Dobici:
- Sposobnost objašnjavanja slojeva poslovne inteligencije (izvor, ETL, skladište podataka, izvješće) i točne definicije ključnih poslovnih metrika (KPI).
- Sposobnost korištenja umjetne inteligencije za izradu metričke definicije, SQL nacrta i naracije izvješća te pružanje rezultata sa stvarnim podacima
- Sposobnost prepoznavanja rizika od zabune korelacije i uzročnosti i pogrešnih metrika u rezultatima analize podržane umjetnom inteligencijom
Poslovna inteligencija (BI) je disciplina koja prikuplja disperzirane podatke organizacije, priprema ih za analizu i proizvodi informacije koje podupiru odluke iz tih podataka. Za MIS profesionalca, BI je sloj gdje se "podaci pretvaraju u odluke". Neobrađeni zapisi naloga sami po sebi nemaju smisla; ali "u kojoj je regiji ovaj mjesec smanjen promet, zašto?" Stvara vrijednost kada postane izvješće koje može odgovoriti na pitanje. U ovoj jedinici vidjet ćemo slojeve BI-a, pravi metrički dizajn i gdje je umjetna inteligencija akcelerator i zamka u ovom procesu.
BI arhitektura općenito se sastoji od sljedećih slojeva. Izvorni sustavi: Mjesta odakle podaci potječu, kao što su ERP, CRM, e-trgovina. ETL proces (engleski Extract-Transform-Load): Proces koji izdvaja podatke iz izvora (Extract), čisti ih i pretvara u standardnu strukturu (Transform) te učitava u cilj (Load). Skladište podataka: središnje spremište u kojem se prikupljaju povijesni i dosljedni podaci dizajnirani za analizu. Sloj izvješća/vizualizacije: nadzorne ploče, izvješća i ad-hoc upiti. U ovom lancu kvaliteta svakog sloja određuje sljedeći; Ako je izvor prljav, izvješće je također prljavo.
Ispravno definiranje metrike i KPI-ja
Metrika je izmjerena brojčana vrijednost: ukupni promet, broj naloga. KPI (Key Performance Indicator) kritična je metrika koja mjeri izvedbu u odnosu na cilj: "mjesečna stopa odljeva korisnika ispod 5%". Nije svaka metrika KPI; KPI je metrika koja je povezana s poslovnim ciljem i pokreće odluku.
Najpodmukliji problem BI projekata je nejasna definicija metrike. Što znači "aktivan kupac"? Naručeno u zadnjih 30 dana ili 90 dana? Broje li se povratnici? Ako dva tima misle različite stvari pod "brojem aktivnih kupaca", ista nadzorna ploča prikazuje dvije različite činjenice. Zato bi svaki KPI trebao imati jednu rečenicu, široko prihvaćenu definiciju. AI brzo proizvodi nacrte ovih definicija; ali na poslovnoj jedinici je da odluči koja je definicija "točna".
Savjet: kada dizajnirate KPI, zapišite tri stvari: (1) formulu (što je točno brojnik/nazivnik), (2) vremenski okvir, (3) izuzete slučajeve. Kada AI kaže "izdvoj dvosmislenosti u definiciji ovog KPI-ja kao pitanja" otkriva skrivene pretpostavke.
Korak po korak: Generiranje izvješća pomoću umjetne inteligencije
Korak 1 — Razjasnite pitanje. Kakvoj će odluci poslužiti izvješće? Konkretan cilj poput "mi ćemo odlučiti na koju regiju ćemo prebaciti proračun", a ne "to bi trebalo izgledati lijepo".
Korak 2 — Definirajte metriku. Napišite potrebne KPI-ove s formulama, prozorima i iznimkama. Umjetna inteligencija može proizvesti nacrte definicija.
Korak 3 — Generirajte SQL nacrt. Dajte informacije o shemi umjetnoj inteligenciji i izradite nacrt upita. Ali pročitajte i razumite upit prije nego što ga pokrenete.
Korak 4 — Provjerite s malim podacima. Prvo pokrenite upit na malom uzorku s poznatim rezultatima; Provjerite ukupne iznose ručno. AI-jev SQL može biti sintaktički točan, ali logički netočan.
