Прибыль:
- Способность получать аналитическую информацию, ориентированную на принятие решений, на основе рассредоточенных данных, понимая лестницу «данные-информация-понимание-решения» и шаг за шагом применяя искусственный интеллект.
- Способность раскрывать правду, скрытую под общими числами, посредством разбивки по сегментам и отличать корреляцию от причинно-следственной связи.
- Способность рассматривать причины, предложенные искусственным интеллектом, как гипотезы, подлежащие проверке, и основывать окончательное решение на проверенных знаниях.
Ежедневно на стол менеджера поступают десятки цифр: данные о продажах, затратах, жалобах клиентов, уровне запасов, текучести кадров. Но количество само по себе не является решающим фактором. Решение начинается с понимания смысла числа. «Продажи упали на 8 процентов по сравнению с прошлым месяцем» — это данность; «Снижение продаж связано с тем, что два крупных клиента в Эгейском регионе отложили выполнение своих заказов», — следует из предположения. Здесь поддержка принятия решений — процесс, который делает данные значимыми для менеджера, чтобы он мог принимать более правильные решения — является мостом, который превращает данные в ценную информацию. В этом разделе мы научимся использовать ИИ на этом мосту. Граница ясна с самого начала: ИИ выдает черновые идеи; Менеджер решает, какой инсайт реален и что делать.
Четыре шага от данных к знаниям
Поддержка принятия решений — это лестница. Первая цифра — данные: сырые цифры (в этом месяце поступило 1240 заказов). Вторая цифра — информация: отредактированные, сравненные цифры (на 8 процентов меньше, чем в прошлом месяце). Третий уровень — инсайт: понимание причины отказа (задержка от двух крупных клиентов). Шаг четвертый — решение: что делать (опросить этих клиентов и нацелиться на новых клиентов). ИИ очень быстр на первом и втором шагах, является хорошим помощником на третьем, предлагает варианты только на четвёртом.
Знать эту лестницу важно, потому что большинство менеджеров напрямую просят ИИ «решить за меня» и расстраиваются. Однако если вы будете осуществлять ИИ шаг за шагом — сначала обобщить, затем сравнить, затем подвергнуть сомнению возможные причины и, наконец, принять решение самостоятельно — вы будете и быстрыми, и надежными.
Подсказка: спросите ИИ: «Что вы делаете из этих данных?» Вместо того, чтобы спрашивать все сразу, действуйте шаг за шагом, говоря: «Сначала подведите итог, затем покажите 3 наиболее заметных изменения, затем предложите 2 возможные причины для каждого». Поэтапное мышление дает более точные результаты.
Ловушка корреляции и причинности
Самая опасная ошибка поддержки принятия решений — ошибочное принятие корреляции за причинно-следственную связь. Корреляция — это когда две вещи движутся вместе (летом продажи мороженого и количество утоплений растут одновременно). Причинно-следственная связь – это когда одно влечет за собой другое (мороженое не вызывает удушья, частая причина – жаркая погода). ИИ очень хорошо находит в ваших данных вещи, которые движутся вместе, но он не может определить, что является реальной причиной. Утверждение: «Расходы на рекламу увеличились, а продажи увеличились» не доказывает, что реклама увеличила продажи; возможно, на обоих повлиял праздничный сезон.
Поэтому, когда ИИ предлагает причину, рассматривайте ее как гипотезу (предположение, которое необходимо доказать), а не как факт. «Как мне это проверить?» просить. Хороший менеджер проверяет причину, которую подсказывает ИИ, на местах или с помощью данных.
три мини-кейса
Случай 1 — Ловля тайного падения. В компании, занимающейся электронной коммерцией, общий оборот казался стабильным, и это никого не беспокоило. Менеджер передает ИИ анонимные ежемесячные данные и спрашивает: «Какой сегмент растет, а какой сокращается по категориям?» — спросил он. YZ показал, что, хотя общий оборот оставался постоянным, высокодоходная категория электроники фактически упала на 22 процента, а низкорентабельные продажи аксессуаров маскировали это. Менеджер подтвердил это и сосредоточился на категории электроники. Общее число было скрыто; Перерыв раскрыл правду.
Случай 2 — обращение к неправильной причине. Менеджер сети кафе передал AI данные о продажах. «Продажи на выходных меняются в зависимости от температуры погоды», — сказал YZ. Менеджер прочитал это как «жаркая погода увеличивает продажи» и выключил кондиционеры. Однако настоящей причиной стал возросший поток клиентов за выходные; Температура по совпадению переместилась в том же направлении. Менеджер принял корреляцию за причинно-следственную связь. Он усвоил урок и с этого момента проверял все причины.
Случай 3. Правильное проведение сравнения. Сравнивалась эффективность двух заводов производственного предприятия. Менеджер спрашивает ИИ: «Завод А более эффективен, чем завод Б?» — спросил он, но ИИ не знал, что фабрика А новее и меньше. Менеджер поправил подсказку: «Сравните урожайность с единицы с учетом размера и разницы в возрасте». На этот раз анализ был честным и выявилась реальная разница.
