zisky:
- Schopnosť vytvárať prehľad orientovaný na rozhodovanie z rozptýlených údajov pochopením rebríčka údajov-informácií-vhľad-rozhodovania a vykonávania umelej inteligencie krok za krokom
- Schopnosť odhaliť pravdu skrytú celkovými číslami prostredníctvom segmentového členenia a rozlíšiť koreláciu od kauzality
- Schopnosť považovať dôvody navrhnuté umelou inteligenciou za hypotézy, ktoré sa majú testovať, a založiť konečné rozhodnutie na overenom náhľade
Každý deň prichádzajú na stôl manažéra desiatky čísel: predajné čísla, náklady, sťažnosti zákazníkov, stavy zásob, miera fluktuácie zamestnancov. Ale len číslo nerozhoduje. Rozhodnutie začína videním významu v čísle. „Tržby klesli o 8 percent v porovnaní s minulým mesiacom“ je samozrejmosťou; „Pokles tržieb je spôsobený tým, že dvaja veľkí zákazníci v Egejskom regióne odkladajú svoje objednávky,“ je pohľad. Tu je podpora rozhodovania – proces, vďaka ktorému sú údaje pre manažéra zmysluplné, aby mohol robiť lepšie rozhodnutia – mostom, ktorý premieňa údaje na prehľad. V tejto jednotke sa naučíme, ako používať AI na tomto moste. Hranica je jasná od začiatku: AI vytvára koncepty; Manažér rozhodne, ktorý náhľad je skutočný a čo má robiť.
Štyri kroky od údajov k prehľadu
Podpora rozhodovania je rebrík. Prvá číslica — údaje: nespracované čísla (tento mesiac prišlo 1 240 objednávok). Druhá číslica — informácie: upravené, porovnávané čísla (pokles o 8 percent oproti minulému mesiacu). Tretia úroveň – náhľad: pochopenie dôvodu poklesu (oneskorenie od dvoch veľkých zákazníkov). Štvrtý krok – rozhodnutie: čo robiť (rozhovor s týmito zákazníkmi a zacielenie na nových zákazníkov). AI je veľmi rýchla na prvom a druhom kroku, je dobrým pomocníkom na treťom, ponúka možnosti iba na štvrtom.
Poznanie tohto rebríčka je dôležité, pretože väčšina manažérov priamo žiada AI, aby „rozhodla za mňa“ a boli frustrovaní. Ak však AI vykonávate krok za krokom – najprv zhrniete, potom porovnajte, potom spochybňujete možné dôvody a nakoniec sa sami rozhodnete – budete rýchly a spoľahlivý.
Pomôcka: Opýtajte sa AI „Čo usudzujete z týchto údajov? Namiesto toho, aby ste sa pýtali naraz, postupujte krok za krokom tak, že poviete „najprv zhrňte, potom ukážte 3 najpozoruhodnejšie zmeny a potom navrhnite 2 možné dôvody pre každú“. Postupné myslenie poskytuje presnejšie výsledky.
Pasca korelácie a kauzality
Najnebezpečnejším úskalím podpory rozhodovania je zamieňanie korelácie za kauzalitu. Korelácia je, keď sa dve veci pohybujú spolu (predaj zmrzliny a utopenci v lete spolu stúpajú). Príčinnosť je, keď jedno vedie k druhému (zmrzlina nespôsobuje dusenie, častou príčinou je horúce počasie). Umelá inteligencia je veľmi dobrá pri hľadaní vecí, ktoré sa pohybujú vo vašich údajoch, ale nedokáže povedať, čo je skutočnou príčinou. Výrok „Výdavky na reklamu sa zvýšili a predaj sa zvýšil“ nedokazuje, že reklama zvýšila predaj. možno obe boli ovplyvnené sviatočným obdobím.
Takže keď AI navrhne dôvod, berte to ako hypotézu (predpoklad, ktorý treba dokázať), nie ako fakt. "Ako to otestujem?" spýtaj sa. Dobrý manažér testuje dôvod, ktorý AI navrhuje v teréne alebo na údajoch.
tri mini prípady
Prípad 1 – Zachytenie tajného pádu. V e-commerce spoločnosti sa celkový obrat zdal stabilný, nikto nebol znepokojený. Manažér poskytuje anonymné mesačné údaje AI a pýta sa: "Ktorý segment rastie a ktorý sa zmenšuje na základe kategórie?" spýtal sa. YZ ukázal, že zatiaľ čo celkový obrat bol konštantný, kategória vysokoziskovej elektroniky v skutočnosti klesla o 22 percent, pričom to maskoval predaj príslušenstva s nízkym ziskom. Manažér to potvrdil a zameral sa na kategóriu elektronika. Celkový počet bol skrytý; Prestávka odhalila pravdu.
Prípad 2 – Utekanie na nesprávnu príčinu. Manažér siete kaviarní poskytol AI údaje o predaji. "Víkendové tržby sa pohybujú s teplotou počasia," povedal YZ. Manažér to prečítal ako „horúce počasie zvyšuje tržby“ a vypol klimatizácie. Skutočným dôvodom však bola zvýšená návštevnosť zákazníkov cez víkend; Teplota sa zhodou okolností pohybovala rovnakým smerom. Manažér si pomýlil koreláciu s príčinnou súvislosťou. Poučil sa a odteraz testoval každý dôvod.
Prípad 3 – Správne stanovenie porovnania. Porovnávala sa efektivita dvoch fabrík vo výrobnom podniku. Manažér sa pýta AI: "Je továreň A efektívnejšia ako B?" spýtal sa, ale AI nevedela, že továreň A je novšia a menšia. Manažér opravil výzvu: "porovnajte výnos na jednotku, berúc do úvahy veľkosť a vekový rozdiel." Tentoraz bola analýza spravodlivá a ukázal sa skutočný rozdiel.
