തീരുമാന പിന്തുണ: ഡാറ്റയെ ഇൻസൈറ്റാക്കി മാറ്റുന്നു

നേട്ടങ്ങൾ:

• ഡാറ്റ-വിവരം-ഉൾക്കാഴ്ച-തീരുമാന ഗോവണി മനസ്സിലാക്കി, ഘട്ടം ഘട്ടമായി കൃത്രിമബുദ്ധി നടപ്പിലാക്കുന്നതിലൂടെ ചിതറിക്കിടക്കുന്ന ഡാറ്റയിൽ നിന്ന് തീരുമാന-അധിഷ്ഠിത ഉൾക്കാഴ്ച സൃഷ്ടിക്കാനുള്ള കഴിവ്
• സെഗ്മെൻ്റ് ബ്രേക്ക്ഡൗണിലൂടെ മൊത്തം സംഖ്യകളാൽ മറഞ്ഞിരിക്കുന്ന സത്യം വെളിപ്പെടുത്താനും കാര്യകാരണത്തിൽ നിന്ന് പരസ്പരബന്ധം വേർതിരിച്ചറിയാനുമുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിർദ്ദേശിക്കുന്ന കാരണങ്ങളെ പരീക്ഷിക്കേണ്ട അനുമാനങ്ങളായി കണക്കാക്കാനും പരിശോധിച്ചുറപ്പിച്ച ഉൾക്കാഴ്ചയെ അടിസ്ഥാനമാക്കി അന്തിമ തീരുമാനം എടുക്കാനുമുള്ള കഴിവ്

ഓരോ ദിവസവും ഡസൻ കണക്കിന് നമ്പറുകൾ മാനേജരുടെ മേശപ്പുറത്ത് എത്തുന്നു: വിൽപ്പന കണക്കുകൾ, ചെലവുകൾ, ഉപഭോക്തൃ പരാതികൾ, ഇൻവെൻ്ററി ലെവലുകൾ, ജീവനക്കാരുടെ വിറ്റുവരവ് നിരക്കുകൾ. എന്നാൽ എണ്ണം മാത്രം തീരുമാനമല്ല. സംഖ്യയ്ക്കുള്ളിലെ അർത്ഥം കണ്ടാണ് തീരുമാനം ആരംഭിക്കുന്നത്. "കഴിഞ്ഞ മാസത്തെ അപേക്ഷിച്ച് വിൽപ്പനയിൽ 8 ശതമാനം കുറവുണ്ടായി" എന്നത് നൽകിയിട്ടുള്ളതാണ്; "ഏജിയൻ മേഖലയിലെ രണ്ട് വലിയ ഉപഭോക്താക്കൾ അവരുടെ ഓർഡറുകൾ മാറ്റിവെച്ചതാണ് വിൽപ്പനയിലെ കുറവ്" എന്നത് ഒരു ഉൾക്കാഴ്ചയാണ്. ഇവിടെ, ഡിസിഷൻ സപ്പോർട്ട് - മാനേജർക്ക് മികച്ച തീരുമാനങ്ങൾ എടുക്കുന്നതിന് ഡാറ്റയെ അർത്ഥപൂർണ്ണമാക്കുന്ന പ്രക്രിയ - ഡാറ്റയെ ഉൾക്കാഴ്ചയാക്കി മാറ്റുന്ന പാലമാണ്. ഈ യൂണിറ്റിൽ, ഈ ബ്രിഡ്ജിൽ AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നമ്മൾ പഠിക്കും. തുടക്കം മുതൽ അതിർത്തി വ്യക്തമാണ്: AI കരട് സ്ഥിതിവിവരക്കണക്കുകൾ നിർമ്മിക്കുന്നു; ഏത് ഉൾക്കാഴ്ച യഥാർത്ഥമാണെന്നും എന്തുചെയ്യണമെന്നും മാനേജർ തീരുമാനിക്കുന്നു.

