Pelnas:
- Gebėjimas analizuoti pardavimų, sąnaudų ir operacijų lenteles naudojant dirbtinį intelektą ir aptikti tendencijas, lūžius ir nuokrypius
- Galimybė patikrinti, ar nėra aritmetinių klaidų ir haliucinacijų, iš naujo arba rankiniu būdu tikrinant kiekvieną skaičiavimą
- Gebėjimas atskirti koreliaciją nuo priežastinio ryšio ir prieš interpretuojant suabejoti duomenų kokybe ir imties ribomis
Viena iš dažniausiai pasikartojančių frazių valdymo konsultacijose yra: „Ką sako skaičiai? Kliento pardavimo duomenys, sąnaudų lentelė, klientų segmentai arba veiklos metrika; jie visi pasakoja istoriją. Konsultanto darbas yra surasti tą istoriją, įrodyti ją ir aiškiai parodyti sprendimus priimančiam asmeniui. Dirbtinis intelektas per kelias sekundes interpretuoja diagramą, nurodo tendencijas, atlieka skaičiavimus ir netgi generuoja kodą (Python, Excel formulę) analizei. Tačiau čia yra ypatingas pavojus: dirbtinis intelektas gali tyliai klysti aritmetikoje ir teisingai pateikti neteisingą skaičių. Todėl auksinė duomenų analizės taisyklė – kiekvieną skaičiavimą pakartoti arba patikrinti rankiniu būdu.
Du būdai dirbti su duomenimis
Yra du pagrindiniai duomenų analizės metodai naudojant AI, o skirtumo žinojimas yra labai svarbus tikslumui.
- Tekstinė modelio interpretacija: įklijuojate duomenis tiesiai į pokalbį ir sakote „komentuoti“. Modelis skaito šablonus, bet atlieka skaičiavimus „protiškai“; Tai kelias su didžiausia klaidų rizika. Tinka mažoms lentelėms ir kokybiniam interpretavimui, o ne tiksliai apskaitai.
- Kodo/įrankio generavimas: į modelį atspausdinate analizės kodą (Python/pandas) arba Excel formulę; Kodas atlieka skaičiavimus, o ne modelį. Šis būdas yra daug patikimesnis, nes aritmetika veikia deterministiniame įrankyje. Pirmenybę teikite dideliems duomenims ir tiksliam skaičiui.
Patarimas: jei jums reikia tikslaus skaičiaus (bendra apyvarta, vidurkis, augimo tempas), paprašykite modelio „parašyti Excel formulę / Python kodą, kuris tai apskaičiuoja“, paleiskite rezultatą patys. Niekada nelaikykite modelio pateikto skaičiaus galutiniu.
Kaip nustatyti analizės raginimą
Geras analizės raginimas apima duomenis, užduotą klausimą ir patvirtinimo taisyklę.
Jūsų vaidmuo: duomenų analitikas. Žemiau pateikiama 24 mėnesių pardavimo diagrama (mėnuo, regionas, produktas, kiekis, apyvarta). Užduotis: 1) Apibendrinkite bendros ir mėnesio apyvartos tendencijas. 2) Raskite 3 sparčiausiai augančius ir greičiausiai besitraukiančius regionų produktų suskirstymą. 3) Pažymėkite, ar yra nukrypimų (netikėtas šuolis/kritimas). Taisyklės: - Šalia parašykite Excel formulę, kuri atlieka kiekvieną skaičiavimą; Aš patikrinsiu.- Atskirkite interpretaciją nuo duomenų: pirmiausia „duomenys sako“, tada „galima prasmė“.- Neteigti priežastingumo; rodyti tik šabloną.
Šis prašymas turi tris esminius elementus: reikalaujama formulės (patikinamumas), atskiriami duomenys nuo interpretacijos (vientisumas) ir uždraudžiama tvirtinti priežastinį ryšį (kito skyriaus tema).
Koreliacija nėra priežastinis ryšys
Labiausiai paplitusi ir brangiausia loginė analizės klaida yra prielaida, kad vienas iš dviejų dalykų, veikiančių kartu, sukelia kitą. Vien todėl, kad du kintamieji didėja kartu (koreliacija), neįrodo, kad vienas sukelia kitą (priežastinis ryšys); Gali būti ir trečias veiksnys arba atsitiktinumas. Klasikinis pavyzdys: didėjant ledų pardavimui, daugėja ir skendimų; Priežastis – ne ledai, karšti orai kelia tiek.
AI gali lengvai parašyti koreliaciją, nes „X padidina Y“. Pamatęs šį sakinį konsultantas turėtų sustoti ir paklausti: "Ar tai tikrai priežastis, ar čia yra paslėptas veiksnys?" Priežastinio ryšio teiginys; kontroliuojamas palyginimas reikalauja žinių apie laiko seką ir sritį.
