નિર્ણય સમર્થન: માહિતીને આંતરદૃષ્ટિમાં રૂપાંતરિત કરવું

નફો:

• ડેટા-માહિતી-અંતર્દૃષ્ટિ-નિર્ણયની સીડીને સમજીને અને કૃત્રિમ બુદ્ધિમત્તાને સ્ટેપ બાય સ્ટેપ અમલમાં મૂકીને વિખરાયેલા ડેટામાંથી નિર્ણય-લક્ષી સૂઝ પેદા કરવાની ક્ષમતા
• સેગમેન્ટ બ્રેકડાઉન દ્વારા કુલ સંખ્યાઓ દ્વારા છુપાયેલ સત્યને જાહેર કરવાની અને કાર્યકારણથી સહસંબંધને અલગ પાડવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિમત્તા દ્વારા સૂચવવામાં આવેલા કારણોને ચકાસવા માટેની પૂર્વધારણાઓ તરીકે ગણવાની ક્ષમતા અને ચકાસાયેલ આંતરદૃષ્ટિ પર અંતિમ નિર્ણયનો આધાર

મેનેજરના ડેસ્ક પર દરરોજ ડઝનેક નંબરો આવે છે: વેચાણના આંકડા, ખર્ચ, ગ્રાહકની ફરિયાદો, ઇન્વેન્ટરી સ્તર, કર્મચારી ટર્નઓવર દર. પરંતુ એકલા નંબર એ નિર્ણય નથી. નિર્ણય સંખ્યાની અંદર અર્થ જોવાથી શરૂ થાય છે. "પાછલા મહિનાની તુલનામાં વેચાણ 8 ટકા ઓછું છે" એ આપેલ છે; "વેચાણમાં ઘટાડો એજિયન પ્રદેશમાં બે મોટા ગ્રાહકોએ તેમના ઓર્ડરને મુલતવી રાખવાને કારણે છે" એક સમજ છે. અહીં, નિર્ણય સપોર્ટ - પ્રક્રિયા કે જે મેનેજર માટે વધુ સારા નિર્ણયો લેવા માટે ડેટાને અર્થપૂર્ણ બનાવે છે - તે પુલ છે જે ડેટાને આંતરદૃષ્ટિમાં ફેરવે છે. આ એકમમાં, આપણે આ પુલ પર AI નો ઉપયોગ કેવી રીતે કરવો તે શીખીશું. સીમા શરૂઆતથી જ સ્પષ્ટ છે: AI ડ્રાફ્ટ આંતરદૃષ્ટિ ઉત્પન્ન કરે છે; મેનેજર નક્કી કરે છે કે કઈ આંતરદૃષ્ટિ વાસ્તવિક છે અને શું કરવું.

ડેટાથી આંતરદૃષ્ટિ સુધીના ચાર પગલાં

નિર્ણય આધાર એક નિસરણી છે. પ્રથમ અંક — ડેટા: કાચો નંબર (આ મહિને 1,240 ઓર્ડર આવ્યા). બીજો અંક — માહિતી: સંપાદિત, તુલનાત્મક સંખ્યાઓ (ગત મહિના કરતાં 8 ટકા નીચે). ત્રીજું સ્તર — આંતરદૃષ્ટિ: ઘટાડા માટેના કારણની સમજ (બે મુખ્ય ગ્રાહકો તરફથી વિલંબ). ચોથું પગલું — નિર્ણય: શું કરવું (આ ગ્રાહકોનો ઇન્ટરવ્યુ લો અને નવા ગ્રાહકોને ટાર્ગેટ કરો). AI પ્રથમ અને બીજા પગલા પર ખૂબ જ ઝડપી છે, ત્રીજા પર એક સારો સહાયક છે, ફક્ત ચોથા પર વિકલ્પો પ્રદાન કરે છે.

આ સીડી જાણવી મહત્વપૂર્ણ છે કારણ કે મોટાભાગના મેનેજરો સીધા જ AI ને "મારા માટે નિર્ણય લેવા" અને નિરાશ થવા માટે કહે છે. જો કે, જો તમે AI ને સ્ટેપ બાય સ્ટેપ કરો છો - પહેલા સારાંશ આપો, પછી તુલના કરો, પછી સંભવિત કારણો પર સવાલ કરો અને અંતે જાતે નિર્ણય લો - તમે બંને ઝડપી અને ભરોસાપાત્ર બનશો.

સંકેત: AI ને પૂછો "તમે આ ડેટામાંથી શું અનુમાન કરો છો?" એકસાથે બધું પૂછવાને બદલે, "પહેલા સારાંશ આપો, પછી 3 સૌથી નોંધપાત્ર ફેરફારો બતાવો, પછી દરેક માટે 2 સંભવિત કારણો સૂચવો" કહીને પગલું-દર-પગલાં આગળ વધો. પગલાવાર વિચાર કરવાથી વધુ સચોટ પરિણામો મળે છે.