ഡാറ്റയിൽ നിന്ന് ഇൻസൈറ്റിലേക്കുള്ള നാല് ഘട്ടങ്ങൾ

തീരുമാന പിന്തുണ ഒരു ഗോവണിയാണ്. ആദ്യ അക്കം — ഡാറ്റ: അസംസ്കൃത നമ്പറുകൾ (ഈ മാസം 1,240 ഓർഡറുകൾ എത്തി). രണ്ടാമത്തെ അക്കം - വിവരങ്ങൾ: എഡിറ്റ് ചെയ്‌ത, താരതമ്യം ചെയ്‌ത സംഖ്യകൾ (കഴിഞ്ഞ മാസത്തേക്കാൾ 8 ശതമാനം കുറവ്). മൂന്നാം നിര - ഉൾക്കാഴ്ച: തകർച്ചയുടെ കാരണം മനസ്സിലാക്കൽ (രണ്ട് പ്രധാന ഉപഭോക്താക്കളിൽ നിന്നുള്ള കാലതാമസം). ഘട്ടം നാല് - തീരുമാനം: എന്തുചെയ്യണം (ഈ ഉപഭോക്താക്കളെ അഭിമുഖം നടത്തി പുതിയ ഉപഭോക്താക്കളെ ടാർഗെറ്റുചെയ്യുക). ആദ്യത്തെയും രണ്ടാമത്തെയും ഘട്ടങ്ങളിൽ AI വളരെ വേഗതയുള്ളതാണ്, മൂന്നാമത്തേതിൽ ഒരു നല്ല സഹായിയാണ്, നാലാമത്തേതിൽ ഓപ്‌ഷനുകൾ മാത്രം നൽകുന്നു.

ഈ ഗോവണി അറിയുന്നത് പ്രധാനമാണ്, കാരണം മിക്ക മാനേജർമാരും AI യോട് നേരിട്ട് "എനിക്കായി തീരുമാനിക്കുക" എന്ന് ആവശ്യപ്പെടുകയും നിരാശരാകുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, നിങ്ങൾ AI ഘട്ടം ഘട്ടമായി നടപ്പിലാക്കുകയാണെങ്കിൽ - ആദ്യം സംഗ്രഹിക്കുക, തുടർന്ന് താരതമ്യം ചെയ്യുക, തുടർന്ന് സാധ്യമായ കാരണങ്ങൾ ചോദ്യം ചെയ്യുക, ഒടുവിൽ സ്വയം തീരുമാനമെടുക്കുക - നിങ്ങൾ വേഗതയേറിയതും വിശ്വസനീയവുമായിരിക്കും.

സൂചന: AI യോട് ചോദിക്കുക "ഈ ഡാറ്റയിൽ നിന്ന് നിങ്ങൾ എന്താണ് അനുമാനിക്കുന്നത്?" എല്ലാം ഒറ്റയടിക്ക് ചോദിക്കുന്നതിനുപകരം, "ആദ്യം സംഗ്രഹിക്കുക, തുടർന്ന് ഏറ്റവും ശ്രദ്ധേയമായ 3 മാറ്റങ്ങൾ കാണിക്കുക, തുടർന്ന് ഓരോന്നിനും സാധ്യമായ 2 കാരണങ്ങൾ നിർദ്ദേശിക്കുക" എന്ന് പറഞ്ഞുകൊണ്ട് ഘട്ടം ഘട്ടമായി മുന്നോട്ട് പോകുക. ഘട്ടം ഘട്ടമായുള്ള ചിന്ത കൂടുതൽ കൃത്യമായ ഫലങ്ങൾ നൽകുന്നു.

പരസ്പര ബന്ധവും കാര്യകാരണ കെണിയും

കാര്യകാരണബന്ധം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ് തീരുമാന പിന്തുണയുടെ ഏറ്റവും അപകടകരമായ കെണി. രണ്ട് കാര്യങ്ങൾ ഒരുമിച്ച് നീങ്ങുന്നതാണ് പരസ്പരബന്ധം (വേനൽക്കാലത്ത് ഐസ്ക്രീം വിൽപ്പനയും മുങ്ങിമരണവും ഒരുമിച്ച് വർദ്ധിക്കുന്നു). ഒന്ന് മറ്റൊന്നിലേക്ക് നയിക്കുമ്പോഴാണ് കാര്യകാരണം (ഐസ്ക്രീം ശ്വാസംമുട്ടലിന് കാരണമാകില്ല; ചൂടുള്ള കാലാവസ്ഥയാണ് സാധാരണ കാരണം). നിങ്ങളുടെ ഡാറ്റയിൽ ഒരുമിച്ച് ചലിക്കുന്ന കാര്യങ്ങൾ കണ്ടെത്തുന്നതിൽ AI വളരെ മികച്ചതാണ്, എന്നാൽ യഥാർത്ഥ കാരണം എന്താണെന്ന് അതിന് പറയാൻ കഴിയില്ല. "പരസ്യ ചെലവ് വർദ്ധിച്ചു, വിൽപ്പന വർദ്ധിച്ചു" എന്ന് പറയുന്നത് പരസ്യം വിൽപ്പന വർദ്ധിപ്പിച്ചുവെന്ന് തെളിയിക്കുന്നില്ല; ഒരുപക്ഷേ രണ്ടുപേരെയും ഉത്സവകാലം ബാധിച്ചിരിക്കാം.

