Keuntungan:
- Kemampuan untuk mengubah pertanyaan pelanggan yang ambigu menjadi pernyataan masalah yang jelas dan dapat dipecahkan serta membangun pohon hipotesis MECE (pohon masalah) dengan kecerdasan buatan
- Kemampuan menggunakan kecerdasan buatan untuk menghasilkan hipotesis dan mendeteksi titik buta, dan memutuskan dengan penilaian sendiri hipotesis mana yang akan diuji terlebih dahulu.
- Kemampuan untuk mengenali dan menghindari kesalahan umum dalam penataan masalah (cabang yang saling bertentangan, mengasumsikan solusi sebelumnya, pertanyaan yang salah).
Kesalahan paling mahal dalam sebuah proyek konsultasi adalah menyelesaikan pertanyaan yang salah. Pelanggan bertanya “penjualan kita menurun, apa yang harus kita lakukan?” muncul: namun pertanyaan sebenarnya adalah "di segmen mana, mengapa dan berapa banyak yang berada di bawah kendali kita?" itu bisa saja. Konsultan berpengalaman memulai dengan mendefinisikan masalah dengan benar, bukan dengan mencari jawaban. Kecerdasan buatan adalah mitra berpikir yang sempurna pada tahap ini: ia menghasilkan lusinan kemungkinan penyebab, sub-pertanyaan, dan hipotesis dalam hitungan menit. Namun memutuskan pertanyaan mana yang merupakan pertanyaan yang tepat membutuhkan penilaian, dan penilaian itu ada di tangan Anda.
Dalam unit ini, kami akan menggabungkan dua alat yang menjadi tulang punggung konsultasi dengan kecerdasan buatan: pohon hipotesis (pohon isu, diagram pohon yang membagi masalah menjadi sub-pertanyaan) dan prinsip MECE (Mutually Exclusive, Collectively Exhaustive — cabang-cabangnya tidak saling tumpang tindih dan bersama-sama mencakup masalah secara menyeluruh).
Dari pertanyaan yang tidak jelas hingga masalah yang bisa dipecahkan
Pernyataan masalah yang baik mencakup empat hal: siapa (pengambil keputusan), apa (keputusan), kriteria (keberhasilan apa yang diukur), batasan (ruang lingkup dan durasi). “Penjualan menurun” adalah sebuah keluhan; “Manakah 3 pengungkit paling efektif yang akan meningkatkan omset di segmen B2B sebesar 10% dalam 12 bulan ke depan, dengan anggaran saat ini?” adalah pernyataan masalah. Anda dapat mewujudkan transformasi ini dengan kecerdasan buatan, tetapi pertama-tama Anda harus menjelaskan situasi mentahnya dengan jelas.
Peran Anda: pelatih penataan masalah untuk konsultan manajemen. Saya akan memberikan keluhan mentah klien kepada Anda. Tugas Anda:1) Ubah pernyataan ini menjadi satu kalimat, pernyataan masalah yang terukur (harus mencakup pembuat keputusan, keputusan, kriteria keberhasilan, ruang lingkup, durasi).2) Mengungkapkan 3 asumsi implisit yang menjadi dasar pernyataan ini.3) Menyarankan 2 kerangka masalah alternatif untuk melawan risiko "memecahkan pertanyaan yang salah". Keluhan mentah: "[dalam kata-kata klien...]"
Tip: Bacakan kembali pernyataan masalah kepada pelanggan. “Jadi kesuksesan bagi Anda adalah peningkatan omset B2B sebesar 10% dalam 12 bulan, bukan?” Kalimat tunggal ini menentukan arah proyek dan perdebatan “kami tidak menginginkan ini” sejak awal.
Membangun pohon hipotesis dengan kecerdasan buatan
Setelah masalahnya jelas, Anda membaginya. Akar pohon adalah pertanyaan utama; cabang merupakan sumbu respons yang mungkin; daun adalah hipotesis yang dapat diuji. Misalnya, “Mengapa omset B2B tidak meningkat?” Pertanyaannya dapat dibagi menjadi dua cabang utama: (1) akuisisi pelanggan baru lemah, (2) pendapatan pelanggan lama menurun. Setiap cabang dibagi menjadi sub-cabangnya masing-masing. Pohon yang baik adalah MECE.
