ഉപയോഗക്ഷമത പരിശോധന വിശകലനവും കണ്ടെത്തലുകളുടെ സമന്വയവും

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് ഉപയോഗക്ഷമത ടെസ്റ്റ് റെക്കോർഡുകളും നിരീക്ഷണ കുറിപ്പുകളും കണ്ടെത്തലുകളിലേക്കും തൂക്കങ്ങളിലേക്കും ശുപാർശകളിലേക്കും മാറ്റാനുള്ള കഴിവ്
• കാഠിന്യം അനുസരിച്ച് കണ്ടെത്തലുകൾ റാങ്ക് ചെയ്യാനും മുൻഗണനാ പട്ടിക തയ്യാറാക്കാനുമുള്ള കഴിവ്
• യഥാർത്ഥ നിരീക്ഷണ തെളിവുകൾ ഉപയോഗിച്ച് കൃത്രിമബുദ്ധി ഒഴിവാക്കുകയോ പെരുപ്പിച്ചു കാണിക്കുകയോ ചെയ്യുന്ന കണ്ടെത്തലുകൾ തിരുത്താനുള്ള കഴിവ്

യഥാർത്ഥ ഉപയോക്താക്കൾക്ക് നിർദ്ദിഷ്ട ടാസ്‌ക്കുകൾ നൽകി അവരെ നിരീക്ഷിച്ച് ഡിസൈൻ എവിടെയാണ് പ്രവർത്തിക്കുന്നത്, എവിടെയാണ് അത് കുടുങ്ങിയത് എന്ന് നിരീക്ഷിക്കുന്നതിനുള്ള ഒരു രീതിയാണ് ഉപയോഗക്ഷമത പരിശോധന. പരീക്ഷ തന്നെ എളുപ്പമാണ്; യഥാർത്ഥ വെല്ലുവിളി പിന്നീടുള്ളതാണ്: റെക്കോർഡിംഗിൻ്റെ മണിക്കൂറുകൾ, നിരീക്ഷണ കുറിപ്പുകളുടെ പേജുകൾ, ചിതറിക്കിടക്കുന്ന സ്ക്രീൻഷോട്ടുകൾ എന്നിവ വ്യക്തവും മുൻഗണനയുള്ളതുമായ കണ്ടെത്തലുകളാക്കി മാറ്റുന്നു. ഈ സമന്വയം കൈകൊണ്ട് ദിവസങ്ങളെടുക്കും, ടീമുകൾ പലപ്പോഴും അത് പൂർത്തിയാകാതെ വിടുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ തടസ്സം തുറക്കുന്നു: റെക്കോർഡുകളും കുറിപ്പുകളും കണ്ടെത്തലുകൾ, ഭാരം, ശുപാർശ എന്നിവയാക്കി മാറ്റുന്നു. എന്നാൽ ഒരു നിരീക്ഷണം ശരിക്കും ഒരു പ്രശ്‌നമാണോ എന്നും അത് എത്ര പ്രധാനമാണെന്നും തീരുമാനിക്കേണ്ടത് മനുഷ്യൻ്റെ വിധിയാണ്.

നിരീക്ഷണവും കണ്ടെത്തലും നിർദ്ദേശവും തമ്മിലുള്ള വ്യത്യാസം

സിന്തസിസിൽ മൂന്ന് പാളികൾ വേർതിരിക്കുന്നത് വളരെ പ്രധാനമാണ്:

• നിരീക്ഷണം: എന്താണ് സംഭവിച്ചത്, അഭിപ്രായമില്ല. "പങ്കാളി 3 'തുടരുക' ബട്ടണിനായി 40 സെക്കൻഡ് തിരഞ്ഞു."
• കണ്ടെത്തൽ: നിരീക്ഷണങ്ങളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ പാറ്റേൺ. "പ്രാഥമിക പ്രവർത്തനം കണ്ടെത്തുന്നതിൽ ഉപയോക്താക്കൾക്ക് പ്രശ്നമുണ്ട്."
• ശുപാർശ: എന്തുചെയ്യണം. "പ്രാഥമിക ബട്ടൺ ദൃശ്യപരമായി വേറിട്ടുനിൽക്കുന്നു."

