Gevinster:
- Evne til å produsere beslutningsorientert innsikt fra spredte data ved å forstå data-informasjon-innsikt-beslutningsstigen og utføre kunstig intelligens trinn for trinn
- Evne til å avsløre sannheten skjult av totale tall gjennom segmentnedbryting og skille korrelasjon fra kausalitet
- Evne til å behandle årsakene foreslått av kunstig intelligens som hypoteser som skal testes og basere den endelige avgjørelsen på bekreftet innsikt
Dusinvis av numre kommer på en leders skrivebord hver dag: salgstall, kostnader, kundeklager, lagernivåer, ansattes omsetningshastighet. Men antallet alene er ikke avgjørelsen. Avgjørelsen starter med å se meningen i tallet. «Salget er ned 8 prosent sammenlignet med forrige måned» er gitt; «Reduksjonen i salget skyldes at to store kunder i Egeerhavet har utsatt bestillingene sine» er en innsikt. Her er beslutningsstøtte – prosessen som gjør data meningsfull for lederen for å ta bedre beslutninger – broen som gjør data til innsikt. I denne enheten lærer vi hvordan du bruker AI på denne broen. Grensen er klar fra starten: AI produserer utkast til innsikt; Lederen bestemmer hvilken innsikt som er reell og hva som skal gjøres.
Fire trinn fra data til innsikt
Beslutningsstøtte er en stige. Første siffer — data: rå tall (1 240 bestillinger kom denne måneden). Andre siffer — informasjon: redigert, sammenlignet tall (ned 8 prosent fra forrige måned). Tredje nivå – innsikt: forståelse av årsaken til nedgangen (forsinkelse fra to store kunder). Trinn fire — beslutning: hva du skal gjøre (intervju disse kundene og målrett mot nye kunder). AI er veldig rask på det første og andre trinnet, er en god hjelper på det tredje, tilbyr bare alternativer på det fjerde.
Å kjenne denne stigen er viktig fordi de fleste ledere direkte spør AI om å "bestemme for meg" og blir frustrerte. Men hvis du utfører AI trinn for trinn - først oppsummere, deretter sammenligne, deretter stille spørsmål ved mulige årsaker, og til slutt ta avgjørelsen selv - vil du være både rask og pålitelig.
Hint: Spør AI-en "hva utleder du fra disse dataene?" I stedet for å spørre alt på en gang, fortsett trinn for trinn ved å si "oppsummer først, vis deretter de 3 mest bemerkelsesverdige endringene, og foreslå deretter 2 mulige årsaker for hver." Trinnvis tenkning gir mer nøyaktige resultater.
Korrelasjons- og kausalitetsfellen
Den farligste fallgruven med beslutningsstøtte er å ta feil av korrelasjon for årsakssammenheng. Korrelasjon er når to ting beveger seg sammen (issalg og drukning øker sammen om sommeren). Årsakssammenheng er når det ene fører til det andre (is forårsaker ikke kvelning; varmt vær er den vanlige årsaken). AI er veldig flink til å finne ting som beveger seg sammen i dataene dine, men den kan ikke si hva som er den egentlige årsaken. Å si "Annonseforbruk økte og salg økt" beviser ikke at annonsering økte salget; kanskje begge ble påvirket av høytiden.
Så når AI foreslår en grunn, behandle det som en hypotese (antakelse som må bevises), ikke som et faktum. "Hvordan tester jeg dette?" spørre. En god leder tester årsaken AI foreslår i felt eller med data.
tre minisaker
Tilfelle 1 - Å fange det hemmelige fallet. I et e-handelsselskap virket den totale omsetningen stabil, ingen ble skremt. Lederen gir de anonyme månedlige dataene til AI og spør "Hvilket segment vokser og hvilket krymper på kategoribasis?" spurte han. YZ viste at mens den totale omsetningen var konstant, falt kategorien høyprofit elektronikk faktisk med 22 prosent, med lavprofitt salg av tilbehør maskerte dette. Lederen bekreftet dette og fokuserte på elektronikkkategorien. Det totale antallet hadde blitt skjult; Pausen avslørte sannheten.
Tilfelle 2 — Kjører til feil årsak. Lederen for en kafékjede ga salgsdata til AI. "Helgesalget beveger seg med værtemperaturen," sa YZ. Lederen leste dette som "varmt vær øker salget" og avviste klimaanlegget. Den egentlige årsaken var imidlertid den økte kundetrafikken i løpet av helgen; Temperaturen gikk tilfeldigvis i samme retning. Lederen tok feil av sammenheng for årsakssammenheng. Han lærte leksjonen sin og testet alle grunner fra nå av.
Tilfelle 3 – Etablere sammenligningen riktig. Effektiviteten til to fabrikker i en produksjonsbedrift ble sammenlignet. Lederen spør AI: "Er fabrikk A mer effektiv enn B?" spurte han, men AI visste ikke at fabrikk A var nyere og mindre. Lederen korrigerte oppfordringen: "sammenlign avkastning per enhet, ta hensyn til størrelse og aldersforskjell." Denne gangen var analysen rettferdig og den virkelige forskjellen ble avslørt.