Peran Anda: ahli pohon hipotesis MECE. Pertanyaan utama: "[pernyataan masalah]" Tugas: Cabangkan pertanyaan ini tidak lebih dari 2 tingkat. Aturan: - Cabang tingkat pertama harus MECE (tidak ada tumpang tindih, tidak ada celah). - Setiap daun harus berupa kalimat hipotesis yang dapat diuji data (dalam bentuk "... karena ..."). tandai cabangnya.
AI memberi Anda pohon dengan 15 hipotesis dalam 3 detik. Namun tugas Anda tidak berakhir di situ, tugas Anda dimulai: Anda memilih cabang mana yang benar-benar MECE, hipotesis mana yang paling mungkin dan paling mudah untuk diuji.
Prioritas: hipotesis mana yang harus diuji terlebih dahulu
Tidak ada waktu untuk menguji semua hipotesis. Gunakan dua sumbu: dampak (seberapa besar kontribusinya terhadap solusi jika itu benar) dan kemudahan (seberapa cepat/murah pengujiannya). Mereka yang memiliki dampak tinggi + kenyamanan tinggi adalah yang utama. Ini disebut "sapuan kemenangan cepat".
hipotesis
Efek (1-5)
Kemudahan pengujian (1-5)
prioritas
Penetapan harga berada di belakang pesaing
5
4
Sebelumnya
Tim penjualan tidak memadai di B2B
4
3
lalu
Ada kesenjangan fitur produk
4
2
penelitian
Kesadaran merek rendah
3
2
tahan
Anda dapat meminta kecerdasan buatan mengisi matriks ini; tetapi tinjau skor dampak dan kenyamanan dengan pengetahuan industri Anda sendiri. Model ini sering kali melebih-lebihkan kemudahan pengujian.
Peran Anda: analis prioritas. Tempatkan daftar hipotesis berikut ke dalam matriks kemudahan dampak. Untuk setiap hipotesis: dampak (1-5), kemudahan pengujian (1-5), diperlukan sumber data tunggal, rekomendasi (sebelum/sesudah/menyelidiki/menahan). Aturannya: berikan skor kemudahan secara optimis, tuliskan alasannya. Soroti 2 hipotesis dengan pengganda “dampak × kemudahan” tertinggi. Hipotesis: [daftar]
tiga kasus mini
Kasus 1 — Pertanyaan yang salah dikoreksi. Sebuah jaringan ritel bertanya, "Kita mempunyai tingkat pergantian karyawan yang tinggi, haruskah kita menaikkan gaji?" dia bertanya. Konsultan membuka kerangka masalah dengan kecerdasan buatan; Model ini mengilustrasikan tiga asumsi implisit: gaji adalah masalahnya, omzet sama di semua toko, dan gaji adalah solusinya. Data yang diambil: 70% tingkat turnover terjadi pada 3 toko dan selalu pada dua tim manajer yang sama. Pertanyaan sebenarnya adalah perilaku manajer. Kenaikan gaji sebesar 14 juta TL akan menjadi solusi yang salah.
Kasus 2 — Pohon non-MECE. Seorang konsultan bertanya kepada model "mengapa laba turun?" Dia menginginkan pohon itu. Model ini memberikan cabang “pendapatan rendah”, “biaya tinggi”, “persaingan meningkat”. Dua cabang pertama adalah MECE (laba = pendapatan − biaya), namun “peningkatan persaingan” adalah sebab dan pendapatan/biaya adalah akibat; Tingkat cabang beragam. Konsultan memperbaiki pohonnya: tingkat satu adalah pendapatan dan biaya saja; Persaingan menyebabkan sub-cabang pendapatan.
Kasus 3 — Prioritas membuahkan hasil. Di perusahaan perangkat lunak B2B, 12 hipotesis dihasilkan. Matriks dampak-kenyamanan menempatkan hipotesis "proses orientasi yang lama" dalam kotak kenyamanan berdampak tinggi-tinggi. Dikonfirmasi oleh analisis data selama seminggu: Tingkat pembatalan pelanggan yang tidak diaktifkan dalam 30 hari adalah 3 kali lebih tinggi. Sedikit intervensi (instalasi terpandu) mengurangi pembatalan sebesar 22%. Menguji hipotesis yang benar terlebih dahulu akan mempersingkat proyek.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Buatkan saya daftar mengapa laba perusahaan ini turun.
