Печалби:
- Способност за обяснение на слоевете на бизнес разузнаване (източник, ETL, хранилище на данни, отчет) и правилното дефиниране на ключови бизнес показатели (KPI).
- Възможност за използване на изкуствен интелект за създаване на метрична дефиниция, SQL чернова и разказ на отчета и предоставяне на резултата с реални данни
- Способност за разпознаване на рискове от объркване на корелация-причинно-следствена връзка и подвеждащи показатели в резултатите от анализи, поддържани от AI
Бизнес разузнаването (BI) е дисциплината, която събира разпръснатите данни на организацията, подготвя ги за анализ и произвежда информация в подкрепа на вземането на решения от тези данни. За MIS професионалист, BI е нивото, където „данните се превръщат в решения“. Необработените записи на поръчки сами по себе си нямат смисъл; но "в кой регион оборотът е намалял този месец, защо?" Той създава стойност, когато се превърне в доклад, който може да отговори на въпроса. В този модул ще видим слоевете на BI, правилния метричен дизайн и къде изкуственият интелект е ускорител и капан в този процес.
BI архитектурата обикновено се състои от следните слоеве. Изходни системи: Места, откъдето произхождат данните, като ERP, CRM, електронна търговия. ETL процес (на английски Extract-Transform-Load): Процесът, който извлича данните от източниците (Extract), почиства ги и ги преобразува в стандартна структура (Transform) и ги зарежда в целта (Load). Склад за данни: Централно хранилище, където се събират исторически и последователни данни, предназначени за анализ. Слой за отчитане/визуализация: табла за управление, отчети и ad hoc заявки. В тази верига качеството на всеки слой определя следващия; Ако източникът е мръсен, докладът също е мръсен.
Правилно дефиниране на показатели и KPI
Метриката е измерена числена стойност: общ оборот, брой поръчки. KPI (Ключов индикатор за ефективност) е критичен показател, който измерва ефективността спрямо цел: „месечен процент на оттегляне на клиенти под 5%“. Не всеки показател е KPI; KPI е показател, който е свързан с бизнес цел и задейства решение.
Най-коварният проблем на BI проектите е неясната дефиниция на метриките. Какво означава "активен клиент"? Поръчан през последните 30 дни или 90 дни? Завърналите се броят ли се? Ако два екипа имат предвид различни неща под „брой активни клиенти“, едно и също табло показва два различни факта. Ето защо всеки KPI трябва да има едно изречение, широко прието определение. AI бързо създава чернови на тези определения; но зависи от бизнес единицата да реши кое определение е "правилно".
Съвет: Когато проектирате KPI, запишете три неща: (1) формула (какво точно е числителят/знаменателят), (2) времеви прозорец, (3) изключени случаи. Да накарате AI да каже „извлечете неяснотите в дефиницията на този KPI като въпроси“ разкрива скрити предположения.
Стъпка по стъпка: Генериране на отчети с AI
Стъпка 1 — Изяснете въпроса. Какво решение ще послужи докладът? Конкретна цел като „ние ще решим към кой регион ще прехвърлим бюджета“, а не „трябва да изглежда добре“.
Стъпка 2 — Дефиниране на показатели. Напишете необходимите KPI с формули, прозорци и изключения. Изкуственият интелект може да създава чернови на дефиниции.
Стъпка 3 — Генериране на SQL чернова. Дайте информация за схемата на изкуствения интелект и създайте чернова на заявка. Но прочетете и разберете заявката, преди да я изпълните.
Стъпка 4 — Проверка с малки данни. Стартирайте заявката първо върху малка извадка с известни резултати; Проверете сумите ръчно. SQL на AI може да е синтактично правилен, но логически неправилен.
Стъпка 5 — Добавяне на разказ, тестови твърдения. AI може да създаде наративен текст за доклада; но доказвайте всяко причинно-следствено твърдение („затова паднаха продажбите“).
Капанът на корелацията и причинно-следствената връзка
Най-опасната грешка в BI е да се тълкуват два показателя, които действат заедно като „единият създава другия“. Корелацията е, когато две стойности се променят заедно; Причинно-следствената връзка е, когато едно причинява друго. Изречението „Тъй като продажбите на сладолед се увеличиха, случаите на удавяне се увеличиха“ е вярно, но сладоледът не причинява удавяне; Често срещаната причина е лятото (горещо време). Изкуственият интелект може лесно да съставя причинно-следствени изречения, когато създава разказ на доклад; Експертът по MIS отговаря на тези твърдения, като пита "има ли друго обяснение?" Той трябва да го тества. В противен случай ще бъде взето грешно решение въз основа на грешна причина.
Три мини калъфа: с числата
Случай 1 — Цена на недефиниран показател. В телеком компания броят на "активните абонати", представени на борда на директорите, е 2,1 милиона, а отчетът на финансовия екип е 1,7 милиона. Разликата е, че единият брои 90 дни като „активни“, докато другият брои 30 дни. Грешният темп на растеж беше обсъждан в продължение на две седмици, докато общата дефиниция беше изяснена. Дефиницията на KPI от едно изречение ще избегне това объркване.
Случай 2 — грешен SQL на AI. При един търговец на дребно AI добави редове за връщане към общата сума при генериране на заявката „средна кошница на клиент“; Резултатът беше с 12% над реалната стойност. SQL беше синтактично перфектен. Когато експертът ръчно провери общата сума за известен ден, той улови отклонението и добави филтъра за връщане.