AI ഈ മൂന്ന് പാളികൾ വേഗത്തിൽ നിർമ്മിക്കുന്നു, പക്ഷേ പലപ്പോഴും നിരീക്ഷണത്തെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു അല്ലെങ്കിൽ ഒരൊറ്റ നിരീക്ഷണത്തിൽ നിന്ന് ഒരു മുഴുവൻ കണ്ടെത്തലും അനുമാനിക്കുന്നു. ഓരോ കണ്ടെത്തലിനു പിന്നിലും മതിയായ നിരീക്ഷണങ്ങൾ (എത്ര പങ്കാളികൾ, എത്ര തവണ) ഉണ്ടെന്ന് സ്ഥിരീകരിക്കുക എന്നതാണ് നിങ്ങളുടെ ജോലി.

നുറുങ്ങ്: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് "ഓരോ കണ്ടെത്തലുകൾക്കും താഴെ, അതിനെ പിന്തുണയ്ക്കുന്ന നിരീക്ഷണങ്ങളും എത്ര പങ്കാളികളിൽ അത് കണ്ടുവെന്നും" പറയൂ. ഇതുവഴി നിങ്ങൾക്ക് ഒറ്റ നിരീക്ഷണത്തിൽ നിന്ന് ഊതിപ്പെരുപ്പിച്ച കണ്ടെത്തലുകൾ തൽക്ഷണം വേർതിരിച്ചറിയാൻ കഴിയും.

തീവ്രത: ആദ്യം എന്താണ് പരിഹരിക്കേണ്ടത്?

എല്ലാ കണ്ടെത്തലുകളും തുല്യമല്ല. ഒരു പ്രശ്‌നം എത്ര അടിയന്തിരമായി പരിഹരിക്കപ്പെടേണ്ടതുണ്ടെന്ന് തീവ്രത സൂചിപ്പിക്കുന്നു, അത് മൂന്ന് ഘടകങ്ങളാൽ നിർണ്ണയിക്കപ്പെടുന്നു:

1. ആഘാതം: പ്രശ്നം ഉപയോക്താവിനെ ടാസ്‌ക് പൂർത്തിയാക്കുന്നതിൽ നിന്ന് തടയുന്നുണ്ടോ അല്ലെങ്കിൽ അവരെ ശല്യപ്പെടുത്തുന്നുണ്ടോ?
2. ആവൃത്തി: എത്ര ഉപയോക്താക്കൾ, എത്ര തവണ?
3. ബിസിനസ്സ് സ്വാധീനം: ഈ പ്രശ്നം പരിവർത്തനത്തെയോ വരുമാനത്തെയോ വിശ്വാസത്തെയോ എത്രമാത്രം ബാധിക്കുന്നു?

ഒരു സാധാരണ സ്കെയിൽ: ക്രിട്ടിക്കൽ (ദൗത്യത്തെ പൂർണ്ണമായും തടസ്സപ്പെടുത്തുന്നു), ഉയർന്നത് (കടുത്ത ബുദ്ധിമുട്ട്), ഇടത്തരം (മന്ദഗതിയിലാക്കുന്നു), താഴ്ന്നത് (സൗന്ദര്യവർദ്ധക). AI ഒരു പ്രാരംഭ റാങ്കിംഗ് നിർദ്ദേശിച്ചേക്കാം, എന്നാൽ അന്തിമ വെയ്റ്റിംഗ് തീരുമാനത്തിന് - പ്രത്യേകിച്ച് ബിസിനസ്സ് സ്വാധീനം - സന്ദർഭത്തെക്കുറിച്ചുള്ള ടീമിൻ്റെ അറിവ് ആവശ്യമാണ്.

