Mga nadagdag:
- Kakayahang baguhin ang isang hindi tiyak na tanong ng customer sa isang malinaw, malulutas na pahayag ng problema at magtatag ng MECE hypothesis tree (issue tree) na may artificial intelligence
- Kakayahang gumamit ng artificial intelligence upang makabuo ng mga hypothesis at makakita ng mga blind spot, at magpasya nang may sariling paghuhusga kung aling hypothesis ang unang susuriin.
- Kakayahang kilalanin at maiwasan ang mga karaniwang pitfalls sa pag-istruktura ng problema (mga salungat na sangay, ipagpalagay ang solusyon nang maaga, maling tanong).
Ang pinakamahal na pagkakamali ng isang proyekto sa pagkonsulta ay ang paglutas ng maling tanong. Ang customer ay nagtatanong "ang aming mga benta ay bumababa, ano ang dapat naming gawin?" darating: ngunit ang tunay na tanong ay "saang segment, bakit at gaano karami ang nasa ilalim ng ating kontrol?" maaaring ito ay. Ang isang makaranasang consultant ay nagsisimula sa pamamagitan ng pagtukoy ng problema nang tama, hindi sa paghahanap ng mga sagot. Ang artificial intelligence ay ang perpektong kasosyo sa pag-iisip sa yugtong ito: bumubuo ito ng dose-dosenang posibleng dahilan, sub-tanong at hypotheses sa loob ng ilang minuto. Ngunit ang pagpapasya kung aling tanong ang tamang tanong ay nangangailangan ng paghatol, at ang paghatol na iyon ay sa iyo.
Sa unit na ito, pagsasamahin namin ang dalawang tool na backbone ng consultancy sa artificial intelligence: ang hypothesis tree (issue tree, isang tree diagram na nagpapasanga ng problema sa mga sub-question) at ang MECE na prinsipyo (Mutually Exclusive, Collectively Exhaustive — ang mga sanga ay hindi nagsasapawan sa isa't isa at sama-samang sumasaklaw sa isyu).
Mula sa malabong tanong hanggang sa malulutas na problema
Ang isang magandang pahayag ng problema ay kinabibilangan ng apat na bagay: sino (tagagawa ng desisyon), ano (pagpasya), pamantayan (kung ano ang tagumpay ay sinusukat), hangganan (saklaw at tagal). "Ang mga benta ay bumabagsak" ay isang reklamo; "Alin ang 3 pinakaepektibong lever na magpapataas ng turnover sa B2B segment ng 10% sa susunod na 12 buwan, kasama ang kasalukuyang badyet?" ay isang pahayag ng problema. Maaari mong gawin ang pagbabagong ito sa artificial intelligence, ngunit dapat mo munang ipaliwanag nang malinaw ang hilaw na sitwasyon.
Ang iyong tungkulin: coach sa pag-istruktura ng problema para sa consultant ng pamamahala. Ibibigay ko sa iyo ang hilaw na reklamo ng kliyente. Ang iyong gawain:1) Ibahin ito sa isang pangungusap, masusukat na pahayag ng problema (kailangang kasama ang gumagawa ng desisyon, desisyon, pamantayan sa tagumpay, saklaw, tagal).2) Ibunyag ang 3 implicit na pagpapalagay kung saan nakabatay ang pahayag na ito.3) Magmungkahi ng 2 alternatibong balangkas ng problema upang labanan ang panganib na "malutas ang maling tanong." Raw na reklamo: "[sa mga salita ng kliyente...]"
Tip: Basahin ang pahayag ng problema pabalik sa customer. "Kaya ang tagumpay para sa iyo ay isang 10% na pagtaas sa B2B turnover sa loob ng 12 buwan, tama?" Niresolba ng solong pangungusap na ito ang direksyon ng proyekto at ang kasunod na debateng "hindi namin gusto ito" sa simula.
Pagbuo ng hypothesis tree gamit ang artificial intelligence
Kapag malinaw na ang problema, sanga mo ito. Ang ugat ng puno ang pangunahing tanong; ang mga sanga ay posibleng tugon na mga palakol; Ang mga dahon ay mga masusubok na hypotheses. Halimbawa, "Bakit hindi tumataas ang turnover ng B2B?" Maaaring hatiin ang tanong sa dalawang pangunahing sangay: (1) mahina ang pagkuha ng bagong customer, (2) bumababa ang kasalukuyang kita ng customer. Ang bawat sangay ay nahahati sa sarili nitong mga sub-branch. Ang isang magandang puno ay MECE.
