Dobici:
- Sposobnost da se proizvede uvid orijentiran na odluke iz raspršenih podataka razumijevanjem ljestvice podaci-informacija-uvid-odlučivanje i izvođenjem umjetne inteligencije korak po korak
- Sposobnost otkrivanja istine skrivene ukupnim brojevima kroz razlaganje segmenata i razlikovanja korelacije od uzročnosti
- Sposobnost da se razlozi koje sugerira umjetna inteligencija tretiraju kao hipoteze koje treba testirati i konačna odluka temelji na provjerenom uvidu
Svaki dan na stol menadžera stižu desetine brojeva: podaci o prodaji, troškovi, pritužbe kupaca, nivoi zaliha, stope fluktuacije zaposlenih. Ali sam broj nije odluka. Odluka počinje sa sagledavanjem značenja unutar broja. "Prodaja je pala za 8 posto u odnosu na prošli mjesec" je dato; „Pad prodaje je zbog toga što dva velika kupca u Egejskoj regiji odgađaju svoje narudžbe“, uvid je. Ovdje je podrška odlučivanju – proces koji podatke čini značajnim za menadžera da donosi bolje odluke – je most koji pretvara podatke u uvid. U ovoj jedinici ćemo naučiti kako koristiti AI na ovom mostu. Granica je jasna od samog početka: AI proizvodi nacrt uvida; Menadžer odlučuje koji je uvid stvaran i šta da radi.
Četiri koraka od podataka do uvida
Podrška odlučivanju je ljestve. Prva cifra — podaci: neobrađeni brojevi (ovaj mjesec je stiglo 1.240 narudžbi). Druga cifra — informacija: uređeni, upoređeni brojevi (manje za 8 posto u odnosu na prošli mjesec). Treći nivo — uvid: razumijevanje razloga odbijanja (kašnjenje od dva glavna kupca). Četvrti korak — odluka: šta učiniti (intervjuisati ove kupce i ciljati nove kupce). AI je vrlo brz na prvom i drugom koraku, dobar je pomagač na trećem, nudi opcije samo na četvrtom.
Poznavanje ove lestvice je važno jer većina menadžera direktno traži od veštačke inteligencije da „odluči umesto mene“ i bivaju frustrirani. Međutim, ako provodite AI korak po korak – prvo sumirate, zatim uporedite, zatim preispitate moguće razloge i konačno sami donesete odluku – bit ćete i brzi i pouzdani.
Savjet: Pitajte AI "šta zaključujete iz ovih podataka?" Umjesto da pitate sve odjednom, nastavite korak po korak govoreći "prvo sumirajte, zatim pokažite 3 najznačajnije promjene, a zatim predložite 2 moguća razloga za svaku." Postepeno razmišljanje daje tačnije rezultate.
Zamka korelacije i uzročnosti
Najopasnija zamka podrške odlučivanju je pogrešna povezanost korelacije za uzročnost. Korelacija je kada se dvije stvari kreću zajedno (prodaja sladoleda i utapanja zajedno rastu ljeti). Uzročnost je kada jedno dovodi do drugog (sladoled ne izaziva gušenje; vruće vrijeme je čest uzrok). AI je vrlo dobar u pronalaženju stvari koje se zajedno kreću u vašim podacima, ali ne može reći koji je pravi uzrok. Reći "Potrošnja na oglašavanje je povećana i prodaja povećana" ne dokazuje da je oglašavanje povećalo prodaju; možda je na oboje uticala praznična sezona.
Dakle, kada AI sugerira razlog, tretirajte ga kao hipotezu (pretpostavku koju treba dokazati), a ne kao činjenicu. "Kako da testiram ovo?" pitaj. Dobar menadžer testira razlog zbog kojeg AI predlaže na terenu ili podacima.
tri mini kofera
Slučaj 1 — Hvatanje tajnog pada. U kompaniji za e-trgovinu ukupan promet je izgledao stabilan, niko nije bio uzbunjen. Menadžer daje anonimne mjesečne podatke AI i pita "Koji segment raste, a koji se smanjuje na bazi kategorije?" upitao je. YZ je pokazao da, iako je ukupan promet bio konstantan, kategorija visokoprofitne elektronike zapravo je pala za 22 posto, a niskoprofitna prodaja pribora to prikriva. Menadžer je to potvrdio i fokusirao se na kategoriju elektronike. Ukupan broj je bio sakriven; Pauza je otkrila istinu.
Slučaj 2 — Trčanje u pogrešan razlog. Menadžer lanca kafića dao je AI podatke o prodaji. "Prodaja vikendom se kreće s temperaturom vremena", rekao je YZ. Menadžer je ovo pročitao kao "vruće vrijeme povećava prodaju" i ugasio je klima uređaje. Međutim, pravi razlog je bio povećan promet korisnika tokom vikenda; Temperatura se slučajno pomjerila u istom smjeru. Menadžer je pomiješao korelaciju sa uzročno-posljedičnim. Naučio je lekciju i testirao svaki razlog od sada.
Slučaj 3 — Pravilno uspostavljanje poređenja. Upoređivana je efikasnost dvije fabrike u proizvodnom preduzeću. Menadžer pita AI: "Da li je fabrika A efikasnija od B?" pitao je, ali AI nije znao da je fabrika A novija i manja. Menadžer je ispravio upit: "uporedite prinos po jedinici, uzimajući u obzir veličinu i razliku u godinama." Ovaj put analiza je bila fer i otkrivena je prava razlika.
