Dobički:
- Sposobnost razlage plasti poslovne inteligence (vir, ETL, podatkovno skladišče, poročilo) in pravilne definicije ključnih poslovnih metrik (KPI).
- Sposobnost uporabe umetne inteligence za izdelavo metrične definicije, osnutka SQL in pripovedi poročila ter zagotavljanje rezultata z resničnimi podatki
- Sposobnost prepoznavanja tveganj zmede med korelacijo in vzročnostjo ter zavajajočih metrik v rezultatih analiz, podprtih z umetno inteligenco
Poslovna inteligenca (BI) je disciplina, ki zbira razpršene podatke organizacije, jih pripravlja za analizo in iz teh podatkov proizvaja informacije, ki podpirajo odločanje. Za strokovnjaka MIS je BI plast, kjer se »podatki spremenijo v odločitve«. Neobdelani zapisi naročil sami po sebi niso pomembni; ampak "v kateri regiji se je ta mesec zmanjšal promet, zakaj?" Vrednost ustvari, ko postane poročilo, ki lahko odgovori na vprašanje. V tej enoti bomo videli plasti BI, pravo metrično zasnovo in kje je umetna inteligenca pospeševalnik in past v tem procesu.
Arhitektura BI je na splošno sestavljena iz naslednjih plasti. Izvorni sistemi: mesta izvora podatkov, kot so ERP, CRM, e-trgovina. Proces ETL (angleško Extract-Transform-Load): Postopek, ki izvleče podatke iz virov (Extract), jih očisti in pretvori v standardno strukturo (Transform) ter naloži v cilj (Load). Skladišče podatkov: Centralno skladišče, kjer se zbirajo zgodovinski in dosledni podatki, namenjeni analizi. Sloj poročanja/vizualizacije: nadzorne plošče, poročila in ad hoc poizvedbe. V tej verigi kakovost vsake plasti določa naslednjo; Če je vir umazan, je umazano tudi poročilo.
Pravilno definiranje meritev in KPI-jev
Metrika je izmerjena numerična vrednost: skupni promet, število naročil. KPI (Key Performance Indicator) je kritična metrika, ki meri uspešnost glede na cilj: "mesečna stopnja odliva strank pod 5 %". Ni vsaka metrika KPI; KPI je metrika, ki je povezana s poslovnim ciljem in sproži odločitev.
Najbolj zahrbtna težava BI projektov je nejasna definicija metrik. Kaj pomeni "aktivna stranka"? Naročeno v zadnjih 30 dneh ali 90 dneh? Ali se štejejo povratniki? Če dve ekipi pomenita različne stvari s "številom aktivnih strank", ista nadzorna plošča prikazuje dve različni dejstvi. Zato mora imeti vsak KPI široko sprejeto definicijo v enem stavku. AI hitro izdela osnutke teh definicij; katera definicija je "pravilna", pa se mora odločiti poslovna enota.
Nasvet: Ko načrtujete KPI, zapišite tri stvari: (1) formulo (kaj natančno je števec/imenovalec), (2) časovno okno, (3) izključene primere. Če AI reče "izvleči dvoumnosti v definiciji tega KPI kot vprašanja", se razkrijejo skrite predpostavke.
Korak za korakom: Ustvarjanje poročil s pomočjo umetne inteligence
1. korak — Pojasnite vprašanje. Kakšni odločitvi bo služilo poročilo? Konkreten cilj, kot je "odločili se bomo, v katero regijo bomo preusmerili proračun", ne pa "naj izgleda lepo".
2. korak — Določite meritve. Zapišite zahtevane KPI s formulami, okni in izjemami. Umetna inteligenca lahko ustvari osnutke definicij.
3. korak — Ustvari osnutek SQL. Posredujte informacije o shemi umetni inteligenci in ustvarite osnutek poizvedbe. Vendar preberite in razumejte poizvedbo, preden jo zaženete.
4. korak — Preverite z majhnimi podatki. Najprej zaženite poizvedbo na majhnem vzorcu z znanimi rezultati; Preverite vsote ročno. SQL AI je lahko sintaktično pravilen, vendar logično napačen.
