Прибыль:
- Способность объяснять уровни бизнес-аналитики (источник, ETL, хранилище данных, отчет) и правильное определение ключевых бизнес-показателей (KPI).
- Способность использовать искусственный интеллект для определения показателей, черновиков SQL и описательной части отчета, а также предоставлять результат с реальными данными.
- Способность распознавать риски путаницы в корреляционно-причинной связи и вводящих в заблуждение показателей в результатах анализа, поддерживаемого ИИ.
Бизнес-аналитика (BI) — это дисциплина, которая собирает разрозненные данные организации, подготавливает их для анализа и производит на основе этих данных информацию для поддержки принятия решений. Для специалиста по MIS BI — это уровень, на котором «данные превращаются в решения». Сами по себе необработанные записи заказов не имеют смысла; а "в каком регионе в этом месяце снизился товарооборот, почему?" Он приносит пользу, когда становится отчетом, который может ответить на вопрос. В этом модуле мы увидим уровни BI, правильное проектирование показателей и то, где искусственный интеллект является ускорителем и ловушкой в этом процессе.
Архитектура BI обычно состоит из следующих уровней. Исходные системы: места происхождения данных, такие как ERP, CRM, электронная коммерция. Процесс ETL (англ. Extract-Transform-Load): процесс, который извлекает данные из источников (Extract), очищает их, преобразует в стандартную структуру (Transform) и загружает в цель (Load). Хранилище данных: центральное хранилище, в котором собираются исторические и согласованные данные, предназначенные для анализа. Уровень отчетности/визуализации: информационные панели, отчеты и специальные запросы. В этой цепочке качество каждого слоя определяет следующий; Если источник грязный, отчет тоже грязный.
Правильное определение метрик и KPI
Метрика — это измеряемая числовая величина: общий оборот, количество заказов. KPI (ключевой показатель эффективности) — это критический показатель, который измеряет производительность по сравнению с целевым показателем: «месячный уровень оттока клиентов ниже 5%». Не каждая метрика является KPI; KPI — это показатель, который привязан к бизнес-цели и определяет принятие решения.
Самая коварная проблема BI-проектов — расплывчатое определение метрик. Что означает «активный клиент»? Заказывали за последние 30 или 90 дней? Учитываются ли вернувшиеся? Если две команды подразумевают разные вещи под «количеством активных клиентов», одна и та же панель отображает два разных факта. Вот почему каждый KPI должен иметь общепринятое определение, состоящее из одного предложения. ИИ быстро создает проекты этих определений; но именно бизнес-подразделение должно решить, какое определение является «правильным».
Совет: При разработке KPI запишите три вещи: (1) формула (что такое числитель/знаменатель), (2) временной интервал, (3) исключенные случаи. Когда ИИ говорит «извлечь двусмысленности в определении этого KPI в виде вопросов», выявляется скрытые предположения.
Шаг за шагом: создание отчетов с помощью искусственного интеллекта
Шаг 1 — Уточните вопрос. Какому решению будет способствовать отчет? Конкретная цель типа «мы решим, в какой регион перенесем бюджет», а не «это должно выглядеть красиво».
Шаг 2 — Определите метрики. Напишите необходимые KPI с формулами, окнами и исключениями. Искусственный интеллект может создавать проекты определений.
Шаг 3 — Создайте черновик SQL. Передайте информацию о схеме искусственному интеллекту и создайте черновик запроса. Но прочитайте и поймите запрос, прежде чем запускать его.
Шаг 4 — Проверка с небольшими данными. Сначала запустите запрос на небольшой выборке с известными результатами; Проверьте итоги вручную. SQL ИИ может быть синтаксически правильным, но логически неверным.
Шаг 5. Добавьте повествование, проверьте утверждения. ИИ может создать описательный текст для отчета; но докажите каждое причинно-следственное утверждение («вот почему продажи упали»).
Ловушка корреляции и причинно-следственной связи
Самая опасная ошибка в BI — интерпретировать две метрики, которые действуют вместе, как «одна порождает другую». Корреляция — это когда два значения изменяются вместе; Причинность – это когда одно вызывает другое. Предложение «Поскольку продажи мороженого увеличились, число случаев утопления увеличилось» верно, но мороженое не является причиной утопления; Распространенная причина – лето (жаркая погода). Искусственный интеллект может легко составлять причинно-следственные предложения при составлении повествования отчета; Эксперт MIS отвечает на эти утверждения вопросом: «Есть ли какое-нибудь другое объяснение?» Он должен это проверить. В противном случае неправильное решение будет принято по неверной причине.
Три мини-кейса: в цифрах
Случай 1 — Стоимость неопределенной метрики. В телекоммуникационной компании число «активных абонентов», представленных совету директоров, составило 2,1 миллиона, а отчет финансового отдела — 1,7 миллиона. Разница заключалась в том, что один считал «активными» 90 дней, а другой — 30 дней. Неправильный темп роста обсуждался в течение двух недель, пока не было уточнено общее определение. Определение KPI, состоящее из одного предложения, позволит избежать этой путаницы.
Случай 2 — неправильный SQL ИИ. В одном розничном магазине ИИ добавил к общей сумме строки возврата при формировании запроса «средняя корзина на одного покупателя»; Результат оказался на 12% выше фактического значения. SQL был синтаксически совершенен. Когда эксперт вручную проверил известное общее количество дней, он уловил отклонение и добавил фильтр доходности.
