Ieguvumi:
- Spēja analizēt pārdošanas, izmaksu un darbības tabulas ar mākslīgo intelektu un atklāt tendences, pārtraukumus un novirzes
- Spēja pārbaudīt, vai nav aritmētiskām kļūdām un halucinācijām, atkārtojot vai manuāli pārbaudot katru aprēķinu
- Spēja atšķirt korelāciju no cēloņsakarības un apšaubīt datu kvalitāti un izlases ierobežojumus pirms interpretācijas
Viena no visbiežāk atkārtotajām frāzēm vadības konsultācijās ir: "Ko saka skaitļi?" Klienta pārdošanas dati, izmaksu tabula, klientu segmenti vai darbības rādītāji; viņi visi stāsta kādu stāstu. Konsultanta uzdevums ir atrast šo stāstu, pierādīt to un skaidri parādīt lēmumu pieņēmējam. Mākslīgais intelekts interpretē diagrammu sekundēs, norāda tendences, veic aprēķinus un pat ģenerē kodu (Python, Excel formulu) analīzei. Taču šeit pastāv īpašas briesmas: mākslīgais intelekts var klusībā kļūdīties aritmētikā un ar pareizu pārliecību uzrādīt nepareizu skaitli. Tāpēc datu analīzes zelta likums ir atkārtot vai manuāli pārbaudīt katru aprēķinu.
Divi veidi, kā strādāt ar datiem
Ir divas galvenās AI datu analīzes metodes, un precizitātes nodrošināšanai ir ļoti svarīgi zināt atšķirību.
- Modeļa tekstuālā interpretācija: jūs ielīmējat datus tieši tērzēšanā un sakāt "komentēt". Modelis nolasa modeļus, bet veic aprēķinus "garīgi"; Šis ir ceļš ar vislielāko kļūdu risku. Piemērots nelielām tabulām un kvalitatīvai interpretācijai, nevis precīzai uzskaitei.
- Koda/rīka ģenerēšana: modelī drukājat analīzes kodu (Python/pandas) vai Excel formulu; Kods veic aprēķinu, nevis modeli. Šis veids ir daudz uzticamāks, jo aritmētika darbojas deterministiskā rīkā. Dodiet priekšroku lieliem datiem un precīzam skaitlim.
Padoms. Ja jums ir nepieciešams precīzs skaitlis (kopējais apgrozījums, vidējais, pieauguma temps), lūdziet modelim "uzrakstīt Excel formulu/Python kodu, kas to aprēķina", palaidiet rezultātu pats. Nekad neuzskatiet modeļa norādīto skaitli par galīgu.
Kā iestatīt analīzes uzvedni
Laba analīzes uzvedne ietver datus, uzdoto jautājumu un validācijas noteikumu.
Jūsu loma: datu analītiķis. Zemāk ir 24 mēnešu pārdošanas diagramma (mēnesis, reģions, produkts, daudzums, apgrozījums). Uzdevums: 1) Apkopojiet kopējā un mēneša apgrozījuma tendenci. 2) Atrodiet 3 visstraujāk augošo un visstraujāk sarūkošo reģionu produktu sadalījumu. 3) Atzīmējiet, vai ir kādas novirzes (negaidīts lēciens/kritiens). Noteikumi:- Blakus uzrakstiet Excel formulu, kas veic katru aprēķinu; Es pārbaudīšu.- Atdaliet interpretāciju no datiem: vispirms "dati saka", tad "iespējamā nozīme".- Neapgalvojiet cēloņsakarību; rādīt tikai modeli.
Šim pieprasījumam ir trīs būtiski elementi: formulas pieprasīšana (pārbaudāmība), datu atdalīšana no interpretācijas (integritāte) un apgalvojuma par cēloņsakarību aizliegšana (nākamās sadaļas priekšmets).
Korelācija nav cēloņsakarība
Visizplatītākā un dārgākā loģiskā kļūda analīzē ir pieņemt, ka viena no divām lietām, kas darbojas kopā, izraisa otru. Tas, ka divi mainīgie pieaug kopā (korelācija), nepierāda, ka viens izraisa otru (cēloņsakarība); Var būt kāds trešais faktors vai sakritība. Klasisks piemērs: pieaugot saldējuma pārdošanai, pieaug arī noslīkšanas gadījumi; Iemesls nav saldējums, karstais laiks paaugstina gan.
AI var viegli uzrakstīt korelāciju, jo “X palielina Y”. Kad konsultants redz šo teikumu, viņam jāapstājas un jājautā: "Vai tas tiešām ir iemesls, vai arī ir kāds slēpts faktors?" Cēloņsakarības apgalvojums; kontrolētai salīdzināšanai ir nepieciešamas zināšanas par laika secību un domēnu.
