Guadagni:
- Capacità di produrre insight orientati alle decisioni da dati dispersi comprendendo la scala dati-informazioni-insight-decisione ed eseguendo l'intelligenza artificiale passo dopo passo
- Capacità di rivelare la verità nascosta dai numeri totali attraverso la suddivisione in segmenti e di distinguere la correlazione dalla causalità
- Capacità di trattare le ragioni suggerite dall'intelligenza artificiale come ipotesi da testare e basare la decisione finale su intuizioni verificate
Ogni giorno sulla scrivania di un manager arrivano decine di numeri: cifre di vendita, costi, reclami dei clienti, livello delle scorte, tassi di turnover dei dipendenti. Ma il numero da solo non è la decisione. La decisione inizia vedendo il significato all'interno del numero. "Le vendite sono diminuite dell'8% rispetto al mese scorso" è un dato di fatto; "Il calo delle vendite è dovuto al fatto che due grandi clienti nella regione dell'Egeo hanno rinviato i loro ordini" è un'intuizione. In questo caso, il supporto alle decisioni – il processo che rende i dati significativi affinché il manager possa prendere decisioni migliori – è il ponte che trasforma i dati in insight. In questa unità impareremo come utilizzare l'intelligenza artificiale su questo ponte. Il confine è chiaro fin dall’inizio: l’intelligenza artificiale produce bozze di insight; Il manager decide quale insight è reale e cosa fare.
Quattro passaggi dai dati all'insight
Il supporto decisionale è una scala. Prima cifra: dati: numeri grezzi (questo mese sono arrivati 1.240 ordini). Seconda cifra: informazioni: numeri modificati e confrontati (in calo dell'8% rispetto al mese scorso). Terzo livello: insight: comprensione del motivo del declino (ritardo da parte di due grandi clienti). Fase quattro: decisione: cosa fare (intervista a questi clienti e targetizzazione di nuovi clienti). L'IA è molto veloce sul primo e sul secondo passo, è un buon aiuto sul terzo, offre opzioni solo sul quarto.
Conoscere questa scala è importante perché la maggior parte dei manager chiede direttamente all’IA di “decidere per me” e si sente frustrata. Tuttavia, se esegui l'intelligenza artificiale passo dopo passo - prima riassumi, poi confronti, poi metti in discussione le possibili ragioni e infine prendi tu stesso la decisione - sarai veloce e affidabile.
Suggerimento: chiedi all’IA “cosa deduci da questi dati?” Invece di chiedere tutto in una volta, procedi passo dopo passo dicendo "prima riassumi, poi mostra i 3 cambiamenti più notevoli, quindi suggerisci 2 possibili ragioni per ciascuno". Il pensiero graduale fornisce risultati più accurati.
La trappola della correlazione e della causalità
La trappola più pericolosa del supporto decisionale è confondere la correlazione con la causalità. La correlazione si verifica quando due cose si muovono insieme (le vendite di gelati e gli annegamenti aumentano insieme in estate). La causalità è quando l’uno tira l’altro (il gelato non provoca soffocamento; il caldo è la causa comune). L'intelligenza artificiale è molto brava a trovare cose che si muovono insieme nei tuoi dati, ma non può dire quale sia la vera causa. Dire "la spesa pubblicitaria è aumentata e le vendite sono aumentate" non dimostra che la pubblicità abbia aumentato le vendite; forse entrambi risentivano delle feste natalizie.
Quindi, quando l’intelligenza artificiale suggerisce una ragione, trattatela come un’ipotesi (presupposto che deve essere dimostrato), non come un fatto. "Come posso testarlo?" chiedere. Un buon manager sperimenta sul campo o con i dati il motivo che l’AI suggerisce.
tre mini custodie
Caso 1 – Catturare la caduta segreta. In un’azienda di e-commerce il fatturato totale sembrava stabile, nessuno si allarmava. Il manager fornisce i dati mensili anonimi ad AI e chiede "Quale segmento sta crescendo e quale sta diminuendo in base alla categoria?" chiese. YZ ha dimostrato che, mentre il fatturato totale è rimasto costante, la categoria dell’elettronica ad alto profitto è in realtà diminuita del 22%, mascherata dalle vendite di accessori a basso profitto. Il manager lo ha confermato e si è concentrato sulla categoria elettronica. Il numero totale era stato nascosto; La rottura ha rivelato la verità.
Caso 2: correre per la causa sbagliata. Il manager di una catena di bar ha fornito i dati sulle vendite ad AI. "Le vendite del fine settimana si muovono con la temperatura atmosferica", ha detto YZ. Il direttore lesse la cosa come "il caldo aumenta le vendite" e spense i condizionatori. Tuttavia, il vero motivo è stato l’aumento del traffico di clienti durante il fine settimana; La temperatura si è spostata casualmente nella stessa direzione. Il manager ha scambiato la correlazione per la causalità. Ha imparato la lezione e ha testato ogni ragione da quel momento in poi.
Caso 3 — Stabilire correttamente il confronto. È stata confrontata l'efficienza di due stabilimenti di un'impresa di produzione. Il manager chiede all’IA: “La fabbrica A è più efficiente di B?” ha chiesto, ma l'IA non sapeva che la fabbrica A era più nuova e più piccola. Il manager ha corretto la richiesta: "confronta la resa per unità, tenendo conto delle dimensioni e della differenza di età". Questa volta l'analisi è stata corretta e la vera differenza è stata rivelata.