Fire kopierbare maler
1) Trinnvis utvinning av innsikt:
Din rolle: forretningsanalytiker som bistår lederen. Bruk vedlagte anonyme data (periode, kategori, salg, kostnad). Fortsett trinn for trinn: 1) Oppsummer dataene i 4 elementer. 2) Vis de 3 mest bemerkelsesverdige endringene sammenlignet med forrige periode. 3) Foreslå opptil 2 MULIGE grunner for hver endring og oppgi at dette er hypoteser og det er behov for bevis. Ikke lag opp noen tall som ikke finnes i dataene jeg oppgir.
2) Nedbrytningsanalyse (segment):
Selv om de totale tallene virker stabile, vil jeg vite hva som foregår på innsiden. Bryt de vedlagte dataene etter kategori/region/kundesegment. Vis hvilket segment som vokser og hvilket som krymper i en tabell. Merk spesielt reverseringer som maskerer totalen.
3) Korrelasjonsårsakstest:
Jeg fant dette forholdet: [A og B flytter sammen]. Hjelp meg å finne ut om dette er sann årsak og virkning eller bare handling sammen. List opp mulige VANLIGE årsaker og foreslå 3 praktiske kontroller jeg kan gjøre for å teste dette forholdet.
4) Generering av beslutningsopsjoner:
Jeg bekreftet denne innsikten: [innsikt].Ikke bestem deg for meg; generer i stedet 3 forskjellige handlingsalternativer. For hvert alternativ: forventet nytte, estimert kostnad/innsats, stor risiko og hvilken situasjon som bør foretrekkes. Presenter alternativene nøytralt; ikke påtving noen.
Svak forespørsel / Sterk forespørsel
Svak melding:
Hvorfor falt salget?
Ingen data, ingen periode, ingen kontekst. AI lister opp generelle årsaker (økonomi, konkurranse, sesong); Ingen av dem er spesifikke for din situasjon og kan ikke bekreftes.
Kraftig ledetekst:
Din rolle: detaljhandelsanalytiker. Bruk vedlagte anonyme 6-måneders data (måned, region, kategori, antall salg, omsetning). Den totale omsetningen gikk ned med 8 % den siste måneden. Bryt dette ned etter region og kategori; finne ut hvilket segment nedgangen kommer fra. Foreslå opptil 2 testbare hypoteser for hver nedgang du finner. Bare bruk tallene jeg ga deg.
Størrelse
dårlig tilnærming
Sterk tilnærming
Data
Ingen
Anonym og vedlagt
Spørsmål
Det generelle "hvorfor?"
Brudd og fokusert
utgang
Generelle grunner
Testbare hypoteser
Verifiserbarhet
lav
høy
beslutningsverdi
Mindre
høy
Vanlige feil
- Stoler på det totale antallet. Mens totalen er konstant, kan det være store reverseringer inni; Sørg for å se på sammenbruddet.
- Misforstå korrelasjon for årsakssammenheng. Se på forholdet AI finner som en hypotese som skal testes, ikke som bevis.
- Urettferdig sammenligning. Ikke sammenlign enheter av forskjellige størrelser/alder/forhold uten å normalisere dem.
- Be om avgjørelser direkte fra AI. AI genererer alternativer; Du bærer beslutningen og ansvaret.
- Å trekke konklusjoner med enkeltperiodedata. Det kreves nok historiske data for trending.
Forsiktig: Uansett hvor smart en innsikt virker, bør den ikke bli en avgjørelse hvis den ikke kan verifiseres fra dataene dine. "AI-en sa det" er ikke en begrunnelse; «Jeg testet det med data og det ble validert» er en begrunnelse.
Oppsummert
Beslutningsstøtte er stigen som gjør data til innsikt: data, informasjon, innsikt, beslutning. AI er veldig rask i de to første trinnene, en god hjelper i det tredje, og bare en alternativleverandør i det fjerde. Se på sammenbruddene, ikke de totale tallene; Ikke forveksle korrelasjon med årsakssammenheng; Se årsakene AI foreslår som hypoteser som skal testes. Trinnvis tenkning gir mer nøyaktige resultater. Den endelige avgjørelsen er lederens basert på validert innsikt.
Søknadsoppgave
Forbered et anonymt datasett fra bedriften din (f.eks. kategoribasert salg for de siste 6 månedene). Få AI til å utføre en segmentnedbryting med malen for «Sluttanalyse» ovenfor. Lag en hypotese ved å bruke malen "Korrelasjon-årsakssammenheng" for den største endringen du fant og skriv ned hvordan du vil teste denne hypotesen i feltet i 3 punkter.
sjekkliste
- [ ] Har jeg anonymisert dataene?
- [ ] Så jeg på sammenbruddet (segmentet) i stedet for totalen?
- [ ] Behandlet jeg årsaken foreslått av AI som en hypotese?
- [ ] Har jeg satt opp sammenligningene rettferdig (normalisert)?
- [ ] Tok jeg avgjørelsen selv basert på bekreftet innsikt?