การสนับสนุนการตัดสินใจ: การแปลงข้อมูลให้เป็นข้อมูลเชิงลึก

กำไร:

• ความสามารถในการสร้างข้อมูลเชิงลึกที่มุ่งเน้นการตัดสินใจจากข้อมูลที่กระจัดกระจายโดยการทำความเข้าใจบันไดข้อมูล-ข้อมูล-ข้อมูลเชิงลึก-การตัดสินใจ และดำเนินการปัญญาประดิษฐ์ทีละขั้นตอน
• ความสามารถในการเปิดเผยความจริงที่ซ่อนอยู่ด้วยจำนวนทั้งหมดผ่านการแจกแจงแยกส่วนและแยกแยะความสัมพันธ์จากความเป็นเหตุเป็นผล
• ความสามารถในการปฏิบัติต่อเหตุผลที่ปัญญาประดิษฐ์แนะนำเป็นสมมติฐานที่จะทดสอบและเป็นฐานการตัดสินใจขั้นสุดท้ายจากความเข้าใจที่ตรวจสอบแล้ว

ตัวเลขหลายสิบมาถึงโต๊ะของผู้จัดการทุกวัน: ตัวเลขยอดขาย ต้นทุน ข้อร้องเรียนจากลูกค้า ระดับสินค้าคงคลัง อัตราการลาออกของพนักงาน แต่ตัวเลขเพียงอย่างเดียวไม่ใช่การตัดสินใจ การตัดสินใจเริ่มต้นด้วยการเห็นความหมายภายในตัวเลข "ยอดขายลดลง 8 เปอร์เซ็นต์เมื่อเทียบกับเดือนที่แล้ว" "ยอดขายที่ลดลงเกิดจากการที่ลูกค้ารายใหญ่สองรายในภูมิภาคอีเจียนเลื่อนคำสั่งซื้อออกไป" เป็นข้อมูลเชิงลึก ในที่นี้ การสนับสนุนการตัดสินใจ ซึ่งเป็นกระบวนการที่ทำให้ข้อมูลมีความหมายสำหรับผู้จัดการในการตัดสินใจได้ดีขึ้น คือสะพานที่เปลี่ยนข้อมูลให้เป็นข้อมูลเชิงลึก ในหน่วยนี้ เราจะได้เรียนรู้วิธีใช้ AI บนสะพานนี้ ขอบเขตชัดเจนตั้งแต่เริ่มต้น: AI สร้างข้อมูลเชิงลึกแบบร่าง ผู้จัดการเป็นผู้ตัดสินใจว่าข้อมูลเชิงลึกใดเป็นจริงและต้องทำอย่างไร

สี่ขั้นตอนจากข้อมูลสู่ข้อมูลเชิงลึก

การสนับสนุนการตัดสินใจเป็นบันได หลักแรก — ข้อมูล: ตัวเลขดิบ (คำสั่งซื้อมาถึงเดือนนี้ 1,240 รายการ) หลักที่สอง — ข้อมูล: แก้ไขแล้ว เปรียบเทียบตัวเลข (ลดลง 8 เปอร์เซ็นต์จากเดือนที่แล้ว) ระดับที่สาม — ข้อมูลเชิงลึก: ความเข้าใจถึงสาเหตุของการลดลง (ความล่าช้าจากลูกค้ารายใหญ่สองราย) ขั้นตอนที่สี่ — การตัดสินใจ: จะทำอย่างไร (สัมภาษณ์ลูกค้าเหล่านี้และกำหนดเป้าหมายลูกค้าใหม่) AI นั้นเร็วมากในขั้นตอนแรกและขั้นตอนที่สอง เป็นตัวช่วยที่ดีในขั้นตอนที่สาม เสนอตัวเลือกเฉพาะในขั้นตอนที่สี่เท่านั้น

การรู้บันไดนี้เป็นสิ่งสำคัญเพราะผู้จัดการส่วนใหญ่ขอให้ AI “ตัดสินใจแทนฉัน” โดยตรงและรู้สึกหงุดหงิด อย่างไรก็ตาม หากคุณดำเนินการ AI ทีละขั้นตอน ขั้นแรกสรุป จากนั้นเปรียบเทียบ จากนั้นตั้งคำถามถึงเหตุผลที่เป็นไปได้ และสุดท้ายตัดสินใจด้วยตัวเอง คุณจะทั้งรวดเร็วและเชื่อถือได้

