Guadagni:
- Riconosce la qualità, la riservatezza e i rischi di interpretazione legati all'utilizzo dei dati e stabilisce un flusso di analisi sicuro.
- Seleziona l’indicatore giusto per uno scopo, distinguendo tra singoli indicatori fuorvianti e misurazioni aperte alla manipolazione.
- Riconosce le tecniche grafiche fuorvianti (asse che non parte da zero, intervallo scelto) e osserva una visualizzazione onesta.
Il pubblico produce ogni giorno dati: numeri di domande, tempi di soluzione, voci di bilancio, movimenti di popolazione, richieste di servizi, risultati di audit, rilevazioni di soddisfazione. La maggior parte di questi dati si trova in fogli di calcolo, moduli e sistemi di registrazione Excel, ma non si traduce in decisioni, perché analizzarli richiede esperienza e tempo. Il processo decisionale basato sui dati (un approccio all’allocazione delle risorse e alla definizione delle politiche basato su prove misurate, piuttosto che su opinioni o abitudini) aumenta sia l’efficienza che l’equità nel settore pubblico: le risorse vanno dove sono più necessarie in base ai numeri. In questo caso, l’intelligenza artificiale è un potente assistente nel dare un senso a una tabella, trovare schemi e anomalie, estrarre statistiche riassuntive e tradurre i risultati in frasi semplici. In questa unità vedrai come abbreviare il percorso dai dati pubblici grezzi a una decisione difendibile con l'intelligenza artificiale e rimanere disciplinato nell'aspetto più critico: la corretta interpretazione del numero.
Tre pericoli nel lavorare con i dati
I dati sono potenti, ma hanno tre trappole e l’intelligenza artificiale può sia mitigare che amplificare queste trappole:
- Correlazione ≠ causalità. Solo perché due cose cambiano insieme non significa che una causi l'altra. Le vendite di gelati e gli annegamenti sono in aumento, perché sono entrambi legati al caldo estivo e non l’uno causa l’altro. L’intelligenza artificiale costruisce fluentemente frasi “perché”; Metti in discussione ogni pretesa di causalità.
- Dati distorti/mancanti. Da chi e come sono stati raccolti i dati? I dati sui reclami riflettono solo quelli che possono presentare reclamo; dati delle applicazioni digitali coloro che hanno accesso a Internet. Se non vedi il gruppo mancante, la decisione sarà parziale.
- Numero senza contesto. Il solo "aumento del 30%" non ha senso: secondo cosa, in quale periodo, qual è il numero assoluto? Chiedi all'IA il contesto.
Attenzione: mentre l'IA analizza la tabella fornita, a volte aggiunge numeri "ragionevoli" ma fittizi dall'esterno della tabella o riempie silenziosamente le celle mancanti. Confronta ciascun numero di output con la tabella di origine; Dai all'IA la regola "usa solo i valori della tabella che ti do, se mancanti dì 'nessun dato'".
Flusso di analisi dei dati passo dopo passo
- Chiarire la domanda. A quale domanda stiamo cercando risposte per la decisione? ("In quale quartiere il tempo di soluzione richiede più tempo?")
- Conoscere i dati. Quali sono le colonne, qual è l'unità, qual è il periodo, ci sono valori mancanti/errati?
- Estrarre dati personali. Anonimizzare/aggregare se l'identificazione individuale non è richiesta per l'analisi (vedere Unità 11).
- Emergono sintesi e schemi. Chiedi all'IA di eseguire statistiche di base, raggruppamenti e contrassegno delle anomalie.
- Interroga il commento. Correlazione o causalità? Spiegazione alternativa? Gruppo mancante?
- Visualizza e semplifica. Un semplice riepilogo e un grafico che il decisore possa comprendere.
- Documentare la decisione e la sua motivazione. Quale decisione è stata presa sulla base di quali dati? pista di controllo.
tre mini custodie
Caso 1: la fonte è andata nel posto giusto. In passato, un comune distribuiva il budget per la manutenzione del parco "equamente a ciascun quartiere". Quando sono stati analizzati con l’intelligenza artificiale 18 mesi di dati sulla domanda e sull’utilizzo, la domanda pro capite dei tre quartieri era 2,4 volte superiore alla media. Il budget è stato ridistribuito in base alle necessità; la soddisfazione complessiva è aumentata, senza spese aggiuntive.
