Lợi nhuận:
- Nhận biết các mối nguy hiểm về chất lượng, tính bảo mật và diễn giải khi làm việc với dữ liệu và thiết lập luồng phân tích an toàn.
- Nó chọn chỉ báo phù hợp cho một mục đích, phân biệt giữa các chỉ báo đơn lẻ gây hiểu lầm và các phép đo có thể bị thao túng.
- Nó nhận ra các kỹ thuật biểu đồ sai lệch (trục không bắt đầu từ 0, phạm vi đã chọn) và quan sát hình ảnh trung thực.
Công chúng tạo ra dữ liệu hàng ngày: số đơn đăng ký, thời gian giải pháp, hạng mục ngân sách, sự di chuyển của dân cư, yêu cầu dịch vụ, kết quả kiểm toán, khảo sát mức độ hài lòng. Hầu hết dữ liệu này nằm trong bảng tính, biểu mẫu và hệ thống ghi chép Excel nhưng không chuyển thành các quyết định — vì việc phân tích dữ liệu đòi hỏi chuyên môn và thời gian. Việc ra quyết định dựa trên dữ liệu (một cách tiếp cận phân bổ nguồn lực và thiết lập chính sách dựa trên bằng chứng đo lường, thay vì quan điểm hay thói quen) làm tăng cả hiệu quả và sự công bằng trong khu vực công: nguồn lực sẽ đến nơi cần thiết nhất dựa trên số lượng. Ở đây, AI là một trợ lý đắc lực trong việc hiểu bảng, tìm kiếm các mẫu và điểm bất thường, trích xuất số liệu thống kê tóm tắt và dịch các phát hiện thành các câu đơn giản. Trong phần này, bạn sẽ thấy cách rút ngắn lộ trình từ dữ liệu công khai thô đến quyết định có thể bảo vệ được bằng AI và duy trì tính kỷ luật ở khía cạnh quan trọng nhất—việc giải thích chính xác con số.
Ba mối nguy hiểm khi làm việc với dữ liệu
Dữ liệu rất mạnh mẽ nhưng nó có ba cái bẫy và AI có thể vừa giảm thiểu vừa phóng to những cái bẫy này:
- Tương quan ≠ nhân quả. Chỉ vì hai thứ thay đổi cùng nhau không có nghĩa là cái này gây ra cái kia. Doanh số bán kem và đuối nước đang gia tăng - bởi vì cả hai đều liên quan đến cái nóng mùa hè chứ không phải cái này gây ra cái kia. AI xây dựng câu “vì” một cách trôi chảy; Hãy đặt câu hỏi về mọi tuyên bố về quan hệ nhân quả.
- Dữ liệu sai lệch/thiếu. Dữ liệu được thu thập từ ai và như thế nào? Dữ liệu khiếu nại chỉ phản ánh những người có thể khiếu nại; dữ liệu ứng dụng kỹ thuật số những người có quyền truy cập vào internet. Nếu không nhìn thấy nhóm còn thiếu thì quyết định sẽ thiên vị.
- Số không có ngữ cảnh. Chỉ “Tăng 30%” thôi đã là vô nghĩa: con số tuyệt đối là bao nhiêu, trong thời kỳ nào? Hỏi AI để biết bối cảnh.
Chú ý: Trong khi AI phân tích bảng bạn cung cấp, đôi khi nó thêm những con số “hợp lý” nhưng hư cấu từ bên ngoài bảng hoặc âm thầm điền vào các ô còn thiếu. So sánh từng số đầu ra với bảng nguồn; Đưa cho AI quy tắc "chỉ sử dụng các giá trị trong bảng tôi đưa cho bạn, nếu thiếu hãy nói 'no data'".
Luồng phân tích dữ liệu từng bước
- Làm rõ câu hỏi. Câu hỏi nào chúng ta đang tìm kiếm câu trả lời cho quyết định? ("Ở khu vực nào thời gian giải quyết mất nhiều thời gian nhất?")
- Biết dữ liệu. Các cột là gì, đơn vị là gì, dấu chấm là gì, có giá trị nào bị thiếu/không chính xác không?
