Ieguvumi:
- Spēja izskaidrot biznesa inteliģences slāņus (avots, ETL, datu noliktava, atskaite) un pareizu galveno biznesa rādītāju (KPI) definīciju.
- Spēja izmantot mākslīgo intelektu, lai izveidotu metrikas definīciju, SQL uzmetumu un atskaites stāstījumu un nodrošinātu rezultātu ar reāliem datiem
- Spēja atpazīt korelācijas un cēloņsakarības neskaidrības un maldinošus rādītājus mākslīgā intelekta atbalstītās analīzes iznākumos
Biznesa inteliģence (BI) ir disciplīna, kas apkopo izkliedētos organizācijas datus, sagatavo tos analīzei un no šiem datiem iegūst lēmumu pamatojošu informāciju. MIS profesionālim BI ir slānis, kurā “dati pārvēršas lēmumos”. Neapstrādātiem pasūtījumu ierakstiem vien nav nozīmes; bet "kurā reģionā šomēnes apgrozījums samazinājies, kāpēc?" Tas rada vērtību, kad tas kļūst par ziņojumu, kas var atbildēt uz jautājumu. Šajā vienībā mēs redzēsim BI slāņus, pareizo metrikas dizainu un to, kur mākslīgais intelekts ir paātrinātājs un slazds šajā procesā.
BI arhitektūra parasti sastāv no šādiem slāņiem. Avotu sistēmas: datu izcelsmes vietas, piemēram, ERP, CRM, e-komercija. ETL process (angļu valodā Extract-Transform-Load): process, kas iegūst datus no avotiem (Extract), notīra tos un pārvērš tos standarta struktūrā (Transform) un ielādē tos mērķī (Load). Datu noliktava: centrālā repozitorija, kurā tiek apkopoti vēsturiski un konsekventi dati, kas paredzēti analīzei. Pārskatu/vizualizācijas slānis: informācijas paneļi, pārskati un ad-hoc vaicājumi. Šajā ķēdē katra slāņa kvalitāte nosaka nākamo; Ja avots ir netīrs, arī ziņojums ir netīrs.
Pareiza metrikas un KPI definēšana
Metrika ir izmērīta skaitliska vērtība: kopējais apgrozījums, pasūtījumu skaits. KPI (galvenais veiktspējas rādītājs) ir būtisks rādītājs, kas mēra veiktspēju salīdzinājumā ar mērķi: “klientu ikmēneša atteikšanās rādītājs zem 5%. Ne katrs rādītājs ir KPI; KPI ir metrika, kas ir saistīta ar biznesa mērķi un aktivizē lēmumu.
Vismānīgākā BI projektu problēma ir neskaidra metriku definīcija. Ko nozīmē “aktīvs klients”? Pasūtīts pēdējo 30 vai 90 dienu laikā? Vai tiek skaitīti atgriežamie? Ja divas komandas ar “aktīvo klientu skaitu” saprot dažādas lietas, viens un tas pats informācijas panelis parāda divus dažādus faktus. Tāpēc katram KPI ir jābūt viena teikuma, plaši pieņemtai definīcijai. AI ātri sagatavo šo definīciju uzmetumus; bet biznesa vienībai ir jāizlemj, kura definīcija ir "pareiza".
Padoms. Veidojot KPI, pierakstiet trīs lietas: (1) formula (kas tieši ir skaitītājs/saucējs), (2) laika logs, (3) izslēgtie gadījumi. Ja mākslīgais intelekts saka: "Izņemiet neskaidrības šī KPI definīcijā kā jautājumus", tiek atklāti slēpti pieņēmumi.
Soli pa solim: ar AI darbināmu pārskatu ģenerēšana
1. darbība — precizējiet jautājumu. Kādam lēmumam tiks piemērots ziņojums? Konkrēts mērķis, piemēram, "mēs izlemsim, uz kuru reģionu novirzīsim budžetu", nevis "tam vajadzētu izskatīties jauki".
2. darbība — definējiet metriku. Uzrakstiet nepieciešamos KPI ar formulām, logiem un izņēmumiem. Mākslīgais intelekts var radīt definīciju projektus.
3. darbība — ģenerējiet SQL melnrakstu. Sniedziet shēmas informāciju mākslīgajam intelektam un izveidojiet vaicājuma uzmetumu. Bet pirms vaicājuma palaišanas izlasiet un izprotiet to.
4. darbība — pārbaudiet ar maziem datiem. Vispirms palaidiet vaicājumu nelielā paraugā ar zināmiem rezultātiem; Pārbaudiet kopsummas manuāli. AI SQL var būt sintaktiski pareizs, bet loģiski nepareizs.
5. darbība. Pievienojiet stāstījumu, pārbaudiet apgalvojumus. AI var sagatavot ziņojuma tekstu; bet pierādīt katru cēloņsakarību (“tāpēc pārdošanas apjomi kritās”).
