Κέρδη:
- Αναγνωρίζει τους κινδύνους ποιότητας, εμπιστευτικότητας και ερμηνείας από την εργασία με δεδομένα και καθιερώνει μια ασφαλή ροή ανάλυσης.
- Επιλέγει τον σωστό δείκτη για έναν σκοπό, διακρίνοντας μεταξύ παραπλανητικών μεμονωμένων δεικτών και μετρήσεων που είναι επιδεκτικές χειραγώγησης.
- Αναγνωρίζει παραπλανητικές τεχνικές γραφήματος (άξονας δεν ξεκινά από το μηδέν, επιλεγμένο εύρος) και παρατηρεί ειλικρινή απεικόνιση.
Το κοινό παράγει δεδομένα καθημερινά: αριθμοί αιτήσεων, χρόνοι λύσεων, στοιχεία προϋπολογισμού, μετακινήσεις πληθυσμού, αιτήματα υπηρεσιών, αποτελέσματα ελέγχου, έρευνες ικανοποίησης. Τα περισσότερα από αυτά τα δεδομένα βρίσκονται σε υπολογιστικά φύλλα, φόρμες και συστήματα εγγραφής του Excel, αλλά δεν μεταφράζονται σε αποφάσεις — επειδή η ανάλυσή τους απαιτεί εξειδίκευση και χρόνο. Η λήψη αποφάσεων βάσει δεδομένων (μια προσέγγιση για την κατανομή πόρων και τον καθορισμό πολιτικής που βασίζεται σε μετρημένα στοιχεία και όχι σε γνώμη ή συνήθεια) αυξάνει τόσο την αποτελεσματικότητα όσο και τη δικαιοσύνη στον δημόσιο τομέα: οι πόροι πηγαίνουν εκεί που χρειάζονται περισσότερο βάσει αριθμών. Εδώ, η τεχνητή νοημοσύνη είναι ένας πανίσχυρος βοηθός στο να κατανοεί έναν πίνακα, να βρίσκει μοτίβα και ανωμαλίες, να εξάγει συνοπτικά στατιστικά στοιχεία και να μεταφράζει τα ευρήματα σε απλές προτάσεις. Σε αυτήν την ενότητα, θα δείτε πώς να συντομεύσετε τη διαδρομή από τα ανεπεξέργαστα δημόσια δεδομένα σε μια υπερασπίσιμη απόφαση με την τεχνητή νοημοσύνη και να παραμείνετε πειθαρχημένοι στην πιο κρίσιμη πτυχή—τη σωστή ερμηνεία του αριθμού.
Τρεις κίνδυνοι από την εργασία με δεδομένα
Τα δεδομένα είναι ισχυρά, αλλά έχουν τρεις παγίδες και η τεχνητή νοημοσύνη μπορεί να μετριάσει και να μεγεθύνει αυτές τις παγίδες:
- Συσχέτιση ≠ αιτιότητα. Επειδή δύο πράγματα αλλάζουν μαζί δεν σημαίνει ότι το ένα προκαλεί το άλλο. Οι πωλήσεις παγωτού και οι πνιγμοί είναι σε άνοδο - επειδή και τα δύο συνδέονται με τη ζέστη του καλοκαιριού, όχι το ένα προκαλεί το άλλο. Η τεχνητή νοημοσύνη κατασκευάζει άπταιστα προτάσεις «επειδή». Αμφισβητήστε κάθε ισχυρισμό αιτιότητας.
- Μεροληπτικά/ελλιπή δεδομένα. Από ποιον και πώς συλλέχθηκαν τα δεδομένα; Τα δεδομένα καταγγελιών αντικατοπτρίζουν μόνο εκείνους που μπορούν να παραπονεθούν. ψηφιακά δεδομένα εφαρμογών όσοι έχουν πρόσβαση στο διαδίκτυο. Εάν δεν βλέπετε την ομάδα που λείπει, η απόφαση θα είναι προκατειλημμένη.
- Αριθμός χωρίς πλαίσιο. Το «αυξήθηκε κατά 30%» από μόνο του δεν έχει νόημα: σύμφωνα με τι, σε ποια περίοδο, ποιος είναι ο απόλυτος αριθμός; Ρωτήστε το AI για το πλαίσιο.
