ಲಾಭಗಳು:
- ಅಸ್ಪಷ್ಟ ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಯನ್ನು ಸ್ಪಷ್ಟ, ಪರಿಹರಿಸಬಹುದಾದ ಸಮಸ್ಯೆ ಹೇಳಿಕೆಯಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ MECE ಹೈಪೋಥೆಸಿಸ್ ಟ್ರೀ (ಸಂಚಿಕೆ ಮರ) ಅನ್ನು ಸ್ಥಾಪಿಸುವುದು
- ಊಹೆಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಕುರುಡು ಕಲೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ, ಮತ್ತು ಯಾವ ಊಹೆಯನ್ನು ಮೊದಲು ಪರೀಕ್ಷಿಸಲಾಗುವುದು ಎಂಬುದನ್ನು ಒಬ್ಬರ ಸ್ವಂತ ನಿರ್ಣಯದೊಂದಿಗೆ ನಿರ್ಧರಿಸಿ.
- ಸಮಸ್ಯೆಯ ರಚನೆಯಲ್ಲಿ ಸಾಮಾನ್ಯ ಮೋಸಗಳನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ತಪ್ಪಿಸುವ ಸಾಮರ್ಥ್ಯ (ಸಂಘರ್ಷದ ಶಾಖೆಗಳು, ಪರಿಹಾರವನ್ನು ಮುಂಚಿತವಾಗಿ ಊಹಿಸುವುದು, ತಪ್ಪು ಪ್ರಶ್ನೆ).
ಸಲಹಾ ಯೋಜನೆಯ ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪು ತಪ್ಪು ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸುವುದು. ಗ್ರಾಹಕರು "ನಮ್ಮ ಮಾರಾಟ ಕಡಿಮೆಯಾಗುತ್ತಿದೆ, ನಾವು ಏನು ಮಾಡಬೇಕು?" ಬರುತ್ತದೆ: ಆದರೆ ನಿಜವಾದ ಪ್ರಶ್ನೆ "ಯಾವ ವಿಭಾಗದಲ್ಲಿ, ಏಕೆ ಮತ್ತು ಎಷ್ಟು ನಮ್ಮ ನಿಯಂತ್ರಣದಲ್ಲಿದೆ?" ಅದು ಆಗಿರಬಹುದು. ಒಬ್ಬ ಅನುಭವಿ ಸಲಹೆಗಾರನು ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾಗಿ ವಿವರಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸುತ್ತಾನೆ, ಉತ್ತರಗಳನ್ನು ಹುಡುಕುವ ಮೂಲಕ ಅಲ್ಲ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಹಂತದಲ್ಲಿ ಪರಿಪೂರ್ಣ ಚಿಂತನೆಯ ಪಾಲುದಾರ: ಇದು ಹತ್ತಾರು ಸಂಭವನೀಯ ಕಾರಣಗಳು, ಉಪ-ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಊಹೆಗಳನ್ನು ನಿಮಿಷಗಳಲ್ಲಿ ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದರೆ ಯಾವ ಪ್ರಶ್ನೆಯು ಸರಿಯಾದ ಪ್ರಶ್ನೆ ಎಂದು ನಿರ್ಧರಿಸಲು ತೀರ್ಪು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಆ ತೀರ್ಪು ನಿಮ್ಮದಾಗಿದೆ.
ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಲಹಾದ ಬೆನ್ನೆಲುಬಾಗಿರುವ ಎರಡು ಸಾಧನಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತೇವೆ: ಹೈಪೋಥೆಸಿಸ್ ಟ್ರೀ (ಸಮಸ್ಯೆಯ ಮರ, ಸಮಸ್ಯೆಯನ್ನು ಉಪ-ಪ್ರಶ್ನೆಗಳಾಗಿ ಕವಲೊಡೆಯುವ ಮರದ ರೇಖಾಚಿತ್ರ) ಮತ್ತು MECE ತತ್ವ (ಪರಸ್ಪರ ವಿಶೇಷ, ಒಟ್ಟಾರೆಯಾಗಿ ಸಮಗ್ರ — ಶಾಖೆಗಳು ಒಂದಕ್ಕೊಂದು ಅತಿಕ್ರಮಿಸುವುದಿಲ್ಲ ಮತ್ತು ಒಟ್ಟಿಗೆ ಸಮಸ್ಯೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಆವರಿಸುತ್ತದೆ).
