سود:
- توانایی توضیح لایه های هوش تجاری (منبع، ETL، انبار داده، گزارش) و تعریف صحیح معیارهای کلیدی کسب و کار (KPI).
- امکان استفاده از هوش مصنوعی برای تولید تعریف متریک، پیش نویس SQL و روایت گزارش و ارائه نتیجه با داده های واقعی
- توانایی تشخیص خطرات سردرگمی همبستگی-علت و معیارهای گمراه کننده در خروجی های تجزیه و تحلیل با پشتیبانی هوش مصنوعی
هوش تجاری (BI) رشتهای است که دادههای پراکنده سازمان را جمعآوری میکند، آن را برای تجزیه و تحلیل آماده میکند و اطلاعات پشتیبان تصمیم را از این دادهها تولید میکند. برای یک متخصص MIS، BI لایه ای است که در آن «داده ها به تصمیم گیری تبدیل می شوند». سوابق سفارش خام به تنهایی معنی دار نیستند. اما "در کدام منطقه گردش مالی در این ماه کاهش یافته است، چرا؟" زمانی ارزش تولید می کند که به گزارشی تبدیل شود که بتواند به سوال پاسخ دهد. در این واحد لایههای BI، طراحی متریک مناسب و جایی که هوش مصنوعی شتابدهنده و تلهای در این فرآیند است را خواهیم دید.
معماری BI به طور کلی از لایه های زیر تشکیل شده است. سیستم های منبع: مکان هایی که داده ها از آنجا منشاء می گیرند، مانند ERP، CRM، تجارت الکترونیک. فرآیند ETL (English Extract-Transform-Load): فرآیندی که داده ها را از منابع استخراج می کند (Extract)، آن را پاک می کند و به یک ساختار استاندارد (Transform) تبدیل می کند و آن را به هدف (Load) بارگذاری می کند. انبار داده: یک مخزن مرکزی که در آن داده های تاریخی و ثابت طراحی شده برای تجزیه و تحلیل جمع آوری می شود. لایه گزارش دهی/تجسم: داشبوردها، گزارش ها و پرس و جوهای موقت. در این زنجیره، کیفیت هر لایه تعیین کننده لایه بعدی است. اگر منبع کثیف باشد، گزارش نیز کثیف است.
تعریف معیارها و KPIها به درستی
متریک یک مقدار عددی اندازه گیری شده است: گردش کل، تعداد سفارشات. KPI (شاخص عملکرد کلیدی) یک معیار مهم است که عملکرد را در برابر یک هدف اندازه گیری می کند: "نرخ ریزش مشتری ماهانه زیر 5٪". هر معیاری KPI نیست. KPI معیاری است که با یک هدف تجاری مرتبط است و باعث تصمیم گیری می شود.
موذیانه ترین مشکل پروژه های BI، تعریف مبهم معیارها است. "مشتری فعال" به چه معناست؟ در 30 روز گذشته یا 90 روز گذشته سفارش داده اید؟ آیا عودت کنندگان حساب می شوند؟ اگر دو تیم از «تعداد مشتریان فعال» معنای متفاوتی داشته باشند، داشبورد یکسان دو واقعیت متفاوت را نشان میدهد. به همین دلیل است که هر KPI باید یک جمله یک جمله ای داشته باشد که به طور گسترده پذیرفته شده است. هوش مصنوعی به سرعت پیش نویس هایی از این تعاریف را تولید می کند. اما این به واحد تجاری بستگی دارد که تصمیم بگیرد کدام تعریف "صحیح" است.
نکته: هنگام طراحی KPI، سه چیز را یادداشت کنید: (1) فرمول (کمتر/مخرج دقیقاً چیست)، (2) پنجره زمانی، (3) موارد حذف شده. گفتن AI "استخراج ابهامات در تعریف این KPI به عنوان سوال" فرضیات پنهان را آشکار می کند.
گام به گام: تولید گزارش مبتنی بر هوش مصنوعی
مرحله 1 - سوال را روشن کنید. گزارش چه تصمیمی خواهد گرفت؟ هدف مشخصی مانند "ما تصمیم خواهیم گرفت که بودجه را به کدام منطقه تغییر دهیم" نه "باید زیبا به نظر برسد".
مرحله 2 - معیارها را تعریف کنید. KPI های مورد نیاز را با فرمول ها، پنجره ها و استثناها بنویسید. هوش مصنوعی می تواند پیش نویس تعاریف را تولید کند.
مرحله 3 - پیش نویس SQL را ایجاد کنید. اطلاعات طرحواره را به هوش مصنوعی بدهید و یک پیش نویس پرس و جو تهیه کنید. اما قبل از اجرای پرس و جو آن را بخوانید و درک کنید.
مرحله 4 - با داده های کوچک تأیید کنید. ابتدا پرس و جو را روی یک نمونه کوچک با نتایج شناخته شده اجرا کنید. مجموع را به صورت دستی بررسی کنید. SQL AI ممکن است از نظر نحوی صحیح باشد اما از نظر منطقی نادرست باشد.
