Ieguvumi:
- Atzīst kvalitātes, konfidencialitātes un interpretācijas riskus darbā ar datiem un izveido drošu analīzes plūsmu.
- Tā atlasa mērķim pareizo indikatoru, nošķirot maldinošus atsevišķus rādītājus un mērījumus, kas ir atvērti manipulācijām.
- Tā atpazīst maldinošas diagrammas metodes (ass nesākas no nulles, izvēlētais diapazons) un ievēro godīgu vizualizāciju.
Sabiedrība katru dienu ražo datus: pieteikumu numuri, risinājumu laiki, budžeta pozīcijas, iedzīvotāju kustības, pakalpojumu pieprasījumi, audita rezultāti, apmierinātības aptaujas. Lielākā daļa šo datu atrodas Excel izklājlapās, veidlapās un ierakstīšanas sistēmās, bet netiek pārvērsti lēmumos, jo to analīze prasa zināšanas un laiku. Uz datiem balstīta lēmumu pieņemšana (pieeja resursu piešķiršanai un politikas noteikšanai, kuras pamatā ir izmērīti pierādījumi, nevis viedoklis vai ieradums) palielina gan efektivitāti, gan godīgumu publiskajā sektorā: resursi nonāk tur, kur tie visvairāk nepieciešami, pamatojoties uz skaitļiem. Šeit AI ir spēcīgs palīgs tabulas jēgas izpratnē, modeļu un anomāliju atrašanā, statistikas kopsavilkuma izgūšanā un atklājumu pārvēršanā vienkāršos teikumos. Šajā nodaļā jūs redzēsiet, kā saīsināt ceļu no neapstrādātiem publiskiem datiem līdz pamatotam AI lēmumam un saglabāt disciplīnu vissvarīgākajā aspektā — pareizajā skaitļa interpretācijā.
Trīs briesmas, strādājot ar datiem
Dati ir spēcīgi, taču tiem ir trīs slazdi, un AI var gan mazināt, gan palielināt šos slazdus:
- Korelācija ≠ cēloņsakarība. Tas, ka divas lietas mainās kopā, nenozīmē, ka viena izraisa otru. Saldējuma tirdzniecība un noslīkšana pieaug, jo tie abi ir saistīti ar vasaras karstumu, nevis viens izraisa otru. AI tekoši konstruē “jo” teikumus; Apšaubiet katru apgalvojumu par cēloņsakarību.
- Neobjektīvi/trūkstoši dati. No kā un kā tika vākti dati? Sūdzību dati atspoguļo tikai tos, kuri var sūdzēties; digitālo lietojumprogrammu dati tiem, kuriem ir piekļuve internetam. Ja neredzat trūkstošo grupu, lēmums būs neobjektīvs.
- Skaitlis bez konteksta. "Palielināts par 30%" vien nav jēgas: pēc kā, kurā periodā, kāds ir absolūtais skaitlis? Jautājiet AI kontekstu.
Uzmanību! Kamēr AI analizē jūsu sniegto tabulu, tas dažreiz pievieno "saprātīgus", bet fiktīvus skaitļus ārpus tabulas vai klusi aizpilda trūkstošās šūnas. Salīdziniet katru izvades numuru ar avota tabulu; Piešķiriet AI noteikumu "izmantojiet tikai vērtības tabulā, kuru es jums sniedzu, ja trūkst, sakiet "nav datu".
Soli pa solim datu analīzes plūsma
- Precizējiet jautājumu. Uz kādu jautājumu mēs meklējam atbildes lēmuma pieņemšanai? ("Kādā apkaimē risinājuma laiks aizņem visilgāko?")
- Zināt datus. Kādas ir kolonnas, kas ir mērvienība, kāds ir periods, vai trūkst/nepareizas vērtības?
- Izvilkt personas datus. Anonimizēt/apkopot, ja analīzei nav nepieciešama individuāla identifikācija (sk. 11. nodaļu).