ಅಸ್ಪಷ್ಟ ಪ್ರಶ್ನೆಯಿಂದ ಪರಿಹರಿಸಬಹುದಾದ ಸಮಸ್ಯೆಗೆ
ಉತ್ತಮ ಸಮಸ್ಯೆಯ ಹೇಳಿಕೆಯು ನಾಲ್ಕು ವಿಷಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ಯಾರು (ನಿರ್ಣಾಯಕ), ಏನು (ನಿರ್ಧಾರ), ಮಾನದಂಡ (ಯಾವ ಯಶಸ್ಸನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ), ಗಡಿ (ವ್ಯಾಪ್ತಿ ಮತ್ತು ಅವಧಿ). "ಮಾರಾಟ ಕುಸಿಯುತ್ತಿದೆ" ಒಂದು ದೂರು; "ಪ್ರಸ್ತುತ ಬಜೆಟ್ನೊಂದಿಗೆ ಮುಂದಿನ 12 ತಿಂಗಳುಗಳಲ್ಲಿ B2B ವಿಭಾಗದಲ್ಲಿ 10% ರಷ್ಟು ವಹಿವಾಟು ಹೆಚ್ಚಿಸುವ 3 ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಸನ್ನೆಗಳು ಯಾವುವು?" ಸಮಸ್ಯೆಯ ಹೇಳಿಕೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ನೀವು ಈ ರೂಪಾಂತರವನ್ನು ಮಾಡಬಹುದು, ಆದರೆ ಮೊದಲು ನೀವು ಕಚ್ಚಾ ಪರಿಸ್ಥಿತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸಬೇಕು.
ನಿಮ್ಮ ಪಾತ್ರ: ನಿರ್ವಹಣಾ ಸಲಹೆಗಾರರಿಗೆ ಸಮಸ್ಯೆ ರಚನೆ ತರಬೇತುದಾರ. ನಾನು ನಿಮಗೆ ಕ್ಲೈಂಟ್ನ ಕಚ್ಚಾ ದೂರನ್ನು ನೀಡುತ್ತೇನೆ. ನಿಮ್ಮ ಕಾರ್ಯ:1) ಇದನ್ನು ಒಂದು-ವಾಕ್ಯ, ಅಳೆಯಬಹುದಾದ ಸಮಸ್ಯೆ ಹೇಳಿಕೆಯಾಗಿ ಪರಿವರ್ತಿಸಿ (ನಿರ್ಣಾಯಕ, ನಿರ್ಧಾರ, ಯಶಸ್ಸಿನ ಮಾನದಂಡ, ವ್ಯಾಪ್ತಿ, ಅವಧಿಯನ್ನು ಒಳಗೊಂಡಿರಬೇಕು).2) ಈ ಹೇಳಿಕೆಯನ್ನು ಆಧರಿಸಿದ 3 ಸೂಚ್ಯ ಊಹೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿ.3) "ತಪ್ಪು ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸುವ" ಅಪಾಯವನ್ನು ಎದುರಿಸಲು 2 ಪರ್ಯಾಯ ಸಮಸ್ಯೆ ಚೌಕಟ್ಟುಗಳನ್ನು ಸೂಚಿಸಿ. ಕಚ್ಚಾ ದೂರು: "[ಕ್ಲೈಂಟ್ನ ಮಾತಿನಲ್ಲಿ...]"
