સમસ્યાનું માળખું: પૂર્વધારણા વૃક્ષ, MECE, અને યોગ્ય પ્રશ્ન પૂછો

નફો:

• અસ્પષ્ટ ગ્રાહક પ્રશ્નને સ્પષ્ટ, ઉકેલી શકાય તેવા સમસ્યા નિવેદનમાં રૂપાંતરિત કરવાની અને કૃત્રિમ બુદ્ધિ સાથે MECE પૂર્વધારણા વૃક્ષ (ઇશ્યુ ટ્રી) સ્થાપિત કરવાની ક્ષમતા
• પૂર્વધારણાઓ જનરેટ કરવા અને બ્લાઇન્ડ સ્પોટ્સ શોધવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરવાની ક્ષમતા, અને પોતાના ચુકાદાથી નક્કી કરો કે કઈ પૂર્વધારણાનું પ્રથમ પરીક્ષણ કરવામાં આવશે.
• સમસ્યાની રચનામાં સામાન્ય મુશ્કેલીઓને ઓળખવાની અને ટાળવાની ક્ષમતા (વિરોધાભાસી શાખાઓ, અગાઉથી ઉકેલ ધારી લેવો, ખોટો પ્રશ્ન).

કન્સલ્ટિંગ પ્રોજેક્ટની સૌથી મોંઘી ભૂલ એ ખોટા પ્રશ્નનું નિરાકરણ છે. ગ્રાહક પૂછે છે "અમારું વેચાણ ઘટી રહ્યું છે, અમારે શું કરવું જોઈએ?" આવે છે: પરંતુ વાસ્તવિક પ્રશ્ન એ છે કે "કયા સેગમેન્ટમાં, શા માટે અને કેટલો તે આપણા નિયંત્રણ હેઠળ છે?" તે હોઈ શકે છે. અનુભવી સલાહકાર સમસ્યાને યોગ્ય રીતે વ્યાખ્યાયિત કરીને શરૂ કરે છે, જવાબો શોધીને નહીં. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ તબક્કે સંપૂર્ણ વિચાર ભાગીદાર છે: તે મિનિટોમાં ડઝનેક સંભવિત કારણો, પેટા-પ્રશ્નો અને પૂર્વધારણાઓ પેદા કરે છે. પરંતુ કયો પ્રશ્ન સાચો પ્રશ્ન છે તે નક્કી કરવા માટે નિર્ણય લે છે, અને તે ચુકાદો તમારો છે.

આ એકમમાં, અમે બે ટૂલ્સને જોડીશું જે આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે કન્સલ્ટન્સીની કરોડરજ્જુ છે: હાઇપોથિસિસ ટ્રી (ઇશ્યૂ ટ્રી, એક ટ્રી ડાયાગ્રામ જે પેટા-પ્રશ્નોમાં સમસ્યાને શાખા કરે છે) અને MECE સિદ્ધાંત (પરસ્પર વિશિષ્ટ, સામૂહિક રીતે એક્ઝોસ્ટિવ — શાખાઓ એકબીજાને ઓવરલેપ કરતી નથી) અને સાથે મળીને સમસ્યાને સંપૂર્ણપણે આવરી લે છે.

અસ્પષ્ટ પ્રશ્નથી ઉકેલી શકાય તેવી સમસ્યા સુધી

સારી સમસ્યાના નિવેદનમાં ચાર બાબતોનો સમાવેશ થાય છે: કોણ (નિર્ણય લેનાર), શું (નિર્ણય), માપદંડ (સફળતા શું દ્વારા માપવામાં આવે છે), સીમા (અવકાશ અને અવધિ). "વેચાણ ઘટી રહ્યું છે" એ ફરિયાદ છે; "આગામી 12 મહિનામાં, વર્તમાન બજેટ સાથે B2B સેગમેન્ટમાં ટર્નઓવરમાં 10% વધારો કરશે તેવા 3 સૌથી અસરકારક લિવર કયા છે?" એક સમસ્યા નિવેદન છે. તમે આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે આ પરિવર્તન કરી શકો છો, પરંતુ પહેલા તમારે કાચી પરિસ્થિતિને સ્પષ્ટ રીતે સમજાવવી પડશે.

