ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਆਖਿਆ: ਟੇਬਲਰ ਡੇਟਾ ਦੇ ਨਾਲ ਨਕਲੀ ਬੁੱਧੀ

ਲਾਭ:

• ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਵਿਕਰੀ, ਲਾਗਤ ਅਤੇ ਸੰਚਾਲਨ ਟੇਬਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਰੁਝਾਨਾਂ, ਬਰੇਕਾਂ ਅਤੇ ਆਊਟਲੀਅਰਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ
• ਹਰੇਕ ਗਣਨਾ ਨੂੰ ਦੁਬਾਰਾ ਜਾਂ ਹੱਥੀਂ ਜਾਂਚ ਕੇ ਗਣਿਤ ਦੀਆਂ ਗਲਤੀਆਂ ਅਤੇ ਭੁਲੇਖੇ ਦੇ ਵਿਰੁੱਧ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਵਿਆਖਿਆ ਤੋਂ ਪਹਿਲਾਂ ਕਾਰਨ ਅਤੇ ਪ੍ਰਸ਼ਨ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਨਮੂਨੇ ਦੀਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਸਬੰਧ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਪ੍ਰਬੰਧਨ ਸਲਾਹ-ਮਸ਼ਵਰੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਵਾਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ: "ਨੰਬਰ ਕੀ ਕਹਿੰਦੇ ਹਨ?" ਇੱਕ ਗਾਹਕ ਦਾ ਵਿਕਰੀ ਡੇਟਾ, ਲਾਗਤ ਸਾਰਣੀ, ਗਾਹਕ ਹਿੱਸੇ ਜਾਂ ਸੰਚਾਲਨ ਮੈਟ੍ਰਿਕਸ; ਉਹ ਸਾਰੇ ਇੱਕ ਕਹਾਣੀ ਦੱਸਦੇ ਹਨ। ਸਲਾਹਕਾਰ ਦਾ ਕੰਮ ਉਸ ਕਹਾਣੀ ਨੂੰ ਲੱਭਣਾ, ਇਸ ਨੂੰ ਸਾਬਤ ਕਰਨਾ, ਅਤੇ ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਉਣਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਚਾਰਟ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ, ਰੁਝਾਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਗਣਨਾ ਕਰਦੀ ਹੈ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕੋਡ (ਪਾਈਥਨ, ਐਕਸਲ ਫਾਰਮੂਲਾ) ਵੀ ਤਿਆਰ ਕਰਦੀ ਹੈ। ਪਰ ਇੱਥੇ ਇੱਕ ਖਾਸ ਖ਼ਤਰਾ ਹੈ: AI ਗਣਿਤ ਵਿੱਚ ਚੁੱਪਚਾਪ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਹੀ ਭਰੋਸੇ ਨਾਲ ਗਲਤ ਨੰਬਰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਇਸਲਈ, ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸੁਨਹਿਰੀ ਨਿਯਮ ਹਰ ਇੱਕ ਗਣਨਾ ਨੂੰ ਦੁਬਾਰਾ ਕਰਨਾ ਜਾਂ ਹੱਥੀਂ ਜਾਂਚਣਾ ਹੈ।

ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਦੋ ਤਰੀਕੇ

AI ਨਾਲ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਦੋ ਪ੍ਰਾਇਮਰੀ ਤਰੀਕੇ ਹਨ, ਅਤੇ ਅੰਤਰ ਨੂੰ ਜਾਣਨਾ ਸ਼ੁੱਧਤਾ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।

