Ieguvumi:
- Spēja radīt uz lēmumiem orientētu ieskatu no izkliedētiem datiem, izprotot datu-informācijas-ieskata-lēmumu pieņemšanas kāpnes un soli pa solim izpildot mākslīgo intelektu
- Spēja atklāt patiesību, ko slēpj kopējie skaitļi, izmantojot segmentu sadalījumu un atšķirt korelāciju no cēloņsakarības
- Spēja uzskatīt mākslīgā intelekta ierosinātos iemeslus kā pārbaudāmas hipotēzes un balstīt galīgo lēmumu uz pārbaudītu ieskatu
Katru dienu uz vadītāja galda nonāk desmitiem numuru: pārdošanas rādītāji, izmaksas, klientu sūdzības, krājumu līmenis, darbinieku mainības rādītāji. Taču skaitlis vien nav lēmums. Lēmums sākas ar skaitļa nozīmes saskatīšanu. "Pārdošanas apjoms ir samazinājies par 8 procentiem salīdzinājumā ar iepriekšējo mēnesi" ir dota; "Pārdošanas apjoma samazinājums ir saistīts ar to, ka divi lielie klienti Egejas jūras reģionā atliek savus pasūtījumus" ir ieskats. Šeit lēmumu atbalsts — process, kas padara datus jēgpilnus, lai vadītājs varētu pieņemt labākus lēmumus — ir tilts, kas datus pārvērš ieskatā. Šajā nodaļā mēs iemācīsimies izmantot AI uz šī tilta. Robeža ir skaidra jau no paša sākuma: AI rada ieskatu uzmetumus; Vadītājs izlemj, kurš ieskats ir īsts un ko darīt.
Četri soļi no datiem līdz ieskatam
Lēmumu atbalsts ir kāpnes. Pirmais cipars — dati: neapstrādāti skaitļi (šomēnes saņemti 1240 pasūtījumi). Otrais cipars — informācija: rediģēti, salīdzināti skaitļi (par 8 procentiem mazāk nekā pagājušajā mēnesī). Trešais līmenis — ieskats: izpratne par samazinājuma iemeslu (kavējoties no diviem galvenajiem klientiem). Ceturtais solis — lēmums: ko darīt (intervējiet šos klientus un mērķējiet uz jauniem klientiem). AI ir ļoti ātrs pirmajā un otrajā solī, ir labs palīgs trešajā, piedāvā tikai iespējas ceturtajā solī.
Zināt šīs kāpnes ir svarīgi, jo lielākā daļa vadītāju tieši lūdz AI “izlemt manā vietā” un kļūst neapmierināti. Tomēr, ja jūs veicat AI soli pa solim - vispirms apkopojiet, pēc tam salīdziniet, tad apšaubiet iespējamos iemeslus un visbeidzot pieņemat lēmumu pats - jūs būsiet gan ātrs, gan uzticams.
Padoms: pajautājiet AI “ko jūs secināt no šiem datiem?” Tā vietā, lai jautātu visu uzreiz, veiciet soli pa solim, sakot "vispirms apkopojiet, pēc tam parādiet 3 ievērojamākās izmaiņas un pēc tam iesakiet 2 iespējamos iemeslus katrai". Pakāpeniska domāšana dod precīzākus rezultātus.
Korelācijas un cēloņsakarības slazds
Bīstamākā lēmumu atbalsta kļūda ir korelācijas sajaukšana ar cēloņsakarību. Korelācija ir tad, kad divas lietas pārvietojas kopā (saldējuma pārdošanas apjoms un noslīkšanas gadījumi vasarā pieaug kopā). Cēloņsakarība ir tad, kad viens noved pie otra (saldējums neizraisa nosmakšanu; karsts laiks ir izplatītākais iemesls). AI ļoti labi spēj atrast lietas, kas jūsu datos pārvietojas kopā, taču tas nevar noteikt, kurš ir patiesais iemesls. Sakot "Reklāmas izdevumi pieauga un pārdošanas apjomi pieauga" nepierāda, ka reklāma palielināja pārdošanas apjomus; varbūt abus ietekmēja svētku laiks.