Четыре копируемых шаблона
1) Поэтапное извлечение информации:
Ваша роль: бизнес-аналитик, помощник менеджера. Используйте прилагаемые анонимные данные (период, категория, продажи, стоимость). Действуйте шаг за шагом: 1) Обобщите данные в 4 пунктах. 2) Покажите 3 наиболее заметных изменения по сравнению с прошлым периодом. 3) Предложите до двух ВОЗМОЖНЫХ причин для каждого изменения и укажите, что это гипотезы и необходимы доказательства. Не придумывайте цифр, которых нет в предоставленных мной данных.
2) Разбивочный (сегментный) анализ:
Даже если общее число кажется стабильным, я хочу знать, что происходит внутри. Разбейте прилагаемые данные по категориям/регионам/сегментам клиентов. Покажите в таблице, какой сегмент растет, а какой сокращается. Особенно отмечайте развороты, маскирующие итог.
3) Тест корреляции-причинности:
Я нашел такую взаимосвязь: [А и Б движутся вместе]. Помогите мне понять, является ли это истинной причиной и следствием или просто совместным действием. Перечислите возможные РАСПРОСТРАНЕННЫЕ причины и предложите 3 практических проверки, которые я могу провести, чтобы проверить эту взаимосвязь.
4) Генерация вариантов решения:
Я подтвердил это понимание: [озарение]. НЕ решайте за меня; вместо этого создайте 3 разных варианта действий. Для каждого варианта: ожидаемая выгода, предполагаемые затраты/усилия, основной риск и какая ситуация должна быть предпочтительна. Представляйте варианты нейтрально; не навязывайтесь кому-либо.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Почему упали продажи?
Ни данных, ни периода, ни контекста. ИИ перечисляет общие причины (экономика, конкуренция, сезон); Ни один из них не относится к вашей ситуации и не может быть проверен.
Мощная подсказка:
Ваша роль: розничный аналитик. Используйте прилагаемые анонимные данные за 6 месяцев (месяц, регион, категория, количество продаж, оборот). Общий оборот за последний месяц снизился на 8%. Разбейте это по регионам и категориям; выяснить, из какого сегмента идет спад. Предложите до двух проверяемых гипотез для каждого обнаруженного вами снижения. Просто используйте цифры, которые я вам дал.
Размер
плохой подход
Сильный подход
Данные
Нет
Анонимно и прикреплено
Вопрос
Общее «почему?»
Преломленный и сосредоточенный
вывод
Общие причины
Проверяемые гипотезы
проверяемость
низкий
высокий
ценность решения
Меньше
высокий
Распространенные ошибки
- Опираясь на общее количество. Хотя сумма постоянна, внутри могут быть большие развороты; Обязательно посмотрите разбивку.
- Принятие корреляции за причинно-следственную связь. Рассматривайте взаимосвязи, обнаруженные ИИ, как гипотезу, которую необходимо проверить, а не как доказательства.
- Несправедливое сравнение. Не сравнивайте единицы разного размера/возраста/состояния без их нормализации.
- Запрос решений напрямую от ИИ. ИИ генерирует варианты; Вы несете решение и ответственность.
- Делаем выводы на основе данных за один период. Для анализа тенденций требуется достаточное количество исторических данных.
Внимание: какой бы умной ни казалась идея, она не должна стать решением, если ее нельзя проверить на основе ваших данных. «Так сказал ИИ» не является оправданием; «Я проверил это на данных, и это подтвердилось» — это оправдание.
В заключение
Поддержка принятия решений — это лестница, которая превращает данные в понимание: данные, информация, понимание, решение. ИИ очень быстр на первых двух шагах, хороший помощник на третьем и просто поставщик опций на четвертом. Смотрите на разбивку, а не на общие цифры; Не путайте корреляцию с причинно-следственной связью; Просмотрите причины, которые ИИ предлагает в качестве гипотез, подлежащих проверке. Поэтапное мышление дает более точные результаты. Окончательное решение принимается менеджером на основе проверенного понимания.
Задача приложения
Подготовьте анонимный набор данных о вашем бизнесе (например, продажи по категориям за последние 6 месяцев). Попросите ИИ выполнить разбивку сегментов с помощью приведенного выше шаблона «Анализ разбивки». Создайте гипотезу, используя шаблон «Тест корреляции-причинности» для самого большого изменения, которое вы обнаружили, и запишите, как вы будете проверять эту гипотезу в полевых условиях, в трех пунктах.
контрольный список
- [ ] Обезличил ли я данные?
- [ ] Смотрел ли я на разбивку (сегмент), а не на общую сумму?
- [ ] Воспринял ли я причину, предложенную ИИ, как гипотезу?
- [ ] Правильно ли я настроил сравнения (нормализовал)?
- [ ] Принял ли я решение сам, основываясь на проверенных знаниях?