Nyereség:
- Képes elmagyarázni az üzleti intelligencia rétegeket (forrás, ETL, adattárház, jelentés) és a kulcsfontosságú üzleti mutatók (KPI-k) helyes meghatározását.
- Mesterséges intelligencia használatának képessége metrikadefiníciók, SQL vázlatok és jelentés narratívák előállítására, valamint az eredmény valós adatokkal való ellátására
- Képes felismerni a korreláció-okozati összefüggés zavarának és a félrevezető mutatók kockázatát az AI által támogatott elemzési kimenetekben
Az üzleti intelligencia (BI) az a tudományág, amely a szervezet szétszórt adatait összegyűjti, elemzésre készen teszi, és ezekből az adatokból döntéstámogató információkat állít elő. Egy MIS szakember számára a BI az a réteg, ahol „az adatok döntésekké alakulnak”. A nyers rendelési rekordok önmagukban nem értelmesek; de "melyik régióban csökkent a forgalom ebben a hónapban, miért?" Értéket termel, ha olyan jelentés lesz belőle, amely választ tud adni a kérdésre. Ebben az egységben látni fogjuk a BI rétegeit, a megfelelő metrikus tervezést, és azt, hogy a mesterséges intelligencia hol gyorsító és csapda ebben a folyamatban.
A BI architektúra általában a következő rétegekből áll. Forrásrendszerek: Az adatok származási helyei, például ERP, CRM, e-kereskedelem. ETL folyamat (angolul Extract-Transform-Load): Az a folyamat, amely kivonja az adatokat a forrásokból (Extract), megtisztítja és szabványos struktúrává alakítja (Transform) és betölti a célba (Load). Adattárház: Központi adattár, ahol az elemzésre tervezett történelmi és konzisztens adatokat gyűjtik. Jelentési/vizualizációs réteg: irányítópultok, jelentések és ad-hoc lekérdezések. Ebben a láncban az egyes rétegek minősége határozza meg a következőt; Ha a forrás piszkos, a jelentés is piszkos.
A mérőszámok és a KPI-k helyes meghatározása
A metrika egy mért számérték: teljes forgalom, megrendelések száma. A KPI (Key Performance Indicator) egy kritikus mérőszám, amely a teljesítményt egy célhoz viszonyítva méri: „5% alatti havi ügyféllemorzsolódási arány”. Nem minden mérőszám KPI; A KPI egy olyan mérőszám, amely üzleti célhoz van kötve, és döntést vált ki.
A BI-projektek legálomosabb problémája a mérőszámok homályos meghatározása. Mit jelent az „aktív ügyfél”? Az elmúlt 30 vagy 90 napban rendelte? Beszámítják a hazatérőket? Ha két csapat különböző dolgokat ért az „aktív ügyfelek száma” alatt, akkor ugyanaz az irányítópult két különböző tényt mutat. Ezért minden KPI-nek rendelkeznie kell egy egymondatos, széles körben elfogadott definícióval. Az AI gyorsan elkészíti ezeknek a definícióknak a vázlatát; de az üzleti egység feladata eldönteni, hogy melyik meghatározás a "helyes".
Tipp: KPI tervezésekor írjon fel három dolgot: (1) képlet (pontosan mi a számláló/nevező), (2) időablak, (3) kizárt esetek. Ha a mesterséges intelligencia azt mondja, hogy „a KPI definíciójának kétértelműségeit kérdésként vonja ki” – rejtett feltételezésekre derül fény.
Lépésről lépésre: AI-alapú jelentéskészítés
1. lépés – Tisztázza a kérdést. Milyen döntést fog szolgálni a jelentés? Konkrét cél, mint például „mi majd eldöntjük, melyik régióba toljuk át a költségvetést”, nem pedig „jól kell kinéznie”.
2. lépés – Mutatók meghatározása. Írja be a szükséges KPI-ket képletekkel, ablakokkal és kivételekkel. A mesterséges intelligencia definíciótervezeteket készíthet.
3. lépés – SQL-vázlat létrehozása. Adjon sémainformációkat a mesterséges intelligenciának, és készítsen lekérdezési vázlatot. De olvassa el és értse meg a lekérdezést, mielőtt futtatná.
4. lépés – Ellenőrizze kis adatokkal. Először futtassa a lekérdezést egy kis mintán, ismert eredményekkel; Ellenőrizze az összegeket manuálisan. Az AI SQL-je lehet szintaktikailag helyes, de logikailag helytelen.
