Mga nadagdag:
- Kinikilala ang kalidad, pagiging kumpidensyal at mga panganib sa interpretasyon ng pagtatrabaho sa data at nagtatatag ng isang secure na daloy ng pagsusuri.
- Pinipili nito ang tamang indicator para sa isang layunin, na nakikilala sa pagitan ng mga mapanlinlang na solong indicator at mga sukat na bukas sa pagmamanipula.
- Kinikilala nito ang mga mapanlinlang na diskarte sa tsart (axis na hindi nagsisimula sa zero, napiling hanay) at nagmamasid sa tapat na visualization.
Ang publiko ay gumagawa ng data araw-araw: mga numero ng aplikasyon, mga oras ng solusyon, mga item sa badyet, paggalaw ng populasyon, mga kahilingan sa serbisyo, mga resulta ng pag-audit, mga survey sa kasiyahan. Karamihan sa data na ito ay nasa Excel spreadsheet, form, at recording system, ngunit hindi isinasalin sa mga desisyon — dahil ang pagsusuri dito ay nangangailangan ng kadalubhasaan at oras. Ang paggawa ng desisyon na nakabatay sa data (isang diskarte sa paglalaan ng mga mapagkukunan at pagtatakda ng patakaran batay sa nasusukat na ebidensya, sa halip na opinyon o ugali) ay nagpapataas ng parehong kahusayan at pagiging patas sa pampublikong sektor: ang mga mapagkukunan ay napupunta kung saan sila pinaka kailangan batay sa mga numero. Dito, ang AI ay isang makapangyarihang katulong sa pagbibigay kahulugan sa isang talahanayan, paghahanap ng mga pattern at anomalya, pagkuha ng mga istatistika ng buod at pagsasalin ng mga natuklasan sa mga simpleng pangungusap. Sa unit na ito, makikita mo kung paano paikliin ang landas mula sa raw na pampublikong data patungo sa isang mapagtatanggol na desisyon gamit ang AI at manatiling disiplinado sa pinaka kritikal na aspeto—ang tamang interpretasyon ng numero.
Tatlong panganib ng pagtatrabaho sa data
Makapangyarihan ang data, ngunit mayroon itong tatlong traps, at maaaring mabawasan at palakihin ng AI ang mga traps na ito:
- Kaugnayan ≠ sanhi. Dahil lamang sa dalawang bagay na nagbabago nang magkasama ay hindi nangangahulugan na ang isa ay nagiging sanhi ng isa pa. Ang mga benta at pagkalunod ng ice cream ay tumataas — dahil pareho silang nauugnay sa init ng tag-araw, hindi isa ang sanhi ng isa pa. Ang AI ay matatas na gumagawa ng mga pangungusap na "dahil"; Tanong sa bawat pag-angkin ng sanhi.
- May kinikilingan/nawawalang data. Mula kanino at paano nakolekta ang datos? Ang data ng reklamo ay sumasalamin lamang sa mga maaaring magreklamo; digital application data ang mga may access sa internet. Kung hindi mo nakikita ang nawawalang grupo, magiging bias ang desisyon.
- Numero na walang konteksto. "Nadagdagan ng 30%" lamang ay walang kahulugan: ayon sa ano, sa anong panahon, ano ang ganap na bilang? Tanungin ang AI para sa konteksto.
Pansin: Habang sinusuri ng AI ang talahanayang ibinibigay mo, minsan ay nagdaragdag ito ng "makatwiran" ngunit kathang-isip na mga numero mula sa labas ng talahanayan o tahimik na pinupunan ang mga nawawalang cell. Ihambing ang bawat output number sa source table; Bigyan ang AI ng panuntunan na "gamitin lamang ang mga halaga sa talahanayan na ibinibigay ko sa iyo, kung nawawala sabihin ang 'walang data'".
Hakbang-hakbang na daloy ng pagsusuri ng data
- Linawin ang tanong. Anong tanong ang hinahanap nating kasagutan para sa desisyon? ("Saang lugar mas tumatagal ang oras ng solusyon?")
- Alamin ang data. Ano ang mga column, ano ang unit, ano ang period, mayroon bang nawawala/maling halaga?