കണ്ടെത്തുന്നു

ആഘാതം

ആവൃത്തി

പ്രാധാന്യം

നിർദ്ദേശം

പ്രാഥമിക ബട്ടൺ കണ്ടെത്താൻ കഴിയില്ല

അത് ചുമതലയിൽ ഇടപെടുന്നു

4/6 പങ്കാളികൾ

വിമർശനാത്മകം

ഹൈലൈറ്റ് ബട്ടൺ

പിശക് സന്ദേശം വ്യക്തമല്ല

വേഗത കുറയ്ക്കുന്നു

3/6

ഉയർന്നത്

സന്ദേശം വ്യക്തമാക്കുക

ഐക്കൺ അർത്ഥം വ്യക്തമല്ല

നേരിയ മടി

2/6

ഇടത്തരം

ടാഗ് ചേർക്കുക

കളർ ടോൺ ഇഷ്ടപ്പെട്ടില്ല

സൗന്ദര്യവർദ്ധക വസ്തുക്കൾ

1/6

താഴ്ന്ന

അത് പിന്നീട് വിടുക

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - 5 മണിക്കൂർ റെക്കോർഡിംഗ്, അര ദിവസത്തിനുള്ളിൽ കണ്ടെത്തലുകൾ. ഒരു ടീം 6 ഉപയോക്തൃ പരിശോധനകളുടെ കുറിപ്പുകൾ (ആകെ 5 മണിക്കൂർ) AI-ക്ക് നൽകി. മോഡൽ 14 കണ്ടെത്തലുകൾ നിർദ്ദേശിച്ചു; സംഘം നിരീക്ഷണങ്ങളുടെ എണ്ണം അനുസരിച്ച് ഓരോന്നും പരിശോധിച്ച് അത് 9 ആയി ചുരുക്കി, പ്രാധാന്യത്തിൻ്റെ ക്രമത്തിൽ റാങ്ക് ചെയ്തു. സ്വമേധയാ 2 ദിവസം എടുക്കുമായിരുന്ന സിന്തസിസ് പകുതി ദിവസമായി കുറച്ചു.

കേസ് 2 - ഊതിപ്പെരുപ്പിച്ച കണ്ടെത്തൽ പിടികൂടി. “ഉപയോക്താക്കൾക്ക് നാവിഗേഷൻ മനസ്സിലാകുന്നില്ല,” AI ഒരു നിർണായക കണ്ടെത്തലിൽ എഴുതി. പിന്തുണയ്ക്കുന്ന നിരീക്ഷണങ്ങൾ പരിശോധിച്ചപ്പോൾ, ഒരു പങ്കാളിയിൽ നിന്നുള്ള ഒരൊറ്റ നിമിഷത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് അവർ കണ്ടെത്തി. കണ്ടെത്തൽ "മോഡറേറ്റ്" ആയി തരംതാഴ്ത്തി, കൂടുതൽ ഡാറ്റ അഭ്യർത്ഥിച്ചു. പാഠം: ഒരൊറ്റ നിരീക്ഷണം നിർണായകമായ ഒരു കണ്ടെത്തൽ ഉണ്ടാക്കുന്നില്ല.

കേസ് 3 - നഷ്ടമായ നിർണായക പ്രശ്നം. മോഡൽ ആവർത്തിച്ചുള്ളതും എന്നാൽ ചെറുതായി തോന്നുന്നതുമായ ഒരു പ്രശ്‌നത്തെ (ഫോം സ്വയമേവ സ്‌ക്രോളിംഗ് അല്ല) "കുറഞ്ഞത്" ആയി കണക്കാക്കി. ഡിസൈനർ നിരീക്ഷണങ്ങൾ നോക്കിയപ്പോൾ, ഇത് 5 പങ്കാളികളിൽ ടാസ്‌ക് ഉപേക്ഷിക്കാൻ കാരണമാവുകയും അത് "ഉയർന്നത്" ആക്കുകയും ചെയ്തുവെന്ന് അദ്ദേഹം മനസ്സിലാക്കി. പാഠം: നിരീക്ഷണ തെളിവുകളാൽ AI യുടെ പ്രാധാന്യ കണക്ക് ശരിയാക്കുന്നു.

അളവും ഗുണപരവുമായ ഡാറ്റ ഒരുമിച്ച് വായിക്കുന്നു

ഉപയോഗക്ഷമതാ പരിശോധന മിക്കവാറും ഗുണപരമാണ് (നിരീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ളത്), എന്നാൽ ക്വാണ്ടിറ്റേറ്റീവ് (സംഖ്യാപരമായ) സിഗ്നലുകളും ഉണ്ട്: ടാസ്‌ക് പൂർത്തീകരണ നിരക്ക്, ടാസ്‌ക് ദൈർഘ്യം, പിശകുകളുടെ എണ്ണം, സംതൃപ്തി സ്‌കോർ. ഏറ്റവും ശക്തമായ സമന്വയം ഇവ രണ്ടും സമന്വയിപ്പിക്കുന്നു: "പങ്കെടുക്കുന്നവരിൽ 33% പേർ മാത്രമാണ് ചെക്ക്ഔട്ട് ടാസ്ക്ക് പൂർത്തിയാക്കിയത് (അളവ്), പൂർത്തിയാക്കുന്നതിൽ പരാജയപ്പെട്ടവരെല്ലാം ഷിപ്പിംഗ് ഘട്ടത്തിൽ (ഗുണപരമായ) കുടുങ്ങി." നിങ്ങൾ വെവ്വേറെ നൽകുമ്പോൾ ഈ രണ്ട് ഡാറ്റയും സംയോജിപ്പിക്കാൻ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സഹായിക്കുന്നു; എന്നാൽ നിങ്ങൾ അക്കങ്ങളുടെ കൃത്യതയും സാമ്പിൾ വലുപ്പവും സ്ഥിരീകരിക്കുന്നു. ചെറിയ സാമ്പിളുകളിൽ (ഉദാ. 5 ഉപയോക്താക്കൾ) ശതമാനത്തെക്കുറിച്ച് സംസാരിക്കുന്നത് തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്; "60%" എന്ന് പറയുന്നതിനേക്കാൾ "5 ൽ 3 ഉപയോക്താക്കൾ" എന്ന് പറയുന്നത് സത്യസന്ധമാണ്. കേവല സംഖ്യകളിൽ സംസാരിക്കാൻ മോഡലിനോട് ആവശ്യപ്പെടുക.