Ang iyong tungkulin: MECE hypothesis tree expert. Pangunahing tanong: "[problem statement]"Gawain: I-sangay ang tanong na ito sa hindi hihigit sa 2 antas. Mga Panuntunan:- Ang mga sanga sa unang antas ay dapat MECE (walang overlap, walang gaps).- Ang bawat dahon ay dapat na isang data-testable na hypothesis na pangungusap (ng anyong "... dahil ...").- Sa tabi ng bawat hypothesis, isulat ito sa iisang bullet list na kailangan upang masuri ito. overlap/gap sa ilalim ng heading na "MECE audit" markahan ang mga sangay.
Binibigyan ka ng AI ng isang puno na may 15 hypotheses sa loob ng 3 segundo. Ngunit ang iyong trabaho ay hindi nagtatapos doon, ito ay nagsisimula: pipiliin mo kung aling mga sangay ang tunay na MECE, kung aling hypothesis ang pinakamalamang at pinakamadaling subukan.
Prioritization: aling hypothesis ang unang susuriin
Walang oras upang subukan ang lahat ng mga hypotheses. Gumamit ng dalawang palakol: epekto (kung gaano ito kalaki sa solusyon kung ito ay totoo) at kadalian (gaano kabilis/kamura ang pagsubok). Mauuna ang mga may mataas na epekto + mataas na kaginhawahan. Ito ay tinatawag na "quick win sweep."
hypothesis
Epekto (1-5)
Dali ng pagsubok (1-5)
priority
Ang pagpepresyo ay nasa likod ng mga kakumpitensya
5
4
dati
Ang koponan sa pagbebenta ay hindi sapat sa B2B
4
3
pagkatapos
Mayroong isang puwang sa tampok ng produkto
4
2
pananaliksik
Mababa ang brand awareness
3
2
humawak
Maaari kang magkaroon ng artificial intelligence na punan ang matrix na ito; ngunit suriin ang epekto at mga marka ng kaginhawaan gamit ang iyong sariling kaalaman sa industriya. Ang modelo ay madalas na overestimates kadalian ng pagsubok.
Ang iyong tungkulin: analyst ng prioritization. Ilagay ang sumusunod na listahan ng mga hypotheses sa isang impact-ease matrix. Para sa bawat hypothesis: epekto (1-5), kadalian ng pagsubok (1-5), kailangan ng isang mapagkukunan ng data, rekomendasyon (bago/pagkatapos/pag-imbestiga/pag-hold). Mga Panuntunan: bigyan ng kadalian ang marka ng optimistically, isulat ang katwiran. I-highlight ang 2 hypotheses na may pinakamataas na "impact × ease" multiplier. Hypotheses: [listahan]
tatlong mini case
Case 1 — Itinama ang maling tanong. Nagtanong ang isang retail chain, "Mataas ang turnover rate ng empleyado, dapat ba nating taasan ang suweldo?" tanong niya. Binubuksan ng consultant ang frame ng problema gamit ang artificial intelligence; Ang modelo ay naglalarawan ng tatlong implicit na pagpapalagay: na ang suweldo ang problema, ang turnover ay pareho sa lahat ng mga tindahan, at ang bayad ang solusyon. Ang data ay iginuhit: 70% ng turnover rate ay nasa 3 tindahan at palaging nasa parehong koponan ng dalawang manager. Ang tunay na tanong ay ang pag-uugali ng manager. Ang pagtaas ng suweldo na 14 milyong TL ang magiging maling solusyon.
Case 2 — Non-MECE tree. Tinanong ng isang consultant ang modelo "bakit bumabagsak ang mga kita?" Gusto niya ang puno. Ang modelo ay nagbibigay sa mga sangay ng "mababa ang kita", "mataas ang gastos", "tumaas ang kumpetisyon". Ang unang dalawang sangay ay MECE (kita = kita − gastos), ngunit ang "pagtaas ng kumpetisyon" ay isang sanhi at ang kita/gastos ay isang epekto; Ang mga antas ng sangay ay halo-halong. Inaayos ng consultant ang puno: ang unang antas ay kita at gastos lamang; Ang kumpetisyon ay nagdudulot ng sub-branch ng kita.
Kaso 3 — Nagbunga ang priyoridad. Sa isang B2B software company, 12 hypotheses ang nabuo. Inilalagay ng impact-convenience matrix ang hypothesis na "matagal ang proseso ng onboarding" sa high impact-high convenience box. Kinumpirma ng isang linggong pagsusuri ng data: Ang rate ng pagkansela ng mga customer na hindi na-activate sa loob ng 30 araw ay 3 beses na mas mataas. Ang isang maliit na interbensyon (guided installation) ay binabawasan ang pagkansela ng 22%. Ang pagsubok sa tamang hypothesis ay unang nagpapaikli sa proyekto.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Gumawa ako ng listahan kung bakit bumabagsak ang kita ng kumpanyang ito.
