Zyski:
- Zdolność do uzyskiwania wiedzy zorientowanej na decyzje na podstawie rozproszonych danych poprzez zrozumienie drabiny dane-informacje-wgląd-decyzja i wdrażanie sztucznej inteligencji krok po kroku
- Umiejętność ujawnienia prawdy ukrytej w liczbach całkowitych poprzez podział na segmenty i odróżnienie korelacji od przyczynowości
- Umiejętność traktowania przesłanek sugerowanych przez sztuczną inteligencję jako hipotez do sprawdzenia i oparcia ostatecznej decyzji na zweryfikowanych spostrzeżeniach
Codziennie na biurko menedżera trafiają dziesiątki liczb: dane dotyczące sprzedaży, koszty, skargi klientów, poziomy zapasów, wskaźniki rotacji pracowników. Ale sama liczba nie jest decyzją. Decyzję rozpoczynamy od dostrzeżenia znaczenia liczby. „Sprzedaż spadła o 8 procent w porównaniu z zeszłym miesiącem” jest rzeczą oczywistą; „Spadek sprzedaży wynika z opóźnienia zamówień przez dwóch dużych klientów z regionu Morza Egejskiego” – można wyciągnąć pewne spostrzeżenie. W tym przypadku wspomaganie decyzji – proces, który sprawia, że dane stają się znaczące dla menedżera w celu podejmowania lepszych decyzji – jest pomostem, który przekształca dane we wgląd. W tej części dowiemy się, jak używać sztucznej inteligencji na tym moście. Granica jest jasna od początku: sztuczna inteligencja generuje wstępne wnioski; Menedżer decyduje, które spostrzeżenia są prawdziwe i co należy zrobić.
Cztery kroki od danych do wglądu
Wspomaganie decyzji to drabina. Pierwsza cyfra — dane: liczby surowe (w tym miesiącu przybyło 1240 zamówień). Druga cyfra — informacja: zredagowano, porównano liczby (spadek o 8 proc. w stosunku do poprzedniego miesiąca). Poziom trzeci — wgląd: zrozumienie przyczyny spadku (opóźnienie ze strony dwóch głównych klientów). Krok czwarty — decyzja: co zrobić (przeprowadzić wywiad z tymi klientami i dotrzeć do nowych klientów). Sztuczna inteligencja jest bardzo szybka na pierwszym i drugim kroku, na trzecim jest dobrym pomocnikiem, oferuje opcje tylko na czwartym.
Znajomość tej drabiny jest ważna, ponieważ większość menedżerów bezpośrednio prosi sztuczną inteligencję, aby „zdecydowała za mnie” i denerwuje się. Jeśli jednak przeprowadzisz AI krok po kroku – najpierw podsumuj, potem porównaj, następnie zakwestionuj możliwe przyczyny, a na koniec sam podejmij decyzję – zrobisz to zarówno szybko, jak i niezawodnie.
Wskazówka: zapytaj sztuczną inteligencję „co wnioskujesz z tych danych?” Zamiast pytać o wszystko na raz, postępuj krok po kroku, mówiąc „najpierw podsumuj, następnie pokaż 3 najbardziej zauważalne zmiany, a następnie zasugeruj 2 możliwe przyczyny każdej z nich”. Myślenie krokowe daje dokładniejsze wyniki.
Pułapka korelacji i przyczynowości
Najbardziej niebezpieczną pułapką wspomagania decyzji jest mylenie korelacji z przyczynowością. Korelacja ma miejsce, gdy dwie rzeczy idą w parze (w lecie sprzedaż lodów i utonięcia rosną razem). Przyczyna ma miejsce wtedy, gdy jedno prowadzi do drugiego (lody nie powodują uduszenia; częstą przyczyną jest upał). Sztuczna inteligencja bardzo dobrze radzi sobie ze znajdowaniem elementów, które łączą się w danych, ale nie potrafi określić, która jest prawdziwą przyczyną. Stwierdzenie „Wzrosły wydatki na reklamę i wzrosła sprzedaż” nie dowodzi, że reklama zwiększyła sprzedaż; być może obydwoje byli dotknięci sezonem świątecznym.
