Kasu:
- Võimalus luua hajutatud andmete põhjal otsustele orienteeritud ülevaade, mõistes andme-teabe-ülevaate-otsustusredelit ja rakendades tehisintellekti samm-sammult
- Võimalus paljastada koguarvudega peidetud tõde segmentide jaotuse kaudu ja eristada korrelatsiooni põhjuslikust seosest
- Oskus käsitleda tehisintellekti pakutud põhjusi kui hüpoteesid, mida tuleb testida ja rajada lõplik otsus kontrollitud arusaamadele
Iga päev jõuab juhi lauale kümneid numbreid: müüginäitajad, kulud, klientide kaebused, laoseisud, töötajate voolavus. Kuid arv üksi ei ole otsus. Otsus algab numbri sees tähenduse nägemisest. "Müük on eelmise kuuga võrreldes langenud 8 protsenti" on antud; "Müügi vähenemine on tingitud kahe Egeuse mere piirkonna suurkliendi tellimuste edasilükkamisest" on ülevaade. Siin on otsuste tugi – protsess, mis muudab andmed haldurile paremate otsuste tegemiseks tähendusrikkaks – sild, mis muudab andmed ülevaateks. Selles üksuses õpime, kuidas sellel sillal AI-d kasutada. Piir on algusest peale selge: tehisintellekt loob ülevaateteave; Juht otsustab, milline arusaam on tõeline ja mida teha.
Neli sammu andmetest ülevaateni
Otsuste toetamine on redel. Esimene number — andmed: töötlemata numbrid (sel kuul saabus 1240 tellimust). Teine number – teave: muudetud, võrreldud numbrid (8 protsenti vähem kui eelmisel kuul). Kolmas tase – ülevaade: languse põhjuse mõistmine (kahe suurema kliendi viivitus). Neljas samm – otsus: mida teha (intervjueerige neid kliente ja sihtige uusi kliente). Tehisintellekt on esimesel ja teisel sammul väga kiire, kolmandal on hea abimees, valikuvõimalusi pakub vaid neljandal.
Selle redeli tundmine on oluline, sest enamik juhte palub otse tehisintellektil "minu eest otsustada" ja on pettunud. Kui aga teostate tehisintellekti samm-sammult – esmalt teete kokkuvõtte, siis võrdlete, seejärel küsite võimalikke põhjuseid ja lõpuks teete otsuse ise – olete nii kiire kui ka usaldusväärne.
Vihje: küsige tehisintellektilt "mida te nendest andmetest järeldate?" Selle asemel, et küsida kõike korraga, jätkake samm-sammult, öeldes "esmalt tehke kokkuvõte, seejärel näidake 3 kõige olulisemat muudatust ja seejärel soovitage igaühe jaoks 2 võimalikku põhjust." Järkjärguline mõtlemine annab täpsemaid tulemusi.
Korrelatsiooni ja põhjuslikkuse lõks
Otsuste toetamise kõige ohtlikum lõks on korrelatsiooni segamine põhjuslikkusega. Korrelatsioon on see, kui kaks asja liiguvad koos (jäätise müük ja uppumised suurenevad suvel koos). Põhjuslik seos on see, kui üks viib teiseni (jäätis ei põhjusta lämbumist, kuum ilm on tavaline põhjus). AI suudab väga hästi leida asju, mis teie andmetes koos liiguvad, kuid see ei suuda kindlaks teha, mis on tegelik põhjus. Öeldes "reklaamikulud suurenesid ja müük kasvas" ei tõesta, et reklaam suurendas müüki; võib-olla mõjutas pidude aeg mõlemat.
Seega, kui tehisintellekt soovitab põhjust, käsitlege seda hüpoteesina (eeldusena, mis vajab tõestamist), mitte kui fakti. "Kuidas ma seda testin?" küsi. Hea juht testib tehisintellekti soovitatud põhjust põllul või andmetega.
kolm minikarpi
Juhtum 1 – salajase kukkumise tabamine. Ühes e-kaubandusega tegelevas ettevõttes tundus kogukäive stabiilne, keegi ei ehmatanud. Juht annab tehisintellektile igakuised anonüümsed andmed ja küsib: "Milline segment kasvab ja milline kahaneb kategooriapõhiselt?" küsis ta. YZ näitas, et kuigi kogukäive oli püsiv, langes suure kasumiga elektroonika kategooria tegelikult 22 protsenti, madala kasumiga tarvikute müük varjab seda. Juht kinnitas seda ja keskendus elektroonikakategooriale. Koguarv oli varjatud; Vaheaeg paljastas tõe.
Juhtum 2 – jooksmine vale põhjuse poole. Ühe kohvikuketi juht andis tehisintellektile müügiandmed. "Nädalavahetuse müük liigub koos ilmatemperatuuriga," ütles YZ. Juhataja luges seda nii, et "kuum ilm suurendab müüki" ja lülitas konditsioneerid maha. Tegelikuks põhjuseks oli aga nädalavahetusel suurenenud kliendiliiklus; Temperatuur liikus juhuslikult samas suunas. Juht pidas korrelatsiooni põhjuslikuks seoseks. Ta õppis oma õppetunni ja testis nüüdsest kõiki põhjuseid.
3. juhtum – võrdluse õige loomine. Võrreldi kahe tehase efektiivsust tootmisettevõttes. Juht küsib tehisintellektilt: "Kas tehas A on tõhusam kui B?" küsis ta, kuid AI ei teadnud, et tehas A on uuem ja väiksem. Juht parandas viipa: "võrdle ühiku saagikust, võttes arvesse suurust ja vanusevahet." Seekord oli analüüs aus ja tegelik erinevus selgus.
