zisky:
- Schopnosť vysvetliť vrstvy business intelligence (zdroj, ETL, dátový sklad, report) a správnu definíciu kľúčových obchodných metrík (KPI).
- Schopnosť použiť umelú inteligenciu na vytvorenie metrickej definície, návrhu SQL a správy a poskytnúť výsledok so skutočnými údajmi
- Schopnosť rozpoznať riziká zmätku v súvislosti s koreláciou a zavádzajúcich metrík vo výstupoch analýzy podporovanej AI
Business Intelligence (BI) je disciplína, ktorá zhromažďuje rozptýlené údaje organizácie, pripravuje ich na analýzu a vytvára z týchto údajov informácie na podporu rozhodovania. Pre profesionála v oblasti MIS je BI vrstvou, kde sa „údaje menia na rozhodnutia“. Samotné záznamy o surových objednávkach nemajú zmysel; ale "v ktorom regióne sa tento mesiac znížil obrat, prečo?" Vytvára hodnotu, keď sa stane správou, ktorá dokáže odpovedať na otázku. V tomto celku uvidíme vrstvy BI, správny metrický dizajn a kde je umelá inteligencia akcelerátorom a pascou v tomto procese.
Architektúra BI sa vo všeobecnosti skladá z nasledujúcich vrstiev. Zdrojové systémy: Miesta, z ktorých pochádzajú údaje, ako napríklad ERP, CRM, elektronický obchod. ETL proces (anglicky Extract-Transform-Load): Proces, ktorý extrahuje dáta zo zdrojov (Extract), vyčistí ich a prevedie na štandardnú štruktúru (Transform) a načíta ich do cieľa (Load). Dátový sklad: Centrálne úložisko, kde sa zhromažďujú historické a konzistentné údaje určené na analýzu. Vrstva prehľadov/vizualizácie: informačné panely, zostavy a ad-hoc dotazy. V tomto reťazci kvalita každej vrstvy určuje ďalšiu; Ak je špinavý zdroj, špinavá je aj správa.
Správne definovanie metrík a kľúčových ukazovateľov výkonu
Metrika je nameraná číselná hodnota: celkový obrat, počet objednávok. KPI (Key Performance Indicator) je kritická metrika, ktorá meria výkonnosť v porovnaní s cieľom: „mesačná miera odchodu zákazníkov pod 5 %. Nie každá metrika je KPI; KPI je metrika, ktorá je spojená s obchodným cieľom a spúšťa rozhodnutie.
Najzákernejším problémom projektov BI je nejasná definícia metrík. Čo znamená „aktívny zákazník“? Objednané za posledných 30 alebo 90 dní? Počítajú sa navrátilci? Ak dva tímy znamenajú rôzne veci pod pojmom „počet aktívnych zákazníkov“, ten istý informačný panel zobrazuje dve rôzne skutočnosti. To je dôvod, prečo by mal mať každý KPI jednovetovú, široko akceptovanú definíciu. AI rýchlo vytvára návrhy týchto definícií; ale je na rozhodnutí obchodnej jednotky, ktorá definícia je „správna“.
Tip: Pri navrhovaní KPI si zapíšte tri veci: (1) vzorec (čo presne je čitateľ/menovateľ), (2) časové okno, (3) vylúčené prípady. Keď AI povie „extrahovať nejednoznačnosti v definícii tohto KPI ako otázky“, odhalí skryté predpoklady.
Krok za krokom: Generovanie správ s podporou AI
Krok 1 – Ujasnite si otázku. Aké rozhodnutie poslúži správa? Konkrétny cieľ typu „my rozhodneme, do ktorého kraja presunieme rozpočet“, nie „malo by to vyzerať pekne“.
Krok 2 – Definujte metriky. Napíšte požadované KPI so vzorcami, oknami a výnimkami. Umelá inteligencia môže vytvárať návrhy definícií.
Krok 3 — Generovanie návrhu SQL. Poskytnite informácie o schéme umelej inteligencii a vytvorte návrh dotazu. Pred spustením dotazu si ho však prečítajte a pochopte ho.
Krok 4 — Overte pomocou malých údajov. Najprv spustite dotaz na malej vzorke so známymi výsledkami; Skontrolujte súčty manuálne. SQL AI môže byť syntakticky správne, ale logicky nesprávne.