ಸಲಹೆ: ಸಮಸ್ಯೆಯ ಹೇಳಿಕೆಯನ್ನು ಗ್ರಾಹಕರಿಗೆ ಓದಿ. "ಹಾಗಾದರೆ ನಿಮಗೆ ಯಶಸ್ಸು 12 ತಿಂಗಳಲ್ಲಿ B2B ವಹಿವಾಟಿನಲ್ಲಿ 10% ಹೆಚ್ಚಳವಾಗಿದೆ, ಸರಿ?" ಈ ಒಂದೇ ವಾಕ್ಯವು ಯೋಜನೆಯ ದಿಕ್ಕನ್ನು ಮತ್ತು ನಂತರದ "ನಾವು ಇದನ್ನು ಬಯಸಲಿಲ್ಲ" ಎಂಬ ಚರ್ಚೆಯನ್ನು ಪ್ರಾರಂಭದಿಂದಲೂ ಪರಿಹರಿಸುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಊಹೆಯ ಮರವನ್ನು ನಿರ್ಮಿಸುವುದು
ಸಮಸ್ಯೆಯು ಸ್ಪಷ್ಟವಾದ ನಂತರ, ನೀವು ಅದನ್ನು ಕವಲೊಡೆಯಿರಿ. ಮರದ ಬೇರು ಮುಖ್ಯ ಪ್ರಶ್ನೆ; ಶಾಖೆಗಳು ಸಂಭವನೀಯ ಪ್ರತಿಕ್ರಿಯೆ ಅಕ್ಷಗಳು; ಎಲೆಗಳು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಊಹೆಗಳಾಗಿವೆ. ಉದಾಹರಣೆಗೆ, "B2B ವಹಿವಾಟು ಏಕೆ ಹೆಚ್ಚಾಗುತ್ತಿಲ್ಲ?" ಪ್ರಶ್ನೆಯನ್ನು ಎರಡು ಮುಖ್ಯ ಶಾಖೆಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು: (1) ಹೊಸ ಗ್ರಾಹಕರ ಸ್ವಾಧೀನ ದುರ್ಬಲವಾಗಿದೆ, (2) ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಗ್ರಾಹಕರ ಆದಾಯವು ಕಡಿಮೆಯಾಗುತ್ತಿದೆ. ಪ್ರತಿಯೊಂದು ಶಾಖೆಯನ್ನು ತನ್ನದೇ ಆದ ಉಪಶಾಖೆಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಉತ್ತಮ ಮರವು MECE ಆಗಿದೆ.
ನಿಮ್ಮ ಪಾತ್ರ: MECE ಹೈಪೋಥೆಸಿಸ್ ಟ್ರೀ ಎಕ್ಸ್ಪರ್ಟ್.ಮುಖ್ಯ ಪ್ರಶ್ನೆ: "[ಸಮಸ್ಯೆ ಹೇಳಿಕೆ]"ಕಾರ್ಯ: ಈ ಪ್ರಶ್ನೆಯನ್ನು 2 ಹಂತಗಳಿಗಿಂತ ಹೆಚ್ಚಿಲ್ಲದಂತೆ ಶಾಖೆ ಮಾಡಿ. ನಿಯಮಗಳು:- ಮೊದಲ ಹಂತದ ಶಾಖೆಗಳು MECE ಆಗಿರಬೇಕು (ಯಾವುದೇ ಅತಿಕ್ರಮಣ, ಅಂತರಗಳಿಲ್ಲ).- ಪ್ರತಿ ಎಲೆಯು ಡೇಟಾ-ಪರೀಕ್ಷಿತ ಊಹೆಯ ವಾಕ್ಯವಾಗಿರಬೇಕು (ಫಾರ್ಮ್ನ "...ಏಕೆಂದರೆ ..." ಫಾರ್ಮ್ನ "...ಏಕೆಂದರೆ ...", ಪ್ರತಿ ಊಹೆಯಲ್ಲಿ ಬರೆಯಲು . bullet list.Probe: "MECE ಆಡಿಟ್" ಶೀರ್ಷಿಕೆಯಡಿಯಲ್ಲಿ ಅತಿಕ್ರಮಣ/ಅಂತರ ಅಪಾಯದಲ್ಲಿ ಶಾಖೆಗಳನ್ನು ಗುರುತಿಸಿ.