1. ਮਾਡਲ ਦੀ ਲਿਖਤੀ ਵਿਆਖਿਆ: ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਸਿੱਧੇ ਚੈਟ ਵਿੱਚ ਪੇਸਟ ਕਰਦੇ ਹੋ ਅਤੇ "ਟਿੱਪਣੀ" ਕਹਿੰਦੇ ਹੋ। ਮਾਡਲ ਪੈਟਰਨਾਂ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ ਪਰ ਗਣਨਾਵਾਂ "ਮਾਨਸਿਕ" ਕਰਦਾ ਹੈ; ਇਹ ਗਲਤੀ ਦੇ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਵਾਲਾ ਮਾਰਗ ਹੈ। ਛੋਟੀਆਂ ਟੇਬਲਾਂ ਅਤੇ ਗੁਣਾਤਮਕ ਵਿਆਖਿਆ ਲਈ ਉਚਿਤ, ਸਹੀ ਲੇਖਾ-ਜੋਖਾ ਲਈ ਨਹੀਂ।
2. ਕੋਡ/ਟੂਲ ਜਨਰੇਸ਼ਨ: ਤੁਸੀਂ ਮਾਡਲ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ (ਪਾਈਥਨ/ਪੈਂਡਾ) ਜਾਂ ਐਕਸਲ ਫਾਰਮੂਲਾ ਪ੍ਰਿੰਟ ਕਰਦੇ ਹੋ; ਕੋਡ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਮਾਡਲ ਨਹੀਂ। ਇਹ ਤਰੀਕਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸੇਮੰਦ ਹੈ ਕਿਉਂਕਿ ਅੰਕਗਣਿਤ ਇੱਕ ਨਿਰਣਾਇਕ ਸਾਧਨ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ। ਵੱਡੇ ਡੇਟਾ ਅਤੇ ਸਟੀਕ ਨੰਬਰ ਲਈ ਇਸਨੂੰ ਤਰਜੀਹ ਦਿਓ।

ਸੰਕੇਤ: ਜੇਕਰ ਤੁਹਾਨੂੰ ਇੱਕ ਸਹੀ ਸੰਖਿਆ (ਕੁੱਲ ਟਰਨਓਵਰ, ਔਸਤ, ਵਿਕਾਸ ਦਰ) ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਮਾਡਲ ਨੂੰ "ਐਕਸਲ ਫਾਰਮੂਲਾ/ਪਾਈਥਨ ਕੋਡ ਲਿਖਣ ਲਈ ਕਹੋ ਜੋ ਇਸਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ", ਨਤੀਜਾ ਖੁਦ ਚਲਾਓ। ਮਾਡਲ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਨੰਬਰ ਨੂੰ ਕਦੇ ਵੀ ਅੰਤਿਮ ਨਾ ਸਮਝੋ।

ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰੋਂਪਟ ਕਿਵੇਂ ਸੈਟ ਅਪ ਕਰਨਾ ਹੈ

ਇੱਕ ਚੰਗੇ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਡੇਟਾ, ਪੁੱਛੇ ਗਏ ਸਵਾਲ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਨਿਯਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਹੇਠਾਂ 24-ਮਹੀਨੇ ਦੀ ਵਿਕਰੀ ਚਾਰਟ (ਮਹੀਨਾ, ਖੇਤਰ, ਉਤਪਾਦ, ਮਾਤਰਾ, ਟਰਨਓਵਰ) ਹੈ। ਕਾਰਜ: 1) ਕੁੱਲ ਅਤੇ ਮਹੀਨਾਵਾਰ ਟਰਨਓਵਰ ਰੁਝਾਨ ਦਾ ਸਾਰ ਦਿਓ। 2) 3 ਸਭ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ ਅਤੇ ਸਭ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਸੁੰਗੜਨ ਵਾਲੇ ਖੇਤਰ-ਉਤਪਾਦ ਦਾ ਪਤਾ ਲਗਾਓ। 3) ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕੀ ਕੋਈ ਬਾਹਰੀ ਵਿਅਕਤੀ ਹਨ (ਅਚਾਨਕ ਛਾਲ/ਡਿੱਗਣਾ)। ਨਿਯਮ: - ਐਕਸਲ ਫਾਰਮੂਲਾ ਲਿਖੋ ਜੋ ਹਰੇਕ ਗਣਨਾ ਨੂੰ ਇਸਦੇ ਅੱਗੇ ਬਣਾਉਂਦਾ ਹੈ; ਮੈਂ ਤਸਦੀਕ ਕਰਾਂਗਾ।- ਵਿਆਖਿਆ ਨੂੰ ਡੇਟਾ ਤੋਂ ਵੱਖ ਕਰੋ: ਪਹਿਲਾਂ “ਡਾਟਾ ​​ਕਹਿੰਦਾ ਹੈ”, ਫਿਰ “ਸੰਭਾਵੀ ਅਰਥ”।- ਕਾਰਣ ਦਾ ਦਾਅਵਾ ਨਾ ਕਰੋ; ਸਿਰਫ਼ ਪੈਟਰਨ ਦਿਖਾਓ।