- I-extract ang personal na data. I-anonymize/pagsama-samahin kung hindi kinakailangan ang indibidwal na pagkakakilanlan para sa pagsusuri (tingnan ang Yunit 11).
- Lumilitaw ang buod at pattern. Ipagawa sa AI ang mga pangunahing istatistika, pagpapangkat at pagmamarka ng anomalya.
- Tanong sa komento. Kaugnayan o sanhi? Alternatibong paliwanag? Nawawalang grupo?
- I-visualize at pasimplehin. Isang simpleng buod at graphic na mauunawaan ng gumagawa ng desisyon.
- Idokumento ang desisyon at ang pangangatwiran nito. Anong desisyon ang ginawa batay sa anong data? audit trail.
tatlong mini case
Case 1 — Napunta ang source sa tamang lugar. Noong nakaraan, ibinahagi ng isang munisipalidad ang badyet nito sa pagpapanatili ng parke "pantay-pantay sa bawat kapitbahayan." Kapag ang 18 buwan ng demand at data ng paggamit ay nasuri gamit ang AI, ang per capita demand ng tatlong kapitbahayan ay 2.4 beses ang average. Ang badyet ay muling ipinamahagi ayon sa pangangailangan; tumaas ang pangkalahatang kasiyahan, nang walang karagdagang gastos.
Case 2 — Napansin ang bias na data. Titingnan ng isang ahensya ang data ng digital application at maghihinuha na "hindi na pumupunta ang mga mamamayan sa toll booth." Ngunit nang hiniling ang pagkakahati-hati ng edad sa pagsusuri, nakita na ang mga aplikasyon na higit sa edad na 65 ay kadalasang nagmumula sa counter. Kung titingnan lang ang digital data, hindi papansinin ang grupong ito; napanatili ang serbisyo sa takilya.
Kaso 3 — Nahinto ang ginawang dahilan. Habang binibigyang kahulugan ang isang talahanayan, sinabi ni YZ, "Nabawasan ang mga aksidente dahil tumaas ang bilang ng mga inspeksyon." Ipinaalala ng analyst na nagbago din ang panahon at bumaba ang trapiko sa parehong panahon; Ang pag-uugnay nito sa iisang dahilan ay nakaliligaw. Itinama ang ulat para sabihing "may relasyon pero hindi pa napatunayan ang sanhi."
Apat na maaaring kopyahin na mga template
1) Pagkilala sa talahanayan:
Ang iyong tungkulin: data analyst. Suriin ang talahanayan sa ibaba at, batay LAMANG ang mga halaga sa talahanayang ito: (1) ibuod kung ano ang bawat column, ang yunit at panahon nito, (2) anumang mga cell na mukhang nawawala/mali, (3) ibuod ang nangungunang 3 pattern na namumukod-tangi. Pagdaragdag ng mga numero mula sa labas ng talahanayan; kung nawawala, sabihin ang "no data". TABLE: [paste data]
2) Mga istatistika ng buod na may konteksto:
Sagutin ang sumusunod na tanong mula sa talahanayan sa ibaba: [tanong]. DAPAT ibigay ang resulta na may konteksto: ganap na numero + rate + panahon ng paghahambing. Kapag sinabi mong "nadagdagan ng X%", tukuyin kung hanggang saan at sa anong panahon. Gamitin lamang ang ibinigay na data.TALAHANAYAN: [data] TANONG: [tanong]
3) Nagtatanong ng sanhi:
Bigyang-kahulugan ang sumusunod na paghahanap, ngunit MAG-INGAT: huwag malito ang ugnayan sa sanhi. Bumuo ng hindi bababa sa 3 alternatibong paliwanag para sa kaugnayang ito (ikatlong variable, baligtad na direksyon, nagkataon). Sabihin sa akin kung anong karagdagang data ang kailangan upang patunayan ang sanhi. PAGHAHANAP: [relasyon]
4) Simpleng buod para sa desisyon:
Pasimplehin ang sumusunod na pagsusuri para sa isang gumagawa ng desisyon na hindi isang dalubhasa sa data: hindi hihigit sa 5 aytem, bawat item ay isang paghahanap at isang paliwanag na "ano ang ibig sabihin nito". Isulat din nang malinaw ang mga kawalan ng katiyakan at limitasyon ng data. Pagdaragdag ng bagong impormasyon.ANALYSIS: [text]
Mahinang prompt / Malakas na prompt
Mahina: "Suriin ang tsart na ito at sabihin sa amin kung ano ang dapat naming gawin."
