Dobici:
- Sposobnost objašnjavanja slojeva poslovne inteligencije (izvor, ETL, skladište podataka, izvještaj) i tačne definicije ključnih poslovnih metrika (KPI).
- Sposobnost korištenja umjetne inteligencije za izradu metričke definicije, SQL nacrta i izvještaja i pružanje rezultata sa stvarnim podacima
- Sposobnost prepoznavanja rizika od zabune korelacije-uzročnosti i obmanjujućih metrika u rezultatima analize podržane AI
Poslovna inteligencija (BI) je disciplina koja prikuplja disperzirane podatke organizacije, čini je spremnim za analizu i iz tih podataka proizvodi informacije koje podržavaju odlučivanje. Za MIS profesionalca, BI je sloj na kojem se „podaci pretvaraju u odluke“. Neobrađeni zapisi narudžbi sami po sebi nemaju smisla; ali "u kojoj regiji se promet smanjio ovog mjeseca, zašto?" Proizvodi vrijednost kada postane izvještaj koji može odgovoriti na pitanje. U ovoj jedinici ćemo vidjeti slojeve BI, pravi metrički dizajn i gdje je umjetna inteligencija akcelerator i zamka u ovom procesu.
BI arhitektura se općenito sastoji od sljedećih slojeva. Izvorni sistemi: Mesta odakle podaci potiču, kao što su ERP, CRM, e-trgovina. ETL proces (engleski Extract-Transform-Load): Proces koji izdvaja podatke iz izvora (Extract), čisti ih i pretvara u standardnu strukturu (Transform) i učitava ih na cilj (Load). Skladište podataka: Centralno spremište u kojem se prikupljaju istorijski i konzistentni podaci dizajnirani za analizu. Sloj izvještavanja/vizualizacije: kontrolne ploče, izvještaji i ad-hoc upiti. U ovom lancu, kvalitet svakog sloja određuje sljedeći; Ako je izvor prljav, prljav je i izvještaj.
Ispravno definiranje metrika i KPI-ja
Metrika je izmjerena numerička vrijednost: ukupan promet, broj narudžbi. KPI (Key Performance Indicator) je kritična metrika koja mjeri učinak u odnosu na cilj: "mjesečna stopa odljeva kupaca ispod 5%". Nije svaka metrika KPI; KPI je metrika koja je vezana za poslovni cilj i pokreće odluku.
Najpodmukliji problem BI projekata je nejasna definicija metrike. Šta znači "aktivan kupac"? Naručili ste u zadnjih 30 ili 90 dana? Da li se broje povratnici? Ako dva tima podrazumijevaju različite stvari pod „brojem aktivnih kupaca“, ista kontrolna tabla pokazuje dvije različite činjenice. Zato bi svaki KPI trebao imati jednorečenicu, široko prihvaćenu definiciju. AI brzo proizvodi nacrte ovih definicija; ali na poslovnoj jedinici je da odluči koja je definicija "tačna".
Savjet: Kada dizajnirate KPI, zapišite tri stvari: (1) formulu (šta je tačno brojilac/imenik), (2) vremenski okvir, (3) izuzeti slučajevi. Kada AI kaže "izdvoji nejasnoće u definiciji ovog KPI-ja kao pitanja" otkriva skrivene pretpostavke.
Korak po korak: generiranje izvještaja pomoću AI
Korak 1 — Pojasnite pitanje. Kojoj odluci služi izvještaj? Konkretan cilj tipa "odlučićemo u koji region ćemo prebaciti budžet", a ne "treba da izgleda lepo".
Korak 2 — Definirajte metriku. Napišite potrebne KPI s formulama, prozorima i izuzecima. Umjetna inteligencija može proizvesti nacrt definicija.
Korak 3 — Generirajte SQL nacrt. Dajte informacije o shemi umjetnoj inteligenciji i izradite nacrt upita. Ali pročitajte i razumite upit prije nego što ga pokrenete.
Korak 4 — Potvrdite sa malim podacima. Prvo pokrenite upit na malom uzorku s poznatim rezultatima; Ručno provjerite ukupne vrijednosti. AI-jev SQL može biti sintaktički ispravan, ali logički netačan.
