Keuntungan:
- Keupayaan untuk menghasilkan cerapan berorientasikan keputusan daripada data yang tersebar dengan memahami tangga keputusan data-maklumat-wawasan dan melaksanakan kecerdasan buatan langkah demi langkah
- Keupayaan untuk mendedahkan kebenaran yang disembunyikan oleh jumlah nombor melalui pecahan segmen dan membezakan korelasi daripada sebab-akibat
- Keupayaan untuk menganggap sebab yang dicadangkan oleh kecerdasan buatan sebagai hipotesis untuk diuji dan berdasarkan keputusan muktamad pada wawasan yang disahkan
Berpuluh-puluh nombor tiba di meja pengurus setiap hari: angka jualan, kos, aduan pelanggan, tahap inventori, kadar pusing ganti pekerja. Tetapi bilangan sahaja bukanlah keputusannya. Keputusan bermula dengan melihat makna dalam nombor. "Jualan turun 8 peratus berbanding bulan lepas" adalah diberikan; "Penurunan dalam jualan adalah disebabkan oleh dua pelanggan besar di rantau Aegean menangguhkan pesanan mereka" adalah satu pandangan. Di sini, sokongan keputusan - proses yang menjadikan data bermakna bagi pengurus untuk membuat keputusan yang lebih baik - ialah jambatan yang mengubah data menjadi cerapan. Dalam unit ini, kita akan belajar cara menggunakan AI pada jambatan ini. Sempadannya jelas dari awal: AI menghasilkan draf cerapan; Pengurus memutuskan cerapan mana yang sebenar dan perkara yang perlu dilakukan.
Empat langkah daripada data kepada wawasan
Sokongan keputusan adalah tangga. Digit pertama — data: nombor mentah (1,240 pesanan tiba bulan ini). Digit kedua — maklumat: angka yang disunting, dibandingkan (turun 8 peratus daripada bulan lepas). Peringkat ketiga — cerapan: pemahaman tentang sebab penurunan (kelewatan daripada dua pelanggan utama). Langkah empat — keputusan: perkara yang perlu dilakukan (temubual pelanggan ini dan sasarkan pelanggan baharu). AI sangat pantas pada langkah pertama dan kedua, adalah pembantu yang baik pada langkah ketiga, hanya menawarkan pilihan pada langkah keempat.
Mengetahui tangga ini adalah penting kerana kebanyakan pengurus secara langsung meminta AI untuk "membuat keputusan untuk saya" dan berasa kecewa. Walau bagaimanapun, jika anda menjalankan AI langkah demi langkah - mula-mula ringkaskan, kemudian bandingkan, kemudian persoalkan sebab yang mungkin, dan akhirnya buat keputusan sendiri - anda akan menjadi cepat dan boleh dipercayai.
Petunjuk: Tanya AI "apa yang anda simpulkan daripada data ini?" Daripada bertanya semua sekali gus, teruskan langkah demi langkah dengan mengatakan "ringkaskan dahulu, kemudian tunjukkan 3 perubahan yang paling ketara, kemudian cadangkan 2 kemungkinan sebab untuk setiap satu." Pemikiran secara bertahap memberikan hasil yang lebih tepat.
Perangkap korelasi dan sebab akibat
Perangkap yang paling berbahaya bagi sokongan keputusan ialah salah mengira korelasi untuk kausalitas. Korelasi ialah apabila dua perkara bergerak bersama (jualan ais krim dan lemas meningkat bersama-sama pada musim panas). Penyebab adalah apabila satu membawa kepada yang lain (ais krim tidak menyebabkan sesak nafas; cuaca panas adalah punca biasa). AI sangat baik dalam mencari perkara yang bergerak bersama dalam data anda, tetapi ia tidak dapat mengetahui punca sebenar. Mengatakan "Perbelanjaan pengiklanan meningkat dan jualan meningkat" tidak membuktikan bahawa pengiklanan meningkatkan jualan; mungkin kedua-duanya terjejas oleh musim perayaan.