તમારી ભૂમિકા: મેનેજમેન્ટ કન્સલ્ટન્ટ માટે સમસ્યા માળખાકીય કોચ. હું તમને ક્લાયન્ટની કાચી ફરિયાદ આપીશ. તમારું કાર્ય:1) આને એક-વાક્ય, માપી શકાય તેવા સમસ્યા નિવેદનમાં રૂપાંતરિત કરો (નિર્ણયકર્તા, નિર્ણય, સફળતાના માપદંડ, અવકાશ, અવધિ શામેલ હોવી જોઈએ). 2) 3 ગર્ભિત ધારણાઓ જણાવો કે જેના પર આ નિવેદન આધારિત છે. 3) "ખોટા પ્રશ્નનું નિરાકરણ" ના જોખમનો સામનો કરવા માટે 2 વૈકલ્પિક સમસ્યા ફ્રેમવર્ક સૂચવો. કાચી ફરિયાદ: "[ક્લાયન્ટના શબ્દોમાં...]"

ટીપ: ગ્રાહકને સમસ્યાનું નિવેદન વાંચો. "તો તમારા માટે સફળતા એ 12 મહિનામાં B2B ટર્નઓવરમાં 10% વધારો છે, સાચું?" આ એક વાક્ય પ્રોજેક્ટની દિશા અને ત્યારપછીની "અમને આ જોઈતું ન હતું" ચર્ચાને શરૂઆતથી ઉકેલે છે.

કૃત્રિમ બુદ્ધિ સાથે પૂર્વધારણા વૃક્ષનું નિર્માણ

એકવાર સમસ્યા સ્પષ્ટ થઈ જાય, તમે તેને બહાર કાઢો. વૃક્ષનું મૂળ મુખ્ય પ્રશ્ન છે; શાખાઓ શક્ય પ્રતિભાવ અક્ષો છે; પાંદડા ટેસ્ટેબલ પૂર્વધારણા છે. ઉદાહરણ તરીકે, "B2B ટર્નઓવર કેમ વધી રહ્યું નથી?" પ્રશ્નને બે મુખ્ય શાખાઓમાં વિભાજિત કરી શકાય છે: (1) નવા ગ્રાહકનું સંપાદન નબળું છે, (2) વર્તમાન ગ્રાહકની આવક ઘટી રહી છે. દરેક શાખા તેની પોતાની પેટા શાખાઓમાં વહેંચાયેલી છે. એક સારું વૃક્ષ MECE છે.

તમારી ભૂમિકા: MECE પૂર્વધારણા વૃક્ષ નિષ્ણાત. મુખ્ય પ્રશ્ન: "[સમસ્યાનું નિવેદન]"કાર્ય: આ પ્રશ્નને 2 કરતાં વધુ સ્તરોમાં બ્રાન્ચ કરો. નિયમો:- પ્રથમ સ્તરની શાખાઓ MECE હોવી જોઈએ (કોઈ ઓવરલેપ નહીં, કોઈ અંતર નહીં).- દરેક પર્ણ ડેટા-પરીક્ષણ કરી શકાય તેવું અનુમાન વાક્ય હોવું જોઈએ (ફોર્મ "...કારણ કે ...").- દરેક પર્ણની બાજુમાં એકલ ડેટા અથવા અનુમાન લખવાની જરૂર છે. ઇન્ડેન્ટેડ બુલેટ સૂચિ. તપાસ: "MECE ઓડિટ" શીર્ષક હેઠળ ઓવરલેપ/ગેપના જોખમે શાખાઓને ચિહ્નિત કરો.

AI તમને 3 સેકન્ડમાં 15 પૂર્વધારણાઓ સાથેનું એક વૃક્ષ આપે છે. પરંતુ તમારી નોકરી ત્યાં સમાપ્ત થતી નથી, તે શરૂ થાય છે: તમે પસંદ કરો છો કે કઈ શાખાઓ ખરેખર MECE છે, કઈ પૂર્વધારણા સૌથી વધુ સંભવિત અને ચકાસવા માટે સૌથી સરળ છે.

