Gevinster:
- Anerkender kvaliteten, fortroligheden og fortolkningsfarerne ved at arbejde med data og etablerer et sikkert analyseflow.
- Den vælger den rigtige indikator til et formål og skelner mellem vildledende enkeltindikatorer og målinger, der er åbne for manipulation.
- Den genkender vildledende diagramteknikker (akse starter ikke fra nul, valgt område) og observerer ærlig visualisering.
Offentligheden producerer data hver dag: ansøgningstal, løsningstider, budgetposter, befolkningsbevægelser, serviceønsker, revisionsresultater, tilfredshedsundersøgelser. De fleste af disse data findes i Excel-regneark, formularer og registreringssystemer, men omsættes ikke til beslutninger - fordi det kræver ekspertise og tid at analysere dem. Databaseret beslutningstagning (en tilgang til at allokere ressourcer og fastlægge politik baseret på målte beviser, snarere end meninger eller vaner) øger både effektiviteten og retfærdigheden i den offentlige sektor: ressourcerne går derhen, hvor de er mest nødvendige baseret på tal. Her er AI en stærk assistent til at give mening i en tabel, finde mønstre og anomalier, udtrække oversigtsstatistikker og oversætte resultaterne til simple sætninger. I denne enhed vil du se, hvordan du forkorter vejen fra rå offentlige data til en forsvarlig beslutning med AI og forbliver disciplineret i det mest kritiske aspekt - den korrekte fortolkning af tallet.
Tre farer ved at arbejde med data
Data er kraftfuldt, men det har tre fælder, og AI kan både afbøde og forstørre disse fælder:
- Korrelation ≠ årsagssammenhæng. Bare fordi to ting ændrer sig sammen, betyder det ikke, at det ene forårsager det andet. Issalg og druknedøden er i stigning - fordi de begge er knyttet til sommervarmen, og ikke det ene forårsager det andet. AI konstruerer flydende "fordi" sætninger; Sæt spørgsmålstegn ved enhver påstand om kausalitet.
- Forspændte/manglende data. Fra hvem og hvordan blev dataene indsamlet? Klagedata afspejler kun dem, der kan klage; digitale applikationsdata dem med adgang til internettet. Hvis du ikke kan se den manglende gruppe, vil beslutningen være partisk.
- Tal uden sammenhæng. "Øget med 30%" alene er meningsløst: ifølge hvad, i hvilken periode, hvad er det absolutte tal? Spørg AI om kontekst.
Bemærk: Mens AI'en analyserer den tabel, du leverer, tilføjer den nogle gange "rimelige" men fiktive tal uden for bordet eller udfylder de manglende celler. Sammenlign hvert outputnummer med kildetabellen; Giv AI reglen "brug kun værdierne i den tabel, jeg giver dig, hvis de mangler, sig 'ingen data'".
Trin for trin dataanalyse flow
- Afklar spørgsmålet. Hvilket spørgsmål leder vi efter svar på til beslutningen? ("I hvilket nabolag tager løsningstiden længst?")
- Kend dataene. Hvad er kolonnerne, hvad er enheden, hvad er perioden, mangler der/forkerte værdier?
- Udtræk personlige data. Anonymiser/aggreger, hvis individuel identifikation ikke er påkrævet til analyse (se enhed 11).
- Opsummering og mønster dukker op. Få AI til at udføre grundlæggende statistik, gruppering og anomalimarkering.
- Sæt spørgsmålstegn ved kommentaren. Korrelation eller årsagssammenhæng? Alternativ forklaring? Manglende gruppe?
- Visualiser og forenkle. En enkel opsummering og grafik, som beslutningstageren kan forstå.
- Dokumenter beslutningen og dens begrundelse. Hvilken beslutning blev truffet på baggrund af hvilke data? revisionsspor.
tre minisager
Case 1 - Kilden gik til det rigtige sted. Tidligere fordelte en kommune sit parkvedligeholdelsesbudget "ligeligt til hvert kvarter." Når 18 måneders efterspørgsels- og brugsdata blev analyseret med kunstig intelligens, var efterspørgslen pr. indbygger i de tre kvarterer 2,4 gange gennemsnittet. Budgettet blev omfordelt efter behov; den samlede tilfredshed steg uden yderligere omkostninger.
