فائدہ:
- ایک مبہم صارف کے سوال کو ایک واضح، قابل حل مسئلہ بیان میں تبدیل کرنے اور مصنوعی ذہانت کے ساتھ MECE مفروضے کے درخت (ایشو ٹری) کو قائم کرنے کی صلاحیت
- مفروضے پیدا کرنے اور اندھے دھبوں کا پتہ لگانے کے لیے مصنوعی ذہانت کا استعمال کرنے کی صلاحیت، اور اپنے فیصلے سے فیصلہ کریں کہ پہلے کس مفروضے کی جانچ کی جائے گی۔
- مسئلہ کی ساخت میں عام خرابیوں کو پہچاننے اور ان سے بچنے کی صلاحیت (متضاد شاخیں، حل پیشگی فرض کرنا، غلط سوال)۔
مشاورتی منصوبے کی سب سے مہنگی غلطی غلط سوال کو حل کرنا ہے۔ گاہک پوچھتا ہے "ہماری فروخت کم ہو رہی ہے، ہمیں کیا کرنا چاہیے؟" آتا ہے: لیکن اصل سوال یہ ہے کہ "کس طبقہ میں، کیوں اور کتنا حصہ ہمارے کنٹرول میں ہے؟" یہ ہو سکتا ہے. ایک تجربہ کار کنسلٹنٹ مسئلے کی صحیح وضاحت سے شروع کرتا ہے، جوابات تلاش کرنے سے نہیں۔ مصنوعی ذہانت اس مرحلے پر بہترین سوچ کا ساتھی ہے: یہ منٹوں میں درجنوں ممکنہ وجوہات، ذیلی سوالات اور مفروضے پیدا کرتی ہے۔ لیکن یہ فیصلہ کرنا کہ کون سا سوال صحیح سوال ہے، فیصلہ ہوتا ہے، اور یہ فیصلہ آپ کا ہے۔
اس یونٹ میں، ہم دو ٹولز کو جوڑیں گے جو مصنوعی ذہانت کے ساتھ مشاورت کی ریڑھ کی ہڈی ہیں: مفروضے کا درخت (مسائل کا درخت، ایک درخت کا خاکہ جو ایک مسئلے کو ذیلی سوالات میں شاخ کرتا ہے) اور MECE اصول (باہمی طور پر خصوصی، اجتماعی طور پر مکمل — شاخیں ایک دوسرے کو اوورلیپ نہیں کرتی ہیں) اور ایک ساتھ مل کر مسئلے کا احاطہ کرتے ہیں۔
مبہم سوال سے حل طلب مسئلہ تک
ایک اچھے مسئلے کے بیان میں چار چیزیں شامل ہیں: کون (فیصلہ کرنے والا)، کیا (فیصلہ)، معیار (کامیابی کی پیمائش کس چیز سے ہوتی ہے)، حد (دائرہ کار اور مدت)۔ "فروخت گر رہی ہے" ایک شکایت ہے۔ "3 سب سے زیادہ موثر لیور کون سے ہیں جو موجودہ بجٹ کے ساتھ اگلے 12 مہینوں میں B2B سیگمنٹ میں ٹرن اوور میں 10% اضافہ کریں گے؟" ایک مسئلہ بیان ہے. آپ یہ تبدیلی مصنوعی ذہانت سے کر سکتے ہیں، لیکن پہلے آپ کو خام صورتحال کو واضح طور پر بیان کرنا چاہیے۔
آپ کا کردار: مینجمنٹ کنسلٹنٹ کے لیے مسئلہ کی ساخت کا کوچ۔ میں آپ کو کلائنٹ کی خام شکایت دوں گا۔ آپ کا کام: 1) اسے ایک جملے، قابل پیمائش مسئلہ کے بیان میں تبدیل کریں (فیصلہ ساز، فیصلہ، کامیابی کے معیار، دائرہ کار، مدت کو شامل کرنا چاہیے)۔ 2) ان 3 مضمر مفروضوں کو ظاہر کریں جن پر یہ بیان مبنی ہے۔ خام شکایت: "[کلائنٹ کے الفاظ میں...]"