ਇਸ ਬੇਨਤੀ ਵਿੱਚ ਤਿੰਨ ਨਾਜ਼ੁਕ ਤੱਤ ਹਨ: ਫਾਰਮੂਲੇ ਦੀ ਲੋੜ (ਪੁਸ਼ਟੀਯੋਗਤਾ), ਡੇਟਾ ਨੂੰ ਵਿਆਖਿਆ (ਇਕਸਾਰਤਾ) ਤੋਂ ਵੱਖ ਕਰਨਾ, ਅਤੇ ਕਾਰਨ ਦੇ ਦਾਅਵੇ (ਅਗਲੇ ਸੈਕਸ਼ਨ ਦਾ ਵਿਸ਼ਾ) ਦੀ ਮਨਾਹੀ।

ਸਬੰਧ ਕਾਰਨ ਨਹੀਂ ਹੈ

ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਮਹਿੰਗੀ ਤਰਕਪੂਰਨ ਗਲਤੀ ਇਹ ਮੰਨ ਰਹੀ ਹੈ ਕਿ ਦੋ ਚੀਜ਼ਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਨਾਲ ਦੂਜੀ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਸਿਰਫ਼ ਕਿਉਂਕਿ ਦੋ ਵੇਰੀਏਬਲ ਇਕੱਠੇ ਵਧਦੇ ਹਨ (ਸਬੰਧ) ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰਦੇ ਕਿ ਇੱਕ ਦੂਜੇ (ਕਾਰਨ) ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ; ਕੋਈ ਤੀਜਾ ਕਾਰਕ ਜਾਂ ਇਤਫ਼ਾਕ ਹੋ ਸਕਦਾ ਹੈ। ਕਲਾਸਿਕ ਉਦਾਹਰਨ: ਜਿਵੇਂ ਕਿ ਆਈਸਕ੍ਰੀਮ ਦੀ ਵਿਕਰੀ ਵਧਦੀ ਹੈ, ਉਸੇ ਤਰ੍ਹਾਂ ਡੁੱਬਦੇ ਹਨ; ਕਾਰਨ ਆਈਸਕ੍ਰੀਮ ਨਹੀਂ, ਗਰਮ ਮੌਸਮ ਦੋਵਾਂ ਨੂੰ ਚੁੱਕਦਾ ਹੈ।

AI ਆਸਾਨੀ ਨਾਲ ਇੱਕ ਸਬੰਧ ਲਿਖ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ "X ਵਧਾਉਂਦਾ ਹੈ Y"। ਜਦੋਂ ਸਲਾਹਕਾਰ ਇਸ ਵਾਕ ਨੂੰ ਦੇਖਦਾ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਰੁਕਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ: "ਕੀ ਇਹ ਅਸਲ ਵਿੱਚ ਕਾਰਨ ਹੈ, ਜਾਂ ਕੀ ਕੋਈ ਲੁਕਿਆ ਹੋਇਆ ਕਾਰਕ ਹੈ?" ਕਾਰਨ ਦਾ ਦਾਅਵਾ; ਨਿਯੰਤਰਿਤ ਤੁਲਨਾ ਲਈ ਸਮਾਂ ਕ੍ਰਮ ਅਤੇ ਡੋਮੇਨ ਦੇ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਨਾਜ਼ੁਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਨਿਮਨਲਿਖਤ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ "X ਵਧਾਉਂਦਾ ਹੈ Y" ਦਾ ਦਾਅਵਾ ਸ਼ਾਮਲ ਹੈ। ਕਾਰਜ:- ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਇਹ ਸਬੰਧ ਸਬੰਧ ਹੈ ਜਾਂ ਜਾਇਜ਼ ਕਾਰਨ।- 3 ਸੰਭਾਵਿਤ ਅਪ੍ਰਤੱਖ (ਤੀਜੇ) ਕਾਰਕਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ।- ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਵਾਧੂ ਸਬੂਤ (ਤੁਲਨਾ ਸਮੂਹ, ਸਮਾਂ ਕ੍ਰਮ) ਦੀ ਲੋੜ ਹੈ। "ਸੰਭਵ" ਅਤੇ "ਟੈਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ" ਲਿਖੋ।