Korak 5 — Dodajte naraciju, test tvrdnje. AI može proizvesti narativni tekst za izvještaj; ali dokazati svaku uzročnu tvrdnju („zato je pala prodaja“).
Zamka korelacije i uzročnosti
Najopasnija greška u BI-ju je tumačenje dvije metrike koje djeluju zajedno kao "jedna stvara drugu". Korelacija je kada se dvije vrijednosti mijenjaju zajedno; Uzročnost je kada jedno uzrokuje drugo. Rečenica "Kako je prodaja sladoleda rasla, broj utapanja se povećao" je tačna, ali sladoled ne uzrokuje utapanje; Uobičajeni uzrok je ljeto (vruće vrijeme). Umjetna inteligencija može lako napraviti uzročne rečenice kada stvara naraciju izvještaja; Stručnjak MIS-a na ove tvrdnje odgovara pitanjem "ima li još neko objašnjenje?" Trebao bi ga testirati. U suprotnom, pogrešna odluka će biti donesena na osnovu pogrešnog razloga.
Tri mini slučaja: prema brojevima
Slučaj 1 — Trošak nedefinirane metrike. U jednoj telekom kompaniji, broj "aktivnih pretplatnika" predstavljen upravnom odboru bio je 2,1 milion, a izvještaj finansijskog tima bio je 1,7 miliona. Razlika je bila u tome što je jedan brojio 90 dana kao "aktivan", dok je drugi brojao 30 dana. O pogrešnoj stopi rasta raspravljalo se dvije sedmice dok se nije razjasnila zajednička definicija. Definicija KPI od jedne rečenice bi izbjegla ovu zabunu.
Slučaj 2 — AI je pogrešan SQL. Kod jednog trgovca na malo, AI je dodao povratne linije ukupnoj vrijednosti kada je generirao upit „prosječna korpa po kupcu“; Rezultat je bio 12% iznad stvarne vrijednosti. SQL je bio sintaktički savršen. Kada je stručnjak ručno verifikovao poznati zbroj dana, uhvatio je odstupanje i dodao filter povrata.
Slučaj 3 — Zabluda uzročnosti. U kompaniji za e-trgovinu, na kontrolnoj tabli je pisalo "prodaja je 18% veća na dane kada se pošalje kampanja putem e-pošte" i tim se spremao povećati budžet kampanje. Analiza je pokazala da su kampanje već tempirane tako da se poklope sa danima kampanje s velikim prometom (periodi sniženja). Bilo je to razdoblje, a ne e-mail, koji je pokrenuo prodaju. Ako bi se budžet povećao bez testiranja sa kontrolnom grupom, novac bi bio bačen.
Slaba prompt / jaka prompt
Slab upit:
Napišite SQL izvještaj o prodaji iz ove tablice.
Snažan upit:
Vaša uloga: Vi ste pažljiv BI analitičar. Napišite NACRT SQL upita prema dijagramu ispod. Pravila: - Koristite samo date tabele/polja; neprikladno polje.- ISKLJUČI vraća (status='Povrat') iz ukupnog.- Vremenski okvir: posljednjih 30 dana.- Red po red komentirajte šta upit radi.- Predložite 1 uzorak liniju koji se može ručno provjeriti za testiranje na kraju.Shema:Order(id, customer_id, datum, iznos) (status 3 segment)Custo promet po segmentima.
Snažan prompt ograničava šemu, nameće poslovno pravilo (isključujući povratak), specificira prozor i traži provjerljiv izlaz.