Štyri kopírovateľné šablóny
1) Postupná extrakcia prehľadu:
Vaša úloha: obchodný analytik asistujúci manažérovi. Použite priložené anonymné údaje (obdobie, kategória, predaj, cena). Postupujte krok za krokom: 1) Zhrňte údaje do 4 položiek. 2) Ukážte 3 najvýznamnejšie zmeny v porovnaní s posledným obdobím. 3) Navrhnite až 2 MOŽNÉ dôvody pre každú zmenu a uveďte, že ide o hypotézy a sú potrebné dôkazy. Nevymýšľajte si žiadne čísla, ktoré v údajoch, ktoré poskytujem, neexistujú.
2) Analýza členenia (segmentu):
Aj keď sa celkové čísla zdajú stabilné, chcem vedieť, čo sa deje vo vnútri. Rozdeľte priložené údaje podľa kategórie/regiónu/zákazníckeho segmentu. Ukážte v tabuľke, ktorý segment rastie a ktorý sa zmenšuje. Najmä označte obraty, ktoré maskujú súčet.
3) Test korelácie:
Našiel som tento vzťah: [A a B sa pohybujú spolu]. Pomôžte mi rozlíšiť, či je to skutočná príčina a následok, alebo len spoločný čin. Uveďte možné SPOLOČNÉ príčiny a navrhnite 3 praktické kontroly, ktoré môžem urobiť na otestovanie tohto vzťahu.
4) Generovanie možnosti rozhodnutia:
Potvrdil som tento poznatok: [vhľad]. NErozhodujte za mňa; namiesto toho vygenerujte 3 rôzne možnosti akcie. Pre každú možnosť: očakávaný prínos, odhadované náklady/úsilie, hlavné riziko a ktorá situácia by sa mala uprednostniť. Prezentujte možnosti neutrálne; nevnucuj niekomu.
Slabá výzva / Silná výzva
Slabá výzva:
Prečo klesol predaj?
Bez údajov, bez obdobia, bez kontextu. AI uvádza všeobecné dôvody (ekonomika, konkurencia, sezóna); Žiadny z nich nie je špecifický pre vašu situáciu a nedá sa overiť.
Výkonná výzva:
Vaša úloha: maloobchodný analytik. Použite priložené anonymné 6-mesačné údaje (mesiac, región, kategória, počet predajov, obrat). Celkový obrat sa za posledný mesiac znížil o 8 %. Rozdeľte to podľa regiónu a kategórie; zistiť, z ktorého segmentu pochádza pokles. Pre každý nájdený pokles navrhnite až 2 testovateľné hypotézy. Stačí použiť čísla, ktoré som vám dal.
Veľkosť
zlý prístup
Silný prístup
Údaje
žiadne
Anonymný a pripojený
Otázka
Všeobecné "prečo?"
Zlomený a sústredený
výstup
Všeobecné dôvody
Testovateľné hypotézy
Overiteľnosť
nízka
vysoká
rozhodovacia hodnota
Menej
vysoká
Časté chyby
- Spoliehajúc sa na celkový počet. Zatiaľ čo súčet je konštantný, vnútri môžu nastať veľké zvraty; Určite si pozrite rozpis.
- Nesprávna korelácia s príčinnou súvislosťou. Vzťah, ktorý AI nájde, vnímajte ako hypotézu, ktorú treba otestovať, nie ako dôkaz.
- Nespravodlivé porovnanie. Neporovnávajte jednotky rôznych veľkostí/veku/stavov bez ich normalizácie.
- Žiadosť o rozhodnutia priamo od AI. AI generuje možnosti; Vy nesiete rozhodnutie a zodpovednosť.
- Vyvodzovanie záverov s údajmi za jedno obdobie. Na vytváranie trendov je potrebný dostatok historických údajov.
Upozornenie: Bez ohľadu na to, ako dômyselne vyzerá prehľad, by sa nemalo stať rozhodnutím, ak ho nemožno overiť z vašich údajov. „Umelá inteligencia to povedala“ nie je odôvodnením; "Testoval som to s údajmi a bolo to overené" je odôvodnenie.
V súhrne
Podpora rozhodovania je rebrík, ktorý mení údaje na náhľad: údaje, informácie, náhľad, rozhodnutie. Umelá inteligencia je v prvých dvoch krokoch veľmi rýchla, v treťom je dobrým pomocníkom a vo štvrtom je len poskytovateľom možností. Pozrite sa na rozpisy, nie na celkové čísla; Nezamieňajte koreláciu za príčinnú súvislosť; Pozrite si dôvody, ktoré AI navrhuje ako hypotézy na testovanie. Postupné myslenie poskytuje presnejšie výsledky. Konečné rozhodnutie je na manažérovi na základe overeného pohľadu.
Aplikačná úloha
Pripravte si anonymný súbor údajov z vašej firmy (napr. predaj podľa kategórií za posledných 6 mesiacov). Nechajte AI vykonať rozdelenie segmentov pomocou šablóny „Analýza členenia“ vyššie. Vytvorte hypotézu pomocou šablóny "Test korelácie-príčinnosti" pre najväčšiu zmenu, ktorú ste našli, a zapíšte si, ako budete túto hypotézu testovať v teréne v 3 položkách.
kontrolný zoznam
- [ ] Anonymizoval som údaje?
- [ ] Pozrel som sa skôr na členenie (segment) ako na súčet?
- [ ] Považoval som dôvod navrhnutý AI za hypotézu?
- [ ] Nastavil som porovnania spravodlivo (normalizované)?
- [ ] Rozhodol som sa sám na základe overených poznatkov?