Ganancias:
- Capacidad para producir conocimientos orientados a la toma de decisiones a partir de datos dispersos mediante la comprensión de la escalera de datos, información, conocimientos y decisiones y la ejecución de inteligencia artificial paso a paso.
- Capacidad para revelar la verdad oculta por los números totales a través del desglose de segmentos y distinguir la correlación de la causalidad.
- Capacidad para tratar las razones sugeridas por la inteligencia artificial como hipótesis a probar y basar la decisión final en conocimientos verificados.
Cada día llegan al escritorio de un gerente decenas de números: cifras de ventas, costos, quejas de los clientes, niveles de inventario, tasas de rotación de empleados. Pero el número por sí solo no es la decisión. La decisión comienza con ver el significado del número. "Las ventas han bajado un 8 por ciento en comparación con el mes pasado" es un hecho; "La disminución de las ventas se debe a que dos grandes clientes de la región del Egeo pospusieron sus pedidos", se puede ver. En este caso, el apoyo a las decisiones (el proceso que hace que los datos sean significativos para que el gerente tome mejores decisiones) es el puente que convierte los datos en conocimiento. En esta unidad, aprenderemos cómo usar la IA en este puente. El límite es claro desde el principio: la IA produce borradores de ideas; El gerente decide qué percepción es real y qué hacer.
Cuatro pasos de los datos al conocimiento
El apoyo a las decisiones es una escalera. Primer dígito: datos: números brutos (este mes llegaron 1.240 pedidos). Segundo dígito: información: números editados y comparados (un 8 por ciento menos que el mes pasado). Tercer nivel: conocimiento: comprensión del motivo del rechazo (retraso de dos clientes importantes). Paso cuatro: decisión: qué hacer (entrevistar a estos clientes y dirigirse a nuevos clientes). La IA es muy rápida en el primer y segundo paso, es de gran ayuda en el tercero y sólo ofrece opciones en el cuarto.
Conocer esta escalera es importante porque la mayoría de los gerentes le piden directamente a la IA que “decida por mí” y se frustran. Sin embargo, si lleva a cabo la IA paso a paso (primero resume, luego compara, luego cuestiona las posibles razones y finalmente toma la decisión usted mismo), será rápido y confiable.
Pista: Pregúntele a la IA “¿qué infiere de estos datos?” En lugar de preguntar todo de una vez, proceda paso a paso diciendo "primero resuma, luego muestre los 3 cambios más notables y luego sugiera 2 posibles razones para cada uno". El pensamiento gradual da resultados más precisos.
La trampa de la correlación y la causalidad
El error más peligroso del apoyo a las decisiones es confundir correlación con causalidad. La correlación se produce cuando dos cosas van juntas (las ventas de helados y los ahogamientos aumentan juntas en el verano). La causalidad es cuando uno lleva al otro (el helado no causa asfixia; el clima cálido es la causa común). La IA es muy buena para encontrar cosas que se mueven juntas en tus datos, pero no puede decir cuál es la causa real. Decir "El gasto en publicidad aumentó y las ventas aumentaron" no prueba que la publicidad haya aumentado las ventas; Quizás ambos se vieron afectados por la temporada festiva.
Entonces, cuando la IA sugiera una razón, trátela como una hipótesis (una suposición que debe probarse), no como un hecho. "¿Cómo pruebo esto?" preguntar. Un buen directivo prueba el motivo que sugiere la IA en el campo o con datos.
tres mini casos
Caso 1: Atrapando la caída secreta. En una empresa de comercio electrónico, la facturación total parecía estable, nadie se alarmó. El gerente proporciona los datos mensuales anónimos a AI y pregunta: "¿Qué segmento está creciendo y cuál se está reduciendo por categoría?". preguntó. YZ demostró que, si bien la facturación total se mantuvo constante, la categoría de productos electrónicos de alta rentabilidad en realidad cayó un 22 por ciento, y las ventas de accesorios de baja rentabilidad enmascararon esto. El directivo lo confirmó y se centró en la categoría de electrónica. El número total había sido ocultado; La ruptura reveló la verdad.
Caso 2: Correr hacia la causa equivocada. El gerente de una cadena de cafeterías proporcionó datos de ventas a AI. "Las ventas del fin de semana se mueven con la temperatura del tiempo", dijo YZ. El gerente interpretó esto como "el clima cálido aumenta las ventas" y bajó el volumen del aire acondicionado. Sin embargo, la verdadera razón fue el aumento del tráfico de clientes durante el fin de semana; La temperatura casualmente se movió en la misma dirección. El gerente confundió correlación con causalidad. Aprendió la lección y puso a prueba todas las razones de ahora en adelante.