നുറുങ്ങ്: "ഒരു ശതമാനത്തിന് പകരം 'എത്ര ഉപയോക്താക്കൾ' എന്ന് എഴുതുക" എന്ന് AI പറയട്ടെ. ചെറിയ സാമ്പിളുകളിൽ, ശതമാനം യഥാർത്ഥത്തിൽ ഉള്ളതിനേക്കാൾ വലിയ കൃത്യതയുടെ പ്രതീതി നൽകുന്നു.

പകർത്താവുന്ന നിർദ്ദേശങ്ങൾ

നിങ്ങളുടെ റോൾ: ഉപയോഗക്ഷമത അനലിസ്റ്റ്. ഇനിപ്പറയുന്ന അജ്ഞാത പരിശോധനാ കുറിപ്പുകളിൽ നിന്ന് കണ്ടെത്തലുകൾ വരയ്ക്കുക. ഓരോ കണ്ടെത്തലിനും: 1) വ്യക്തമായ പ്രസ്താവന, 2) പിന്തുണയ്ക്കുന്ന നിരീക്ഷണങ്ങൾ, എത്ര പങ്കാളികൾ അത് കണ്ടു, 3) പ്രഭാവം (തടയൽ/മന്ദഗതിയിലാക്കൽ/സൗന്ദര്യവർദ്ധകവസ്തുക്കൾ). ഒരൊറ്റ നിരീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ള കണ്ടെത്തലുകൾ "ദുർബലമായ തെളിവുകൾ" എന്ന് അടയാളപ്പെടുത്തുക. കുറിപ്പുകൾ: <<text>>

ഈ കണ്ടെത്തലുകളുടെ പട്ടിക പ്രാധാന്യം അനുസരിച്ച് അടുക്കുക. മാനദണ്ഡം: ആഘാതം (ജോലി തടസ്സം?), ആവൃത്തി (എത്ര പങ്കാളികൾ?), ബിസിനസ്സ് സ്വാധീനം. ഓരോ കണ്ടെത്തലും ക്രിട്ടിക്കൽ/ഉയർന്ന/ഇടത്തരം/താഴ്ന്ന എന്നിവ നൽകി ഒരു യുക്തി എഴുതുക. ബിസിനസ്സ് സ്വാധീനത്തെക്കുറിച്ച് നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, "ടീം വിലയിരുത്തണം" എന്ന് പറയുക. കണ്ടെത്തലുകൾ: <<ലിസ്റ്റ്>>

ഓരോ കണ്ടെത്തലിനും കൃത്യമായ, പ്രവർത്തനക്ഷമമായ ഡിസൈൻ ശുപാർശ എഴുതുക. ശുപാർശ: എന്ത് മാറും + എന്തുകൊണ്ടാണ് ഇത് പ്രശ്നം പരിഹരിക്കുന്നത് + ഏത് സ്‌ക്രീനിനെ ഇത് ബാധിക്കുന്നു. അവ്യക്തമായ ("മികച്ചത് ചെയ്യുക") ശുപാർശകൾ ഒഴിവാക്കുക. കണ്ടെത്തലുകൾ: <<ലിസ്റ്റ്>>

ഓഹരി ഉടമകളുടെ അവതരണത്തിനായി ഈ കണ്ടെത്തലുകളുടെ റിപ്പോർട്ട് സംഗ്രഹിക്കുക: ഏറ്റവും നിർണായകമായ 3 കണ്ടെത്തലുകൾ, തെളിവുകൾ (എത്ര ഉപയോക്താക്കൾ), ശുപാർശ ചെയ്യുന്ന നടപടി എന്നിവ ഉൾപ്പെടുന്ന ഒരു ഹ്രസ്വ എക്സിക്യൂട്ടീവ് സംഗ്രഹം എഴുതുക. അതിശയോക്തി; കുറിപ്പുകളിൽ നിന്ന് നമ്പറുകൾ എടുക്കുക. റിപ്പോർട്ട്: <<text>>

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "ഈ ടെസ്റ്റ് സ്കോറുകളിൽ നിന്ന് നിഗമനങ്ങൾ വരയ്ക്കുക."