Krok 5 – Pridajte naratív, testujte tvrdenia. AI môže vytvoriť naratívny text pre správu; ale dokážte každé kauzálne tvrdenie („preto predaje klesli“).
Pasca korelácií a príčinných súvislostí
Najnebezpečnejšou chybou v BI je interpretovať dve metriky, ktoré fungujú spoločne ako „jedna vytvára druhú“. Korelácia je, keď sa dve hodnoty menia spolu; Príčinnosť je, keď jedna spôsobuje druhú. Veta „S nárastom predaja zmrzliny pribúdali prípady utopenia“ je pravdivá, ale zmrzlina nespôsobuje utopenie; Bežnou príčinou je leto (horúce počasie). Umelá inteligencia môže ľahko vytvárať kauzálne vety pri vytváraní príbehu správy; Odborník MIS na tieto tvrdenia reaguje otázkou „existuje nejaké iné vysvetlenie?“. Mal by to otestovať. V opačnom prípade sa urobí nesprávne rozhodnutie na základe nesprávneho dôvodu.
Tri mini prípady: Podľa čísel
Prípad 1 – Náklady na nedefinovanú metriku. V telekomunikačnej spoločnosti bol počet „aktívnych predplatiteľov“ predložených predstavenstvu 2,1 milióna a správa finančného tímu bola 1,7 milióna. Rozdiel bol v tom, že jeden počítal 90 dní ako „aktívny“, kým druhý 30 dní. O nesprávnej miere rastu sa diskutovalo dva týždne, kým sa neobjasnila spoločná definícia. Jednovetová definícia KPI by tomuto zmätku zabránila.
Prípad 2 – AI má nesprávne SQL. U jedného predajcu AI pri generovaní dopytu „priemerný košík na zákazníka“ pridala k súčtu riadky vrátenia. Výsledok bol 12 % nad skutočnou hodnotou. SQL bol syntakticky dokonalý. Keď odborník manuálne overil známy celkový počet dní, zachytil odchýlku a nechal pridať filter vrátenia.
Prípad 3 – Omyl kauzality. V spoločnosti zaoberajúcej sa elektronickým obchodom sa na informačnom paneli uvádzalo, že „predaj je o 18 % vyšší v dňoch odoslania e-mailovej kampane“ a tím sa chystal zvýšiť rozpočet kampane. Analýza ukázala, že kampane už boli načasované tak, aby sa zhodovali s dňami kampane s vysokou návštevnosťou (obdobiami zliav). Bolo to obdobie, nie e-mail, čo viedlo k predaju. Ak by sa rozpočet zvýšil bez testovania s kontrolnou skupinou, peniaze by boli zbytočne vyhodené.
Slabá výzva / silná výzva
Slabá výzva:
Napíšte správu o predaji SQL z tejto tabuľky.
Výkonná výzva:
Vaša rola: Ste pozorný BI analytik. Napíšte NÁVRH SQL dotazu podľa schémy nižšie.Pravidlá:- Používajte len dané tabuľky/polia; nevyhovujúce pole.- VYLUČTE návraty (status='Return') z celkového počtu.- Časové okno: posledných 30 dní.- Komentujte riadok po riadku, čo dotaz robí.- Navrhnite 1 vzorový riadok, ktorý je možné na konci manuálne overiť na testovanie.Schéma:Objednávka(id, customer_id, dátum, suma, stav)Zákazník (identifikátor, názov. 3 posledné dni obratu, segment)
Výkonná výzva obmedzí schému, zavedie obchodné pravidlo (okrem návratu), špecifikuje okno a požaduje overiteľný výstup.
