Κέρδη:
- Δυνατότητα δημιουργίας εικόνας προσανατολισμένης στην απόφαση από διασκορπισμένα δεδομένα, κατανοώντας τη σκάλα δεδομένων-πληροφοριών-ενόρασης-απόφασης και εκτελώντας την τεχνητή νοημοσύνη βήμα προς βήμα
- Δυνατότητα αποκάλυψης της αλήθειας που κρύβεται από τους συνολικούς αριθμούς μέσω ανάλυσης τμημάτων και διάκρισης της συσχέτισης από την αιτιότητα
- Ικανότητα να αντιμετωπίζονται οι λόγοι που προτείνονται από την τεχνητή νοημοσύνη ως υποθέσεις προς δοκιμή και να βασίζονται η τελική απόφαση σε επαληθευμένη γνώση
Δεκάδες αριθμοί φτάνουν στο γραφείο ενός διευθυντή κάθε μέρα: στοιχεία πωλήσεων, κόστος, παράπονα πελατών, επίπεδα αποθέματος, ποσοστά εναλλαγής εργαζομένων. Αλλά ο αριθμός δεν είναι μόνο η απόφαση. Η απόφαση ξεκινάει βλέποντας το νόημα μέσα στον αριθμό. «Οι πωλήσεις μειώθηκαν κατά 8 τοις εκατό σε σύγκριση με τον προηγούμενο μήνα» είναι δεδομένο. «Η μείωση των πωλήσεων οφείλεται στο ότι δύο μεγάλοι πελάτες στην περιοχή του Αιγαίου αναβάλλουν τις παραγγελίες τους» είναι μια εικόνα. Εδώ, η υποστήριξη αποφάσεων - η διαδικασία που δίνει νόημα στα δεδομένα για τη λήψη καλύτερων αποφάσεων από τον διαχειριστή - είναι η γέφυρα που μετατρέπει τα δεδομένα σε διορατικότητα. Σε αυτή την ενότητα, θα μάθουμε πώς να χρησιμοποιούμε την τεχνητή νοημοσύνη σε αυτήν τη γέφυρα. Το όριο είναι ξεκάθαρο από την αρχή: η τεχνητή νοημοσύνη παράγει πρόχειρες γνώσεις. Ο διευθυντής αποφασίζει ποια επίγνωση είναι πραγματική και τι να κάνει.
Τέσσερα βήματα από τα δεδομένα στη γνώση
Η υποστήριξη αποφάσεων είναι μια σκάλα. Πρώτο ψηφίο — δεδομένα: πρωτογενείς αριθμοί (1.240 παραγγελίες έφτασαν αυτόν τον μήνα). Δεύτερο ψηφίο — πληροφορίες: επεξεργασμένα, σύγκριση αριθμών (μείωση 8 τοις εκατό από τον προηγούμενο μήνα). Τρίτο επίπεδο — διορατικότητα: κατανόηση του λόγου της πτώσης (καθυστέρηση από δύο μεγάλους πελάτες). Βήμα τέταρτο — απόφαση: τι να κάνετε (πάρτε συνέντευξη από αυτούς τους πελάτες και στοχεύστε νέους πελάτες). Το AI είναι πολύ γρήγορο στο πρώτο και το δεύτερο βήμα, είναι καλός βοηθός στο τρίτο, προσφέρει μόνο επιλογές στο τέταρτο.
Η γνώση αυτής της κλίμακας είναι σημαντική επειδή οι περισσότεροι μάνατζερ ζητούν απευθείας από το AI να «αποφασίσει για μένα» και απογοητεύονται. Ωστόσο, εάν πραγματοποιήσετε την τεχνητή νοημοσύνη βήμα προς βήμα - πρώτα συνοψίστε, μετά συγκρίνετε, μετά αμφισβητήστε τους πιθανούς λόγους και τελικά πάρετε μόνοι σας την απόφαση - θα είστε γρήγοροι και αξιόπιστοι.