ഫലം: തെളിവുകളില്ലാത്ത, പ്രാധാന്യത്തിൻ്റെ ക്രമമില്ലാത്ത, ഒരു നിരീക്ഷണം കണ്ടെത്തലായി തെറ്റിദ്ധരിപ്പിക്കുന്ന ഒരു സമ്മിശ്ര പട്ടിക.

ശക്തമായത്: "കുറിപ്പുകളിൽ നിന്ന് ഒരു കണ്ടെത്തൽ വരയ്ക്കുക; ഓരോ കണ്ടെത്തലിനു കീഴിലും, പിന്തുണയ്ക്കുന്ന നിരീക്ഷണങ്ങളും അത് എത്ര പങ്കാളികളിൽ കണ്ടുവെന്നും ചേർക്കുക; ഒരൊറ്റ നിരീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ളത് 'ദുർബലമായ തെളിവ്' എന്ന് അടയാളപ്പെടുത്തുക; തുടർന്ന് ഇഫക്റ്റ്-ഫ്രീക്വൻസി-വർക്ക് ഇഫക്റ്റ് അനുസരിച്ച് പ്രാധാന്യത്തിൻ്റെ ക്രമത്തിൽ റാങ്ക് ചെയ്യുക."

ഫലം: തെളിവുകളെ അടിസ്ഥാനമാക്കിയുള്ള, മുൻഗണനയുള്ള, പ്രതിരോധിക്കാവുന്ന കണ്ടെത്തലുകൾ.

വ്യത്യാസം: ശക്തമായ പ്രോംപ്റ്റ് തെളിവുകളുടെ എണ്ണം + ദുർബലമായ പ്രോംപ്റ്റ് + പ്രാധാന്യ മാനദണ്ഡം ആവശ്യപ്പെടുന്നു.

സാധാരണ തെറ്റുകൾ

• കണ്ടെത്തലുമായി ആശയക്കുഴപ്പമുണ്ടാക്കുന്ന നിരീക്ഷണം. ഒരൊറ്റ "എന്താണ് സംഭവിച്ചത്" എന്നത് മൊത്തത്തിലുള്ള ഒരു നിഗമനമാക്കി മാറ്റുന്നു.
• ഒരൊറ്റ നിരീക്ഷണത്തിൽ നിന്ന് നിർണായകമായ കണ്ടെത്തലുകൾ നടത്തുന്നു. ആവൃത്തി പരിശോധിക്കുന്നത് വരെ ഭാരം നൽകില്ല.
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ ബിസിനസ് സ്വാധീനം തീരുമാനിക്കുന്നു. വരുമാനം/പരിവർത്തന സ്വാധീനത്തിന് സന്ദർഭം ആവശ്യമാണ്; അവൻ അവൻ്റെ ടീമിലുണ്ട്.
• മുൻഗണന നൽകരുത്. കണ്ടെത്തലുകളുടെ ക്രമരഹിതമായ പട്ടിക ടീമിനെ തളർത്തുന്നു; എല്ലാം ഒറ്റയടിക്ക് ശരിയാക്കാൻ കഴിയില്ല.
• നിർദ്ദേശങ്ങൾ അവ്യക്തമായി വിടുന്നു. "നല്ലത് ചെയ്യുക" എന്നത് ബാധകമല്ല; എന്ത്, എന്തുകൊണ്ട്, എവിടെ എന്ന് വ്യക്തമാക്കണം.