Jūsų vaidmuo: kritinių duomenų analitikas.Tokioje analizėje pateiktas teiginys „X padidina Y“.Užduotis:- Įvertinkite, ar šis ryšys yra koreliacija, ar pagrįstas priežastinis ryšys.- Išvardykite 3 galimus latentinius (trečiuosius) veiksnius, kurie gali turėti įtakos abiem.- Pasakykite, kokių papildomų įrodymų (lyginimo grupės, laiko sekos) reikia priežastingumui pagrįsti.Naudokite griežtą priežastinį ryšį; Parašykite „galima“ ir „turėtų būti išbandyta“.
Duomenų kokybės suabejojimas prieš interpretavimą
Gera analizė neatsiranda iš blogų duomenų. Prieš komentuodami kiekvieną diagramą užduokite šiuos klausimus:
kontroliuoti
Kodėl tai svarbu?
Kaip rūpintis
trūksta duomenų
Tuščios ląstelės iškreipia vidurkį
Suskaičiuokite tuščio/nulio santykį
nuokrypiai
Vienintelis skirtumas iškreipia tendenciją
Pažvelkite į min-max ir paskirstymą
Apibrėžimo nuoseklumas
Ar kiekvieną mėnesį „apyvarta“ tokia pati?
Patvirtinkite stulpelio apibrėžimą
laiko intervalas
Ar sezoniškumas klaidina?
Palyginkite per metus
mėginys
Ar duomenys atspindi visą visatą?
Klauskite aprėpties normos
Prieš AIŠKINDAMI šią lentelę, patikrinkite duomenų kokybę:- Koks trūkstamas/nulis langelių santykis?- Kuriose eilutėse yra kraštutinės (išskirtinės) reikšmės?- Ar stulpelių apibrėžimai yra nuoseklūs, ar yra įtartinų? Tiesiog pateikite audito ataskaitą; Dar nekomentuok.
trys mini dėklai
1 atvejis – tyli aritmetinė klaida. Konsultantas turi surinkti 12 mėnesių apyvartą; modelis sako „142,6 mln. Konsultantas patikrina „Excel“: faktiškai iš viso 128,4 mln.; Modelis neteisingai pridėjo du mėnesius. Jei vietoj protinio skaičiavimo būtų paprašyta formulės, nebūtų buvę jokios klaidos. Jei pristatyme būtų įvestas neteisingas skaičius, klientų pasitikėjimas būtų sukrėtęs.
2 atvejis – netikras priežastinis ryšys. Mažmeninėje prekyboje modelis sako: „Apyvarta padidėjo tais mėnesiais, kai buvo pasiūlyta nuolaida, todėl nuolaida padidina apyvartą“. Konsultantas sustoja: per šventes jau daromos nuolaidos; Pagrindinis veiksnys yra atostogų paklausa. Norint išmatuoti nuolaidos efektą, reikia palyginti su atostogomis be nuolaidos. Klaidingos išvados neleidžia pateikti maržą deginančio pasiūlymo, pvz., „nuolaidos padarykime kiekvieną mėnesį“.
3 atvejis – pašalinių spąstai. Vidutinė zonos užsakymo vertė atrodo neįprastai didelė. Modelis tai interpretuoja kaip „premium“ zoną. Konsultantas atidaro eilutę: vienas įmonės užsakymas 4,2 mln. Kai ši linija pašalinama, regionas yra įprastas. Naudojant medianą būtų išvengta šių spąstų.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Išanalizuokite šią pardavimo diagramą ir nurodykite pagrindines išvadas.
Modelis skaičiuoja tiesiai, tvirtina priežastinį ryšį ir pateikia nepatikrinamus rezultatus.
Galingas raginimas:
Jūsų vaidmuo: kruopštus duomenų analitikas. Pirmiausia atlikite duomenų kokybės auditą (trūksta, nukrypstama, apibrėžimo nuoseklumas). Tada: mėnesio tendencija, 3 geriausi suskirstymai, išskirtiniai rodikliai.- Parašykite kiekvienos paskyros Excel formulę; Aš patikrinsiu.- Taip pat nurodykite medianą, o ne vidurkį (norėdami pamatyti pašalinį efektą).- Atskirkite „duomenys sako“ nuo „galimos reikšmės“; NEGALIMA TEIGTI priežastingumo. – Pažymėkite „neaišku“, kur nesate tikri.
