Entscheidungsunterstützung: Daten in Erkenntnisse umwandeln

Gewinne:

• Fähigkeit, entscheidungsorientierte Erkenntnisse aus verstreuten Daten zu gewinnen, indem die Daten-Information-Einsicht-Entscheidungsleiter verstanden und künstliche Intelligenz Schritt für Schritt ausgeführt wird
• Fähigkeit, die in Gesamtzahlen verborgene Wahrheit durch Segmentaufschlüsselung aufzudecken und Korrelation von Kausalität zu unterscheiden
• Fähigkeit, die von der künstlichen Intelligenz vorgeschlagenen Gründe als zu prüfende Hypothesen zu behandeln und die endgültige Entscheidung auf verifizierte Erkenntnisse zu stützen

Täglich landen Dutzende Zahlen auf dem Schreibtisch eines Managers: Verkaufszahlen, Kosten, Kundenbeschwerden, Lagerbestände, Mitarbeiterfluktuationsraten. Doch die Zahl allein ist nicht die Entscheidung. Die Entscheidung beginnt damit, die Bedeutung der Zahl zu erkennen. „Der Umsatz ist im Vergleich zum Vormonat um 8 Prozent gesunken“ ist eine Selbstverständlichkeit; „Der Umsatzrückgang ist darauf zurückzuführen, dass zwei große Kunden in der Ägäisregion ihre Bestellungen verschoben haben“, lautet eine Erkenntnis. Hier ist die Entscheidungsunterstützung – der Prozess, der Daten aussagekräftig macht, damit der Manager bessere Entscheidungen treffen kann – die Brücke, die Daten in Erkenntnisse verwandelt. In dieser Einheit lernen wir, wie man KI auf dieser Brücke nutzt. Die Grenze ist von Anfang an klar: KI erzeugt vorläufige Erkenntnisse; Der Manager entscheidet, welche Erkenntnisse real sind und was zu tun ist.

Vier Schritte von den Daten zur Erkenntnis

Entscheidungsunterstützung ist eine Leiter. Erste Ziffer – Daten: Rohzahlen (1.240 Bestellungen gingen diesen Monat ein). Zweite Ziffer – Informationen: bearbeitete, verglichene Zahlen (minus 8 Prozent gegenüber dem Vormonat). Dritte Stufe – Einblick: Verständnis des Grundes für den Rückgang (Verzögerung durch zwei Großkunden). Schritt vier – Entscheidung: was zu tun ist (diese Kunden befragen und neue Kunden ansprechen). Die KI ist beim ersten und zweiten Schritt sehr schnell, ist beim dritten ein guter Helfer, bietet beim vierten nur Optionen an.

Die Kenntnis dieser Leiter ist wichtig, da die meisten Manager die KI direkt bitten, „für mich zu entscheiden“ und frustriert sind. Wenn Sie die KI jedoch Schritt für Schritt umsetzen – erst zusammenfassen, dann vergleichen, dann mögliche Gründe hinterfragen und schließlich selbst die Entscheidung treffen – sind Sie schnell und zuverlässig.

Hinweis: Fragen Sie die KI: „Was schließen Sie aus diesen Daten?“ Anstatt alle auf einmal zu fragen, gehen Sie Schritt für Schritt vor, indem Sie sagen: „Zusammenfassen Sie zuerst, zeigen Sie dann die drei bemerkenswertesten Änderungen und schlagen Sie dann jeweils zwei mögliche Gründe vor.“ Schrittweises Denken führt zu genaueren Ergebnissen.

Die Korrelations- und Kausalitätsfalle

Die gefährlichste Gefahr bei der Entscheidungsunterstützung besteht darin, Korrelation mit Kausalität zu verwechseln. Von Korrelation spricht man, wenn zwei Dinge zusammenpassen (Eisverkäufe und Ertrinkungsfälle nehmen im Sommer gemeinsam zu). Ursache liegt vor, wenn das eine zum anderen führt (Eiscreme führt nicht zum Ersticken; heißes Wetter ist die häufigste Ursache). KI ist sehr gut darin, Dinge zu finden, die in Ihren Daten zusammenpassen, aber sie kann nicht sagen, was die wahre Ursache ist. Die Aussage „Werbeausgaben stiegen und Verkäufe stiegen“ beweist nicht, dass Werbung die Verkäufe steigerte; vielleicht waren beide von der festlichen Jahreszeit betroffen.