Tāpēc, ja AI ierosina iemeslu, uzskatiet to par hipotēzi (pieņēmumu, kas ir jāpierāda), nevis kā faktu. "Kā es varu to pārbaudīt?" jautāt. Labs vadītājs pārbauda iemeslu, ko AI iesaka laukā vai ar datiem.
trīs mini futrāļi
1. gadījums — slepenā kritiena noķeršana. Kādā e-komercijas uzņēmumā kopējais apgrozījums šķita stabils, neviens nesatraucās. Pārvaldnieks sniedz AI anonīmos ikmēneša datus un jautā: "Kurš segments aug un kurš samazinās atkarībā no kategorijas?" viņš jautāja. YZ parādīja, ka, lai gan kopējais apgrozījums bija nemainīgs, augstas peļņas elektronikas kategorija faktiski samazinājās par 22 procentiem, un zemas peļņas piederumu tirdzniecība to maskēja. Vadītājs to apstiprināja un koncentrējās uz elektronikas kategoriju. Kopējais skaits tika slēpts; Pārtraukums atklāja patiesību.
2. gadījums — skriešana uz nepareizu iemeslu. Kafejnīcu ķēdes vadītājs AI sniedza pārdošanas datus. "Nedēļas nogales izpārdošanas mainās līdz ar laika temperatūru," sacīja YZ. Vadītājs to izlasīja kā "karsts laiks palielina pārdošanas apjomu" un noraidīja gaisa kondicionētājus. Tomēr patiesais iemesls bija pieaugusi klientu plūsma nedēļas nogalē; Temperatūra nejauši mainījās tajā pašā virzienā. Vadītājs korelāciju uzskatīja par cēloņsakarību. Viņš iemācījās savu mācību un no šī brīža pārbaudīja visus iemeslus.
3. gadījums — Pareiza salīdzinājuma noteikšana. Tika salīdzināta divu rūpnīcu efektivitāte ražošanas uzņēmumā. Vadītājs jautā AI: "Vai rūpnīca A ir efektīvāka par B?" viņš jautāja, bet AI nezināja, ka rūpnīca A ir jaunāka un mazāka. Pārvaldnieks izlaboja uzvedni: "salīdzināt ražu no vienības, ņemot vērā izmēru un vecuma starpību." Šoreiz analīze bija godīga un tika atklāta patiesā atšķirība.
Četras kopējamas veidnes
1) Pakāpeniska ieskata iegūšana:
Jūsu loma: biznesa analītiķis, kas palīdz vadītājam. Izmantojiet pievienotos anonīmos datus (periods, kategorija, pārdošanas apjoms, izmaksas). Turpiniet soli pa solim: 1) Apkopojiet datus 4 vienībās. 2) Parādiet 3 ievērojamākās izmaiņas salīdzinājumā ar iepriekšējo periodu. 3) Iesakiet līdz 2 IESPĒJAMIE iemesli katrai izmaiņai un paziņojiet, ka tās ir hipotēzes un ir nepieciešami pierādījumi. Neizdomājiet nekādus skaitļus, kas neeksistē manis sniegtajos datos.
2) Sadalījuma (segmentu) analīze:
Pat ja kopējie skaitļi šķiet stabili, es gribu zināt, kas notiek iekšā. Sadaliet pievienotos datus pēc kategorijas/reģiona/klienta segmenta. Parādiet tabulā, kurš segments aug un kurš samazinās. Īpaši atzīmējiet apvērsumus, kas maskē kopējo summu.
3) Korelācijas-cēloņsakarības tests:
Es atklāju šādas attiecības: [A un B pārvietojas kopā]. Palīdziet man saprast, vai tas ir patiess cēlonis un sekas vai tikai kopīga darbība. Uzskaitiet iespējamos Biežāk sastopamos cēloņus un iesakiet 3 praktiskas pārbaudes, ko varu veikt, lai pārbaudītu šīs attiecības.
4) Lēmuma iespēju ģenerēšana:
Es apstiprināju šo ieskatu: [ieskats]. NEIZMIET manā vietā; tā vietā ģenerējiet 3 dažādas darbības iespējas. Katrai iespējai: sagaidāmais ieguvums, aplēstās izmaksas/piepūle, galvenais risks un situācija, kurai vajadzētu dot priekšroku. Neitrāli izklāstiet iespējas; neuzspiež kādu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Kāpēc pārdošanas apjomi samazinājās?
