Mga nadagdag:
- Kakayahang suriin ang mga talahanayan ng benta, gastos at pagpapatakbo gamit ang artipisyal na katalinuhan at makita ang mga uso, break at outlier
- Kakayahang mag-verify laban sa mga error sa aritmetika at guni-guni sa pamamagitan ng muling paggawa o manu-manong pagsuri sa bawat kalkulasyon
- Kakayahang makilala ang ugnayan mula sa sanhi at tanong sa kalidad ng data at mga limitasyon ng sample bago ang interpretasyon
Ang isa sa mga paulit-ulit na parirala sa pagkonsulta sa pamamahala ay: "Ano ang sinasabi ng mga numero?" Data ng benta ng customer, talahanayan ng gastos, mga segment ng customer o sukatan ng pagpapatakbo; lahat sila nagkukwento. Ang trabaho ng consultant ay hanapin ang kuwentong iyon, patunayan ito, at ipakita ito nang malinaw sa gumagawa ng desisyon. Ang artificial intelligence ay nagbibigay-kahulugan sa isang tsart sa ilang segundo, nagtuturo ng mga uso, gumagawa ng mga kalkulasyon, at kahit na bumubuo ng code (Python, Excel formula) para sa pagsusuri. Ngunit mayroong isang partikular na panganib dito: Ang AI ay maaaring tahimik na magkamali sa aritmetika at ipakita ang maling numero nang may tamang kumpiyansa. Samakatuwid, ang ginintuang tuntunin sa pagsusuri ng data ay gawing muli o manu-manong suriin ang bawat pagkalkula.
Dalawang paraan upang gumana sa data
Mayroong dalawang pangunahing paraan ng pagsusuri ng data gamit ang AI, at ang pag-alam sa pagkakaiba ay kritikal para sa katumpakan.
- Tekstuwal na interpretasyon ng modelo: Direktang i-paste mo ang data sa chat at sabihin ang "comment". Binabasa ng modelo ang mga pattern ngunit ginagawa ang mga kalkulasyon "sa isip"; Ito ang landas na may pinakamataas na panganib ng pagkakamali. Angkop para sa maliliit na talahanayan at husay na interpretasyon, hindi para sa tumpak na accounting.
- Pagbuo ng code/tool: Nagpi-print ka ng analysis code (Python/pandas) o Excel formula sa modelo; Ang code ang gumagawa ng pagkalkula, hindi ang modelo. Ang paraang ito ay higit na maaasahan dahil ang arithmetic ay gumagana sa isang deterministikong kasangkapan. Mas gusto ito para sa malaking data at tumpak na numero.
Tip: Kung kailangan mo ng eksaktong numero (kabuuang turnover, average, growth rate) hilingin sa modelo na "isulat ang Excel formula/Python code na kinakalkula ito", patakbuhin ang resulta nang mag-isa. Huwag kailanman isaalang-alang ang numero na ibinigay ng modelo bilang pinal.
Paano mag-set up ng prompt ng pagsusuri
Kasama sa isang mahusay na prompt ng pagsusuri ang data, ang itinanong, at ang panuntunan sa pagpapatunay.
Ang iyong tungkulin: data analyst. Nasa ibaba ang isang 24 na buwang tsart ng benta (buwan, rehiyon, produkto, dami, turnover). Gawain: 1) Ibuod ang kabuuan at buwanang takbo ng turnover. 2) Hanapin ang 3 pinakamabilis na lumalago at pinakamabilis na lumiliit na bahagi ng produkto sa rehiyon. 3) Markahan kung mayroong anumang outlier (hindi inaasahang pagtalon/pagbagsak). Mga Panuntunan:- Isulat ang Excel formula na gumagawa ng bawat pagkalkula sa tabi nito; Ibe-verify ko.- Ihiwalay ang interpretasyon sa data: una “the data says”, then “possible meaning”.- Huwag mag-claim ng causality; ipakita lamang ang pattern.
Ang kahilingang ito ay may tatlong kritikal na elemento: nangangailangan ng pormula (pag-verify), paghihiwalay ng data mula sa interpretasyon (integridad), at pagbabawal sa pag-angkin ng sanhi (ang paksa ng susunod na seksyon).
Ang ugnayan ay hindi sanhi
Ang pinakakaraniwan at magastos na lohikal na pagkakamali sa pagsusuri ay ang pag-aakalang isa sa dalawang bagay na magkakasamang kumikilos ang nagiging sanhi ng isa pa. Dahil lamang sa pagtaas ng dalawang baryabol nang magkasama (kaugnayan) ay hindi nagpapatunay na ang isa ay nagiging sanhi ng isa pa (causation); Maaaring may ikatlong kadahilanan o nagkataon. Klasikong halimbawa: habang tumataas ang benta ng ice cream, tumataas din ang pagkalunod; Ang dahilan ay hindi ice cream, mainit na panahon ay nagpapataas ng pareho.