AI ನಿಮಗೆ 3 ಸೆಕೆಂಡುಗಳಲ್ಲಿ 15 ಊಹೆಗಳೊಂದಿಗೆ ಮರವನ್ನು ನೀಡುತ್ತದೆ. ಆದರೆ ನಿಮ್ಮ ಕೆಲಸವು ಅಲ್ಲಿಗೆ ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ, ಅದು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ: ಯಾವ ಶಾಖೆಗಳು ನಿಜವಾಗಿಯೂ MECE ಎಂದು ನೀವು ಆರಿಸಿಕೊಳ್ಳಿ, ಯಾವ ಊಹೆಯು ಪರೀಕ್ಷಿಸಲು ಹೆಚ್ಚು ಮತ್ತು ಸುಲಭವಾಗಿದೆ.
ಆದ್ಯತೆ: ಯಾವ ಊಹೆಯನ್ನು ಮೊದಲು ಪರೀಕ್ಷಿಸಬೇಕು
ಎಲ್ಲಾ ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಸಮಯವಿಲ್ಲ. ಎರಡು ಅಕ್ಷಗಳನ್ನು ಬಳಸಿ: ಪ್ರಭಾವ (ಇದು ನಿಜವಾಗಿದ್ದರೆ ಪರಿಹಾರಕ್ಕೆ ಎಷ್ಟು ದೊಡ್ಡ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ) ಮತ್ತು ಸುಲಭ (ಪರೀಕ್ಷೆಗೆ ಎಷ್ಟು ವೇಗ/ಅಗ್ಗವಾಗಿದೆ). ಹೆಚ್ಚಿನ ಪರಿಣಾಮ + ಹೆಚ್ಚಿನ ಅನುಕೂಲತೆ ಹೊಂದಿರುವವರು ಮೊದಲು ಬರುತ್ತಾರೆ. ಇದನ್ನು "ತ್ವರಿತ ಗೆಲುವು ಸ್ವೀಪ್" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಕಲ್ಪನೆ
ಪರಿಣಾಮ (1-5)
ಪರೀಕ್ಷೆಯ ಸುಲಭ (1-5)
ಆದ್ಯತೆ
ಬೆಲೆಯು ಪ್ರತಿಸ್ಪರ್ಧಿಗಳ ಹಿಂದೆ ಇದೆ
5
4
ಮೊದಲು
B2B ನಲ್ಲಿ ಮಾರಾಟ ತಂಡವು ಅಸಮರ್ಪಕವಾಗಿದೆ
4
3
ನಂತರ
ಉತ್ಪನ್ನ ವೈಶಿಷ್ಟ್ಯದ ಅಂತರವಿದೆ
4
2
ಸಂಶೋಧನೆ
ಬ್ರ್ಯಾಂಡ್ ಅರಿವು ಕಡಿಮೆಯಾಗಿದೆ
3
2
ಹಿಡಿದುಕೊಳ್ಳಿ
ಈ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನೀವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಂದಬಹುದು; ಆದರೆ ನಿಮ್ಮ ಸ್ವಂತ ಉದ್ಯಮ ಜ್ಞಾನದೊಂದಿಗೆ ಪ್ರಭಾವ ಮತ್ತು ಅನುಕೂಲತೆಯ ಅಂಕಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಮಾದರಿಯು ಪರೀಕ್ಷೆಯ ಸುಲಭತೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತದೆ.
