المكاسب:
- القدرة على إنتاج رؤية موجهة نحو القرار من البيانات المتفرقة من خلال فهم سلم البيانات والمعلومات والبصيرة والقرار وتنفيذ الذكاء الاصطناعي خطوة بخطوة
- القدرة على كشف الحقيقة التي تخفيها الأعداد الإجمالية من خلال تقسيمها إلى شرائح وتمييز الارتباط عن السببية
- القدرة على التعامل مع الأسباب التي يقترحها الذكاء الاصطناعي على أنها فرضيات ليتم اختبارها وبناء القرار النهائي على رؤية تم التحقق منها
تصل عشرات الأرقام إلى مكتب المدير كل يوم: أرقام المبيعات، والتكاليف، وشكاوى العملاء، ومستويات المخزون، ومعدلات دوران الموظفين. لكن العدد وحده ليس هو القرار. يبدأ القرار برؤية المعنى داخل الرقم. "انخفضت المبيعات بنسبة 8 بالمائة مقارنة بالشهر الماضي" أمر مسلم به؛ "يرجع الانخفاض في المبيعات إلى قيام عميلين كبيرين في منطقة بحر إيجه بتأجيل طلباتهما" هي فكرة واضحة. وهنا، يعد دعم القرار - العملية التي تجعل البيانات ذات معنى للمدير لاتخاذ قرارات أفضل - هو الجسر الذي يحول البيانات إلى رؤية. في هذه الوحدة، سوف نتعلم كيفية استخدام الذكاء الاصطناعي على هذا الجسر. الحدود واضحة منذ البداية: الذكاء الاصطناعي ينتج مسودة رؤى؛ يقرر المدير أي البصيرة حقيقية وما يجب فعله.
أربع خطوات من البيانات إلى البصيرة
دعم القرار هو سلم. الرقم الأول - البيانات: الأرقام الأولية (وصلت 1,240 طلبًا هذا الشهر). الرقم الثاني – المعلومات: الأرقام المعدلة والمقارنة (بانخفاض 8 بالمائة عن الشهر الماضي). المستوى الثالث – البصيرة: فهم سبب الانخفاض (التأخير من عميلين رئيسيين). الخطوة الرابعة – القرار: ما يجب فعله (مقابلة هؤلاء العملاء واستهداف عملاء جدد). الذكاء الاصطناعي سريع جدًا في الخطوتين الأولى والثانية، وهو مساعد جيد في الخطوة الثالثة، ولا يقدم سوى خيارات في الخطوة الرابعة.
إن معرفة هذا السلم أمر مهم لأن معظم المديرين يطلبون مباشرة من الذكاء الاصطناعي أن "يقرر بالنيابة عني" ويشعرون بالإحباط. ومع ذلك، إذا قمت بتنفيذ الذكاء الاصطناعي خطوة بخطوة - قم أولاً بالتلخيص، ثم المقارنة، ثم السؤال عن الأسباب المحتملة، وأخيراً اتخاذ القرار بنفسك - فستكون سريعًا وموثوقًا.
تلميح: اسأل الذكاء الاصطناعي "ماذا تستنتج من هذه البيانات؟" بدلاً من طرح الأسئلة كلها مرة واحدة، تابع خطوة بخطوة بقول "أولاً قم بتلخيص التغييرات الثلاثة، ثم اعرض التغييرات الثلاثة الأكثر بروزًا، ثم اقترح سببين محتملين لكل منها". التفكير التدريجي يعطي نتائج أكثر دقة.
فخ الارتباط والسببية
إن أخطر مأزق دعم القرار هو الخلط بين الارتباط والسببية. الارتباط هو عندما يتحرك شيئين معًا (تزداد مبيعات الآيس كريم وحالات الغرق معًا في الصيف). السببية هي أن يؤدي أحدهما إلى الآخر (الآيس كريم لا يسبب الاختناق، الطقس الحار هو السبب الشائع). الذكاء الاصطناعي جيد جدًا في العثور على الأشياء التي تتحرك معًا في بياناتك، لكنه لا يستطيع تحديد السبب الحقيقي. إن القول بأن "الإنفاق الإعلاني زاد والمبيعات زادت" لا يثبت أن الإعلان زاد المبيعات؛ ربما تأثر كلاهما بموسم الأعياد.