مشورہ: گاہک کو مسئلہ کا بیان واپس پڑھیں۔ "تو آپ کے لیے کامیابی 12 مہینوں میں B2B ٹرن اوور میں 10% اضافہ ہے، درست؟" یہ ایک جملہ اس منصوبے کی سمت اور اس کے بعد شروع سے "ہم یہ نہیں چاہتے تھے" کی بحث کو حل کرتا ہے۔
مصنوعی ذہانت کے ساتھ مفروضے کے درخت کی تعمیر
ایک بار جب مسئلہ واضح ہو جائے تو آپ اسے باہر نکال دیں۔ درخت کی جڑ بنیادی سوال ہے؛ شاخیں ممکنہ ردعمل کے محور ہیں؛ پتے قابل امتحان مفروضے ہیں۔ مثال کے طور پر، "B2B کاروبار کیوں نہیں بڑھ رہا ہے؟" سوال کو دو اہم شاخوں میں تقسیم کیا جا سکتا ہے: (1) نئے کسٹمر کا حصول کمزور ہے، (2) موجودہ کسٹمر کی آمدنی کم ہو رہی ہے۔ ہر شاخ کو اس کی اپنی ذیلی شاخوں میں تقسیم کیا گیا ہے۔ ایک اچھا درخت MECE ہے۔
آپ کا کردار: MECE مفروضے کے درخت کا ماہر۔ اہم سوال: "[مسئلہ کا بیان]"ٹاسک: اس سوال کو 2 سے زیادہ سطحوں میں برانچ نہ کریں۔ اصول:- پہلے درجے کی شاخیں MECE ہونی چاہئیں (کوئی اوورلیپ نہیں، کوئی خلا نہیں)۔- ہر پتی ایک ڈیٹا ٹیسٹ قابل مفروضہ جملہ (فارم "...کیونکہ ...") ہونا چاہیے۔ انڈینٹڈ بلٹ لسٹ۔ پروب: "MECE آڈٹ" کے عنوان کے تحت اوورلیپ/گیپ کے خطرے میں شاخوں کو نشان زد کریں۔
AI آپ کو 3 سیکنڈ میں 15 مفروضوں کے ساتھ ایک درخت دیتا ہے۔ لیکن آپ کا کام یہیں ختم نہیں ہوتا، یہ شروع ہوتا ہے: آپ انتخاب کرتے ہیں کہ کون سی شاخیں واقعی MECE ہیں، کون سا مفروضہ سب سے زیادہ امکان اور جانچنا آسان ہے۔
ترجیح: پہلے کس مفروضے کو جانچنا ہے۔
تمام مفروضوں کو جانچنے کا کوئی وقت نہیں ہے۔ دو محوروں کا استعمال کریں: اثر (اگر یہ درست ہے تو یہ حل میں کتنا بڑا حصہ ڈالتا ہے) اور آسانی (یہ جانچنا کتنا تیز/سستا ہے)۔ اعلیٰ اثر + اعلی سہولت والے پہلے آتے ہیں۔ اسے "فوری جیت جھاڑو" کہا جاتا ہے۔
مفروضہ
اثر (1-5)
جانچ میں آسانی (1-5)
ترجیح
قیمتوں کا تعین حریفوں کے پیچھے ہے۔
5
4
اس سے پہلے
سیلز ٹیم B2B میں ناکافی ہے۔
4
3
پھر
مصنوعات کی خصوصیت کا فرق ہے۔
4
2
تحقیق
برانڈ بیداری کم ہے۔
3
2
پکڑو
آپ مصنوعی ذہانت سے اس میٹرکس کو بھر سکتے ہیں۔ لیکن اپنے صنعتی علم کے ساتھ اثرات اور سہولت کے اسکورز کا جائزہ لیں۔ ماڈل اکثر جانچ میں آسانی کا زیادہ اندازہ لگاتا ہے۔
آپ کا کردار: ترجیحی تجزیہ کار۔ مفروضوں کی درج ذیل فہرست کو ایک اثر آسان میٹرکس میں رکھیں۔ ہر مفروضے کے لیے: اثر (1-5)، جانچ میں آسانی (1-5)، واحد ڈیٹا سورس کی ضرورت، سفارش (پہلے/بعد/تفتیش/ہولڈ)۔ اصول: پرامید انداز میں آسانی سے سکور دیں، عقلیت لکھیں۔ سب سے زیادہ "اثر × آسانی" ضرب کے ساتھ 2 مفروضوں کو نمایاں کریں۔ مفروضے: [فہرست]
