Κέρδη:
- Δυνατότητα επεξήγησης επιπέδων επιχειρηματικής ευφυΐας (πηγή, ETL, αποθήκη δεδομένων, αναφορά) και ο σωστός ορισμός βασικών επιχειρηματικών μετρήσεων (KPI).
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για παραγωγή μετρικού ορισμού, προσχέδιο SQL και αφήγηση αναφοράς και παροχή του αποτελέσματος με πραγματικά δεδομένα
- Ικανότητα αναγνώρισης κινδύνων σύγχυσης συσχέτισης-αιτιότητας και παραπλανητικών μετρήσεων σε αποτελέσματα ανάλυσης που υποστηρίζονται από AI
Η επιχειρηματική ευφυΐα (BI) είναι ο κλάδος που συλλέγει τα διασκορπισμένα δεδομένα του οργανισμού, τον καθιστά έτοιμο για ανάλυση και παράγει πληροφορίες που υποστηρίζουν αποφάσεις από αυτά τα δεδομένα. Για έναν επαγγελματία MIS, το BI είναι το επίπεδο όπου "τα δεδομένα μετατρέπονται σε αποφάσεις". Οι πρωτογενείς εγγραφές παραγγελιών από μόνες τους δεν έχουν νόημα. αλλά "σε ποια περιοχή μειώθηκε ο τζίρος αυτόν τον μήνα, γιατί;" Παράγει αξία όταν γίνεται μια αναφορά που μπορεί να απαντήσει στην ερώτηση. Σε αυτή την ενότητα, θα δούμε τα επίπεδα του BI, τον σωστό μετρικό σχεδιασμό και όπου η τεχνητή νοημοσύνη είναι επιταχυντής και παγίδα σε αυτή τη διαδικασία.
Η αρχιτεκτονική BI αποτελείται γενικά από τα ακόλουθα επίπεδα. Συστήματα πηγής: Μέρη από όπου προέρχονται τα δεδομένα, όπως ERP, CRM, ηλεκτρονικό εμπόριο. Διεργασία ETL (English Extract-Transform-Load): Η διαδικασία που εξάγει τα δεδομένα από τις πηγές (Extract), τα καθαρίζει και τα μετατρέπει σε μια τυπική δομή (Transform) και τα φορτώνει στον στόχο (Load). Αποθήκη δεδομένων: Ένα κεντρικό αποθετήριο όπου συλλέγονται ιστορικά και συνεπή δεδομένα σχεδιασμένα για ανάλυση. Επίπεδο αναφοράς/οπτικοποίησης: πίνακες εργαλείων, αναφορές και ερωτήματα ad-hoc. Σε αυτή την αλυσίδα, η ποιότητα κάθε στρώματος καθορίζει το επόμενο. Εάν η πηγή είναι βρώμικη, η αναφορά είναι επίσης βρώμικη.
Σωστός ορισμός μετρήσεων και KPI
Μια μέτρηση είναι μια μετρούμενη αριθμητική τιμή: συνολικός κύκλος εργασιών, αριθμός παραγγελιών. Ένας KPI (Key Performance Indicator) είναι μια κρίσιμη μέτρηση που μετρά την απόδοση σε σχέση με έναν στόχο: "μηνιαίο ποσοστό απόκλισης πελατών κάτω από 5%". Δεν είναι κάθε μέτρηση KPI. Ο KPI είναι μια μέτρηση που συνδέεται με έναν επιχειρηματικό στόχο και ενεργοποιεί μια απόφαση.
Το πιο ύπουλο πρόβλημα των έργων BI είναι ο αόριστος ορισμός των μετρήσεων. Τι σημαίνει «ενεργός πελάτης»; Παραγγελία τις τελευταίες 30 ημέρες ή 90 ημέρες; Υπολογίζονται οι επιστρεφόμενοι; Εάν δύο ομάδες εννοούν διαφορετικά πράγματα με τον όρο "αριθμός ενεργών πελατών", ο ίδιος πίνακας εργαλείων εμφανίζει δύο διαφορετικά γεγονότα. Γι' αυτό κάθε KPI θα πρέπει να έχει έναν ορισμό μιας πρότασης, ευρέως αποδεκτό. Η τεχνητή νοημοσύνη παράγει γρήγορα προσχέδια αυτών των ορισμών. αλλά εναπόκειται στην επιχειρηματική μονάδα να αποφασίσει ποιος ορισμός είναι "σωστός".
Συμβουλή: Κατά το σχεδιασμό ενός KPI, σημειώστε τρία πράγματα: (1) τύπος (τι ακριβώς είναι ο αριθμητής/παρονομαστής), (2) το χρονικό παράθυρο, (3) οι εξαιρούμενες περιπτώσεις. Το να λέει η τεχνητή νοημοσύνη "εξάγει τις ασάφειες στον ορισμό αυτού του KPI ως ερωτήσεις" αποκαλύπτει κρυφές υποθέσεις.
