Прибуток:
- Здатність пояснити рівні бізнес-аналітики (джерело, ETL, сховище даних, звіт) і правильне визначення ключових бізнес-метрик (KPI).
- Можливість використовувати штучний інтелект для визначення метрики, чернетки SQL і опису звіту та надання результату з реальними даними
- Здатність розпізнавати ризики плутанини кореляції та причинно-наслідкового зв’язку та оманливі показники в результатах аналізу, що підтримуються ШІ
Бізнес-аналітика (BI) — це дисципліна, яка збирає розрізнені дані організації, готує їх для аналізу та виробляє на основі цих даних інформацію для прийняття рішень. Для професіонала MIS BI є тим рівнем, де «дані перетворюються на рішення». Необроблені записи замовлення самі по собі не мають сенсу; але "в якому регіоні в цьому місяці знизився товарообіг, чому?" Це створює цінність, коли стає звітом, який може відповісти на запитання. У цьому розділі ми побачимо рівні BI, правильний метричний дизайн і де штучний інтелект є прискорювачем і пасткою в цьому процесі.
Архітектура BI зазвичай складається з наступних рівнів. Вихідні системи: місця походження даних, наприклад ERP, CRM, електронна комерція. Процес ETL (англ. Extract-Transform-Load): процес, який витягує дані з джерел (Extract), очищає їх і перетворює на стандартну структуру (Transform) і завантажує в ціль (Load). Сховище даних: центральне сховище, де збираються історичні та послідовні дані, призначені для аналізу. Рівень звітності/візуалізації: інформаційні панелі, звіти та спеціальні запити. У цьому ланцюжку якість кожного шару визначає наступний; Якщо джерело брудне, звіт також брудний.
Правильне визначення показників і KPI
Метрика – це виміряне числове значення: загальний оборот, кількість замовлень. KPI (ключовий показник ефективності) — це критично важливий показник, який вимірює ефективність порівняно з цільовим показником: «щомісячний відтік клієнтів нижче 5%». Не кожна метрика є KPI; KPI – це показник, який пов’язаний із бізнес-ціллю та ініціює рішення.
Найбільш підступною проблемою BI-проектів є нечіткість визначення метрик. Що означає «активний клієнт»? Замовлення за останні 30 днів або 90 днів? Чи враховуються ті, хто повернувся? Якщо дві команди мають на увазі різні речі під «кількістю активних клієнтів», одна панель показує два різні факти. Тому кожен KPI повинен мати загальноприйняте визначення з одного речення. ШІ швидко створює чернетки цих визначень; але бізнес-одиниця вирішує, яке визначення є «правильним».
Порада: розробляючи KPI, запишіть три речі: (1) формулу (що саме є чисельником/знаменником), (2) часове вікно, (3) виключені випадки. Коли штучний інтелект каже «виділіть неоднозначності у визначенні цього KPI як запитання», виявляється приховані припущення.
Крок за кроком: створення звітів за допомогою штучного інтелекту
Крок 1 — Уточніть питання. Якому рішенню буде служити звіт? Конкретна мета типу «ми вирішимо, на який регіон перекинемо бюджет», а не «це має виглядати красиво».
Крок 2 — Визначте показники. Напишіть необхідні KPI з формулами, вікнами та винятками. Штучний інтелект може створювати проекти визначень.
Крок 3 — Створіть чернетку SQL. Передайте інформацію про схему штучному інтелекту та створіть чернетку запиту. Але прочитайте та зрозумійте запит перед його виконанням.
Крок 4 — перевірте за допомогою невеликих даних. Спочатку запустіть запит на невеликій вибірці з відомими результатами; Перевірте підсумки вручну. SQL AI може бути синтаксично правильним, але логічно неправильним.
Крок 5 — Додайте розповідь, тестові твердження. AI може створювати описовий текст для звіту; але доведіть кожне причинне твердження («ось чому продажі впали»).
Пастка кореляції та причинності
Найнебезпечнішою помилкою в BI є інтерпретація двох показників, які діють разом, як «один створює інший». Кореляція - це коли два значення змінюються разом; Причинний зв'язок - це коли одне викликає інше. Речення «Зі збільшенням продажів морозива збільшилися випадки утоплення» вірне, але морозиво не викликає утоплення; Поширена причина - літо (жарка погода). Штучний інтелект може легко створювати причинно-наслідкові речення, створюючи розповідь звіту; Експерт MIS відповідає на ці твердження запитанням "чи є якесь інше пояснення?" Він повинен це перевірити. Інакше буде прийнято неправильне рішення з неправильної причини.
Три міні-кейси: у цифрах
Випадок 1 — Вартість невизначеної метрики. У телекомунікаційній компанії кількість «активних абонентів», представлена раді директорів, становила 2,1 мільйона, а звіт фінансової групи становив 1,7 мільйона. Різниця полягала в тому, що один вважав 90 днів «активними», а інший — 30 днів. Неправильна швидкість росту обговорювалася протягом двох тижнів, поки не було з’ясовано загальне визначення. Визначення KPI одним реченням дозволить уникнути цієї плутанини.
Випадок 2 — неправильний SQL AI. В одному роздрібному продавці штучний інтелект додав рядки повернення до загальної суми під час створення запиту «середній кошик на клієнта»; Результат був на 12% вище фактичного значення. SQL був синтаксично ідеальним. Коли експерт вручну перевірив відомий підсумок за день, він виявив відхилення та додав фільтр повернення.
Випадок 3 — Помилка причинності. У компанії електронної комерції на інформаційній панелі було повідомлення: «Продажі збільшуються на 18% у дні, коли надсилається кампанія електронною поштою», і команда збиралася збільшити бюджет кампанії. Аналіз показав, що кампанії вже були приурочені до днів кампанії з високим трафіком (періоди знижок). Саме період, а не електронна пошта, стимулював продажі. Якби бюджет збільшили без тестування з контрольною групою, гроші були б витрачені даремно.
Слабка підказка / Сильна підказка
Слабка підказка:
Напишіть звіт про продажі SQL із цієї таблиці.
Потужна підказка:
Ваша роль: Ви уважний BI-аналітик. Напишіть ЧЕРНЕТКУ SQL-запиту відповідно до схеми нижче. Правила: - Використовуйте лише надані таблиці/поля; невідповідне поле.- ВИКЛЮЧИТИ повернення (status='Return') із загальної кількості.- Часове вікно: останні 30 днів.- Коментар рядок за рядком, що робить запит.- Запропонувати 1 зразок рядка, який можна перевірити вручну для тестування в кінці. Схема: Замовлення(id, customer_id, дата, сума, статус)Customer(id, ім'я, сегмент)Призначення: чисті останні 30 днів оборот за сегментами.
Потужна підказка обмежує схему, накладає бізнес-правило (за винятком повернення), визначає вікно та запитує вихідні дані, які можна перевірити.
Чотири шаблони, які можна копіювати
1) Пояснення визначення KPI:
Напишіть повний опис наступного KPI: формула (чисельник/знаменник), часове вікно, виключені випадки. Будь-яку двозначність у визначенні додайте як запитання. KPI: [назва, напр. "коефіцієнт відтоку клієнтів"]
2) Перевірка логіки SQL:
Перевірте наступний SQL-запит: чи існує ризик логічних помилок, неправильних JOIN, відсутніх фільтрів або подвійного підрахунку? Напишіть обґрунтування кожного висновку. Не змінюйте запит, просто перевірте його. SQL: [запит]
3) Опис звіту + контроль вимог:
Напишіть короткий підсумок із наведеної нижче таблиці результатів. Позначте [ПОТРІБНІ ДОКАЗИ] біля кожної причинно-наслідкової заяви та запропонуйте альтернативне пояснення. Просто спирайтеся на дані в таблиці. Таблиця: [дані]
4) Перевірка узгодженості показників:
У двох наведених нижче звітах показники з однаковою назвою дають різні значення. Перераховано можливі відмінності у визначенні (часове вікно, фільтр, обчислення). Звіти: [A] [B]
Порівняльна таблиця: хороший і поганий KPI
функція
Поганий KPI
Хороший KPI
опис
«Активний клієнт»
«Клієнт із ≥1 виконаним замовленням за останні 30 днів»
зв'язок з ціллю
Жодного
«Залишатися на рівні втрат нижче 5%»
вимірність
неоднозначний
формула чітка
виняток
невизначений
Без урахування повернення
Чи викликає це рішення?
немає
так
Поширені помилки
- Залишення метрики невизначеною. Якщо такі слова, як «активний», «успішний», «завершений», використовуються без формули, кожна команда зараховується по-різному.
- Запуск SQL AI без перевірки. Синтаксично правильний запит може бути логічно неправильним; подвійний підрахунок і неправильний JOIN є поширеними.
- Сплутана кореляція з причинно-наслідковим зв’язком. Думка про те, що «це збільшилося разом із цим» означає «це спричинило те», призведе до неправильного рішення.
- Марнославство метрична гонитва. Помилково приймаючи химерні, але не вирішальні показники, такі як «загальна кількість кліків», за KPI.
- Подання чисел без контексту. Одне лише «Оборот 4,2 млн.» не має сенсу; Контекст потрібен на основі минулого місяця, цілі чи бюджету.
Застереження: наративи звітів, створені штучним інтелектом, переконливі та плавні; Це точно збільшує ризик. Повільне речення може містити хибне твердження про причинність. Перевірте кожне твердження «тому що» і «тому» доказами.
Підсумовуючи
Бізнес-аналітика – це рівень, який перетворює розрізнені дані в рішення та складається з джерела, ETL, сховища даних і ланцюжка звітів. KPI – це критичний показник, пов’язаний із бізнес-ціллю, із чітко визначеною формулою та винятками; undefined metric є найпоширенішою помилкою BI. Штучний інтелект забезпечує значну швидкість у створенні визначення KPI, чернетки SQL і опису звіту; але кожен SQL має бути логічно обґрунтований, кожне число має підтверджуватися відомими даними, а кожне причинно-наслідкове твердження має бути перевірено доказами. Кореляція не є причиною; Плавний наратив не гарантує точності.
Аплікаційне завдання
Розробіть KPI «відсоток завершення» для платформи онлайн-курсу. (1) Напишіть опис одним реченням із формулою, часовим вікном і винятками (наприклад, чи враховуються скасовані реєстрації?). (2) Створіть просту схему (Реєстрація, Курс, Прогрес) і згенеруйте чернетку SQL для цього KPI з потужною підказкою. (3) Знайдіть принаймні один можливий ризик подвійного підрахунку або неправильного фільтрування в запиті. (4) Роздрукуйте короткий виклад висновку та позначте в ньому кожну причинно-наслідкову претензію. (5) Наведіть приклад кореляційно-причинної пастки та поясніть, як ви її перевіряєте.
контрольний список
- [ ] Написано формулу, часове вікно та винятки для кожного KPI.
- [ ] Я прочитав і зрозумів SQL, згенерований ШІ рядок за рядком.
- [ ] Я вручну перевірив запит із маловідомими даними.
- [] Я перевірив кожне причинно-наслідкове твердження у звіті доказами.
- [ ] Я контекстуалізував кожне число за допомогою контрольного показника (ціль/останній період).
- [] Я досяг консенсусу між командами щодо визначення показників.