Προσοχή: Ενώ το AI αναλύει τον πίνακα που παρέχετε, μερικές φορές προσθέτει "λογικούς" αλλά πλασματικούς αριθμούς έξω από τον πίνακα ή συμπληρώνει σιωπηλά τα κελιά που λείπουν. Συγκρίνετε κάθε αριθμό εξόδου με τον πίνακα πηγής. Δώστε στο AI τον κανόνα "χρησιμοποιήστε μόνο τις τιμές στον πίνακα που σας δίνω, εάν λείπουν πείτε "χωρίς δεδομένα"".
Βήμα προς βήμα ροή ανάλυσης δεδομένων
- Διευκρινίστε την ερώτηση. Σε ποια ερώτηση αναζητούμε απαντήσεις για την απόφαση; ("Σε ποια γειτονιά διαρκεί περισσότερο ο χρόνος επίλυσης;")
- Γνωρίστε τα δεδομένα. Ποιες είναι οι στήλες, ποια είναι η μονάδα, ποια η περίοδος, λείπουν/λανθασμένες τιμές;
- Εξαγωγή προσωπικών δεδομένων. Ανωνυμοποιήστε/συγκεντρώστε εάν δεν απαιτείται ατομική ταυτοποίηση για ανάλυση (βλ. Ενότητα 11).
- Προκύπτουν περίληψη και μοτίβο. Βάλτε το AI να εκτελέσει βασικά στατιστικά στοιχεία, ομαδοποίηση και σήμανση ανωμαλιών.
- Αμφισβητήστε το σχόλιο. Συσχέτιση ή αιτιότητα; Εναλλακτική εξήγηση; Λείπει ομάδα;
- Οραματιστείτε και απλοποιήστε. Μια απλή περίληψη και γραφικό που μπορεί να κατανοήσει ο λήπτης των αποφάσεων.
- Τεκμηριώστε την απόφαση και το σκεπτικό της. Ποια απόφαση πάρθηκε με βάση ποια δεδομένα; ίχνος ελέγχου.
τρεις μίνι θήκες
Περίπτωση 1 — Η πηγή πήγε στο σωστό μέρος. Στο παρελθόν, ένας δήμος μοίραζε τον προϋπολογισμό του για τη συντήρηση του πάρκου «εξίσου σε κάθε γειτονιά». Όταν τα δεδομένα ζήτησης και χρήσης 18 μηνών αναλύθηκαν με AI, η κατά κεφαλήν ζήτηση των τριών γειτονιών ήταν 2,4 φορές η μέση τιμή. Ο προϋπολογισμός ανακατανεμήθηκε ανάλογα με τις ανάγκες. η συνολική ικανοποίηση αυξήθηκε, χωρίς πρόσθετα έξοδα.
Περίπτωση 2 — Παρατηρήθηκαν μεροληπτικά δεδομένα. Ένας οργανισμός θα εξετάσει τα δεδομένα ψηφιακών εφαρμογών και θα συμπεράνει ότι «οι πολίτες δεν έρχονται πλέον στα διόδια». Αλλά όταν ζητήθηκε η κατανομή ηλικίας στην ανάλυση, διαπιστώθηκε ότι οι αιτήσεις ηλικίας άνω των 65 ετών εξακολουθούσαν να προέρχονται κυρίως από το γκισέ. Εάν εξετάζονταν μόνο ψηφιακά δεδομένα, αυτή η ομάδα θα αγνοούνταν. η υπηρεσία ταμείου διατηρήθηκε.
Περίπτωση 3 — Η επίπλαστη αιτιώδης συνάφεια σταμάτησε. Κατά την ερμηνεία ενός πίνακα, ο YZ είπε, "Τα ατυχήματα μειώθηκαν επειδή ο αριθμός των επιθεωρήσεων αυξήθηκε." Ο αναλυτής υπενθύμισε ότι ο καιρός άλλαξε επίσης και η κίνηση μειώθηκε την ίδια περίοδο. Η απόδοση του σε μια και μόνο αιτία ήταν παραπλανητική. Η αναφορά διορθώθηκε για να πει «υπάρχει σχέση αλλά δεν έχει αποδειχθεί η αιτιότητα».