5. korak — Dodajte pripoved, preizkusne trditve. AI lahko ustvari pripovedno besedilo za poročilo; ampak dokazati vsako vzročno trditev (»zato je prodaja padla«).
Korelacija in vzročna zveza
Najbolj nevarna napaka v BI je interpretacija dveh metrik, ki delujeta skupaj kot "ena ustvarja drugo". Korelacija je, ko se dve vrednosti spreminjata skupaj; Vzročnost je, ko eden povzroči drugega. Stavek »Ker se je povečala prodaja sladoleda, se je povečalo število utopitev« drži, a sladoled ne povzroča utopitev; Pogost vzrok je poletje (vroče vreme). Umetna inteligenca lahko zlahka oblikuje vzročne stavke, ko ustvarja pripoved poročila; Strokovnjak MIS na te trditve odgovarja z vprašanjem "ali obstaja kakšna druga razlaga?" Moral bi ga preizkusiti. V nasprotnem primeru bo sprejeta napačna odločitev na podlagi napačnega razloga.
Trije mini kovčki: po številkah
Primer 1 – Stroški nedefinirane metrike. V telekomunikacijskem podjetju je bilo število "aktivnih naročnikov", predstavljenih upravnemu odboru, 2,1 milijona, poročilo finančne ekipe pa 1,7 milijona. Razlika je bila v tem, da je eden štel 90 dni kot "aktiven", drugi pa 30 dni. O napačni stopnji rasti so razpravljali dva tedna, dokler ni bila razjasnjena skupna definicija. Z enostavčno definicijo KPI bi se izognili tej zmedi.
2. primer — AI-jev napačen SQL. Pri enem trgovcu na drobno je umetna inteligenca pri ustvarjanju poizvedbe »povprečna košarica na kupca« k vsoti dodala vrnitve; Rezultat je bil 12 % nad dejansko vrednostjo. SQL je bil sintaktično popoln. Ko je strokovnjak ročno preveril znano dnevno skupno vrednost, je ujel odstopanje in dal dodati filter povratkov.
Primer 3 – Zmota vzročnosti. V podjetju za e-trgovino je na nadzorni plošči pisalo, da je "prodaja višja za 18 % v dneh, ko je poslana e-poštna kampanja" in ekipa je nameravala povečati proračun kampanje. Analiza je pokazala, da so bile akcije že časovno usklajene z dnevi akcije z velikim prometom (obdobja popustov). Prodajo je spodbudilo obdobje, ne elektronska pošta. Če bi proračun povečali brez testiranja s kontrolno skupino, bi bil denar zapravljen.
Šibek poziv / močan poziv
Šibek poziv:
Iz te tabele napišite SQL poročila o prodaji.
Močan poziv:
Vaša vloga: Ste pozoren BI analitik. Napišite OSNUTEK poizvedbe SQL v skladu s spodnjim diagramom. Pravila: - Uporabite samo podane tabele/polja; polje, ki se ne prilega.- IZKLJUČI vrnitve (status='Return') iz skupnega.- Časovno okno: zadnjih 30 dni.- Vrstico za vrstico komentirajte, kaj počne poizvedba.- Predlagajte 1 vzorčno vrstico, ki jo je mogoče na koncu ročno preveriti za testiranje. Shema: Naročilo (id, customer_id, datum, znesek, status) Stranka (id, ime, segment) Namen: zadnjih 30 dni neto promet po segmentih.
Zmogljiv poziv omeji shemo, vsili poslovno pravilo (razen vrnitve), poda okno in zahteva preverljiv izhod.
