Keuntungan:
- Keupayaan untuk mengubah soalan pelanggan yang samar-samar menjadi pernyataan masalah yang jelas dan boleh diselesaikan dan mewujudkan pokok hipotesis MECE (pokok isu) dengan kecerdasan buatan
- Keupayaan untuk menggunakan kecerdasan buatan untuk menjana hipotesis dan mengesan titik buta, dan memutuskan dengan pertimbangan sendiri hipotesis mana yang akan diuji terlebih dahulu.
- Keupayaan untuk mengenali dan mengelakkan perangkap biasa dalam penstrukturan masalah (cabang bercanggah, menganggap penyelesaian lebih awal, soalan salah).
Kesilapan yang paling mahal dalam projek perundingan ialah menyelesaikan soalan yang salah. Pelanggan bertanya "jualan kami semakin berkurangan, apa yang perlu kami lakukan?" datang: tetapi persoalan sebenar ialah "dalam segmen mana, mengapa dan berapa banyak bahagian itu berada di bawah kawalan kami?" boleh jadi. Perunding yang berpengalaman bermula dengan mentakrifkan masalah dengan betul, bukan dengan mencari jawapan. Kecerdasan buatan ialah rakan berfikir yang sempurna pada peringkat ini: ia menjana berpuluh-puluh kemungkinan sebab, sub-soalan dan hipotesis dalam beberapa minit. Tetapi memutuskan soalan mana yang merupakan soalan yang betul memerlukan pertimbangan, dan penghakiman itu adalah milik anda.
Dalam unit ini, kami akan menggabungkan dua alatan yang menjadi tulang belakang perundingan dengan kecerdasan buatan: pokok hipotesis (pokok isu, rajah pokok yang mencabangkan masalah kepada sub-soalan) dan prinsip MECE (Mutually Exclusive, Collectively Exhaustive — cawangan tidak bertindih antara satu sama lain dan bersama-sama merangkumi isu itu sepenuhnya).
Daripada soalan yang tidak jelas kepada masalah yang boleh diselesaikan
Pernyataan masalah yang baik merangkumi empat perkara: siapa (pembuat keputusan), apa (keputusan), kriteria (apa kejayaan diukur), sempadan (skop dan tempoh). "Jualan jatuh" adalah aduan; "Manakah 3 tuas paling berkesan yang akan meningkatkan perolehan dalam segmen B2B sebanyak 10% dalam tempoh 12 bulan akan datang, dengan belanjawan semasa?" adalah pernyataan masalah. Anda boleh membuat transformasi ini berlaku kepada kecerdasan buatan, tetapi mula-mula anda mesti menerangkan keadaan mentah dengan jelas.
Peranan anda: jurulatih penstrukturan masalah untuk perunding pengurusan. Saya akan memberi anda aduan mentah pelanggan. Tugas anda:1) Ubah ini kepada satu ayat, pernyataan masalah yang boleh diukur (mesti termasuk pembuat keputusan, keputusan, kriteria kejayaan, skop, tempoh).2) Dedahkan 3 andaian tersirat yang menjadi asas pernyataan ini.3) Cadangkan 2 rangka kerja masalah alternatif untuk mengatasi risiko "menyelesaikan soalan yang salah." Aduan mentah: "[dalam kata-kata pelanggan...]"
Petua: Baca penyataan masalah kembali kepada pelanggan. “Jadi kejayaan untuk anda ialah peningkatan 10% dalam perolehan B2B dalam 12 bulan, betul?” Ayat tunggal ini menyelesaikan hala tuju projek dan perdebatan "kami tidak mahu ini" seterusnya dari awal.
Membina pokok hipotesis dengan kecerdasan buatan
Sebaik sahaja masalah itu jelas, anda cabangkannya. Akar pokok adalah persoalan utama; cawangan adalah paksi tindak balas yang mungkin; daun adalah hipotesis yang boleh diuji. Contohnya, "Mengapakah perolehan B2B tidak meningkat?" Persoalannya boleh dibahagikan kepada dua cabang utama: (1) perolehan pelanggan baharu adalah lemah, (2) hasil pelanggan sedia ada semakin berkurangan. Setiap cawangan dibahagikan kepada cawangan kecilnya sendiri. Pokok yang baik ialah MECE.