مرحله 5 - اضافه کردن روایت، ادعاهای آزمایشی. هوش مصنوعی می تواند یک متن روایی برای گزارش تولید کند. اما هر ادعای علی را ثابت کنید ("به همین دلیل فروش کاهش یافت").
تله همبستگی و علیت
خطرناک ترین اشتباه در BI این است که دو معیار را تفسیر کنیم که با هم به این صورت عمل می کنند که "یکی دیگری را ایجاد می کند". همبستگی زمانی است که دو مقدار با هم تغییر می کنند. علیت زمانی است که یکی باعث دیگری شود. جمله «با افزایش فروش بستنی، موارد غرق شدن افزایش یافت» درست است، اما بستنی باعث غرق شدن نمی شود. علت شایع آن تابستان (هوای گرم) است. هوش مصنوعی می تواند به راحتی جملات علّی را هنگام تولید یک روایت گزارش بسازد. کارشناس MIS در پاسخ به این ادعاها با طرح این سوال که آیا توضیح دیگری وجود دارد؟ او باید آن را آزمایش کند. در غیر این صورت بر اساس دلیل اشتباه تصمیم اشتباه گرفته می شود.
سه مورد کوچک: با اعداد
مورد 1 - هزینه متریک تعریف نشده. در یک شرکت مخابرات، تعداد «مشترکین فعال» ارائه شده به هیئت مدیره ۲.۱ میلیون نفر و گزارش تیم مالی ۱.۷ میلیون نفر بوده است. تفاوت این بود که یکی 90 روز را "فعال" حساب می کرد در حالی که دیگری 30 روز را می شمرد. نرخ رشد اشتباه به مدت دو هفته مورد بحث قرار گرفت تا اینکه تعریف رایج مشخص شد. یک تعریف KPI یک جمله ای از این سردرگمی جلوگیری می کند.
مورد 2 - SQL اشتباه هوش مصنوعی. در یکی از خردهفروشها، هوش مصنوعی هنگام ایجاد عبارت «متوسط سبد برای هر مشتری» خطوط بازگشتی را به کل اضافه کرد. نتیجه 12 درصد بالاتر از مقدار واقعی بود. SQL از نظر نحوی کامل بود. هنگامی که کارشناس به صورت دستی مجموع یک روز شناخته شده را تأیید کرد، انحراف را تشخیص داد و فیلتر برگشتی را اضافه کرد.
مورد 3 - مغالطه علیت. در یک شرکت تجارت الکترونیک، داشبورد میگفت: «در روزهایی که کمپین ایمیل ارسال میشود، فروش 18 درصد بیشتر میشود» و تیم قصد داشت بودجه کمپین را افزایش دهد. تجزیه و تحلیل نشان داد که زمان کمپین ها از قبل با روزهای کمپین پرترافیک (دوره های تخفیف) همزمان بود. این دوره بود، نه ایمیل، که باعث فروش شد. اگر بودجه بدون آزمایش با گروه کنترل افزایش می یافت، پول هدر می رفت.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
گزارش فروش SQL را از این جدول بنویسید.
اعلان قدرتمند:
نقش شما: شما یک تحلیلگر هوشیار BI هستید. یک پیش نویس از پرس و جوی SQL را مطابق نمودار زیر بنویسید. قوانین: - فقط از جداول/فیلدهای داده شده استفاده کنید. فیلد نامناسب.- EXCLUDE برمی گرداند (وضعیت='بازگشت') از کل.- پنجره زمانی: 30 روز گذشته.- خط به خط نظر دهید که پرس و جو چه می کند.- 1 خط نمونه را پیشنهاد دهید که می تواند به صورت دستی برای آزمایش در انتها اعتبار سنجی شود. طرحواره: سفارش(شناسه، شناسه مشتری، تاریخ، مبلغ: 3 روز گذشته، نام مشتری، آخرین روز گردش مشتری) بر اساس بخش
اعلان قدرتمند طرح واره را محدود می کند، قانون کسب و کار (به استثنای بازگشت) را تحمیل می کند، پنجره را مشخص می کند و یک خروجی قابل تأیید درخواست می کند.