Βήμα προς βήμα: Δημιουργία αναφορών με τροφοδοσία AI
Βήμα 1 — Διευκρινίστε την ερώτηση. Ποια απόφαση θα εξυπηρετήσει η έκθεση; Ένας συγκεκριμένος στόχος του τύπου «θα αποφασίσουμε σε ποια περιοχή θα μεταφέρουμε τον προϋπολογισμό», όχι «θα πρέπει να φαίνεται ωραίο».
Βήμα 2 — Ορίστε μετρήσεις. Γράψτε τα απαιτούμενα KPI με τύπους, παράθυρα και εξαιρέσεις. Η τεχνητή νοημοσύνη μπορεί να παράγει προσχέδια ορισμών.
Βήμα 3 — Δημιουργήστε πρόχειρο SQL. Δώστε πληροφορίες σχήματος στην τεχνητή νοημοσύνη και δημιουργήστε ένα προσχέδιο ερωτήματος. Αλλά διαβάστε και κατανοήστε το ερώτημα πριν το εκτελέσετε.
Βήμα 4 — Επαλήθευση με μικρά δεδομένα. Εκτελέστε το ερώτημα πρώτα σε ένα μικρό δείγμα με γνωστά αποτελέσματα. Ελέγξτε τα σύνολα με μη αυτόματο τρόπο. Η SQL του AI μπορεί να είναι συντακτικά σωστή αλλά λογικά λανθασμένη.
Βήμα 5 — Προσθέστε αφήγηση, δοκιμάστε αξιώσεις. Η τεχνητή νοημοσύνη μπορεί να παράγει ένα αφηγηματικό κείμενο για την έκθεση. αλλά να αποδείξει κάθε αιτιώδη ισχυρισμό («γι' αυτό έπεσαν οι πωλήσεις»).
Η παγίδα συσχέτισης και αιτιότητας
Το πιο επικίνδυνο λάθος στο BI είναι η ερμηνεία δύο μετρήσεων που λειτουργούν μαζί ως "η μία δημιουργεί την άλλη". Η συσχέτιση είναι όταν δύο τιμές αλλάζουν μαζί. Η αιτιότητα είναι όταν το ένα προκαλεί το άλλο. Η πρόταση "Καθώς αυξήθηκαν οι πωλήσεις παγωτού, αυξήθηκαν οι περιπτώσεις πνιγμού" είναι αλήθεια, αλλά το παγωτό δεν προκαλεί πνιγμό. Η κοινή αιτία είναι το καλοκαίρι (ζεστός καιρός). Η τεχνητή νοημοσύνη μπορεί εύκολα να συντάξει αιτιολογικές προτάσεις κατά την παραγωγή μιας αφήγησης αναφοράς. Ο εμπειρογνώμονας του MIS απαντά σε αυτούς τους ισχυρισμούς ρωτώντας "υπάρχει κάποια άλλη εξήγηση;" Θα πρέπει να το δοκιμάσει. Διαφορετικά, η λάθος απόφαση θα ληφθεί με βάση τον λάθος λόγο.
Τρεις μίνι θήκες: με τους αριθμούς
Περίπτωση 1 — Κόστος απροσδιόριστης μέτρησης. Σε μια εταιρεία τηλεπικοινωνιών, ο αριθμός των «ενεργών συνδρομητών» που παρουσιάστηκαν στο διοικητικό συμβούλιο ήταν 2,1 εκατομμύρια και η έκθεση της οικονομικής ομάδας ήταν 1,7 εκατομμύρια. Η διαφορά ήταν ότι ο ένας μέτρησε 90 ημέρες ως «ενεργές» ενώ ο άλλος μέτρησε 30 ημέρες. Ο λανθασμένος ρυθμός ανάπτυξης συζητήθηκε για δύο εβδομάδες μέχρι να διευκρινιστεί ο κοινός ορισμός. Ένας ορισμός KPI μιας πρότασης θα αποφύγει αυτή τη σύγχυση.
Περίπτωση 2 — Λανθασμένη SQL του AI. Σε έναν πωλητή λιανικής, η τεχνητή νοημοσύνη πρόσθεσε γραμμές επιστροφής στο σύνολο κατά τη δημιουργία του ερωτήματος "μέσο καλάθι ανά πελάτη". Το αποτέλεσμα ήταν 12% πάνω από την πραγματική τιμή. Η SQL ήταν συντακτική τέλεια. Όταν ο ειδικός επαλήθευσε με μη αυτόματο τρόπο το σύνολο μιας γνωστής ημέρας, αντιλήφθηκε την απόκλιση και προστέθηκε το φίλτρο επιστροφών.