Neli kopeeritavat malli
1) Järkjärguline ülevaate eraldamine:
Sinu roll: juhti abistav ärianalüütik. Kasutage lisatud anonüümseid andmeid (periood, kategooria, müük, maksumus). Jätkake samm-sammult: 1) Võtke andmed kokku 4 üksusena. 2) Näidake 3 kõige märkimisväärsemat muudatust võrreldes eelmise perioodiga. 3) Pakkuge iga muudatuse kohta välja kuni 2 VÕIMALIKKU põhjust ja kinnitage, et need on hüpoteesid ja vaja on tõendeid. Ärge mõelge välja numbreid, mida minu esitatud andmetes pole.
2) Jaotuse (segmendi) analüüs:
Isegi kui koguarvud tunduvad stabiilsed, tahan ma teada, mis sees toimub. Jagage lisatud andmed kategooria/piirkonna/kliendisegmendi kaupa. Näidake tabelis, milline segment kasvab ja milline kahaneb. Märgistage eriti tagasikäigud, mis varjavad kogusummat.
3) Korrelatsiooni-põhjusliku seose test:
Leidsin sellise seose: [A ja B liiguvad koos]. Aidake mul aru saada, kas see on tõeline põhjus ja tagajärg või lihtsalt koos tegutsemine. Loetlege võimalikud SAGELIKUD põhjused ja soovitage 3 praktilist kontrolli, mida saan selle seose testimiseks teha.
4) Otsustusvõimaluste genereerimine:
Ma kinnitasin seda arusaama: [insight].ÄRA otsusta minu eest; selle asemel looge 3 erinevat toiminguvalikut. Iga variandi puhul: oodatav kasu, hinnanguline kulu/koormus, suur risk ja millist olukorda tuleks eelistada. Esitage valikud neutraalselt; ära suru kedagi peale.
Nõrk viip / Tugev viip
Nõrk viip:
Miks müük langes?
Pole andmeid, pole perioodi ega konteksti. AI loetleb üldised põhjused (majandus, konkurents, hooaeg); Ükski neist pole teie olukorrale spetsiifiline ja seda ei saa kontrollida.
Võimas viip:
Teie roll: jaemüügianalüütik. Kasutage lisatud anonüümseid 6 kuu andmeid (kuu, piirkond, kategooria, müükide arv, käive). Kogukäive vähenes eelmisel kuul 8%. Jaotage see piirkondade ja kategooriate kaupa; saate teada, millisest segmendist langus pärineb. Pakkuge välja kuni 2 testitavat hüpoteesi iga leitud languse kohta. Kasutage lihtsalt numbreid, mille ma teile andsin.
Suurus
halb lähenemine
Tugev lähenemine
Andmed
Mitte ühtegi
Anonüümne ja lisatud
küsimus
Üldine "miks?"
Murdunud ja keskendunud
väljund
Üldised põhjused
Kontrollitavad hüpoteesid
Kontrollitavus
madal
kõrge
otsuse väärtus
Vähem
kõrge
Levinud vead
- Tuginedes koguarvule. Kuigi kogusumma on konstantne, võib sees olla suuri pöördumisi; Vaadake kindlasti jaotust.
- Põhjusliku seose eksimine. Vaadake tehisintellekti leitud seost kui hüpoteesi, mida tuleb testida, mitte kui tõendusmaterjali.
- Ebaõiglane võrdlus. Ärge võrrelge erineva suuruse/vanuse/seisundiga ühikuid neid normaliseerimata.
- Otsuste taotlemine otse tehisintellektilt. AI genereerib valikuid; Teie kannate otsust ja vastutust.
- Järelduste tegemine ühe perioodi andmetega. Trendide näitamiseks on vaja piisavalt ajaloolisi andmeid.
Ettevaatust. Ükskõik kui nutikas ülevaade tundub, ei tohiks see muutuda otsuseks, kui seda ei saa teie andmete põhjal kontrollida. "AI ütles nii" ei ole õigustus; "Katsetasin andmetega ja see kinnitati" on põhjendus.
Kokkuvõttes
Otsuste tugi on redel, mis muudab andmed ülevaateks: andmed, teave, arusaam, otsus. AI on kahes esimeses etapis väga kiire, kolmandas hea abimees ja neljandas lihtsalt optsioonipakkuja. Vaadake jaotusi, mitte koguarvu; Ärge ajage korrelatsiooni ekslikult põhjuslikuks; Vaadake AI soovitatud põhjuseid kui hüpoteese, mida tuleb testida. Järkjärguline mõtlemine annab täpsemaid tulemusi. Lõpliku otsuse teeb juht kinnitatud arusaamade põhjal.
Rakenduse ülesanne
Valmistage ette oma ettevõttest anonüümne andmekogum (nt kategooriapõhine müük viimase 6 kuu jooksul). Laske tehisintellektil teha segmendi jaotus ülaltoodud malliga „Jaotuse analüüs”. Looge suurima leitud muudatuse jaoks hüpotees, kasutades malli "Korrelatsiooni-põhjusliku seose test" ja kirjutage kolmes punktis üles, kuidas seda hüpoteesi välitingimustes testite.
kontrollnimekiri
- [ ] Kas olen muutnud andmed anonüümseks?
- [ ] Kas ma vaatasin pigem jaotust (segmenti), mitte kogusummat?
- [ ] Kas ma käsitlesin tehisintellekti pakutud põhjust hüpoteesina?
- [ ] Kas ma olen võrdlused õigesti seadistanud (normaliseeritud)?
- [ ] Kas ma tegin otsuse ise, tuginedes kontrollitud arusaamadele?