Zyski:
- Możliwość przekształcenia niejednoznacznego pytania klienta w jasne, możliwe do rozwiązania sformułowanie problemu i ustalenia drzewa hipotez MECE (drzewa problemów) za pomocą sztucznej inteligencji
- Umiejętność wykorzystania sztucznej inteligencji do generowania hipotez i wykrywania martwych punktów oraz własnego osądu, która hipoteza zostanie przetestowana w pierwszej kolejności.
- Umiejętność rozpoznawania i unikania typowych pułapek w konstruowaniu problemu (sprzeczne gałęzie, zakładanie rozwiązania z góry, złe pytanie).
Najkosztowniejszym błędem projektu doradczego jest rozwiązanie złego pytania. Klient pyta „nasza sprzedaż spada, co mamy zrobić?” pojawia się: ale prawdziwe pytanie brzmi: „w którym segmencie, dlaczego i w jakim stopniu jest on pod naszą kontrolą?” mogłoby być. Doświadczony konsultant zaczyna od prawidłowego zdefiniowania problemu, a nie od szukania odpowiedzi. Sztuczna inteligencja jest na tym etapie idealnym partnerem do myślenia: w ciągu kilku minut generuje dziesiątki możliwych przyczyn, pytań pobocznych i hipotez. Ale decyzja, które pytanie jest właściwe, wymaga osądu, a ten osąd należy do ciebie.
W tym module połączymy dwa narzędzia będące podstawą doradztwa ze sztuczną inteligencją: drzewo hipotez (drzewo problemów, diagram drzewa rozgałęziający problem na pytania podrzędne) oraz zasadę MECE (Mutually Exclusive, Collectively Exhaustive — gałęzie nie nakładają się na siebie i razem całkowicie pokrywają problem).
Od niejasnego pytania do rozwiązywalnego problemu
Dobre sformułowanie problemu obejmuje cztery elementy: kto (decydent), co (decyzja), kryteria (według czego mierzy się sukces), granica (zakres i czas trwania). „Spadek sprzedaży” to skarga; „Jakie są 3 najskuteczniejsze dźwignie, które przy obecnym budżecie zwiększą obroty w segmencie B2B o 10% w ciągu najbliższych 12 miesięcy?” jest stwierdzeniem problemu. Możesz dokonać tej transformacji w sztucznej inteligencji, ale najpierw musisz jasno wyjaśnić surową sytuację.
Twoja rola: trener strukturyzacji problemów dla konsultanta ds. zarządzania. Dam ci surową skargę klienta. Twoje zadanie: 1) Przekształć to w jednozdaniowe, mierzalne stwierdzenie problemu (musi zawierać osobę podejmującą decyzję, decyzję, kryteria sukcesu, zakres i czas trwania).2) Ujawnij 3 ukryte założenia, na których opiera się to stwierdzenie.3) Zaproponuj 2 alternatywne ramy problemu, aby zapobiec ryzyku „rozwiązania niewłaściwego pytania”. Surowa skarga: „[słowami klienta…]”
Wskazówka: Przeczytaj klientowi opis problemu. „Więc dla Ciebie sukcesem jest 10% wzrost obrotów B2B w ciągu 12 miesięcy, prawda?” To jedno zdanie przesądza o kierunku projektu i późniejszej debacie „nie chcieliśmy tego” od początku.
Budowa drzewa hipotez przy pomocy sztucznej inteligencji
Gdy problem zostanie wyjaśniony, rozgałęziasz go. Głównym pytaniem jest korzeń drzewa; gałęzie są możliwymi osiami odpowiedzi; liście są hipotezami sprawdzalnymi. Na przykład: „Dlaczego obroty B2B nie rosną?” Pytanie można podzielić na dwie główne gałęzie: (1) pozyskiwanie nowych klientów jest słabe, (2) przychody istniejących klientów maleją. Każdy oddział jest podzielony na własne pododdziały. Dobre drzewo to MECE.