Caso 3: Establecer la comparación correctamente. Se comparó la eficiencia de dos fábricas en una empresa de producción. El gerente pregunta a la IA: "¿Es la fábrica A más eficiente que la B?" preguntó, pero la IA no sabía que la fábrica A era más nueva y más pequeña. El gerente corrigió el mensaje: "compare el rendimiento por unidad, teniendo en cuenta la diferencia de tamaño y edad". Esta vez el análisis fue justo y se reveló la verdadera diferencia.
Cuatro plantillas copiables
1) Extracción de información paso a paso:
Su función: analista de negocios que asiste al gerente. Utilice los datos anónimos adjuntos (período, categoría, ventas, costo). Proceda paso a paso: 1) Resuma los datos en 4 ítems. 2) Muestra los 3 cambios más notables respecto al último período. 3) Sugiera hasta 2 POSIBLES razones para cada cambio y establezca que estas son hipótesis y se necesita evidencia. No inventes números que no existan en los datos que proporciono.
2) Análisis de desglose (segmento):
Incluso si las cifras totales parecen estables, quiero saber qué está pasando dentro. Divida los datos adjuntos por categoría/región/segmento de clientes. Muestre en una tabla qué segmento está creciendo y cuál está disminuyendo. Destacan especialmente los reveses que enmascaran el total.
3) Prueba de correlación-causalidad:
Encontré esta relación: [A y B se mueven juntos]. Ayúdame a discernir si esto es verdadera causa y efecto o simplemente una acción conjunta. Enumere posibles causas COMUNES y sugiera 3 comprobaciones prácticas que puedo hacer para probar esta relación.
4) Generación de opciones de decisión:
Confirmé esta idea: [insight].NO decidas por mí; en su lugar, genere 3 opciones de acción diferentes. Para cada opción: beneficio esperado, costo/esfuerzo estimado, riesgo importante y qué situación debería preferirse. Presentar las opciones de forma neutral; No impongas a alguien.
Aviso débil / Aviso fuerte
Aviso débil:
¿Por qué cayeron las ventas?
Sin datos, sin período, sin contexto. La IA enumera razones generales (economía, competición, temporada); Ninguno de ellos es específico de su situación y no se puede verificar.
Potente mensaje:
Su función: analista minorista. Utilice los datos anónimos de 6 meses adjuntos (mes, región, categoría, número de ventas, facturación). La facturación total disminuyó un 8% en el último mes. Desglose esto por región y categoría; Descubra de qué segmento proviene la caída. Propone hasta 2 hipótesis comprobables por cada descenso que encuentre. Sólo usa los números que te di.
Tamaño
mal enfoque
Enfoque fuerte
Datos
Ninguno
Anónimo y adjunto
Pregunta
El general “¿por qué?”
Refractado y enfocado
salida
Razones generales
Hipótesis comprobables
Verificabilidad
bajo
alto
valor de decisión
menos
alto
Errores comunes
- Confiando en el número total. Si bien el total es constante, puede haber grandes cambios en el interior; Asegúrate de mirar el desglose.
- Confundir correlación con causalidad. Considere la relación que encuentra la IA como una hipótesis que debe probarse, no como una evidencia.
- Comparación injusta. No compare unidades de diferentes tamaños/edades/condiciones sin normalizarlas.
- Solicitar decisiones directamente a la IA. La IA genera opciones; Tú tienes la decisión y la responsabilidad.
- Sacar conclusiones con datos de un solo período. Se requieren suficientes datos históricos para establecer tendencias.
Precaución: No importa cuán inteligente parezca una idea, no debería convertirse en una decisión si no se puede verificar a partir de sus datos. “La IA lo dijo” no es una justificación; "Lo probé con datos y quedó validado" es una justificación.
En resumen
El apoyo a las decisiones es la escalera que convierte los datos en conocimiento: datos, información, conocimiento, decisión. La IA es muy rápida en los dos primeros pasos, una buena ayuda en el tercero y solo un proveedor de opciones en el cuarto. Mire los desgloses, no las cifras totales; No confunda correlación con causalidad; Vea las razones que sugiere la IA como hipótesis a probar. El pensamiento gradual da resultados más precisos. La decisión final la toma el gerente basándose en conocimientos validados.
Tarea de aplicación
Prepare un conjunto de datos anónimos de su empresa (por ejemplo, ventas basadas en categorías durante los últimos 6 meses). Haga que AI realice un desglose de segmentos con la plantilla "Análisis de desgloses" anterior. Cree una hipótesis utilizando la plantilla "Prueba de correlación-causalidad" para el cambio más grande que encontró y escriba cómo probará esta hipótesis en el campo en 3 elementos.
lista de verificación
- [ ] ¿He anonimizado los datos?
- [ ] ¿Miré el desglose (segmento) en lugar del total?
- [] ¿Traté el motivo sugerido por la IA como una hipótesis?
- [] ¿He configurado las comparaciones de manera justa (normalizadas)?
- [] ¿Tomé la decisión yo mismo basándome en información verificada?