Tilfælde 2 — Forudset data blev bemærket. Et agentur ville se på digitale ansøgningsdata og konkludere, at "borgere ikke længere kommer til betalingsanlægget." Men da aldersopdelingen blev efterspurgt i analysen, så man, at ansøgninger over 65 år stadig for det meste kom fra skranken. Hvis der kun blev set på digitale data, ville denne gruppe blive ignoreret; kasseservice blev bevaret.
Tilfælde 3 — Fortænkt årsagssammenhæng standset. Mens han fortolkede en tabel, sagde YZ: "Ulykkerne faldt, fordi antallet af inspektioner steg." Analytikeren mindede om, at vejret også ændrede sig, og trafikken faldt i samme periode; At tilskrive det en enkelt årsag var vildledende. Rapporten blev rettet til at sige "der er et forhold, men årsagssammenhæng er ikke blevet bevist."
Fire kopierbare skabeloner
1) Lær bordet at kende:
Din rolle: dataanalytiker. Undersøg tabellen nedenfor og baseret KUN på værdierne i denne tabel: (1) opsummer hvad hver kolonne er, dens enhed og periode, (2) eventuelle celler, der forekommer manglende/forkerte, (3) opsummer de 3 øverste mønstre, der skiller sig ud. Tilføjelse af tal uden for tabellen; hvis der mangler, skal du sige "ingen data". TABEL: [indsæt data]
2) Sammenfattende statistik med kontekst:
Besvar følgende spørgsmål fra tabellen nedenfor: [spørgsmål]. SKAL give resultatet med kontekst: absolut tal + rate + sammenligningsperiode. Når du siger "øget med X%", så angiv i hvilket omfang og i hvilken periode. Brug blot de givne data.TABEL: [data] SPØRGSMÅL: [spørgsmål]
3) Kausalitetsspørger:
Fortolk følgende fund, men FORSIGTIG: forveksle ikke korrelation med årsagssammenhæng. Generer mindst 3 alternative forklaringer på denne sammenhæng (tredje variabel, omvendt retning, tilfældighed). Fortæl mig, hvilke yderligere data der er nødvendige for at bevise kausalitet. FINDE: [forhold]
4) Enkelt resumé til beslutningen:
Forenkle følgende analyse for en beslutningstager, der ikke er dataekspert: ikke mere end 5 elementer, hvert punkt en konstatering og en "hvad betyder dette" forklaring. Skriv også dataens usikkerheder og begrænsninger tydeligt ned. Tilføjer ny information.ANALYSE: [tekst]
Svag prompt / Stærk prompt
Svag: "Analyser dette diagram og fortæl os, hvad vi skal gøre."
Stærk: "Din rolle er dataanalytiker. Brug KUN nedenstående tabel; tilføj ikke tal udefra, sig 'ingen data' til den manglende celle. Lær først kolonnerne, enhederne og perioden at kende. Besvar derefter spørgsmålet 'hvilket kvarter har den længste løsningstid' med absolut tal + forhold + sammenligningsperiode. Hvis du finder et mønster, så kom med 3 alternative forklaringer og forklaringer af årsagerne, før årsagerne til sidst. data (manglende gruppe, kort periode), der overlader beslutningen til os."
Forskel: stærk prompt etablerer datafidelitet, kontekst, kausalitetsdisciplin og beslutningsgrænse sammen; Outputtet er en forsvarlig analyse.
Hvor kan man stole på AI i databranchen?
forretning
AI tillid
regel
Tabeloversigt, gruppering
høj
Kun data angivet
Anomali/mønstermærkning
medium
menneskelig bekræftelse
Kausalitetsfortolkning
lav
Alternativ forklaring er påkrævet
Udfylder manglende data
for lavt
Lad være med at få det til at ske; "ingen data"
Forenkling/visuel opsummering
høj
Meningen skal bevares
Indikatordesign og vildledende kortfælde
Det mest kritiske trin i at træffe beslutninger med data er at vælge den rigtige indikator (det numeriske udtryk, der gør et fænomen målbart - for eksempel "gennemsnitlig behandlingstid" eller "omkostning pr. ansøgning"). Den forkerte indikator fører til den forkerte beslutning, selv med nøjagtige data: Mens det "samlede antal af løste krav" ser ud til at stige, kan "ventetiden pr. borger" blive værre. AI kan liste kandidatindikatorer for et emne, og hvad hver måler og skjuler; men du bestemmer, hvilken indikator der virkelig repræsenterer den offentlige interesse. Vær også opmærksom på risikoen for vildledende visualisering (forvrængning af opfattelsen med teknikker som f.eks. at aksen ikke starter fra nul, uforholdsmæssig skala, valgt tidsinterval) i de grafer, som AI foreslår eller beskriver; ærlig visuel i offentlige data er en del af styring.
