ਲਾਭ:
- ਡੇਟਾ-ਜਾਣਕਾਰੀ-ਸੂਝ-ਫੈਸਲੇ ਦੀ ਪੌੜੀ ਨੂੰ ਸਮਝ ਕੇ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਕਦਮ-ਦਰ-ਕਦਮ ਚਲਾ ਕੇ ਖਿੰਡੇ ਹੋਏ ਡੇਟਾ ਤੋਂ ਫੈਸਲੇ-ਮੁਖੀ ਸੂਝ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਖੰਡ ਟੁੱਟਣ ਦੁਆਰਾ ਕੁੱਲ ਸੰਖਿਆਵਾਂ ਦੁਆਰਾ ਛੁਪੀ ਹੋਈ ਸੱਚਾਈ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਅਤੇ ਕਾਰਣ-ਕਾਰਨ ਤੋਂ ਸਬੰਧ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਕਾਰਨਾਂ ਨੂੰ ਪਰਖਣ ਲਈ ਅਨੁਮਾਨਾਂ ਵਜੋਂ ਮੰਨਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਸੂਝ 'ਤੇ ਅੰਤਮ ਫੈਸਲੇ ਦਾ ਅਧਾਰ
ਹਰ ਰੋਜ਼ ਮੈਨੇਜਰ ਦੇ ਡੈਸਕ 'ਤੇ ਦਰਜਨਾਂ ਨੰਬਰ ਆਉਂਦੇ ਹਨ: ਵਿਕਰੀ ਦੇ ਅੰਕੜੇ, ਲਾਗਤਾਂ, ਗਾਹਕਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ, ਵਸਤੂਆਂ ਦੇ ਪੱਧਰ, ਕਰਮਚਾਰੀ ਟਰਨਓਵਰ ਦਰਾਂ। ਪਰ ਇਕੱਲੇ ਨੰਬਰ ਦਾ ਫੈਸਲਾ ਨਹੀਂ ਹੈ. ਨੰਬਰ ਦੇ ਅੰਦਰ ਅਰਥ ਦੇਖ ਕੇ ਫੈਸਲਾ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। "ਵਿਕਰੀ ਪਿਛਲੇ ਮਹੀਨੇ ਦੇ ਮੁਕਾਬਲੇ 8 ਪ੍ਰਤੀਸ਼ਤ ਹੇਠਾਂ ਹੈ" ਇੱਕ ਦਿੱਤਾ ਗਿਆ ਹੈ; "ਵਿਕਰੀ ਵਿੱਚ ਕਮੀ ਏਜੀਅਨ ਖੇਤਰ ਵਿੱਚ ਦੋ ਵੱਡੇ ਗਾਹਕਾਂ ਦੁਆਰਾ ਆਪਣੇ ਆਦੇਸ਼ਾਂ ਨੂੰ ਮੁਲਤਵੀ ਕਰਨ ਦੇ ਕਾਰਨ ਹੈ" ਇੱਕ ਸਮਝ ਹੈ। ਇੱਥੇ, ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ - ਉਹ ਪ੍ਰਕਿਰਿਆ ਜੋ ਮੈਨੇਜਰ ਲਈ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣ ਲਈ ਡੇਟਾ ਨੂੰ ਸਾਰਥਕ ਬਣਾਉਂਦੀ ਹੈ - ਉਹ ਪੁਲ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਸੂਝ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਸਿਖਾਂਗੇ ਕਿ ਇਸ ਪੁਲ 'ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਸੀਮਾ ਸ਼ੁਰੂ ਤੋਂ ਸਪੱਸ਼ਟ ਹੈ: AI ਡਰਾਫਟ ਇਨਸਾਈਟਸ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਮੈਨੇਜਰ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਸਮਝ ਅਸਲੀ ਹੈ ਅਤੇ ਕੀ ਕਰਨਾ ਹੈ।
ਡੇਟਾ ਤੋਂ ਇਨਸਾਈਟ ਤੱਕ ਚਾਰ ਕਦਮ
ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ ਇੱਕ ਪੌੜੀ ਹੈ। ਪਹਿਲਾ ਅੰਕ — ਡਾਟਾ: ਕੱਚੇ ਨੰਬਰ (1,240 ਆਰਡਰ ਇਸ ਮਹੀਨੇ ਆਏ)। ਦੂਜਾ ਅੰਕ — ਜਾਣਕਾਰੀ: ਸੰਪਾਦਿਤ, ਤੁਲਨਾਤਮਕ ਸੰਖਿਆ (ਪਿਛਲੇ ਮਹੀਨੇ ਤੋਂ 8 ਪ੍ਰਤੀਸ਼ਤ ਹੇਠਾਂ)। ਤੀਜਾ ਦਰਜਾ — ਸੂਝ: ਗਿਰਾਵਟ ਦੇ ਕਾਰਨ ਦੀ ਸਮਝ (ਦੋ ਪ੍ਰਮੁੱਖ ਗਾਹਕਾਂ ਤੋਂ ਦੇਰੀ)। ਚੌਥਾ ਕਦਮ — ਫੈਸਲਾ: ਕੀ ਕਰਨਾ ਹੈ (ਇਨ੍ਹਾਂ ਗਾਹਕਾਂ ਦੀ ਇੰਟਰਵਿਊ ਲਓ ਅਤੇ ਨਵੇਂ ਗਾਹਕਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਓ)। AI ਪਹਿਲੇ ਅਤੇ ਦੂਜੇ ਪੜਾਅ 'ਤੇ ਬਹੁਤ ਤੇਜ਼ ਹੈ, ਤੀਜੇ 'ਤੇ ਵਧੀਆ ਸਹਾਇਕ ਹੈ, ਸਿਰਫ ਚੌਥੇ 'ਤੇ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦਾ ਹੈ।
ਇਸ ਪੌੜੀ ਨੂੰ ਜਾਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਬੰਧਕ ਸਿੱਧੇ AI ਨੂੰ "ਮੇਰੇ ਲਈ ਫੈਸਲਾ ਕਰਨ" ਲਈ ਕਹਿੰਦੇ ਹਨ ਅਤੇ ਨਿਰਾਸ਼ ਹੋ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਜੇ ਤੁਸੀਂ AI ਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਚੁੱਕਦੇ ਹੋ - ਪਹਿਲਾਂ ਸੰਖੇਪ ਕਰੋ, ਫਿਰ ਤੁਲਨਾ ਕਰੋ, ਫਿਰ ਸੰਭਵ ਕਾਰਨਾਂ 'ਤੇ ਸਵਾਲ ਕਰੋ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਫੈਸਲਾ ਖੁਦ ਕਰੋ - ਤੁਸੀਂ ਤੇਜ਼ ਅਤੇ ਭਰੋਸੇਮੰਦ ਦੋਵੇਂ ਹੋਵੋਗੇ।
ਸੰਕੇਤ: AI ਨੂੰ ਪੁੱਛੋ "ਤੁਸੀਂ ਇਸ ਡੇਟਾ ਤੋਂ ਕੀ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹੋ?" ਸਭ ਨੂੰ ਇੱਕੋ ਵਾਰ ਪੁੱਛਣ ਦੀ ਬਜਾਏ, "ਪਹਿਲਾਂ ਸੰਖੇਪ, ਫਿਰ 3 ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀਆਂ ਦਿਖਾਓ, ਫਿਰ ਹਰੇਕ ਲਈ 2 ਸੰਭਵ ਕਾਰਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ" ਕਹਿ ਕੇ ਕਦਮ ਦਰ ਕਦਮ ਅੱਗੇ ਵਧੋ। ਕਦਮ-ਦਰ-ਕਦਮ ਸੋਚਣਾ ਵਧੇਰੇ ਸਹੀ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ।
ਸਬੰਧ ਅਤੇ ਕਾਰਣ ਜਾਲ
ਫੈਸਲੇ ਦੇ ਸਮਰਥਨ ਦਾ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਨੁਕਸਾਨ ਕਾਰਣਤਾ ਲਈ ਗਲਤ ਸੰਬੰਧ ਹੈ। ਸਬੰਧ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਦੋ ਚੀਜ਼ਾਂ ਇਕੱਠੀਆਂ ਹੁੰਦੀਆਂ ਹਨ (ਗਰਮੀਆਂ ਵਿੱਚ ਆਈਸ ਕ੍ਰੀਮ ਦੀ ਵਿਕਰੀ ਅਤੇ ਡੁੱਬਣਾ ਇਕੱਠੇ ਵਧਦਾ ਹੈ)। ਕਾਰਨ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਦੂਜੇ ਵੱਲ ਜਾਂਦਾ ਹੈ (ਆਈਸ ਕਰੀਮ ਦਮ ਘੁੱਟਣ ਦਾ ਕਾਰਨ ਨਹੀਂ ਬਣਦੀ; ਗਰਮ ਮੌਸਮ ਆਮ ਕਾਰਨ ਹੈ)। AI ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੈ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ ਵਿੱਚ ਇਕੱਠੇ ਚਲਦੀਆਂ ਹਨ, ਪਰ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦਾ ਕਿ ਅਸਲ ਕਾਰਨ ਕੀ ਹੈ। "ਵਿਗਿਆਪਨ ਖਰਚ ਵਧਿਆ ਅਤੇ ਵਿਕਰੀ ਵਧੀ" ਕਹਿਣਾ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ ਕਿ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਨਾਲ ਵਿਕਰੀ ਵਧੀ; ਸ਼ਾਇਦ ਦੋਵੇਂ ਤਿਉਹਾਰਾਂ ਦੇ ਸੀਜ਼ਨ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਸਨ।
ਇਸ ਲਈ ਜਦੋਂ AI ਇੱਕ ਕਾਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਇੱਕ ਪਰਿਕਲਪਨਾ (ਧਾਰਨਾ ਜਿਸ ਨੂੰ ਸਾਬਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ) ਦੇ ਰੂਪ ਵਿੱਚ ਸਮਝੋ, ਇੱਕ ਤੱਥ ਵਜੋਂ ਨਹੀਂ। "ਮੈਂ ਇਸਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰਾਂ?" ਪੁੱਛੋ ਇੱਕ ਚੰਗਾ ਮੈਨੇਜਰ ਖੇਤਰ ਵਿੱਚ ਜਾਂ ਡੇਟਾ ਦੇ ਨਾਲ AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਕਾਰਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਗੁਪਤ ਗਿਰਾਵਟ ਨੂੰ ਫੜਨਾ. ਇੱਕ ਈ-ਕਾਮਰਸ ਕੰਪਨੀ ਵਿੱਚ, ਕੁੱਲ ਟਰਨਓਵਰ ਸਥਿਰ ਜਾਪਦਾ ਸੀ, ਕੋਈ ਵੀ ਘਬਰਾਇਆ ਨਹੀਂ ਸੀ। ਮੈਨੇਜਰ AI ਨੂੰ ਅਗਿਆਤ ਮਹੀਨਾਵਾਰ ਡਾਟਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਪੁੱਛਦਾ ਹੈ ਕਿ "ਕਿਸ ਖੰਡ ਵਧ ਰਿਹਾ ਹੈ ਅਤੇ ਕਿਹੜਾ ਸ਼੍ਰੇਣੀ ਦੇ ਆਧਾਰ 'ਤੇ ਸੁੰਗੜ ਰਿਹਾ ਹੈ?" ਉਸ ਨੇ ਪੁੱਛਿਆ। YZ ਨੇ ਦਿਖਾਇਆ ਕਿ ਜਦੋਂ ਕੁੱਲ ਟਰਨਓਵਰ ਸਥਿਰ ਸੀ, ਉੱਚ-ਮੁਨਾਫ਼ਾ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਸ਼੍ਰੇਣੀ ਅਸਲ ਵਿੱਚ 22 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਡਿੱਗ ਗਈ, ਘੱਟ-ਮੁਨਾਫ਼ਾ ਐਕਸੈਸਰੀ ਵਿਕਰੀ ਇਸ ਨੂੰ ਮਾਸਕ ਕਰਦੀ ਹੈ। ਮੈਨੇਜਰ ਨੇ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਅਤੇ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਸ਼੍ਰੇਣੀ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ। ਕੁੱਲ ਗਿਣਤੀ ਨੂੰ ਛੁਪਾਇਆ ਗਿਆ ਸੀ; ਬ੍ਰੇਕ ਨੇ ਸੱਚਾਈ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ.