คำแนะนำ: ถาม AI “คุณอนุมานอะไรจากข้อมูลนี้” แทนที่จะถามทั้งหมดในคราวเดียว ให้ดำเนินการทีละขั้นตอนโดยพูดว่า "สรุปก่อน จากนั้นจึงแสดงการเปลี่ยนแปลงที่โดดเด่นที่สุด 3 ประการ จากนั้นเสนอเหตุผลที่เป็นไปได้ 2 ประการสำหรับแต่ละรายการ" การคิดแบบเป็นขั้นเป็นตอนให้ผลลัพธ์ที่แม่นยำยิ่งขึ้น

กับดักความสัมพันธ์และเวรกรรม

ข้อผิดพลาดที่อันตรายที่สุดของการสนับสนุนการตัดสินใจคือการเข้าใจผิดว่ามีความสัมพันธ์เป็นเหตุเป็นผล ความสัมพันธ์กันคือเมื่อสองสิ่งเคลื่อนตัวมารวมกัน (ยอดขายไอศกรีมและการจมน้ำเพิ่มขึ้นพร้อมกันในช่วงฤดูร้อน) สาเหตุคือเมื่อสิ่งหนึ่งนำไปสู่อีกสิ่งหนึ่ง (ไอศกรีมไม่ทำให้หายใจไม่ออก อากาศร้อนเป็นสาเหตุที่พบบ่อย) AI เก่งมากในการค้นหาสิ่งต่าง ๆ ที่เคลื่อนไหวร่วมกันในข้อมูลของคุณ แต่ไม่สามารถบอกได้ว่าอะไรคือสาเหตุที่แท้จริง การพูดว่า "ค่าใช้จ่ายในการโฆษณาเพิ่มขึ้นและยอดขายเพิ่มขึ้น" ไม่ได้พิสูจน์ว่าการโฆษณาช่วยเพิ่มยอดขายได้ บางทีทั้งสองอาจได้รับผลกระทบจากเทศกาล

ดังนั้นเมื่อ AI เสนอเหตุผล ให้ถือเป็นสมมติฐาน (สมมติฐานที่ต้องพิสูจน์) ไม่ใช่เป็นข้อเท็จจริง “ฉันจะทดสอบสิ่งนี้ได้อย่างไร” ถาม. ผู้จัดการที่ดีจะทดสอบเหตุผลที่ AI แนะนำในภาคสนามหรือกับข้อมูล

มินิเคสสามอัน

กรณีที่ 1 — การจับผิดการล่มสลาย ในบริษัทอีคอมเมิร์ซ มูลค่าการซื้อขายรวมดูมีเสถียรภาพ ไม่มีใครตื่นตระหนก ผู้จัดการให้ข้อมูลรายเดือนที่ไม่เปิดเผยตัวตนแก่ AI และถามว่า "กลุ่มใดกำลังเติบโตและกลุ่มใดกำลังหดตัวตามหมวดหมู่" เขาถาม YZ แสดงให้เห็นว่าแม้ว่ามูลค่าการซื้อขายรวมจะคงที่ แต่หมวดอิเล็กทรอนิกส์ที่ทำกำไรสูงนั้นแท้จริงแล้วลดลง 22 เปอร์เซ็นต์ โดยมียอดขายอุปกรณ์เสริมที่มีกำไรต่ำปิดบังสิ่งนี้ ผู้จัดการยืนยันเรื่องนี้และมุ่งเน้นไปที่หมวดอิเล็กทรอนิกส์ จำนวนทั้งหมดถูกปกปิด การแตกหักเผยให้เห็นความจริง

กรณีที่ 2 — วิ่งไปผิดสาเหตุ ผู้จัดการเครือร้านกาแฟให้ข้อมูลการขายแก่ AI "ยอดขายช่วงสุดสัปดาห์ขยับตามอุณหภูมิอากาศ" YZ กล่าว ผู้จัดการอ่านว่า “อากาศร้อนทำให้ยอดขายเพิ่มขึ้น” และปิดเครื่องปรับอากาศ อย่างไรก็ตาม เหตุผลที่แท้จริงก็คือปริมาณการเข้าชมของลูกค้าที่เพิ่มขึ้นในช่วงสุดสัปดาห์ อุณหภูมิเคลื่อนไปในทิศทางเดียวกันโดยบังเอิญ ผู้จัดการเข้าใจผิดว่าความสัมพันธ์กันเป็นสาเหตุ เขาเรียนรู้บทเรียนและทดสอบทุกเหตุผลต่อจากนี้ไป