Ang AI ay madaling magsulat ng isang ugnayan habang ang "X ay nagpapataas ng Y." Kapag nakita ng consultant ang pangungusap na ito, dapat siyang huminto at magtanong: "Ito ba talaga ang dahilan, o may nakatagong salik?" Claim ng sanhi; Ang kinokontrol na paghahambing ay nangangailangan ng kaalaman sa pagkakasunud-sunod ng oras at domain.
Ang iyong tungkulin: kritikal na analyst ng data. Ang sumusunod na pagsusuri ay naglalaman ng claim na "X nagpapataas ng Y." Gawain:- Suriin kung ang ugnayang ito ay ugnayan o makatwirang sanhi.- Maglista ng 3 posibleng nakatago (ikatlong) salik na maaaring maka-impluwensya sa pareho.- Sabihin kung anong karagdagang ebidensya (pangkat ng paghahambing, pagkakasunud-sunod ng oras) ang kailangan upang suportahan ang sanhi.Gumamit ng mahigpit na pananahilan na pananalita; Isulat ang "posible" at "dapat subukan."
Pagtatanong sa kalidad ng data bago ang interpretasyon
Ang mabuting pagsusuri ay hindi nagmumula sa masamang data. Itanong sa bawat tsart ang mga tanong na ito bago magkomento:
kontrol
Bakit ito mahalaga?
Paano mag-aalaga
nawawalang data
Binabaluktot ng mga walang laman na cell ang mean
Bilangin ang blangko/zero na ratio
outliers
Ang nag-iisang outlier ay sumisira sa trend
Tingnan ang min-max at pamamahagi
Katatagan ng kahulugan
Pareho ba ang "turnover" bawat buwan?
Kumpirmahin ang kahulugan ng column
saklaw ng oras
Nakakapanligaw ba ang seasonality?
Paghambingin ang taon-sa-taon
sample
Kinakatawan ba ng data ang buong uniberso?
Humingi ng coverage rate
Bago INTERPRETING ang talahanayang ito, gumawa ng pagsusuri sa kalidad ng data:- Ano ang nawawala/zero cell ratio?- Sa aling mga hilera matatagpuan ang mga extreme (outlier) na halaga?- Pare-pareho ba ang mga kahulugan ng column, mayroon bang kahina-hinala? Magbigay lang ng audit report; Wag ka na mag comment.
tatlong mini case
Case 1 — Tahimik na error sa aritmetika. Ang isang consultant ay may modelo na mangolekta ng 12 buwang turnover; ang sabi ng modelo ay "142.6 milyon." Sinusuri ng consultant sa Excel: aktwal na kabuuang 128.4 milyon; Ang modelo ay nagdagdag ng dalawang buwan nang hindi tama. Kung ang isang formula ay hiniling sa halip na isang pagkalkula ng kaisipan, hindi sana nagkamali. Kung maling numero ang nailagay sa presentasyon, nayanig ang kumpiyansa ng customer.
Kaso 2 — Huwad na sanhi. Sa isang retailer, sinabi ng modelo, "Nadagdagan ang turnover sa mga buwan kung kailan inalok ang diskwento, kaya pinapataas ng diskwento ang turnover." Huminto ang consultant: ang mga diskwento ay ginawa na sa panahon ng bakasyon; Ang pangunahing driver ay ang holiday demand. Upang sukatin ang epekto ng diskwento, kinakailangan ang paghahambing sa holiday na walang diskwento. Pinipigilan ng maling hinuha ang isang suhestyon sa pagsunog ng margin tulad ng "magdiskwento tayo bawat buwan."
Kaso 3 — Outlier na bitag. Ang isang zone average na halaga ng order ay lumilitaw na abnormal na mataas. Ang modelo ay binibigyang kahulugan ito bilang isang "premium zone". Ang consultant ay nagbubukas ng linya: ang isang solong corporate order na 4.2 milyon ay napalaki ang average; Kapag naalis ang linyang iyon, karaniwan na ang rehiyon. Ang paggamit ng median ay maiiwasan ang bitag na ito sa unang lugar.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Suriin ang tsart ng pagbebenta na ito at sabihin ang mga pangunahing natuklasan.
Kinakalkula ng modelo ang head-on, inaangkin ang sanhi, at nagbibigay ng hindi nabe-verify na mga natuklasan.
Napakahusay na prompt:
Ang iyong tungkulin: maselang data analyst. Magsagawa muna ng pag-audit sa kalidad ng data (nawawala, outlier, pagkakapare-pareho ng kahulugan). Pagkatapos: buwanang trend, nangungunang 3 breakdown, outlier.- Isulat ang Excel formula para sa bawat account; Ive-verify ko.- Bigyan din ng median sa halip na mean (para makita ang outlier effect).- Ihiwalay ang "data says" mula sa "possible meaning"; HUWAG MAG-ANGKIN ng sanhi. - Markahan ang "hindi malinaw" kung saan hindi ka sigurado.
