zisky:
- Schopnost vytvářet z rozptýlených dat vhled orientovaný na rozhodnutí pochopením žebříčku data-informace-vhled-rozhodování a provádění umělé inteligence krok za krokem
- Schopnost odhalit pravdu skrytou celkovými čísly prostřednictvím segmentového členění a odlišit korelaci od kauzality
- Schopnost považovat důvody navržené umělou inteligencí za hypotézy, které mají být testovány, a založit konečné rozhodnutí na ověřeném náhledu
Každý den přicházejí na stůl manažera desítky čísel: údaje o prodeji, náklady, stížnosti zákazníků, stavy zásob, míra fluktuace zaměstnanců. Ale jen číslo nerozhoduje. Rozhodnutí začíná tím, že uvidíte význam v čísle. "Prodeje klesly o 8 procent ve srovnání s minulým měsícem" je dáno; "Pokles tržeb je způsoben tím, že dva velcí zákazníci v Egejském regionu odkládají své objednávky," je poznatek. Podpora rozhodování – proces, díky kterému jsou data pro manažera smysluplná, aby mohl činit lepší rozhodnutí – je mostem, který mění data v náhled. V této jednotce se naučíme, jak používat AI na tomto mostě. Hranice je jasná od začátku: AI vytváří koncepty; Manažer rozhodne, který náhled je skutečný a co má dělat.
Čtyři kroky od dat k náhledu
Podpora rozhodování je žebřík. První číslice — údaje: hrubá čísla (tento měsíc dorazilo 1 240 objednávek). Druhá číslice — informace: upraveno, porovnávaná čísla (pokles o 8 procent oproti minulému měsíci). Třetí úroveň — vhled: pochopení důvodu poklesu (zpoždění od dvou hlavních zákazníků). Krok čtyři – rozhodnutí: co dělat (popovídat si s těmito zákazníky a zaměřit se na nové zákazníky). AI je velmi rychlá na prvním a druhém kroku, je dobrým pomocníkem na třetím, nabízí možnosti pouze na čtvrtém.
Znalost tohoto žebříčku je důležitá, protože většina manažerů přímo žádá AI, aby „rozhodla za mě“ a byli frustrovaní. Pokud však budete AI provádět krok za krokem – nejprve shrňte, pak porovnejte, poté zpochybňujte možné důvody a nakonec se sami rozhodnete – budete rychlí a spolehliví.
Nápověda: Zeptejte se AI „co z těchto dat usuzujete?“ Místo toho, abyste se ptali všech najednou, postupujte krok za krokem a řekněte „nejdříve shrňte, pak ukažte 3 nejpozoruhodnější změny a poté navrhněte 2 možné důvody pro každou“. Postupné myšlení dává přesnější výsledky.
Past korelace a kauzality
Nejnebezpečnějším úskalím podpory rozhodování je záměna korelace s kauzalitou. Korelace je, když se dvě věci pohybují společně (prodej zmrzliny a utopenci v létě společně rostou). Kauzalita je, když jedno vede k druhému (zmrzlina nezpůsobuje udušení, častou příčinou je horké počasí). Umělá inteligence je velmi dobrá při hledání věcí, které se ve vašich datech pohybují společně, ale nedokáže říct, co je skutečnou příčinou. Tvrzení „Výdaje na reklamu se zvýšily a tržby vzrostly“ nedokazuje, že reklama zvýšila tržby; možná obojí ovlivnilo období svátků.
Takže když AI navrhne důvod, považujte to za hypotézu (předpoklad, který je třeba dokázat), nikoli jako fakt. "Jak to otestuji?" požádat. Dobrý manažer testuje důvod, který AI navrhuje, v terénu nebo s daty.
tři mini pouzdra
Případ 1 – Zachycení tajného pádu. V e-commerce společnosti se celkový obrat zdál stabilní, nikdo nebyl znepokojen. Manažer poskytuje anonymní měsíční data AI a ptá se: "Který segment roste a který se zmenšuje na základě kategorií?" zeptal se. YZ ukázal, že zatímco celkový obrat byl konstantní, kategorie vysoce ziskové elektroniky ve skutečnosti klesla o 22 procent, přičemž prodej příslušenství s nízkým ziskem to maskoval. Manažer to potvrdil a zaměřil se na kategorii elektronika. Celkový počet byl skryt; Přestávka odhalila pravdu.
Případ 2 — Utíkání k nesprávné příčině. Manažer řetězce kaváren poskytl AI údaje o prodeji. "Víkendové prodeje se pohybují s teplotou počasí," řekl YZ. Manažer to přečetl jako "horké počasí zvyšuje tržby" a vypnul klimatizace. Skutečným důvodem však byla zvýšená návštěvnost zákazníků o víkendu; Teplota se shodou okolností pohybovala stejným směrem. Manažer zaměnil korelaci za příčinnou souvislost. Poučil se a od této chvíle vyzkoušel každý důvod.
Případ 3 – Správné stanovení srovnání. Byla srovnávána efektivita dvou továren ve výrobním podniku. Manažer se ptá AI: "Je továrna A efektivnější než B?" zeptal se, ale AI nevěděla, že továrna A je novější a menší. Manažer opravil výzvu: "porovnejte výnos na jednotku s ohledem na velikost a věkový rozdíl." Tentokrát byla analýza spravedlivá a ukázal se skutečný rozdíl.