لذلك عندما يقترح الذكاء الاصطناعي سببًا، تعامل معه باعتباره فرضية (افتراض يحتاج إلى إثبات)، وليس كحقيقة. "كيف يمكنني اختبار هذا؟" بسأل. يقوم المدير الجيد باختبار السبب الذي يقترحه الذكاء الاصطناعي في الميدان أو باستخدام البيانات.
ثلاث حالات صغيرة
الحالة 1 – الإمساك بالسقوط السري. في شركة التجارة الإلكترونية، بدا إجمالي حجم التداول مستقرًا، ولم ينزعج أحد. يقدم المدير البيانات الشهرية المجهولة إلى الذكاء الاصطناعي ويسأل "ما هي الشريحة التي تنمو وأيها تتقلص على أساس الفئة؟" سأل. أظهر YZ أنه على الرغم من أن إجمالي المبيعات كان ثابتًا، إلا أن فئة الإلكترونيات عالية الربح انخفضت فعليًا بنسبة 22 بالمائة، مع إخفاء مبيعات الملحقات منخفضة الربح هذا الأمر. وأكد المدير ذلك وركز على فئة الإلكترونيات. تم إخفاء العدد الإجمالي. لقد كشفت الاستراحة الحقيقة.
الحالة الثانية - الركض إلى السبب الخطأ. قدم مدير سلسلة المقاهي بيانات المبيعات إلى الذكاء الاصطناعي. وقال YZ "مبيعات عطلة نهاية الأسبوع تتحرك مع درجة حرارة الطقس". قرأ المدير ذلك على أنه "الطقس الحار يزيد المبيعات" وأوقف تشغيل مكيفات الهواء. ومع ذلك، كان السبب الحقيقي هو زيادة حركة العملاء خلال عطلة نهاية الأسبوع؛ تحركت درجة الحرارة بالصدفة في نفس الاتجاه. لقد أخطأ المدير في فهم العلاقة السببية. لقد تعلم الدرس واختبر كل سبب من الآن فصاعدا.
الحالة 3 - إجراء المقارنة بشكل صحيح. تمت مقارنة كفاءة مصنعين في مؤسسة إنتاجية. يسأل المدير الذكاء الاصطناعي: "هل المصنع (أ) أكثر كفاءة من المصنع (ب)؟" سأل، لكن الذكاء الاصطناعي لم يكن يعلم أن المصنع "أ" كان أحدث وأصغر. قام المدير بتصحيح المطالبة: "قارن العائد لكل وحدة، مع الأخذ في الاعتبار الحجم والفارق العمري". هذه المرة كان التحليل عادلا وظهر الفرق الحقيقي.
أربعة قوالب قابلة للنسخ
1) استخراج البصيرة التدريجية:
دورك: محلل أعمال يساعد المدير. استخدم البيانات المجهولة المرفقة (الفترة، الفئة، المبيعات، التكلفة). تابع خطوة بخطوة: 1) قم بتلخيص البيانات في 4 عناصر. 2) إظهار أبرز 3 تغييرات مقارنة بالفترة الماضية. 3) اقترح ما يصل إلى سببين محتملين لكل تغيير واذكر أن هذه مجرد فرضيات وأن هناك حاجة إلى أدلة. لا تقم باختلاق أي أرقام غير موجودة في البيانات التي أقدمها.
2) التحليل التفصيلي (القطاعي):
حتى لو كانت الأرقام الإجمالية تبدو مستقرة، أريد أن أعرف ما يحدث في الداخل. تقسيم البيانات المرفقة حسب الفئة/المنطقة/شريحة العميل. أظهر الجزء الذي ينمو وأي جزء يتقلص في الجدول. وخاصة علامة الانعكاسات التي تخفي المجموع.
3) اختبار الارتباط والسببية:
لقد وجدت هذه العلاقة: [أ وب يتحركان معًا]. ساعدني في معرفة ما إذا كان هذا هو السبب والنتيجة الحقيقيين أم أنه مجرد عمل معًا. قم بإدراج الأسباب الشائعة المحتملة واقترح 3 فحوصات عملية يمكنني القيام بها لاختبار هذه العلاقة.
4) توليد خيار القرار:
لقد أكدت هذه البصيرة: [البصيرة]. لا تقرر نيابةً عني؛ بدلاً من ذلك، قم بإنشاء 3 خيارات عمل مختلفة. لكل خيار: الفائدة المتوقعة، والتكلفة/الجهد المقدر، والمخاطر الرئيسية، والوضع الذي ينبغي تفضيله. اعرض الخيارات بشكل محايد؛ لا تفرض على شخص ما.
