ساختار مسئله: درخت فرضیه، MECE و پرسیدن سوال درست — هوش مصنوعی در مشاوره مدیریت

سود:

توانایی تبدیل یک سوال مبهم مشتری به یک بیان مسئله واضح و قابل حل و ایجاد درخت فرضیه MECE (درخت مسئله) با هوش مصنوعی
توانایی استفاده از هوش مصنوعی برای ایجاد فرضیه و تشخیص نقاط کور و تصمیم گیری با قضاوت شخصی که کدام فرضیه ابتدا مورد آزمایش قرار می گیرد.
توانایی تشخیص و اجتناب از دام های رایج در ساختار مسئله (شاخه های متضاد، فرض راه حل از قبل، سوال اشتباه).

گران ترین اشتباه یک پروژه مشاوره، حل یک سوال اشتباه است. مشتری می پرسد "فروش ما در حال کاهش است، چه کنیم؟" می آید: اما سوال واقعی این است که "در کدام بخش، چرا و چه مقدار از آن تحت کنترل ما است؟" می تواند باشد. یک مشاور باتجربه با تعریف درست مشکل شروع می کند نه با جستجوی پاسخ. هوش مصنوعی شریک فکری کامل در این مرحله است: ده‌ها علت احتمالی، سؤال فرعی و فرضیه را در عرض چند دقیقه ایجاد می‌کند. اما تصمیم گیری در مورد اینکه کدام سوال سوال درست است نیاز به قضاوت دارد و این قضاوت با شماست.

در این بخش، دو ابزار را که ستون فقرات مشاوره با هوش مصنوعی هستند ترکیب خواهیم کرد: درخت فرضیه (درخت موضوع، نمودار درختی که یک مسئله را به سؤالات فرعی منشعب می‌کند) و اصل MECE (انحصاری متقابل، مجموعاً جامع - شاخه‌ها روی یکدیگر همپوشانی ندارند و با هم به طور کامل موضوع را پوشش می‌دهند).

از سوال مبهم تا مشکل قابل حل

یک بیان مسئله خوب شامل چهار چیز است: چه کسی (تصمیم گیرنده)، چه چیزی (تصمیم گیری)، معیارها (موفقیت با چه چیزی سنجیده می شود)، مرز (محدوده و مدت). "فروش در حال کاهش است" یک شکایت است. 3 اهرم موثری که در 12 ماه آینده گردش مالی در بخش B2B را با بودجه فعلی 10 درصد افزایش می دهد کدامند؟ بیان مشکل است شما می توانید این تحول را برای هوش مصنوعی ایجاد کنید، اما ابتدا باید وضعیت خام را به وضوح توضیح دهید.

نقش شما: مربی ساختاردهی مشکل برای مشاور مدیریت. من شکایت خام مشتری را به شما می دهم. وظیفه شما: 1) این را به یک بیان مسئله تک جمله ای و قابل اندازه گیری تبدیل کنید (باید شامل تصمیم گیرنده، تصمیم، معیارهای موفقیت، دامنه، مدت زمان باشد). شکایت خام: "[به قول مشتری...]"

نکته: بیانیه مشکل را برای مشتری بخوانید. "پس موفقیت برای شما افزایش 10٪ در گردش مالی B2B در 12 ماه است، درست است؟" همین یک جمله، مسیر پروژه و بحث بعدی «ما این را نمی‌خواستیم» از ابتدا مشخص می‌کند.

ساخت درخت فرضیه با هوش مصنوعی

هنگامی که مشکل روشن شد، آن را منشعب می کنید. ریشه درخت سوال اصلی است. شاخه ها محورهای پاسخ ممکن هستند. برگها فرضیه های قابل آزمایش هستند. به عنوان مثال، "چرا گردش مالی B2B افزایش نمی یابد؟" این سوال را می توان به دو شاخه اصلی تقسیم کرد: (1) جذب مشتری جدید ضعیف است، (2) درآمد مشتری موجود در حال کاهش است. هر شاخه به زیر شاخه های خود تقسیم می شود. درخت خوب MECE است.

نقش شما: کارشناس درخت فرضیه MECE. سوال اصلی: "[بیانیه مشکل]" وظیفه: این سوال را در بیش از 2 سطح تقسیم کنید. قوانین: - شاخه های سطح اول باید MECE باشند (بدون همپوشانی، بدون شکاف).- هر برگ باید یک جمله فرضیه قابل آزمایش داده باشد (به شکل "... زیرا ..."). فهرست bullet.Probe: در معرض خطر همپوشانی/شکاف تحت عنوان "ممیزی MECE" شاخه ها را علامت گذاری کنید.