ਵਿਆਖਿਆ ਤੋਂ ਪਹਿਲਾਂ ਡਾਟਾ ਗੁਣਵੱਤਾ 'ਤੇ ਸਵਾਲ ਉਠਾਉਣਾ

ਚੰਗਾ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾੜੇ ਡੇਟਾ ਤੋਂ ਨਹੀਂ ਆਉਂਦਾ। ਟਿੱਪਣੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹਰੇਕ ਚਾਰਟ ਨੂੰ ਇਹ ਸਵਾਲ ਪੁੱਛੋ:

ਕੰਟਰੋਲ

ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?

ਦੇਖਭਾਲ ਕਿਵੇਂ ਕਰਨੀ ਹੈ

ਗੁੰਮ ਡਾਟਾ

ਖਾਲੀ ਸੈੱਲ ਮੱਧਮ ਨੂੰ ਵਿਗਾੜਦੇ ਹਨ

ਖਾਲੀ/ਜ਼ੀਰੋ ਅਨੁਪਾਤ ਦੀ ਗਿਣਤੀ ਕਰੋ

ਬਾਹਰਲੇ

ਇੱਕ ਸਿੰਗਲ ਆਊਟਲੀਅਰ ਰੁਝਾਨ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ

ਨਿਊਨਤਮ-ਅਧਿਕਤਮ ਅਤੇ ਵੰਡ ਨੂੰ ਦੇਖੋ

ਪਰਿਭਾਸ਼ਾ ਇਕਸਾਰਤਾ

ਕੀ ਹਰ ਮਹੀਨੇ "ਟਰਨਓਵਰ" ਇੱਕੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ?

ਕਾਲਮ ਪਰਿਭਾਸ਼ਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ

ਸਮਾਂ ਸੀਮਾ

ਕੀ ਮੌਸਮੀਤਾ ਗੁੰਮਰਾਹ ਕਰਦੀ ਹੈ?

ਸਾਲ-ਦਰ-ਸਾਲ ਦੀ ਤੁਲਨਾ ਕਰੋ

ਨਮੂਨਾ

ਕੀ ਡੇਟਾ ਪੂਰੇ ਬ੍ਰਹਿਮੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ?

ਕਵਰੇਜ ਦਰ ਲਈ ਪੁੱਛੋ

ਇਸ ਸਾਰਣੀ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਡੇਟਾ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰੋ: - ਗੁੰਮ/ਜ਼ੀਰੋ ਸੈੱਲ ਅਨੁਪਾਤ ਕੀ ਹੈ? - ਕਿਹੜੀਆਂ ਕਤਾਰਾਂ ਵਿੱਚ ਅਤਿਅੰਤ (ਆਊਟਲੀਅਰ) ਮੁੱਲ ਹਨ? - ਕੀ ਕਾਲਮ ਪਰਿਭਾਸ਼ਾਵਾਂ ਇਕਸਾਰ ਹਨ, ਕੀ ਕੋਈ ਸ਼ੱਕੀ ਹਨ? ਸਿਰਫ਼ ਇੱਕ ਆਡਿਟ ਰਿਪੋਰਟ ਦਿਓ; ਅਜੇ ਟਿੱਪਣੀ ਨਾ ਕਰੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਚੁੱਪ ਅੰਕਗਣਿਤ ਗਲਤੀ। ਇੱਕ ਸਲਾਹਕਾਰ ਨੇ ਮਾਡਲ ਨੂੰ 12 ਮਹੀਨਿਆਂ ਦਾ ਟਰਨਓਵਰ ਇਕੱਠਾ ਕੀਤਾ ਹੈ; ਮਾਡਲ "142.6 ਮਿਲੀਅਨ" ਕਹਿੰਦਾ ਹੈ। ਸਲਾਹਕਾਰ ਐਕਸਲ ਵਿੱਚ ਜਾਂਚ ਕਰਦਾ ਹੈ: ਅਸਲ ਕੁੱਲ 128.4 ਮਿਲੀਅਨ; ਮਾਡਲ ਨੇ ਦੋ ਮਹੀਨੇ ਗਲਤ ਜੋੜ ਦਿੱਤੇ। ਜੇਕਰ ਮਾਨਸਿਕ ਗਣਨਾ ਦੀ ਬਜਾਏ ਕੋਈ ਫਾਰਮੂਲਾ ਮੰਗਿਆ ਜਾਂਦਾ ਤਾਂ ਕੋਈ ਗਲਤੀ ਨਹੀਂ ਹੋਣੀ ਸੀ। ਜੇ ਪੇਸ਼ਕਾਰੀ ਵਿੱਚ ਗਲਤ ਨੰਬਰ ਦਰਜ ਕੀਤਾ ਗਿਆ ਹੁੰਦਾ, ਤਾਂ ਗਾਹਕਾਂ ਦਾ ਵਿਸ਼ਵਾਸ ਹਿੱਲ ਜਾਣਾ ਸੀ।