- Parādās kopsavilkums un modelis. Lieciet AI veikt pamata statistiku, grupēšanu un anomāliju marķēšanu.
- Apšaubiet komentāru. Korelācija vai cēloņsakarība? Alternatīvs skaidrojums? Vai trūkst grupas?
- Vizualizējiet un vienkāršojiet. Vienkāršs kopsavilkums un grafika, ko var saprast lēmumu pieņēmējs.
- Dokumentējiet lēmumu un tā pamatojumu. Kāds lēmums tika pieņemts, pamatojoties uz kādiem datiem? audita pēdas.
trīs mini futrāļi
1. gadījums — avots nokļuva pareizajā vietā. Agrāk kāda pašvaldība savu parka uzturēšanas budžetu sadalīja "vienlīdzīgi katrai apkaimē". Kad 18 mēnešu pieprasījuma un lietošanas dati tika analizēti ar AI, pieprasījums uz vienu iedzīvotāju trijos rajonos bija 2,4 reizes lielāks par vidējo. Budžets tika pārdalīts atbilstoši nepieciešamībai; vispārējā apmierinātība palielinājās, bez papildu izdevumiem.
2. gadījums — tika pamanīti neobjektīvi dati. Aģentūra aplūkotu digitālo pieteikumu datus un secinātu, ka “pilsoņi vairs nenāk pie nodevas kases”. Taču, kad analīzē tika pieprasīts vecuma sadalījums, tika konstatēts, ka pieteikumi, kas vecāki par 65 gadiem, joprojām lielākoties tika saņemti no kases. Ja aplūkotu tikai digitālos datus, šī grupa tiktu ignorēta; kases serviss tika saglabāts.
3. gadījums — izdomāta cēloņsakarība apturēta. Interpretējot tabulu, YZ teica: "Negadījumu skaits samazinājās, jo palielinājās pārbaužu skaits." Analītiķis atgādināja, ka arī laikapstākļi mainījās un satiksme tajā pašā laika posmā samazinājās; To attiecināt uz vienu iemeslu bija maldinoši. Ziņojums tika labots, norādot, ka "sakarība pastāv, bet cēloņsakarība nav pierādīta".
Četras kopējamas veidnes
1) Iepazīstieties ar tabulu:
Jūsu loma: datu analītiķis. Izpētiet tālāk redzamo tabulu un, pamatojoties TIKAI uz šīs tabulas vērtībām: (1) apkopojiet katras kolonnas vērtību, tās vienību un periodu, (2) visas šūnas, kas šķiet pazudušas/nepareizas, (3) apkopojiet 3 galvenās modeļus, kas izceļas. Ciparu pievienošana ārpus tabulas; ja trūkst, sakiet "nav datu".TABLE: [ielīmēt datus]
2) Statistikas kopsavilkums ar kontekstu:
Atbildiet uz šādu jautājumu no tālāk esošās tabulas: [jautājums]. OBLIGĀTI jānorāda rezultāts ar kontekstu: absolūtais skaitlis + likme + salīdzināšanas periods. Kad sakāt "palielināts par X%", norādiet, cik lielā mērā un kurā periodā. Vienkārši izmantojiet dotos datus.TABULA: [dati] JAUTĀJUMS: [jautājums]
3) Cēloņsakarības jautātājs:
Interpretējiet šādu konstatējumu, taču UZMANĪBU: nejauciet korelāciju ar cēloņsakarību. Ģenerējiet vismaz 3 alternatīvus skaidrojumus šīm attiecībām (trešais mainīgais, apgrieztais virziens, sakritība). Pastāstiet man, kādi papildu dati ir nepieciešami, lai pierādītu cēloņsakarību. ATRAŠANĀS: [attiecības]
4) Vienkāršs lēmuma kopsavilkums:
Vienkāršojiet šādu analīzi lēmumu pieņēmējam, kurš nav datu eksperts: ne vairāk kā 5 vienumi, katrs vienums ir atradums un paskaidrojums “ko tas nozīmē”. Skaidri pierakstiet arī datu nenoteiktības un ierobežojumus. Jaunas informācijas pievienošana.ANALĪZE: [teksts]
Vāja uzvedne / spēcīga uzvedne
Vājš: "Analizējiet šo diagrammu un pastāstiet mums, kas mums jādara."