પ્રાથમિકતા: કઈ પૂર્વધારણાને પહેલા ચકાસવી

બધી પૂર્વધારણાઓ ચકાસવાનો સમય નથી. બે અક્ષોનો ઉપયોગ કરો: અસર (જો તે સાચું હોય તો તે ઉકેલમાં કેટલું મોટું યોગદાન આપે છે) અને સરળતા (તેનું પરીક્ષણ કરવું કેટલું ઝડપી/સસ્તું છે). ઉચ્ચ અસર + ઉચ્ચ સગવડ ધરાવતા લોકો પ્રથમ આવે છે. આને "ક્વિક વિન સ્વીપ" કહેવામાં આવે છે.

પૂર્વધારણા

અસર (1-5)

પરીક્ષણની સરળતા (1-5)

અગ્રતા

ભાવ સ્પર્ધકો પાછળ છે

5

4

પહેલાં

B2B માં વેચાણ ટીમ અપૂરતી છે

4

3

પછી

ત્યાં ઉત્પાદન લક્ષણ તફાવત છે

4

2

સંશોધન

બ્રાન્ડ જાગૃતિ ઓછી છે

3

2

પકડી રાખો

તમે કૃત્રિમ બુદ્ધિ ધરાવી શકો છો આ મેટ્રિક્સ ભરો; પરંતુ તમારા પોતાના ઉદ્યોગ જ્ઞાન સાથે અસર અને સુવિધાના સ્કોર્સની સમીક્ષા કરો. મોડેલ ઘણીવાર પરીક્ષણની સરળતાને વધારે પડતો અંદાજ આપે છે.

તમારી ભૂમિકા: અગ્રતા વિશ્લેષક. પૂર્વધારણાઓની નીચેની સૂચિને અસર-સરળતા મેટ્રિક્સમાં મૂકો. દરેક પૂર્વધારણા માટે: અસર (1-5), પરીક્ષણની સરળતા (1-5), એકલ ડેટા સ્ત્રોત જરૂરી, ભલામણ (પહેલા/પછી/તપાસ/હોલ્ડ). નિયમો: આશાવાદી રીતે સરળ સ્કોર આપો, તર્ક લખો. ઉચ્ચતમ “અસર × સરળતા” ગુણક સાથે 2 પૂર્વધારણાઓને પ્રકાશિત કરો. પૂર્વધારણાઓ: [સૂચિ]

ત્રણ નાના કેસો

કેસ 1 - ખોટો પ્રશ્ન સુધારેલ. એક રિટેલ ચેને પૂછ્યું, "અમારી પાસે કર્મચારીનું ટર્નઓવર રેટ વધારે છે, શું આપણે પગાર વધારવો જોઈએ?" તે પૂછે છે. સલાહકાર કૃત્રિમ બુદ્ધિ સાથે સમસ્યા ફ્રેમ ખોલે છે; આ મોડેલ ત્રણ ગર્ભિત ધારણાઓને સમજાવે છે: તે પગાર એ સમસ્યા છે, ટર્નઓવર તમામ સ્ટોર્સમાં સમાન છે અને પગાર એ ઉકેલ છે. ડેટા દોરવામાં આવ્યો છે: ટર્નઓવર રેટનો 70% 3 સ્ટોર્સમાં છે અને હંમેશા તે જ બે મેનેજરની ટીમમાં છે. વાસ્તવિક પ્રશ્ન મેનેજરના વર્તનનો છે. 14 મિલિયન TL નો પગાર વધારો ખોટો ઉકેલ હશે.

કેસ 2 — નોન-MECE વૃક્ષ. એક સલાહકાર મોડેલને પૂછે છે કે "નફો કેમ ઘટી રહ્યો છે?" તેને વૃક્ષ જોઈએ છે. મોડેલ શાખાઓ આપે છે "આવક ઓછી છે", "ખર્ચ વધારે છે", "સ્પર્ધા વધી છે". પ્રથમ બે શાખાઓ MECE (નફો = આવક − ખર્ચ), પરંતુ "સ્પર્ધામાં વધારો" એ એક કારણ છે અને આવક/ખર્ચ એ અસર છે; શાખા સ્તર મિશ્ર છે. કન્સલ્ટન્ટ વૃક્ષને ઠીક કરે છે: સ્તર એક માત્ર આવક અને ખર્ચ છે; સ્પર્ધા આવકની પેટા શાખાનું કારણ બને છે.