Jūsu loma: kritisko datu analītiķis.Šajā analīzē ir ietverts apgalvojums "X palielina Y".Uzdevums:- Novērtējiet, vai šī saistība ir korelācija vai pamatota cēloņsakarība.- Uzskaitiet 3 iespējamos latentos (trešo) faktorus, kas var ietekmēt abus.- Sakiet, kādi papildu pierādījumi (salīdzinājuma grupa, laika secība) ir nepieciešami, lai pamatotu cēloņsakarību.Izmantojiet stingru cēloņsakarību valodu; Uzrakstiet “iespējams” un “jāpārbauda”.
Datu kvalitātes apšaubīšana pirms interpretācijas
Laba analīze nenāk no sliktiem datiem. Pirms komentēšanas uzdodiet katrai diagrammai šos jautājumus:
kontrole
Kāpēc tas ir svarīgi?
Kā rūpēties
trūkst datu
Tukšas šūnas izkropļo vidējo
Skaitīt tukšo/nulles attiecību
novirzes
Viena novirze izkropļo tendenci
Apskatiet min-max un sadalījumu
Definīcijas konsekvence
Vai katru mēnesi "apgrozījums" ir vienāds?
Apstipriniet kolonnas definīciju
laika diapazons
Vai sezonalitāte maldina?
Salīdziniet gadu no gada
paraugs
Vai dati atspoguļo visu Visumu?
Jautājiet seguma likmi
Pirms šīs tabulas INTERPRETĒŠANAS veiciet datu kvalitātes pārbaudi:- Kāda ir trūkstošā/nulles šūnu attiecība?- Kurās rindās ir galējās (ārpusējās) vērtības?- Vai kolonnu definīcijas ir konsekventas, vai ir kādas aizdomīgas? Vienkārši sniedziet revīzijas ziņojumu; Vēl nekomentē.
trīs mini futrāļi
1. gadījums — klusa aritmētiskā kļūda. Konsultants liek modelim savākt 12 mēnešu apgrozījumu; modelī rakstīts “142,6 miljoni”. Konsultants pārbauda programmā Excel: faktiskie kopā 128,4 miljoni; Modelis divus mēnešus pievienoja nepareizi. Ja prāta aprēķina vietā būtu pieprasīta formula, nebūtu kļūdu. Ja prezentācijā būtu ievadīts nepareizs numurs, klientu uzticība būtu satricināta.
2. gadījums — viltus cēloņsakarība. Mazumtirgotājā modelis saka: "Apgrozījums palielinājās tajos mēnešos, kad tika piedāvāta atlaide, tāpēc atlaide palielina apgrozījumu." Konsultants apstājas: jau brīvdienās tiek veiktas atlaides; Galvenais virzītājspēks ir brīvdienu pieprasījums. Lai izmērītu atlaides efektu, nepieciešams salīdzinājums ar svētkiem bez atlaides. Nepareizi secinājumi novērš tādu ieteikumu kā “atlaidīsim katru mēnesi”, piemēram, “atlaidīsim katru mēnesi”.
3. gadījums — ārēju slazds. Zonas vidējā pasūtījuma vērtība šķiet neparasti augsta. Modelis to interpretē kā "premium zonu". Konsultants atklāj rindu: viens korporatīvais pasūtījums 4,2 miljonu apmērā palielināja vidējo; Kad šī līnija tiek noņemta, reģions ir parasts. Izmantojot mediānu, vispirms izvairītos no šīs lamatas.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Analizējiet šo pārdošanas diagrammu un norādiet galvenos secinājumus.
Modelis aprēķina tiešā veidā, apgalvo cēloņsakarību un sniedz nepārbaudāmus konstatējumus.
Spēcīga uzvedne:
Jūsu loma: rūpīgs datu analītiķis. Vispirms veiciet datu kvalitātes auditu (trūkst, nobīde, definīcijas konsekvence). Pēc tam: mēneša tendence, 3 labākie sadalījumi, izņēmumi.- Uzrakstiet katra konta Excel formulu; Es pārbaudīšu.- Norādiet arī mediānu, nevis vidējo (lai redzētu izņēmuma efektu).- Atdaliet "dati saka" no "iespējamās nozīmes"; NEREDZIET cēlonību. - Atzīmējiet "neskaidrs", kur neesat pārliecināts.