Nav datu, nav perioda, nav konteksta. AI uzskaita vispārīgus iemeslus (ekonomika, konkurence, sezona); Neviens no tiem neattiecas uz jūsu situāciju, un to nevar pārbaudīt.
Spēcīga uzvedne:
Jūsu loma: mazumtirdzniecības analītiķis. Izmantojiet pievienotos anonīmos 6 mēnešu datus (mēnesis, reģions, kategorija, pārdošanas apjoms, apgrozījums). Kopējais apgrozījums pēdējā mēneša laikā samazinājies par 8%. Sadaliet to pēc reģiona un kategorijas; noskaidrojiet, no kura segmenta notiek kritums. Ierosiniet līdz 2 pārbaudāmām hipotēzēm par katru konstatēto samazināšanos. Vienkārši izmantojiet ciparus, ko es jums devu.
Izmērs
slikta pieeja
Spēcīga pieeja
Dati
Nav
Anonīms un pievienots
Jautājums
Vispārējais "kāpēc?"
Refrakcijas un fokusa
izvade
Vispārīgi iemesli
Pārbaudāmās hipotēzes
Pārbaudāmība
zems
augsts
lēmuma vērtība
Mazāk
augsts
Biežas kļūdas
- Paļaujoties uz kopējo skaitu. Kamēr kopsumma ir nemainīga, iekšpusē var būt lielas apvērses; Noteikti apskatiet sadalījumu.
- Kļūdaina korelācija ar cēloņsakarību. Uzskatiet AI atrastās attiecības kā pārbaudāmu hipotēzi, nevis kā pierādījumu.
- Negodīgs salīdzinājums. Nesalīdziniet dažāda izmēra/vecuma/stāvokļa vienības, tās nenormalizējot.
- Lēmumu pieprasīšana tieši no AI. AI ģenerē opcijas; Jūs uzņematies lēmumu un atbildību.
- Secinājumu izdarīšana ar viena perioda datiem. Tendenču noteikšanai ir nepieciešami pietiekami vēsturiskie dati.
Uzmanību! Lai cik gudrs šķiet ieskats, tam nevajadzētu kļūt par lēmumu, ja to nevar pārbaudīt no jūsu datiem. “AI teica tā” nav attaisnojums; "Es to pārbaudīju ar datiem un tas tika apstiprināts" ir pamatojums.
Rezumējot
Lēmumu atbalsts ir kāpnes, kas pārvērš datus ieskatā: dati, informācija, ieskats, lēmums. AI ir ļoti ātrs pirmajos divos posmos, labs palīgs trešajā un tikai opciju nodrošinātājs ceturtajā. Skatieties sadalījumu, nevis kopējos skaitļus; Nejauciet korelāciju ar cēloņsakarību; Skatiet AI ieteiktos iemeslus kā pārbaudāmās hipotēzes. Pakāpeniska domāšana dod precīzākus rezultātus. Galīgo lēmumu pieņem vadītājs, pamatojoties uz apstiprinātu ieskatu.
Lietojumprogrammas uzdevums
Sagatavojiet anonīmu sava uzņēmuma datu kopu (piem., uz kategorijām balstīta pārdošana pēdējos 6 mēnešos). Lieciet AI veikt segmentu sadalījumu, izmantojot iepriekš redzamo veidni “Sadalījuma analīze”. Izveidojiet hipotēzi, izmantojot veidni "Korelācijas-cēloņsakarības tests" lielākajām atrastajām izmaiņām, un pierakstiet, kā šo hipotēzi pārbaudīsit laukā 3 vienībās.
kontrolsaraksts
- [ ] Vai esmu padarījis datus anonīmus?
- [ ] Vai es skatījos sadalījumu (segmentu), nevis kopējo?
- [ ] Vai es uztvēru AI ieteikto iemeslu kā hipotēzi?
- [ ] Vai esmu iestatījis salīdzinājumus godīgi (normalizēti)?
- [ ] Vai es pats pieņēmu lēmumu, pamatojoties uz pārbaudītu ieskatu?