Segmentation: ang katotohanang tinatago ng karaniwan
Ang isa sa pinakamakapangyarihang hakbang sa pagsusuri sa pagkonsulta ay ang pagse-segment: paghahati-hati ng kabuuang bilang sa mga makabuluhang subgroup. Ang "average na customer" ay madalas na isang hindi umiiral na konstruksyon; Ang katotohanan ay nakatago sa mga subgroup. Halimbawa, habang lumilitaw na 8% ang average na margin ng kita, 20% ng mga customer ang maaaring magdala ng 25% na margin at 30% ang malulugi; ganap na itinatago ng average ang katotohanang ito. Tinutulungan ka ng artificial intelligence na mabilis na masira ang isang chart sa iba't ibang axes (uri ng customer, rehiyon, produkto, channel) at hanapin kung aling breakdown ang nagpapakita ng pinakakapansin-pansing pagkakaiba.
Ang iyong tungkulin: data analyst. Nasa ibaba ang talahanayan.Gawain: Hatiin ang data na ito sa sumusunod na axis: [uri ng customer / rehiyon / produkto]. Para sa bawat pangkat: kabuuan, bahagi (%), mean AT median, laki ng grupo (n). Mga Panuntunan:- Kung pangkat n<30, markahan ang "maliit na sample - pansin".- Isulat ang formula para sa bawat account; Ive-verify ko.- Ipakita ang pinakamataas at pinakamababang grupo; Suriin kung totoo ang pagkakaiba o dahil sa isang outlier. Hayaan mo muna akong sabihin sa iyo kung aling breakdown ang inaasahan ko: [hypothesis].
Mga karaniwang pagkakamali
- Umaasa sa pagkalkula ng ulo ng modelo. I-outsource ang arithmetic sa deterministic na tool (Excel/Python); Suriin ang resulta nang nakapag-iisa.
- Nagkakamali sa ugnayan para sa sanhi. Huwag isulat ang pangungusap na "X dinadagdagan ang Y" nang walang ebidensya; Magtanong tungkol sa nakatagong salik.
- Bulag na nakatingin sa karaniwan. Ang nag-iisang outlier ay nagpapalaki ng mean; Tingnan din ang median at pamamahagi.
- Pag-bypass sa kalidad ng data. Ang mga interpretasyon na nagreresulta mula sa hindi kumpleto, duplicate o hindi pare-parehong data ay nakakapanlinlang; check mo muna.
- Nakakalimutan ang halimbawa. Ang pag-generalize mula sa isang maliit o biased sample sa buong populasyon ay magbubunga ng mga maling resulta.
- Nakalilito ang data sa interpretasyon. Ipakita nang hiwalay kung ano ang pagsukat at kung ano ang hinuha.
Pansin: Kung ang resulta ng pagsusuri ng data sa pananalapi, kalusugan o kaligtasan ng pagpapatakbo ay magiging batayan para sa isang desisyon, ang mga kalkulasyon at interpretasyon ay dapat kumpirmahin ng may-katuturang eksperto (pinansyal na tagapayo, aktuwaryo, eksperto sa larangan). Ang artipisyal na katalinuhan ay gumagawa ng paunang pagsusuri; Ang huling pagsusuri at pananagutan ay pag-aari ng mga tao.
Sa buod
Ang artificial intelligence ay isang makapangyarihang tulong sa pagbibigay-kahulugan sa tabular na data, paghahanap ng mga trend at breakdown, at pagbuo ng code ng pagsusuri. Ngunit dahil tahimik itong makakagawa ng mga pagkakamali sa aritmetika, kinakailangang gawin muli ang bawat pagkalkula gamit ang isang deterministikong tool at manu-manong suriin. Ang paghihiwalay ng ugnayan sa causality, pagtingin sa median sa tabi ng mean, pagsuri sa kalidad ng data bago ang interpretasyon, at pag-obserba sa mga limitasyon ng sample ay ang mga pangunahing disiplina ng consultancy. Ang modelo ay nagpapakita ng pattern; Lumilikha ang mga tao ng kahulugan at responsibilidad.
Gawain ng aplikasyon
Pumili ng aktwal o kinatawan na pahayag ng benta/gastos. Patakbuhin muna ang prompt ng pagsusuri sa kalidad ng data at maghanap ng kahit isang isyu (nawawala, outlier, hindi pagkakatugma ng kahulugan). Pagkatapos ay i-extract ang mga trend at breakout na may malakas na pagsusuri na prompt; Manu-manong i-verify din ang formula para sa bawat account. Ihambing ang mean sa median at tuklasin ang isang outlier na epekto. Panghuli, humanap ng causality claim na isinulat ng modelo at i-rephrase ito bilang "kaugnayan."
checklist
- [ ] Muli kong pinatakbo ang bawat eksaktong kalkulasyon gamit ang deterministic na tool (Excel/Python).
- [ ] Nagsagawa ako ng pagsusuri sa kalidad ng data bago magkomento.
- [ ] Bukod sa mean, tiningnan ko ang median at distribution.
- [ ] Napanatili ko ang pagkakaiba ng ugnayan-sanhi.
- [ ] Kinuwestiyon ko ang sample at mga limitasyon ng tagal ng panahon.
- [ ] Pinaghiwalay ko ang "sabi ng data" at "posibleng kahulugan".
- [ ] Nagplano ako ng pag-apruba ng eksperto sa pagsusuring kritikal sa desisyon.