Gevinster:
- Evne til å transformere et tvetydig kundespørsmål til en klar, løsbar problemstilling og etablere et MECE hypotesetre (problemtre) med kunstig intelligens
- Evne til å bruke kunstig intelligens til å generere hypoteser og oppdage blindsoner, og avgjøre med eget skjønn hvilken hypotese som skal testes først.
- Evne til å gjenkjenne og unngå vanlige fallgruver i problemstrukturering (motstridende grener, anta løsningen på forhånd, feil spørsmål).
Den dyreste feilen i et konsulentprosjekt er å løse feil spørsmål. Kunden spør "salget vårt synker, hva skal vi gjøre?" kommer: men det virkelige spørsmålet er "i hvilket segment, hvorfor og hvor mye av det er under vår kontroll?" det kan være. En erfaren konsulent starter med å definere problemet riktig, ikke med å lete etter svar. Kunstig intelligens er den perfekte tenkepartneren på dette stadiet: den genererer dusinvis av mulige årsaker, underspørsmål og hypoteser i løpet av minutter. Men å avgjøre hvilket spørsmål som er det riktige spørsmålet krever dømmekraft, og den dommen er din.
I denne enheten vil vi kombinere to verktøy som er ryggraden i rådgivning med kunstig intelligens: hypotesetreet (problemtre, et trediagram som deler opp et problem i underspørsmål) og MECE-prinsippet (Mutually Exclusive, Collectively Exhaustive — grenene overlapper ikke hverandre og dekker til sammen problemet fullstendig).
Fra vagt spørsmål til løsbart problem
En god problemstilling inkluderer fire ting: hvem (beslutningstaker), hva (beslutning), kriterier (hva suksess måles på), grense (omfang og varighet). "Salget faller" er en klage; "Hvilke er de 3 mest effektive spakene som vil øke omsetningen i B2B-segmentet med 10 % i løpet av de neste 12 månedene, med dagens budsjett?" er en problemstilling. Du kan få denne transformasjonen til å skje med kunstig intelligens, men først må du forklare den rå situasjonen tydelig.
Din rolle: problemstrukturerende coach for ledelseskonsulenten. Jeg skal gi deg kundens ubehandlede klage. Din oppgave:1) Gjør dette om til en målbar problemformulering med én setning (må inkludere beslutningstaker, beslutning, suksesskriterier, omfang, varighet).2) Avslør de 3 implisitte antakelsene som ligger til grunn for dette utsagnet.3) Foreslå 2 alternative problemrammeverk for å motvirke risikoen for å «løse feil spørsmål». Rå klage: "[i klientens ord...]"
Tips: Les problemformuleringen tilbake til kunden. "Så suksess for deg er en 10% økning i B2B-omsetning på 12 måneder, ikke sant?" Denne enkeltsetningen løser retningen for prosjektet og den påfølgende "vi ville ikke ha dette"-debatten fra starten.
Bygge hypotesetreet med kunstig intelligens
Når problemet er klart, forgrener du det. Roten til treet er hovedspørsmålet; grener er mulige responsakser; blader er testbare hypoteser. For eksempel, "Hvorfor øker ikke B2B-omsetningen?" Spørsmålet kan deles inn i to hovedgrener: (1) nykundeanskaffelse er svak, (2) eksisterende kundeinntekter synker. Hver gren er delt inn i sine egne undergrener. Et godt tre er MECE.
Din rolle: MECE hypotesetreekspert.Hovedspørsmål: "[problemstilling]"Oppgave: Forgrener dette spørsmålet i ikke mer enn 2 nivåer.Regler:- Grener på første nivå må være MECE (ingen overlapping, ingen hull).- Hvert blad må være en datatestbar hypotesesetning (av formen "... fordi ...").- Ved siden av hver hypotese som trengs for å teste den enkeltstående datakilden:Format-kilden:Programmet. av overlapping/gap under overskriften "MECE-revisjon" markere grenene.
AI gir deg et tre med 15 hypoteser på 3 sekunder. Men jobben din slutter ikke der, den begynner: du velger hvilke grener som virkelig er MECE, hvilken hypotese som er mest sannsynlig og lettest å teste.
Prioritering: hvilken hypotese som skal testes først
Det er ikke tid til å teste alle hypoteser. Bruk to akser: innvirkning (hvor stort det bidrar til løsningen hvis det er sant) og letthet (hvor raskt/billig det er å teste). De med høy effekt + høy bekvemmelighet kommer først. Dette kalles en "rask vinnersveip."
hypotese
Effekt (1-5)
Enkel testing (1-5)
prioritet
Prissettingen ligger bak konkurrentene
5
4
Før
Salgsteamet er utilstrekkelig i B2B
4
3
deretter
Det er et gap mellom produktfunksjoner
4
2
forskning
Merkekjennskapen er lav
3
2
hold
Du kan la kunstig intelligens fylle denne matrisen; men gjennomgå effekt- og bekvemmelighetspoengene med din egen bransjekunnskap. Modellen overvurderer ofte at det er enkelt å teste.