Περίπτωση 3 — Πλάνη αιτιότητας. Σε μια εταιρεία ηλεκτρονικού εμπορίου, ο πίνακας ελέγχου έλεγε "οι πωλήσεις είναι 18% υψηλότερες τις ημέρες που αποστέλλεται μια καμπάνια ηλεκτρονικού ταχυδρομείου" και η ομάδα επρόκειτο να αυξήσει τον προϋπολογισμό της καμπάνιας. Η ανάλυση έδειξε ότι οι καμπάνιες είχαν ήδη προγραμματιστεί ώστε να συμπίπτουν με ημέρες καμπάνιας υψηλής επισκεψιμότητας (περίοδοι εκπτώσεων). Ήταν η περίοδος, όχι το email, που οδήγησε τις πωλήσεις. Εάν ο προϋπολογισμός αυξανόταν χωρίς δοκιμές με ομάδα ελέγχου, τα χρήματα θα πήγαιναν χαμένα.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Γράψτε την αναφορά πωλήσεων SQL από αυτόν τον πίνακα.
Ισχυρή προτροπή:
Ο ρόλος σας: Είστε προσεκτικός αναλυτής BI. Γράψτε ένα ΣΧΕΔΙΟ ερωτήματος SQL σύμφωνα με το παρακάτω διάγραμμα. Κανόνες: - Χρησιμοποιήστε μόνο τους δεδομένους πίνακες/πεδία. μη προσαρμοσμένο πεδίο.- EXCLUDE επιστρέφει (status='Return') από το σύνολο.- Χρονικό παράθυρο: τελευταίες 30 ημέρες.- Σχολιάστε γραμμή προς γραμμή τι κάνει το ερώτημα.- Πρότεινε 1 δείγμα γραμμής που μπορεί να επικυρωθεί χειροκίνητα για δοκιμή στο τέλος. Σχήμα: Order(id, customer_id, date, ποσό, idnet status, namednet, status) πελάτης ανά τμήμα.
Η ισχυρή προτροπή περιορίζει το σχήμα, επιβάλλει τον επιχειρηματικό κανόνα (εξαιρουμένης της επιστροφής), καθορίζει το παράθυρο και ζητά μια επαληθεύσιμη έξοδο.
Τέσσερα αντιγράψιμα πρότυπα
1) Διευκρίνιση ορισμού KPI:
Γράψτε την πλήρη περιγραφή για τους ακόλουθους KPI: τύπος (αριθμητής/παρονομαστής), χρονικό παράθυρο, εξαιρούμενες περιπτώσεις. Προσθέστε οποιαδήποτε ασάφεια στον ορισμό ως ερώτηση.KPI: [όνομα, π.χ. "ποσοστό απόκλισης πελατών"]
2) Έλεγχος λογικής SQL:
Εξετάστε το ακόλουθο ερώτημα SQL: υπάρχει κίνδυνος λογικών σφαλμάτων, λανθασμένων JOIN, φίλτρων που λείπουν ή διπλής καταμέτρησης; Γράψτε μια αιτιολόγηση για κάθε εύρημα. Μην αλλάξετε το ερώτημα, απλώς ελέγξτε το. SQL: [ερώτημα]
3) Αναφορά αφήγησης + έλεγχος αξίωσης:
Γράψτε μια σύντομη εκτελεστική περίληψη από τον παρακάτω πίνακα αποτελεσμάτων. Επισημάνετε [ΑΠΑΙΤΟΥΝΤΑΙ ΑΠΟΔΕΙΞΕΙΣ] δίπλα σε κάθε αιτιώδη αξίωση και προτείνετε μια εναλλακτική εξήγηση. Απλά βασιστείτε στα δεδομένα του πίνακα. Πίνακας: [δεδομένα]
4) Έλεγχος μετρικής συνέπειας:
Στις δύο παρακάτω αναφορές, οι μετρήσεις με το ίδιο όνομα δίνουν διαφορετικές τιμές. Παρατίθενται οι πιθανές διαφορές στον ορισμό (χρονο παράθυρο, φίλτρο, υπολογισμός). Αναφορές: [A] [B]
Γράφημα σύγκρισης: Καλό και κακό KPI
χαρακτηριστικό
Κακός KPI
Καλό KPI
Περιγραφή
"Ενεργός πελάτης"
"Πελάτης με ≥1 ολοκληρωμένη παραγγελία τις τελευταίες 30 ημέρες"
δεσμός με στόχο
Κανένα
"Ποσοστό απώλειας κάτω του 5%"
μετρήσιμη
διφορούμενη
σαφής φόρμουλα
εξαίρεση
αβέβαιο
Εξαιρούνται οι επιστροφές
Πυροδοτεί μια απόφαση;
όχι
Ναι
Συνήθη λάθη
- Αφήνοντας τη μέτρηση απροσδιόριστη. Εάν λέξεις όπως "ενεργός", "επιτυχής", "ολοκληρώθηκε" χρησιμοποιούνται χωρίς τύπο, κάθε ομάδα μετράει διαφορετικά.