Kiedy więc sztuczna inteligencja sugeruje powód, traktuj go jako hipotezę (założenie, które należy udowodnić), a nie jako fakt. „Jak mogę to przetestować?” zapytać. Dobry menedżer testuje powód, który sugeruje sztuczna inteligencja w terenie lub za pomocą danych.
trzy mini etui
Przypadek 1 — Złapanie tajemniczego upadku. W firmie e-commerce łączne obroty wydawały się stabilne, nikt nie był zaniepokojony. Menedżer przekazuje AI anonimowe miesięczne dane i zadaje pytanie: „Który segment rośnie, a który maleje w zależności od kategorii?” zapytał. YZ wykazało, że chociaż całkowity obrót utrzymywał się na stałym poziomie, kategoria elektroniki o wysokim zysku w rzeczywistości spadła o 22 procent, maskując to sprzedaż akcesoriów o niskim zysku. Menedżer potwierdził to i skupił się na kategorii elektroniki. Całkowita liczba została ukryta; Przerwa ujawniła prawdę.
Przypadek 2 — Bieganie do niewłaściwej przyczyny. Menedżer sieci kawiarni przekazał AI dane o sprzedaży. „Weekendowa sprzedaż zmienia się wraz z temperaturą” – powiedział YZ. Menedżer odczytał to jako „gorąca pogoda zwiększa sprzedaż” i wyłączył klimatyzatory. Jednak prawdziwym powodem był wzmożony ruch klientów w weekend; Temperatura przypadkowo przesunęła się w tym samym kierunku. Menedżer pomylił korelację z przyczynowością. Wyciągnął nauczkę i odtąd sprawdzał każdy powód.
Przypadek 3 — Prawidłowe ustalenie porównania. Porównano efektywność dwóch fabryk w przedsiębiorstwie produkcyjnym. Menedżer pyta sztuczną inteligencję: „Czy fabryka A jest bardziej wydajna niż fabryka B?” – zapytał, ale sztuczna inteligencja nie wiedziała, że fabryka A była nowsza i mniejsza. Menedżer poprawił podpowiedź: „porównaj plon z jednostki, biorąc pod uwagę wielkość i różnicę wieku”. Tym razem analiza była uczciwa i ujawniła prawdziwą różnicę.
Cztery szablony do kopiowania
1) Stopniowe wyodrębnianie spostrzeżeń:
Twoja rola: analityk biznesowy wspierający menedżera. Skorzystaj z załączonych anonimowych danych (okres, kategoria, sprzedaż, koszt). Postępuj krok po kroku: 1) Podsumuj dane w 4 punktach. 2) Pokaż 3 najbardziej zauważalne zmiany w porównaniu do poprzedniego okresu. 3) Zaproponuj maksymalnie 2 MOŻLIWE przyczyny każdej zmiany i zaznacz, że są to hipotezy i potrzebne są dowody. Nie wymyślaj żadnych liczb, których nie ma w podanych przeze mnie danych.
2) Analiza podziału (segmentowa):
Nawet jeśli łączne liczby wydają się stabilne, chcę wiedzieć, co dzieje się w środku. Podziel załączone dane według kategorii/regionu/segmentu klienta. Pokaż w tabeli, który segment rośnie, a który maleje. Szczególnie zaznaczaj odwrócenia, które maskują całość.
3) Test korelacji-przyczynowości:
Znalazłem taki związek: [A i B poruszają się razem]. Pomóż mi rozeznać, czy jest to prawdziwa przyczyna i skutek, czy tylko wspólne działanie. Wymień możliwe WSPÓŁCZESNE przyczyny i zasugeruj 3 praktyczne kontrole, które mogę przeprowadzić, aby przetestować tę zależność.
4) Generowanie opcji decyzyjnych:
Potwierdziłem tę spostrzeżenie: [wgląd]. NIE decyduj za mnie; zamiast tego wygeneruj 3 różne opcje akcji. Dla każdej opcji: oczekiwana korzyść, szacowany koszt/wysiłek, główne ryzyko i która sytuacja powinna być preferowana. Przedstaw opcje w sposób neutralny; nie narzucaj nikomu.