ನಿಮ್ಮ ಪಾತ್ರ: ಆದ್ಯತೆಯ ವಿಶ್ಲೇಷಕ. ಕೆಳಗಿನ ಊಹೆಗಳ ಪಟ್ಟಿಯನ್ನು ಪರಿಣಾಮ-ಸುಲಭ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿ ಇರಿಸಿ. ಪ್ರತಿ ಊಹೆಗೆ: ಪರಿಣಾಮ (1-5), ಪರೀಕ್ಷೆಯ ಸುಲಭ (1-5), ಒಂದೇ ಡೇಟಾ ಮೂಲ ಅಗತ್ಯವಿದೆ, ಶಿಫಾರಸು (ಮೊದಲು/ನಂತರ/ತನಿಖೆ/ಹಿಡಿತ). ನಿಯಮಗಳು: ಸುಲಭ ಸ್ಕೋರ್ ಅನ್ನು ಆಶಾವಾದಿಯಾಗಿ ನೀಡಿ, ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ. ಅತ್ಯಧಿಕ "ಪರಿಣಾಮ × ಸುಲಭ" ಗುಣಕದೊಂದಿಗೆ 2 ಊಹೆಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಿ. ಕಲ್ಪನೆಗಳು: [ಪಟ್ಟಿ]
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ತಪ್ಪು ಪ್ರಶ್ನೆಯನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆ. ಒಂದು ಚಿಲ್ಲರೆ ಸರಪಳಿಯು ಕೇಳಿದೆ, "ನಮ್ಮಲ್ಲಿ ಹೆಚ್ಚಿನ ಉದ್ಯೋಗಿ ವಹಿವಾಟು ದರವಿದೆ, ನಾವು ಸಂಬಳವನ್ನು ಹೆಚ್ಚಿಸಬೇಕೇ?" ಎಂದು ಕೇಳುತ್ತಾನೆ. ಸಲಹೆಗಾರನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಮಸ್ಯೆಯ ಚೌಕಟ್ಟನ್ನು ತೆರೆಯುತ್ತಾನೆ; ಮಾದರಿಯು ಮೂರು ಸೂಚ್ಯ ಊಹೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ: ವೇತನವು ಸಮಸ್ಯೆಯಾಗಿದೆ, ಎಲ್ಲಾ ಅಂಗಡಿಗಳಲ್ಲಿ ವಹಿವಾಟು ಒಂದೇ ಆಗಿರುತ್ತದೆ ಮತ್ತು ಪಾವತಿಯು ಪರಿಹಾರವಾಗಿದೆ. ಡೇಟಾವನ್ನು ಎಳೆಯಲಾಗಿದೆ: ವಹಿವಾಟು ದರದ 70% 3 ಅಂಗಡಿಗಳಲ್ಲಿ ಮತ್ತು ಯಾವಾಗಲೂ ಒಂದೇ ಇಬ್ಬರು ವ್ಯವಸ್ಥಾಪಕರ ತಂಡದಲ್ಲಿದೆ. ನಿಜವಾದ ಪ್ರಶ್ನೆ ಮ್ಯಾನೇಜರ್ ನಡವಳಿಕೆ. 14 ಮಿಲಿಯನ್ ಟಿಎಲ್ ವೇತನ ಹೆಚ್ಚಳವು ತಪ್ಪು ಪರಿಹಾರವಾಗಿದೆ.
ಪ್ರಕರಣ 2 - MECE ಅಲ್ಲದ ಮರ. ಸಲಹೆಗಾರನು ಮಾದರಿಯನ್ನು ಕೇಳುತ್ತಾನೆ "ಲಾಭ ಏಕೆ ಕುಸಿಯುತ್ತಿದೆ?" ಅವನಿಗೆ ಮರ ಬೇಕು. ಮಾದರಿಯು ಶಾಖೆಗಳನ್ನು ನೀಡುತ್ತದೆ "ಆದಾಯ ಕಡಿಮೆ", "ವೆಚ್ಚ ಹೆಚ್ಚು", "ಸ್ಪರ್ಧೆ ಹೆಚ್ಚಾಗಿದೆ". ಮೊದಲ ಎರಡು ಶಾಖೆಗಳು MECE (ಲಾಭ = ಆದಾಯ - ವೆಚ್ಚ), ಆದರೆ "ಸ್ಪರ್ಧೆ ಹೆಚ್ಚಿದೆ" ಒಂದು ಕಾರಣ ಮತ್ತು ಆದಾಯ/ವೆಚ್ಚವು ಪರಿಣಾಮವಾಗಿದೆ; ಶಾಖೆಯ ಮಟ್ಟವು ಮಿಶ್ರಣವಾಗಿದೆ. ಸಲಹೆಗಾರನು ಮರವನ್ನು ಸರಿಪಡಿಸುತ್ತಾನೆ: ಹಂತ ಒಂದು ಆದಾಯ ಮತ್ತು ವೆಚ್ಚ ಮಾತ್ರ; ಸ್ಪರ್ಧೆಯು ಆದಾಯದ ಉಪ ಶಾಖೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ಪ್ರಕರಣ 3 - ಆದ್ಯತೆಯನ್ನು ಪಾವತಿಸಲಾಗಿದೆ. B2B ಸಾಫ್ಟ್ವೇರ್ ಕಂಪನಿಯಲ್ಲಿ, 12 ಊಹೆಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. ಪರಿಣಾಮ-ಅನುಕೂಲತೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ "ಆನ್ಬೋರ್ಡಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು ದೀರ್ಘವಾಗಿದೆ" ಎಂಬ ಕಲ್ಪನೆಯನ್ನು ಹೆಚ್ಚಿನ ಪರಿಣಾಮ-ಹೆಚ್ಚಿನ ಅನುಕೂಲತೆಯ ಪೆಟ್ಟಿಗೆಯಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಒಂದು ವಾರದ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಿಂದ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ: 30 ದಿನಗಳಲ್ಲಿ ಸಕ್ರಿಯಗೊಳಿಸದ ಗ್ರಾಹಕರ ರದ್ದತಿ ದರವು 3 ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ. ಸ್ವಲ್ಪ ಹಸ್ತಕ್ಷೇಪ (ಮಾರ್ಗದರ್ಶಿ ಸ್ಥಾಪನೆ) ರದ್ದತಿಯನ್ನು 22% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಸರಿಯಾದ ಊಹೆಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಯೋಜನೆಯನ್ನು ಮೊಟಕುಗೊಳಿಸುತ್ತದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಕಂಪನಿಯ ಲಾಭ ಏಕೆ ಕುಸಿಯುತ್ತಿದೆ ಎಂದು ನನಗೆ ಪಟ್ಟಿ ಮಾಡಿ.
ಮಾದರಿಯು ಯಾದೃಚ್ಛಿಕ, ಅತಿಕ್ರಮಿಸುವ ಮತ್ತು ಆಧಾರರಹಿತ ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿಮಾಡುತ್ತದೆ; ಇದು ಚಿಂತನೆಯ ಚೌಕಟ್ಟನ್ನು ಸ್ಥಾಪಿಸುವುದಿಲ್ಲ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: MECE ಸಮಸ್ಯೆ ರಚನೆ ತಜ್ಞರು. ಮುಖ್ಯ ಪ್ರಶ್ನೆ: "ಕಂಪನಿಯನ್ನು ನಿರ್ಮಿಸಿ.
ಉತ್ತಮ ಸಮಸ್ಯೆಯ ರಚನೆಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
ನಿಮ್ಮ ಮರವನ್ನು ನೀವು ಪೂರ್ಣಗೊಳಿಸಿದಾಗ, ಈ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ: ನೀವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸಹ ಕೇಳಬಹುದು, ಆದರೆ ನೀವು ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು:
- ಮೂಲ ಪ್ರಶ್ನೆಯು ಗ್ರಾಹಕರು ನಿರ್ಧರಿಸಲು ಬಯಸುವ ಪ್ರಶ್ನೆಯೇ? - ಮೊದಲ ಹಂತದ ಶಾಖೆಗಳು ಅತಿಕ್ರಮಿಸುತ್ತವೆಯೇ? (ಪರಸ್ಪರ ಪ್ರತ್ಯೇಕ?)- ಏನಾದರೂ ಬಿಟ್ಟಿದೆಯೇ? (ಇದು ಒಟ್ಟಿಗೆ ಪೂರ್ಣಗೊಂಡಿದೆಯೇ?) - ಪ್ರತಿ ಎಲೆಯನ್ನು ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಬಹುದೇ ಅಥವಾ ಅದು ಅಭಿಪ್ರಾಯವೇ? - ನಾನು ಮುಂಚಿತವಾಗಿ ಪರಿಹಾರವನ್ನು ಊಹಿಸಿದ್ದೇನೆಯೇ? (ಉದಾಹರಣೆಗೆ, "ಸಂಬಳವೇ ಪರಿಹಾರ")
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಪ್ರಶ್ನೆಯಲ್ಲಿ ಪರಿಹಾರವನ್ನು ಎಂಬೆಡ್ ಮಾಡಿ. "ನಾವು ಬೆಲೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕೇ?" ಪ್ರಶ್ನೆಯು ಪರಿಹಾರವನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಇತರ ಸನ್ನೆಕೋಲುಗಳನ್ನು ಅಗೋಚರಗೊಳಿಸುತ್ತದೆ. ಮೊದಲು "ಯಾಕೆ" ಎಂದು ಕೇಳಿ.