5. lépés – Adjon hozzá narratívát, tesztelje az állításokat. A mesterséges intelligencia képes narratív szöveget készíteni a jelentéshez; hanem minden ok-okozati állítást bizonyítson („ezért esett az eladások”).
A korreláció és oksági csapda
A BI legveszélyesebb hibája az, hogy két olyan mérőszámot értelmez, amelyek együtt működnek úgy, hogy „az egyik létrehozza a másikat”. A korreláció az, amikor két érték együtt változik; Az okság az, amikor az egyik okozza a másikat. A „A jégkrémeladások növekedésével nőtt a fulladásos esetek” mondat igaz, de a fagylalt nem okoz fulladást; A gyakori ok a nyár (meleg idő). A mesterséges intelligencia könnyen ok-okozati mondatokat tud alkotni a jelentés narratívája elkészítésekor; A MIS szakértője ezekre az állításokra azzal a kérdéssel válaszol, hogy "van-e más magyarázat?" Neki kellene tesztelnie. Ellenkező esetben rossz döntés születik rossz indok alapján.
Három mini tok: a számok szerint
1. eset – Nem definiált mérőszám költsége. Egy távközlési cégnél az igazgatóság elé terjesztett "aktív előfizetők" száma 2,1 millió, a pénzügyi csoport jelentése pedig 1,7 millió volt. A különbség az volt, hogy az egyik 90 napot számított "aktívnak", míg a másik 30 napot. A rossz növekedési ütemről két hétig vitatkoztak, amíg a közös definíciót tisztázták. Az egymondatos KPI-definíció elkerülné ezt a félreértést.
2. eset – az AI rossz SQL-t használ. Az egyik kiskereskedőnél az AI visszatérési sorokat adott hozzá a végösszeghez, amikor létrehozta az „átlagos kosár vásárlónként” lekérdezést; Az eredmény 12%-kal haladta meg a tényleges értéket. Az SQL szintaktikailag tökéletes volt. Amikor a szakértő manuálisan ellenőrizte az ismert napok összesítését, észlelte az eltérést, és hozzáadta a visszatérési szűrőt.
3. eset – Az ok-okozati összefüggés tévedése. Egy e-kereskedelmi vállalatnál az irányítópult azt írta, hogy "az eladások 18%-kal magasabbak azokon a napokon, amikor egy e-mail kampányt küldenek", és a csapat a kampány költségvetésének növelésére készült. Az elemzés kimutatta, hogy a kampányokat már úgy időzítették, hogy egybeesjenek a nagy forgalmú kampánynapokkal (leszámítolási időszakokkal). Nem az e-mailek, hanem az időszak vezette az eladásokat. Ha a költségvetést a kontrollcsoporttal végzett tesztelés nélkül növelnék, a pénz elpazarolná.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Írjon SQL értékesítési jelentést ebből a táblázatból.
Erőteljes felszólítás:
Az Ön szerepe: Ön figyelmes BI-elemző.Írjon SQL lekérdezés TERVEZETET az alábbi ábra szerint.Szabályok:- Csak a megadott táblákat/mezőket használja; nem illeszkedő mező.- A visszaküldések (status='Return') KIZÁRÁSA a végösszegből.- Időablak: az elmúlt 30 nap.- Soronként írja meg, hogy mit csinál a lekérdezés.- Javasoljon 1 mintasort, amely a végén manuálisan ellenőrizhető tesztelésre.Séma:Rendelés(id, ügyfél_azonosítója, dátum, összeg, összeg, forgalom, nettó szegmens 3 nap)(idur) szegmens szerint.
A hatékony prompt korlátozza a sémát, előírja az üzleti szabályt (kivéve a visszatérést), megadja az ablakot, és ellenőrizhető kimenetet kér.