ਕੇਸ 2 - ਜਾਅਲੀ ਕਾਰਨ। ਇੱਕ ਰਿਟੇਲਰ ਵਿੱਚ, ਮਾਡਲ ਕਹਿੰਦਾ ਹੈ, "ਜਦੋਂ ਛੋਟ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਗਈ ਸੀ, ਉਹਨਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਟਰਨਓਵਰ ਵਧਿਆ, ਇਸ ਲਈ ਛੋਟ ਟਰਨਓਵਰ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।" ਸਲਾਹਕਾਰ ਰੁਕ ਜਾਂਦਾ ਹੈ: ਛੁੱਟੀਆਂ ਦੌਰਾਨ ਪਹਿਲਾਂ ਹੀ ਛੋਟਾਂ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ; ਮੁੱਖ ਡਰਾਈਵਰ ਛੁੱਟੀ ਦੀ ਮੰਗ ਹੈ. ਛੂਟ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਣ ਲਈ, ਬਿਨਾਂ ਛੂਟ ਦੇ ਛੁੱਟੀਆਂ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਗਲਤ ਅਨੁਮਾਨ ਇੱਕ ਹਾਸ਼ੀਏ-ਬਰਨਿੰਗ ਸੁਝਾਅ ਨੂੰ ਰੋਕਦਾ ਹੈ ਜਿਵੇਂ "ਚਲੋ ਹਰ ਮਹੀਨੇ ਛੂਟ"।

ਕੇਸ 3 - ਬਾਹਰੀ ਜਾਲ। ਇੱਕ ਜ਼ੋਨ ਔਸਤ ਆਰਡਰ ਮੁੱਲ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਉੱਚਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਮਾਡਲ ਇਸਨੂੰ "ਪ੍ਰੀਮੀਅਮ ਜ਼ੋਨ" ਵਜੋਂ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਸਲਾਹਕਾਰ ਲਾਈਨ ਖੋਲ੍ਹਦਾ ਹੈ: 4.2 ਮਿਲੀਅਨ ਦੇ ਇੱਕ ਸਿੰਗਲ ਕਾਰਪੋਰੇਟ ਆਰਡਰ ਨੇ ਔਸਤ ਨੂੰ ਵਧਾਇਆ; ਜਦੋਂ ਉਹ ਲਾਈਨ ਹਟਾ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਖੇਤਰ ਆਮ ਹੁੰਦਾ ਹੈ। ਮੱਧਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਪਹਿਲੀ ਥਾਂ 'ਤੇ ਇਸ ਜਾਲ ਤੋਂ ਬਚਿਆ ਜਾਵੇਗਾ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਵਿਕਰੀ ਚਾਰਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਮੁੱਖ ਨਤੀਜਿਆਂ ਨੂੰ ਦੱਸੋ।