- Εκτέλεση της SQL του AI χωρίς επαλήθευση. Ένα συντακτικά σωστό ερώτημα μπορεί να είναι λογικά λανθασμένο. Η διπλή καταμέτρηση και η λανθασμένη ΣΥΝΔΕΣΗ είναι κοινά.
- Μπερδεμένη συσχέτιση με αιτιότητα. Η σκέψη ότι «αυξήθηκε με αυτό» σημαίνει ότι «αυτό προκάλεσε αυτό» θα οδηγούσε σε λάθος απόφαση.
- Ματαιομετρική επιδίωξη. Λάθος φανταχτερές αλλά μη καθοριστικές μετρήσεις, όπως "συνολικά κλικ" ως KPI.
- Παρουσίαση αριθμών χωρίς πλαίσιο. Ο "τζίρος 4,2 εκατ." μόνο δεν έχει νόημα. Απαιτείται το πλαίσιο με βάση τον προηγούμενο μήνα, τον στόχο ή τον προϋπολογισμό.
Προσοχή: Οι αφηγήσεις των αναφορών που παράγονται από την τεχνητή νοημοσύνη είναι πειστικές και ρευστές. Αυτό ακριβώς μεγεθύνει τον κίνδυνο. Μια άπταιστη πρόταση μπορεί να φέρει ψευδή ισχυρισμό αιτιότητας. Δοκιμάστε κάθε δήλωση «γιατί» και «άρα» με στοιχεία.
Συνοπτικά
Η επιχειρηματική ευφυΐα είναι το επίπεδο που μετατρέπει τα διάσπαρτα δεδομένα σε αποφάσεις και αποτελείται από πηγή, ETL, αποθήκη δεδομένων και αλυσίδα αναφορών. Ένας KPI είναι μια κρίσιμη μέτρηση που συνδέεται με έναν επιχειρηματικό στόχο, με έναν σαφώς καθορισμένο τύπο και εξαιρέσεις. Η απροσδιόριστη μέτρηση είναι το πιο συνηθισμένο σφάλμα BI. Η τεχνητή νοημοσύνη παρέχει σημαντική ταχύτητα στην παραγωγή ορισμού KPI, προσχέδιο SQL και αφήγησης αναφοράς. αλλά κάθε SQL πρέπει να αιτιολογείται λογικά, κάθε αριθμός πρέπει να υποστηρίζεται από γνωστά δεδομένα και κάθε αιτιώδης αξίωση πρέπει να ελέγχεται με στοιχεία. Η συσχέτιση δεν είναι αιτιότητα. Η ρευστή αφήγηση δεν εγγυάται την ακρίβεια.
Εργασία εφαρμογής
Σχεδιάστε έναν «ποσοστό ολοκλήρωσης» KPI για μια διαδικτυακή πλατφόρμα μαθημάτων. (1) Γράψτε μια περιγραφή μιας πρότασης με τύπο, χρονικό παράθυρο και εξαιρέσεις (π.χ. υπολογίζονται οι ακυρωμένες εγγραφές;). (2) Δημιουργήστε ένα απλό σχήμα (Εγγραφή, Πορεία, Πρόοδος) και δημιουργήστε το προσχέδιο SQL για αυτό το KPI με μια ισχυρή προτροπή. (3) Βρείτε τουλάχιστον έναν πιθανό κίνδυνο διπλής καταμέτρησης ή λανθασμένου φιλτραρίσματος στο ερώτημα. (4) Εκτυπώστε μια συνοπτική περίληψη του συμπεράσματος και σημειώστε κάθε αιτιώδη αξίωση σε αυτήν. (5) Δημιουργήστε ένα παράδειγμα της παγίδας συσχέτισης-αιτιότητας και εξηγήστε πώς θα τη δοκιμάσατε.
λίστα ελέγχου
- [ ] Γράφεται ο τύπος, το χρονικό παράθυρο και η εξαίρεση κάθε KPI.
- [ ] Διάβασα και κατάλαβα την SQL που δημιουργείται από το AI γραμμή προς γραμμή.
- [ ] Επικύρωσα μη αυτόματα το ερώτημα με ελάχιστα γνωστά δεδομένα.
- [ ] Δοκίμασα κάθε αιτιώδη ισχυρισμό στην αναφορά με στοιχεία.
- [ ] Προσδιόρισα κάθε αριθμό με ένα σημείο αναφοράς (στόχος/τελευταία περίοδος).
- [ ] Πέτυχα συναίνεση μεταξύ ομάδων σχετικά με τους μετρικούς ορισμούς.