Četiri predloška koji se mogu kopirati
1) Pojašnjenje definicije KPI:
Napišite puni opis za sljedeći KPI: formula (brojilac/imenik), vremenski okvir, izuzeti slučajevi. Dodajte bilo kakvu dvosmislenost u definiciju kao pitanje.KPI: [ime, npr. "stopa odljeva kupaca"]
2) SQL logička provjera:
Ispitajte sljedeći SQL upit: postoji li rizik od logičkih grešaka, netačnih JOIN-ova, nedostajućih filtera ili dvostrukog brojanja? Napišite obrazloženje za svaki nalaz. Ne mijenjajte upit, samo ga provjerite. SQL: [upit]
3) Narativni izvještaj + kontrola zahtjeva:
Napišite kratak sažetak iz tabele rezultata ispod. Označite [POTREBAN DOKAZ] pored svake uzročne tvrdnje i predložite alternativno objašnjenje. Samo se oslonite na podatke u tabeli. Tabela: [podaci]
4) Provjera metričke konzistentnosti:
U dva izvještaja u nastavku, metrika s istim imenom daje različite vrijednosti. Navedene su moguće razlike u definiciji (vremenski prozor, filter, proračun). Izvještaji: [A] [B]
Uporedni grafikon: dobar i loš KPI
karakteristika
Loš KPI
Dobar KPI
Opis
"Aktivni kupac"
"Kupac sa ≥1 završenom narudžbom u zadnjih 30 dana"
vezu sa metom
Nema
"Ostanak ispod 5% stope gubitka"
mjerljivost
dvosmisleno
formula jasna
izuzetak
neizvjesno
Isključujući povrate
Da li to pokreće odluku?
br
Da
Uobičajene greške
- Ostavljajući metriku nedefiniranom. Ako se riječi poput "aktivan", "uspješan", "završen" koriste bez formule, svaki tim se računa drugačije.
- Pokretanje AI SQL-a bez verifikacije. Sintaktički ispravan upit može biti logički netačan; dvostruko brojanje i netačan JOIN su uobičajeni.
- Zbunjujuća korelacija s uzročno-posljedičnim. Razmišljanje da se „s tim povećalo“ znači „ovo je uzrokovalo ono“ dovelo bi do pogrešne odluke.
- Taština metrička potraga. Pogrešiti fensi, ali neodlučujuće metrike kao što su "ukupni klikovi" kao KPI.
- Predstavljanje brojeva bez konteksta. Samo "promet 4,2 miliona" je besmislen; Kontekst je potreban na osnovu prošlog mjeseca, cilja ili budžeta.
Oprez: Narativi izvještaja koje proizvodi umjetna inteligencija su uvjerljivi i fluidni; Ovo tačno povećava rizik. Tečna rečenica može sadržavati lažnu tvrdnju o uzročnosti. Testirajte svaku tvrdnju "jer" i "zato" dokazima.
Ukratko
Poslovna inteligencija je sloj koji pretvara raštrkane podatke u odluke i sastoji se od izvora, ETL-a, skladišta podataka i lanca izvještavanja. KPI je kritična metrika vezana za poslovni cilj, sa jasno definisanom formulom i izuzecima; nedefinirana metrika je najčešća BI greška. Umjetna inteligencija pruža značajnu brzinu u izradi KPI definicije, SQL nacrta i izvještaja; ali svaki SQL mora biti logički opravdan, svaki broj mora biti podržan poznatim podacima, a svaka uzročna tvrdnja mora biti testirana dokazima. Korelacija nije uzročna veza; Fluid naracija ne garantuje tačnost.
Zadatak aplikacije
Dizajnirajte KPI „stope završetka“ za platformu za online kurseve. (1) Napišite opis od jedne rečenice s formulom, vremenskim okvirom i izuzecima (npr. računaju li se otkazane registracije?). (2) Napravite jednostavnu šemu (Registracija, Kurs, Napredak) i generirajte SQL nacrt za ovaj KPI sa moćnim promptom. (3) Pronađite barem jedan mogući rizik od dvostrukog brojanja ili pogrešnog filtriranja u upitu. (4) Odštampajte sažetak zaključka i u njemu označite svaku uzročnu tvrdnju. (5) Postavite primjer zamke korelacije-uzročnosti i objasnite kako biste je testirali.
kontrolna lista
- [ ] Formula, vremenski okvir i izuzetak za svaki KPI su napisani.
- [ ] Pročitao sam i razumio SQL koji generiše AI red po red.
- [ ] Ručno sam potvrdio upit sa malo poznatim podacima.
- [ ] Testirao sam svaku uzročnu tvrdnju u izvještaju sa dokazima.
- [ ] Kontekstualizovao sam svaki broj sa benchmarkom (cilj/zadnji period).
- [ ] Postigao sam konsenzus među timovima o metričkim definicijama.