അതിനാൽ AI ഒരു കാരണം നിർദ്ദേശിക്കുമ്പോൾ, അതിനെ ഒരു വസ്തുതയായിട്ടല്ല, ഒരു സിദ്ധാന്തമായി (തെളിയിക്കേണ്ട അനുമാനം) പരിഗണിക്കുക. "ഞാൻ ഇത് എങ്ങനെ പരീക്ഷിക്കും?" ചോദിക്കുക. ഫീൽഡിൽ അല്ലെങ്കിൽ ഡാറ്റ ഉപയോഗിച്ച് AI നിർദ്ദേശിക്കുന്നതിൻ്റെ കാരണം ഒരു നല്ല മാനേജർ പരിശോധിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - രഹസ്യ വീഴ്ച പിടിക്കൽ. ഒരു ഇ-കൊമേഴ്‌സ് കമ്പനിയിൽ, മൊത്തം വിറ്റുവരവ് സ്ഥിരതയുള്ളതായി തോന്നി, ആരും പരിഭ്രാന്തരായില്ല. മാനേജർ അജ്ഞാത പ്രതിമാസ ഡാറ്റ AI-ക്ക് നൽകുകയും "ഏത് വിഭാഗം വളരുന്നു, ഏത് വിഭാഗത്തിൻ്റെ അടിസ്ഥാനത്തിൽ ചുരുങ്ങുകയും ചെയ്യുന്നു?" അവൻ ചോദിച്ചു. മൊത്തത്തിലുള്ള വിറ്റുവരവ് സ്ഥിരമായിരിക്കെ, ഉയർന്ന ലാഭമുള്ള ഇലക്ട്രോണിക്സ് വിഭാഗം യഥാർത്ഥത്തിൽ 22 ശതമാനം ഇടിഞ്ഞു, കുറഞ്ഞ ലാഭത്തിലുള്ള ആക്‌സസറി വിൽപ്പന ഇത് മറച്ചുവെക്കുന്നതായി YZ കാണിച്ചു. മാനേജർ ഇത് സ്ഥിരീകരിച്ച് ഇലക്ട്രോണിക്സ് വിഭാഗത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു. ആകെ എണ്ണം മറച്ചുവച്ചു; ഇടവേള സത്യം വെളിപ്പെടുത്തി.

കേസ് 2 - തെറ്റായ കാരണത്തിലേക്ക് ഓടുന്നു. ഒരു കഫേ ശൃംഖലയുടെ മാനേജർ AI-ക്ക് വിൽപ്പന ഡാറ്റ നൽകി. "വാരാന്ത്യ വിൽപന കാലാവസ്ഥാ താപനിലയ്‌ക്കൊപ്പം നീങ്ങുന്നു," YZ പറഞ്ഞു. "ചൂടുള്ള കാലാവസ്ഥ വിൽപ്പന വർദ്ധിപ്പിക്കുന്നു" എന്ന് മാനേജർ ഇത് വായിച്ച് എയർകണ്ടീഷണറുകൾ നിരസിച്ചു. എന്നിരുന്നാലും, വാരാന്ത്യത്തിൽ വർദ്ധിച്ച ഉപഭോക്തൃ തിരക്കാണ് യഥാർത്ഥ കാരണം; താപനില യാദൃശ്ചികമായി ഒരേ ദിശയിലേക്ക് നീങ്ങി. പരസ്പര ബന്ധത്തെ കാര്യകാരണമായി മാനേജർ തെറ്റിദ്ധരിച്ചു. അവൻ തൻ്റെ പാഠം പഠിച്ചു, ഇപ്പോൾ മുതൽ എല്ലാ കാരണങ്ങളും പരീക്ഷിച്ചു.