Korak 5 — Dodajte narativ, testne tvrdnje. AI može proizvesti narativni tekst za izvješće; ali dokazati svaku uzročnu tvrdnju (“zato je prodaja pala”).
Zamka korelacije i uzročnosti
Najopasnija pogreška u BI-u je tumačenje dvije metrike koje djeluju zajedno kao "jedna stvara drugu". Korelacija je kada se dvije vrijednosti mijenjaju zajedno; Uzročnost je kada jedno uzrokuje drugo. Rečenica "Kako je prodaja sladoleda rasla, povećali su se i slučajevi utapanja" je točna, ali sladoled ne uzrokuje utapanje; Uobičajeni uzrok je ljeto (vruće vrijeme). Umjetna inteligencija može lako napraviti uzročne rečenice kada proizvodi narativ izvješća; Stručnjak za MIS na ove tvrdnje odgovara pitanjem "postoji li neko drugo objašnjenje?" Trebao bi ga testirati. Inače će se donijeti pogrešna odluka na temelju pogrešnog razloga.
Tri mini kućišta: po brojevima
Slučaj 1 — Trošak nedefinirane metrike. U jednoj telekom kompaniji, broj "aktivnih pretplatnika" predstavljen upravnom odboru bio je 2,1 milijun, a izvješće financijskog tima bilo je 1,7 milijuna. Razlika je bila u tome što je jedan računao 90 dana kao "aktivan", dok je drugi brojao 30 dana. O pogrešnoj stopi rasta raspravljalo se dva tjedna dok se nije razjasnila uobičajena definicija. Definicija KPI-ja od jedne rečenice izbjegla bi ovu zabunu.
Slučaj 2 — AI-jev pogrešan SQL. Kod jednog trgovca, AI je ukupnom iznosu dodao retke povrata prilikom generiranja upita "prosječna košarica po kupcu"; Rezultat je bio 12% iznad stvarne vrijednosti. SQL je bio sintaktički savršen. Kada je stručnjak ručno provjerio poznati ukupni dnevni iznos, uhvatio je odstupanje i dao dodati filtar povrata.
Slučaj 3 — Pogreška uzročnosti. U tvrtki za e-trgovinu, nadzorna ploča govorila je da je "prodaja veća za 18% u danima kada je poslana kampanja e-poštom" i tim se spremao povećati proračun kampanje. Analiza je pokazala da su kampanje već bile tempirane tako da se podudaraju s danima kampanje s velikim prometom (razdoblja popusta). Razdoblje je potaknulo prodaju, a ne e-pošta. Kad bi se proračun povećao bez testiranja s kontrolnom skupinom, novac bi bio uzalud bačen.
Slab upit / Jak upit
Slab upit:
Napišite SQL izvještaj o prodaji iz ove tablice.
Snažan upit:
Vaša uloga: Vi ste pažljivi BI analitičar. Napišite NACRT SQL upita prema donjem dijagramu. Pravila: - Koristite samo dane tablice/polja; neprikladno polje.- ISKLJUČI povrate (status='Return') iz ukupnog broja.- Vremenski prozor: zadnjih 30 dana.- Komentirajte redak po redak što upit radi.- Predložite 1 uzorak retka koji se može ručno potvrditi za testiranje na kraju. Shema:Narudžba(id, customer_id, datum, iznos, status)Kupac(id, ime, segment)Svrha: zadnjih 30 dana neto promet po segmentima.
Snažni prompt ograničava shemu, nameće poslovno pravilo (isključujući povratak), specificira prozor i zahtijeva provjerljiv izlaz.