Twoja rola: Ekspert drzewa hipotez MECE.Główne pytanie: „[opis problemu]„Zadanie: rozgałęzij to pytanie na nie więcej niż 2 poziomy.Zasady:- Rozgałęzienia pierwszego poziomu muszą być MECE (bez nakładania się i bez przerw).- Każdy liść musi być zdaniem hipotezy dającym się sprawdzić danymi (w formie „... ponieważ ...”).- Obok każdej hipotezy wpisz pojedyncze źródło danych potrzebne do jej przetestowania.Format: lista wypunktowana. Sonda: Ryzyko nakładania się/przerwy pod nagłówkiem „MECE”. audyt” zaznacz gałęzie.
Sztuczna inteligencja daje drzewo z 15 hipotezami w 3 sekundy. Ale Twoja praca na tym się nie kończy, a zaczyna: wybierasz, które gałęzie są naprawdę MECE i która hipoteza jest najbardziej prawdopodobna i najłatwiejsza do przetestowania.
Priorytetyzacja: którą hipotezę przetestować jako pierwszą
Nie ma czasu na sprawdzanie wszystkich hipotez. Użyj dwóch osi: wpływu (jak duży jest wkład w rozwiązanie, jeśli to prawda) i łatwości (jak szybko/tanio jest przetestować). Na pierwszym miejscu są te, które mają duży wpływ i wysoką wygodę. Nazywa się to „szybką wygraną”.
hipoteza
Efekt (1-5)
Łatwość testowania (1-5)
priorytet
Ceny pozostają w tyle za konkurencją
5
4
Przed
Zespół sprzedaży jest nieodpowiedni w B2B
4
3
wtedy
Występuje luka we właściwościach produktu
4
2
badania
Świadomość marki jest niska
3
2
trzymaj
Możesz wypełnić tę matrycę sztuczną inteligencją; ale przejrzyj wyniki wpływu i wygody, korzystając z własnej wiedzy branżowej. Model często przecenia łatwość testowania.
Twoja rola: analityk ds. ustalania priorytetów. Umieść poniższą listę hipotez w macierzy łatwości oddziaływania. Dla każdej hipotezy: wpływ (1-5), łatwość testowania (1-5), potrzebne jedno źródło danych, zalecenie (przed/po/zbadanie/wstrzymanie). Zasady: optymistycznie oceniaj łatwość, napisz uzasadnienie. Podkreśl 2 hipotezy z najwyższym mnożnikiem „wpływ × łatwość”. Hipotezy: [lista]
trzy mini etui
Przypadek 1 — poprawiono błędne pytanie. Sieć handlowa zapytała: „Mamy dużą rotację pracowników, czy powinniśmy podnieść wynagrodzenia?” pyta. Konsultant otwiera ramę problemu ze sztuczną inteligencją; Model ilustruje trzy ukryte założenia: problemem jest płaca, obrót jest taki sam we wszystkich sklepach, a rozwiązaniem jest płaca. Wyciągnięto dane: 70% obrotów przypada na 3 sklepy i zawsze w tym samym zespole dwóch menadżerów. Prawdziwym pytaniem jest zachowanie menedżera. Podwyżka wynagrodzeń o 14 mln TL byłaby złym rozwiązaniem.
Przypadek 2 — Drzewo inne niż MECE. Konsultant zadaje modelowi pytanie „dlaczego zyski spadają?” Chce to drzewo. Model daje oddziałom „niskie dochody”, „koszty wysokie”, „wzrosła konkurencja”. Pierwsze dwie gałęzie to MECE (zysk = przychód – koszt), ale „wzrost konkurencji” jest przyczyną, a przychód/koszt jest skutkiem; Poziomy oddziałów są mieszane. Konsultant naprawia drzewo: poziom pierwszy to tylko przychody i koszty; Konkurencja powoduje powstanie podgałęzi dochodu.
Przypadek 3 — Ustalenie priorytetów się opłaciło. W firmie tworzącej oprogramowanie B2B generuje się 12 hipotez. Matryca wpływu i wygody umieszcza hipotezę „proces wdrażania jest długi” w polu duży wpływ i duża wygoda. Potwierdzone tygodniową analizą danych: Wskaźnik rezygnacji klientów, którzy nie zostali aktywowani w ciągu 30 dni, jest 3 razy wyższy. Niewielka interwencja (instalacja z przewodnikiem) zmniejsza liczbę rezygnacji o 22%. Sprawdzenie najpierw prawidłowej hipotezy skraca projekt.
Słaba zachęta/silna zachęta
Słaba zachęta:
Zrób mi listę powodów spadku zysków tej firmy.