Wenn KI also einen Grund vorschlägt, behandeln Sie ihn als Hypothese (Annahme, die bewiesen werden muss) und nicht als Tatsache. „Wie teste ich das?“ fragen. Ein guter Manager testet den Grund, den die KI vorschlägt, vor Ort oder anhand von Daten.

drei Mini-Koffer

Fall 1 – Den heimlichen Sturz einfangen. In einem E-Commerce-Unternehmen schien der Gesamtumsatz stabil zu sein, niemand war beunruhigt. Der Manager gibt die anonymen monatlichen Daten an AI weiter und fragt: „Welches Segment wächst und welches schrumpft auf Kategoriebasis?“ fragte er. YZ zeigte, dass der Gesamtumsatz zwar konstant blieb, die ertragsstarke Elektronikkategorie jedoch tatsächlich um 22 Prozent zurückging, wobei die ertragsschwachen Zubehörverkäufe dies verdeckten. Der Manager bestätigte dies und konzentrierte sich auf die Kategorie Elektronik. Die Gesamtzahl war geheim gehalten worden; Der Bruch brachte die Wahrheit ans Licht.

Fall 2 – Der falschen Sache nachlaufen. Der Manager einer Café-Kette gab Verkaufsdaten an AI weiter. „Wochenendverkäufe ändern sich mit der Wettertemperatur“, sagte YZ. Der Manager interpretierte dies als „heißes Wetter steigert den Umsatz“ und schaltete die Klimaanlagen ab. Der wahre Grund war jedoch der erhöhte Kundenverkehr am Wochenende; Die Temperatur bewegte sich zufällig in die gleiche Richtung. Der Manager verwechselte Korrelation mit Kausalität. Er lernte seine Lektion und testete von nun an jeden Grund.

Fall 3 – Korrekte Erstellung des Vergleichs. Verglichen wurde die Effizienz zweier Fabriken eines Produktionsunternehmens. Der Manager fragt die KI: „Ist Fabrik A effizienter als B?“ fragte er, aber die KI wusste nicht, dass Fabrik A neuer und kleiner war. Der Manager korrigierte die Eingabeaufforderung: „Vergleichen Sie den Ertrag pro Einheit unter Berücksichtigung von Größen- und Altersunterschieden.“ Diesmal war die Analyse fair und der wahre Unterschied wurde deutlich.

Vier kopierbare Vorlagen

1) Schrittweise Gewinnung von Erkenntnissen:

Ihre Rolle: Business-Analyst zur Unterstützung des Managers. Verwenden Sie die beigefügten anonymen Daten (Zeitraum, Kategorie, Umsatz, Kosten). Gehen Sie Schritt für Schritt vor: 1) Fassen Sie die Daten in 4 Items zusammen. 2) Zeigen Sie die drei bemerkenswertesten Änderungen im Vergleich zur letzten Periode an. 3) Schlagen Sie bis zu 2 MÖGLICHE Gründe für jede Änderung vor und geben Sie an, dass es sich dabei um Hypothesen handelt und Beweise erforderlich sind. Erfinden Sie keine Zahlen, die in den von mir bereitgestellten Daten nicht vorkommen.

2) Aufschlüsselungs-(Segment-)Analyse:

Auch wenn die Gesamtzahlen stabil erscheinen, möchte ich wissen, was im Inneren vor sich geht. Teilen Sie die angehängten Daten nach Kategorie/Region/Kundensegment auf. Zeigen Sie in einer Tabelle an, welches Segment wächst und welches schrumpft. Markieren Sie insbesondere Umkehrungen, die die Gesamtsumme verschleiern.

3) Korrelations-Ursachen-Test:

Ich habe diese Beziehung gefunden: [A und B bewegen sich zusammen]. Helfen Sie mir zu erkennen, ob es sich hier um wahre Ursache und Wirkung oder nur um eine gemeinsame Aktion handelt. Listen Sie mögliche HÄUFIGE Ursachen auf und schlagen Sie drei praktische Tests vor, mit denen ich diesen Zusammenhang testen kann.

4) Generierung von Entscheidungsoptionen:

Ich habe diese Einsicht bestätigt: [Einsicht].Entscheide NICHT für mich; Generieren Sie stattdessen 3 verschiedene Aktionsoptionen. Für jede Option: erwarteter Nutzen, geschätzte Kosten/Aufwand, großes Risiko und welche Situation bevorzugt werden sollte. Stellen Sie die Optionen neutral dar; dränge niemanden auf.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Warum sind die Verkäufe zurückgegangen?