تین چھوٹے مقدمات
کیس 1 - غلط سوال درست کیا گیا۔ ایک ریٹیل چین نے پوچھا، "ہمارے پاس ملازمین کے کاروبار کی شرح زیادہ ہے، کیا ہمیں تنخواہیں بڑھائیں؟" وہ پوچھتا ہے. کنسلٹنٹ مصنوعی ذہانت سے مسئلہ کا فریم کھولتا ہے۔ ماڈل تین مضمر مفروضوں کی وضاحت کرتا ہے: کہ تنخواہ مسئلہ ہے، کاروبار تمام دکانوں میں یکساں ہے، اور تنخواہ ہی حل ہے۔ ڈیٹا تیار کیا گیا ہے: ٹرن اوور کی شرح کا 70% 3 اسٹورز میں ہے اور ہمیشہ ایک ہی دو مینیجرز کی ٹیم میں ہے۔ اصل سوال مینیجر کا رویہ ہے۔ 14 ملین TL کا تنخواہ میں اضافہ غلط حل ہوگا۔
کیس 2 - غیر MECE درخت۔ ایک کنسلٹنٹ ماڈل سے پوچھتا ہے "منافع کیوں گر رہے ہیں؟" وہ درخت چاہتا ہے۔ ماڈل شاخوں کو دیتا ہے "آمدنی کم ہے"، "لاگت زیادہ ہے"، "مقابلہ بڑھ گیا ہے"۔ پہلی دو شاخیں MECE ہیں (منافع = آمدنی - لاگت)، لیکن "مقابلہ میں اضافہ" ایک وجہ ہے اور آمدنی/لاگت ایک اثر ہے؛ شاخوں کی سطحیں مخلوط ہیں۔ کنسلٹنٹ درخت کو ٹھیک کرتا ہے: پہلی سطح صرف آمدنی اور لاگت ہے۔ مقابلہ آمدنی کی ذیلی شاخ کا سبب بنتا ہے۔
کیس 3 - ترجیحی ادائیگی ختم ہوگئی۔ ایک B2B سافٹ ویئر کمپنی میں، 12 مفروضے پیدا ہوتے ہیں۔ امپیکٹ کنویئنئنس میٹرکس "آن بورڈنگ کا عمل لمبا ہے" کے مفروضے کو زیادہ اثر والے اعلی سہولت والے خانے میں رکھتا ہے۔ ایک ہفتے کے ڈیٹا کے تجزیے سے تصدیق شدہ: 30 دنوں میں فعال نہ ہونے والے صارفین کی منسوخی کی شرح 3 گنا زیادہ ہے۔ تھوڑی سی مداخلت (گائیڈڈ انسٹالیشن) منسوخی کو 22% کم کر دیتی ہے۔ صحیح مفروضے کی جانچ پہلے منصوبے کو مختصر کرتی ہے۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
مجھے ایک فہرست بنائیں کہ اس کمپنی کا منافع کیوں کم ہو رہا ہے۔
ماڈل بے ترتیب، اوورلیپنگ، اور غیر مصدقہ وجوہات کو شمار کرتا ہے۔ یہ سوچنے کا فریم ورک قائم نہیں کرتا۔
طاقتور اشارہ:
آپ کا کردار: MECE مسئلہ ساخت سازی کا ماہر۔ اہم سوال: "کمپنی صرف بنائیں۔
ایک اچھے مسئلے کی ساخت کے سوالات کو چیک کریں۔
جب آپ اپنا درخت ختم کر لیں تو یہ سوالات پوچھیں: آپ مصنوعی ذہانت سے بھی پوچھ سکتے ہیں، لیکن آپ حتمی فیصلہ کرتے ہیں:
- کیا اصل سوال وہ سوال ہے جو صارف فیصلہ کرنا چاہتا ہے؟ - کیا پہلی سطح کی شاخیں اوورلیپ ہوتی ہیں؟ (باہمی خصوصی؟) - کیا کچھ بچا ہوا ہے؟ (کیا یہ ایک ساتھ مکمل ہے؟) - کیا ہر پتے کو ڈیٹا کے ساتھ جانچا جا سکتا ہے، یا یہ رائے ہے؟ - کیا میں نے پہلے سے حل فرض کر لیا ہے؟ (مثال کے طور پر، "تنخواہ حل ہے")
عام غلطیاں