Συμβουλή: Ρωτήστε το AI "τι συμπεραίνεις από αυτά τα δεδομένα;" Αντί να ρωτάτε όλα ταυτόχρονα, προχωρήστε βήμα προς βήμα λέγοντας "πρώτα συνοψίστε, μετά δείξτε τις 3 πιο αξιοσημείωτες αλλαγές και μετά προτείνετε 2 πιθανούς λόγους για καθεμία". Η σταδιακή σκέψη δίνει πιο ακριβή αποτελέσματα.
Η παγίδα συσχέτισης και αιτιότητας
Η πιο επικίνδυνη παγίδα της υποστήριξης απόφασης είναι η λάθος συσχέτιση με την αιτιότητα. Συσχέτιση είναι όταν δύο πράγματα κινούνται μαζί (οι πωλήσεις παγωτού και οι πνιγμοί αυξάνονται μαζί το καλοκαίρι). Η αιτιότητα είναι όταν το ένα οδηγεί στο άλλο (το παγωτό δεν προκαλεί ασφυξία, ο ζεστός καιρός είναι η κοινή αιτία). Η τεχνητή νοημοσύνη είναι πολύ καλή στο να βρίσκει πράγματα που κινούνται μαζί στα δεδομένα σας, αλλά δεν μπορεί να πει ποια είναι η πραγματική αιτία. Λέγοντας "Η διαφημιστική δαπάνη αυξήθηκε και οι πωλήσεις αυξήθηκαν" δεν αποδεικνύει ότι η διαφήμιση αύξησε τις πωλήσεις. ίσως και οι δύο επηρεάστηκαν από την εορταστική περίοδο.
Έτσι, όταν η τεχνητή νοημοσύνη προτείνει έναν λόγο, αντιμετωπίστε τον ως υπόθεση (υπόθεση που πρέπει να αποδειχθεί), όχι ως γεγονός. «Πώς το δοκιμάσω αυτό;» παρακαλώ. Ένας καλός διευθυντής ελέγχει τον λόγο που προτείνει η τεχνητή νοημοσύνη στο πεδίο ή με δεδομένα.
τρεις μίνι θήκες
Περίπτωση 1 — Πιάστε τη μυστική πτώση. Σε μια εταιρεία ηλεκτρονικού εμπορίου, ο συνολικός τζίρος φαινόταν σταθερός, κανείς δεν ανησυχούσε. Ο διαχειριστής δίνει τα ανώνυμα μηνιαία δεδομένα στην τεχνητή νοημοσύνη και ρωτά "Ποιο τμήμα αυξάνεται και ποιο συρρικνώνεται σε βάση κατηγορίας;" ρώτησε. Η YZ έδειξε ότι ενώ ο συνολικός κύκλος εργασιών ήταν σταθερός, η κατηγορία ηλεκτρονικών υψηλού κέρδους στην πραγματικότητα μειώθηκε κατά 22%, με τις χαμηλές πωλήσεις αξεσουάρ να το συγκαλύπτουν. Ο μάνατζερ το επιβεβαίωσε και εστίασε στην κατηγορία των ηλεκτρονικών. Ο συνολικός αριθμός είχε κρυφτεί. Το διάλειμμα αποκάλυψε την αλήθεια.
Περίπτωση 2 — Τρέξιμο προς τη λάθος αιτία. Ο διευθυντής μιας αλυσίδας καφέ έδωσε στοιχεία πωλήσεων στην AI. «Οι πωλήσεις του Σαββατοκύριακου κινούνται ανάλογα με τη θερμοκρασία του καιρού», είπε ο YZ. Ο διευθυντής το διάβασε αυτό ως «ο ζεστός καιρός αυξάνει τις πωλήσεις» και απέρριψε τα κλιματιστικά. Ωστόσο, ο πραγματικός λόγος ήταν η αυξημένη κίνηση πελατών το Σαββατοκύριακο. Η θερμοκρασία κινήθηκε κατά σύμπτωση στην ίδια κατεύθυνση. Ο διευθυντής μπέρδεψε τη συσχέτιση για την αιτιότητα. Έμαθε το μάθημά του και δοκίμασε κάθε λόγο από εδώ και πέρα.