ചുരുക്കത്തിൽ

റെക്കോർഡിംഗുകളും കുറിപ്പുകളും വ്യക്തമായ, മുൻഗണനയുള്ള കണ്ടെത്തലുകളാക്കി മാറ്റുന്നതിലാണ് ഉപയോഗക്ഷമത പരിശോധനയുടെ മൂല്യം വരുന്നത്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ സമന്വയത്തെ വളരെയധികം ത്വരിതപ്പെടുത്തുന്നു: നിരീക്ഷണങ്ങളെ കണ്ടെത്തലുകളായി കൂട്ടിച്ചേർക്കുന്നു, ശുപാർശകൾ തയ്യാറാക്കുന്നു, പ്രാധാന്യത്തിൻ്റെ ക്രമം നിർദ്ദേശിക്കുന്നു. എന്നാൽ ഓരോ കണ്ടെത്തലിനു പിന്നിലുള്ള നിരീക്ഷണങ്ങളുടെ എണ്ണം പരിശോധിച്ചുറപ്പിക്കുക, ഒറ്റ നിരീക്ഷണങ്ങളെ അടിസ്ഥാനമാക്കി ഊതിപ്പെരുപ്പിച്ച കണ്ടെത്തലുകൾ കളയുക, സന്ദർഭത്തിനനുസരിച്ച് ബിസിനസ്സ് ആഘാതം കണക്കാക്കുക എന്നിവ മനുഷ്യൻ്റെ ജോലിയാണ്. തെളിവുകളെ അടിസ്ഥാനമാക്കിയുള്ളതും ഒരു നിശ്ചിത ആവൃത്തിയുള്ളതും പ്രാധാന്യത്തിൻ്റെ ക്രമത്തിൽ ക്രമീകരിച്ചിരിക്കുന്നതുമായ ഒരു കണ്ടെത്തൽ റിപ്പോർട്ട്, വേഗത്തിലുള്ളതും പങ്കാളികൾക്ക് പ്രതിരോധശേഷിയുള്ളതുമായിരിക്കും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

1. ഉപയോഗക്ഷമതാ പരിശോധനയിൽ നിന്നുള്ള കുറിപ്പുകൾ അജ്ഞാതമാക്കുക (യഥാർത്ഥമോ സാങ്കൽപ്പികമോ).
2. ആദ്യ പ്രോംപ്റ്റിൽ കണ്ടെത്തലുകൾ നീക്കം ചെയ്യുക; ഓരോന്നിനും താഴെയുള്ള നിരീക്ഷണങ്ങളുടെ എണ്ണം പരിശോധിക്കുക.
3. "ദുർബലമായ തെളിവുകൾ" എന്ന് അടയാളപ്പെടുത്തിയ കണ്ടെത്തലുകൾ വേർതിരിച്ച് അധിക ഡാറ്റ ആവശ്യമാണോ എന്ന് തീരുമാനിക്കുക.
4. രണ്ടാമത്തെ പ്രോംപ്റ്റ് ഉപയോഗിച്ച്, കണ്ടെത്തലുകളെ പ്രാധാന്യത്തിൻ്റെ ക്രമത്തിൽ റാങ്ക് ചെയ്യുക; ഒരു ടീമെന്ന നിലയിൽ ബിസിനസ്സ് സ്വാധീനം വിലയിരുത്തുക.
5. മൂന്നാമത്തെ പ്രോംപ്റ്റിനൊപ്പം, ഓരോ കണ്ടെത്തലിനും കൃത്യമായ നിർദ്ദേശങ്ങൾ എഴുതുകയും മുൻഗണനാ പട്ടിക സൃഷ്ടിക്കുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ നിരീക്ഷണങ്ങളും കണ്ടെത്തലുകളും നിർദ്ദേശങ്ങളും പ്രത്യേക പാളികളായി സൂക്ഷിച്ചു.
• [ ] ഓരോ കണ്ടെത്തലും എത്ര പങ്കാളികൾ കാണിച്ചുവെന്ന് ഞാൻ പരിശോധിച്ചു.
• [ ] ഒരൊറ്റ നിരീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ള കണ്ടെത്തലുകൾ ദുർബലമായ തെളിവായി ഞാൻ അടയാളപ്പെടുത്തി.
• [ ] ഇംപാക്റ്റ്-ഫ്രീക്വൻസി-ജോബ് ഇംപാക്ട് അനുസരിച്ച് ഞാൻ തീവ്രത നിർണ്ണയിച്ചു.
• [ ] ടീമുമായുള്ള ബിസിനസ്സ് ഇംപാക്ട് തീരുമാനം വിലയിരുത്തി.
• [ ] ഞാൻ നിർദ്ദേശങ്ങൾ കൃത്യമായി എഴുതി (എന്ത്/എന്തുകൊണ്ട്/എവിടെ).