Jadi apabila AI mencadangkan sebab, anggap ia sebagai hipotesis (andaian yang perlu dibuktikan), bukan sebagai fakta. “Bagaimana saya hendak menguji ini?” bertanya. Pengurus yang baik menguji sebab AI mencadangkan di lapangan atau dengan data.
tiga kes mini
Kes 1 — Menangkap kejatuhan rahsia. Dalam syarikat e-dagang, jumlah pusing ganti kelihatan stabil, tiada siapa yang bimbang. Pengurus memberikan data bulanan tanpa nama kepada AI dan bertanya "Segmen mana yang sedang berkembang dan mana yang mengecut mengikut kategori?" dia bertanya. YZ menunjukkan bahawa walaupun jumlah perolehan adalah berterusan, kategori elektronik untung tinggi sebenarnya jatuh sebanyak 22 peratus, dengan jualan aksesori untung rendah menutupinya. Pengurus mengesahkan ini dan memberi tumpuan kepada kategori elektronik. Jumlah bilangan telah disembunyikan; Rehat mendedahkan kebenaran.
Kes 2 — Berlari ke punca yang salah. Pengurus rangkaian kafe memberikan data jualan kepada AI. "Jualan hujung minggu bergerak dengan suhu cuaca," kata YZ. Pengurus membaca ini sebagai "cuaca panas meningkatkan jualan" dan menolak penghawa dingin. Walau bagaimanapun, sebab sebenar adalah peningkatan trafik pelanggan pada hujung minggu; Suhu secara kebetulan bergerak ke arah yang sama. Pengurus mengira korelasi sebagai sebab musabab. Dia belajar pelajarannya dan menguji setiap sebab mulai sekarang.
Kes 3 — Mewujudkan perbandingan dengan betul. Kecekapan dua kilang dalam perusahaan pengeluaran sedang dibandingkan. Pengurus bertanya kepada AI, "Adakah kilang A lebih cekap daripada B?" dia bertanya, tetapi AI tidak tahu bahawa kilang A lebih baru dan lebih kecil. Pengurus membetulkan gesaan: "bandingkan hasil seunit, dengan mengambil kira saiz dan perbezaan umur." Analisis kali ini adalah adil dan perbezaan sebenar telah didedahkan.
Empat templat yang boleh disalin
1) Pengekstrakan wawasan secara berperingkat:
Peranan anda: penganalisis perniagaan membantu pengurus. Gunakan data tanpa nama yang dilampirkan (tempoh, kategori, jualan, kos). Teruskan langkah demi langkah: 1) Ringkaskan data dalam 4 item. 2) Tunjukkan 3 perubahan paling ketara berbanding tempoh lalu. 3) Cadangkan sehingga 2 sebab yang MUNGKIN untuk setiap perubahan dan nyatakan bahawa ini adalah hipotesis dan bukti diperlukan. Jangan buat sebarang nombor yang tidak wujud dalam data yang saya sediakan.
2) Analisis pecahan (segmen):
Walaupun jumlah nombor kelihatan stabil, saya ingin tahu apa yang berlaku di dalam. Pecahkan data yang dilampirkan mengikut kategori/rantau/segmen pelanggan. Tunjukkan segmen mana yang berkembang dan mana yang mengecut dalam jadual. Terutama tandakan pembalikan yang menutupi jumlah keseluruhan.
3) Ujian korelasi-sebab:
Saya dapati hubungan ini: [A dan B bergerak bersama]. Bantu saya membezakan sama ada ini adalah sebab dan akibat yang benar atau hanya tindakan bersama. Senaraikan kemungkinan penyebab BIASA dan cadangkan 3 pemeriksaan praktikal yang boleh saya lakukan untuk menguji hubungan ini.
4) Penjanaan pilihan keputusan:
Saya mengesahkan cerapan ini: [insight].JANGAN buat keputusan untuk saya; sebaliknya, hasilkan 3 pilihan tindakan yang berbeza. Untuk setiap pilihan: faedah yang dijangkakan, anggaran kos/usaha, risiko utama dan situasi yang harus diutamakan. Bentangkan pilihan secara neutral; jangan paksa seseorang.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Mengapa jualan merosot?