Segmentācija: patiesība, ko vidēji slēpj
Viens no spēcīgākajiem soļiem konsultāciju analīzē ir segmentēšana: kopējā skaita sadalīšana jēgpilnās apakšgrupās. “Vidējais klients” bieži vien ir neeksistējoša konstrukcija; Patiesība slēpjas apakšgrupās. Piemēram, lai gan šķiet, ka vidējā peļņas norma ir 8%, 20% klientu var nodrošināt 25% peļņu un 30% - zaudējumus; vidējais šo faktu pilnībā slēpj. Mākslīgais intelekts palīdz ātri sadalīt diagrammu pa dažādām asīm (klienta veids, reģions, produkts, kanāls) un atrast, kurš sadalījums parāda visspilgtāko atšķirību.
Jūsu loma: datu analītiķis. Tabula ir zemāk.Uzdevums: sadaliet šos datus uz šādas ass: [klienta veids / reģions / produkts].Katrai grupai: kopā, daļa (%), vidējais UN mediāna, grupas lielums (n).Noteikumi:- Ja grupa n<30, atzīmējiet "mazs paraugs - uzmanība".- Uzrakstiet formulu katram kontam; Es pārbaudīšu.- Parādīt augstāko un zemāko grupu; Novērtējiet, vai atšķirība ir reāla vai viena no ārpuses. Vispirms pastāstīšu, kādu sadalījumu es sagaidu: [hipotēze].
Biežas kļūdas
- Paļaujoties uz modeļa galvas aprēķinu. Aritmētikas ārpakalpojumu sniedzējs deterministiskajam rīkam (Excel/Python); Rezultātu pārbaudiet neatkarīgi.
- Kļūdaina korelācija ar cēloņsakarību. Nerakstiet teikumu "X palielina Y" bez pierādījumiem; Jautājiet par slēpto faktoru.
- Akli skatoties uz vidējo. Atsevišķa novirze palielina vidējo vērtību; Skatīt arī mediānu un sadalījumu.
- Datu kvalitātes apiešana. Interpretācijas, kas izriet no nepilnīgiem, dublētiem vai nekonsekventiem datiem, ir maldinošas; vispirms pārbaudiet.
- Aizmirstot piemēru. Vispārinot no neliela vai neobjektīva parauga uz visu populāciju, tiks iegūti kļūdaini rezultāti.
- Mulsinoši dati ar interpretāciju. Parādiet atsevišķi, kas ir mērījums un kas ir secinājums.
Uzmanību: ja finanšu, veselības vai ekspluatācijas drošības datu analīzes rezultāts būs lēmuma pamatā, aprēķini un interpretācija jāapstiprina attiecīgajam ekspertam (finanšu padomniekam, aktuāram, lauka ekspertam). Mākslīgais intelekts veic sākotnējo analīzi; Galīgais novērtējums un atbildība pieder cilvēkiem.
Rezumējot
Mākslīgais intelekts ir spēcīgs palīglīdzeklis tabulas datu interpretācijā, tendenču un sadalījumu atrašanā un analīzes koda ģenerēšanā. Bet, tā kā tas var klusi kļūdīties aritmētikā, katrs aprēķins ir jāveic atkārtoti ar deterministisku rīku un jāpārbauda manuāli. Konsultāciju pamatdisciplīnas ir korelācijas atdalīšana no cēloņsakarības, mediānas aplūkošana blakus vidējam, datu kvalitātes pārbaude pirms interpretācijas un izlases ierobežojumu ievērošana. Modelis parāda modeli; Cilvēki rada jēgu un atbildību.
Lietojumprogrammas uzdevums
Atlasiet faktisko vai reprezentatīvu pārdošanas/izmaksu pārskatu. Vispirms palaidiet datu kvalitātes pārbaudes uzvedni un atrodiet vismaz vienu problēmu (trūkst, nobīde, definīcijas neatbilstība). Pēc tam iegūstiet tendences un izlaušanos, izmantojot spēcīgu analīzes uzvedni; Arī manuāli pārbaudiet katra konta formulu. Salīdziniet vidējo ar vidējo un nosakiet izņēmuma efektu. Visbeidzot, atrodiet cēloņsakarības apgalvojumu, ko modelis raksta, un pārfrāzējiet to kā "korelāciju".
kontrolsaraksts
- [ ] Katru precīzu aprēķinu veicu atkārtoti, izmantojot deterministisko rīku (Excel/Python).
- [ ] Pirms komentēšanas veicu datu kvalitātes pārbaudi.
- [ ] Papildus vidējam rādītājam es apskatīju mediānu un sadalījumu.
- [ ] Es saglabāju korelācijas-cēloņsakarības atšķirību.
- [ ] Es apšaubīju izlases un laika perioda ierobežojumus.
- [ ] Es atdalīju "dati saka" un "iespējamā nozīme".
- [ ] Es plānoju eksperta apstiprinājumu lēmumu kritiskajā analīzē.