Gevinster:
- Erkjenner kvalitet, konfidensialitet og tolkningsfarer ved arbeid med data og etablerer en sikker analyseflyt.
- Den velger riktig indikator for et formål, og skiller mellom villedende enkeltindikatorer og målinger som er åpne for manipulasjon.
- Den gjenkjenner villedende diagramteknikker (aksen starter ikke fra null, valgt område) og observerer ærlig visualisering.
Publikum produserer data hver dag: søknadstall, løsningstider, budsjettposter, befolkningsbevegelser, tjenesteforespørsler, revisjonsresultater, tilfredshetsundersøkelser. De fleste av disse dataene ligger i Excel-regneark, skjemaer og registreringssystemer, men omsettes ikke til beslutninger - fordi det krever ekspertise og tid å analysere dem. Databasert beslutningstaking (en tilnærming til å allokere ressurser og fastsette politikk basert på målte bevis, snarere enn mening eller vane) øker både effektiviteten og rettferdigheten i offentlig sektor: Ressursene går dit de trengs mest basert på tall. Her er AI en kraftig assistent til å gi mening i en tabell, finne mønstre og anomalier, trekke ut sammendragsstatistikk og oversette funnene til enkle setninger. I denne enheten vil du se hvordan du kan forkorte veien fra rå offentlige data til en forsvarlig avgjørelse med AI og holde deg disiplinert i det mest kritiske aspektet – den riktige tolkningen av tallet.
Tre farer ved å jobbe med data
Data er kraftig, men den har tre feller, og AI kan både redusere og forstørre disse fellene:
- Korrelasjon ≠ årsakssammenheng. Bare fordi to ting endres sammen, betyr ikke det at det ene forårsaker det andre. Salg av iskrem og drukning øker - fordi de begge er knyttet til sommervarmen, og ikke det ene forårsaker det andre. AI konstruerer flytende "fordi" setninger; Sett spørsmålstegn ved enhver påstand om årsakssammenheng.
- Forutinntatt/manglende data. Fra hvem og hvordan ble dataene samlet inn? Klagedata gjenspeiler bare de som kan klage; digitale applikasjonsdata de som har tilgang til internett. Hvis du ikke ser den manglende gruppen, vil avgjørelsen være partisk.
- Tall uten kontekst. "Økt med 30%" alene er meningsløst: i henhold til hva, i hvilken periode, hva er det absolutte tallet? Spør AI om kontekst.
Oppmerksomhet: Mens AI analyserer tabellen du oppgir, legger den noen ganger til "rimelige" men fiktive tall fra utenfor tabellen eller fyller stille ut de manglende cellene. Sammenlign hvert utgangsnummer med kildetabellen; Gi AI-en regelen "bruk bare verdiene i tabellen jeg gir deg, hvis mangler, si 'ingen data'".
Steg for steg dataanalyseflyt
- Avklar spørsmålet. Hvilket spørsmål leter vi etter svar på for avgjørelsen? ("I hvilket nabolag tar løsningstiden lengst?")
- Kjenn dataene. Hva er kolonnene, hva er enheten, hva er perioden, mangler/feil verdier?
- Trekk ut personopplysninger. Anonymiser/aggreger hvis individuell identifikasjon ikke er nødvendig for analyse (se enhet 11).
- Oppsummering og mønster kommer frem. Få AI til å utføre grunnleggende statistikk, gruppering og anomalimerking.
- Still spørsmål ved kommentaren. Korrelasjon eller årsakssammenheng? Alternativ forklaring? Mangler gruppen?
- Visualiser og forenkle. En enkel oppsummering og grafikk som beslutningstakeren kan forstå.
- Dokumenter vedtaket og dens begrunnelse. Hvilken beslutning ble tatt basert på hvilke data? revisjonsspor.
tre minisaker
Sak 1 - Kilden gikk til rett sted. Tidligere fordelte en kommune sitt parkvedlikeholdsbudsjett «likt til hvert nabolag». Når 18 måneders etterspørsels- og bruksdata ble analysert med AI, var etterspørselen per innbygger i de tre nabolagene 2,4 ganger gjennomsnittet. Budsjettet ble omfordelt etter behov; den generelle tilfredsheten økte, uten ekstra kostnader.