Čtyři kopírovatelné šablony
1) Postupná extrakce přehledu:
Vaše role: obchodní analytik pomáhající manažerovi. Použijte připojené anonymní údaje (období, kategorie, tržby, náklady). Postupujte krok za krokem: 1) Shrňte data do 4 položek. 2) Ukažte 3 nejpozoruhodnější změny ve srovnání s posledním obdobím. 3) Navrhněte až 2 MOŽNÉ důvody pro každou změnu a uveďte, že se jedná o hypotézy a je potřeba důkazů. Nevymýšlejte žádná čísla, která v údajích, které poskytuji, neexistují.
2) Analýza členění (segmentů):
I když se celková čísla zdají stabilní, chci vědět, co se děje uvnitř. Rozdělte připojená data podle kategorie/regionu/zákaznického segmentu. Ukažte v tabulce, který segment roste a který se zmenšuje. Zejména označte obraty, které maskují součet.
3) Test korelace-příčinnosti:
Našel jsem tento vztah: [A a B se pohybují společně]. Pomozte mi rozeznat, zda je to pravá příčina a následek nebo jen společné jednání. Uveďte možné SPOLEČNÉ příčiny a navrhněte 3 praktické kontroly, které mohu provést, abych otestoval tento vztah.
4) Generování možnosti rozhodnutí:
Potvrdil jsem tento poznatek: [vhled]. NErozhodujte za mě; místo toho vygenerujte 3 různé možnosti akcí. Pro každou možnost: očekávaný přínos, odhadované náklady/úsilí, hlavní riziko a která situace by měla být preferována. Prezentujte možnosti neutrálně; nikoho nevnucuj.
Slabá výzva / Silná výzva
Slabá výzva:
Proč klesly prodeje?
Žádná data, žádné období, žádný kontext. AI uvádí obecné důvody (ekonomika, konkurence, sezóna); Žádný z nich není specifický pro vaši situaci a nelze je ověřit.
Výkonná výzva:
Vaše role: maloobchodní analytik. Použijte přiložená anonymní 6měsíční data (měsíc, region, kategorie, počet prodejů, obrat). Celkový obrat se za poslední měsíc snížil o 8 %. Rozdělte to podle regionu a kategorie; zjistit, ze kterého segmentu pokles pochází. Pro každý nalezený pokles navrhněte až 2 testovatelné hypotézy. Stačí použít čísla, která jsem ti dal.
Velikost
špatný přístup
Silný přístup
Data
žádný
Anonymní a připojeni
Otázka
Obecné "proč?"
Zlomený a soustředěný
výstup
Obecné důvody
Testovatelné hypotézy
Ověřitelnost
nízká
vysoká
rozhodovací hodnota
Méně
vysoká
Časté chyby
- Spoléhat se na celkový počet. Zatímco součet je konstantní, uvnitř může docházet k velkým zvratům; Určitě se podívejte na rozpis.
- Záměna korelace za příčinnou souvislost. Pohlížejte na vztah, který AI najde, jako na hypotézu, která má být testována, nikoli jako na důkaz.
- Nespravedlivé srovnání. Neporovnávejte jednotky různých velikostí/stáří/stavů, aniž byste je normalizovali.
- Žádosti o rozhodnutí přímo od AI. AI generuje možnosti; Vy nesete rozhodnutí a odpovědnost.
- Vyvozování závěrů s daty za jedno období. Pro sledování trendů je zapotřebí dostatek historických dat.
Upozornění: Bez ohledu na to, jak chytrý náhled vypadá, nemělo by se stát rozhodnutím, pokud jej nelze ověřit z vašich dat. „Umělá inteligence to řekla“ není ospravedlnění; "Testoval jsem to s daty a bylo to ověřeno" je odůvodnění.
V souhrnu
Podpora rozhodování je žebřík, který mění data na náhled: data, informace, náhled, rozhodnutí. Umělá inteligence je v prvních dvou krocích velmi rychlá, ve třetím je dobrým pomocníkem a ve čtvrtém je pouze poskytovatelem možností. Podívejte se na členění, ne na celková čísla; Nezaměňujte korelaci za příčinnou souvislost; Podívejte se na důvody, které AI navrhuje jako hypotézy k testování. Postupné myšlení dává přesnější výsledky. Konečné rozhodnutí je na manažerovi na základě ověřeného náhledu.
Aplikační úkol
Připravte si anonymní soubor dat z vaší firmy (např. prodeje podle kategorií za posledních 6 měsíců). Nechte AI provést rozdělení segmentů pomocí šablony „Analýza členění“ výše. Vytvořte hypotézu pomocí šablony "Test korelace-kausality" pro největší změnu, kterou jste našli, a ve 3 položkách zapište, jak tuto hypotézu otestujete v terénu.
kontrolní seznam
- [ ] Anonymizoval jsem data?
- [ ] Díval jsem se na členění (segment) spíše než na součet?
- [ ] Bral jsem důvod navržený AI jako hypotézu?
- [ ] Nastavil jsem srovnání spravedlivě (normalizovaně)?
- [ ] Rozhodl jsem se sám na základě ověřených poznatků?