- Trích xuất dữ liệu cá nhân. Ẩn danh/tổng hợp nếu không cần nhận dạng cá nhân để phân tích (xem Bài 11).
- Tóm tắt và mô hình xuất hiện. Yêu cầu AI thực hiện các số liệu thống kê cơ bản, phân nhóm và đánh dấu điểm bất thường.
- Đặt câu hỏi cho nhận xét. Tương quan hay nhân quả? Giải thích thay thế? Thiếu nhóm?
- Trực quan hóa và đơn giản hóa. Một bản tóm tắt và hình ảnh đơn giản mà người ra quyết định có thể hiểu được.
- Ghi lại quyết định và lý do của nó. Quyết định nào được đưa ra dựa trên dữ liệu nào? đường mòn kiểm toán.
ba trường hợp nhỏ
Trường hợp 1 - Nguồn đã đến đúng nơi. Trước đây, chính quyền thành phố đã phân bổ ngân sách bảo trì công viên "bằng nhau cho từng khu dân cư". Khi dữ liệu về nhu cầu và sử dụng trong 18 tháng được phân tích bằng AI, nhu cầu bình quân đầu người của ba khu vực lân cận cao gấp 2,4 lần mức trung bình. Ngân sách được phân bổ lại theo nhu cầu; sự hài lòng chung tăng lên mà không phải trả thêm chi phí.
Trường hợp 2 - Dữ liệu sai lệch được nhận thấy. Một cơ quan sẽ xem xét dữ liệu ứng dụng kỹ thuật số và kết luận rằng “công dân không còn đến trạm thu phí nữa”. Nhưng khi yêu cầu phân tích độ tuổi trong phân tích, người ta thấy rằng các đơn đăng ký trên 65 tuổi chủ yếu vẫn đến từ quầy. Nếu chỉ xem xét dữ liệu số thì nhóm này sẽ bị bỏ qua; dịch vụ phòng vé vẫn được giữ nguyên.
Trường hợp 3 - Quan hệ nhân quả giả tạo đã dừng lại. Trong khi diễn giải một bảng, YZ cho biết: "Tai nạn giảm do số lần kiểm tra tăng lên". Nhà phân tích nhắc rằng thời tiết cũng thay đổi và giao thông giảm trong cùng thời kỳ; Việc quy nó cho một nguyên nhân duy nhất là sai lầm. Báo cáo đã được sửa lại thành "có mối liên hệ nhưng mối quan hệ nhân quả chưa được chứng minh".
Bốn mẫu có thể sao chép
1) Làm quen với bảng:
Vai trò của bạn: nhà phân tích dữ liệu. Kiểm tra bảng bên dưới và CHỈ dựa trên các giá trị trong bảng này: (1) tóm tắt từng cột là gì, đơn vị và dấu chấm của nó, (2) bất kỳ ô nào xuất hiện bị thiếu/không chính xác, (3) tóm tắt 3 mẫu nổi bật nhất. Cộng các số ngoài bảng; nếu thiếu thì nói "không có dữ liệu". BẢNG: [dán dữ liệu]
2) Thống kê tóm tắt theo ngữ cảnh:
Trả lời câu hỏi sau từ bảng dưới đây: [câu hỏi]. PHẢI đưa ra kết quả kèm theo ngữ cảnh: số tuyệt đối + tỷ lệ + khoảng thời gian so sánh. Khi bạn nói "tăng X%", hãy chỉ rõ mức độ và trong khoảng thời gian nào. Chỉ cần sử dụng dữ liệu đã cho. BẢNG: [dữ liệu] CÂU HỎI: [câu hỏi]
3) Người hỏi về nhân quả:
Hãy giải thích kết quả sau đây nhưng THẬN TRỌNG: đừng nhầm lẫn mối tương quan với quan hệ nhân quả. Tạo ra ít nhất 3 cách giải thích khác nhau cho mối quan hệ này (biến số thứ ba, hướng ngược lại, sự trùng hợp ngẫu nhiên). Hãy cho tôi biết cần thêm dữ liệu gì để chứng minh quan hệ nhân quả. PHÁT HIỆN: [mối quan hệ]
4) Tóm tắt đơn giản cho quyết định:
Đơn giản hóa phân tích sau đây cho người ra quyết định không phải là chuyên gia dữ liệu: không quá 5 mục, mỗi mục là một phát hiện và giải thích “điều này có nghĩa là gì”. Đồng thời ghi lại những điểm không chắc chắn và giới hạn của dữ liệu một cách rõ ràng. Thêm thông tin mới. PHÂN TÍCH: [văn bản]
Dấu nhắc yếu / Dấu nhắc mạnh
Yếu: "Phân tích biểu đồ này và cho chúng tôi biết chúng tôi nên làm gì."