موجه ضعيف / موجه قوي
حث ضعيف:
لماذا انخفضت المبيعات؟
لا توجد بيانات، ولا فترة، ولا سياق. يسرد الذكاء الاصطناعي الأسباب العامة (الاقتصاد، المنافسة، الموسم)؛ لا يوجد أي منها خاص بحالتك ولا يمكن التحقق منها.
مطالبة قوية:
دورك: محلل التجزئة. استخدم البيانات المرفقة مجهولة المصدر لمدة 6 أشهر (الشهر، المنطقة، الفئة، عدد المبيعات، حجم المبيعات). وانخفض إجمالي حجم التداول بنسبة 8٪ في الشهر الماضي. قم بتقسيم ذلك حسب المنطقة والفئة؛ تعرف على الجزء الذي يأتي منه الانخفاض. اقترح ما يصل إلى فرضيتين قابلتين للاختبار لكل تراجع تجده. فقط استخدم الأرقام التي أعطيتك إياها.
الحجم
نهج الفقراء
نهج قوي
البيانات
لا شيء
مجهول ومرفق
سؤال
العام "لماذا؟"
منكسرة ومركزة
الإخراج
أسباب عامة
فرضيات قابلة للاختبار
إمكانية التحقق
منخفض
عالية
قيمة القرار
أقل
عالية
الأخطاء الشائعة
- الاعتماد على العدد الإجمالي. في حين أن الإجمالي ثابت، فمن الممكن أن يكون هناك انعكاسات كبيرة في الداخل؛ تأكد من إلقاء نظرة على الانهيار.
- الارتباط الخاطئ للسببية. انظر إلى العلاقة التي يجدها الذكاء الاصطناعي باعتبارها فرضية يجب اختبارها، وليس كدليل.
- مقارنة غير عادلة لا تقارن بين الوحدات ذات الأحجام/الأعمار/الظروف المختلفة دون تطبيعها.
- طلب القرارات مباشرة من الذكاء الاصطناعي. الذكاء الاصطناعي يولد الخيارات؛ أنت تتحمل القرار والمسؤولية.
- استخلاص النتائج باستخدام بيانات فترة واحدة. مطلوب بيانات تاريخية كافية للاتجاه.
تحذير: بغض النظر عن مدى ذكاء الرؤية، فلا ينبغي أن تصبح قرارًا إذا لم يكن من الممكن التحقق منها من خلال بياناتك. "قال الذكاء الاصطناعي ذلك" ليس مبررا؛ "لقد اختبرته بالبيانات وتم التحقق من صحته" هو مبرر.
باختصار
دعم القرار هو السلم الذي يحول البيانات إلى رؤية: البيانات والمعلومات والبصيرة والقرار. الذكاء الاصطناعي سريع جدًا في الخطوتين الأوليين، ومساعد جيد في الثالثة، ومزود خيارات فقط في الرابعة. انظر إلى التفاصيل، وليس الأرقام الإجمالية؛ لا تخلط بين الارتباط والسببية؛ عرض الأسباب التي يقترحها الذكاء الاصطناعي كفرضيات للاختبار. التفكير التدريجي يعطي نتائج أكثر دقة. القرار النهائي هو للمدير بناءً على رؤية تم التحقق منها.
مهمة التطبيق
قم بإعداد مجموعة بيانات مجهولة المصدر من عملك (مثل المبيعات على أساس الفئة لآخر 6 أشهر). اطلب من الذكاء الاصطناعي إجراء تحليل مقطعي باستخدام قالب "تحليل الانهيار" أعلاه. أنشئ فرضية باستخدام قالب "اختبار الارتباط والسببية" لأكبر تغيير وجدته واكتب كيف ستختبر هذه الفرضية ميدانيًا في 3 عناصر.
قائمة مرجعية
- [ ] هل قمت بإخفاء هوية البيانات؟
- [ ] هل نظرت إلى التوزيع (القطاع) بدلاً من الإجمالي؟
- [ ] هل تعاملت مع السبب الذي اقترحه الذكاء الاصطناعي على أنه فرضية؟
- [ ] هل قمت بإعداد المقارنات بشكل عادل (طبيعي)؟
- [ ] هل اتخذت القرار بنفسي بناءً على رؤية تم التحقق منها؟