هوش مصنوعی درختی با 15 فرضیه در 3 ثانیه به شما می دهد. اما کار شما به اینجا ختم نمی شود، بلکه شروع می شود: شما انتخاب می کنید که کدام شاخه ها واقعا MECE هستند، که محتمل ترین و آسان ترین فرضیه برای آزمایش است.

اولویت بندی: کدام فرضیه را ابتدا باید آزمایش کرد

زمانی برای آزمایش همه فرضیه ها وجود ندارد. از دو محور استفاده کنید: ضربه (اگر درست باشد چقدر به راه حل کمک می کند) و سهولت (تست سریع/ارزان است). آنهایی که تاثیر بالا + راحتی بالا دارند در اولویت هستند. به این کار "پیروزی سریع" می گویند.

فرضیه

اثر (1-5)

سهولت تست (1-5)

اولویت

قیمت گذاری از رقبا عقب تر است

قبل از

تیم فروش در B2B ناکافی است

سپس

یک شکاف ویژگی محصول وجود دارد

تحقیق کنید

آگاهی از برند پایین است

نگه دارید

شما می توانید هوش مصنوعی این ماتریس را پر کنید. اما امتیازات تاثیر و راحتی را با دانش صنعت خود مرور کنید. این مدل اغلب سهولت آزمایش را بیش از حد برآورد می کند.

نقش شما: تحلیلگر اولویت بندی لیست فرضیه های زیر را در یک ماتریس تاثیر-سهولت قرار دهید. برای هر فرضیه: تأثیر (1-5)، سهولت آزمایش (1-5)، منبع داده واحد مورد نیاز، توصیه (قبل/بعد/بررسی/توقف). قوانین: امتیاز سهولت را خوش بینانه بدهید، منطق بنویسید. 2 فرضیه را با بیشترین ضریب "تاثیر × سهولت" برجسته کنید. فرضیه ها: [فهرست]

سه کیف کوچک

مورد 1 - سوال اشتباه تصحیح شد. یک خرده فروشی زنجیره ای پرسید: نرخ جابجایی کارمندان بالاست، آیا باید حقوق را افزایش دهیم؟ او می پرسد. مشاور چارچوب مشکل را با هوش مصنوعی باز می کند. این مدل سه فرض ضمنی را نشان می‌دهد: پرداخت مشکل است، گردش مالی در همه فروشگاه‌ها یکسان است و پرداخت راه‌حل است. داده ها ترسیم شده است: 70 درصد از نرخ گردش مالی در 3 فروشگاه و همیشه در یک تیم دو مدیر است. سوال واقعی رفتار مدیر است. افزایش حقوق 14 میلیون لیره راه حل اشتباهی خواهد بود.

مورد 2 - درخت غیر MECE. یک مشاور از مدل می پرسد "چرا سود کاهش می یابد؟" او درخت را می خواهد. این مدل به شاخه ها می دهد "درآمد کم است"، "هزینه بالا است"، "رقابت افزایش یافته است". دو شاخه اول MECE (سود = درآمد - هزینه) هستند، اما "رقابت افزایش یافته" یک علت است و درآمد / هزینه یک اثر است. سطوح شعب مختلط است. مشاور درخت را اصلاح می کند: سطح یک فقط درآمد و هزینه است. رقابت باعث ایجاد زیرشاخه ای از درآمد می شود.

مورد 3 - اولویت بندی نتیجه داد. در یک شرکت نرم افزاری B2B، 12 فرضیه ایجاد می شود. ماتریس ضربه- راحتی، فرضیه "فرایند سوار شدن طولانی است" را در جعبه راحتی با تاثیر بالا قرار می دهد. تایید شده توسط تجزیه و تحلیل داده های یک هفته: نرخ انصراف مشتریانی که در 30 روز فعال نشده اند 3 برابر بیشتر است. یک مداخله کوچک (نصب هدایت شده) لغو را تا 22٪ کاهش می دهد. آزمایش فرضیه صحیح ابتدا پروژه را کوتاه می کند.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

فهرستی از دلایل کاهش سود این شرکت برای من تهیه کنید.