Štiri kopirane predloge
1) Pojasnilo definicije KPI:
Napišite popoln opis za naslednje KPI: formula (števec/imenovalec), časovno okno, izključeni primeri. Vse dvoumnosti v definiciji dodajte kot vprašanje.KPI: [ime, npr. "stopnja opuščanja strank"]
2) Preverjanje logike SQL:
Preglejte naslednjo poizvedbo SQL: ali obstaja tveganje za logične napake, nepravilne JOIN-e, manjkajoče filtre ali dvojno štetje? Za vsako ugotovitev napiši utemeljitev. Ne spreminjajte poizvedbe, samo preverite. SQL: [poizvedba]
3) Pripoved poročila + kontrola zahtevka:
Napišite kratek povzetek iz spodnje tabele z rezultati. Označite [ZAHTEVANI DOKAZI] poleg vsake vzročne trditve in predlagajte alternativno razlago. Samo zanašajte se na podatke v tabeli. Tabela: [podatki]
4) Preverjanje doslednosti metrike:
V spodnjih dveh poročilih meritve z istim imenom dajejo različne vrednosti. Navedene so možne razlike v definiciji (časovno okno, filter, izračun). Poročila: [A] [B]
Primerjalna tabela: dober in slab KPI
funkcija
Slab KPI
Dober KPI
Opis
"Aktivna stranka"
"Stranka z ≥1 dokončanim naročilom v zadnjih 30 dneh"
vez s tarčo
Noben
"Ostati pod 5-odstotno stopnjo izgube"
merljivost
dvoumen
formula jasna
izjema
negotova
Izključitev vračil
Ali sproži odločitev?
št
ja
Pogoste napake
- Pustite meritev nedoločeno. Če se besede, kot so "aktiven", "uspešen", "zaključen", uporabljajo brez formule, vsaka ekipa šteje drugače.
- Izvajanje SQL AI brez preverjanja. Sintaktično pravilna poizvedba je lahko logično napačna; dvojno štetje in nepravilno JOIN sta pogosta.
- Zmedena korelacija z vzročno zvezo. Razmišljanje, da "s tem se je povečalo" pomeni "to je povzročilo tisto", bi vodilo do napačne odločitve.
- Zasledovanje nečimrne metrike. Zamenjavanje modnih, a neodločilnih meritev, kot je "skupno število klikov", kot KPI.
- Predstavljanje številk brez konteksta. Samo "4,2 milijona prometa" je nesmiselno; Potreben je kontekst glede na prejšnji mesec, cilj ali proračun.
Pozor: pripovedi poročil, ki jih ustvari umetna inteligenca, so prepričljive in tekoče; To ravno poveča tveganje. Tekoč stavek lahko vsebuje lažno trditev o vzročnosti. Vsako trditev "ker" in "zato" preverite z dokazi.
Če povzamem
Poslovna inteligenca je plast, ki pretvarja razpršene podatke v odločitve in je sestavljena iz vira, ETL, podatkovnega skladišča in verige poročanja. KPI je kritična metrika, povezana s poslovnim ciljem, z jasno opredeljeno formulo in izjemami; nedefinirana metrika je najpogostejša napaka BI. Umetna inteligenca zagotavlja znatno hitrost pri izdelavi definicije KPI, osnutka SQL in pripovedi poročila; vendar mora biti vsak SQL logično utemeljen, vsako število mora biti podprto z znanimi podatki in vsaka vzročna trditev mora biti preizkušena z dokazi. Korelacija ni vzročna zveza; Tekoča pripoved ne zagotavlja točnosti.
Aplikacijska naloga
Oblikujte KPI »stopnje dokončanja« za platformo spletnega tečaja. (1) Napišite opis v enem stavku s formulo, časovnim oknom in izjemami (npr. ali se štejejo preklicane registracije?). (2) Ustvarite preprosto shemo (registracija, tečaj, napredek) in ustvarite osnutek SQL za ta KPI z zmogljivim pozivom. (3) V poizvedbi poiščite vsaj eno možno tveganje dvojnega štetja ali nepravilnega filtriranja. (4) Natisnite povzetek zaključka in v njem označite vsako vzročno trditev. (5) Nastavite primer korelacijsko-vzročne pasti in pojasnite, kako bi jo testirali.
kontrolni seznam
- [ ] Napisana je formula, časovno okno in izjema vsakega KPI.
- [ ] Prebral sem in razumel SQL, ki ga je ustvaril AI, vrstico za vrstico.
- [ ] Ročno sem potrdil poizvedbo z malo znanimi podatki.
- [ ] Vsako vzročno trditev v poročilu sem preizkusil z dokazi.
- [ ] Vsako številko sem kontekstualiziral z merilom (cilj/zadnje obdobje).
- [ ] Dosegel sem soglasje med ekipami glede definicij metrike.