- ಅತಿಕ್ರಮಿಸುವ ಶಾಖೆಗಳು. "ಕಾರ್ಪೊರೇಟ್ ಗ್ರಾಹಕರು" ಮತ್ತು "ದೊಡ್ಡ ಗ್ರಾಹಕರು" ಪ್ರತ್ಯೇಕ ಶಾಖೆಗಳಾಗಿದ್ದರೆ, ಒಂದೇ ಗ್ರಾಹಕನನ್ನು ಎರಡು ಸ್ಥಳಗಳಲ್ಲಿ ಎಣಿಸಲಾಗುತ್ತದೆ; MECE ಮುರಿದುಹೋಗಿದೆ.
- ಮಿಶ್ರಣ ಮಟ್ಟ. ಕಾರಣವನ್ನು (ಸ್ಪರ್ಧೆ) ಅದೇ ಮಟ್ಟದಲ್ಲಿ ಪರಿಣಾಮ (ಆದಾಯ ಕುಸಿತ) ಹಾಕುವುದು ಮರವನ್ನು ಅಭಾಗಲಬ್ಧವಾಗಿಸುತ್ತದೆ.
- ಪರೀಕ್ಷಿಸಲಾಗದ ಎಲೆಗಳು. "ಕಳಪೆ ನಿರ್ವಹಣೆ" ಒಂದು ತೀರ್ಪು, ಒಂದು ಊಹೆಯಲ್ಲ. "ನಿರ್ಧಾರದ ಸಮಯವು ಸರಾಸರಿ 40 ದಿನಗಳು, ಉದ್ಯಮದಲ್ಲಿ 12 ದಿನಗಳು" ಎಂಬುದು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಊಹೆಯಾಗಿದೆ.
- ಮಾದರಿಯ ಮರವನ್ನು ಹಾಗೆಯೇ ಸ್ವೀಕರಿಸುವುದು. AI ತ್ವರಿತ ರೂಪರೇಖೆಯನ್ನು ನೀಡುತ್ತದೆ; MECE ಆಡಿಟಿಂಗ್ ಮತ್ತು ಆದ್ಯತೆ ನಿಮ್ಮ ಕೆಲಸ.