കേസ് 3 - താരതമ്യം ശരിയായി സ്ഥാപിക്കൽ. ഒരു പ്രൊഡക്ഷൻ എൻ്റർപ്രൈസസിലെ രണ്ട് ഫാക്ടറികളുടെ കാര്യക്ഷമത താരതമ്യം ചെയ്തുകൊണ്ടിരുന്നു. മാനേജർ AI-യോട് ചോദിക്കുന്നു, "ഫാക്‌ടറി A B-യെക്കാൾ കാര്യക്ഷമമാണോ?" അദ്ദേഹം ചോദിച്ചു, പക്ഷേ ഫാക്ടറി എ പുതിയതും ചെറുതും ആണെന്ന് AI-ക്ക് അറിയില്ലായിരുന്നു. മാനേജർ നിർദ്ദേശം ശരിയാക്കി: "വലിപ്പവും പ്രായവ്യത്യാസവും കണക്കിലെടുത്ത് ഓരോ യൂണിറ്റിൻ്റെയും വിളവ് താരതമ്യം ചെയ്യുക." ഇത്തവണ വിശകലനം ന്യായമായിരുന്നു, യഥാർത്ഥ വ്യത്യാസം വെളിപ്പെട്ടു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഘട്ടം ഘട്ടമായുള്ള ഇൻസൈറ്റ് എക്സ്ട്രാക്ഷൻ:

നിങ്ങളുടെ റോൾ: മാനേജരെ സഹായിക്കുന്ന ബിസിനസ് അനലിസ്റ്റ്. അറ്റാച്ചുചെയ്ത അജ്ഞാത ഡാറ്റ ഉപയോഗിക്കുക (കാലയളവ്, വിഭാഗം, വിൽപ്പന, ചെലവ്). ഘട്ടം ഘട്ടമായി തുടരുക: 1) ഡാറ്റ 4 ഇനങ്ങളിൽ സംഗ്രഹിക്കുക. 2) കഴിഞ്ഞ കാലയളവിനെ അപേക്ഷിച്ച് ഏറ്റവും ശ്രദ്ധേയമായ 3 മാറ്റങ്ങൾ കാണിക്കുക. 3) ഓരോ മാറ്റത്തിനും സാധ്യമായ 2 കാരണങ്ങൾ വരെ നിർദ്ദേശിക്കുകയും ഇവ അനുമാനങ്ങളാണെന്നും തെളിവുകൾ ആവശ്യമാണെന്നും പ്രസ്താവിക്കുക. ഞാൻ നൽകുന്ന ഡാറ്റയിൽ ഇല്ലാത്ത സംഖ്യകളൊന്നും ഉണ്ടാക്കരുത്.

2) ബ്രേക്ക്ഡൗൺ (വിഭാഗം) വിശകലനം:

മൊത്തം സംഖ്യകൾ സ്ഥിരതയുള്ളതായി തോന്നിയാലും, ഉള്ളിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് എനിക്കറിയണം. അറ്റാച്ച് ചെയ്‌ത ഡാറ്റ വിഭാഗം/മേഖല/ഉപഭോക്തൃ വിഭാഗം പ്രകാരം തകർക്കുക. ഏത് സെഗ്‌മെൻ്റാണ് വളരുന്നതെന്നും ഏത് ചുരുങ്ങുന്നുവെന്നും ഒരു പട്ടികയിൽ കാണിക്കുക. പ്രത്യേകിച്ച് മൊത്തത്തിൽ മറയ്ക്കുന്ന റിവേഴ്സലുകൾ അടയാളപ്പെടുത്തുക.

3) പരസ്പരബന്ധം-കാരണ പരിശോധന:

ഞാൻ ഈ ബന്ധം കണ്ടെത്തി: [എയും ബിയും ഒരുമിച്ച് നീങ്ങുന്നു]. ഇത് യഥാർത്ഥ കാരണവും ഫലവുമാണോ അതോ ഒരുമിച്ച് പ്രവർത്തിക്കണോ എന്ന് വിവേചിച്ചറിയാൻ എന്നെ സഹായിക്കൂ. സാധ്യമായ പൊതുവായ കാരണങ്ങൾ ലിസ്റ്റുചെയ്യുകയും ഈ ബന്ധം പരിശോധിക്കുന്നതിന് എനിക്ക് ചെയ്യാൻ കഴിയുന്ന 3 പ്രായോഗിക പരിശോധനകൾ നിർദ്ദേശിക്കുകയും ചെയ്യുക.