ਮਾਡਲ ਸਿਰੇ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਪ੍ਰਮਾਣਿਤ ਖੋਜਾਂ ਦਿੰਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸੁਚੇਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਪਹਿਲਾਂ ਡੇਟਾ ਗੁਣਵੱਤਾ ਆਡਿਟ ਕਰੋ (ਗੁੰਮ, ਬਾਹਰੀ, ਪਰਿਭਾਸ਼ਾ ਇਕਸਾਰਤਾ)। ਫਿਰ: ਮਹੀਨਾਵਾਰ ਰੁਝਾਨ, ਚੋਟੀ ਦੇ 3 ਟੁੱਟਣ, ਆਊਟਲੀਅਰ।- ਹਰੇਕ ਖਾਤੇ ਲਈ ਐਕਸਲ ਫਾਰਮੂਲਾ ਲਿਖੋ; ਮੈਂ ਤਸਦੀਕ ਕਰਾਂਗਾ।- ਮਤਲਬ ਦੀ ਬਜਾਏ ਮੱਧਮਾਨ ਵੀ ਦਿਓ (ਬਾਹਰਲੇ ਪ੍ਰਭਾਵ ਨੂੰ ਵੇਖਣ ਲਈ)।- "ਸੰਭਾਵੀ ਅਰਥ" ਤੋਂ "ਡਾਟਾ ਕਹਿੰਦਾ ਹੈ" ਨੂੰ ਵੱਖਰਾ ਕਰੋ; ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਨਾ ਕਰੋ। - "ਅਸਪਸ਼ਟ" ਮਾਰਕ ਕਰੋ ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ।

ਵਿਭਾਜਨ: ਸੱਚਾਈ ਔਸਤ ਲੁਕਾਉਂਦੀ ਹੈ

ਸਲਾਹ-ਮਸ਼ਵਰੇ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਚਾਲ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਵਿਭਾਜਨ: ਅਰਥਪੂਰਨ ਉਪ ਸਮੂਹਾਂ ਵਿੱਚ ਕੁੱਲ ਸੰਖਿਆ ਨੂੰ ਤੋੜਨਾ। "ਔਸਤ ਗਾਹਕ" ਅਕਸਰ ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਨਿਰਮਾਣ ਹੁੰਦਾ ਹੈ; ਸਬ-ਗਰੁੱਪਾਂ ਵਿੱਚ ਸੱਚ ਛੁਪਿਆ ਹੋਇਆ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਕਿ ਔਸਤ ਮੁਨਾਫਾ ਮਾਰਜਿਨ 8% ਜਾਪਦਾ ਹੈ, 20% ਗਾਹਕ 25% ਮਾਰਜਿਨ ਲਿਆ ਸਕਦੇ ਹਨ ਅਤੇ 30% ਨੁਕਸਾਨ ਕਰਦੇ ਹਨ; ਔਸਤ ਇਸ ਤੱਥ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲੁਕਾਉਂਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਤੁਹਾਨੂੰ ਵੱਖ-ਵੱਖ ਧੁਰਿਆਂ (ਗਾਹਕ ਕਿਸਮ, ਖੇਤਰ, ਉਤਪਾਦ, ਚੈਨਲ) ਵਿੱਚ ਇੱਕ ਚਾਰਟ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਤੋੜਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਅਤੇ ਇਹ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਕਿਹੜਾ ਬ੍ਰੇਕਡਾਊਨ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਦਿਖਾਉਂਦਾ ਹੈ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਸਾਰਣੀ ਹੇਠਾਂ ਦਿੱਤੀ ਗਈ ਹੈ। ਟਾਸਕ: ਇਸ ਡੇਟਾ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਧੁਰੇ 'ਤੇ ਤੋੜੋ: [ਗਾਹਕ ਕਿਸਮ / ਖੇਤਰ / ਉਤਪਾਦ]। ਹਰੇਕ ਸਮੂਹ ਲਈ: ਕੁੱਲ, ਸ਼ੇਅਰ (%), ਮਤਲਬ ਅਤੇ ਮੱਧਮਾਨ, ਸਮੂਹ ਦਾ ਆਕਾਰ (n)। ਨਿਯਮ:- ਜੇਕਰ ਗਰੁੱਪ n ​​<30, "ਛੋਟਾ ਨਮੂਨਾ - ਧਿਆਨ" 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ।- ਹਰੇਕ ਖਾਤੇ ਲਈ ਫਾਰਮੂਲਾ ਲਿਖੋ; ਮੈਂ ਤਸਦੀਕ ਕਰਾਂਗਾ।- ਸਭ ਤੋਂ ਉੱਚਾ ਅਤੇ ਨੀਵਾਂ ਸਮੂਹ ਦਿਖਾਓ; ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਅੰਤਰ ਅਸਲ ਹੈ ਜਾਂ ਇੱਕ ਸਿੰਗਲ ਆਊਟਲੀਅਰ ਕਾਰਨ ਹੈ। ਪਹਿਲਾਂ ਮੈਂ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹਾਂ ਕਿ ਮੈਂ ਕਿਸ ਵਿਗਾੜ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹਾਂ: [ਪਰਕਿਆ]।

