرضيات MECE (شجرة المشكلات) باستخدام الذكاء الاصطناعي
- القدرة على استخدام الذكاء الاصطناعي لتوليد الفرضيات واكتشاف النقاط العمياء، واتخاذ القرار الشخصي بشأن الفرضية التي سيتم اختبارها أولاً.
- القدرة على التعرف على المخاطر الشائعة في هيكلة المشكلة وتجنبها (الفروع المتعارضة، افتراض الحل مقدمًا، السؤال الخاطئ).
أغلى خطأ في المشروع الاستشاري هو حل السؤال الخطأ. يسأل العميل "مبيعاتنا تنخفض، ماذا علينا أن نفعل؟" يأتي: ولكن السؤال الحقيقي هو "في أي قطاع، ولماذا، وما هو حجم الجزء الذي يقع تحت سيطرتنا؟" يمكن أن يكون. يبدأ المستشار ذو الخبرة بتحديد المشكلة بشكل صحيح، وليس بالبحث عن إجابات. يعد الذكاء الاصطناعي شريك التفكير المثالي في هذه المرحلة: فهو يولد العشرات من الأسباب المحتملة والأسئلة الفرعية والفرضيات في غضون دقائق. لكن تحديد أي سؤال هو السؤال الصحيح يتطلب حكمًا، وهذا الحكم لك.
في هذه الوحدة، سنجمع بين أداتين تشكلان العمود الفقري للاستشارات في مجال الذكاء الاصطناعي: شجرة الفرضيات (شجرة القضايا، مخطط شجرة يفرع المشكلة إلى أسئلة فرعية) ومبدأ MECE (حصري متبادل، شامل بشكل جماعي - الفروع لا تتداخل مع بعضها البعض وتغطي معًا القضية بالكامل).
من سؤال غامض إلى مشكلة قابلة للحل
يتضمن بيان المشكلة الجيد أربعة أشياء: من (صانع القرار)، وماذا (القرار)، والمعايير (بماذا يقاس النجاح)، والحدود (النطاق والمدة). "المبيعات تنخفض" هي شكوى؛ "ما هي الروافع الثلاثة الأكثر فعالية التي من شأنها زيادة حجم المبيعات في قطاع B2B بنسبة 10% خلال الـ 12 شهرًا القادمة، في ظل الميزانية الحالية؟" هو بيان المشكلة. يمكنك إجراء هذا التحول على الذكاء الاصطناعي، لكن عليك أولاً شرح الموقف الأولي بوضوح.
دورك: مدرب هيكلة المشكلات للمستشار الإداري. سأعطيك شكوى العميل الخام. مهمتك: 1) تحويل هذا إلى بيان مشكلة من جملة واحدة وقابل للقياس (يجب أن يتضمن صانع القرار والقرار ومعايير النجاح والنطاق والمدة). 2) كشف الافتراضات الثلاثة الضمنية التي يستند إليها هذا البيان. 3) اقتراح إطارين بديلين للمشكلة لمواجهة خطر "حل السؤال الخاطئ". شكوى أولية: "[بكلمات العميل...]"
نصيحة: اقرأ بيان المشكلة مرة أخرى للعميل. "النجاح بالنسبة لك يعني زيادة بنسبة 10% في حجم مبيعات B2B خلال 12 شهرًا، أليس كذلك؟" هذه الجملة الفردية تحدد اتجاه المشروع والنقاش اللاحق "لم نرغب في هذا" منذ البداية.
بناء شجرة الفرضيات بالذكاء الاصطناعي
بمجرد أن تكون المشكلة واضحة، يمكنك تفرعها. جذر الشجرة هو السؤال الرئيسي؛ الفروع هي محاور الاستجابة المحتملة؛ الأوراق هي فرضيات قابلة للاختبار. على سبيل المثال، "لماذا لا يتزايد معدل دوران B2B؟" يمكن تقسيم السؤال إلى فرعين رئيسيين: (1) اكتساب العملاء الجدد ضعيف، (2) إيرادات العملاء الحاليين تتناقص. وينقسم كل فرع إلى فروع فرعية خاصة به. الشجرة الجيدة هي MECE.
دورك: خبير في شجرة فرضيات MECE. السؤال الرئيسي: "[بيان المشكلة]" المهمة: تفرع هذا السؤال فيما لا يزيد عن مستويين. القواعد: - يجب أن تكون فروع المستوى الأول MECE (بدون تداخل أو فجوات). - يجب أن تكون كل ورقة عبارة عن جملة فرضية قابلة للاختبار للبيانات (من النموذج "... لأن ..."). - بجوار كل فرضية، اكتب مصدر البيانات الفردي المطلوب لاختبارها. التنسيق: قائمة نقطية ذات مسافة بادئة. مسبار: في خطر التداخل/الفجوة تحت العنوان "تدقيق MECE" علامة على الفروع.