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Γνωριμία με τον πίνακα:
Ο ρόλος σας: αναλυτής δεδομένων. Εξετάστε τον παρακάτω πίνακα και, με βάση ΜΟΝΟ τις τιμές σε αυτόν τον πίνακα: (1) συνοψίστε τι είναι κάθε στήλη, τη μονάδα και την περίοδο της, (2) τυχόν κελιά που φαίνονται ότι λείπουν/λανθασμένα, (3) συνοψίστε τα 3 κορυφαία μοτίβα που ξεχωρίζουν. Προσθήκη αριθμών έξω από τον πίνακα. αν λείπει, πείτε "χωρίς δεδομένα". ΠΙΝΑΚΑΣ: [επικόλληση δεδομένων]
2) Συνοπτικά στατιστικά στοιχεία με περιεχόμενο:
Απαντήστε στην ακόλουθη ερώτηση από τον παρακάτω πίνακα: [ερώτηση]. ΠΡΕΠΕΙ να δώσει το αποτέλεσμα με το πλαίσιο: απόλυτος αριθμός + ποσοστό + περίοδος σύγκρισης. Όταν λέτε "αυξήθηκε κατά Χ%", καθορίστε σε ποιο βαθμό και σε ποια περίοδο. Απλώς χρησιμοποιήστε τα δεδομένα.ΠΙΝΑΚΑΣ: [δεδομένα] ΕΡΩΤΗΣΗ: [ερώτηση]
3) Ερωτητής αιτιότητας:
Ερμηνεύστε το ακόλουθο εύρημα, αλλά ΠΡΟΣΟΧΗ: μην συγχέετε τη συσχέτιση με την αιτιότητα. Δημιουργήστε τουλάχιστον 3 εναλλακτικές εξηγήσεις για αυτή τη σχέση (τρίτη μεταβλητή, αντίστροφη κατεύθυνση, σύμπτωση). Πείτε μου ποια πρόσθετα δεδομένα χρειάζονται για να αποδειχθεί η αιτιότητα. ΕΥΡΕΣΗ: [σχέση]
4) Απλή περίληψη για την απόφαση:
Απλοποιήστε την ακόλουθη ανάλυση για έναν υπεύθυνο λήψης αποφάσεων που δεν είναι ειδικός στα δεδομένα: όχι περισσότερα από 5 στοιχεία, κάθε στοιχείο ένα εύρημα και μια εξήγηση «τι σημαίνει αυτό». Σημειώστε επίσης με σαφήνεια τις αβεβαιότητες και τα όρια των δεδομένων. Προσθήκη νέων πληροφοριών.ΑΝΑΛΥΣΗ: [κείμενο]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Ανάλυσε αυτό το διάγραμμα και πείτε μας τι πρέπει να κάνουμε."
Ισχυρός: "Ο ρόλος σας είναι ο αναλυτής δεδομένων. Χρησιμοποιήστε ΜΟΝΟ τον παρακάτω πίνακα. Μην προσθέτετε αριθμούς από έξω, πείτε "χωρίς δεδομένα" στο κελί που λείπει. Πρώτα, γνωρίστε τις στήλες, τις μονάδες και την περίοδο. Στη συνέχεια, απαντήστε στην ερώτηση "ποια γειτονιά έχει τον μεγαλύτερο χρόνο λύσης" με απόλυτο αριθμό + αναλογία + περίοδο σύγκρισης. Εάν βρείτε ένα μοτίβο, εξηγήστε το πριν από 3 λίστες και εναλλακτικές λίστες. των στοιχείων (έλλειπουσα ομάδα, σύντομη περίοδος) που αφήνουν την απόφαση σε εμάς».
Διαφορά: η ισχυρή προτροπή καθορίζει την πιστότητα δεδομένων, το πλαίσιο, την πειθαρχία της αιτιότητας και το όριο λήψης αποφάσεων μαζί. Το αποτέλεσμα είναι μια αξιόπιστη ανάλυση.