กรณีที่ 3 — สร้างการเปรียบเทียบอย่างถูกต้อง กำลังเปรียบเทียบประสิทธิภาพของโรงงานสองแห่งในสถานประกอบการผลิต ผู้จัดการถาม AI ว่า "โรงงาน A มีประสิทธิภาพมากกว่า B หรือไม่" เขาถาม แต่ AI ไม่รู้ว่าโรงงาน A นั้นใหม่กว่าและเล็กกว่า ผู้จัดการแก้ไขข้อความแจ้ง: "เปรียบเทียบผลผลิตต่อหน่วย โดยคำนึงถึงขนาดบัญชีและความแตกต่างอายุ" คราวนี้การวิเคราะห์มีความยุติธรรมและเผยให้เห็นความแตกต่างที่แท้จริง

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การแยกข้อมูลเชิงลึกแบบขั้นตอน:

บทบาทของคุณ: นักวิเคราะห์ธุรกิจที่ช่วยเหลือผู้จัดการ ใช้ข้อมูลที่ไม่เปิดเผยตัวตนที่แนบมาด้วย (ช่วง, หมวดหมู่, ยอดขาย, ต้นทุน) ดำเนินการทีละขั้นตอน: 1) สรุปข้อมูลเป็น 4 รายการ 2) แสดงการเปลี่ยนแปลงที่โดดเด่นที่สุด 3 รายการเมื่อเทียบกับช่วงที่แล้ว 3) เสนอเหตุผลที่เป็นไปได้สูงสุด 2 ประการสำหรับการเปลี่ยนแปลงแต่ละครั้ง และระบุว่าสิ่งเหล่านี้เป็นเพียงสมมติฐานและจำเป็นต้องมีหลักฐาน อย่าสร้างตัวเลขใดๆ ที่ไม่มีอยู่ในข้อมูลที่ฉันให้ไว้

2) การวิเคราะห์รายละเอียด (ส่วน):

แม้ว่าตัวเลขทั้งหมดจะดูคงที่ แต่ฉันอยากรู้ว่าเกิดอะไรขึ้นข้างใน แบ่งข้อมูลที่แนบมาตามหมวดหมู่/ภูมิภาค/กลุ่มลูกค้า แสดงว่ากลุ่มใดกำลังเติบโตและกลุ่มใดกำลังหดตัวในตาราง โดยเฉพาะอย่างยิ่งทำเครื่องหมายการกลับตัวที่ปกปิดยอดรวม

3) การทดสอบความสัมพันธ์เชิงสาเหตุ:

ฉันพบความสัมพันธ์นี้: [A และ B เคลื่อนไหวร่วมกัน] โปรดช่วยฉันแยกแยะด้วยว่านี่เป็นเหตุและผลจริงหรือเป็นเพียงการกระทำร่วมกัน ระบุสาเหตุทั่วไปที่เป็นไปได้และแนะนำการตรวจสอบเชิงปฏิบัติ 3 รายการที่ฉันสามารถทำได้เพื่อทดสอบความสัมพันธ์นี้

4) การสร้างทางเลือกในการตัดสินใจ:

ฉันยืนยันความเข้าใจนี้: [ข้อมูลเชิงลึก] อย่าตัดสินใจแทนฉัน ให้สร้างตัวเลือกการดำเนินการที่แตกต่างกัน 3 แบบแทน สำหรับแต่ละตัวเลือก: ผลประโยชน์ที่คาดหวัง ต้นทุน/ความพยายามโดยประมาณ ความเสี่ยงหลัก และสถานการณ์ใดที่ควรเป็นที่ต้องการ นำเสนอทางเลือกต่างๆ อย่างเป็นกลาง อย่าบังคับใคร

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

ทำไมยอดขายถึงตก?

ไม่มีข้อมูล ไม่มีช่วงเวลา ไม่มีบริบท AI แสดงเหตุผลทั่วไป (เศรษฐกิจ การแข่งขัน ฤดูกาล) ไม่มีรายการใดที่เจาะจงสำหรับสถานการณ์ของคุณและไม่สามารถตรวจสอบได้

พรอมต์อันทรงพลัง:

บทบาทของคุณ: นักวิเคราะห์การค้าปลีก ใช้ข้อมูลราย 6 เดือนที่ไม่เปิดเผยตัวตนที่แนบมาด้วย (เดือน ภูมิภาค หมวดหมู่ จำนวนยอดขาย ผลประกอบการ) มูลค่าการซื้อขายรวมลดลง 8% ในเดือนที่ผ่านมา แจกแจงรายละเอียดตามภูมิภาคและหมวดหมู่ ค้นหาว่าการลดลงมาจากส่วนใด เสนอสมมติฐานที่ทดสอบได้มากถึง 2 ข้อสำหรับการปฏิเสธแต่ละครั้งที่คุณพบ เพียงใช้ตัวเลขที่ฉันให้คุณ

