Keuntungan:
- Kemampuan untuk menghasilkan wawasan berorientasi keputusan dari data yang tersebar dengan memahami tangga keputusan data-informasi-wawasan dan menjalankan kecerdasan buatan langkah demi langkah
- Kemampuan untuk mengungkapkan kebenaran yang tersembunyi oleh jumlah total melalui pemecahan segmen dan membedakan korelasi dari kausalitas
- Kemampuan untuk memperlakukan alasan yang disarankan oleh kecerdasan buatan sebagai hipotesis untuk diuji dan mendasarkan keputusan akhir pada wawasan yang terverifikasi
Lusinan angka muncul di meja manajer setiap hari: angka penjualan, biaya, keluhan pelanggan, tingkat inventaris, tingkat pergantian karyawan. Namun angka saja bukanlah penentunya. Keputusannya dimulai dengan melihat arti di dalam angka tersebut. "Penjualan turun 8 persen dibandingkan bulan lalu" adalah suatu hal yang pasti; “Penurunan penjualan disebabkan oleh dua pelanggan besar di wilayah Aegean yang menunda pesanannya” adalah sebuah wawasan. Di sini, pendukung keputusan – proses yang membuat data bermakna bagi manajer untuk membuat keputusan yang lebih baik – adalah jembatan yang mengubah data menjadi wawasan. Di unit ini, kita akan mempelajari cara menggunakan AI di jembatan ini. Batasannya sudah jelas sejak awal: AI menghasilkan konsep wawasan; Manajer memutuskan wawasan mana yang nyata dan apa yang harus dilakukan.
Empat langkah dari data menuju wawasan
Pendukung keputusan adalah sebuah tangga. Digit pertama — data: angka mentah (1.240 pesanan tiba bulan ini). Digit kedua — informasi: angka-angka yang diedit dan dibandingkan (turun 8 persen dari bulan lalu). Tingkat ketiga — wawasan: pemahaman tentang alasan penolakan (penundaan dari dua pelanggan utama). Langkah keempat — keputusan: apa yang harus dilakukan (wawancarai pelanggan ini dan targetkan pelanggan baru). AI sangat cepat pada langkah pertama dan kedua, merupakan penolong yang baik pada langkah ketiga, hanya menawarkan opsi pada langkah keempat.
Mengetahui tangga ini penting karena sebagian besar manajer secara langsung meminta AI untuk “memutuskan untuk saya” dan menjadi frustrasi. Namun, jika Anda menjalankan AI selangkah demi selangkah - pertama-tama rangkum, lalu bandingkan, lalu pertanyakan kemungkinan alasannya, dan akhirnya buat keputusan sendiri - Anda akan cepat dan dapat diandalkan.
Petunjuk: Tanyakan kepada AI “apa yang Anda simpulkan dari data ini?” Daripada menanyakan semuanya sekaligus, lanjutkan langkah demi langkah dengan mengatakan "pertama rangkum, lalu tunjukkan 3 perubahan yang paling menonjol, lalu sarankan 2 kemungkinan alasan untuk masing-masing perubahan". Pemikiran bertahap memberikan hasil yang lebih akurat.
Perangkap korelasi dan kausalitas
Jebakan yang paling berbahaya dalam dukungan keputusan adalah kesalahan dalam mengartikan korelasi sebagai kausalitas. Korelasi terjadi ketika dua hal bergerak bersamaan (penjualan es krim dan kematian akibat tenggelam meningkat bersamaan di musim panas). Penyebabnya adalah ketika yang satu mengarah ke yang lain (es krim tidak menyebabkan mati lemas; cuaca panas adalah penyebab umum). AI sangat pandai dalam menemukan hal-hal yang bergerak bersamaan dalam data Anda, namun AI tidak dapat mengetahui penyebab sebenarnya. Mengatakan “Belanja iklan meningkat dan penjualan meningkat” tidak membuktikan bahwa iklan meningkatkan penjualan; mungkin keduanya terpengaruh oleh musim perayaan.