چهار قالب قابل کپی
1) توضیح تعریف KPI:
شرح کامل KPI زیر را بنویسید: فرمول (حساب / مخرج)، پنجره زمانی، موارد استثنا شده. هر گونه ابهامی را در تعریف به عنوان سوال اضافه کنید. KPI: [name, e.g. "نرخ ریزش مشتری"]
2) بررسی منطق SQL:
پرس و جوی SQL زیر را بررسی کنید: آیا خطر خطاهای منطقی، JOIN های نادرست، فیلترهای از دست رفته یا شمارش مضاعف وجود دارد؟ برای هر یافته یک توجیه بنویسید. پرس و جو را تغییر ندهید، فقط آن را بررسی کنید. SQL: [پرس و جو]
3) گزارش روایت + کنترل ادعا:
یک خلاصه اجرایی کوتاه از جدول نتایج زیر بنویسید. در کنار هر ادعای علّی، [شواهد لازم] را علامت بزنید و توضیح دیگری پیشنهاد دهید. فقط به داده های جدول تکیه کنید. جدول: [داده]
4) بررسی سازگاری متریک:
در دو گزارش زیر، معیارهایی با نام یکسان مقادیر متفاوتی را ارائه میدهند. تفاوت های احتمالی در تعریف (پنجره زمانی، فیلتر، محاسبه) فهرست شده است. گزارش ها: [A] [B]
نمودار مقایسه: KPI خوب و بد
ویژگی
KPI بد
KPI خوب
توضیحات
"مشتری فعال"
"مشتری با ≥1 سفارش تکمیل شده در 30 روز گذشته"
پیوند با هدف
هیچ کدام
"پایین ماندن نرخ ضرر 5٪"
قابلیت اندازه گیری
مبهم
فرمول روشن
استثنا
نامشخص
بدون احتساب بازده
آیا باعث تصمیم گیری می شود؟
نه
بله
اشتباهات رایج
- متریک تعریف نشده باقی بماند. اگر کلماتی مانند "فعال"، "موفق"، "تکمیل شده" بدون فرمول استفاده شود، هر تیم به طور متفاوتی محاسبه می شود.
- اجرای SQL AI بدون تأیید. یک پرس و جوی صحیح نحوی ممکن است از نظر منطقی نادرست باشد. دوبار شمارش و JOIN نادرست رایج است.
- همبستگی گیج کننده با علیت فکر کردن به اینکه "با آن افزایش یافت" به معنای "این باعث شد که" به تصمیم اشتباه منجر شود.
- تعقیب متریک غرور. اشتباه گرفتن معیارهای فانتزی اما غیر تعیین کننده مانند «کلیک کل» به عنوان KPI.
- ارائه اعداد بدون زمینه "گردش 4.2 میلیون" به تنهایی بی معنی است. متن بر اساس ماه گذشته، هدف یا بودجه مورد نیاز است.
احتیاط: روایتهای گزارش تولید شده توسط هوش مصنوعی متقاعدکننده و روان هستند. این دقیقاً خطر را بزرگ می کند. یک جمله روان ممکن است یک ادعای نادرست علیت داشته باشد. هر عبارت «زیرا» و «بنابراین» را با شواهد آزمایش کنید.
به طور خلاصه
هوش تجاری لایه ای است که داده های پراکنده را به تصمیم گیری تبدیل می کند و شامل منبع، ETL، انبار داده و زنجیره گزارش است. KPI یک معیار مهم مرتبط با یک هدف تجاری است، با یک فرمول و استثنائات به وضوح تعریف شده است. متریک تعریف نشده رایج ترین خطای BI است. هوش مصنوعی سرعت قابل توجهی در تولید تعریف KPI، پیش نویس SQL و روایت گزارش فراهم می کند. اما هر SQL باید از نظر منطقی توجیه شود، هر عدد باید توسط داده های شناخته شده پشتیبانی شود، و هر ادعای علی باید با شواهد آزمایش شود. همبستگی علیت نیست. روایت سیال دقت را تضمین نمی کند.
وظیفه کاربردی
یک KPI «نرخ تکمیل» برای یک پلتفرم دوره آنلاین طراحی کنید. (1) یک توضیح یک جمله ای با فرمول، پنجره زمانی و استثنا بنویسید (به عنوان مثال، آیا ثبت نام های لغو شده شمارش می شود؟). (2) یک طرح ساده (ثبت نام، دوره، پیشرفت) بسازید و پیش نویس SQL را برای این KPI با یک اعلان قدرتمند تولید کنید. (3) حداقل یک خطر احتمالی شمارش مضاعف یا فیلتر نادرست را در پرس و جو پیدا کنید. (4) خلاصه اجرایی نتیجه را چاپ کنید و هر ادعای علی را در آن علامت گذاری کنید. (5) نمونه ای از تله همبستگی-علیت را تنظیم کنید و توضیح دهید که چگونه آن را آزمایش می کنید.
چک لیست
- [ ] فرمول، پنجره زمانی و استثنای هر KPI نوشته شده است.
- [ ] من خط به خط SQL تولید شده توسط هوش مصنوعی را خواندم و فهمیدم.
- [ ] من به صورت دستی پرس و جو را با داده های کمی شناخته شده تأیید کردم.
- [ ] من هر ادعای علی را در گزارش با شواهد آزمایش کردم.
- [ ] من هر عدد را با یک معیار (هدف/آخرین دوره) زمینه سازی کردم.
- [ ] من به اجماع بین تیمی در مورد تعاریف متریک دست یافتم.