Tilfelle 2 – Forutinntatte data ble lagt merke til. Et byrå ville se på digitale applikasjonsdata og konkludere med at "borgere ikke lenger kommer til bomstasjonen." Men da aldersfordelingen ble etterspurt i analysen, så man at søknader over 65 år fortsatt stort sett kom fra skranken. Hvis bare digitale data ble sett på, ville denne gruppen blitt ignorert; billettservice ble bevart.
Sak 3 — Konstruert årsakssammenheng stoppet. Mens han tolket en tabell, sa YZ: "Ulykkene gikk ned fordi antallet inspeksjoner økte." Analytikeren minnet om at været også endret seg og trafikken avtok i samme periode; Å tilskrive det en enkelt årsak var misvisende. Rapporten ble korrigert for å si "det er et forhold, men årsakssammenheng er ikke bevist."
Fire kopierbare maler
1) Bli kjent med tabellen:
Din rolle: dataanalytiker. Undersøk tabellen nedenfor og basert KUN verdiene i denne tabellen: (1) oppsummer hva hver kolonne er, dens enhet og periode, (2) eventuelle celler som ser ut som mangler/feil, (3) oppsummer de 3 beste mønstrene som skiller seg ut. Legge til tall fra utenfor tabellen; hvis det mangler, si "ingen data".TABEL: [lim inn data]
2) Sammendragsstatistikk med kontekst:
Svar på følgende spørsmål fra tabellen nedenfor: [spørsmål]. MÅ gi resultatet med kontekst: absolutt tall + rate + sammenligningsperiode. Når du sier "økt med X%", spesifiser i hvilken grad og i hvilken periode. Bare bruk de gitte dataene.TABELL: [data] SPØRSMÅL: [spørsmål]
3) Årsaksspørsmål:
Tolk følgende funn, men FORSIKTIG: ikke forveksle korrelasjon med årsakssammenheng. Generer minst 3 alternative forklaringer for denne sammenhengen (tredje variabel, omvendt retning, tilfeldighet). Fortell meg hvilke tilleggsdata som trengs for å bevise årsakssammenheng. FINN: [forhold]
4) Enkelt sammendrag for avgjørelsen:
Forenkle følgende analyse for en beslutningstaker som ikke er en dataekspert: ikke mer enn 5 elementer, hvert element et funn og en "hva betyr dette"-forklaring. Skriv også ned usikkerhetene og grensene for dataene tydelig. Legger til ny informasjon.ANALYSE: [tekst]
Svak forespørsel / Sterk forespørsel
Svak: "Analyser dette diagrammet og fortell oss hva vi bør gjøre."
Sterk: "Din rolle er dataanalytiker. Bruk BARE tabellen nedenfor; ikke legg til tall utenfra, si 'ingen data' til den manglende cellen. Først må du bli kjent med kolonnene, enhetene og perioden. Svar deretter på spørsmålet 'hvilket nabolag har lengst løsningstid' med absolutt tall + forholdstall + sammenligningsperiode. Hvis du finner et mønster, kom med 3 alternative forklaringer og forklaringer på de siste punktene før grunnene. data (manglende gruppe, kort periode) som overlater avgjørelsen til oss."
Forskjell: sterk prompt etablerer datatroskap, kontekst, kausalitetsdisiplin og beslutningsgrense sammen; Resultatet er en forsvarlig analyse.
Hvor kan man stole på AI i databransjen?
virksomhet
AI-tillit
regel
Tabellsammendrag, gruppering
høy
Kun data gitt
Anomali/mønstermerking
medium
menneskelig bekreftelse
Kausalitetstolkning
lav
Alternativ forklaring kreves
Fyller inn manglende data
for lavt
Ikke få det til; "ingen data"
Forenkling/visuell oppsummering
høy
Meningen må bevares
Indikatordesign og villedende kartfelle
Det mest kritiske trinnet i å ta beslutninger med data er å velge riktig indikator (det numeriske uttrykket som gjør et fenomen målbart – for eksempel «gjennomsnittlig behandlingstid» eller «kostnad per søknad»). Feil indikator fører til feil avgjørelse, selv med nøyaktige data: mens "totalt antall løste krav" ser ut til å øke, kan "ventetiden per innbygger" bli verre. AI kan liste opp kandidatindikatorer for et emne og hva hver måler og skjuler; men du bestemmer hvilken indikator som virkelig representerer allmennhetens interesse. Vær også oppmerksom på risikoen for villedende visualisering (forvrengning av oppfatningen med teknikker som at aksen ikke starter fra null, uforholdsmessig skala, valgt tidsintervall) i grafene som AI foreslår eller beskriver; ærlig visuell i offentlige data er en del av styring.