કેસ 3 - પ્રાથમિકતા ચૂકવવામાં આવી. B2B સોફ્ટવેર કંપનીમાં, 12 પૂર્વધારણાઓ જનરેટ થાય છે. અસર-સુવિધા મેટ્રિક્સ ઉચ્ચ અસર-ઉચ્ચ સગવડતા બોક્સમાં "ઓનબોર્ડિંગ પ્રક્રિયા લાંબી છે" પૂર્વધારણા મૂકે છે. એક અઠવાડિયાના ડેટા વિશ્લેષણ દ્વારા પુષ્ટિ: 30 દિવસમાં સક્રિય ન થયેલા ગ્રાહકોનો રદ કરવાનો દર 3 ગણો વધારે છે. થોડી હસ્તક્ષેપ (માર્ગદર્શિત ઇન્સ્ટોલેશન) 22% દ્વારા રદ ઘટાડે છે. સાચી પૂર્વધારણાનું પરીક્ષણ પ્રથમ પ્રોજેક્ટને ટૂંકું કરે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મને આ કંપનીનો નફો કેમ ઘટી રહ્યો છે તેની યાદી બનાવો.

મોડેલ રેન્ડમ, ઓવરલેપિંગ અને અપ્રમાણિત કારણોની ગણતરી કરે છે; તે વિચારસરણીનું માળખું સ્થાપિત કરતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: MECE સમસ્યા માળખાકીય નિષ્ણાત. મુખ્ય પ્રશ્ન: "કંપની ફક્ત બિલ્ડ કરો.

સારી સમસ્યા માળખાના પ્રશ્નો તપાસો

જ્યારે તમે તમારું વૃક્ષ પૂર્ણ કરો, ત્યારે આ પ્રશ્નો પૂછો: તમે આર્ટિફિશિયલ ઇન્ટેલિજન્સ પણ પૂછી શકો છો, પરંતુ તમે અંતિમ નિર્ણય લો છો:

- શું મૂળ પ્રશ્ન ખરેખર ગ્રાહક નક્કી કરવા માંગે છે તે પ્રશ્ન છે? - શું પ્રથમ-સ્તરની શાખાઓ ઓવરલેપ થાય છે? (પરસ્પર વિશિષ્ટ?)- કંઈ બાકી છે? (શું તે એકસાથે પૂર્ણ છે?) - શું દરેક પાંદડાને ડેટા સાથે ચકાસી શકાય છે, અથવા તે અભિપ્રાય છે? - શું મેં અગાઉથી ઉકેલ ધારણ કરી લીધો છે? (ઉદાહરણ તરીકે, "પગાર એ ઉકેલ છે")

સામાન્ય ભૂલો

• પ્રશ્નમાં ઉકેલ એમ્બેડ કરો. "શું આપણે કિંમત ઘટાડવી જોઈએ?" પ્રશ્ન ઉકેલની પૂર્વધારણા કરે છે અને અન્ય લિવરને અદ્રશ્ય બનાવે છે. પહેલા "કેમ" પૂછો.
• ઓવરલેપિંગ શાખાઓ. જો "કોર્પોરેટ ગ્રાહકો" અને "મોટા ગ્રાહકો" અલગ શાખાઓ છે, તો તે જ ગ્રાહકને બે જગ્યાએ ગણવામાં આવશે; MECE તૂટી ગયું છે.
• મિશ્રણ સ્તર. કારણ (સ્પર્ધા) ને અસર (આવકમાં ઘટાડો) સમાન સ્તર પર મૂકવાથી વૃક્ષ અતાર્કિક બને છે.
• અસ્થિર પાંદડા. "નબળું સંચાલન" એ એક ચુકાદો છે, કોઈ પૂર્વધારણા નથી. "નિર્ણયનો સમય સરેરાશ 40 દિવસ છે, ઉદ્યોગમાં 12 દિવસ" એ પરીક્ષણ કરી શકાય તેવી પૂર્વધારણા છે.
• મોડેલના વૃક્ષને જેમ છે તેમ સ્વીકારવું. AI ઝડપી રૂપરેખા આપે છે; MECE ઓડિટ અને પ્રાથમિકતા એ તમારું કામ છે.