સહસંબંધ અને કાર્યકારણ છટકું

નિર્ણયના સમર્થનની સૌથી ખતરનાક મુશ્કેલી એ કાર્યકારણ માટેનો સહસંબંધ છે. સહસંબંધ એ છે જ્યારે બે વસ્તુઓ એક સાથે આગળ વધે છે (ઉનાળામાં આઈસ્ક્રીમનું વેચાણ અને ડૂબવું એકસાથે વધે છે). કારણ એ છે જ્યારે એક બીજા તરફ દોરી જાય છે (આઇસ્ક્રીમ ગૂંગળામણનું કારણ નથી; ગરમ હવામાન એ સામાન્ય કારણ છે). AI તમારા ડેટામાં એકસાથે ફરતી વસ્તુઓ શોધવામાં ખૂબ જ સારી છે, પરંતુ તે સાચું કારણ શું છે તે કહી શકતું નથી. "જાહેરાતનો ખર્ચ વધ્યો અને વેચાણ વધ્યું" એમ કહેવું એ સાબિત કરતું નથી કે જાહેરાતથી વેચાણ વધ્યું; કદાચ તહેવારોની સિઝનથી બંનેને અસર થઈ હતી.

તેથી જ્યારે AI કારણ સૂચવે છે, ત્યારે તેને એક પૂર્વધારણા (ધારણા કે જે સાબિત કરવાની જરૂર છે), હકીકત તરીકે નહીં. "હું આ કેવી રીતે ચકાસી શકું?" પૂછો એક સારા મેનેજર એઆઈ દ્વારા ફિલ્ડમાં અથવા ડેટા સાથે સૂચવેલા કારણનું પરીક્ષણ કરે છે.

ત્રણ નાના કેસો

કેસ 1 - ગુપ્ત પતનને પકડવું. ઈ-કોમર્સ કંપનીમાં, કુલ ટર્નઓવર સ્થિર જણાતું હતું, કોઈ ગભરાયું ન હતું. મેનેજર એઆઈને અનામી માસિક ડેટા આપે છે અને પૂછે છે કે "કયો સેગમેન્ટ વધી રહ્યો છે અને કયો શ્રેણીના આધારે સંકોચાઈ રહ્યો છે?" તેણે પૂછ્યું. YZ એ દર્શાવ્યું હતું કે જ્યારે કુલ ટર્નઓવર સ્થિર હતું, ત્યારે ઉચ્ચ નફાની ઈલેક્ટ્રોનિક્સ કેટેગરી વાસ્તવમાં 22 ટકા ઘટી હતી, જેમાં ઓછા નફાની સહાયક વેચાણ આને માસ્ક કરે છે. મેનેજરે આ વાતની પુષ્ટિ કરી અને ઇલેક્ટ્રોનિક્સ કેટેગરી પર ધ્યાન કેન્દ્રિત કર્યું. કુલ સંખ્યા છુપાવવામાં આવી હતી; વિરામે સત્ય જાહેર કર્યું.

કેસ 2 - ખોટા કારણ તરફ દોડવું. કેફે ચેઈનના મેનેજરે AIને વેચાણનો ડેટા આપ્યો. "સપ્તાહના અંતે વેચાણ હવામાન તાપમાન સાથે આગળ વધે છે," YZ જણાવ્યું હતું. મેનેજરે "ગરમ હવામાન વેચાણમાં વધારો કરે છે" તરીકે આ વાંચ્યું અને એર કંડિશનર્સને નકારી કાઢ્યું. જો કે, વાસ્તવિક કારણ સપ્તાહના અંતે ગ્રાહક ટ્રાફિકમાં વધારો હતો; તાપમાન યોગાનુયોગ એ જ દિશામાં આગળ વધ્યું. મેનેજરે કાર્યકારણ માટે સહસંબંધની ભૂલ કરી. તેણે તેનો પાઠ શીખ્યો અને હવેથી દરેક કારણોનું પરીક્ષણ કર્યું.