Περίπτωση 3 — Καθορισμός της σύγκρισης σωστά. Συγκρίνονταν η αποτελεσματικότητα δύο εργοστασίων σε μια παραγωγική επιχείρηση. Ο διευθυντής ρωτά την τεχνητή νοημοσύνη: «Είναι το εργοστάσιο Α πιο αποτελεσματικό από το Β;» ρώτησε, αλλά η AI δεν ήξερε ότι το εργοστάσιο Α ήταν ολοένα και μικρότερο. Ο διευθυντής διόρθωσε την προτροπή: "συγκρίνετε την απόδοση ανά μονάδα, λαμβάνοντας υπόψη το μέγεθος και τη διαφορά ηλικίας." Αυτή τη φορά η ανάλυση ήταν δίκαιη και αποκαλύφθηκε η πραγματική διαφορά.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Βηματική εξαγωγή πληροφοριών:
Ο ρόλος σας: επιχειρηματικός αναλυτής που βοηθά τον διευθυντή. Χρησιμοποιήστε τα συνημμένα ανώνυμα δεδομένα (περίοδος, κατηγορία, πωλήσεις, κόστος). Προχωρήστε βήμα προς βήμα: 1) Συνοψίστε τα δεδομένα σε 4 στοιχεία. 2) Δείξτε τις 3 πιο αξιοσημείωτες αλλαγές σε σύγκριση με την προηγούμενη περίοδο. 3) Προτείνετε έως και 2 ΠΙΘΑΝΟΥΣ λόγους για κάθε αλλαγή και δηλώστε ότι πρόκειται για υποθέσεις και ότι χρειάζονται στοιχεία. Μην κάνετε κανέναν αριθμό που δεν υπάρχει στα δεδομένα που παρέχω.
2) Ανάλυση ανάλυσης (τμήματος):
Ακόμα κι αν τα συνολικά νούμερα φαίνονται σταθερά, θέλω να μάθω τι συμβαίνει μέσα. Διαχωρίστε τα συνημμένα δεδομένα ανά κατηγορία/περιοχή/τμήμα πελάτη. Δείξτε ποιο τμήμα αυξάνεται και ποιο συρρικνώνεται σε έναν πίνακα. Ειδικά σημειώστε τις ανατροπές που συγκαλύπτουν το σύνολο.
3) Τεστ συσχέτισης-αιτιότητας:
Βρήκα αυτή τη σχέση: [Ο Α και ο Β κινούνται μαζί]. Βοηθήστε με να διακρίνω αν αυτό είναι αληθινό αίτιο και αποτέλεσμα ή απλώς δράση μαζί. Καταγράψτε πιθανές ΚΟΙΝΕΣ αιτίες και προτείνετε 3 πρακτικούς ελέγχους που μπορώ να κάνω για να ελέγξω αυτή τη σχέση.
4) Παραγωγή επιλογής απόφασης:
Επιβεβαίωσα αυτήν την επίγνωση: [insight].ΜΗΝ αποφασίζεις για μένα. Αντίθετα, δημιουργήστε 3 διαφορετικές επιλογές δράσης. Για κάθε επιλογή: αναμενόμενο όφελος, εκτιμώμενο κόστος/προσπάθεια, σημαντικός κίνδυνος και ποια κατάσταση θα πρέπει να προτιμηθεί. Παρουσιάστε τις επιλογές ουδέτερα. μην επιβάλλετε κανέναν.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Γιατί μειώθηκαν οι πωλήσεις;
Χωρίς δεδομένα, χωρίς περίοδο, χωρίς πλαίσιο. Το AI παραθέτει γενικούς λόγους (οικονομία, ανταγωνισμός, εποχή). Κανένα από αυτά δεν είναι συγκεκριμένο για την κατάστασή σας και δεν μπορεί να επαληθευτεί.
Ισχυρή προτροπή:
Ο ρόλος σας: αναλυτής λιανικής. Χρησιμοποιήστε τα συνημμένα ανώνυμα δεδομένα 6 μηνών (μήνας, περιοχή, κατηγορία, αριθμός πωλήσεων, κύκλος εργασιών). Ο συνολικός κύκλος εργασιών μειώθηκε κατά 8% τον τελευταίο μήνα. Αναλύστε το ανά περιοχή και κατηγορία. μάθετε από ποιο τμήμα προέρχεται η πτώση. Προτείνετε έως και 2 υποθέσεις που μπορούν να ελεγχθούν για κάθε πτώση που βρίσκετε. Απλά χρησιμοποιήστε τους αριθμούς που σας έδωσα.