Случай 3 — Ошибка причинности. В компании, занимающейся электронной коммерцией, на информационной панели было указано, что «продажи на 18 % выше в те дни, когда рассылается электронная рассылка», и команда собиралась увеличить бюджет кампании. Анализ показал, что кампании уже были приурочены к дням с высокой посещаемостью (периодам скидок). Именно период, а не электронная почта, стимулировал продажи. Если бы бюджет был увеличен без тестирования с контрольной группой, деньги были бы потрачены впустую.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Напишите отчет о продажах SQL из этой таблицы.
Мощная подсказка:
Ваша роль: Вы внимательный BI-аналитик. Напишите ЧЕРНОВИК SQL-запроса в соответствии со схемой ниже. Правила: - Используйте только заданные таблицы/поля; неподходящее поле. - ИСКЛЮЧИТЬ возвраты (status='Return') из общего числа. - Временное окно: последние 30 дней. - Прокомментировать построчно, что делает запрос. - Предложить 1 примерную строку, которую можно вручную проверить для тестирования в конце. Схема: Заказ (id, customer_id, дата, сумма, статус) Клиент (id, имя, сегмент) Цель: чистый оборот по сегментам за последние 30 дней.
Мощное приглашение ограничивает схему, налагает бизнес-правило (исключая возврат), указывает окно и запрашивает проверяемый вывод.
Четыре копируемых шаблона
1) Уточнение определения KPI:
Напишите полное описание следующего ключевого показателя эффективности: формула (числитель/знаменатель), временное окно, исключенные случаи. Добавьте любую двусмысленность в определение в виде вопроса.KPI: [имя, например: «коэффициент оттока клиентов»]
2) Проверка логики SQL:
Изучите следующий SQL-запрос: существует ли риск логических ошибок, неправильных соединений JOIN, отсутствия фильтров или двойного учета? Напишите обоснование каждого вывода. Не меняйте запрос, просто проверьте его. SQL: [запрос]
3) Описательная часть отчета + контроль претензий:
Напишите краткое резюме, используя таблицу результатов ниже. Отметьте [ТРЕБУЮТСЯ ДОКАЗАТЕЛЬСТВА] рядом с каждым утверждением о причинно-следственной связи и предложите альтернативное объяснение. Просто опирайтесь на данные таблицы. Таблица: [данные]
4) Проверка согласованности показателей:
В двух отчетах ниже метрики с одинаковыми названиями дают разные значения. Перечислены возможные различия в определении (временное окно, фильтр, расчет). Отчеты: [А] [Б]
Сравнительная таблица: хороший и плохой KPI
особенность
Плохой ключевой показатель эффективности
Хороший KPI
Описание
«Активный клиент»
«Клиент, выполнивший ≥1 заказ за последние 30 дней»
связь с целью
Нет
«Удержание уровня потерь ниже 5%»
измеримость
двусмысленный
формула ясна
исключение
неопределенный
Исключая возвраты
Это вызывает принятие решения?
нет
Да
Распространенные ошибки
- Оставляем метрику неопределенной. Если такие слова, как «активный», «успешный», «завершенный», используются без формулы, каждая команда учитывается по-разному.
- Запуск SQL ИИ без проверки. Синтаксически правильный запрос может быть логически неверным; Двойной учет и неправильное соединение являются обычным явлением.
- Запутанная корреляция с причинно-следственной связью. Думать, что «оно увеличилось вместе с этим» означает «это вызвало то», привело бы к неправильному решению.
- Погоня за тщеславием. Принятие причудливых, но нерешающих показателей, таких как «общее количество кликов», за ключевые показатели эффективности.
- Представление чисел без контекста. Один только «оборот 4,2 миллиона» бессмысленен; Контекст необходим на основе прошлого месяца, цели или бюджета.
Внимание: повествования в отчетах, созданные искусственным интеллектом, убедительны и гибки; Это точно увеличивает риск. Беглое предложение может содержать ложное утверждение о причинной связи. Проверяйте каждое утверждение «потому что» и «поэтому» доказательствами.
В итоге
Бизнес-аналитика — это уровень, который преобразует разрозненные данные в решения и состоит из источника, ETL, хранилища данных и цепочки отчетности. KPI — это критически важный показатель, привязанный к бизнес-цели, с четко определенной формулой и исключениями; неопределенная метрика — наиболее распространенная ошибка BI. Искусственный интеллект обеспечивает значительную скорость определения ключевых показателей эффективности, черновиков SQL и описания отчетов; но каждый SQL-запрос должен быть логически обоснован, каждое число должно подтверждаться известными данными, а каждое причинно-следственное утверждение должно быть проверено доказательствами. Корреляция — это не причинно-следственная связь; Плавное повествование не гарантирует точности.
Задача приложения
Разработайте KPI «коэффициента завершения» для платформы онлайн-курсов. (1) Напишите описание в одно предложение с формулой, временным интервалом и исключениями (например, учитываются ли отмененные регистрации?). (2) Создайте простую схему (Регистрация, Курс, Прогресс) и сгенерируйте проект SQL для этого ключевого показателя эффективности с помощью мощной подсказки. (3) Найдите хотя бы один возможный риск двойного учета или неправильной фильтрации в запросе. (4) Распечатайте краткое изложение заключения и отметьте в нем каждое причинное утверждение. (5) Приведите пример ловушки корреляции и причинности и объясните, как вы будете ее проверять.
контрольный список
- [ ] Записываются формула, временной интервал и исключение для каждого KPI.
- [ ] Я прочитал и понял SQL, сгенерированный ИИ, построчно.
- [ ] Я вручную проверил запрос с использованием малоизвестных данных.
- [ ] Я проверил каждое причинно-следственное утверждение в отчете с доказательствами.
- [ ] Я контекстуализировал каждое число с помощью контрольного показателя (цель/последний период).
- [ ] Я достиг консенсуса между командами по определениям показателей.