કેસ 3 - સરખામણી યોગ્ય રીતે સ્થાપિત કરવી. પ્રોડક્શન એન્ટરપ્રાઇઝમાં બે ફેક્ટરીઓની કાર્યક્ષમતાની તુલના કરવામાં આવી રહી હતી. મેનેજર AI ને પૂછે છે, "શું ફેક્ટરી A B કરતાં વધુ કાર્યક્ષમ છે?" તેણે પૂછ્યું, પરંતુ AIને ખબર ન હતી કે ફેક્ટરી A નવી અને નાની હતી. મેનેજરે પ્રોમ્પ્ટ સુધાર્યો: "ખાતાના કદ અને વય તફાવતને ધ્યાનમાં રાખીને, પ્રતિ યુનિટ ઉપજની તુલના કરો." આ વખતે વિશ્લેષણ વાજબી હતું અને વાસ્તવિક તફાવત જાહેર થયો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) તબક્કાવાર આંતરદૃષ્ટિ નિષ્કર્ષણ:

તમારી ભૂમિકા: મેનેજરને સહાયતા વ્યવસાય વિશ્લેષક. જોડાયેલ અનામી ડેટા (સમય, શ્રેણી, વેચાણ, કિંમત) નો ઉપયોગ કરો. પગલું દ્વારા પગલું આગળ વધો: 1) 4 વસ્તુઓમાં ડેટાનો સારાંશ આપો. 2) છેલ્લા સમયગાળાની સરખામણીમાં 3 સૌથી નોંધપાત્ર ફેરફારો બતાવો. 3) દરેક ફેરફાર માટે 2 જેટલા સંભવિત કારણો સૂચવો અને જણાવો કે આ પૂર્વધારણાઓ છે અને પુરાવાની જરૂર છે. હું પ્રદાન કરું છું તે ડેટામાં અસ્તિત્વમાં ન હોય તેવી કોઈપણ સંખ્યાઓ બનાવશો નહીં.

2) બ્રેકડાઉન (સેગમેન્ટ) વિશ્લેષણ:

જો કુલ સંખ્યાઓ સ્થિર જણાતી હોય, તો પણ હું જાણવા માંગુ છું કે અંદર શું ચાલી રહ્યું છે. શ્રેણી/પ્રદેશ/ગ્રાહક સેગમેન્ટ દ્વારા જોડાયેલ ડેટાને તોડો. કોષ્ટકમાં કયો સેગમેન્ટ વધી રહ્યો છે અને કયો સંકોચાઈ રહ્યો છે તે બતાવો. ખાસ કરીને રિવર્સલ્સને ચિહ્નિત કરો જે કુલને માસ્ક કરે છે.

3) સહસંબંધ-કારણ પરીક્ષણ:

મને આ સંબંધ મળ્યો: [A અને B એકસાથે ફરે છે]. આ સાચું કારણ અને અસર છે કે માત્ર એકસાથે ક્રિયા છે તે સમજવામાં મને મદદ કરો. સંભવિત સામાન્ય કારણોની સૂચિ બનાવો અને 3 વ્યવહારુ તપાસો સૂચવો જે હું આ સંબંધને ચકાસવા માટે કરી શકું છું.

4) નિર્ણય વિકલ્પ જનરેશન:

મેં આ આંતરદૃષ્ટિની પુષ્ટિ કરી છે: [અંતઃદૃષ્ટિ].મારા માટે નક્કી કરશો નહીં; તેના બદલે, 3 વિવિધ ક્રિયા વિકલ્પો જનરેટ કરો. દરેક વિકલ્પ માટે: અપેક્ષિત લાભ, અંદાજિત ખર્ચ/પ્રયાસ, મુખ્ય જોખમ અને કઈ પરિસ્થિતિને પ્રાધાન્ય આપવું જોઈએ. વિકલ્પો તટસ્થ રીતે રજૂ કરો; કોઈને લાદશો નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

વેચાણ કેમ ઘટ્યું?

કોઈ ડેટા, કોઈ સમયગાળો, કોઈ સંદર્ભ નથી. AI સામાન્ય કારણોની યાદી આપે છે (અર્થતંત્ર, સ્પર્ધા, મોસમ); તેમાંથી કોઈ તમારી પરિસ્થિતિ માટે વિશિષ્ટ નથી અને ચકાસી શકાતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: છૂટક વિશ્લેષક. જોડાયેલ અનામી 6-મહિનાના ડેટા (મહિનો, પ્રદેશ, શ્રેણી, વેચાણની સંખ્યા, ટર્નઓવર) નો ઉપયોગ કરો. છેલ્લા મહિનામાં કુલ ટર્નઓવરમાં 8%નો ઘટાડો થયો છે. પ્રદેશ અને શ્રેણી દ્વારા આને તોડી નાખો; ઘટાડો કયા સેગમેન્ટમાંથી આવી રહ્યો છે તે શોધો. તમને મળેલ પ્રત્યેક ઘટાડા માટે 2 પરીક્ષણયોગ્ય પૂર્વધારણાઓ સૂચવો. ફક્ત મેં તમને આપેલા નંબરોનો ઉપયોગ કરો.