Strong: "Ang iyong tungkulin ay data analyst. Gamitin LAMANG ang talahanayan sa ibaba; huwag magdagdag ng mga numero mula sa labas, sabihin ang 'walang data' sa nawawalang cell. Una, kilalanin ang mga column, unit at tuldok. Pagkatapos ay sagutin ang tanong na 'aling kapitbahayan ang may pinakamahabang oras ng solusyon' na may ganap na numero + ratio + panahon ng paghahambing. Kung makakita ka ng pattern, bumuo ng 3 alternatibong mga paliwanag, ang listahan ng mga punto ng listahan at ipaliwanag ito. (nawawalang grupo, maikling panahon) na iniiwan ang desisyon sa amin."
Pagkakaiba: malakas na prompt nagtatatag ng data fidelity, konteksto, pananahilan disiplina at desisyon-hangganan magkasama; Ang output ay isang mapagtatanggol na pagsusuri.
Saan mapagkakatiwalaan ang AI sa negosyo ng data?
negosyo
tiwala ng AI
tuntunin
Buod ng talahanayan, pagpapangkat
mataas
Ibinigay lang ang data
Anomalya/pagmarka ng pattern
daluyan
kumpirmasyon ng tao
Interpretasyon ng sanhi
mababa
Kinakailangan ang alternatibong paliwanag
Pagpuno ng nawawalang data
masyadong mababa
Huwag itong mangyari; "walang data"
Pagpapasimple/visual na buod
mataas
Ang kahulugan ay dapat pangalagaan
Disenyo ng tagapagpahiwatig at mapanlinlang na bitag ng tsart
Ang pinakamahalagang hakbang sa paggawa ng mga desisyon gamit ang data ay ang pagpili ng tamang indicator (ang numerical na expression na ginagawang masusukat ang isang phenomenon—halimbawa, "average na oras ng pagproseso" o "cost per application"). Ang maling indicator ay humahantong sa maling desisyon, kahit na may tumpak na data: habang ang "kabuuang bilang ng mga nalutas na claim" ay lumalabas na tumataas, ang "panahon ng paghihintay bawat mamamayan" ay maaaring lumala. Maaaring ilista ng AI ang mga indicator ng kandidato para sa isang paksa at kung ano ang sinusukat at itinatago ng bawat isa; ngunit ikaw ang magpapasya kung aling indicator ang tunay na kumakatawan sa pampublikong interes. Gayundin, magkaroon ng kamalayan sa panganib ng mapanlinlang na paggunita (pagbabaluktot ng persepsyon sa pamamagitan ng mga diskarte tulad ng axis na hindi nagsisimula sa zero, di-proporsyonal na sukat, napiling agwat ng oras) sa mga graph na iminumungkahi o inilalarawan ng AI; Ang matapat na visual sa pampublikong data ay bahagi ng pamamahala.
Mini case — maling senyales, maling pagmamayabang. Isang unit ang sumisira ng mga rekord sa indicator na "bilang ng mga file na sarado bawat buwan"; ngunit dumami ang mga reklamo ng mamamayan. Kung titingnan ang tumpak na tagapagpahiwatig, ang "rate ng unang paglutas ng contact," bumaba ang rate mula 58 porsiyento hanggang 44 porsiyento — ang mga file ay isinasara at muling binubuksan nang mabilis. Kapag nagbago ang indicator, nagbago din ang priority ng pamamahala.
Mini case — axis na hindi nagsisimula sa zero. Sa graph na inilarawan ng AI sa isang presentasyon, ang vertical axis ay nagsisimula sa 40, isang 2 porsiyentong pagtaas ay tila isang dramatikong pagtalon. Kapag ang axis ay inilipat sa zero, ang tunay na larawan ay lumitaw at ang desisyon ay inalis mula sa pinalaking pang-unawa.