ਆਮ ਗਲਤੀਆਂ

• ਮਾਡਲ ਦੇ ਸਿਰ ਦੀ ਗਣਨਾ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ. ਅੰਕਗਣਿਤ ਨੂੰ ਨਿਰਧਾਰਕ ਟੂਲ (ਐਕਸਲ/ਪਾਈਥਨ) ਲਈ ਆਊਟਸੋਰਸ ਕਰੋ; ਨਤੀਜਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਚੈੱਕ ਕਰੋ।
• ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. ਬਿਨਾਂ ਸਬੂਤ ਦੇ "X ਵਧਾਉਂਦਾ ਹੈ Y" ਵਾਕ ਨਾ ਲਿਖੋ; ਲੁਕਵੇਂ ਕਾਰਕ ਬਾਰੇ ਪੁੱਛੋ।
• ਅੰਨ੍ਹੇਵਾਹ ਔਸਤ ਵੱਲ ਦੇਖ ਰਿਹਾ ਹੈ। ਸਿੰਗਲ ਆਊਟਲੀਅਰ ਮੱਧਮਾਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ; ਮੱਧਮਾਨ ਅਤੇ ਵੰਡ ਨੂੰ ਵੀ ਦੇਖੋ।
• ਡਾਟਾ ਗੁਣਵੱਤਾ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਅਧੂਰੇ, ਡੁਪਲੀਕੇਟ ਜਾਂ ਅਸੰਗਤ ਡੇਟਾ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਵਿਆਖਿਆਵਾਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ; ਪਹਿਲਾਂ ਜਾਂਚ ਕਰੋ।
• ਉਦਾਹਰਣ ਨੂੰ ਭੁੱਲਣਾ. ਇੱਕ ਛੋਟੇ ਜਾਂ ਪੱਖਪਾਤੀ ਨਮੂਨੇ ਤੋਂ ਸਮੁੱਚੀ ਆਬਾਦੀ ਨੂੰ ਸਾਧਾਰਨ ਬਣਾਉਣਾ ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰੇਗਾ।
• ਵਿਆਖਿਆ ਦੇ ਨਾਲ ਡੇਟਾ ਨੂੰ ਉਲਝਾਉਣਾ। ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਦਿਖਾਓ ਕਿ ਮਾਪ ਕੀ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਕੀ ਹੈ।

ਧਿਆਨ ਦਿਓ: ਜੇਕਰ ਵਿੱਤੀ, ਸਿਹਤ ਜਾਂ ਸੰਚਾਲਨ ਸੁਰੱਖਿਆ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਨਤੀਜਾ ਕਿਸੇ ਫੈਸਲੇ ਦਾ ਆਧਾਰ ਹੋਵੇਗਾ, ਤਾਂ ਗਣਨਾਵਾਂ ਅਤੇ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਸਬੰਧਤ ਮਾਹਰ (ਵਿੱਤੀ ਸਲਾਹਕਾਰ, ਐਕਟਚੂਰੀ, ਫੀਲਡ ਮਾਹਰ) ਦੁਆਰਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪੈਦਾ ਕਰਦੀ ਹੈ; ਅੰਤਮ ਮੁਲਾਂਕਣ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖਾਂ ਦੀ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਨਕਲੀ ਬੁੱਧੀ ਸਾਰਣੀਬੱਧ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ, ਰੁਝਾਨਾਂ ਅਤੇ ਟੁੱਟਣ ਨੂੰ ਲੱਭਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਬਣਾਉਣ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਪਰ ਕਿਉਂਕਿ ਇਹ ਅੰਕਗਣਿਤ ਵਿੱਚ ਚੁੱਪਚਾਪ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਹਰੇਕ ਗਣਨਾ ਨੂੰ ਇੱਕ ਨਿਰਧਾਰਨ ਟੂਲ ਨਾਲ ਦੁਬਾਰਾ ਕੀਤਾ ਜਾਵੇ ਅਤੇ ਹੱਥੀਂ ਜਾਂਚ ਕੀਤੀ ਜਾਵੇ। ਕਾਰਣ-ਸੰਬੰਧੀ ਨੂੰ ਕਾਰਣ ਤੋਂ ਵੱਖ ਕਰਨਾ, ਮੱਧਮਾਨ ਦੇ ਅੱਗੇ ਮੱਧ ਨੂੰ ਦੇਖਣਾ, ਵਿਆਖਿਆ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਅਤੇ ਨਮੂਨੇ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਨਿਰੀਖਣ ਕਰਨਾ ਸਲਾਹ-ਮਸ਼ਵਰੇ ਦੇ ਬੁਨਿਆਦੀ ਅਨੁਸ਼ਾਸਨ ਹਨ। ਮਾਡਲ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ; ਲੋਕ ਅਰਥ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਬਣਾਉਂਦੇ ਹਨ.