Spēcīgs: "Jūsu loma ir datu analītiķis. Izmantojiet TIKAI zemāk esošo tabulu; nepievienojiet skaitļus no ārpuses, nesakiet "nav datu" trūkstošajai šūnai. Vispirms iepazīstieties ar kolonnām, mērvienībām un punktu. Pēc tam atbildiet uz jautājumu "kurai apkaimē ir visilgākais risināšanas laiks" ar absolūto skaitli + attiecību + salīdzināšanas periodu. Ja atrodat modeli, pirms izskaidrot to, izdomājiet 3 alternatīvus skaidrojumus, kas saistīti ar datiem un visbeidzot. (trūkst grupas, īss periods), kas atstāj lēmumu mūsu ziņā."
Atšķirība: spēcīga uzvedne nosaka datu precizitāti, kontekstu, cēloņsakarības disciplīnu un lēmumu pieņemšanas robežas; Rezultāts ir attaisnojama analīze.
Kur AI var uzticēties datu biznesā?
bizness
AI uzticība
noteikums
Tabulas kopsavilkums, grupēšana
augsts
Doti tikai dati
Anomāliju/rakstu marķēšana
vidējs
cilvēka apstiprinājums
Cēloņsakarības interpretācija
zems
Nepieciešams alternatīvs skaidrojums
Trūkstošo datu aizpildīšana
pārāk zems
Neļaujiet tam notikt; "nav datu"
Vienkāršošana/vizuāls kopsavilkums
augsts
Jēga ir jāsaglabā
Indikatora dizains un maldinošs diagrammas slazds
Vissvarīgākais solis lēmumu pieņemšanā, izmantojot datus, ir pareizā indikatora izvēle (skaitliskā izteiksme, kas padara parādību izmērāmu, piemēram, “vidējais apstrādes laiks” vai “maksa par vienu pieteikumu”). Nepareizs rādītājs noved pie nepareiza lēmuma pat ar precīziem datiem: lai gan šķiet, ka “kopējais atrisināto prasību skaits” palielinās, “gaidīšanas laiks uz vienu pilsoni” var pasliktināties. AI var uzskaitīt tēmas kandidātrādītājus un to, ko katrs mēra un slēpj; bet jūs izlemjat, kurš rādītājs patiesi atspoguļo sabiedrības intereses. Jāapzinās arī maldinošas vizualizācijas risks (izkropļot uztveri ar tādām metodēm kā ass, kas nesākas no nulles, nesamērīga skala, izvēlēts laika intervāls) grafikos, ko AI iesaka vai apraksta; godīgs vizuālais attēls publiskajos datos ir daļa no pārvaldības.
Mini futrālis — nepareiza zīme, nepareiza lielīšanās. Viena vienība pārspēja rekordus rādītājā "slēgto failu skaits mēnesī"; bet iedzīvotāju sūdzības pieauga. Aplūkojot precīzu rādītāju, “pirmā kontakta izšķirtspējas līmeni”, rādītājs samazinājās no 58 procentiem līdz 44 procentiem — faili tika ātri aizvērti un atkārtoti atvērti. Mainoties rādītājam, mainījās arī vadības prioritāte.
Mini korpuss — ass, kas nesākas no nulles. Prezentācijā aprakstītajā diagrammā AI vertikālā ass sākas ar 40, 2 procentu pieaugums šķita dramatisks lēciens. Kad ass tika pārvietota uz nulli, parādījās reālā aina un lēmums tika izslēgts no pārspīlētās uztveres.