Korelācijas un cēloņsakarības slazds
Visbīstamākā BI kļūda ir interpretēt divus rādītājus, kas darbojas kopā kā "viens rada otru". Korelācija ir tad, kad divas vērtības mainās kopā; Cēloņsakarība ir tad, kad viens izraisa otru. Teikums "Pieaugot saldējuma pārdošanai, pieauga noslīkšanas gadījumi" ir patiess, taču saldējums neizraisa noslīkšanu; Visbiežākais iemesls ir vasara (karsts laiks). Mākslīgais intelekts var viegli izveidot cēloņsakarības teikumus, veidojot ziņojuma stāstījumu; MIS eksperts uz šiem apgalvojumiem atbild, jautājot "vai ir kāds cits izskaidrojums?" Viņam vajadzētu to pārbaudīt. Pretējā gadījumā tiks pieņemts nepareizs lēmums, pamatojoties uz nepareizu iemeslu.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — nenoteiktas metrikas izmaksas. Telekomunikāciju uzņēmumā "aktīvo abonentu" skaits, kas tika iesniegts direktoru padomei, bija 2,1 miljons, un finanšu komandas ziņojums bija 1,7 miljoni. Atšķirība bija tāda, ka viens skaitīja 90 dienas kā "aktīvu", bet otrs skaitīja 30 dienas. Nepareizs augšanas ātrums tika apspriests divas nedēļas, līdz tika precizēta kopējā definīcija. Viena teikuma KPI definīcija izvairītos no šīs neskaidrības.
2. gadījums — AI ir nepareizs SQL. Pie viena mazumtirgotāja AI pievienoja atgriešanas rindas kopējam skaitam, ģenerējot vaicājumu “vidējais grozs vienam klientam”; Rezultāts bija par 12% virs faktiskās vērtības. SQL bija sintaktiski perfekta. Kad eksperts manuāli pārbaudīja zināmo dienas kopsummu, viņš konstatēja novirzi un lika pievienot atdeves filtru.
3. gadījums — cēloņsakarības kļūda. Kādā e-komercijas uzņēmumā informācijas panelis vēstīja, ka "pārdošanas apjoms ir par 18% lielāks dienās, kad tiek nosūtīta e-pasta kampaņa", un komanda gatavojās palielināt kampaņas budžetu. Analīze parādīja, ka kampaņas jau bija ieplānotas tā, lai tās sakristu ar lielas satiksmes kampaņu dienām (atlaižu periodiem). Pārdošanu veicināja periods, nevis e-pasts. Ja budžetu palielinātu bez pārbaudes ar kontroles grupu, nauda tiktu izšķiesta.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Uzrakstiet pārdošanas pārskatu SQL no šīs tabulas.
Spēcīga uzvedne:
Jūsu loma: Jūs esat uzmanīgs BI analītiķis.Uzrakstiet SQL vaicājuma PROGRAMMU saskaņā ar zemāk redzamo diagrammu.Noteikumi:- Izmantojiet tikai dotās tabulas/laukus; neatbilstošs lauks.- IZSLĒGT atdevi (status='Atgriešanās') no kopsummas.- Laika logs: pēdējās 30 dienas.- Komentējiet rindiņu pa rindiņai, ko vaicājums dara.- Iesakiet 1 parauga rindiņu, kuru beigās var manuāli apstiprināt testēšanai.Shēma:Pasūtījums(id, klienta_id, datums, summa, summa, apgrozījums, neto dienas)(idur,nosaukums: segmentover3) pēc segmenta.
Spēcīgā uzvedne ierobežo shēmu, uzliek biznesa noteikumu (izņemot atdevi), norāda logu un pieprasa pārbaudāmu izvadi.
Četras kopējamas veidnes
1) KPI definīcijas precizējums:
Uzrakstiet pilnu aprakstu šādam KPI: formula (skaitītājs/saucējs), laika logs, izslēgtie gadījumi. Pievienojiet jebkuru neskaidrību definīcijā kā jautājumu.KPI: [nosaukums, piem. "klientu atteikšanās līmenis"]
2) SQL loģikas pārbaude:
Pārbaudiet šādu SQL vaicājumu: vai pastāv loģisku kļūdu, nepareizu JOIN, trūkstošu filtru vai dubultas uzskaites risks? Uzrakstiet katra atraduma pamatojumu. Nemainiet vaicājumu, vienkārši pārbaudiet to. SQL: [vaicājums]
3) Ziņojuma stāstījums + pretenzijas kontrole:
Uzrakstiet īsu kopsavilkumu no tālāk esošās rezultātu tabulas. Atzīmējiet [NEPIECIEŠAMI PIERĀDĪJUMI] pie katras cēloņsakarības apgalvojuma un iesakiet alternatīvu skaidrojumu. Vienkārši paļaujieties uz tabulas datiem. Tabula: [dati]
4) Metrikas konsekvences pārbaude:
Divos tālāk norādītajos pārskatos metrika ar tādu pašu nosaukumu sniedz dažādas vērtības. Ir uzskaitītas iespējamās definīcijas atšķirības (laika logs, filtrs, aprēķins). Pārskati: [A] [B]
Salīdzinājuma diagramma: labs un slikts KPI
funkciju
Slikts KPI
Labs KPI
Apraksts
"Aktīvs klients"
"Klients ar ≥1 pabeigtu pasūtījumu pēdējo 30 dienu laikā"
saikne ar mērķi
Nav
"Zaudējuma likmes saglabāšana zem 5%"
izmērāmība
neviennozīmīgi
formula skaidra
izņēmums
nenoteikts
Izņemot atgriešanos
Vai tas liek pieņemt lēmumu?
nē
Jā
Biežas kļūdas
- Atstāt metriku nedefinētu. Ja tādi vārdi kā "aktīvs", "veiksmīgs", "pabeigts" tiek lietoti bez formulas, katra komanda tiek skaitīta atšķirīgi.
- AI SQL palaišana bez verifikācijas. Sintaktiski pareizs vaicājums var būt loģiski nepareizs; bieži sastopama dubultā skaitīšana un nepareiza JOIN.
- Mulsinoša korelācija ar cēloņsakarību. Domāšana, ka "tas palielinājās līdz ar to", nozīmē "tas izraisīja to", novedīs pie nepareiza lēmuma.
- Metriskās iedomības meklējumi. Maldinoši, bet neizšķiroši rādītāji, piemēram, “klikšķu kopskaits”, tiek uzskatīti par KPI.
- Skaitļu uzrādīšana bez konteksta. "Apgrozījums 4,2 miljoni" vien ir bezjēdzīgs; Konteksts ir nepieciešams, pamatojoties uz pēdējo mēnesi, mērķi vai budžetu.
Uzmanību: mākslīgā intelekta radītie ziņojumu stāsti ir pārliecinoši un mainīgi; Tas tieši palielina risku. Teikums var ietvert nepatiesu apgalvojumu par cēloņsakarību. Pārbaudiet katru apgalvojumu "tāpēc" un "tāpēc" ar pierādījumiem.
Rezumējot
Biznesa informācija ir slānis, kas pārveido izkaisītos datus lēmumos un sastāv no avota, ETL, datu noliktavas un atskaišu ķēdes. KPI ir kritiska metrika, kas saistīta ar biznesa mērķi, ar skaidri definētu formulu un izņēmumiem; nedefinēta metrika ir visizplatītākā BI kļūda. Mākslīgais intelekts nodrošina ievērojamu ātrumu KPI definīcijas, SQL uzmetuma un atskaites stāstījuma izveidē; bet katram SQL ir jābūt loģiski pamatotam, katram skaitlim ir jābūt pamatotam ar zināmiem datiem un katrai cēloņsakarībai jābūt pārbaudītai ar pierādījumiem. Korelācija nav cēloņsakarība; Šķidrais stāstījums negarantē precizitāti.
Lietojumprogrammas uzdevums
Izveidojiet “pabeigšanas līmeņa” KPI tiešsaistes kursu platformai. (1) Uzrakstiet viena teikuma aprakstu ar formulu, laika logu un izņēmumiem (piemēram, vai tiek ieskaitītas atceltās reģistrācijas?). (2) Izveidojiet vienkāršu shēmu (reģistrācija, kurss, norise) un ģenerējiet SQL uzmetumu šim KPI ar spēcīgu uzvedni. (3) Atrodiet vaicājumā vismaz vienu iespējamo dubultās uzskaites vai nepareizas filtrēšanas risku. (4) Izdrukājiet secinājuma kopsavilkumu un atzīmējiet tajā katru cēloņsakarību. (5) Izveidojiet korelācijas-cēloņsakarības slazda piemēru un paskaidrojiet, kā jūs to pārbaudītu.
kontrolsaraksts
- [ ] Tiek uzrakstīta katra KPI formula, laika logs un izņēmums.
- [ ] Es izlasīju un sapratu AI ģenerēto SQL rindu pa rindiņai.
- [ ] Es manuāli pārbaudīju vaicājumu ar maz zināmiem datiem.
- [ ] Es pārbaudīju katru ziņojumā ietverto cēlonisko apgalvojumu ar pierādījumiem.
- [ ] Es kontekstualizēju katru numuru ar etalonu (mērķis/pēdējais periods).
- [ ] Es panācu starpkomandu vienprātību par metrikas definīcijām.