Печалби:
- Възможност за трансформиране на двусмислен клиентски въпрос в ясна, разрешима декларация за проблем и създаване на MECE дърво на хипотезата (дърво на проблема) с изкуствен интелект
- Способност за използване на изкуствен интелект за генериране на хипотези и откриване на слепи петна и решаване със собствена преценка коя хипотеза ще бъде тествана първа.
- Способност за разпознаване и избягване на често срещани клопки при структурирането на проблема (конфликтни клонове, приемане на решението предварително, грешен въпрос).
Най-скъпата грешка на един консултантски проект е решаването на грешен въпрос. Клиентът пита "нашите продажби намаляват, какво да правим?" идва: но истинският въпрос е "в кой сегмент, защо и каква част от него е под наш контрол?" може да бъде. Опитният консултант започва с правилно дефиниране на проблема, а не с търсене на отговори. Изкуственият интелект е идеалният партньор за мислене на този етап: той генерира десетки възможни причини, подвъпроси и хипотези в рамките на минути. Но решаването кой въпрос е правилният въпрос изисква преценка и тази преценка е ваша.
В този модул ще комбинираме два инструмента, които са гръбнакът на консултациите с изкуствен интелект: дървото на хипотезите (дърво на проблемите, дървовидна диаграма, която разклонява проблема на подвъпроси) и принципа MECE (взаимно изключващ се, колективно изчерпателен — клоновете не се припокриват един с друг и заедно покриват проблема напълно).
От неясен въпрос до разрешим проблем
Доброто формулиране на проблема включва четири неща: кой (лицето, което взема решение), какво (решение), критерии (с какво се измерва успехът), граница (обхват и продължителност). „Продажбите спадат“ е оплакване; „Кои са 3-те най-ефективни лоста, които ще увеличат оборота в B2B сегмента с 10% през следващите 12 месеца, с настоящия бюджет?“ е изявление на проблем. Можете да накарате тази трансформация да се случи с изкуствения интелект, но първо трябва да обясните ясно суровата ситуация.
Вашата роля: треньор по структуриране на проблеми за консултант по управление. Ще ви дам необработената жалба на клиента. Вашата задача: 1) Преобразувайте това в едно изречение, измеримо изложение на проблем (трябва да включва вземащ решение, решение, критерии за успех, обхват, продължителност). 2) Разкрийте 3-те имплицитни предположения, на които се основава това твърдение. 3) Предложете 2 алтернативни рамки на проблема, за да противодействате на риска от „решаване на грешен въпрос“. Сурова жалба: „[по думите на клиента...]“
Съвет: Прочетете изявлението за проблема обратно на клиента. „Значи успехът за вас е 10% увеличение на B2B оборота за 12 месеца, нали?“ Това единствено изречение решава посоката на проекта и последвалия дебат „ние не искахме това“ от самото начало.
Изграждане на дървото на хипотезите с изкуствен интелект
След като проблемът е ясен, вие го разклонявате. Коренът на дървото е основният въпрос; разклоненията са възможни оси на реакция; листата са проверими хипотези. Например „Защо оборотът на B2B не се увеличава?“ Въпросът може да бъде разделен на две основни части: (1) привличането на нови клиенти е слабо, (2) приходите от съществуващи клиенти намаляват. Всеки клон е разделен на свои собствени подклонове. Доброто дърво е MECE.
Вашата роля: Експерт по дървото на хипотезата MECE. Основен въпрос: "[изявление на проблема]" Задача: Разклонете този въпрос на не повече от 2 нива. Правила: - Клоновете от първо ниво трябва да са MECE (без припокриване, без празнини). - Всеки лист трябва да бъде изречение на хипотеза, което може да се тества с данни (под формата "... защото ...") - До всяка хипотеза напишете единичния източник на данни, необходим за тестването й. Формат: водещ символ с отстъп list.Probe: При риск от припокриване/празнина под заглавието „MECE audit“ маркирайте разклоненията.
AI ви дава дърво с 15 хипотези за 3 секунди. Но работата ви не свършва дотук, а започва: вие избирате кои клонове са наистина MECE, коя хипотеза е най-вероятната и най-лесната за тестване.
Приоритетизиране: коя хипотеза да се тества първо
Няма време за проверка на всички хипотези. Използвайте две оси: въздействие (колко голям е приносът към решението, ако е вярно) и лекота (колко бързо/евтино е да се тества). Тези с високо въздействие + голямо удобство са на първо място. Това се нарича "бърза победа".
хипотеза
Ефект (1-5)
Лесно тестване (1-5)
приоритет
Ценообразуването изостава от конкурентите
5
4
преди
Екипът по продажбите е неадекватен в B2B
4
3
тогава
Има пропуск в характеристиките на продукта
4
2
изследвания
Известността на марката е ниска
3
2
задръжте
Можете да накарате изкуствен интелект да попълни тази матрица; но прегледайте оценките за въздействие и удобство със собствените си познания в индустрията. Моделът често надценява лекотата на тестване.