Caso 2: sono stati notati dati distorti. Un’agenzia esaminerebbe i dati delle applicazioni digitali e concluderebbe che “i cittadini non vengono più al casello autostradale”. Ma quando nell'analisi è stata richiesta la suddivisione per età, si è constatato che le domande di età superiore ai 65 anni provenivano ancora per lo più dallo sportello. Se si esaminassero solo i dati digitali, questo gruppo verrebbe ignorato; il servizio di botteghino è stato preservato.
Caso 3: la causalità artificiosa è stata interrotta. YZ, interpretando una tabella, ha affermato: "Gli incidenti sono diminuiti perché è aumentato il numero delle ispezioni". L'analista ha ricordato che nello stesso periodo è cambiato anche il tempo e il traffico è diminuito; Attribuirlo ad un’unica causa era fuorviante. Il rapporto è stato corretto per dire che "esiste una relazione ma la causalità non è stata dimostrata".
Quattro modelli copiabili
1) Conoscere la tabella:
Il tuo ruolo: analista di dati. Esamina la tabella seguente e, basandosi SOLO sui valori in questa tabella: (1) riepiloga ciascuna colonna, la sua unità e periodo, (2) eventuali celle che appaiono mancanti/errate, (3) riepiloga i primi 3 modelli che risaltano. Aggiunta di numeri dall'esterno della tabella; se mancanti, dire "nessun dato".TABELLA: [incolla dati]
2) Statistiche riassuntive con contesto:
Rispondi alla seguente domanda dalla tabella seguente: [domanda]. DEVE fornire il risultato con il contesto: numero assoluto + tasso + periodo di confronto. Quando dici "aumentato del X%", specifica in che misura e in quale periodo. Basta usare i dati forniti.TABELLA: [dati] DOMANDA: [domanda]
3) Domanda sulla causalità:
Interpretare il seguente risultato, ma ATTENZIONE: non confondere la correlazione con la causalità. Genera almeno 3 spiegazioni alternative per questa relazione (terza variabile, direzione inversa, coincidenza). Dimmi quali dati aggiuntivi sono necessari per dimostrare la causalità. SCOPRIRE: [relazione]
4) Semplice sintesi della decisione:
Semplifica la seguente analisi per un decisore che non è un esperto di dati: non più di 5 elementi, ciascun elemento un risultato e una spiegazione "cosa significa". Annotare chiaramente anche le incertezze e i limiti dei dati. Aggiunta di nuove informazioni.ANALISI: [testo]
Prompt debole / Prompt forte
Debole: "Analizza questo grafico e dicci cosa dovremmo fare."
Forte: "Il tuo ruolo è quello di analista di dati. Usa SOLO la tabella qui sotto; non aggiungere numeri dall'esterno, dì 'nessun dato' alla cella mancante. Innanzitutto, impara a conoscere le colonne, le unità e il periodo. Quindi rispondi alla domanda 'quale quartiere ha il tempo di soluzione più lungo' con numero assoluto + rapporto + periodo di confronto. Se trovi uno schema, trova 3 spiegazioni alternative prima di spiegarlo con causalità. Infine, elenca i punti e i confini dei dati (gruppo mancante, periodo breve) che lasciano a noi la decisione."
Differenza: un forte suggerimento stabilisce insieme fedeltà dei dati, contesto, disciplina di causalità e confine decisionale; Il risultato è un’analisi difendibile.
Dove ci si può fidare dell’intelligenza artificiale nel business dei dati?
affari
Fiducia nell'intelligenza artificiale
regola
Riepilogo della tabella, raggruppamento
alto
Solo dati forniti
Marcatura di anomalie/modelli
medio
conferma umana
Interpretazione della causalità
basso
È necessaria una spiegazione alternativa
Compilazione dei dati mancanti
troppo basso
Non farlo accadere; "nessun dato"
Semplificazione/riepilogo visivo
alto
Il significato deve essere preservato
Design degli indicatori e trappola dei grafici fuorvianti
Il passaggio più critico nel prendere decisioni con i dati è scegliere l’indicatore giusto (l’espressione numerica che rende misurabile un fenomeno, ad esempio “tempo di elaborazione medio” o “costo per applicazione”). L’indicatore sbagliato porta alla decisione sbagliata, anche con dati accurati: mentre il “numero totale dei sinistri risolti” sembra aumentare, il “tempo di attesa per cittadino” potrebbe peggiorare. L’intelligenza artificiale può elencare gli indicatori candidati per un argomento e ciò che ciascuno misura e nasconde; ma sei tu a decidere quale indicatore rappresenta veramente l’interesse pubblico. Inoltre, bisogna essere consapevoli del rischio di visualizzazione fuorviante (distorcere la percezione con tecniche come l’asse che non parte da zero, scala sproporzionata, intervallo di tempo selezionato) nei grafici che l’IA suggerisce o descrive; una visione onesta dei dati pubblici fa parte della governance.