Template na sumusuporta sa pagpili ng indicator:
Gawain: Magmungkahi ng 5 indicator ng kandidato para sa sumusunod na layunin.Layunin: [hal. pagpapabuti ng kalidad ng serbisyo ng mamamayan]Para sa bawat tagapagpahiwatig: kung ano ang sinusukat nito | ano kayang itatago nito | pagiging bukas sa pagmamanipula | inirerekomendang dalas ng pagbabasa.Susunod: sumulat ng 3 babala (yaong mga sarili nilang nanlilinlang) upang basahin ang mga indicator na ito nang magkasama. Panuntunan: Huwag gumawa ng mga numero; suggest lang ng indicator design.
Babala: Huwag mahulog sa maling kuru-kuro na "ang numero ay layunin". Kung anong numero ang iyong sinusukat, kung paano mo ito ipinapakita, at kung anong hanay ang pipiliin mo ay lahat ng bagay ng interpretasyon. Ang transparent at tapat na pampublikong interpretasyon ay kasinghalaga ng pagkakaroon ng tumpak na data.
Mga karaniwang pagkakamali
- Nagkakamali sa ugnayan para sa sanhi. "Nadagdagan na magkasama" ay hindi ang dahilan; Maghanap ng mga alternatibong paliwanag.
- Ang pagkakaroon ng AI ay punan ang nawawalang data. Ang pagsusuri ay bumagsak na may ginawang halaga; iwanan ang nawawalang nawawala.
- Paglalahat ng biased data. Ang reklamo/digital na data ay hindi kumakatawan sa lahat; Itanong ang nawawalang grupo.
- Paglalahad ng numero nang walang konteksto. Sa tabi ng ratio ay dapat mayroong ganap na numero at panahon ng paghahambing.
- Hindi kinakailangang pagsusuri ng personal na data. Huwag gumamit ng indibidwal na pagkakakilanlan kung sapat ang pinagsama-samang data.
- Hindi pagdodokumento ng desisyon. Anong desisyon ang ginawa batay sa kung aling data ang dapat itala para sa pag-audit.
Sa buod
Ang paggawa ng desisyon na nakabatay sa data ay ang pinakamabisang paraan upang maipamahagi ang mga mapagkukunan nang patas at mahusay sa pampublikong sektor; Ang AI ay isang mabilis na katulong sa negosyong ito na may katuturan sa larawan, nakakahanap ng mga pattern at pinapasimple ang paghahanap. Ngunit huwag gawin ang mga numerong bumubuo ng AI, huwag gawin itong punan ang nawawalang data, huwag hayaang malito nito ang ugnayan sa sanhi, at iwasang gawing pangkalahatan ang bias/hindi kumpletong data. May lakas sa mga numero; Ang taong nag-interpret nito nang tama at nagdodokumento ng desisyon ay mas malakas.
Gawain ng aplikasyon
Kumuha ng totoong (natanggal na personal na data) na talahanayan mula sa iyong unit. Ipakilala ang data gamit ang template na "Pagkilala sa talahanayan," pagkatapos ay sagutin ang isang mahalagang tanong para sa desisyon gamit ang template na "Mga istatistika ng buod ng konteksto." Ilapat ang template na "Causation questioner" sa isang umuusbong na relasyon at maghanap ng kahit isang alternatibong paliwanag. Suriin kung ang AI ay nagdaragdag ng mga numero mula sa labas ng talahanayan.
checklist
- [ ] Ginamit lamang ng AI ang ibinigay na talahanayan; Hindi siya nagdagdag ng mga numero mula sa labas.
- [ ] Hindi ko pinunan ang nawawalang data; Iniwan ko ito bilang "walang data".
- [ ] Iniharap ko ang bawat resulta na may konteksto (absolute number + rate + period).
- [ ] Gumawa ako ng alternatibong paliwanag sa mga paghahabol sa sanhi.
- [ ] Sinuri ko ang panganib ng bias/nawawalang data at ang nawawalang grupo.
- [ ] Naidokumento ko ang desisyon at ang data kung saan ito nakabatay.