સાવધાની: AI એક પૂર્વધારણા વૃક્ષને ખૂબ જ ખાતરીપૂર્વક રજૂ કરે છે. સમજાવટ એ ચોકસાઈ નથી. MECE માટે હંમેશા મેન્યુઅલી વૃક્ષનું નિરીક્ષણ કરો; પેન અને કાગળ વડે શાખાઓ દોરવાથી ઘણીવાર ઓવરલેપ દેખાય છે જે મોડેલ ચૂકી જાય છે.

સારાંશમાં

કન્સલ્ટિંગમાં, સાચા જવાબ પહેલાં મૂલ્ય સાચા પ્રશ્નમાં છે. AI અસ્પષ્ટ ફરિયાદને માપી શકાય તેવા સમસ્યા નિવેદનમાં ફેરવવામાં, ગર્ભિત ધારણાઓને ઉજાગર કરવા અને ઝડપથી પૂર્વધારણાના વૃક્ષને સ્કેચ કરવામાં શક્તિશાળી છે. પરંતુ તે નક્કી કરવાનું તમારા પર છે કે વૃક્ષ MECE છે કે કેમ, પૂર્વધારણાઓની કસોટીક્ષમતા અને પ્રથમ કયું પરીક્ષણ કરવું. મોડેલ ડ્રાફ્ટ બનાવે છે; સમસ્યાની માલિકી, નિયંત્રણ અને પ્રાથમિકતા એ સલાહકારનું કામ છે.

એપ્લિકેશન કાર્ય

વાસ્તવિક અથવા કાલ્પનિક ગ્રાહક ફરિયાદ (એક વાક્ય) પસંદ કરો. સૌપ્રથમ, આને માપી શકાય તેવા પ્રોબ્લેમ સ્ટેટમેન્ટ અને મજબૂત પ્રોબ્લેમ-ફ્રેમિંગ પ્રોમ્પ્ટ સાથે ત્રણ ગર્ભિત ધારણાઓમાં રૂપાંતરિત કરો. પછી MECE પૂર્વધારણા વૃક્ષ પ્રોમ્પ્ટ સાથે બે-સ્તરનું વૃક્ષ બનાવો. ઓછામાં ઓછા એક સંઘર્ષ અથવા અંતરને શોધવા અને તેને ઠીક કરવા માટે વૃક્ષનું મેન્યુઅલી નિરીક્ષણ કરો. છેલ્લે, ઇફેક્ટ-ઇઝ મેટ્રિક્સ ભરો અને પહેલા ચકાસવા માટે બે પૂર્વધારણાઓ પસંદ કરો.

ચેકલિસ્ટ

• [ ] મેં અધૂરી ફરિયાદને કોણ/શું/માપદંડ/અવકાશ/અવધિ સાથે સમસ્યા નિવેદનમાં રૂપાંતરિત કર્યું.
• [ ] મેં ગર્ભિત ધારણાઓ ખોલી.
• [ ] મેં MECE તરીકે મારા પૂર્વધારણા વૃક્ષના પ્રથમ સ્તરનું નિરીક્ષણ કર્યું.
• [ ] મેં ચકાસ્યું કે દરેક પર્ણ એક પરીક્ષણ કરી શકાય તેવી પૂર્વધારણા છે.
• [ ] મેં ખાતરી કરી કે મેં પ્રશ્નનો ઉકેલ દફનાવ્યો નથી.
• [ ] મેં ઇમ્પેક્ટ-ઇઝ મેટ્રિક્સ સાથે પ્રાથમિકતા આપી.
• [ ] મેં મોડેલના વૃક્ષને આંખ બંધ કરીને સ્વીકાર્યું ન હતું અને તેને જાતે જ સુધાર્યું હતું.