Keine Daten, kein Punkt, kein Kontext. AI listet allgemeine Gründe auf (Wirtschaft, Wettbewerb, Saison); Keine davon ist spezifisch für Ihre Situation und kann nicht überprüft werden.

Kraftvolle Aufforderung:

Ihre Rolle: Einzelhandelsanalyst. Nutzen Sie die beigefügten anonymen 6-Monats-Daten (Monat, Region, Kategorie, Anzahl der Verkäufe, Umsatz). Der Gesamtumsatz ging im letzten Monat um 8 % zurück. Teilen Sie dies nach Region und Kategorie auf. Finden Sie heraus, aus welchem ​​Segment der Rückgang kommt. Schlagen Sie für jeden gefundenen Rückgang bis zu zwei überprüfbare Hypothesen vor. Benutzen Sie einfach die Nummern, die ich Ihnen gegeben habe.

Größe

schlechter Ansatz

Starker Ansatz

Daten

Keine

Anonym und angehängt

Frage

Das allgemeine „Warum?“

Gebrochen und fokussiert

Ausgabe

Allgemeine Gründe

Überprüfbare Hypothesen

Überprüfbarkeit

niedrig

hoch

Entscheidungswert

Weniger

hoch

Häufige Fehler

• Verlassen Sie sich auf die Gesamtzahl. Während die Gesamtsumme konstant ist, kann es im Inneren zu großen Umkehrungen kommen; Schauen Sie sich unbedingt die Aufschlüsselung an.
• Korrelation mit Kausalität verwechseln. Betrachten Sie die von der KI gefundene Beziehung als eine zu prüfende Hypothese und nicht als Beweis.
• Unfairer Vergleich. Vergleichen Sie keine Einheiten unterschiedlicher Größe, unterschiedlichen Alters oder unterschiedlichen Zustands, ohne sie zu normalisieren.
• Entscheidungen direkt von der KI anfordern. KI generiert Optionen; Sie tragen die Entscheidung und Verantwortung.
• Schlussfolgerungen aus Einzelperiodendaten ziehen. Für die Trenderstellung sind ausreichende historische Daten erforderlich.

Achtung: Egal wie clever eine Erkenntnis erscheint, sie sollte nicht zu einer Entscheidung werden, wenn sie nicht anhand Ihrer Daten verifiziert werden kann. „Die KI hat es gesagt“ ist keine Rechtfertigung; „Ich habe es mit Daten getestet und es wurde validiert“ ist eine Begründung.

Zusammenfassend

Entscheidungsunterstützung ist die Leiter, die Daten in Erkenntnisse verwandelt: Daten, Informationen, Erkenntnisse, Entscheidungen. In den ersten beiden Schritten ist KI sehr schnell, im dritten ein guter Helfer und im vierten nur ein Optionsgeber. Schauen Sie sich die Aufschlüsselungen an, nicht die Gesamtzahlen; Verwechseln Sie Korrelation nicht mit Kausalität; Sehen Sie sich die Gründe an, die die KI als zu testende Hypothesen vorschlägt. Schrittweises Denken führt zu genaueren Ergebnissen. Die endgültige Entscheidung liegt beim Manager auf der Grundlage validierter Erkenntnisse.

Anwendungsaufgabe

Bereiten Sie einen anonymen Datensatz Ihres Unternehmens vor (z. B. kategoriebasierte Verkäufe der letzten 6 Monate). Lassen Sie die KI mit der obigen Vorlage „Aufschlüsselungsanalyse“ eine Segmentaufschlüsselung durchführen. Erstellen Sie mithilfe der Vorlage „Korrelations-Ursachen-Test“ eine Hypothese für die größte Änderung, die Sie gefunden haben, und schreiben Sie in drei Punkten auf, wie Sie diese Hypothese vor Ort testen werden.

Checkliste

• [ ] Habe ich die Daten anonymisiert?
• [ ] Habe ich mir die Aufschlüsselung (Segment) und nicht die Gesamtsumme angesehen?
• [ ] Habe ich den von der KI vorgeschlagenen Grund als Hypothese behandelt?
• [ ] Habe ich die Vergleiche fair (normalisiert) eingerichtet?
• [ ] Habe ich die Entscheidung selbst auf der Grundlage verifizierter Erkenntnisse getroffen?