Veidne, kas atbalsta indikatora izvēli:
Uzdevums: Iesakiet 5 kandidātu rādītājus šādam mērķim. Mērķis: [piem. iedzīvotāju pakalpojumu kvalitātes uzlabošana]Katram rādītājam: ko tas mēra | ko tas var slēpt | atvērtība manipulācijām | ieteicamais lasīšanas biežums.Tālāk: uzrakstiet 3 brīdinājumus (tos, kas paši par sevi ir maldinoši), lai šos rādītājus lasītu kopā.Noteikums: Neveidojiet skaitļus; vienkārši iesakiet indikatora dizainu.
Uzmanību: neiekrītiet nepareizā priekšstatā, ka "skaitlis ir objektīvs". Tas, kādu skaitli mērīt, kā to parādīt un kādu diapazonu izvēlaties, ir interpretācijas jautājums. Caurspīdīga un godīga publiska interpretācija ir tikpat svarīga kā precīzu datu iegūšana.
Biežas kļūdas
- Kļūdaina korelācija ar cēloņsakarību. "Palielināts kopā" nav iemesls; Meklējiet alternatīvus skaidrojumus.
- AI aizpilda trūkstošos datus. Analīze sabrūk ar izdomātu vērtību; atstāj pazudušo.
- Neobjektīvu datu vispārināšana. Sūdzība/digitālie dati neatspoguļo visus; Vaicājiet trūkstošo grupu.
- Skaitļa uzrādīšana bez konteksta. Blakus koeficientam jābūt absolūtajam skaitlim un salīdzinājuma periodam.
- Nevajadzīga personas datu analīze. Neizmantojiet individuālo identifikāciju, ja pietiek ar apkopotiem datiem.
- Lēmumu nedokumentē. Kāds lēmums tika pieņemts, pamatojoties uz to, kuri dati ir jāreģistrē auditam.
Rezumējot
Uz datiem balstīta lēmumu pieņemšana ir visspēcīgākais veids, kā godīgi un efektīvi sadalīt resursus publiskajā sektorā; AI ir ātrs palīgs šajā biznesā, kas izprot attēlu, atrod modeļus un vienkāršo atrašanu. Bet nelieciet AI veidot skaitļus, nelieciet tai aizpildīt trūkstošos datus, neļaujiet tam sajaukt korelāciju ar cēloņsakarību un izvairieties no neobjektīvu/nepilnīgu datu vispārināšanas. Skaitļos ir spēks; Spēcīgāks ir tas, kurš to pareizi interpretē un dokumentē lēmumu.
Lietojumprogrammas uzdevums
Iegūstiet no savas vienības īstu (ar personas datiem noņemtu) tabulu. Iepazīstieties ar datiem, izmantojot veidni "Iepazīstieties ar tabulu", pēc tam atbildiet uz svarīgu jautājumu lēmumam, izmantojot veidni "Kontekstuālā kopsavilkuma statistika". Izmantojiet veidni “Cēloņsakarības jautātājs” jaunām attiecībām un atrodiet vismaz vienu alternatīvu skaidrojumu. Pārbaudiet, vai AI pievieno skaitļus ārpus tabulas.
kontrolsaraksts
- [ ] AI izmantoja tikai doto tabulu; Viņš nepievienoja numurus no ārpuses.
- [ ] es neesmu aizpildījis trūkstošos datus; Es atstāju to kā "nav datu".
- [ ] Katru rezultātu uzrādīju ar kontekstu (absolūtais skaitlis + likme + periods).
- [ ] Es izstrādāju alternatīvu skaidrojumu cēloņsakarības apgalvojumiem.
- [ ] Novērtēju neobjektīvu/trūkstošu datu un trūkstošās grupas risku.
- [ ] Es dokumentēju lēmumu un datus, uz kuriem tas tika balstīts.