Štyri kopírovateľné šablóny
1) Objasnenie definície KPI:
Napíšte úplný popis pre nasledujúci KPI: vzorec (čitateľ/menovateľ), časové okno, vylúčené prípady. Prípadnú nejednoznačnosť v definícii pridajte ako otázku.KPI: [meno, napr. "miera odchodu zákazníkov"]
2) Kontrola logiky SQL:
Preskúmajte nasledujúci SQL dotaz: existuje riziko logických chýb, nesprávnych JOINov, chýbajúcich filtrov alebo dvojitého započítania? Ku každému zisteniu napíšte zdôvodnenie. Nemeňte dopyt, len ho skontrolujte. SQL: [dotaz]
3) Popis správy + kontrola nároku:
Napíšte krátke zhrnutie z tabuľky výsledkov nižšie. Označte [EVIDENCE REQUIRED] vedľa každého kauzálneho tvrdenia a navrhnite alternatívne vysvetlenie. Stačí sa spoľahnúť na údaje v tabuľke. Tabuľka: [údaje]
4) Kontrola metrickej konzistencie:
V dvoch prehľadoch nižšie metriky s rovnakým názvom poskytujú rôzne hodnoty. Uvádzajú sa možné rozdiely v definícii (časové okno, filter, výpočet). Správy: [A] [B]
Porovnávacia tabuľka: Dobré a zlé KPI
vlastnosť
Zlý KPI
Dobré KPI
Popis
"Aktívny zákazník"
„Zákazník s ≥1 dokončenou objednávkou za posledných 30 dní“
väzba s cieľom
žiadne
„Zostať pod 5 % mierou strát“
merateľnosť
nejednoznačný
vzorec jasný
výnimkou
neistý
Vrátane vrátenia tovaru
Vyvoláva to rozhodnutie?
č
áno
Časté chyby
- Metrika zostáva nedefinovaná. Ak sa slová ako „aktívny“, „úspešný“, „dokončený“ použijú bez vzorca, každý tím sa počíta inak.
- Spustenie SQL AI bez overenia. Syntakticky správny dotaz môže byť logicky nesprávny; časté je dvojité započítanie a nesprávne JOIN.
- Mätúca korelácia s príčinnou súvislosťou. Myslieť si, že „s tým sa zvýšilo“ znamená „to spôsobilo tamto“, by viedlo k nesprávnemu rozhodnutiu.
- Márnosť metrické prenasledovanie. Mylne vymyslené, ale nie rozhodujúce metriky, ako napríklad „celkový počet kliknutí“ ako kľúčové ukazovatele výkonu.
- Prezentácia čísel bez kontextu. Len „obrat 4,2 milióna“ nemá zmysel; Kontext je potrebný na základe minulého mesiaca, cieľa alebo rozpočtu.
Upozornenie: Príbehy správ vytvorené umelou inteligenciou sú presvedčivé a plynulé; To presne zvyšuje riziko. Plynulá veta môže obsahovať nepravdivé tvrdenie o príčinnej súvislosti. Otestujte každé tvrdenie „pretože“ a „preto“ dôkazmi.
V súhrne
Business intelligence je vrstva, ktorá transformuje rozptýlené údaje na rozhodnutia a pozostáva zo zdroja, ETL, dátového skladu a reportovacieho reťazca. KPI je kritická metrika spojená s obchodným cieľom s jasne definovaným vzorcom a výnimkami; nedefinovaná metrika je najčastejšou chybou BI. Umelá inteligencia poskytuje značnú rýchlosť pri vytváraní definície kľúčových ukazovateľov výkonu, návrhu SQL a príbehu správy; ale každý SQL musí byť logicky odôvodnený, každé číslo musí byť podložené známymi údajmi a každé kauzálne tvrdenie musí byť testované dôkazmi. Korelácia nie je príčinná súvislosť; Fluidné rozprávanie nezaručuje presnosť.
Aplikačná úloha
Navrhnite KPI „miery dokončenia“ pre platformu online kurzov. (1) Napíšte popis v jednej vete so vzorcom, časovým oknom a výnimkami (napr. počítajú sa zrušené registrácie?). (2) Vytvorte si jednoduchú schému (Registrácia, Kurz, Priebeh) a nechajte si vygenerovať návrh SQL pre tento KPI pomocou výkonnej výzvy. (3) Nájdite v dopyte aspoň jedno možné riziko dvojitého započítania alebo nesprávneho filtrovania. (4) Vytlačte zhrnutie záveru a označte v ňom každý kauzálny nárok. (5) Uveďte príklad pasce korelácie a príčinnej súvislosti a vysvetlite, ako by ste ju otestovali.
kontrolný zoznam
- [ ] Zapisuje sa vzorec, časové okno a výnimka každého KPI.
- [ ] Čítal som a porozumel SQL generovanému AI riadok po riadku.
- [ ] Manuálne som overil dotaz s málo známymi údajmi.
- [ ] Testoval som každé kauzálne tvrdenie v správe s dôkazmi.
- [ ] Každé číslo som uviedol do kontextu s benchmarkom (cieľ/posledné obdobie).
- [ ] Dosiahol som konsenzus medzi tímami o definíciách metrík.