Вашата роля: анализатор по приоритизиране. Поставете следния списък с хипотези в матрица за лекота на въздействие. За всяка хипотеза: въздействие (1-5), лекота на тестване (1-5), необходим е един източник на данни, препоръка (преди/след/разследване/задържане). Правила: дайте лесна оценка оптимистично, напишете обосновка. Маркирайте 2-те хипотези с най-висок множител „въздействие × лекота“. Хипотези: [списък]
три мини калъфа
Случай 1 — Коригиран грешен въпрос. Търговска верига попита: „Имаме голямо текучество на служители, трябва ли да увеличим заплатите?“ пита той. Консултантът отваря проблемната рамка с изкуствен интелект; Моделът илюстрира три имплицитни предположения: че заплащането е проблемът, оборотът е еднакъв във всички магазини и заплащането е решението. Данните са изведени: 70% от текучеството е в 3 магазина и винаги в един и същ екип от двама мениджъри. Истинският въпрос е поведението на мениджъра. Увеличение на заплатите с 14 милиона TL би било грешно решение.
Случай 2 — Дърво, което не е MECE. Консултант пита модела "защо печалбите падат?" Той иска дървото. Моделът дава клонове „доходът е нисък“, „разходът е висок“, „конкуренцията се е увеличила“. Първите два клона са MECE (печалба = приходи − разходи), но „повишената конкуренция“ е причина, а приходите/разходите са следствие; Нивата на клоновете са смесени. Консултантът коригира дървото: първо ниво са само приходи и разходи; Конкуренцията създава подотрасъл на доходите.
Случай 3 — Приоритизирането се отплати. В B2B софтуерна компания се генерират 12 хипотези. Матрицата въздействие-удобство поставя хипотезата „процесът на адаптиране е дълъг“ в полето за голямо въздействие-високо удобство. Потвърдено от едноседмичен анализ на данните: Процентът на анулирани клиенти, които не са активирани в рамките на 30 дни, е 3 пъти по-висок. Малка намеса (насочвана инсталация) намалява анулирането с 22%. Първото тестване на правилната хипотеза съкращава проекта.
Слаба подкана / Силна подкана
Слаба подкана:
Направете ми списък защо печалбите на тази компания падат.
Моделът изброява произволни, припокриващи се и необосновани причини; То не установява мисловна рамка.
Мощна подкана:
Вашата роля: MECE специалист по структуриране на проблеми. Основен въпрос: „Компанията просто се изгражда.
Проверете въпроси с добра структура на проблема
Когато завършите своето дърво, задайте следните въпроси: Можете също така да попитате изкуствения интелект, но вие вземате окончателното решение:
- Наистина ли основният въпрос е въпросът, който клиентът иска да реши? - Припокриват ли се клоновете от първо ниво? (Взаимно изключващи се?) - Пропуснато ли е нещо? (Пълен ли е?) - Може ли всеки лист да бъде тестван с данни или е мнение? - Предварително ли съм предположил решението? (Например „заплатата е решението“)
Често срещани грешки
- Вградете решението във въпроса. „Да намалим ли цената? Въпросът предполага решението и прави останалите лостове невидими. Първо попитайте "защо".
- Припокриващи се клони. Ако „корпоративни клиенти“ и „големи клиенти“ са отделни клонове, един и същи клиент ще се брои на две места; MECE е счупен.
- Ниво на смесване. Поставянето на причината (конкуренцията) на същото ниво като следствието (спад на приходите) прави дървото ирационално.
- Неподлежащи на проверка листа. „Лошото управление“ е преценка, а не хипотеза. „Времето за вземане на решение е средно 40 дни, 12 дни в индустрията“ е тестваната хипотеза.
- Приемане на дървото на модела такова, каквото е. AI дава бърза схема; MECE одитът и приоритизирането е ваша работа.
Внимание: AI представя дърво на хипотезата по много убедителен начин. Убеждаването не е точност. Винаги ръчно проверявайте дървото за MECE; Рисуването на клони с химикал и хартия често показва припокриване, което моделът е пропуснал.
В обобщение
В консултирането стойността е в правилния въпрос преди правилния отговор. AI е мощен в превръщането на неясно оплакване в измеримо изложение на проблем, разкриване на имплицитни предположения и бързо скициране на дърво на хипотезата. Но от вас зависи да решите дали дървото е MECE, възможността за проверка на хипотезите и коя да тествате първо. Моделът произвежда чернова; Работата на консултанта е да притежава, контролира и приоритизира проблема.
Задача за приложение
Изберете реално или въображаемо оплакване на клиент (едно изречение). Първо, трансформирайте това в измерима декларация за проблем и три имплицитни предположения със силна подкана за рамкиране на проблема. След това изградете дърво на две нива с подканата за дърво на хипотезата MECE. Ръчно проверете дървото, за да намерите и коригирате поне един конфликт или пропуск. Накрая попълнете матрицата ефект-лекота и изберете две хипотези, които първо да тествате.
контролен списък
- [ ] Трансформирах необработената жалба в изложение на проблем с кой/какви/критерии/обхват/продължителност.
- [ ] Разкрих имплицитни предположения.
- [ ] Проверих първото ниво на дървото на моите хипотези като MECE.
- [ ] Проверих, че всеки лист е тествана хипотеза.
- [ ] Уверих се, че не съм заровил решението във въпроса.
- [ ] Дадох приоритет на матрицата за лекота на въздействие.
- [ ] Не приех сляпо дървото на модела и го коригирах ръчно.