Πού μπορεί να εμπιστευτεί την τεχνητή νοημοσύνη στην επιχείρηση δεδομένων;
επιχείρηση
AI εμπιστοσύνη
κανόνας
Σύνοψη πίνακα, ομαδοποίηση
ψηλά
Δεδομένα δίνονται μόνο
Σήμανση ανωμαλίας/μοτίβου
μεσαίο
ανθρώπινη επιβεβαίωση
Ερμηνεία αιτιότητας
χαμηλά
Απαιτείται εναλλακτική εξήγηση
Συμπλήρωση στοιχείων που λείπουν
πολύ χαμηλά
Μην το κάνετε να συμβεί? "δεν υπάρχουν δεδομένα"
Απλοποίηση/οπτική περίληψη
ψηλά
Το νόημα πρέπει να διατηρηθεί
Σχεδιασμός δείκτη και παραπλανητική παγίδα γραφήματος
Το πιο κρίσιμο βήμα στη λήψη αποφάσεων με δεδομένα είναι η επιλογή του σωστού δείκτη (η αριθμητική έκφραση που κάνει ένα φαινόμενο μετρήσιμο - για παράδειγμα, «μέσος χρόνος επεξεργασίας» ή «κόστος ανά εφαρμογή»). Ο λανθασμένος δείκτης οδηγεί σε λάθος απόφαση, ακόμη και με ακριβή δεδομένα: ενώ ο «συνολικός αριθμός επιλυμένων αξιώσεων» φαίνεται να αυξάνεται, ο «χρόνος αναμονής ανά πολίτη» μπορεί να επιδεινώνεται. Η τεχνητή νοημοσύνη μπορεί να απαριθμήσει υποψηφίους δείκτες για ένα θέμα και τι μετρά και αποκρύπτει το καθένα. αλλά εσείς αποφασίζετε ποιος δείκτης αντιπροσωπεύει πραγματικά το δημόσιο συμφέρον. Επίσης, να γνωρίζετε τον κίνδυνο παραπλανητικής απεικόνισης (παραμόρφωση της αντίληψης με τεχνικές όπως ο άξονας που δεν ξεκινά από το μηδέν, δυσανάλογη κλίμακα, επιλεγμένο χρονικό διάστημα) στα γραφήματα που προτείνει ή περιγράφει το AI. Η ειλικρινής οπτική στα δημόσια δεδομένα είναι μέρος της διακυβέρνησης.
Μίνι θήκη — λάθος σημάδι, λάθος καύχημα. Μία μονάδα έσπασε ρεκόρ στον δείκτη "αριθμός κλειστών αρχείων ανά μήνα". αλλά οι καταγγελίες πολιτών αυξήθηκαν. Κοιτάζοντας τον ακριβή δείκτη, τον «ποσοστό ανάλυσης πρώτης επαφής», το ποσοστό μειώθηκε από 58 τοις εκατό σε 44 τοις εκατό - τα αρχεία έκλειναν και άνοιγαν ξανά γρήγορα. Όταν άλλαξε ο δείκτης, άλλαξε και η προτεραιότητα διαχείρισης.
Μίνι θήκη — άξονας που δεν ξεκινά από το μηδέν. Στο γράφημα AI που περιγράφεται σε μια παρουσίαση, ο κατακόρυφος άξονας ξεκινά από το 40, μια αύξηση 2 τοις εκατό φαινόταν σαν ένα δραματικό άλμα. Όταν ο άξονας μετακινήθηκε στο μηδέν, προέκυψε η πραγματική εικόνα και η απόφαση εξαλείφθηκε από την υπερβολική αντίληψη.
Πρότυπο που υποστηρίζει την επιλογή δείκτη:
Εργασία: Προτείνετε 5 υποψήφιους δείκτες για τον ακόλουθο σκοπό.Σκοπός: [π.χ. βελτίωση της ποιότητας των υπηρεσιών των πολιτών]Για κάθε δείκτη: τι μετρά | τι να κρύβει | άνοιγμα στη χειραγώγηση | Συνιστώμενη συχνότητα ανάγνωσης. Επόμενο: γράψτε 3 προειδοποιήσεις (αυτές που είναι παραπλανητικές από μόνες τους) για να διαβάσετε αυτούς τους δείκτες μαζί. Κανόνας: Μην παράγετε αριθμούς. απλά προτείνετε το σχεδιασμό του δείκτη.