Μέγεθος
κακή προσέγγιση
Ισχυρή προσέγγιση
Δεδομένα
Κανένα
Ανώνυμος και επισυναπτόμενος
Ερώτηση
Το γενικό «γιατί;»
Διάθλαση και εστιασμένη
εξόδου
Γενικοί λόγοι
Δοκιμήσιμες υποθέσεις
Επαληθευσιμότητα
χαμηλά
ψηλά
αξία απόφασης
Λιγότερο
ψηλά
Συνήθη λάθη
- Βασιζόμενος στον συνολικό αριθμό. Ενώ το σύνολο είναι σταθερό, μπορεί να υπάρχουν μεγάλες ανατροπές στο εσωτερικό. Φροντίστε να δείτε την ανάλυση.
- Λανθασμένη συσχέτιση για αιτιότητα. Δείτε τη σχέση που βρίσκει η τεχνητή νοημοσύνη ως υπόθεση που πρέπει να ελεγχθεί, όχι ως απόδειξη.
- Άδικη σύγκριση. Μην συγκρίνετε μονάδες διαφορετικών μεγεθών/ηλικιών/συνθηκών χωρίς να τις κανονικοποιήσετε.
- Ζητώντας αποφάσεις απευθείας από το AI. Το AI δημιουργεί επιλογές. Εσείς φέρετε την απόφαση και την ευθύνη.
- Εξαγωγή συμπερασμάτων με δεδομένα μιας περιόδου. Απαιτούνται επαρκή ιστορικά δεδομένα για τις τάσεις.
Προσοχή: Ανεξάρτητα από το πόσο έξυπνη φαίνεται μια εικόνα, δεν θα πρέπει να γίνει απόφαση εάν δεν μπορεί να επαληθευτεί από τα δεδομένα σας. «Το είπε η AI» δεν είναι δικαιολογία. «Το δοκίμασα με δεδομένα και επικυρώθηκε» είναι μια δικαιολογία.
Συνοπτικά
Η υποστήριξη αποφάσεων είναι η κλίμακα που μετατρέπει τα δεδομένα σε διορατικότητα: δεδομένα, πληροφορίες, διορατικότητα, απόφαση. Το AI είναι πολύ γρήγορο στα δύο πρώτα βήματα, καλός βοηθός στο τρίτο και απλώς πάροχος επιλογών στο τέταρτο. Κοιτάξτε τις αναλύσεις, όχι τους συνολικούς αριθμούς. Μην μπερδεύετε τη συσχέτιση με την αιτιότητα. Δείτε τους λόγους που προτείνει το AI ως υποθέσεις προς δοκιμή. Η σταδιακή σκέψη δίνει πιο ακριβή αποτελέσματα. Η τελική απόφαση είναι του διαχειριστή που βασίζεται σε επικυρωμένη γνώση.
Εργασία εφαρμογής
Προετοιμάστε ένα ανώνυμο σύνολο δεδομένων από την επιχείρησή σας (π.χ. πωλήσεις βάσει κατηγορίας για τους τελευταίους 6 μήνες). Ζητήστε από το AI να εκτελέσει μια ανάλυση τμήματος με το πρότυπο "Ανάλυση ανάλυσης" παραπάνω. Δημιουργήστε μια υπόθεση χρησιμοποιώντας το πρότυπο "Δοκιμή συσχέτισης-αιτιότητας" για τη μεγαλύτερη αλλαγή που βρήκατε και σημειώστε πώς θα ελέγξετε αυτήν την υπόθεση στο πεδίο σε 3 στοιχεία.
λίστα ελέγχου
- [ ] Έχω ανωνυμοποιήσει τα δεδομένα;
- [ ] Κοίταξα την ανάλυση (τμήμα) και όχι το σύνολο;
- [ ] Αντιμετώπισα τον λόγο που πρότεινε η AI ως υπόθεση;
- [ ] Έχω ρυθμίσει τις συγκρίσεις αρκετά (κανονικοποιημένες);
- [ ] Πήρα την απόφαση μόνος μου βάσει επαληθευμένων πληροφοριών;