Добивки:
- Способност да се произведе увид ориентиран кон одлуки од дисперзирани податоци со разбирање на скалата податоци-информации-увид-одлука и извршување на вештачка интелигенција чекор по чекор
- Способност да се открие вистината скриена од вкупните броеви преку расчленување на сегменти и да се разликува корелацијата од каузалноста
- Способност да се третираат причините предложени од вештачката интелигенција како хипотези што треба да се тестираат и да се заснова конечната одлука на проверен увид
Десетици броеви пристигнуваат на бирото на менаџерот секој ден: бројки за продажба, трошоци, поплаки од клиенти, нивоа на залихи, стапки на обрт на вработените. Но, само бројката не е одлука. Одлуката започнува со гледање на значењето во рамките на бројот. „Продажбата е намалена за 8 проценти во споредба со минатиот месец“ е дадено; „Намалувањето на продажбата се должи на тоа што двајца големи клиенти во егејскиот регион ги одложија своите нарачки“ е увид. Овде, поддршката за одлуки - процесот што ги прави податоците значајни за менаџерот да донесува подобри одлуки - е мостот што ги претвора податоците во увид. Во оваа единица, ќе научиме како да користиме вештачка интелигенција на овој мост. Границата е јасна од самиот почеток: вештачката интелигенција произведува нацрт-увиди; Менаџерот одлучува кој увид е реален и што да прави.
Четири чекори од податоци до увид
Поддршката за одлука е скала. Прва цифра - податоци: необработени бројки (1.240 нарачки пристигнаа овој месец). Втора цифра - информации: уредени, споредени бројки (намалување за 8 проценти од минатиот месец). Трето ниво - увид: разбирање на причината за падот (доцнење од двајца главни клиенти). Чекор четири - одлука: што да правите (интервјуирајте ги овие клиенти и насочете ги новите клиенти). Вештачката интелигенција е многу брза на првиот и вториот чекор, е добар помошник на третиот, нуди опции само на четвртиот.
Познавањето на оваа скала е важно затоа што повеќето менаџери директно бараат од вештачката интелигенција да „одлучи за мене“ и да се фрустрираат. Меѓутоа, ако ја спроведувате вештачката интелигенција чекор по чекор - прво сумирате, потоа споредете, потоа ги доведувате во прашање можните причини и на крајот сами ќе ја донесете одлуката - ќе бидете и брзи и сигурни.
Совет: Прашајте ја вештачката интелигенција „што заклучувате од овие податоци? Наместо да прашувате одеднаш, продолжете чекор по чекор велејќи „прво резимирај, потоа прикажи ги 3-те најзначајни промени, а потоа предложи 2 можни причини за секоја“. Чекорното размислување дава попрецизни резултати.
Замката на корелација и каузалност
Најопасната замка на поддршката за одлучување е погрешната корелација со каузалноста. Корелација е кога две работи се движат заедно (продажбата на сладолед и давењата се зголемуваат заедно во лето). Причината е кога едното води кон другото (сладоледот не предизвикува задушување; топлото време е честа причина). Вештачката интелигенција е многу добра во наоѓање работи што се движат заедно во вашите податоци, но не може да каже која е вистинската причина. Ако се каже „Потрошокот за реклами се зголеми и продажбата се зголеми“ не докажува дека рекламирањето ја зголемило продажбата; можеби и двајцата беа погодени од празничната сезона.
Значи, кога вештачката интелигенција сугерира причина, третирајте ја како хипотеза (претпоставка што треба да се докаже), а не како факт. „Како да го тестирам ова? прашај. Добриот менаџер ја тестира причината што вештачката интелигенција ја предлага на терен или со податоци.
три мини футроли
Случај 1 - Фаќање на тајниот пад. Во компанија за е-трговија, вкупниот промет изгледаше стабилен, никој не беше вознемирен. Менаџерот ги дава анонимните месечни податоци на вештачката интелигенција и прашува „Кој сегмент расте, а кој се намалува по категорија? праша тој. YZ покажа дека додека вкупниот промет бил константен, категоријата електроника со висок профит всушност паднала за 22 проценти, при што продажбата на додатоци со низок профит го маскира ова. Менаџерот го потврди ова и се фокусираше на категоријата електроника. Вкупниот број беше сокриен; Паузата ја откри вистината.
Случај 2 - Трчање кон погрешна причина. Менаџерот на синџир кафулиња и дал податоци за продажбата на АИ. „Продажбата за викенд се движи со временската температура“, рече YZ. Менаџерот го прочитал ова како „жешкото време ја зголемува продажбата“ и ги одбил климатизерите. Сепак, вистинската причина беше зголемениот сообраќај на клиенти во текот на викендот; Температурата случајно се движеше во иста насока. Менаџерот ја помешал корелацијата за каузалност. Ја научи лекцијата и отсега ја тестираше секоја причина.
Случај 3 - Правилно воспоставување на споредбата. Се споредуваше ефикасноста на две фабрики во производствено претпријатие. Менаџерот ја прашува вештачката интелигенција: „Дали фабриката А е поефикасна од Б? праша тој, но вештачката интелигенција не знаеше дека фабриката А е понова и помала. Менаџерот го коригираше барањето: „споредете го приносот по единица, земајќи ги предвид големината и разликата во возраста“. Овој пат анализата беше праведна и се откри вистинската разлика.