يمنحك الذكاء الاصطناعي شجرة تحتوي على 15 فرضية في 3 ثوانٍ. لكن مهمتك لا تنتهي عند هذا الحد، بل تبدأ: تختار الفروع التي تعتبر MECE حقًا، وأي الفرضية هي الأكثر احتمالية والأسهل للاختبار.
تحديد الأولويات: أي فرضية يجب اختبارها أولاً
ليس هناك وقت لاختبار كل الفرضيات. استخدم محورين: التأثير (مدى حجم مساهمته في الحل إذا كان صحيحًا) والسهولة (مدى سرعة/رخص الاختبار). أولئك الذين يتمتعون بتأثير كبير + راحة عالية يأتون أولاً. وهذا ما يسمى "اكتساح الفوز السريع".
فرضية
التأثير (1-5)
سهولة الاختبار (1-5)
الأولوية
التسعير وراء المنافسين
5
4
قبل
فريق المبيعات غير مناسب في B2B
4
3
ثم
هناك فجوة في ميزات المنتج
4
2
بحث
الوعي بالعلامة التجارية منخفض
3
2
عقد
يمكنك جعل الذكاء الاصطناعي يملأ هذه المصفوفة؛ ولكن قم بمراجعة نتائج التأثير والراحة باستخدام معرفتك الصناعية الخاصة. غالبًا ما يبالغ النموذج في تقدير سهولة الاختبار.
دورك: محلل الأولويات. ضع قائمة الفرضيات التالية في مصفوفة سهولة التأثير. لكل فرضية: التأثير (1-5)، سهولة الاختبار (1-5)، الحاجة إلى مصدر بيانات واحد، التوصية (قبل / بعد / التحقيق / الانتظار). القواعد: أعط درجة السهولة بتفاؤل، واكتب الأساس المنطقي. سلط الضوء على الفرضيتين اللتين لهما أعلى مضاعف "التأثير × السهولة". الفرضيات: [قائمة]
ثلاث حالات صغيرة
الحالة 1 - تم تصحيح السؤال الخاطئ. تساءلت إحدى سلسلة متاجر البيع بالتجزئة: "لدينا معدل دوران مرتفع للموظفين، فهل يجب علينا زيادة الرواتب؟" يسأل. يفتح المستشار إطار المشكلة بالذكاء الاصطناعي؛ ويوضح النموذج ثلاثة افتراضات ضمنية: أن الأجر هو المشكلة، وأن معدل دوران المبيعات هو نفسه في جميع المتاجر، والأجور هو الحل. يتم استخلاص البيانات: 70% من معدل الدوران موجود في 3 متاجر ودائمًا في نفس فريق المديرين. السؤال الحقيقي هو سلوك المدير. ستكون زيادة الرواتب بمقدار 14 مليون ليرة تركية حلاً خاطئًا.
الحالة 2 - شجرة غير MECE. أحد المستشارين يسأل العارضة "لماذا تتراجع الأرباح؟" يريد الشجرة. ويعطي النموذج الفروع "الدخل منخفض"، "التكلفة مرتفعة"، "المنافسة متزايدة". أول فرعين هما MECE (الربح = الإيرادات - التكلفة)، ولكن "زيادة المنافسة" هي سبب والإيرادات/التكلفة هي نتيجة؛ مستويات الفرع مختلطة. يقوم المستشار بإصلاح الشجرة: المستوى الأول هو الإيرادات والتكلفة فقط؛ المنافسة تسبب فرعا فرعيا من الدخل.
الحالة 3 - تحديد الأولويات يؤتي ثماره. في شركة برمجيات B2B، يتم إنشاء 12 فرضية. تضع مصفوفة التأثير والملاءمة فرضية "عملية الإعداد طويلة" في صندوق ملائم عالي التأثير. تم تأكيده من خلال تحليل البيانات لمدة أسبوع: معدل إلغاء العملاء الذين لم يتم تنشيطهم خلال 30 يومًا أعلى بثلاث مرات. القليل من التدخل (التثبيت الموجه) يقلل من الإلغاء بنسبة 22%. اختبار الفرضية الصحيحة أولا يختصر المشروع.