ਕੇਸ 2 - ਗਲਤ ਕਾਰਨ ਵੱਲ ਭੱਜਣਾ। ਇੱਕ ਕੈਫੇ ਚੇਨ ਦੇ ਮੈਨੇਜਰ ਨੇ ਏਆਈ ਨੂੰ ਵਿਕਰੀ ਡੇਟਾ ਦਿੱਤਾ। "ਵੀਕੈਂਡ ਦੀ ਵਿਕਰੀ ਮੌਸਮ ਦੇ ਤਾਪਮਾਨ ਦੇ ਨਾਲ ਚਲਦੀ ਹੈ," YZ ਨੇ ਕਿਹਾ। ਮੈਨੇਜਰ ਨੇ ਇਸਨੂੰ "ਗਰਮ ਮੌਸਮ ਵਿਕਰੀ ਵਧਾਉਂਦਾ ਹੈ" ਦੇ ਰੂਪ ਵਿੱਚ ਪੜ੍ਹਿਆ ਅਤੇ ਏਅਰ ਕੰਡੀਸ਼ਨਰ ਬੰਦ ਕਰ ਦਿੱਤੇ। ਹਾਲਾਂਕਿ, ਅਸਲ ਕਾਰਨ ਹਫਤੇ ਦੇ ਅੰਤ ਵਿੱਚ ਵਧੇ ਹੋਏ ਗਾਹਕਾਂ ਦੀ ਆਵਾਜਾਈ ਸੀ; ਤਾਪਮਾਨ ਇਤਫ਼ਾਕ ਨਾਲ ਉਸੇ ਦਿਸ਼ਾ ਵੱਲ ਵਧਿਆ। ਪ੍ਰਬੰਧਕ ਨੇ ਕਾਰਨ ਲਈ ਸਬੰਧ ਨੂੰ ਗਲਤ ਸਮਝਿਆ। ਉਸਨੇ ਆਪਣਾ ਸਬਕ ਸਿੱਖਿਆ ਅਤੇ ਹੁਣ ਤੋਂ ਹਰ ਕਾਰਨ ਦੀ ਪਰਖ ਕੀਤੀ।
ਕੇਸ 3 - ਤੁਲਨਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਥਾਪਿਤ ਕਰਨਾ। ਇੱਕ ਉਤਪਾਦਨ ਉੱਦਮ ਵਿੱਚ ਦੋ ਫੈਕਟਰੀਆਂ ਦੀ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਰਹੀ ਸੀ। ਮੈਨੇਜਰ AI ਨੂੰ ਪੁੱਛਦਾ ਹੈ, "ਕੀ ਫੈਕਟਰੀ A B ਨਾਲੋਂ ਵਧੇਰੇ ਕੁਸ਼ਲ ਹੈ?" ਉਸਨੇ ਪੁੱਛਿਆ, ਪਰ ਏਆਈ ਨੂੰ ਨਹੀਂ ਪਤਾ ਸੀ ਕਿ ਫੈਕਟਰੀ ਏ ਨਵੀਂ ਅਤੇ ਛੋਟੀ ਸੀ। ਮੈਨੇਜਰ ਨੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਠੀਕ ਕੀਤਾ: "ਅਕਾਰ ਅਤੇ ਉਮਰ ਦੇ ਅੰਤਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਪ੍ਰਤੀ ਯੂਨਿਟ ਉਪਜ ਦੀ ਤੁਲਨਾ ਕਰੋ।" ਇਸ ਵਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਨਿਰਪੱਖ ਸੀ ਅਤੇ ਅਸਲ ਅੰਤਰ ਸਾਹਮਣੇ ਆਇਆ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਪੜਾਅਵਾਰ ਸੂਝ ਕੱਢਣ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕਾਰੋਬਾਰੀ ਵਿਸ਼ਲੇਸ਼ਕ ਮੈਨੇਜਰ ਦੀ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ। ਨੱਥੀ ਕੀਤੇ ਅਗਿਆਤ ਡੇਟਾ (ਮਿਆਦ, ਸ਼੍ਰੇਣੀ, ਵਿਕਰੀ, ਲਾਗਤ) ਦੀ ਵਰਤੋਂ ਕਰੋ। ਕਦਮ ਦਰ ਕਦਮ ਅੱਗੇ ਵਧੋ: 1) ਡੇਟਾ ਨੂੰ 4 ਆਈਟਮਾਂ ਵਿੱਚ ਸੰਖੇਪ ਕਰੋ। 2) ਪਿਛਲੀ ਮਿਆਦ ਦੇ ਮੁਕਾਬਲੇ 3 ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀਆਂ ਦਿਖਾਓ। 3) ਹਰੇਕ ਤਬਦੀਲੀ ਲਈ 2 ਤੱਕ ਸੰਭਵ ਕਾਰਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ ਅਤੇ ਦੱਸੋ ਕਿ ਇਹ ਪਰਿਕਲਪਨਾ ਹਨ ਅਤੇ ਸਬੂਤ ਦੀ ਲੋੜ ਹੈ। ਕੋਈ ਵੀ ਸੰਖਿਆ ਨਾ ਬਣਾਓ ਜੋ ਮੇਰੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ।