- سوال میں حل شامل کریں۔ "کیا ہمیں قیمت کم کرنی چاہیے؟" سوال حل کا اندازہ لگاتا ہے اور دوسرے لیورز کو پوشیدہ بنا دیتا ہے۔ پہلے "کیوں" پوچھیں۔
- اوورلیپنگ شاخیں اگر "کارپوریٹ گاہک" اور "بڑے گاہک" الگ الگ شاخیں ہیں، تو ایک ہی گاہک کو دو جگہوں پر شمار کیا جائے گا۔ MECE ٹوٹ گیا ہے۔
- اختلاط کی سطح۔ وجہ (مقابلہ) کو اسی سطح پر رکھنا جس طرح اثر (آمدنی میں کمی) درخت کو غیر معقول بنا دیتا ہے۔
- ناقابل برداشت پتے۔ "ناقص انتظام" ایک فیصلہ ہے، ایک مفروضہ نہیں۔ "فیصلے کا وقت اوسطاً 40 دن ہے، صنعت میں 12 دن" قابل امتحان مفروضہ ہے۔
- ماڈل کے درخت کو جیسا ہے قبول کرنا۔ AI ایک فوری خاکہ پیش کرتا ہے۔ MECE کا آڈٹ کرنا اور ترجیح دینا آپ کا کام ہے۔
احتیاط: AI ایک مفروضے کے درخت کو بہت ہی قابل اعتماد انداز میں پیش کرتا ہے۔ قائل کرنا درستگی نہیں ہے۔ MECE کے لیے ہمیشہ دستی طور پر درخت کا معائنہ کریں۔ قلم اور کاغذ کے ساتھ شاخیں کھینچنا اکثر اوورلیپ کو ظاہر کرتا ہے جو ماڈل سے چھوٹ جاتا ہے۔
خلاصہ میں
مشاورت میں، قیمت صحیح جواب سے پہلے صحیح سوال میں ہوتی ہے۔ AI ایک مبہم شکایت کو قابل پیمائش مسئلے کے بیان میں تبدیل کرنے، مضمر مفروضوں سے پردہ اٹھانے، اور فوری طور پر مفروضے کے درخت کا خاکہ بنانے میں طاقتور ہے۔ لیکن یہ فیصلہ کرنا آپ پر منحصر ہے کہ آیا درخت MECE ہے، مفروضوں کی جانچ کی اہلیت، اور پہلے کس کی جانچ کرنی ہے۔ ماڈل ایک مسودہ تیار کرتا ہے۔ یہ کنسلٹنٹ کا کام ہے کہ وہ مسئلہ کا مالک، کنٹرول اور ترجیح دیں۔
درخواست کا کام
کسٹمر کی حقیقی یا تصوراتی شکایت کا انتخاب کریں (ایک جملہ)۔ سب سے پہلے، اسے ایک قابل پیمائش مسئلہ بیان میں تبدیل کریں اور ایک مضبوط مسئلہ کی تشکیل کے پرامپٹ کے ساتھ تین مضمر مفروضات۔ پھر MECE مفروضے کے درخت پرامپٹ کے ساتھ دو سطحی درخت بنائیں۔ کم از کم ایک تنازعہ یا خلا کو تلاش کرنے اور اسے ٹھیک کرنے کے لیے درخت کا دستی طور پر معائنہ کریں۔ آخر میں، اثر آسان میٹرکس کو پُر کریں اور پہلے جانچنے کے لیے دو مفروضے منتخب کریں۔
چیک لسٹ
- [ ] میں نے خام شکایت کو کس/کیا/ معیار/ دائرہ کار/ مدت کے ساتھ ایک مسئلہ بیان میں تبدیل کر دیا۔
- [ ] میں نے مضمر مفروضوں کا پردہ فاش کیا۔
- [ ] میں نے اپنے مفروضے کے درخت کے پہلے درجے کا MECE کے طور پر معائنہ کیا۔
- [ ] میں نے تصدیق کی کہ ہر پتی ایک قابل امتحان مفروضہ ہے۔
- میں نے اس بات کو یقینی بنایا کہ میں نے سوال میں حل کو دفن نہیں کیا۔
- میں نے اثر آسان میٹرکس کے ساتھ ترجیح دی۔
- میں نے ماڈل کے درخت کو آنکھ بند کر کے قبول نہیں کیا اور اسے دستی طور پر درست کیا۔