4) തീരുമാന ഓപ്ഷൻ ജനറേഷൻ:

ഞാൻ ഈ ഉൾക്കാഴ്ച സ്ഥിരീകരിച്ചു: [ഉൾക്കാഴ്ച]. എനിക്കായി തീരുമാനിക്കരുത്; പകരം, 3 വ്യത്യസ്ത പ്രവർത്തന ഓപ്ഷനുകൾ സൃഷ്ടിക്കുക. ഓരോ ഓപ്ഷനും: പ്രതീക്ഷിക്കുന്ന ആനുകൂല്യം, കണക്കാക്കിയ ചെലവ്/പ്രയത്നം, പ്രധാന അപകടസാധ്യത, ഏത് സാഹചര്യമാണ് മുൻഗണന നൽകേണ്ടത്. ഓപ്ഷനുകൾ നിഷ്പക്ഷമായി അവതരിപ്പിക്കുക; ആരെയും അടിച്ചേൽപ്പിക്കരുത്.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എന്തുകൊണ്ടാണ് വിൽപ്പന ഇടിഞ്ഞത്?

ഡാറ്റയില്ല, കാലയളവില്ല, സന്ദർഭമില്ല. AI പൊതുവായ കാരണങ്ങൾ പട്ടികപ്പെടുത്തുന്നു (സാമ്പത്തികം, മത്സരം, സീസൺ); അവയൊന്നും നിങ്ങളുടെ സാഹചര്യവുമായി ബന്ധപ്പെട്ടതല്ല, പരിശോധിച്ചുറപ്പിക്കാൻ കഴിയില്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റീട്ടെയിൽ അനലിസ്റ്റ്. അറ്റാച്ച് ചെയ്‌ത അജ്ഞാത 6-മാസ ഡാറ്റ ഉപയോഗിക്കുക (മാസം, പ്രദേശം, വിഭാഗം, വിൽപ്പനയുടെ എണ്ണം, വിറ്റുവരവ്). കഴിഞ്ഞ മാസം മൊത്തം വിറ്റുവരവിൽ 8% കുറഞ്ഞു. പ്രദേശവും വിഭാഗവും അനുസരിച്ച് ഇത് തകർക്കുക; ഏത് വിഭാഗത്തിൽ നിന്നാണ് ഇടിവ് വരുന്നതെന്ന് കണ്ടെത്തുക. നിങ്ങൾ കണ്ടെത്തുന്ന ഓരോ നിരസിക്കലിനും പരീക്ഷിക്കാവുന്ന 2 അനുമാനങ്ങൾ വരെ നിർദ്ദേശിക്കുക. ഞാൻ തന്ന നമ്പറുകൾ മാത്രം ഉപയോഗിക്കുക.

വലിപ്പം

മോശം സമീപനം

ശക്തമായ സമീപനം

ഡാറ്റ

ഒന്നുമില്ല

അജ്ഞാതവും ഘടിപ്പിച്ചതും

ചോദ്യം

ജനറൽ "എന്തുകൊണ്ട്?"

അപവർത്തനവും കേന്ദ്രീകൃതവും

ഔട്ട്പുട്ട്

പൊതുവായ കാരണങ്ങൾ

പരീക്ഷിക്കാവുന്ന അനുമാനങ്ങൾ

സ്ഥിരീകരണക്ഷമത

താഴ്ന്ന

ഉയർന്നത്

തീരുമാന മൂല്യം

കുറവ്

ഉയർന്നത്

സാധാരണ തെറ്റുകൾ

• ആകെ സംഖ്യയെ ആശ്രയിക്കുന്നു. മൊത്തം സ്ഥിരമായിരിക്കുമ്പോൾ, ഉള്ളിൽ വലിയ റിവേഴ്സലുകൾ ഉണ്ടാകാം; തകരാർ നോക്കുന്നത് ഉറപ്പാക്കുക.
• കാര്യകാരണമായി പരസ്പരബന്ധം തെറ്റിദ്ധരിക്കുന്നു. AI കണ്ടെത്തുന്ന ബന്ധം തെളിവായിട്ടല്ല, പരീക്ഷിക്കേണ്ട ഒരു സിദ്ധാന്തമായി കാണുക.
• അന്യായമായ താരതമ്യം. വ്യത്യസ്‌ത വലുപ്പങ്ങൾ/പ്രായങ്ങൾ/അവസ്ഥകളുടെ യൂണിറ്റുകൾ നോർമലൈസ് ചെയ്യാതെ താരതമ്യം ചെയ്യരുത്.
• AI-യിൽ നിന്ന് നേരിട്ട് തീരുമാനങ്ങൾ അഭ്യർത്ഥിക്കുന്നു. AI ഓപ്ഷനുകൾ സൃഷ്ടിക്കുന്നു; തീരുമാനവും ഉത്തരവാദിത്തവും നിങ്ങൾ വഹിക്കുന്നു.
• സിംഗിൾ പിരീഡ് ഡാറ്റ ഉപയോഗിച്ച് നിഗമനങ്ങൾ വരയ്ക്കുന്നു. ട്രെൻഡിംഗിന് മതിയായ ചരിത്രപരമായ ഡാറ്റ ആവശ്യമാണ്.