2) ਬ੍ਰੇਕਡਾਊਨ (ਖੰਡ) ਵਿਸ਼ਲੇਸ਼ਣ:
ਭਾਵੇਂ ਕੁੱਲ ਸੰਖਿਆ ਸਥਿਰ ਜਾਪਦੀ ਹੈ, ਮੈਂ ਜਾਣਨਾ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਅੰਦਰ ਕੀ ਹੋ ਰਿਹਾ ਹੈ। ਅਟੈਚਡ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀ/ਖੇਤਰ/ਗਾਹਕ ਹਿੱਸੇ ਦੁਆਰਾ ਤੋੜੋ। ਸਾਰਣੀ ਵਿੱਚ ਦਿਖਾਓ ਕਿ ਕਿਹੜਾ ਖੰਡ ਵਧ ਰਿਹਾ ਹੈ ਅਤੇ ਕਿਹੜਾ ਸੁੰਗੜ ਰਿਹਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ ਉਲਟਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਕੁੱਲ ਨੂੰ ਮਾਸਕ ਕਰਦੇ ਹਨ।
3) ਸਬੰਧ-ਕਾਰਨ ਜਾਂਚ:
ਮੈਨੂੰ ਇਹ ਰਿਸ਼ਤਾ ਮਿਲਿਆ: [ਏ ਅਤੇ ਬੀ ਇਕੱਠੇ ਚਲਦੇ ਹਨ]। ਇਹ ਸਮਝਣ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ ਕਿ ਕੀ ਇਹ ਸੱਚਾ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਇਕੱਠੇ ਕਾਰਵਾਈ ਹੈ। ਸੰਭਾਵਿਤ ਆਮ ਕਾਰਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ 3 ਵਿਹਾਰਕ ਜਾਂਚਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਮੈਂ ਇਸ ਰਿਸ਼ਤੇ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕਰ ਸਕਦਾ ਹਾਂ।
4) ਫੈਸਲਾ ਵਿਕਲਪ ਪੈਦਾ ਕਰਨਾ:
ਮੈਂ ਇਸ ਸੂਝ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ: [Insight]।ਮੇਰੇ ਲਈ ਫੈਸਲਾ ਨਾ ਕਰੋ; ਇਸਦੀ ਬਜਾਏ, 3 ਵੱਖ-ਵੱਖ ਐਕਸ਼ਨ ਵਿਕਲਪ ਤਿਆਰ ਕਰੋ। ਹਰੇਕ ਵਿਕਲਪ ਲਈ: ਅਨੁਮਾਨਿਤ ਲਾਭ, ਅਨੁਮਾਨਿਤ ਲਾਗਤ/ਜਤਨ, ਵੱਡਾ ਜੋਖਮ, ਅਤੇ ਕਿਹੜੀ ਸਥਿਤੀ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਵਿਕਲਪਾਂ ਨੂੰ ਨਿਰਪੱਖ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ; ਕਿਸੇ ਨੂੰ ਥੋਪੋ ਨਾ.
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਵਿਕਰੀ ਕਿਉਂ ਘਟੀ?