ขนาด

วิธีการที่ไม่ดี

แนวทางที่แข็งแกร่ง

ข้อมูล

ไม่มี

ไม่ระบุชื่อและแนบมาด้วย

คำถาม

ทั่วไป “ทำไม”

หักเหและมุ่งเน้น

เอาท์พุท

เหตุผลทั่วไป

สมมติฐานที่ทดสอบได้

การตรวจสอบความถูกต้อง

ต่ำ

สูง

มูลค่าการตัดสินใจ

น้อยลง

สูง

ข้อผิดพลาดทั่วไป

• ขึ้นอยู่กับจำนวนรวม แม้ว่าผลรวมจะคงที่ แต่ก็อาจมีการกลับตัวจำนวนมากอยู่ข้างใน อย่าลืมดูการสลาย
• ความสัมพันธ์ที่ผิดพลาดสำหรับสาเหตุ มองความสัมพันธ์ที่ AI พบเป็นสมมติฐานที่จะทดสอบ ไม่ใช่เป็นหลักฐาน
• การเปรียบเทียบที่ไม่เป็นธรรม อย่าเปรียบเทียบหน่วยที่มีขนาด/อายุ/สภาวะต่างกันโดยไม่ทำให้เป็นมาตรฐาน
• ขอการตัดสินใจโดยตรงจาก AI AI สร้างทางเลือก คุณเป็นผู้ตัดสินใจและความรับผิดชอบ
• การหาข้อสรุปด้วยข้อมูลช่วงระยะเวลาเดียว จำเป็นต้องมีข้อมูลประวัติที่เพียงพอสำหรับแนวโน้ม

ข้อควรระวัง: ไม่ว่าข้อมูลเชิงลึกจะดูฉลาดแค่ไหน ก็ไม่ควรกลายเป็นการตัดสินใจหากไม่สามารถตรวจสอบได้จากข้อมูลของคุณ “AI พูดอย่างนั้น” ไม่ใช่เหตุผล "ฉันทดสอบด้วยข้อมูลและได้รับการตรวจสอบแล้ว" เป็นเหตุผล

โดยสรุป

การสนับสนุนการตัดสินใจเป็นบันไดที่เปลี่ยนข้อมูลให้เป็นข้อมูลเชิงลึก: ข้อมูล สารสนเทศ ข้อมูลเชิงลึก และการตัดสินใจ AI รวดเร็วมากในสองขั้นตอนแรก เป็นตัวช่วยที่ดีในขั้นตอนที่สาม และเป็นเพียงผู้ให้บริการทางเลือกในขั้นตอนที่สี่ ดูที่รายละเอียด ไม่ใช่ตัวเลขทั้งหมด อย่าเข้าใจผิดว่าความสัมพันธ์เป็นเหตุ ดูเหตุผลที่ AI แนะนำเป็นสมมติฐานที่จะทดสอบ การคิดแบบเป็นขั้นเป็นตอนให้ผลลัพธ์ที่แม่นยำยิ่งขึ้น การตัดสินใจขั้นสุดท้ายเป็นของผู้จัดการตามความเข้าใจที่ตรวจสอบแล้ว

งานสมัคร

เตรียมชุดข้อมูลที่ไม่ระบุตัวตนจากธุรกิจของคุณ (เช่น ยอดขายตามหมวดหมู่ในช่วง 6 เดือนที่ผ่านมา) ให้ AI ทำการแจกแจงกลุ่มด้วยเทมเพลต “การวิเคราะห์รายละเอียด” ด้านบน สร้างสมมติฐานโดยใช้เทมเพลต "การทดสอบความสัมพันธ์เชิงสาเหตุ" สำหรับการเปลี่ยนแปลงที่ใหญ่ที่สุดที่คุณพบ และจดบันทึกว่าคุณจะทดสอบสมมติฐานนี้อย่างไรในฟิลด์ใน 3 รายการ

รายการตรวจสอบ

• [ ] ฉันได้ปกปิดข้อมูลหรือไม่?
• [ ] ฉันได้ดูรายละเอียด (กลุ่ม) มากกว่าผลรวมหรือไม่
• [ ] ฉันถือว่าเหตุผลที่ AI แนะนำเป็นสมมติฐานหรือไม่?
• [ ] ฉันได้ตั้งค่าการเปรียบเทียบอย่างยุติธรรม (ทำให้เป็นมาตรฐาน) แล้วหรือยัง?
• [ ] ฉันตัดสินใจด้วยตัวเองตามความเข้าใจที่ตรวจสอบแล้วหรือไม่?