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਅਸਲ ਜਾਂ ਪ੍ਰਤੀਨਿਧੀ ਵਿਕਰੀ/ਲਾਗਤ ਬਿਆਨ ਚੁਣੋ। ਪਹਿਲਾਂ ਡਾਟਾ ਗੁਣਵੱਤਾ ਜਾਂਚ ਪ੍ਰੋਂਪਟ ਚਲਾਓ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਮੁੱਦਾ ਲੱਭੋ (ਗੁੰਮ, ਬਾਹਰੀ, ਪਰਿਭਾਸ਼ਾ ਅਸੰਗਤਤਾ)। ਫਿਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰੋਂਪਟ ਨਾਲ ਰੁਝਾਨਾਂ ਅਤੇ ਬ੍ਰੇਕਆਉਟ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ; ਨਾਲ ਹੀ ਹਰੇਕ ਖਾਤੇ ਲਈ ਫਾਰਮੂਲੇ ਦੀ ਦਸਤੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਮੱਧਮਾਨ ਨਾਲ ਮੱਧਮਾਨ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਇੱਕ ਬਾਹਰੀ ਪ੍ਰਭਾਵ ਦਾ ਪਤਾ ਲਗਾਓ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਕਾਰਨ ਦਾ ਦਾਅਵਾ ਲੱਭੋ ਜੋ ਮਾਡਲ ਲਿਖਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ "ਸਬੰਧ" ਦੇ ਰੂਪ ਵਿੱਚ ਦੁਹਰਾਉਂਦਾ ਹੈ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਨਿਰਣਾਇਕ ਟੂਲ (ਐਕਸਲ/ਪਾਈਥਨ) ਨਾਲ ਹਰੇਕ ਸਹੀ ਗਣਨਾ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਇਆ।
• [ ] ਮੈਂ ਟਿੱਪਣੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਡਾਟਾ ਗੁਣਵੱਤਾ ਜਾਂਚ ਕੀਤੀ।
• ਮੱਧਮਾਨ ਤੋਂ ਇਲਾਵਾ, ਮੈਂ ਮੱਧਮਾਨ ਅਤੇ ਵੰਡ ਨੂੰ ਦੇਖਿਆ।
• [ ] ਮੈਂ ਸਬੰਧ-ਕਾਰਨ ਅੰਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਨਮੂਨੇ ਅਤੇ ਸਮਾਂ ਮਿਆਦ ਦੀਆਂ ਸੀਮਾਵਾਂ 'ਤੇ ਸਵਾਲ ਕੀਤਾ।
• [ ] ਮੈਂ "ਡਾਟਾ ਕਹਿੰਦਾ ਹੈ" ਅਤੇ "ਸੰਭਾਵੀ ਅਰਥ" ਨੂੰ ਵੱਖ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਨਿਰਣਾਇਕ-ਨਾਜ਼ੁਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਮਾਹਰ ਪ੍ਰਵਾਨਗੀ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ।