Mga nadagdag:
- Kakayahang gumawa ng insight na nakatuon sa desisyon mula sa dispersed data sa pamamagitan ng pag-unawa sa data-information-insight-decision ladder at pagsasagawa ng artificial intelligence step by step
- Kakayahang ibunyag ang katotohanang nakatago ng kabuuang bilang sa pamamagitan ng segment breakdown at makilala ang ugnayan mula sa causality
- Kakayahang ituring ang mga dahilan na iminungkahi ng artificial intelligence bilang mga hypotheses na susuriin at ibabase ang pinal na desisyon sa na-verify na insight
Dose-dosenang numero ang dumarating sa desk ng manager araw-araw: mga numero ng benta, gastos, reklamo ng customer, antas ng imbentaryo, rate ng turnover ng empleyado. Ngunit ang bilang lamang ay hindi ang desisyon. Ang desisyon ay nagsisimula sa pagkita ng kahulugan sa loob ng numero. "Bumaba ng 8 porsiyento ang mga benta kumpara noong nakaraang buwan" ay ibinigay; "Ang pagbaba sa mga benta ay dahil sa dalawang malalaking customer sa rehiyon ng Aegean na ipinagpaliban ang kanilang mga order" ay isang pananaw. Dito, ang suporta sa pagpapasya - ang proseso na ginagawang makabuluhan ang data para sa tagapamahala upang makagawa ng mas mahusay na mga desisyon - ang tulay na ginagawang insight ang data. Sa unit na ito, matututunan natin kung paano gamitin ang AI sa tulay na ito. Malinaw ang hangganan sa simula: Ang AI ay gumagawa ng mga draft na insight; Ang manager ang magpapasya kung aling insight ang totoo at kung ano ang gagawin.
Apat na hakbang mula sa data hanggang sa insight
Ang suporta sa desisyon ay isang hagdan. Unang digit — data: mga raw na numero (1,240 order ang dumating ngayong buwan). Pangalawang digit — impormasyon: na-edit, inihambing ang mga numero (bumababa ng 8 porsiyento mula noong nakaraang buwan). Third tier — insight: pag-unawa sa dahilan ng pagbaba (pagkaantala mula sa dalawang pangunahing customer). Ikaapat na hakbang — desisyon: kung ano ang gagawin (panayam ang mga customer na ito at i-target ang mga bagong customer). Ang AI ay napakabilis sa una at pangalawang hakbang, ay isang mahusay na katulong sa pangatlo, nag-aalok lamang ng mga pagpipilian sa ikaapat.
Ang pag-alam sa hagdan na ito ay mahalaga dahil karamihan sa mga tagapamahala ay direktang humihiling sa AI na "magpasya para sa akin" at mabigo. Gayunpaman, kung isasagawa mo ang AI nang sunud-sunod - buod muna, pagkatapos ay ikumpara, pagkatapos ay tanungin ang mga posibleng dahilan, at sa wakas ay gagawa ka mismo ng desisyon - pareho kang magiging mabilis at maaasahan.
Hint: Tanungin ang AI "ano ang hinuhulaan mo mula sa data na ito?" Sa halip na itanong nang sabay-sabay, magpatuloy nang sunud-sunod sa pamamagitan ng pagsasabi ng "ibuod muna, pagkatapos ay ipakita ang 3 pinakakilalang pagbabago, pagkatapos ay magmungkahi ng 2 posibleng dahilan para sa bawat isa." Ang stepwise na pag-iisip ay nagbibigay ng mas tumpak na mga resulta.
Ang ugnayan at sanhi ng bitag
Ang pinaka-mapanganib na patibong ng suporta sa pagpapasya ay ang pagkakamali ng ugnayan para sa sanhi. Ang ugnayan ay kapag ang dalawang bagay ay gumagalaw nang magkasama (magkasama ang benta at pagkalunod sa tag-araw). Ang sanhi ay kapag ang isa ay humahantong sa isa (ice cream ay hindi nagiging sanhi ng inis; mainit na panahon ang karaniwang dahilan). Napakahusay ng AI sa paghahanap ng mga bagay na magkakasamang gumagalaw sa iyong data, ngunit hindi nito matukoy kung alin ang tunay na dahilan. Ang pagsasabing "Tumaas ang gastos sa advertising at tumaas ang mga benta" ay hindi nagpapatunay na ang advertising ay tumaas ang mga benta; marahil pareho ang naapektuhan ng kapaskuhan.
Kaya kapag ang AI ay nagmumungkahi ng isang dahilan, ituring ito bilang isang hypothesis (pagpapalagay na kailangang patunayan), hindi bilang isang katotohanan. "Paano ko ito susuriin?" magtanong. Sinusuri ng isang mahusay na tagapamahala ang dahilan kung bakit iminumungkahi ng AI sa field o gamit ang data.
tatlong mini case
Kaso 1 - Paghuli sa lihim na pagkahulog. Sa isang e-commerce na kumpanya, ang kabuuang turnover ay tila stable, walang naalarma. Ibinibigay ng manager ang anonymous na buwanang data sa AI at nagtanong ng "Aling segment ang lumalaki at alin ang lumiliit ayon sa kategorya?" tanong niya. Ipinakita ng YZ na habang ang kabuuang turnover ay pare-pareho, ang high-profit na kategorya ng electronics ay talagang bumaba ng 22 porsiyento, na may mababang kita na mga benta ng accessory na nakatago dito. Kinumpirma ito ng manager at tumutok sa kategorya ng electronics. Ang kabuuang bilang ay itinago; Ang pahinga ay nagsiwalat ng katotohanan.
Kaso 2 — Tumatakbo sa maling dahilan. Ang manager ng isang cafe chain ay nagbigay ng data sa pagbebenta sa AI. "Ang mga benta sa katapusan ng linggo ay gumagalaw sa temperatura ng panahon," sabi ni YZ. Binasa ito ng manager bilang "nadagdagan ang benta ng mainit na panahon" at tinanggihan ang mga air conditioner. Gayunpaman, ang tunay na dahilan ay ang tumaas na trapiko ng customer sa katapusan ng linggo; Ang temperatura ay nagkataon na lumipat sa parehong direksyon. Napagkamalan ng manager na ang ugnayan ay sanhi. Natutunan niya ang kanyang aralin at sinubukan ang bawat dahilan mula ngayon.
Case 3 — Tamang pagtatatag ng paghahambing. Inihahambing ang kahusayan ng dalawang pabrika sa isang production enterprise. Tinanong ng manager ang AI, "Ang factory A ba ay mas mahusay kaysa sa B?" tanong niya, ngunit hindi alam ng AI na ang pabrika A ay mas bago at mas maliit. Itinama ng manager ang prompt: "ihambing ang ani bawat unit, na isinasaalang-alang ang laki at pagkakaiba ng edad." Sa pagkakataong ito ang pagsusuri ay patas at ang tunay na pagkakaiba ay nahayag.
Apat na maaaring kopyahin na mga template
1) Stepwise insight extraction:
Ang iyong tungkulin: analyst ng negosyo na tumutulong sa manager. Gamitin ang naka-attach na anonymous na data (panahon, kategorya, benta, gastos). Magpatuloy sa hakbang-hakbang: 1) Ibuod ang data sa 4 na item. 2) Ipakita ang 3 pinakakilalang pagbabago kumpara sa huling yugto. 3) Magmungkahi ng hanggang 2 POSIBLE na dahilan para sa bawat pagbabago at sabihin na ang mga ito ay hypotheses at kailangan ng ebidensya. Huwag gumawa ng anumang mga numero na wala sa data na ibinigay ko.
2) Pagsusuri ng breakdown (segment):
Kahit na mukhang stable ang kabuuang bilang, gusto kong malaman kung ano ang nangyayari sa loob. Hatiin ang naka-attach na data ayon sa kategorya/rehiyon/segment ng customer. Ipakita kung aling segment ang lumalaki at alin ang lumiliit sa isang talahanayan. Lalo na markahan ang mga pagbaliktad na nagtatakip sa kabuuan.
3) Pagsusuri sa ugnayan-sanhi:
Natagpuan ko ang relasyong ito: [Magkasama ang A at B]. Tulungan akong malaman kung ito ay tunay na sanhi at bunga o isang aksyon na magkasama. Maglista ng mga posibleng KARANIWANG sanhi at magmungkahi ng 3 praktikal na pagsusuri na maaari kong gawin upang subukan ang relasyong ito.
4) Pagbuo ng pagpipiliang desisyon:
Kinumpirma ko ang insight na ito: [insight]. HUWAG magpasya para sa akin; sa halip, bumuo ng 3 magkakaibang opsyon sa pagkilos. Para sa bawat opsyon: inaasahang benepisyo, tinantyang gastos/pagsisikap, malaking panganib, at kung aling sitwasyon ang dapat piliin. Ipakita ang mga opsyon nang neutral; huwag ipilit ang isang tao.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Bakit bumaba ang benta?
Walang data, walang tuldok, walang konteksto. Ang AI ay naglilista ng mga pangkalahatang dahilan (ekonomiya, kumpetisyon, panahon); Wala sa mga ito ang partikular sa iyong sitwasyon at hindi ma-verify.
Napakahusay na prompt:
Ang iyong tungkulin: retail analyst. Gamitin ang naka-attach na anonymous na 6 na buwang data (buwan, rehiyon, kategorya, bilang ng mga benta, turnover). Bumaba ng 8% ang kabuuang turnover noong nakaraang buwan. Hatiin ito ayon sa rehiyon at kategorya; alamin kung saang segment nanggagaling ang pagtanggi. Magmungkahi ng hanggang 2 masusubok na hypotheses para sa bawat pagtanggi na makikita mo. Gamitin mo lang ang mga binigay kong numero.
Sukat
mahinang diskarte
Malakas na diskarte
Data
wala
Anonymous at kalakip
Tanong
Ang heneral na "bakit?"
Naka-refraction at nakatutok
output
Pangkalahatang dahilan
Mga nasusubok na hypotheses
Pagpapatunay
mababa
mataas
halaga ng desisyon
Mas kaunti
mataas
Mga karaniwang pagkakamali
- Umaasa sa kabuuang bilang. Bagama't pare-pareho ang kabuuan, maaaring magkaroon ng malalaking pagbaliktad sa loob; Tiyaking tingnan ang breakdown.
- Nagkakamali sa ugnayan para sa sanhi. Tingnan ang ugnayang nahanap ng AI bilang isang hypothesis na susuriin, hindi bilang ebidensya.
- Hindi patas na paghahambing. Huwag ikumpara ang mga unit na may iba't ibang laki/edad/kondisyon nang hindi ginagawang normal ang mga ito.
- Paghiling ng mga desisyon nang direkta mula sa AI. Ang AI ay bumubuo ng mga pagpipilian; Nasa iyo ang desisyon at responsibilidad.
- Pagguhit ng mga konklusyon gamit ang data ng isang panahon. Kinakailangan ang sapat na makasaysayang data para sa pagte-trend.
Babala: Kahit gaano man katalino ang isang insight, hindi ito dapat maging desisyon kung hindi ito mabe-verify mula sa iyong data. "Sinabi ng AI" ay hindi isang katwiran; "Sinubukan ko ito gamit ang data at ito ay napatunayan" ay isang katwiran.
Sa buod
Ang suporta sa desisyon ay ang hagdan na ginagawang insight ang data: data, impormasyon, insight, desisyon. Ang AI ay napakabilis sa unang dalawang hakbang, isang mahusay na katulong sa ikatlo, at isang opsyon na provider lamang sa ikaapat. Tingnan ang mga breakdown, hindi ang kabuuang bilang; Huwag ipagkamali ang ugnayan bilang sanhi; Tingnan ang mga dahilan na iminumungkahi ng AI bilang mga hypotheses na susuriin. Ang stepwise na pag-iisip ay nagbibigay ng mas tumpak na mga resulta. Ang pinal na desisyon ay batay sa na-validate na insight ng manager.
Gawain ng aplikasyon
Maghanda ng anonymous na set ng data mula sa iyong negosyo (hal. mga benta na nakabatay sa kategorya para sa huling 6 na buwan). Ipagawa ang AI ng segment breakdown gamit ang template na "Breakdown analysis" sa itaas. Gumawa ng hypothesis gamit ang template na "Correlation-causation test" para sa pinakamalaking pagbabagong nakita mo at isulat kung paano mo susubukin ang hypothesis na ito sa field sa 3 item.
checklist
- [ ] Na-anonymize ko ba ang data?
- [ ] Tiningnan ko ba ang breakdown (segment) kaysa sa kabuuan?
- [ ] Itinuring ko ba ang dahilan na iminungkahi ng AI bilang isang hypothesis?
- [ ] Na-set up ko ba ang mga paghahambing nang patas (na-normalize)?
- [ ] Ako ba mismo ang gumawa ng desisyon batay sa na-verify na insight?