Peranan anda: Pakar pokok hipotesis MECE.Soalan utama: "[pernyataan masalah]"Tugas: Cabangkan soalan ini dalam tidak lebih daripada 2 peringkat.Peraturan:- Cawangan peringkat pertama mestilah MECE (tiada pertindihan, tiada jurang).- Setiap helaian mestilah ayat hipotesis yang boleh diuji data (dalam bentuk "... kerana ...").- Di sebelah setiap hipotesis, tuliskannya dalam senarai titik tunggal bagi risiko: Untuk ujian sumber data tunggal: Untuk ujian sumber data yang diperlukan: Promat. pertindihan/jurang di bawah tajuk "Audit MECE" menandakan cawangan.
AI memberi anda pokok dengan 15 hipotesis dalam 3 saat. Tetapi tugas anda tidak berakhir di situ, ia bermula: anda memilih cawangan mana yang benar-benar MECE, hipotesis mana yang paling mungkin dan paling mudah untuk diuji.
Keutamaan: hipotesis mana yang hendak diuji dahulu
Tidak ada masa untuk menguji semua hipotesis. Gunakan dua paksi: impak (seberapa besar ia menyumbang kepada penyelesaian jika ia benar) dan kemudahan (berapa cepat/murah untuk menguji). Mereka yang berimpak tinggi + kemudahan tinggi diutamakan. Ini dipanggil "penyapuan kemenangan cepat."
hipotesis
Kesan (1-5)
Kemudahan ujian (1-5)
keutamaan
Harga berada di belakang pesaing
5
4
Sebelum ini
Pasukan jualan tidak mencukupi dalam B2B
4
3
kemudian
Terdapat jurang ciri produk
4
2
penyelidikan
Kesedaran jenama adalah rendah
3
2
tahan
Anda boleh mempunyai kecerdasan buatan mengisi matriks ini; tetapi semak impak dan skor kemudahan dengan pengetahuan industri anda sendiri. Model ini sering melebih-lebihkan kemudahan ujian.
Peranan anda: penganalisis keutamaan. Letakkan senarai hipotesis berikut ke dalam matriks impak-mudah. Untuk setiap hipotesis: impak (1-5), kemudahan ujian (1-5), sumber data tunggal diperlukan, cadangan (sebelum/selepas/siasat/tahan). Peraturan: berikan skor mudah secara optimis, tulis rasional. Serlahkan 2 hipotesis dengan pengganda "kesan × kemudahan" tertinggi. Hipotesis: [senarai]
tiga kes mini
Kes 1 — Soalan yang salah dibetulkan. Rangkaian runcit bertanya, "Kami mempunyai kadar pusing ganti pekerja yang tinggi, adakah kami perlu menaikkan gaji?" dia bertanya. Perunding membuka bingkai masalah dengan kecerdasan buatan; Model ini menggambarkan tiga andaian tersirat: bahawa gaji adalah masalahnya, perolehan adalah sama di semua kedai, dan bayaran adalah penyelesaiannya. Data diambil: 70% daripada kadar pusing ganti adalah dalam 3 kedai dan sentiasa dalam pasukan dua pengurus yang sama. Persoalan sebenar ialah tingkah laku pengurus. Kenaikan gaji sebanyak 14 juta TL adalah penyelesaian yang salah.
Kes 2 — Pokok bukan MECE. Seorang perunding bertanya kepada model "mengapa keuntungan jatuh?" Dia mahu pokok itu. Model ini memberikan cawangan "pendapatan rendah", "kos tinggi", "persaingan telah meningkat". Dua cawangan pertama ialah MECE (keuntungan = hasil − kos), tetapi "persaingan meningkat" adalah punca dan hasil/kos adalah kesan; Tahap cawangan bercampur-campur. Perunding membetulkan pokok: tahap satu ialah hasil dan kos sahaja; Persaingan menyebabkan cabang kecil pendapatan.
Kes 3 — Pengutamaan membuahkan hasil. Dalam syarikat perisian B2B, 12 hipotesis dijana. Matriks impak-kemudahan meletakkan hipotesis "proses onboarding adalah panjang" dalam kotak kemudahan impak tinggi-tinggi. Disahkan oleh analisis data seminggu: Kadar pembatalan pelanggan yang tidak diaktifkan dalam 30 hari adalah 3 kali lebih tinggi. Sedikit campur tangan (pemasangan berpandu) mengurangkan pembatalan sebanyak 22%. Menguji hipotesis yang betul terlebih dahulu memendekkan projek.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Buat saya senarai mengapa keuntungan syarikat ini jatuh.