Négy másolható sablon
1) A KPI meghatározásának pontosítása:
Írjon teljes leírást a következő KPI-hez: képlet (számláló/nevező), időablak, kizárt esetek. A definíció bármely kétértelműségét kérdésként adja hozzá.KPI: [név, pl. "ügyfél lemorzsolódási aránya"]
2) SQL logikai ellenőrzés:
Vizsgálja meg a következő SQL-lekérdezést: fennáll-e a logikai hibák, a helytelen JOIN-ok, a hiányzó szűrők vagy a dupla számlálás veszélye? Írjon indoklást minden megállapításhoz! Ne módosítsa a lekérdezést, csak ellenőrizze. SQL: [lekérdezés]
3) Jelentés szövege + követelésvezérlés:
Írjon egy rövid összefoglalót az alábbi eredménytáblázatból. Minden ok-okozati összefüggés mellett jelölje be a [BIZONYÍTÉK SZÜKSÉGES] címkét, és javasoljon alternatív magyarázatot. Csak hagyatkozzon a táblázatban szereplő adatokra. táblázat: [adatok]
4) A metrikus konzisztencia ellenőrzése:
Az alábbi két jelentésben az azonos nevű mutatók különböző értékeket adnak. Felsoroljuk a lehetséges eltéréseket a definícióban (időablak, szűrő, számítás). Jelentések: [A] [B]
Összehasonlító táblázat: jó és rossz KPI
jellemzője
Rossz KPI
Jó KPI
Leírás
"Aktív ügyfél"
"Az elmúlt 30 napban ≥1 teljesített megrendeléssel rendelkező ügyfél"
kötődés a céllal
Egyik sem
"5%-os veszteség alatt maradni"
mérhetőség
kétértelmű
képlet világos
kivétel
bizonytalan
Visszatérések nélkül
Döntést vált ki?
nem
Igen
Gyakori hibák
- A mutató definiálatlanul hagyása. Ha az olyan szavakat, mint az „aktív”, „sikeres”, „befejezett” képlet nélkül használjuk, minden csapat másképp számol.
- Az AI SQL futtatása ellenőrzés nélkül. A szintaktikailag helyes lekérdezés logikailag hibás lehet; gyakori a dupla számolás és a helytelen JOIN.
- Zavaros összefüggés az oksággal. Ha azt gondolnánk, hogy „ezzel nőtt” azt jelenti, hogy „ez okozta”, az rossz döntéshez vezet.
- Hiúság metrikus üldözés. A képzeletbeli, de nem meghatározó mutatókat, például az „összes kattintást” félretéveszti KPI-ként.
- Számok bemutatása kontextus nélkül. A "4,2 milliós forgalom" önmagában értelmetlen; A kontextusra a múlt hónap, a cél vagy a költségvetés alapján van szükség.
Vigyázat: A mesterséges intelligencia által készített jelentésbeli narratívák meggyőzőek és gördülékenyek; Ez pontosan megnöveli a kockázatot. Egy gördülékeny mondat tartalmazhat hamis ok-okozati összefüggést. Tesztelje minden „mert” és „ezért” állítást bizonyítékokkal.
Összefoglalva
Az üzleti intelligencia az a réteg, amely a szétszórt adatokat döntésekké alakítja, és forrásból, ETL-ből, adattárházból és jelentési láncból áll. A KPI egy üzleti célhoz kötött kritikus mérőszám, világosan meghatározott képlettel és kivételekkel; Az undefined metrika a leggyakoribb BI hiba. A mesterséges intelligencia jelentős sebességet biztosít a KPI-definíciók, az SQL-vázlatok és a jelentés narratíva előállításában; de minden SQL-t logikailag igazolni kell, minden számot ismert adatokkal kell alátámasztani, és minden oksági állítást bizonyítékkal kell tesztelni. A korreláció nem okozati összefüggés; A folyékony narratíva nem garantálja a pontosságot.
Pályázati feladat
Tervezze meg a „teljesítési arány” KPI-t egy online tanfolyami platformhoz. (1) Írjon egy mondatos leírást képletekkel, időablakkal és kivételekkel (pl. számítják-e a törölt regisztrációkat?). (2) Hozzon létre egy egyszerű sémát (Regisztráció, Tanfolyam, Haladás), és állítsa elő az SQL-vázlatot ehhez a KPI-hez egy hatékony prompt segítségével. (3) Keressen a lekérdezésben legalább egy lehetséges dupla számlálás vagy hibás szűrés kockázatát. (4) Nyomtassa ki a következtetés összefoglalóját, és jelölje meg benne az egyes okozati összefüggéseket. (5) Állítson fel példát a korreláció-okozati összefüggés csapdájára, és magyarázza el, hogyan tesztelné.
ellenőrző lista
- [ ] Minden egyes KPI képlet, időablak és kivétel meg van írva.
- [ ] Sorról sorra elolvastam és megértettem az AI által generált SQL-t.
- [ ] A lekérdezést manuálisan érvényesítettem kevéssé ismert adatokkal.
- [ ] A jelentésben szereplő minden oksági állítást bizonyítékokkal teszteltem.
- [ ] Minden számot kontextusba helyeztem egy benchmark segítségével (cél/utolsó időszak).
- [ ] Csoportközi konszenzust értem el a metrika definícióit illetően.