مدل علل تصادفی، همپوشانی و غیرمستند را برمی‌شمارد. چارچوب فکری ایجاد نمی کند.

اعلان قدرتمند:

نقش شما: متخصص ساختاردهی مشکل MECE. سوال اصلی: "شرکت تازه ساخت.

سوالات مربوط به یک ساختار مشکل خوب را بررسی کنید

وقتی درخت خود را تمام کردید، این سؤالات را بپرسید: می توانید از هوش مصنوعی نیز بپرسید، اما تصمیم نهایی را می گیرید:

- آیا واقعاً سؤال اصلی همان سؤالی است که مشتری می خواهد تصمیم بگیرد؟ - آیا شاخه های سطح اول با هم همپوشانی دارند؟ (متقابل انحصاری؟)- آیا چیزی از قلم افتاده است؟ (آیا با هم کامل است؟) - آیا می توان هر برگ را با داده تست کرد یا نظر است؟ - آیا من راه حل را از قبل فرض کرده ام؟ (به عنوان مثال، "حقوق راه حل است")

اشتباهات رایج

راه حل را در سوال قرار دهید. "آیا باید قیمت را کاهش دهیم؟" سؤال، راه حل را پیش فرض می گیرد و اهرم های دیگر را نامرئی می کند. ابتدا «چرا» را بپرسید.
شاخه های همپوشانی. اگر «مشتریان شرکتی» و «مشتریان بزرگ» شعب جداگانه باشند، همان مشتری در دو مکان محاسبه می‌شود. MECE شکسته است.
سطح اختلاط قرار دادن علت (رقابت) در همان سطح با معلول (کاهش درآمد) درخت را غیرمنطقی می کند.
برگ های غیر قابل آزمایش «مدیریت ضعیف» یک قضاوت است نه یک فرضیه. "زمان تصمیم گیری به طور متوسط 40 روز، 12 روز در صنعت" فرضیه قابل آزمایش است.
پذیرش درخت مدل همانطور که هست. هوش مصنوعی یک طرح کلی سریع ارائه می دهد. حسابرسی و اولویت بندی MECE کار شماست.

احتیاط: هوش مصنوعی درخت فرضیه را به روشی بسیار قانع کننده ارائه می کند. اقناع دقت نیست. همیشه درخت را برای MECE به صورت دستی بازرسی کنید. کشیدن شاخه ها با قلم و کاغذ اغلب همپوشانی هایی را نشان می دهد که مدل از قلم افتاده است.

به طور خلاصه

در مشاوره، ارزش در سوال درست قبل از پاسخ درست است. هوش مصنوعی در تبدیل یک شکایت مبهم به یک بیانیه مشکل قابل اندازه گیری، کشف مفروضات ضمنی و ترسیم سریع یک درخت فرضیه قدرتمند است. اما این شما هستید که باید تصمیم بگیرید که آیا درخت MECE است یا خیر، آزمایش پذیری فرضیه ها، و کدام یک را اول آزمایش کنید. مدل یک پیش نویس تولید می کند. وظیفه مشاور مالکیت، کنترل و اولویت بندی مشکل است.

وظیفه کاربردی

شکایت واقعی یا خیالی مشتری را انتخاب کنید (یک جمله). ابتدا، این را به یک بیان مسئله قابل اندازه‌گیری و سه فرض ضمنی با یک دستور قوی برای چارچوب‌بندی مشکل تبدیل کنید. سپس با اعلان درخت فرضیه MECE یک درخت دو سطحی بسازید. درخت را به صورت دستی بررسی کنید تا حداقل یک تضاد یا شکاف را پیدا کرده و برطرف کنید. در نهایت، ماتریس اثر-سهولت را پر کنید و ابتدا دو فرضیه را برای آزمایش انتخاب کنید.

چک لیست

[ ] من شکایت خام را به بیان مشکل با چه کسی/چه/معیار/حوزه/مدت تبدیل کردم.
[ ] من فرضیات ضمنی را کشف کردم.
[ ] من سطح اول درخت فرضیه خود را به عنوان MECE بررسی کردم.
[ ] من تأیید کردم که هر برگ یک فرضیه قابل آزمایش است.
[ ] مطمئن شدم که راه حل را در سوال دفن نکرده ام.
[ ] من با ماتریس تاثیر-سهولت اولویت بندی کردم.
[ ] من کورکورانه درخت مدل را قبول نکردم و آن را به صورت دستی اصلاح کردم.