Minikoffert — feil skilt, feil skryt. En enhet slo rekorder i "antall filer lukket per måned"-indikatoren; men innbyggerklagene økte. Ser vi på den nøyaktige indikatoren, "den første kontaktoppløsningshastigheten", falt frekvensen fra 58 prosent til 44 prosent - filer ble lukket og gjenåpnet raskt. Da indikatoren endret seg, endret også ledelsens prioritet seg.
Minikasse — akse som ikke starter fra null. På grafen AI beskrevet i en presentasjon starter den vertikale aksen på 40, en økning på 2 prosent virket som et dramatisk hopp. Da aksen ble flyttet til null, dukket det virkelige bildet opp og beslutningen ble eliminert fra den overdrevne oppfatningen.
Mal som støtter indikatorvalg:
Oppgave: Foreslå 5 kandidatindikatorer for følgende formål.Formål: [f.eks. forbedring av borgerservicekvalitet]For hver indikator: hva den måler | hva kan det skjule | åpenhet for manipulasjon | anbefalt lesefrekvens.Neste: skriv 3 advarsler (de som er villedende på egen hånd) for å lese disse indikatorene sammen.Regel: Ikke oppgi tall; bare foreslå indikatordesign.
Forsiktig: Ikke fall inn i misforståelsen om at "tall er objektivt". Hvilket tall du måler, hvordan du viser det og hvilket område du velger er et spørsmål om tolkning. Gjennomsiktig og ærlig offentlig tolkning er like viktig som å ha nøyaktige data.
Vanlige feil
- Misforstå korrelasjon for årsakssammenheng. "Økt sammen" er ikke årsaken; Se etter alternative forklaringer.
- Å la AI fylle inn manglende data. Analysen kollapser med en oppdiktet verdi; la den savnede være savnet.
- Generalisering av partiske data. Klage/digitale data representerer ikke alle; Spør den manglende gruppen.
- Presentere nummeret uten kontekst. Ved siden av forholdet skal det være et absolutt tall og sammenligningsperiode.
- Unødvendig analysering av personopplysninger. Ikke bruk individuell identifikasjon hvis aggregerte data er tilstrekkelig.
- Dokumenterer ikke vedtaket. Hvilken beslutning ble tatt basert på hvilke data som skulle registreres for revisjon.
Oppsummert
Databasert beslutningstaking er den mest effektive måten å fordele ressurser på rettferdig og effektivt i offentlig sektor; AI er en rask assistent i denne bransjen som gir mening i bildet, finner mønstre og forenkler funnet. Men ikke få AI til å utgjøre tall, ikke få den til å fylle ut manglende data, ikke la den forveksle korrelasjon med årsakssammenheng, og unngå å generalisere forutinntatte/ufullstendige data. Det er styrke i antall; Den som tolker det riktig og dokumenterer vedtaket står sterkere.
Søknadsoppgave
Få en ekte (fjernet personlige data) tabell fra enheten din. Introduser dataene med malen "Bli kjent med tabellen", og få deretter et viktig spørsmål besvart for avgjørelsen med malen "Kontekstuell sammendragsstatistikk". Bruk malen "Årsaksspørsmål" på et nye forhold og finn minst én alternativ forklaring. Sjekk om AI-en legger til tall fra utenfor tabellen.
sjekkliste
- [ ] AI-en brukte bare den gitte tabellen; Han la ikke til tall utenfra.
- [ ] Jeg fylte ikke ut de manglende dataene; Jeg forlot det som "ingen data".
- [ ] Jeg presenterte hvert resultat med kontekst (absolutt tall + rate + periode).
- [ ] Jeg produserte en alternativ forklaring til kausalitetspåstandene.
- [ ] Jeg evaluerte risikoen for partisk/manglende data og den manglende gruppen.
- [ ] Jeg dokumenterte vedtaket og dataene som lå til grunn.