Četiri predloška za kopiranje
1) Pojašnjenje definicije KPI-ja:
Napišite puni opis za sljedeći KPI: formulu (brojnik/nazivnik), vremenski okvir, izuzete slučajeve. Sve dvosmislenosti u definiciji dodajte kao pitanje.KPI: [ime, npr. "stopa odlaska korisnika"]
2) SQL provjera logike:
Pregledajte sljedeći SQL upit: postoji li rizik od logičkih pogrešaka, netočnih JOIN-ova, nedostajućih filtara ili dvostrukog brojanja? Za svaki nalaz napišite obrazloženje. Ne mijenjajte upit, samo ga provjerite. SQL: [upit]
3) Narativ izvješća + kontrola zahtjeva:
Napišite kratak izvršni sažetak iz tablice rezultata u nastavku. Označite [TRAŽI SE DOKAZ] pored svake uzročne tvrdnje i predložite alternativno objašnjenje. Samo se oslonite na podatke u tablici. Tablica: [podaci]
4) Provjera dosljednosti metrike:
U dva izvješća u nastavku, mjerni podaci s istim nazivom daju različite vrijednosti. Navedene su moguće razlike u definiciji (vremenski prozor, filtar, izračun). Izvješća: [A] [B]
Usporedna tablica: dobar i loš KPI
značajka
Loš KPI
Dobar KPI
Opis
"Aktivan kupac"
"Kupac s ≥1 dovršenom narudžbom u zadnjih 30 dana"
veza s metom
Nijedan
"Ostati ispod 5% stope gubitka"
mjerljivost
dvosmislen
formula jasna
izuzetak
neizvjestan
Isključujući povrate
Pokreće li to odluku?
br
da
Uobičajene greške
- Ostavljanje metrike nedefinirano. Ako se riječi kao što su "aktivan", "uspješan", "završen" koriste bez formule, svaki tim se broji drugačije.
- Pokretanje AI-ovog SQL-a bez provjere. Sintaktički ispravan upit može biti logički netočan; dvostruko brojanje i netočan JOIN su uobičajeni.
- Zbunjujuća korelacija s uzročnom vezom. Razmišljanje da "povećalo se s tim" znači "ovo je uzrokovalo ono" dovelo bi do pogrešne odluke.
- Vanity metric potraga. Zamjena otmjenih, ali neodlučnih metrika kao što je "ukupni broj klikova" kao KPI.
- Iznošenje brojeva bez konteksta. Sam "Promet 4,2 milijuna" je besmislen; Kontekst je potreban na temelju prošlog mjeseca, cilja ili proračuna.
Oprez: Narativi izvješća koje proizvodi umjetna inteligencija su uvjerljivi i fluidni; To upravo povećava rizik. Tečna rečenica može sadržavati lažnu tvrdnju o uzročnosti. Testirajte svaku izjavu "jer" i "dakle" dokazima.
Ukratko
Poslovna inteligencija je sloj koji pretvara raspršene podatke u odluke i sastoji se od izvora, ETL-a, skladišta podataka i lanca izvješćivanja. KPI je kritična metrika povezana s poslovnim ciljem, s jasno definiranom formulom i iznimkama; nedefinirana metrika je najčešća BI greška. Umjetna inteligencija pruža značajnu brzinu u izradi KPI definicije, SQL nacrta i narativa izvješća; ali svaki SQL mora biti logički opravdan, svaki broj mora biti potkrijepljen poznatim podacima, a svaka uzročna tvrdnja mora biti testirana dokazima. Korelacija nije uzročnost; Fluidna priča ne jamči točnost.
Zadatak aplikacije
Osmislite KPI "stope završetka" za platformu online tečaja. (1) Napišite opis u jednoj rečenici s formulom, vremenskim okvirom i iznimkama (npr., računaju li se otkazane registracije?). (2) Napravite jednostavnu shemu (Registracija, Tečaj, Napredak) i neka se generira SQL nacrt za ovaj KPI sa snažnim upitom. (3) Pronađite barem jedan mogući rizik dvostrukog brojanja ili netočnog filtriranja u upitu. (4) Ispišite izvršni sažetak zaključka i u njemu označite svaku uzročnu tvrdnju. (5) Postavite primjer zamke korelacija-uzročnost i objasnite kako biste je testirali.
popis za provjeru
- [ ] Napisana je formula, vremenski prozor i izuzetak svakog KPI-ja.
- [ ] Pročitao sam i razumio SQL koji je generirao AI red po red.
- [ ] Ručno sam potvrdio upit s malo poznatim podacima.
- [ ] Svaku uzročnu tvrdnju u izvješću testirao sam dokazima.
- [ ] Kontekstualizirao sam svaki broj s mjerilom (cilj/posljednje razdoblje).
- [ ] Postigao sam konsenzus među timovima o metričkim definicijama.