કદ

નબળી અભિગમ

મજબૂત અભિગમ

ડેટા

કોઈ નહિ

અનામી અને જોડાયેલ

પ્રશ્ન

સામાન્ય "શા માટે?"

રીફ્રેક્ટેડ અને કેન્દ્રિત

આઉટપુટ

સામાન્ય કારણો

ટેસ્ટેબલ પૂર્વધારણાઓ

ચકાસણીક્ષમતા

નીચું

ઉચ્ચ

નિર્ણય મૂલ્ય

ઓછા

ઉચ્ચ

સામાન્ય ભૂલો

• કુલ સંખ્યા પર આધાર રાખે છે. જ્યારે કુલ સ્થિર છે, ત્યાં અંદર મોટા ઉલટાઓ હોઈ શકે છે; બ્રેકડાઉન જોવાની ખાતરી કરો.
• કાર્યકારણ માટે સહસંબંધની ભૂલ. AI જે સંબંધ શોધે છે તેને ચકાસવા માટેની પૂર્વધારણા તરીકે જુઓ, પુરાવા તરીકે નહીં.
• અયોગ્ય સરખામણી. વિવિધ કદ/વય/સ્થિતિઓના એકમોને સામાન્ય બનાવ્યા વિના તેમની સરખામણી કરશો નહીં.
• AI થી સીધા નિર્ણયોની વિનંતી કરવી. AI વિકલ્પો જનરેટ કરે છે; તમે નિર્ણય અને જવાબદારી સહન કરો.
• સિંગલ પીરિયડ ડેટા સાથે તારણો દોરવા. ટ્રેન્ડિંગ માટે પૂરતો ઐતિહાસિક ડેટા જરૂરી છે.

સાવધાની: સમજ ગમે તેટલી હોંશિયાર લાગે, જો તે તમારા ડેટામાંથી ચકાસવામાં ન આવે તો તે નિર્ણય બનવો જોઈએ નહીં. "એઆઈએ આમ કહ્યું" એ વાજબીપણું નથી; "મેં ડેટા સાથે તેનું પરીક્ષણ કર્યું અને તે માન્ય કરવામાં આવ્યું" એક વાજબીપણું છે.

સારાંશમાં

નિર્ણય આધાર એ સીડી છે જે ડેટાને આંતરદૃષ્ટિમાં ફેરવે છે: ડેટા, માહિતી, સૂઝ, નિર્ણય. AI પ્રથમ બે પગલામાં ખૂબ જ ઝડપી છે, ત્રીજામાં સારો સહાયક છે અને ચોથામાં માત્ર એક વિકલ્પ પ્રદાતા છે. ભંગાણ જુઓ, કુલ સંખ્યાઓ નહીં; કાર્યકારણ માટે સહસંબંધને ભૂલશો નહીં; પરીક્ષણ કરવા માટે AI પૂર્વધારણાઓ તરીકે સૂચવે છે તે કારણો જુઓ. પગલાવાર વિચાર કરવાથી વધુ સચોટ પરિણામો મળે છે. માન્ય આંતરદૃષ્ટિના આધારે અંતિમ નિર્ણય મેનેજરનો છે.

એપ્લિકેશન કાર્ય

તમારા વ્યવસાયમાંથી એક અનામી ડેટા સેટ તૈયાર કરો (દા.ત. છેલ્લા 6 મહિના માટે કેટેગરી-આધારિત વેચાણ). AI ને ઉપરના “બ્રેકડાઉન એનાલિસિસ” ટેમ્પલેટ સાથે સેગમેન્ટ બ્રેકડાઉન કરવા દો. તમને મળેલા સૌથી મોટા ફેરફાર માટે "સહસંબંધ-કારણ પરીક્ષણ" ટેમ્પલેટનો ઉપયોગ કરીને એક પૂર્વધારણા બનાવો અને લખો કે તમે આ પૂર્વધારણાને 3 વસ્તુઓમાં ક્ષેત્રમાં કેવી રીતે ચકાસશો.

ચેકલિસ્ટ

• [ ] શું મેં ડેટાને અનામી રાખ્યો છે?
• [ ] શું મેં કુલને બદલે બ્રેકડાઉન (સેગમેન્ટ) જોયો?
• [ ] શું મેં AI દ્વારા સૂચવેલા કારણને પૂર્વધારણા તરીકે ગણાવ્યું?
• [ ] શું મેં સરખામણીઓ વાજબી રીતે સેટ કરી છે (સામાન્ય)?
• [ ] શું મેં ચકાસાયેલ આંતરદૃષ્ટિના આધારે જાતે નિર્ણય લીધો હતો?