Случай 3 — Погрешност на причинно-следствената връзка. В компания за електронна търговия таблото за управление казваше „продажбите са с 18% по-високи в дните, в които е изпратена имейл кампания“ и екипът беше на път да увеличи бюджета на кампанията. Анализът показа, че кампаниите вече са били синхронизирани така, че да съвпадат с дните на кампанията с голям трафик (периоди на отстъпка). Периодът, а не имейлът, движеше продажбите. Ако бюджетът беше увеличен без тестване с контролна група, парите щяха да бъдат пропилени.
Слаба подкана / Силна подкана
Слаба подкана:
Напишете SQL отчет за продажбите от тази таблица.
Мощна подкана:
Вашата роля: Вие сте внимателен BI анализатор. Напишете ЧЕРНОВА на SQL заявка според диаграмата по-долу. Правила: - Използвайте само дадените таблици/полета; неподходящо поле.- ИЗКЛЮЧВАНЕ на връщания (статус='Връщане') от общата сума.- Времеви прозорец: последните 30 дни.- Коментирайте ред по ред какво прави заявката.- Предложете 1 примерен ред, който може да бъде валидиран ръчно за тестване в края. Схема:Поръчка(id, customer_id, дата, сума, статус)Клиент(id, име, сегмент)Цел: последните 30 дни нето оборот по сегменти.
Мощната подкана ограничава схемата, налага бизнес правилото (с изключение на връщането), посочва прозореца и изисква проверяем изход.
Четири копируеми шаблона
1) Пояснение на дефиницията на KPI:
Напишете пълно описание за следния KPI: формула (числител/знаменател), времеви прозорец, изключени случаи. Добавете всяка неяснота в определението като въпрос. KPI: [име, напр. "степен на оттегляне на клиенти"]
2) Проверка на SQL логика:
Проверете следната SQL заявка: има ли риск от логически грешки, неправилни JOIN, липсващи филтри или двойно отчитане? Напишете обосновка за всяка констатация. Не променяйте заявката, просто я проверете. SQL: [заявка]
3) Разказ на отчета + контрол на иска:
Напишете кратко резюме от таблицата с резултатите по-долу. Поставете етикет [ИЗИСКВА СЕ ДОКАЗАТЕЛСТВО] до всяко причинно-следствено твърдение и предложете алтернативно обяснение. Просто разчитайте на данните в таблицата. Таблица: [данни]
4) Проверка на последователността на показателите:
В двата отчета по-долу показателите с едно и също име дават различни стойности. Изброени са възможните разлики в дефиницията (времеви прозорец, филтър, изчисление). Доклади: [A] [B]
Сравнителна диаграма: добър и лош KPI
функция
Лош KPI
Добър KPI
Описание
"Активен клиент"
„Клиент с ≥1 изпълнена поръчка през последните 30 дни“
връзка с целта
Няма
„Задържане под 5% процент на загуба“
измеримост
двусмислен
формулата е ясна
изключение
несигурен
С изключение на връщанията
Задейства ли решение?
не
да
Често срещани грешки
- Оставяне на показателя недефиниран. Ако думи като „активен“, „успешен“, „завършен“ се използват без формула, всеки отбор се брои по различен начин.
- Изпълнение на SQL на AI без проверка. Синтактично правилната заявка може да е логически неправилна; двойното броене и неправилното JOIN са често срещани.
- Объркваща корелация с причинно-следствена връзка. Мисленето, че „то се увеличи с това“ означава „това причини това“, би довело до грешно решение.
- Суетен метричен стремеж. Объркайте фантастични, но нерешаващи показатели като „общо кликвания“ като KPI.
- Представяне на числа без контекст. Само "Оборот 4,2 милиона" е безсмислено; Необходим е контекст въз основа на последния месец, цел или бюджет.
Внимание: Наративите на докладите, създадени от изкуствения интелект, са убедителни и плавни; Това точно увеличава риска. Плавното изречение може да съдържа невярно твърдение за причинно-следствена връзка. Тествайте всяко твърдение „защото“ и „следователно“ с доказателства.
В обобщение
Бизнес разузнаването е слоят, който трансформира разпръснатите данни в решения и се състои от източник, ETL, хранилище на данни и верига за отчитане. KPI е критичен показател, свързан с бизнес цел, с ясно дефинирана формула и изключения; undefined metric е най-честата BI грешка. Изкуственият интелект осигурява значителна скорост при изготвянето на дефиниция на KPI, SQL чернова и описание на отчета; но всеки SQL трябва да бъде логически обоснован, всяко число трябва да бъде подкрепено с известни данни и всяко причинно-следствено твърдение трябва да бъде тествано с доказателства. Корелацията не е причинно-следствена връзка; Течният разказ не гарантира точност.
Задача за приложение
Проектирайте KPI за „степен на завършване“ за платформа за онлайн курс. (1) Напишете описание от едно изречение с формула, времеви прозорец и изключения (напр. броят ли се анулираните регистрации?). (2) Направете проста схема (Регистрация, Курс, Напредък) и генерирайте SQL черновата за този KPI с мощна подкана. (3) Намерете поне един възможен риск от двойно преброяване или неправилно филтриране в заявката. (4) Отпечатайте резюме на заключението и маркирайте всяко причинно-следствено твърдение в него. (5) Създайте пример за капана на корелация-причинно-следствена връзка и обяснете как бихте го тествали.
контролен списък
- [ ] Написани са формула, времеви прозорец и изключение за всеки KPI.
- [ ] Прочетох и разбрах SQL, генериран от AI ред по ред.
- [ ] Ръчно потвърдих заявката с малко известни данни.
- [ ] Тествах всяко причинно-следствено твърдение в доклада с доказателства.
- [ ] Контекстуализирах всяко число с бенчмарк (цел/последен период).
- [ ] Постигнах консенсус между екипите относно дефинициите на показателите.