Jadi ketika AI mengemukakan suatu alasan, perlakukan itu sebagai hipotesis (asumsi yang perlu dibuktikan), bukan sebagai fakta. “Bagaimana cara mengujinya?” bertanya. Manajer yang baik menguji alasan yang disarankan AI di lapangan atau dengan data.
tiga kasus mini
Kasus 1 - Menangkap rahasia kejatuhan. Di perusahaan e-commerce, total omset tampak stabil, tidak ada yang khawatir. Manajer memberikan data bulanan anonim kepada AI dan bertanya, "Segmen mana yang tumbuh dan mana yang menyusut berdasarkan kategori?" dia bertanya. YZ menunjukkan bahwa meskipun total omset konstan, kategori barang elektronik dengan keuntungan tinggi justru turun sebesar 22 persen, dan penjualan aksesori dengan keuntungan rendah menutupi penurunan tersebut. Manajer membenarkan hal ini dan fokus pada kategori elektronik. Jumlah totalnya telah dirahasiakan; Istirahat itu mengungkapkan kebenaran.
Kasus 2 — Berlari menuju tujuan yang salah. Manajer jaringan kafe memberikan data penjualan kepada AI. “Penjualan akhir pekan bergerak mengikuti suhu cuaca,” kata YZ. Manajer membaca ini sebagai "cuaca panas meningkatkan penjualan" dan mematikan AC. Namun, alasan sebenarnya adalah peningkatan lalu lintas pelanggan selama akhir pekan; Suhu secara kebetulan bergerak ke arah yang sama. Manajer salah mengira korelasi sebagai sebab akibat. Dia mengambil pelajarannya dan menguji setiap alasan mulai sekarang.
Kasus 3 — Membuat perbandingan dengan benar. Efisiensi dua pabrik dalam suatu perusahaan produksi dibandingkan. Manajer bertanya kepada AI, “Apakah pabrik A lebih efisien daripada pabrik B?” dia bertanya, tetapi AI tidak mengetahui bahwa pabrik A lebih baru dan lebih kecil. Manajer mengoreksi perintah: "bandingkan hasil per unit, dengan mempertimbangkan ukuran dan perbedaan usia." Kali ini analisisnya adil dan perbedaan nyata terungkap.
Empat templat yang dapat disalin
1) Ekstraksi wawasan bertahap:
Peran Anda: analis bisnis membantu manajer. Gunakan data anonim terlampir (periode, kategori, penjualan, biaya). Lanjutkan langkah demi langkah: 1) Ringkaslah data dalam 4 item. 2) Tunjukkan 3 perubahan yang paling menonjol dibandingkan periode sebelumnya. 3) Sarankan hingga 2 kemungkinan alasan untuk setiap perubahan dan nyatakan bahwa ini adalah hipotesis dan diperlukan bukti. Jangan mengarang angka apa pun yang tidak ada pada data yang saya berikan.
2) Analisis perincian (segmen):
Meskipun jumlah totalnya tampak stabil, saya ingin tahu apa yang terjadi di dalamnya. Pisahkan data terlampir berdasarkan kategori/wilayah/segmen pelanggan. Tunjukkan segmen mana yang tumbuh dan mana yang menyusut dalam sebuah tabel. Terutama tandai pembalikan yang menutupi totalnya.
3) Uji korelasi-penyebab:
Saya menemukan hubungan ini: [A dan B bergerak bersama]. Bantu saya membedakan apakah ini sebab dan akibat yang sebenarnya atau sekadar tindakan bersama. Buat daftar kemungkinan penyebab UMUM dan sarankan 3 pemeriksaan praktis yang dapat saya lakukan untuk menguji hubungan ini.
4) Pembuatan pilihan keputusan:
Saya menegaskan wawasan ini: [wawasan]. JANGAN mengambil keputusan untuk saya; sebagai gantinya, buat 3 opsi tindakan berbeda. Untuk setiap opsi: manfaat yang diharapkan, perkiraan biaya/usaha, risiko besar, dan situasi mana yang lebih disukai. Sajikan pilihan secara netral; jangan memaksakan seseorang.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Mengapa penjualan turun?