Segmentacija: tiesa, kurią slepia vidutinis
Vienas iš galingiausių žingsnių konsultacinėje analizėje yra segmentavimas: bendro skaičiaus suskirstymas į reikšmingus pogrupius. „Vidutinis klientas“ dažnai yra neegzistuojantis konstruktas; Tiesa slypi pogrupiuose. Pavyzdžiui, nors atrodo, kad vidutinė pelno marža yra 8%, 20% klientų gali atnešti 25% maržą, o 30% – nuostolių; vidurkis visiškai slepia šį faktą. Dirbtinis intelektas padeda greitai suskaidyti diagramą pagal skirtingas ašis (kliento tipą, regioną, produktą, kanalą) ir rasti, kuris suskirstymas rodo ryškiausią skirtumą.
Jūsų vaidmuo: duomenų analitikas. Lentelė yra žemiau.Užduotis: suskaidykite šiuos duomenis pagal šią ašį: [kliento tipas / regionas / produktas].Kiekvienai grupei: bendra, dalis (%), vidurkis IR mediana, grupės dydis (n).Taisyklės:- Jei grupė n<30, pažymėkite "maža imtis - dėmesys".- Parašykite kiekvienos paskyros formulę; Aš patikrinsiu.- Rodyti aukščiausią ir žemiausią grupę; Įvertinkite, ar skirtumas yra realus, ar dėl vieno nuokrypio. Pirmiausia leiskite man pasakyti, kokio suskirstymo tikiuosi: [hipotezė].
Dažnos klaidos
- Remdamiesi modelio galvos skaičiavimu. Perduokite aritmetiką deterministiniam įrankiui (Excel / Python); Patikrinkite rezultatą savarankiškai.
- Klaidinga koreliacija ir priežastinis ryšys. Nerašykite sakinio „X padidina Y“ be įrodymų; Paklauskite apie paslėptą veiksnį.
- Aklai žiūrint į vidurkį. Vienintelis išskirtinis rodiklis padidina vidurkį; Taip pat žr. medianą ir pasiskirstymą.
- Duomenų kokybės aplenkimas. Neišsamių, pasikartojančių ar nenuoseklių duomenų interpretacijos yra klaidinančios; pirma patikrink.
- Pamiršus pavyzdį. Apibendrinant iš mažos arba šališkos imties į visą populiaciją, bus gauti klaidingi rezultatai.
- Painiojami duomenys su interpretavimu. Atskirai parodykite, kas yra matavimas ir kas yra išvada.
Dėmesio: jei finansinių, sveikatos ar eksploatacinės saugos duomenų analizės rezultatas bus sprendimo pagrindas, skaičiavimus ir interpretaciją turi patvirtinti atitinkamas ekspertas (finansų patarėjas, aktuaras, srities ekspertas). Dirbtinis intelektas atlieka preliminarią analizę; Galutinis įvertinimas ir atsakomybė priklauso žmogui.
Apibendrinant
Dirbtinis intelektas yra galinga pagalba interpretuojant lentelės duomenis, ieškant tendencijų ir suskirstymų bei generuojant analizės kodą. Tačiau kadangi jis gali tyliai padaryti aritmetikos klaidų, kiekvieną skaičiavimą būtina iš naujo atlikti deterministiniu įrankiu ir patikrinti rankiniu būdu. Koreliacijos atskyrimas nuo priežastingumo, vidurkio žiūrėjimas į medianą, duomenų kokybės tikrinimas prieš interpretavimą ir imties ribų laikymasis yra pagrindinės konsultavimo disciplinos. Modelis rodo modelį; Žmonės kuria prasmę ir atsakomybę.
Taikymo užduotis
Pasirinkite faktinę arba reprezentatyvią pardavimo / išlaidų ataskaitą. Pirmiausia paleiskite duomenų kokybės tikrinimo raginimą ir suraskite bent vieną problemą (trūkstamą, nuokrypį, apibrėžimo nenuoseklumą). Tada išskleiskite tendencijas ir proveržius naudodami galingą analizės raginimą; Taip pat rankiniu būdu patikrinkite kiekvienos paskyros formulę. Palyginkite vidurkį su mediana ir nustatykite pašalinį efektą. Galiausiai raskite priežastingumo teiginį, kurį modelis rašo, ir perfrazuokite jį kaip „koreliaciją“.
kontrolinis sąrašas
- [ ] Iš naujo paleidau kiekvieną tikslų skaičiavimą deterministiniu įrankiu (Excel / Python).
- [ ] Prieš komentuodamas atlikau duomenų kokybės patikrinimą.
- [ ] Be vidurkio, pažvelgiau į medianą ir pasiskirstymą.
- [ ] Išsaugojau koreliacijos ir priežastinio ryšio skirtumą.
- [ ] Suabejojau imties ir laikotarpio ribomis.
- [ ] Atskyriau „duomenys sako“ ir „galimą reikšmę“.
- [ ] Planavau ekspertų patvirtinimą atliekant sprendimų kritinę analizę.