ಎಚ್ಚರಿಕೆ: AI ಒಂದು ಊಹೆಯ ಮರವನ್ನು ಬಹಳ ಮನವೊಪ್ಪಿಸುವ ರೀತಿಯಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಮನವೊಲಿಸುವುದು ನಿಖರತೆ ಅಲ್ಲ. MECE ಗಾಗಿ ಯಾವಾಗಲೂ ಮರವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರೀಕ್ಷಿಸಿ; ಪೆನ್ ಮತ್ತು ಪೇಪರ್ನೊಂದಿಗೆ ಶಾಖೆಗಳನ್ನು ಚಿತ್ರಿಸುವುದು ಮಾದರಿಯು ತಪ್ಪಿಸಿಕೊಂಡ ಅತಿಕ್ರಮಣವನ್ನು ತೋರಿಸುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಸಮಾಲೋಚನೆಯಲ್ಲಿ, ಸರಿಯಾದ ಉತ್ತರದ ಮೊದಲು ಮೌಲ್ಯವು ಸರಿಯಾದ ಪ್ರಶ್ನೆಯಲ್ಲಿದೆ. ಅಸ್ಪಷ್ಟ ದೂರನ್ನು ಅಳೆಯಬಹುದಾದ ಸಮಸ್ಯೆ ಹೇಳಿಕೆಯಾಗಿ ಪರಿವರ್ತಿಸುವಲ್ಲಿ, ಸೂಚ್ಯವಾದ ಊಹೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವಲ್ಲಿ ಮತ್ತು ಊಹೆಯ ಮರವನ್ನು ತ್ವರಿತವಾಗಿ ಚಿತ್ರಿಸುವಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾಗಿದೆ. ಆದರೆ ಮರವು MECE ಆಗಿದೆಯೇ, ಊಹೆಗಳ ಪರೀಕ್ಷೆ, ಮತ್ತು ಯಾವುದನ್ನು ಮೊದಲು ಪರೀಕ್ಷಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ನಿಮಗೆ ಬಿಟ್ಟದ್ದು. ಮಾದರಿಯು ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಸಮಸ್ಯೆಯನ್ನು ಹೊಂದುವುದು, ನಿಯಂತ್ರಿಸುವುದು ಮತ್ತು ಆದ್ಯತೆ ನೀಡುವುದು ಸಲಹೆಗಾರರ ಕೆಲಸ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನೈಜ ಅಥವಾ ಕಲ್ಪನೆಯ ಗ್ರಾಹಕ ದೂರನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಒಂದು ವಾಕ್ಯ). ಮೊದಲಿಗೆ, ಇದನ್ನು ಅಳೆಯಬಹುದಾದ ಸಮಸ್ಯೆ ಹೇಳಿಕೆಯಾಗಿ ಮತ್ತು ಬಲವಾದ ಸಮಸ್ಯೆ-ಫ್ರೇಮಿಂಗ್ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ ಮೂರು ಸೂಚ್ಯ ಊಹೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ. ನಂತರ MECE ಹೈಪೋಥೆಸಿಸ್ ಟ್ರೀ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ ಎರಡು ಹಂತದ ಮರವನ್ನು ನಿರ್ಮಿಸಿ. ಕನಿಷ್ಠ ಒಂದು ಸಂಘರ್ಷ ಅಥವಾ ಅಂತರವನ್ನು ಹುಡುಕಲು ಮತ್ತು ಸರಿಪಡಿಸಲು ಮರವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರೀಕ್ಷಿಸಿ. ಅಂತಿಮವಾಗಿ, ಪರಿಣಾಮ-ಸುಲಭ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಭರ್ತಿ ಮಾಡಿ ಮತ್ತು ಮೊದಲು ಪರೀಕ್ಷಿಸಲು ಎರಡು ಊಹೆಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಕಚ್ಚಾ ದೂರನ್ನು ಯಾರು/ಯಾವುದು/ಮಾನದಂಡ/ವ್ಯಾಪ್ತಿ/ಅವಧಿಯೊಂದಿಗೆ ಸಮಸ್ಯೆಯ ಹೇಳಿಕೆಯಾಗಿ ಮಾರ್ಪಡಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಸೂಚ್ಯ ಊಹೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿದೆ.
- [ ] ನಾನು MECE ನಂತೆ ನನ್ನ ಊಹೆಯ ಮರದ ಮೊದಲ ಹಂತವನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
- [ ] ನಾನು ಪ್ರತಿ ಎಲೆಯು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಊಹೆಯಾಗಿದೆ ಎಂದು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಪ್ರಶ್ನೆಯಲ್ಲಿ ಪರಿಹಾರವನ್ನು ಸಮಾಧಿ ಮಾಡಲಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಂಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಪ್ರಭಾವ-ಸುಲಭ ಮ್ಯಾಟ್ರಿಕ್ಸ್ಗೆ ಆದ್ಯತೆ ನೀಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಮಾದರಿಯ ಮರವನ್ನು ಕುರುಡಾಗಿ ಸ್ವೀಕರಿಸಲಿಲ್ಲ ಮತ್ತು ಅದನ್ನು ಕೈಯಾರೆ ಸರಿಪಡಿಸಿದೆ.