Tanpa data, tanpa titik, tanpa konteks. AI mencantumkan alasan umum (ekonomi, persaingan, musim); Tidak ada satupun yang spesifik untuk situasi Anda dan tidak dapat diverifikasi.
Perintah yang kuat:
Peran Anda: analis ritel. Gunakan data anonim 6 bulan terlampir (bulan, wilayah, kategori, jumlah penjualan, omset). Total omset menurun 8% dalam sebulan terakhir. Uraikan berdasarkan wilayah dan kategori; mengetahui dari segmen mana penurunan tersebut berasal. Ajukan hingga 2 hipotesis yang dapat diuji untuk setiap penurunan yang Anda temukan. Gunakan saja nomor yang kuberikan padamu.
Ukuran
pendekatan yang buruk
Pendekatan yang kuat
Data
Tidak ada
Anonim dan terlampir
Pertanyaan
Pertanyaan umum “mengapa?”
Dibiaskan dan fokus
keluaran
Alasan umum
Hipotesis yang dapat diuji
Keterverifikasian
rendah
tinggi
nilai keputusan
Kurang
tinggi
Kesalahan umum
- Mengandalkan jumlah total. Meskipun totalnya konstan, mungkin terdapat pembalikan besar di dalamnya; Pastikan untuk melihat rinciannya.
- Salah mengira korelasi sebagai sebab akibat. Pandang hubungan yang ditemukan AI sebagai hipotesis yang harus diuji, bukan sebagai bukti.
- Perbandingan yang tidak adil. Jangan membandingkan unit dengan ukuran/umur/kondisi yang berbeda tanpa melakukan normalisasi.
- Meminta keputusan langsung dari AI. AI menghasilkan pilihan; Anda memikul keputusan dan tanggung jawab.
- Menarik kesimpulan dengan data periode tunggal. Data historis yang memadai diperlukan untuk membuat tren.
Perhatian: Betapapun cerdasnya suatu wawasan, hal tersebut tidak akan menjadi keputusan jika tidak dapat diverifikasi dari data Anda. “AI berkata demikian” bukanlah sebuah pembenaran; "Saya mengujinya dengan data dan divalidasi" adalah sebuah pembenaran.
Singkatnya
Pendukung keputusan adalah tangga yang mengubah data menjadi wawasan: data, informasi, wawasan, keputusan. AI sangat cepat pada dua langkah pertama, penolong yang baik pada langkah ketiga, dan hanya penyedia opsi pada langkah keempat. Lihatlah rinciannya, bukan jumlah totalnya; Jangan salah mengartikan korelasi sebagai sebab akibat; Lihat alasan yang disarankan AI sebagai hipotesis untuk diuji. Pemikiran bertahap memberikan hasil yang lebih akurat. Keputusan akhir ada di tangan manajer berdasarkan wawasan yang tervalidasi.
Tugas aplikasi
Siapkan kumpulan data anonim dari bisnis Anda (misalnya penjualan berbasis kategori selama 6 bulan terakhir). Minta AI melakukan pengelompokan segmen dengan template “Analisis perincian” di atas. Buatlah hipotesis menggunakan template "Uji korelasi-penyebab" untuk perubahan terbesar yang Anda temukan dan tuliskan bagaimana Anda akan menguji hipotesis ini di lapangan dalam 3 item.
daftar periksa
- [ ] Sudahkah saya menganonimkan datanya?
- [ ] Apakah saya melihat perinciannya (segmen) dan bukan totalnya?
- [ ] Apakah saya menganggap alasan yang dikemukakan oleh AI sebagai hipotesis?
- [ ] Apakah saya sudah menyiapkan perbandingan secara adil (dinormalisasi)?
- [ ] Apakah saya mengambil keputusan sendiri berdasarkan wawasan yang terverifikasi?