Tiada data, tiada tempoh, tiada konteks. AI menyenaraikan sebab umum (ekonomi, persaingan, musim); Tiada satu pun daripada mereka yang khusus untuk situasi anda dan tidak boleh disahkan.
Gesaan kuat:
Peranan anda: penganalisis runcit. Gunakan data 6 bulan tanpa nama yang dilampirkan (bulan, wilayah, kategori, bilangan jualan, perolehan). Jumlah pusing ganti menurun sebanyak 8% pada bulan lepas. Pecahkan ini mengikut wilayah dan kategori; ketahui dari segmen mana penurunan itu datang. Cadangkan sehingga 2 hipotesis yang boleh diuji untuk setiap penurunan yang anda temui. Hanya gunakan nombor yang saya berikan kepada anda.
Saiz
pendekatan yang lemah
Pendekatan yang kuat
Data
tiada
Tanpa nama dan dilampirkan
soalan
Umum "mengapa?"
Dibiaskan dan fokus
keluaran
Sebab umum
Hipotesis yang boleh diuji
Kebolehpercayaan
rendah
tinggi
nilai keputusan
Kurang
tinggi
Kesilapan biasa
- Bergantung pada jumlah bilangan. Walaupun jumlahnya malar, mungkin terdapat pembalikan besar di dalam; Pastikan anda melihat pecahan.
- Tersalah korelasi untuk sebab musabab. Lihat perhubungan yang ditemui oleh AI sebagai hipotesis untuk diuji, bukan sebagai bukti.
- Perbandingan yang tidak adil. Jangan bandingkan unit dengan saiz/umur/keadaan yang berbeza tanpa menormalkannya.
- Meminta keputusan terus daripada AI. AI menjana pilihan; Anda tanggung keputusan dan tanggungjawab.
- Membuat kesimpulan dengan data tempoh tunggal. Data sejarah yang mencukupi diperlukan untuk arah aliran.
Awas: Tidak kira betapa pintarnya cerapan itu, ia tidak sepatutnya menjadi keputusan jika ia tidak dapat disahkan daripada data anda. "AI berkata demikian" bukanlah alasan; "Saya mengujinya dengan data dan ia telah disahkan" adalah satu justifikasi.
Secara ringkasnya
Sokongan keputusan ialah tangga yang mengubah data menjadi wawasan: data, maklumat, wawasan, keputusan. AI sangat pantas dalam dua langkah pertama, pembantu yang baik dalam langkah ketiga, dan hanya penyedia pilihan pada langkah keempat. Lihat pecahan, bukan jumlah bilangan; Jangan silap korelasi sebagai sebab; Lihat sebab AI mencadangkan sebagai hipotesis untuk diuji. Pemikiran secara bertahap memberikan hasil yang lebih tepat. Keputusan muktamad adalah berdasarkan pandangan yang disahkan oleh pengurus.
Tugasan permohonan
Sediakan set data awanama daripada perniagaan anda (mis. jualan berdasarkan kategori untuk 6 bulan lalu). Minta AI melakukan pecahan segmen dengan templat "Analisis pecahan" di atas. Buat hipotesis menggunakan templat "Ujian sebab korelasi" untuk perubahan terbesar yang anda temui dan tulis cara anda akan menguji hipotesis ini dalam medan dalam 3 item.
senarai semak
- [ ] Adakah saya telah menamakan data tersebut?
- [ ] Adakah saya melihat pecahan (segmen) dan bukannya jumlahnya?
- [ ] Adakah saya menganggap alasan yang dicadangkan oleh AI sebagai hipotesis?
- [ ] Adakah saya telah menyediakan perbandingan secara adil (dinormalkan)?
- [ ] Adakah saya membuat keputusan sendiri berdasarkan cerapan yang disahkan?