Quattro modelli copiabili
1) Estrazione graduale degli insight:
Il tuo ruolo: analista aziendale che assiste il manager. Utilizza i dati anonimi allegati (periodo, categoria, fatturato, costo). Procedi passo passo: 1) Riassumi i dati in 4 item. 2) Mostra i 3 cambiamenti più notevoli rispetto all'ultimo periodo. 3) Suggerire fino a 2 POSSIBILI ragioni per ogni cambiamento e affermare che si tratta di ipotesi e che sono necessarie prove. Non inventare numeri che non esistono nei dati che fornisco.
2) Analisi di ripartizione (segmento):
Anche se i numeri totali sembrano stabili, voglio sapere cosa sta succedendo all'interno. Suddividi i dati allegati per categoria/regione/segmento di clientela. Mostra quale segmento sta crescendo e quale sta diminuendo in una tabella. Segnate soprattutto le inversioni che mascherano il totale.
3) Test di correlazione-causa:
Ho trovato questa relazione: [A e B si muovono insieme]. Aiutami a discernere se questa è vera causa ed effetto o solo azione insieme. Elenca le possibili cause COMUNI e suggerisci 3 prove pratiche che posso fare per testare questa relazione.
4) Generazione di opzioni decisionali:
Ho confermato questo insight: [insight].NON decidere per me; invece, genera 3 diverse opzioni di azione. Per ciascuna opzione: beneficio atteso, costo/sforzo stimato, rischio maggiore e quale situazione dovrebbe essere preferita. Presentare le opzioni in modo neutrale; non imporre qualcuno.
Prompt debole / Prompt forte
Suggerimento debole:
Perché le vendite sono diminuite?
Nessun dato, nessun periodo, nessun contesto. L'AI elenca ragioni generali (economia, competizione, stagione); Nessuno di essi è specifico per la tua situazione e non può essere verificato.
Suggerimento potente:
Il tuo ruolo: analista al dettaglio. Utilizza i dati anonimi di 6 mesi allegati (mese, regione, categoria, numero di vendite, fatturato). Il fatturato totale è diminuito dell'8% nell'ultimo mese. Suddividilo per regione e categoria; scoprire da quale segmento proviene il calo. Proponi fino a 2 ipotesi verificabili per ogni declino che trovi. Usa semplicemente i numeri che ti ho dato.
Dimensioni
approccio scadente
Approccio forte
Dati
Nessuno
Anonimo e allegato
Domanda
Il generale “perché?”
Rifratto e focalizzato
uscita
Ragioni generali
Ipotesi verificabili
Verificabilità
basso
alto
valore decisionale
Meno
alto
Errori comuni
- Basandosi sul numero totale. Mentre il totale è costante, all’interno possono verificarsi grandi inversioni; Assicurati di guardare la ripartizione.
- Confondere la correlazione con la causalità. Considera la relazione trovata dall'intelligenza artificiale come un'ipotesi da testare, non come una prova.
- Confronto ingiusto. Non confrontare unità di dimensioni/età/condizioni diverse senza normalizzarle.
- Richiedere decisioni direttamente all'IA. L’intelligenza artificiale genera opzioni; Sei tu ad avere la decisione e la responsabilità.
- Trarre conclusioni con i dati di un singolo periodo. Per l'andamento sono necessari dati storici sufficienti.
Attenzione: non importa quanto un'intuizione sembri intelligente, non dovrebbe diventare una decisione se non può essere verificata dai tuoi dati. “L’ha detto l’IA” non è una giustificazione; "L'ho testato con i dati ed è stato validato" è una giustificazione.
In sintesi
Il supporto alle decisioni è la scala che trasforma i dati in insight: dati, informazioni, insight, decisione. L’intelligenza artificiale è molto veloce nei primi due passaggi, un buon aiuto nel terzo e solo un fornitore di opzioni nel quarto. Guarda le ripartizioni, non i numeri totali; Non confondere la correlazione con la causalità; Visualizza le ragioni che l’IA suggerisce come ipotesi da testare. Il pensiero graduale fornisce risultati più accurati. La decisione finale spetta al manager sulla base di informazioni convalidate.
Compito dell'applicazione
Prepara un set di dati anonimi della tua attività (ad esempio vendite basate su categorie negli ultimi 6 mesi). Chiedi all'AI di eseguire una suddivisione del segmento con il modello "Analisi di suddivisione" sopra. Crea un'ipotesi utilizzando il modello "Test di correlazione-causalità" per il cambiamento più grande che hai trovato e scrivi come testerai questa ipotesi sul campo in 3 elementi.
lista di controllo
- [ ] Ho anonimizzato i dati?
- [ ] Ho guardato la ripartizione (segmento) anziché il totale?
- [ ] Ho trattato il motivo suggerito dall’AI come un’ipotesi?
- [ ] Ho impostato i confronti in modo equo (normalizzato)?
- [ ] Ho preso la decisione personalmente sulla base di informazioni verificate?