ਕੋਈ ਡਾਟਾ ਨਹੀਂ, ਕੋਈ ਮਿਆਦ ਨਹੀਂ, ਕੋਈ ਪ੍ਰਸੰਗ ਨਹੀਂ। AI ਆਮ ਕਾਰਨਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦਾ ਹੈ (ਆਰਥਿਕਤਾ, ਮੁਕਾਬਲਾ, ਸੀਜ਼ਨ); ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਤੁਹਾਡੀ ਸਥਿਤੀ ਲਈ ਖਾਸ ਨਹੀਂ ਹੈ ਅਤੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਪ੍ਰਚੂਨ ਵਿਸ਼ਲੇਸ਼ਕ। ਅਟੈਚ ਕੀਤੇ ਅਗਿਆਤ 6-ਮਹੀਨੇ ਦੇ ਡੇਟਾ (ਮਹੀਨਾ, ਖੇਤਰ, ਸ਼੍ਰੇਣੀ, ਵਿਕਰੀ ਦੀ ਸੰਖਿਆ, ਟਰਨਓਵਰ) ਦੀ ਵਰਤੋਂ ਕਰੋ। ਪਿਛਲੇ ਮਹੀਨੇ ਕੁੱਲ ਟਰਨਓਵਰ ਵਿੱਚ 8% ਦੀ ਕਮੀ ਆਈ ਹੈ। ਇਸ ਨੂੰ ਖੇਤਰ ਅਤੇ ਸ਼੍ਰੇਣੀ ਦੁਆਰਾ ਤੋੜੋ; ਪਤਾ ਕਰੋ ਕਿ ਗਿਰਾਵਟ ਕਿਸ ਹਿੱਸੇ ਤੋਂ ਆ ਰਹੀ ਹੈ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਲੱਭੀ ਗਈ ਹਰੇਕ ਗਿਰਾਵਟ ਲਈ 2 ਤੱਕ ਪਰੀਖਣਯੋਗ ਅਨੁਮਾਨਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ। ਬੱਸ ਉਹਨਾਂ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਮੈਂ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਹਨ।
ਆਕਾਰ
ਮਾੜੀ ਪਹੁੰਚ
ਮਜ਼ਬੂਤ ਪਹੁੰਚ
ਡਾਟਾ
ਕੋਈ ਨਹੀਂ
ਅਗਿਆਤ ਅਤੇ ਨੱਥੀ
ਸਵਾਲ
ਜਨਰਲ "ਕਿਉਂ?"
ਰਿਫ੍ਰੈਕਟਡ ਅਤੇ ਫੋਕਸ ਕੀਤਾ
ਆਉਟਪੁੱਟ
ਆਮ ਕਾਰਨ
ਪਰਖਣਯੋਗ ਅਨੁਮਾਨ
ਪੁਸ਼ਟੀਕਰਨ
ਘੱਟ
ਉੱਚ
ਫੈਸਲੇ ਦਾ ਮੁੱਲ
ਘੱਟ
ਉੱਚ
ਆਮ ਗਲਤੀਆਂ
- ਕੁੱਲ ਸੰਖਿਆ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਜਦੋਂ ਕਿ ਕੁੱਲ ਸਥਿਰ ਹੈ, ਅੰਦਰ ਵੱਡੇ ਉਲਟ ਹੋ ਸਕਦੇ ਹਨ; ਟੁੱਟਣ 'ਤੇ ਜ਼ਰੂਰ ਨਜ਼ਰ ਮਾਰੋ।
- ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. AI ਨੂੰ ਜਾਂਚੇ ਜਾਣ ਵਾਲੇ ਪਰਿਕਲਪਨਾ ਦੇ ਤੌਰ 'ਤੇ ਲੱਭਿਆ ਗਿਆ ਸਬੰਧ ਦੇਖੋ, ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ।
- ਅਨੁਚਿਤ ਤੁਲਨਾ। ਵੱਖ-ਵੱਖ ਅਕਾਰ/ਉਮਰ/ਸ਼ਰਤਾਂ ਦੀਆਂ ਇਕਾਈਆਂ ਨੂੰ ਸਾਧਾਰਨ ਕੀਤੇ ਬਿਨਾਂ ਤੁਲਨਾ ਨਾ ਕਰੋ।
- ਸਿੱਧੇ AI ਤੋਂ ਫੈਸਲਿਆਂ ਦੀ ਬੇਨਤੀ ਕਰਨਾ। AI ਵਿਕਲਪ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਫੈਸਲਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦੇ ਹੋ।
- ਸਿੰਗਲ ਪੀਰੀਅਡ ਡੇਟਾ ਦੇ ਨਾਲ ਸਿੱਟੇ ਕੱਢਣਾ। ਪ੍ਰਚਲਿਤ ਹੋਣ ਲਈ ਕਾਫ਼ੀ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ।
ਸਾਵਧਾਨ: ਕੋਈ ਸਮਝਦਾਰੀ ਕਿੰਨੀ ਵੀ ਚੁਸਤ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਜੇਕਰ ਇਹ ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਤਾਂ ਇਹ ਫੈਸਲਾ ਨਹੀਂ ਬਣਨਾ ਚਾਹੀਦਾ। “ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ” ਕੋਈ ਜਾਇਜ਼ ਨਹੀਂ ਹੈ; "ਮੈਂ ਇਸਨੂੰ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕੀਤਾ ਅਤੇ ਇਹ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਗਿਆ" ਇੱਕ ਜਾਇਜ਼ ਹੈ.