Προσοχή: Μην πέσετε στην εσφαλμένη αντίληψη ότι «ο αριθμός είναι αντικειμενικός». Ποιος αριθμός μετράτε, πώς τον εμφανίζετε και ποιο εύρος επιλέγετε είναι όλα θέμα ερμηνείας. Η διαφανής και ειλικρινής δημόσια ερμηνεία είναι εξίσου σημαντική με την ύπαρξη ακριβών δεδομένων.
Συνήθη λάθη
- Λανθασμένη συσχέτιση για αιτιότητα. Το "αυξήθηκε μαζί" δεν είναι η αιτία. Αναζητήστε εναλλακτικές εξηγήσεις.
- Έχοντας τεχνητή νοημοσύνη να συμπληρώσει τα δεδομένα που λείπουν. Η ανάλυση καταρρέει με μια κατασκευασμένη τιμή. αφήστε τους αγνοούμενους.
- Γενίκευση μεροληπτικών δεδομένων. Τα παράπονα/ψηφιακά δεδομένα δεν αντιπροσωπεύουν όλους. Ερώτηση για την ομάδα που λείπει.
- Παρουσίαση του αριθμού χωρίς πλαίσιο. Δίπλα στην αναλογία θα πρέπει να υπάρχει ένας απόλυτος αριθμός και περίοδος σύγκρισης.
- Η άσκοπη ανάλυση προσωπικών δεδομένων. Μην χρησιμοποιείτε ατομική αναγνώριση εάν τα συγκεντρωτικά δεδομένα είναι επαρκή.
- Μη τεκμηρίωση της απόφασης. Ποια απόφαση ελήφθη με βάση ποια δεδομένα πρέπει να καταγραφούν για έλεγχο.
Συνοπτικά
Η λήψη αποφάσεων βάσει δεδομένων είναι ο πιο ισχυρός τρόπος για δίκαιη και αποτελεσματική κατανομή των πόρων στον δημόσιο τομέα. Το AI είναι ένας γρήγορος βοηθός σε αυτήν την επιχείρηση που βγάζει νόημα στην εικόνα, βρίσκει μοτίβα και απλοποιεί την εύρεση. Αλλά μην κάνετε το AI να συνθέτει αριθμούς, μην το κάνετε να συμπληρώνει δεδομένα που λείπουν, μην το αφήσετε να συγχέει τη συσχέτιση με την αιτιότητα και αποφύγετε τη γενίκευση μεροληπτικών/ελλιπών δεδομένων. Υπάρχει δύναμη στους αριθμούς. Αυτός που την ερμηνεύει σωστά και τεκμηριώνει την απόφαση είναι ισχυρότερος.
Εργασία εφαρμογής
Λάβετε έναν πραγματικό πίνακα (χωρίς προσωπικά δεδομένα) από τη μονάδα σας. Εισαγάγετε τα δεδομένα με το πρότυπο "Γνωριμία με τον πίνακα" και, στη συνέχεια, απαντήστε σε μια σημαντική ερώτηση για την απόφαση με το πρότυπο "Στατιστικά στοιχεία περίληψης με βάση τα συμφραζόμενα". Εφαρμόστε το πρότυπο "Αιτιωτικός Ερωτητής" σε μια αναδυόμενη σχέση και βρείτε τουλάχιστον μία εναλλακτική εξήγηση. Ελέγξτε εάν το AI προσθέτει αριθμούς έξω από τον πίνακα.
λίστα ελέγχου
- [ ] Το AI χρησιμοποιούσε μόνο τον δεδομένο πίνακα. Δεν πρόσθεσε αριθμούς απ' έξω.
- [ ] Δεν συμπλήρωσα τα στοιχεία που λείπουν. Το άφησα ως «χωρίς στοιχεία».
- [ ] Παρουσίασα κάθε αποτέλεσμα με πλαίσιο (απόλυτος αριθμός + ποσοστό + περίοδος).
- [ ] Παρείχα μια εναλλακτική εξήγηση στους ισχυρισμούς αιτιότητας.
- [ ] Αξιολόγησα τον κίνδυνο μεροληψίας/ελλιπών δεδομένων και την ομάδα που λείπει.
- [ ] Τεκμηρίωσα την απόφαση και τα δεδομένα στα οποία βασίστηκε.