Din rolle: prioriteringsanalytiker. Plasser følgende liste over hypoteser inn i en matrise for enkel effekt. For hver hypotese: effekt (1-5), enkel testing (1-5), enkelt datakilde nødvendig, anbefaling (før/etter/undersøk/hold). Regler: gi lett poeng optimistisk, skriv begrunnelse. Fremhev de 2 hypotesene med den høyeste «påvirkning × letthet»-multiplikatoren. Hypoteser: [liste]
tre minisaker
Sak 1 – Feil spørsmål rettet. En forhandlerkjede spurte: "Vi har høy utskifting av ansatte, bør vi øke lønningene?" spør han. Konsulenten åpner problemrammen med kunstig intelligens; Modellen illustrerer tre implisitte antakelser: at lønn er problemet, omsetning er lik på tvers av alle butikker, og lønn er løsningen. Dataene er trukket: 70 % av omsetningshastigheten er i 3 butikker og alltid i samme to lederteam. Det virkelige spørsmålet er lederadferd. En lønnsøkning på 14 millioner TL ville vært feil løsning.
Tilfelle 2 - Ikke-MECE-tre. En konsulent spør modellen "hvorfor faller overskuddet?" Han vil ha treet. Modellen gir grener «inntekten er lav», «kostnaden er høy», «konkurransen har økt». De to første grenene er MECE (profit = revenue − cost), men «konkurranse økt» er en årsak og inntekt/kostnad er en effekt; Bransjenivåer er blandet. Konsulenten fikser treet: nivå én er kun inntekter og kostnader; Konkurranse forårsaker en undergren av inntekt.
Sak 3 — Prioritering ga resultater. I et B2B-programvareselskap genereres 12 hypoteser. Impact-convenience-matrisen setter "onboarding process is long"-hypotesen i high impact-high convenience-boksen. Bekreftet av en ukes dataanalyse: Kanselleringsraten for kunder som ikke er aktivert på 30 dager er 3 ganger høyere. Et lite inngrep (veiledet installasjon) reduserer kanselleringen med 22 %. Testing av riktig hypotese forkorter først prosjektet.
Svak forespørsel / Sterk forespørsel
Svak melding:
Lag meg en liste over hvorfor dette selskapets fortjeneste faller.
Modellen oppregner tilfeldige, overlappende og udokumenterte årsaker; Det etablerer ikke en tenkeramme.
Kraftig ledetekst:
Din rolle: MECE problemstruktureringsspesialist. Hovedspørsmål: "Selskap bare bygg.
Sjekk spørsmål om en god problemstruktur
Når du er ferdig med treet ditt, still disse spørsmålene: Du kan også spørre kunstig intelligens, men du tar den endelige avgjørelsen:
– Er rotspørsmålet virkelig spørsmålet kunden ønsker å ta stilling til? – Overlapper grenene på første nivå? (Gjensidig utelukkende?)- Er noe utelatt? (Er det komplett sammen?) - Kan hvert blad testes med data, eller er det mening? – Har jeg antatt løsningen på forhånd? (For eksempel "lønn er løsningen")
Vanlige feil
- Legg inn løsningen i spørsmålet. — Bør vi sette ned prisen? Spørsmålet forutsetter løsningen og gjør de andre spakene usynlige. Spør "hvorfor" først.
- Overlappende grener. Dersom «bedriftskunder» og «storkunder» er separate filialer, vil samme kunde telles to steder; MECE er ødelagt.
- Blandingsnivå. Å sette årsaken (konkurransen) på samme nivå som effekten (inntektsnedgangen) gjør treet irrasjonelt.
- Utestbare blader. "Dårlig ledelse" er en dom, ikke en hypotese. «Beslutningstiden er 40 dager i gjennomsnitt, 12 dager i bransjen» er den testbare hypotesen.
- Godta treet til modellen som det er. AI gir en rask oversikt; MECE revisjon og prioritering er din jobb.
Forsiktig: AI presenterer et hypotesetre på en svært overbevisende måte. Overtalelse er ikke nøyaktighet. Inspiser alltid treet manuelt for MECE; Å tegne grener med penn og papir viser ofte overlapp som modellen savnet.
Oppsummert
Ved rådgivning ligger verdien i rett spørsmål før riktig svar. AI er kraftig til å gjøre en vag klage til en målbar problemformulering, avdekke implisitte antakelser og raskt skissere et hypotesetre. Men det er opp til deg å bestemme om treet er MECE, testbarheten til hypotesene, og hvilken du skal teste først. Modellen produserer et utkast; Det er konsulentens oppgave å eie, kontrollere og prioritere problemet.
Søknadsoppgave
Velg en ekte eller innbilt kundeklage (én setning). Først transformerer du dette til en målbar problemformulering og tre implisitte antakelser med en sterk problem-framing prompt. Bygg deretter et to-nivå tre med MECE hypotesetreet. Inspiser treet manuelt for å finne og fikse minst én konflikt eller gap. Til slutt fyller du ut effektlettmatrisen og velg to hypoteser du vil teste først.
sjekkliste
- [ ] Jeg forvandlet den rå klagen til en problemstilling med hvem/hva/kriterier/omfang/varighet.
- [ ] Jeg avdekket implisitte antakelser.
- [ ] Jeg inspiserte det første nivået av hypotesetreet mitt som MECE.
- [ ] Jeg bekreftet at hvert blad er en testbar hypotese.
- [ ] Jeg sørget for at jeg ikke begravde løsningen i spørsmålet.
- [ ] Jeg prioriterte med effekt-lett matrisen.
- [ ] Jeg godtok ikke blindt modellens tre og korrigerte det manuelt.