Model wylicza przyczyny przypadkowe, nakładające się i bezpodstawne; Nie ustanawia ram myślenia.
Potężny monit:
Twoja rola: Specjalista ds. strukturyzowania problemów MECE. Główne pytanie: „Firma właśnie buduje.
Sprawdź pytania o dobrą strukturę problemu
Kiedy skończysz swoje drzewko, zadaj następujące pytania: Możesz także zapytać sztuczną inteligencję, ale ostateczną decyzję podejmujesz Ty:
- Czy podstawowe pytanie to naprawdę pytanie, na które klient chce zdecydować? - Czy gałęzie pierwszego poziomu nakładają się na siebie? (Wzajemnie się wykluczają?) – Czy coś zostało pominięte? (Czy to wszystko razem jest kompletne?) - Czy każdy liść można przetestować na podstawie danych, czy też jest to opinia? - Czy z góry założyłem rozwiązanie? (Na przykład „wynagrodzenie jest rozwiązaniem”)
Typowe błędy
- Umieść rozwiązanie w pytaniu. „Czy powinniśmy obniżyć cenę?” Pytanie zakłada rozwiązanie i sprawia, że inne dźwignie są niewidoczne. Najpierw zapytaj „dlaczego”.
- Nakładające się gałęzie. Jeżeli „klienci korporacyjni” i „duzi klienci” to odrębne oddziały, ten sam klient będzie liczony w dwóch miejscach; MECE jest uszkodzony.
- Poziom mieszania. Umieszczenie przyczyny (konkurencji) na tym samym poziomie, co skutku (spadek przychodów) powoduje, że drzewo jest irracjonalne.
- Liście nietestowane. „Złe zarządzanie” to ocena, a nie hipoteza. „Czas podjęcia decyzji wynosi średnio 40 dni, w branży 12 dni” – to hipoteza, którą można przetestować.
- Akceptacja drzewa modelu takim, jakie jest. AI daje szybki zarys; Audyt MECE i ustalanie priorytetów to Twoje zadanie.
Uwaga: AI przedstawia drzewo hipotez w bardzo przekonujący sposób. Perswazja to nie dokładność. Zawsze ręcznie sprawdzaj drzewo pod kątem MECE; Rysowanie gałęzi za pomocą pióra i papieru często pokazuje nakładanie się, które model przeoczył.
Podsumowując
W konsultingu wartość kryje się we właściwym pytaniu przed właściwą odpowiedzią. Sztuczna inteligencja ma potężną moc w przekształcaniu niejasnej skargi w wymierne sformułowanie problemu, odkrywaniu ukrytych założeń i szybkim szkicowaniu drzewa hipotez. Ale to Ty decydujesz, czy drzewo jest MECE, czy sprawdzalność hipotez i którą z nich chcesz przetestować jako pierwszą. Model wytwarza przeciąg; Zadaniem konsultanta jest posiadanie, kontrolowanie i ustalanie priorytetów problemu.
Zadanie aplikacji
Wybierz prawdziwą lub wyimaginowaną skargę klienta (jedno zdanie). Najpierw przekształć to w mierzalne stwierdzenie problemu i trzy ukryte założenia z silną podpowiedzią do sformułowania problemu. Następnie zbuduj dwupoziomowe drzewo, korzystając z podpowiedzi drzewa hipotez MECE. Ręcznie sprawdź drzewo, aby znaleźć i naprawić co najmniej jeden konflikt lub lukę. Na koniec wypełnij macierz łatwości efektu i wybierz dwie hipotezy do przetestowania jako pierwsze.
lista kontrolna
- [ ] Przekształciłem surową skargę w stwierdzenie problemu z określeniem kto/co/kryteria/zakres/czas trwania.
- [ ] Odkryłem ukryte założenia.
- [ ] Sprawdziłem pierwszy poziom mojego drzewa hipotez jako MECE.
- [ ] Sprawdziłem, że każdy liść jest testowalną hipotezą.
- [ ] Upewniłem się, że nie zakopałem rozwiązania w pytaniu.
- [ ] Priorytetem była matryca łatwości uderzenia.
- [ ] Nie zaakceptowałem ślepo drzewa modelu i poprawiłem je ręcznie.