ਸੰਖੇਪ ਵਿੱਚ
ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ ਉਹ ਪੌੜੀ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਸੂਝ ਵਿੱਚ ਬਦਲਦਾ ਹੈ: ਡੇਟਾ, ਜਾਣਕਾਰੀ, ਸੂਝ, ਫੈਸਲਾ। AI ਪਹਿਲੇ ਦੋ ਕਦਮਾਂ ਵਿੱਚ ਬਹੁਤ ਤੇਜ਼ ਹੈ, ਤੀਜੇ ਵਿੱਚ ਇੱਕ ਚੰਗਾ ਸਹਾਇਕ, ਅਤੇ ਚੌਥੇ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਵਿਕਲਪ ਪ੍ਰਦਾਤਾ ਹੈ। ਟੁੱਟਣ ਨੂੰ ਦੇਖੋ, ਕੁੱਲ ਗਿਣਤੀ ਨਹੀਂ; ਕਾਰਨ ਲਈ ਸਬੰਧ ਨੂੰ ਗਲਤੀ ਨਾ ਕਰੋ; ਉਹਨਾਂ ਕਾਰਨਾਂ ਨੂੰ ਵੇਖੋ ਜੋ AI ਦੁਆਰਾ ਪਰਖ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਅਨੁਮਾਨਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸੁਝਾਏ ਗਏ ਹਨ। ਕਦਮ-ਦਰ-ਕਦਮ ਸੋਚਣਾ ਵਧੇਰੇ ਸਹੀ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ। ਅੰਤਮ ਫੈਸਲਾ ਪ੍ਰਬੰਧਕ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਸਮਝ ਦੇ ਅਧਾਰ ਤੇ ਹੁੰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਕਾਰੋਬਾਰ ਤੋਂ ਇੱਕ ਅਗਿਆਤ ਡੇਟਾ ਸੈੱਟ ਤਿਆਰ ਕਰੋ (ਜਿਵੇਂ ਕਿ ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਲਈ ਸ਼੍ਰੇਣੀ-ਆਧਾਰਿਤ ਵਿਕਰੀ)। AI ਨੂੰ ਉਪਰੋਕਤ "ਬ੍ਰੇਕਡਾਊਨ ਵਿਸ਼ਲੇਸ਼ਣ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ ਇੱਕ ਖੰਡ ਬ੍ਰੇਕਡਾਊਨ ਕਰਨ ਲਈ ਕਹੋ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਾਏ ਗਏ ਸਭ ਤੋਂ ਵੱਡੇ ਬਦਲਾਅ ਲਈ "ਸੰਬੰਧ-ਕਾਰਨ ਜਾਂਚ" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਪਰਿਕਲਪਨਾ ਬਣਾਓ ਅਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ 3 ਆਈਟਮਾਂ ਵਿੱਚ ਖੇਤਰ ਵਿੱਚ ਇਸ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰੋਗੇ।
ਚੈੱਕਲਿਸਟ
- [ ] ਕੀ ਮੈਂ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ ਹੈ?
- [ ] ਕੀ ਮੈਂ ਕੁੱਲ ਦੀ ਬਜਾਏ ਟੁੱਟਣ (ਖੰਡ) ਨੂੰ ਦੇਖਿਆ?
- [ ] ਕੀ ਮੈਂ AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਕਾਰਨ ਨੂੰ ਇੱਕ ਅਨੁਮਾਨ ਵਜੋਂ ਮੰਨਿਆ ਹੈ?
- [ ] ਕੀ ਮੈਂ ਤੁਲਨਾਵਾਂ ਨੂੰ ਨਿਰਪੱਖ ਤੌਰ 'ਤੇ ਸੈੱਟਅੱਪ ਕੀਤਾ ਹੈ (ਸਧਾਰਨ)?
- [ ] ਕੀ ਮੈਂ ਪ੍ਰਮਾਣਿਤ ਸੂਝ ਦੇ ਆਧਾਰ 'ਤੇ ਖੁਦ ਫੈਸਲਾ ਲਿਆ ਸੀ?