Четири шаблони за копирање
1) Чекорно извлекување на увид:
Вашата улога: деловен аналитичар кој му помага на менаџерот. Користете ги приложените анонимни податоци (период, категорија, продажба, цена). Продолжете чекор по чекор: 1) Сумирајте ги податоците во 4 ставки. 2) Прикажете ги 3-те најзабележителни промени во споредба со минатиот период. 3) Предложете најмногу 2 МОЖНИ причини за секоја промена и наведете дека тоа се хипотези и дека се потребни докази. Не измислувајте бројки што не постојат во податоците што ги давам.
2) Анализа на расчленување (сегмент):
Дури и ако вкупните бројки изгледаат стабилни, сакам да знам што се случува внатре. Разбирај ги приложените податоци по категорија/регион/сегмент на клиенти. Покажете кој сегмент расте, а кој се намалува во табела. Особено означете ги превртувањата што го маскираат вкупниот број.
3) Тест за корелација-причина:
Ја најдов оваа врска: [А и Б се движат заедно]. Помогни ми да разберам дали ова е вистинска причина и последица или само акција заедно. Наведете ги можните ЗАЧИТНИ причини и предложете 3 практични проверки што можам да ги направам за да ја тестирам оваа врска.
4) Генерирање на опции за одлука:
Јас го потврдив овој увид: [увид]. НЕ одлучувај наместо мене; наместо тоа, генерирајте 3 различни опции за акција. За секоја опција: очекувана корист, проценет трошок/напор, голем ризик и која ситуација треба да се претпочита. Претставете ги опциите неутрално; не наметнувајте некого.
Слаб промпт / Силен промпт
Слаба навестување:
Зошто падна продажбата?
Без податоци, без период, без контекст. ВИ наведува општи причини (економија, конкуренција, сезона); Ниту еден од нив не е специфичен за вашата ситуација и не може да се потврди.
Моќен потсетник:
Вашата улога: малопродажен аналитичар. Користете ги приложените анонимни податоци за 6 месеци (месец, регион, категорија, број на продажби, промет). Вкупниот промет е намален за 8% во последниот месец. Поделете го ова по регион и категорија; дознајте од кој сегмент доаѓа падот. Предложете до 2 хипотези што може да се тестираат за секој пад што ќе го најдете. Само искористете ги броевите што ви ги дадов.
Големина
лош пристап
Силен пристап
Податоци
Никој
Анонимни и прикачени
Прашање
Генералното „зошто?“
Прекршено и фокусирано
излез
Општи причини
Проверливи хипотези
Проверливост
низок
високо
вредност на одлуката
Помалку
високо
Вообичаени грешки
- Потпирајќи се на вкупниот број. Додека вкупниот број е константен, внатре може да има големи пресврти; Не заборавајте да го погледнете дефектот.
- Погрешна корелација за каузалност. Гледајте ја врската што ја наоѓа вештачката интелигенција како хипотеза што треба да се тестира, а не како доказ.
- Неправедна споредба. Не споредувајте единици со различна големина/возраст/услови без да ги нормализирате.
- Барање одлуки директно од вештачката интелигенција. ВИ генерира опции; Вие ја сносите одлуката и одговорноста.
- Извлекување заклучоци со податоци од еден период. Потребни се доволно историски податоци за трендови.
Внимание: Колку и да изгледа паметен увид, тој не треба да стане одлука ако не може да се потврди од вашите податоци. „Ви го кажа тоа“ не е оправдување; „Го тестирав со податоци и се потврди“ е оправдување.
Сумирано
Поддршката за одлучување е скалата што ги претвора податоците во увид: податоци, информации, увид, одлука. Вештачката интелигенција е многу брза во првите два чекори, добар помошник во третиот и само давател на опции во четвртиот. Погледнете ги дефектите, а не вкупните бројки; Не погрешно корелација за каузална врска; Погледнете ги причините што вештачката интелигенција ги предлага како хипотези што треба да се тестираат. Чекорното размислување дава попрецизни резултати. Конечната одлука е на менаџерот заснована на потврден увид.
Задача за апликација
Подгответе анонимен сет на податоци од вашиот бизнис (на пр., продажби засновани на категорија за последните 6 месеци). Нека вештачката интелигенција изврши разложување на сегментот со шаблонот „Анализа на дефекти“ погоре. Направете хипотеза користејќи го шаблонот „Тест за корелација-причина“ за најголемата промена што ја најдовте и запишете како ќе ја тестирате оваа хипотеза на терен во 3 ставки.
листа за проверка
- [ ] Дали ги анонимизирав податоците?
- [ ] Дали го погледнав расчленувањето (сегментот) наместо вкупниот број?
- [ ] Дали причината предложена од вештачката интелигенција ја третирав како хипотеза?
- [ ] Дали ги поставив споредбите прилично (нормализирани)?
- [ ] Дали сам ја донесов одлуката врз основа на проверен увид?