Mini sag — forkert skilt, forkert pral. En enhed slog rekorder i "antal lukkede filer pr. måned"-indikatoren; men borgerklagerne steg. Ser man på den nøjagtige indikator, "den første kontaktopløsningshastighed", faldt hastigheden fra 58 procent til 44 procent - filer blev lukket og genåbnet hurtigt. Da indikatoren ændrede sig, ændrede ledelsesprioriteten sig også.
Minikasse — akse, der ikke starter fra nul. På grafen AI beskrevet i en præsentation starter den lodrette akse ved 40, en stigning på 2 procent virkede som et dramatisk spring. Da aksen blev flyttet til nul, dukkede det virkelige billede op, og beslutningen blev elimineret fra den overdrevne opfattelse.
Skabelon, der understøtter indikatorvalg:
Opgave: Foreslå 5 kandidatindikatorer til følgende formål.Formål: [f.eks. forbedring af borgerservicekvalitet]For hver indikator: hvad den måler | hvad kan det skjule | åbenhed over for manipulation | anbefalet læsefrekvens.Næste: skriv 3 advarsler (dem, der er vildledende i sig selv) for at læse disse indikatorer sammen.Regel: Fremstil ikke tal; bare foreslå indikatordesign.
Forsigtig: Fald ikke ind i den misforståelse, at "tal er objektivt". Hvilket tal du måler, hvordan du viser det, og hvilket interval du vælger, er alt sammen et spørgsmål om fortolkning. Gennemsigtig og ærlig offentlig fortolkning er lige så vigtig som at have nøjagtige data.
Almindelige fejl
- Forkert sammenhæng med årsagssammenhæng. "Forøget sammen" er ikke årsagen; Se efter alternative forklaringer.
- At lade AI udfylde manglende data. Analysen kollapser med en opdigtet værdi; efterlade de forsvundne.
- Generalisering af forudindtaget data. Klage/digitale data repræsenterer ikke alle; Spørg den manglende gruppe.
- Præsentation af nummeret uden kontekst. Ved siden af forholdet skal der være et absolut tal og sammenligningsperiode.
- Unødvendigt at analysere personlige data. Brug ikke individuel identifikation, hvis aggregerede data er tilstrækkelige.
- Dokumenterer ikke beslutningen. Hvilken beslutning blev truffet ud fra hvilke data der skulle registreres til revision.
Sammenfattende
Databaseret beslutningstagning er den mest effektive måde at fordele ressourcer på retfærdigt og effektivt i den offentlige sektor; AI er en hurtig assistent i denne forretning, der giver mening i billedet, finder mønstre og forenkler opdagelsen. Men lad ikke AI udgøre tal, lad den ikke udfylde manglende data, lad den ikke forveksle korrelation med kausalitet, og undgå at generalisere skæve/ufuldstændige data. Der er styrke i antallet; Den person, der tolker det rigtigt og dokumenterer beslutningen, er stærkere.
Ansøgningsopgave
Få en ægte (stribet personlige data) tabel fra din enhed. Introducer dataene med skabelonen "Lær tabellen at kende", og få derefter et vigtigt spørgsmål besvaret til beslutningen med skabelonen "Kontekstsammenfattende statistik". Anvend skabelonen "årsagsspørgsmål" på et spirende forhold, og find mindst én alternativ forklaring. Tjek, om AI’en tilføjer tal uden for tabellen.
tjekliste
- [ ] AI'en brugte kun den givne tabel; Han tilføjede ikke tal udefra.
- [ ] Jeg har ikke udfyldt de manglende data; Jeg forlod det som "ingen data".
- [ ] Jeg præsenterede hvert resultat med kontekst (absolut tal + rate + periode).
- [ ] Jeg fremlagde en alternativ forklaring til kausalitetspåstandene.
- [ ] Jeg vurderede risikoen for forudindtaget/manglende data og den manglende gruppe.
- [ ] Jeg dokumenterede beslutningen og de data, den var baseret på.