Četiri šablona za kopiranje
1) Postepeno izdvajanje uvida:
Vaša uloga: poslovni analitičar koji pomaže menadžeru. Koristite priložene anonimne podatke (period, kategorija, prodaja, cijena). Nastavite korak po korak: 1) Sumirajte podatke u 4 stavke. 2) Prikaži 3 najznačajnije promjene u odnosu na prošli period. 3) Predložite do 2 MOGUĆA razloga za svaku promjenu i navedite da su to hipoteze i da su potrebni dokazi. Ne izmišljajte brojeve koji ne postoje u podacima koje ja dam.
2) Analiza raščlanjivanja (segmenta):
Čak i ako se ukupan broj čini stabilnim, želim da znam šta se dešava unutra. Razdvojite priložene podatke po kategoriji/regiji/korisnički segment. Prikažite koji segment raste, a koji se smanjuje u tabeli. Posebno označite preokrete koji maskiraju ukupni rezultat.
3) Test korelacije-uzročnosti:
Našao sam ovaj odnos: [A i B se kreću zajedno]. Pomozite mi da razlučim da li je ovo pravi uzrok i posljedica ili samo zajedničko djelovanje. Navedite moguće ZAJEDNIČKE uzroke i predložite 3 praktične provjere koje mogu učiniti da testiram ovaj odnos.
4) Generisanje opcije odluke:
Potvrdio sam ovaj uvid: [uvid].NE odlučuju umjesto mene; umjesto toga, generirajte 3 različite opcije akcije. Za svaku opciju: očekivana korist, procijenjeni trošak/napor, glavni rizik i kojoj situaciji treba dati prednost. Neutralno predstavite opcije; ne namećujte nekoga.
Slaba prompt / Jaka prompt
Slab upit:
Zašto je pala prodaja?
Bez podataka, bez perioda, bez konteksta. AI navodi opšte razloge (ekonomija, konkurencija, sezona); Nijedan od njih nije specifičan za vašu situaciju i ne može se provjeriti.
Snažan upit:
Vaša uloga: maloprodajni analitičar. Koristite priložene anonimne podatke za 6 mjeseci (mjesec, regija, kategorija, broj prodaja, promet). Ukupan promet smanjen je za 8% u prošlom mjesecu. Podijelite ovo prema regiji i kategoriji; saznati iz kojeg segmenta dolazi pad. Predložite do 2 hipoteze koje se mogu provjeriti za svaki pad koji pronađete. Samo koristi brojeve koje sam ti dao.
Veličina
loš pristup
Snažan pristup
Podaci
Nema
Anonimno i u prilogu
Pitanje
Generalno "zašto?"
Prelomljeno i fokusirano
izlaz
Opšti razlozi
Proverljive hipoteze
Provjerljivost
nisko
visoko
vrijednost odluke
Manje
visoko
Uobičajene greške
- Oslanjajući se na ukupan broj. Dok je ukupan iznos konstantan, unutra može doći do velikih preokreta; Obavezno pogledajte kvar.
- Pogrešna korelacija za uzročnost. Gledajte na odnos koji AI nalazi kao hipotezu koju treba testirati, a ne kao dokaz.
- Nepravedno poređenje. Nemojte upoređivati jedinice različitih veličina/starosti/stanja bez normalizacije.
- Traženje odluka direktno od AI. AI generiše opcije; Vi snosite odluku i odgovornost.
- Izvođenje zaključaka sa podacima za jedan period. Za praćenje trendova potrebno je dovoljno istorijskih podataka.
Oprez: Bez obzira koliko pametan uvid izgleda, ne bi trebao postati odluka ako se ne može provjeriti iz vaših podataka. “AI je tako rekao” nije opravdanje; "Testirao sam ga podacima i potvrđeno je" je opravdanje.
Ukratko
Podrška odlučivanju je ljestvica koja pretvara podatke u uvid: podatke, informacije, uvid, odluku. AI je veoma brz u prva dva koraka, dobar pomagač u trećem, a samo pružalac opcija u četvrtom. Gledajte raščlanjivanje, a ne ukupne brojeve; Nemojte zamijeniti korelaciju za uzročnost; Pogledajte razloge koje AI predlaže kao hipoteze koje treba testirati. Postepeno razmišljanje daje tačnije rezultate. Konačnu odluku donosi menadžer na osnovu potvrđenog uvida.
Zadatak aplikacije
Pripremite anonimni skup podataka iz vašeg poslovanja (npr. prodaja zasnovana na kategorijama za posljednjih 6 mjeseci). Neka AI izvrši raščlanjivanje segmenata pomoću gornjeg predloška „Analiza raščlanjivanja“. Kreirajte hipotezu koristeći šablon "Test korelacije-uzročnosti" za najveću promjenu koju ste pronašli i zapišite kako ćete testirati ovu hipotezu na terenu u 3 stavke.
kontrolna lista
- [ ] Jesam li anonimizirao podatke?
- [ ] Jesam li gledao raščlambu (segment) umjesto ukupno?
- [ ] Da li sam razlog koji je predložila AI tretirao kao hipotezu?
- [ ] Jesam li postavio poređenja pošteno (normalizirano)?
- [ ] Jesam li sam donio odluku na osnovu provjerenog uvida?