Ang modelo ay nagsasaad ng mga random, magkakapatong, at hindi napapatunayang mga sanhi; Hindi ito nagtatag ng balangkas ng pag-iisip.
Napakahusay na prompt:
Ang iyong tungkulin: MECE problem structuring specialist. Pangunahing tanong: "Bumuo lang ang kumpanya.
Suriin ang mga tanong ng isang magandang istraktura ng problema
Kapag natapos mo na ang iyong puno, itanong ang mga tanong na ito: Maaari ka ring magtanong ng artificial intelligence, ngunit gagawin mo ang panghuling desisyon:
- Ang root question ba talaga ang tanong na gustong magpasya ng customer? - Nagsasapawan ba ang mga sanga sa unang antas? (Mutually exclusive?)- May naiwan ba? (Kumpleto ba ito nang magkasama?) - Maaari bang masuri ang bawat dahon gamit ang data, o opinyon ba ito? - Naisip ko na ba ang solusyon nang maaga? (Halimbawa, "suweldo ang solusyon")
Mga karaniwang pagkakamali
- I-embed ang solusyon sa tanong. "Dapat ba nating ibaba ang presyo?" Ipinapalagay ng tanong ang solusyon at ginagawang hindi nakikita ang iba pang mga lever. Magtanong muna ng "bakit".
- Nagsasapawan ng mga sanga. Kung ang "corporate customer" at "malaking customer" ay magkahiwalay na sangay, ang parehong customer ay mabibilang sa dalawang lugar; Nasira ang MECE.
- Antas ng paghahalo. Ang paglalagay ng dahilan (kumpetisyon) sa parehong antas ng epekto (pagbaba ng kita) ay ginagawang hindi makatwiran ang puno.
- Mga dahon na hindi masusubok. Ang "mahinang pamamahala" ay isang paghatol, hindi isang hypothesis. "Ang oras ng pagpapasya ay 40 araw sa karaniwan, 12 araw sa industriya" ang masusubok na hypothesis.
- Pagtanggap sa puno ng modelo kung ano ito. Nagbibigay ang AI ng mabilis na balangkas; Ang MECE auditing at prioritization ay iyong trabaho.
Babala: Nagpapakita ang AI ng isang hypothesis tree sa napakakumbinsi na paraan. Ang panghihikayat ay hindi katumpakan. Laging manu-manong suriin ang puno para sa MECE; Ang pagguhit ng mga sanga gamit ang panulat at papel ay madalas na nagpapakita ng overlap na hindi nakuha ng modelo.
Sa buod
Sa pagkonsulta, ang halaga ay nasa tamang tanong bago ang tamang sagot. Makapangyarihan ang AI sa paggawa ng hindi malinaw na reklamo sa isang masusukat na pahayag ng problema, pag-alis ng mga implicit na pagpapalagay, at mabilis na pag-sketch ng hypothesis tree. Ngunit nasa sa iyo na magpasya kung MECE ang puno, ang kakayahang masuri ng mga hypotheses, at kung alin ang unang susuriin. Ang modelo ay gumagawa ng isang draft; Trabaho ng consultant na pagmamay-ari, kontrolin at unahin ang problema.
Gawain ng aplikasyon
Pumili ng totoo o naisip na reklamo ng customer (isang pangungusap). Una, ibahin ito sa isang masusukat na pahayag ng problema at tatlong implicit na pagpapalagay na may malakas na prompt sa pag-frame ng problema. Pagkatapos ay bumuo ng dalawang antas na puno na may prompt ng MECE hypothesis tree. Manu-manong suriin ang puno upang mahanap at ayusin ang hindi bababa sa isang salungatan o puwang. Panghuli, punan ang effect-ease matrix at pumili ng dalawang hypotheses na susubok muna.
checklist
- [ ] Binago ko ang hilaw na reklamo sa isang pahayag ng problema kung sino/ano/pamantayan/saklaw/tagal.
- [ ] Natuklasan ko ang mga implicit na pagpapalagay.
- [ ] Siniyasat ko ang unang antas ng aking hypothesis tree bilang MECE.
- [ ] Na-verify ko na ang bawat dahon ay isang masusubok na hypothesis.
- [ ] Sinigurado kong hindi ko ibinaon ang solusyon sa tanong.
- [ ] Inuna ko ang impact-ease matrix.
- [ ] Hindi ko bulag na tinanggap ang puno ng modelo at itinama ito nang manu-mano.