Model ini menyebutkan penyebab-penyebab yang acak, tumpang tindih, dan tidak berdasar; Hal ini tidak membangun kerangka berpikir.
Perintah yang kuat:
Peran Anda: Spesialis penataan masalah MECE. Pertanyaan utama: “Perusahaan baru saja membangun.
Periksa pertanyaan tentang struktur masalah yang baik
Saat Anda menyelesaikan pohon Anda, ajukan pertanyaan berikut: Anda juga dapat menanyakan kecerdasan buatan, tetapi Andalah yang membuat keputusan akhir:
- Apakah pertanyaan mendasar benar-benar merupakan pertanyaan yang ingin diputuskan oleh pelanggan? - Apakah cabang tingkat pertama saling tumpang tindih? (Saling eksklusif?) - Apakah ada yang tertinggal? (Apakah lengkap jika digabungkan?) - Bisakah setiap lembar diuji dengan data, atau opini? - Apakah saya sudah memperkirakan solusinya sebelumnya? (Misalnya, “gaji adalah solusinya”)
Kesalahan umum
- Cantumkan solusi dalam pertanyaan. “Haruskah kita menurunkan harganya?” Pertanyaannya mengandaikan adanya solusi dan membuat pengungkit lainnya tidak terlihat. Tanyakan "mengapa" terlebih dahulu.
- Cabang yang tumpang tindih. Jika "pelanggan korporat" dan "pelanggan besar" adalah cabang yang terpisah, pelanggan yang sama akan dihitung di dua tempat; MECE rusak.
- Tingkat pencampuran. Menempatkan sebab (persaingan) pada tingkat yang sama dengan akibat (penurunan pendapatan) membuat pohon tersebut menjadi tidak rasional.
- Daun yang tidak dapat diuji. “Manajemen yang buruk” hanyalah sebuah penilaian, bukan hipotesis. "Waktu pengambilan keputusan rata-rata 40 hari, 12 hari dalam industri" adalah hipotesis yang dapat diuji.
- Menerima pohon model apa adanya. AI memberikan gambaran singkat; Audit dan penentuan prioritas MECE adalah tugas Anda.
Perhatian: AI menyajikan pohon hipotesis dengan cara yang sangat meyakinkan. Persuasi bukanlah akurasi. Selalu periksa pohon secara manual untuk MECE; Menggambar cabang dengan pena dan kertas sering kali menunjukkan tumpang tindih yang terlewatkan oleh model.
Singkatnya
Dalam konsultasi, nilai ada pada pertanyaan yang tepat sebelum jawaban yang benar. AI sangat ampuh dalam mengubah keluhan yang tidak jelas menjadi pernyataan masalah yang terukur, mengungkap asumsi implisit, dan dengan cepat membuat sketsa pohon hipotesis. Namun terserah Anda untuk memutuskan apakah pohon tersebut MECE, hipotesis yang dapat diuji, dan hipotesis mana yang akan diuji terlebih dahulu. Model tersebut menghasilkan rancangan; Tugas konsultan adalah memiliki, mengendalikan, dan memprioritaskan masalah.
Tugas aplikasi
Pilih keluhan pelanggan yang nyata atau khayalan (satu kalimat). Pertama, ubah hal ini menjadi pernyataan masalah yang terukur dan tiga asumsi implisit dengan petunjuk penyusunan masalah yang kuat. Kemudian buat pohon dua tingkat dengan prompt pohon hipotesis MECE. Periksa pohon secara manual untuk menemukan dan memperbaiki setidaknya satu konflik atau kesenjangan. Terakhir, isi matriks efek-kemudahan dan pilih dua hipotesis untuk diuji terlebih dahulu.
daftar periksa
- [ ] Saya mengubah keluhan mentah menjadi pernyataan masalah dengan siapa/apa/kriteria/ruang lingkup/durasi.
- [ ] Saya menemukan asumsi implisit.
- [ ] Saya memeriksa tingkat pertama pohon hipotesis saya sebagai MECE.
- [] Saya memverifikasi bahwa setiap daun adalah hipotesis yang dapat diuji.
- [ ] Saya memastikan saya tidak mengubur solusi dalam pertanyaan.
- [ ] Saya prioritaskan dengan matriks impact-ease.
- [ ] Saya tidak begitu saja menerima pohon model dan memperbaikinya secara manual.