മുന്നറിയിപ്പ്: ഒരു ഉൾക്കാഴ്ച എത്ര സമർത്ഥമായി തോന്നിയാലും, അത് നിങ്ങളുടെ ഡാറ്റയിൽ നിന്ന് പരിശോധിച്ചുറപ്പിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ അത് ഒരു തീരുമാനമായി മാറരുത്. "AI അങ്ങനെ പറഞ്ഞു" എന്നത് ഒരു ന്യായീകരണമല്ല; "ഞാൻ ഇത് ഡാറ്റ ഉപയോഗിച്ച് പരീക്ഷിച്ചു, അത് സാധൂകരിക്കപ്പെട്ടു" എന്നത് ഒരു ന്യായീകരണമാണ്.

ചുരുക്കത്തിൽ

ഡാറ്റയെ ഉൾക്കാഴ്ചയാക്കി മാറ്റുന്ന ഗോവണിയാണ് തീരുമാന പിന്തുണ: ഡാറ്റ, വിവരങ്ങൾ, ഉൾക്കാഴ്ച, തീരുമാനം. ആദ്യ രണ്ട് ഘട്ടങ്ങളിൽ AI വളരെ വേഗതയുള്ളതാണ്, മൂന്നാമത്തേതിൽ നല്ലൊരു സഹായിയും നാലാമത്തേതിൽ ഒരു ഓപ്ഷൻ പ്രൊവൈഡറും മാത്രം. മൊത്തം സംഖ്യകളല്ല, തകർച്ചകൾ നോക്കുക; പരസ്പര ബന്ധത്തെ കാര്യകാരണമായി തെറ്റിദ്ധരിക്കരുത്; പരീക്ഷിക്കപ്പെടേണ്ട അനുമാനങ്ങളായി AI നിർദ്ദേശിക്കുന്ന കാരണങ്ങൾ കാണുക. ഘട്ടം ഘട്ടമായുള്ള ചിന്ത കൂടുതൽ കൃത്യമായ ഫലങ്ങൾ നൽകുന്നു. സാധുതയുള്ള ഉൾക്കാഴ്ചയുടെ അടിസ്ഥാനത്തിൽ മാനേജരുടെതാണ് അന്തിമ തീരുമാനം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ ബിസിനസ്സിൽ നിന്ന് ഒരു അജ്ഞാത ഡാറ്റ തയ്യാറാക്കുക (ഉദാ. കഴിഞ്ഞ 6 മാസത്തെ വിഭാഗത്തെ അടിസ്ഥാനമാക്കിയുള്ള വിൽപ്പന). മുകളിലുള്ള "ബ്രേക്ക്‌ഡൗൺ വിശകലനം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI ഒരു സെഗ്‌മെൻ്റ് ബ്രേക്ക്‌ഡൗൺ നടത്തട്ടെ. നിങ്ങൾ കണ്ടെത്തിയ ഏറ്റവും വലിയ മാറ്റത്തിനായി "കോറിലേഷൻ-കോസേഷൻ ടെസ്റ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരു സിദ്ധാന്തം സൃഷ്‌ടിക്കുക, കൂടാതെ ഫീൽഡിൽ ഈ സിദ്ധാന്തം എങ്ങനെ പരീക്ഷിക്കുമെന്ന് 3 ഇനങ്ങളിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഡാറ്റ അജ്ഞാതമാക്കിയിട്ടുണ്ടോ?
• [ ] ഞാൻ ആകെ നോക്കിയതിനു പകരം ബ്രേക്ക്‌ഡൗൺ (സെഗ്‌മെൻ്റ്) നോക്കിയോ?
• AI നിർദ്ദേശിച്ച കാരണം ഞാൻ ഒരു സിദ്ധാന്തമായി കണക്കാക്കിയിട്ടുണ്ടോ?
• [ ] ഞാൻ താരതമ്യങ്ങൾ ന്യായമായി സജ്ജീകരിച്ചിട്ടുണ്ടോ (സാധാരണമാക്കിയത്)?
• [ ] പരിശോധിച്ചുറപ്പിച്ച ഉൾക്കാഴ്ചയുടെ അടിസ്ഥാനത്തിൽ ഞാൻ തന്നെയാണോ തീരുമാനം എടുത്തത്?