Słaba zachęta/silna zachęta
Słaba zachęta:
Dlaczego sprzedaż spadła?
Żadnych danych, żadnego okresu, żadnego kontekstu. AI wymienia powody ogólne (ekonomia, konkurencja, pora roku); Żaden z nich nie jest specyficzny dla Twojej sytuacji i nie można go zweryfikować.
Potężny monit:
Twoja rola: analityk ds. handlu detalicznego. Skorzystaj z załączonych anonimowych danych za 6 miesięcy (miesiąc, region, kategoria, liczba sprzedaży, obrót). Całkowite obroty spadły w ostatnim miesiącu o 8%. Podziel to według regionu i kategorii; dowiedzieć się, z którego segmentu pochodzi spadek. Zaproponuj maksymalnie 2 sprawdzalne hipotezy dla każdego znalezionego spadku. Po prostu użyj liczb, które ci podałem.
Rozmiar
słabe podejście
Mocne podejście
Dane
Żadne
Anonimowy i załączony
Pytanie
Ogólne „dlaczego?”
Załamany i skupiony
wyjście
Powody ogólne
Testowalne hipotezy
Weryfikowalność
niski
wysoki
wartość decyzji
Mniej
wysoki
Typowe błędy
- Opierając się na całkowitej liczbie. Chociaż suma jest stała, wewnątrz mogą wystąpić duże odwrócenia; Koniecznie spójrz na rozkład.
- Mylenie korelacji z przyczynowością. Postrzegaj związek znaleziony przez sztuczną inteligencję jako hipotezę do sprawdzenia, a nie jako dowód.
- Nieuczciwe porównanie. Nie porównuj jednostek o różnych rozmiarach/wiekach/stanach bez ich normalizacji.
- Żądanie decyzji bezpośrednio od AI. AI generuje opcje; Ponosisz decyzję i odpowiedzialność.
- Wyciąganie wniosków na podstawie danych z jednego okresu. Do określenia trendów wymagane są wystarczające dane historyczne.
Uwaga: niezależnie od tego, jak sprytna wydaje się informacja, nie powinna ona stać się decyzją, jeśli nie można jej zweryfikować na podstawie danych. „AI tak powiedziała” nie jest uzasadnieniem; „Przetestowałem to na danych i zostało to potwierdzone” – to uzasadnienie.
Podsumowując
Wspomaganie decyzji to drabina, która zamienia dane w spostrzeżenia: dane, informacje, spostrzeżenia, decyzje. Sztuczna inteligencja jest bardzo szybka w pierwszych dwóch krokach, w trzecim jest dobrym pomocnikiem, a w czwartym jedynie dostawcą opcji. Spójrz na podziały, a nie na liczby całkowite; Nie myl korelacji z przyczynowością; Zobacz powody, które AI sugeruje jako hipotezy do przetestowania. Myślenie krokowe daje dokładniejsze wyniki. Ostateczna decyzja należy do menedżera w oparciu o potwierdzoną wiedzę.
Zadanie aplikacji
Przygotuj anonimowy zestaw danych dotyczących Twojej firmy (np. sprzedaż według kategorii za ostatnie 6 miesięcy). Poproś sztuczną inteligencję o dokonanie podziału segmentów za pomocą powyższego szablonu „Analiza podziału”. Utwórz hipotezę, korzystając z szablonu „Test korelacji-przyczyny” dla największej znalezionej zmiany i zapisz, w jaki sposób przetestujesz tę hipotezę w terenie w 3 pozycjach.
lista kontrolna
- [ ] Czy zanonimizowałem dane?
- [ ] Czy spojrzałem na podział (segment), a nie na całość?
- [ ] Czy powód sugerowany przez AI potraktowałem jako hipotezę?
- [ ] Czy dokonałem rzetelnych (znormalizowanych) porównań?
- [ ] Czy sam podjąłem tę decyzję na podstawie zweryfikowanych spostrzeżeń?