Mini caso: segno sbagliato, vanto sbagliato. Un'unità stava battendo i record nell'indicatore del "numero di pratiche chiuse al mese"; ma le denunce dei cittadini sono aumentate. Osservando l’indicatore accurato, il “tasso di risoluzione del primo contatto”, il tasso è sceso dal 58% al 44%: i file venivano chiusi e riaperti rapidamente. Quando l’indicatore è cambiato, è cambiata anche la priorità di gestione.
Mini case: asse che non parte da zero. Nel grafico AI descritto in una presentazione, l'asse verticale inizia da 40, un aumento del 2% sembrava un salto drammatico. Quando l'asse veniva spostato sullo zero, emergeva il quadro reale e la decisione veniva eliminata dalla percezione esagerata.
Modello che supporta la selezione dell'indicatore:
Compito: suggerire 5 indicatori candidati per il seguente scopo. Scopo: [es. migliorare la qualità dei servizi al cittadino]Per ciascun indicatore: cosa misura | cosa può nascondere | apertura alla manipolazione | frequenza di lettura consigliata.Successivo: scrivere 3 avvertenze (quelle che da sole sono fuorvianti) per leggere insieme questi indicatori.Regola: non produrre numeri; suggerisci semplicemente il design dell'indicatore.
Attenzione: non cadere nell'idea sbagliata che "il numero è oggettivo". Quale numero misuri, come lo visualizzi e quale intervallo scegli sono tutti una questione di interpretazione. Un’interpretazione pubblica trasparente e onesta è importante quanto disporre di dati accurati.
Errori comuni
- Confondere la correlazione con la causalità. "Crescere insieme" non è la causa; Cerca spiegazioni alternative.
- Fare in modo che l'IA inserisca i dati mancanti. L'analisi crolla con un valore inventato; lascia mancare ciò che manca.
- Generalizzare dati distorti. I reclami/dati digitali non rappresentano tutti; Interroga il gruppo mancante.
- Presentare il numero senza contesto. Accanto al rapporto dovrebbe esserci un numero assoluto e un periodo di confronto.
- Analizzare inutilmente i dati personali. Non utilizzare l'identificazione individuale se i dati aggregati sono sufficienti.
- Non documentare la decisione. Quale decisione è stata presa in base a quali dati registrare per l'audit?
In sintesi
Il processo decisionale basato sui dati è il modo più efficace per distribuire le risorse in modo equo ed efficiente nel settore pubblico; L'intelligenza artificiale è un assistente veloce in questo settore che dà un senso al quadro, trova modelli e semplifica la ricerca. Ma non lasciare che l’intelligenza artificiale cominci numeri, non farla riempire di dati mancanti, non lasciare che confonda la correlazione con la causalità ed evitare di generalizzare dati distorti/incompleti. C'è forza nei numeri; La persona che la interpreta correttamente e documenta la decisione è più forte.
Compito dell'applicazione
Ottieni una tabella reale (dati personali rimossi) dalla tua unità. Introduci i dati con il modello "Conoscere la tabella", quindi fai rispondere a una domanda importante per la decisione con il modello "Statistiche riassuntive contestuali". Applica il modello "Domandante sulle cause" a una relazione emergente e trova almeno una spiegazione alternativa. Controlla se l'IA sta aggiungendo numeri dall'esterno della tabella.
lista di controllo
- [ ] L'IA ha utilizzato solo la tabella data; Non ha aggiunto numeri dall'esterno.
- [ ] Non ho inserito i dati mancanti; L'ho lasciato come "nessun dato".
- [ ] Ho presentato ogni risultato con il contesto (numero assoluto + tasso + periodo).
- [ ] Ho prodotto una spiegazione alternativa alle affermazioni di causalità.
- [ ] Ho valutato il rischio di dati distorti/mancanti e del gruppo mancante.
- [ ] Ho documentato la decisione e i dati su cui si basava.