Model ini menyenaraikan sebab rawak, bertindih dan tidak berasas; Ia tidak mewujudkan kerangka pemikiran.
Gesaan kuat:
Peranan anda: Pakar penstrukturan masalah MECE. Soalan utama: "Syarikat hanya membina.
Semak soalan tentang struktur masalah yang baik
Apabila anda menyelesaikan pokok anda, tanya soalan ini: Anda juga boleh bertanya kecerdasan buatan, tetapi anda membuat keputusan muktamad:
- Adakah persoalan pokok benar-benar persoalan yang ingin diputuskan oleh pelanggan? - Adakah cawangan peringkat pertama bertindih? (Saling eksklusif?)- Adakah apa-apa yang tertinggal? (Adakah ia lengkap bersama?) - Bolehkah setiap daun diuji dengan data, atau adakah ia pendapat? - Adakah saya telah memikirkan penyelesaiannya terlebih dahulu? (Sebagai contoh, "gaji adalah penyelesaian")
Kesilapan biasa
- Benamkan penyelesaian dalam soalan. "Perlukah kita menurunkan harga?" Soalan itu mengandaikan penyelesaian dan menjadikan tuas lain tidak kelihatan. Tanya "mengapa" dahulu.
- dahan bertindih. Jika "pelanggan korporat" dan "pelanggan besar" adalah cawangan yang berasingan, pelanggan yang sama akan dikira di dua tempat; MECE rosak.
- Tahap pencampuran. Meletakkan punca (persaingan) pada tahap yang sama dengan kesan (penurunan hasil) menjadikan pokok itu tidak rasional.
- Daun yang tidak boleh diuji. "Pengurusan yang lemah" adalah penghakiman, bukan hipotesis. "Masa membuat keputusan ialah 40 hari secara purata, 12 hari dalam industri" adalah hipotesis yang boleh diuji.
- Menerima pokok model seadanya. AI memberikan garis besar yang cepat; Pengauditan dan keutamaan MECE adalah tugas anda.
Awas: AI membentangkan pokok hipotesis dengan cara yang sangat meyakinkan. Pujukan bukan ketepatan. Sentiasa memeriksa pokok secara manual untuk MECE; Melukis cawangan dengan pen dan kertas sering menunjukkan pertindihan yang model terlepas.
Secara ringkasnya
Dalam perundingan, nilai adalah dalam soalan yang betul sebelum jawapan yang betul. AI berkuasa mengubah aduan yang samar-samar menjadi kenyataan masalah yang boleh diukur, mendedahkan andaian tersirat dan dengan cepat melakar pokok hipotesis. Tetapi terpulang kepada anda untuk memutuskan sama ada pokok itu MECE, kebolehujian hipotesis, dan yang mana satu untuk diuji terlebih dahulu. Model menghasilkan draf; Ia adalah tugas perunding untuk memiliki, mengawal dan mengutamakan masalah.
Tugasan permohonan
Pilih aduan pelanggan yang sebenar atau yang dibayangkan (satu ayat). Pertama, ubah ini menjadi pernyataan masalah yang boleh diukur dan tiga andaian tersirat dengan gesaan pembingkai masalah yang kuat. Kemudian bina pokok dua peringkat dengan gesaan pokok hipotesis MECE. Periksa pokok secara manual untuk mencari dan membetulkan sekurang-kurangnya satu konflik atau jurang. Akhir sekali, isikan matriks kesan-mudah dan pilih dua hipotesis untuk diuji terlebih dahulu.
senarai semak
- [ ] Saya menukar aduan mentah kepada pernyataan masalah dengan siapa/apa/kriteria/skop/tempoh.
- [ ] Saya menemui andaian tersirat.
- [ ] Saya memeriksa tahap pertama pokok hipotesis saya sebagai MECE.
- [ ] Saya mengesahkan bahawa setiap daun adalah hipotesis yang boleh diuji.
- [ ] Saya memastikan saya tidak menguburkan penyelesaian dalam soalan itu.
- [ ] Saya memberi keutamaan dengan matriks impak-mudah.
- [ ] Saya tidak menerima pokok model secara membuta tuli dan membetulkannya secara manual.