موجه ضعيف / موجه قوي
حث ضعيف:
أعد لي قائمة بأسباب انخفاض أرباح هذه الشركة.
يعدد النموذج الأسباب العشوائية والمتداخلة وغير المثبتة؛ ولا يضع إطارا للتفكير.
مطالبة قوية:
دورك: أخصائي هيكلة مشاكل MECE. السؤال الرئيسي: "الشركة مجرد بناء.
التحقق من الأسئلة ذات بنية مشكلة جيدة
عندما تنتهي من شجرتك، اطرح هذه الأسئلة: يمكنك أيضًا أن تسأل الذكاء الاصطناعي، لكنك تتخذ القرار النهائي:
- هل السؤال الجذري هو بالفعل السؤال الذي يريد العميل أن يقرره؟ - هل تتداخل فروع المستوى الأول؟ (ينفي كل منهما الآخر؟) - هل تم ترك أي شيء؟ (هل هي كاملة معًا؟) - هل يمكن اختبار كل ورقة بالبيانات أم أنها رأي؟ - هل افترضت الحل مسبقا؟ (على سبيل المثال، "الراتب هو الحل")
الأخطاء الشائعة
- تضمين الحل في السؤال. "هل يجب أن نخفض السعر؟" السؤال يفترض الحل ويجعل الروافع الأخرى غير مرئية. اسأل "لماذا" أولاً.
- فروع متداخلة. إذا كان "عملاء الشركات" و"كبار العملاء" فرعين منفصلين، فسيتم احتساب نفس العميل في مكانين؛ MECE مكسورة.
- مستوى الخلط. إن وضع السبب (المنافسة) على نفس مستوى التأثير (انخفاض الإيرادات) يجعل الشجرة غير عقلانية.
- أوراق غير قابلة للاختبار. إن "سوء الإدارة" هو حكم وليس فرضية. "وقت اتخاذ القرار هو 40 يومًا في المتوسط، و12 يومًا في الصناعة" هي فرضية قابلة للاختبار.
- قبول شجرة النموذج كما هي . الذكاء الاصطناعي يعطي مخططًا سريعًا؛ إن تدقيق MECE وتحديد الأولويات هو عملك.
تحذير: يقدم الذكاء الاصطناعي شجرة فرضيات بطريقة مقنعة للغاية. الإقناع ليس الدقة. قم دائمًا بفحص الشجرة يدويًا بحثًا عن MECE؛ غالبًا ما يُظهر رسم الفروع باستخدام القلم والورق تداخلًا لم يلحظه النموذج.
باختصار
في الاستشارة، القيمة في السؤال الصحيح قبل الإجابة الصحيحة. يتمتع الذكاء الاصطناعي بقدرة قوية على تحويل شكوى غامضة إلى بيان مشكلة قابل للقياس، والكشف عن الافتراضات الضمنية، ورسم شجرة الفرضيات بسرعة. ولكن الأمر متروك لك لتقرر ما إذا كانت الشجرة هي MECE، وقابلية اختبار الفرضيات، وأي منها يجب اختباره أولاً. النموذج ينتج مسودة. إن مهمة المستشار هي امتلاك المشكلة والتحكم فيها وترتيب أولوياتها.
مهمة التطبيق
اختر شكوى عميل حقيقية أو متخيلة (جملة واحدة). أولاً، قم بتحويل ذلك إلى بيان مشكلة قابل للقياس وثلاثة افتراضات ضمنية مع دافع قوي لتأطير المشكلة. ثم قم ببناء شجرة ذات مستويين باستخدام موجه شجرة فرضيات MECE. قم بفحص الشجرة يدويًا للعثور على تعارض أو فجوة واحدة على الأقل وإصلاحها. أخيرًا، قم بملء مصفوفة تأثير وسهولة وحدد فرضيتين لاختبارهما أولاً.
قائمة مرجعية
- [ ] لقد قمت بتحويل الشكوى الأولية إلى بيان مشكلة يتضمن من/ماذا/معايير/نطاق/مدة.
- [ ] لقد كشفت عن افتراضات ضمنية.
- [ ] لقد قمت بفحص المستوى الأول من شجرة فرضيتي كـ MECE.
- [ ] لقد تحققت من أن كل ورقة هي فرضية قابلة للاختبار.
- [ ] لقد تأكدت من عدم دفن الحل في السؤال.
- [ ] لقد أعطيت الأولوية لمصفوفة سهولة التأثير.
- [ ] لم أقبل شجرة النموذج بشكل أعمى وقمت بتصحيحها يدويًا.