Strong: "Vai trò của bạn là nhà phân tích dữ liệu. CHỈ sử dụng bảng bên dưới, không thêm số từ bên ngoài, nói 'không có dữ liệu' vào ô bị thiếu. Đầu tiên, hãy tìm hiểu các cột, đơn vị và dấu chấm. Sau đó trả lời câu hỏi 'khu phố nào có thời gian giải quyết dài nhất' với số tuyệt đối + tỷ lệ + khoảng thời gian so sánh. Nếu bạn tìm thấy một mẫu, hãy đưa ra 3 cách giải thích thay thế trước khi giải thích nó bằng quan hệ nhân quả. Cuối cùng, liệt kê các điểm và ranh giới của dữ liệu (nhóm thiếu, khoảng thời gian ngắn) để chúng tôi quyết định."
Sự khác biệt: lời nhắc mạnh mẽ thiết lập độ trung thực của dữ liệu, bối cảnh, nguyên tắc quan hệ nhân quả và ranh giới quyết định cùng nhau; Đầu ra là một phân tích có thể bảo vệ được.
AI có thể được tin cậy ở đâu trong kinh doanh dữ liệu?
kinh doanh
Niềm tin AI
cai trị
Bảng tóm tắt, nhóm
cao
Dữ liệu chỉ được cung cấp
Đánh dấu mẫu/bất thường
trung bình
xác nhận của con người
Giải thích nhân quả
thấp
Cần có lời giải thích thay thế
Điền dữ liệu còn thiếu
quá thấp
Đừng làm cho nó xảy ra; "không có dữ liệu"
Đơn giản hóa/tóm tắt trực quan
cao
Ý nghĩa phải được bảo tồn
Thiết kế chỉ báo và bẫy biểu đồ gây hiểu lầm
Bước quan trọng nhất trong việc đưa ra quyết định với dữ liệu là chọn chỉ báo phù hợp (biểu thức số giúp đo lường hiện tượng—ví dụ: “thời gian xử lý trung bình” hoặc “chi phí cho mỗi ứng dụng”). Chỉ số sai dẫn đến quyết định sai, ngay cả với dữ liệu chính xác: trong khi “tổng số khiếu nại đã được giải quyết” dường như đang tăng lên thì “thời gian chờ đợi trên mỗi người dân” có thể ngày càng tồi tệ hơn. AI có thể liệt kê các chỉ số ứng cử viên cho một chủ đề cũng như những gì mà mỗi chỉ số đo lường và che giấu; nhưng bạn quyết định chỉ số nào thực sự đại diện cho lợi ích công cộng. Ngoài ra, hãy lưu ý đến nguy cơ hình dung sai lệch (làm sai lệch nhận thức bằng các kỹ thuật như trục không bắt đầu từ 0, tỷ lệ không cân xứng, khoảng thời gian đã chọn) trong các biểu đồ mà AI gợi ý hoặc mô tả; Hình ảnh trung thực trong dữ liệu công cộng là một phần của quản trị.
Trường hợp nhỏ - sai dấu hiệu, khoe khoang sai. Một đơn vị đã phá kỷ lục về chỉ số "số lượng tệp được đóng mỗi tháng"; nhưng khiếu nại của người dân lại tăng lên. Nhìn vào chỉ báo chính xác, “tỷ lệ giải quyết liên hệ đầu tiên”, tỷ lệ này giảm từ 58 phần trăm xuống 44 phần trăm - các tệp đang được đóng và mở lại nhanh chóng. Khi chỉ báo thay đổi thì mức độ ưu tiên quản lý cũng thay đổi.
Trường hợp nhỏ - trục không bắt đầu từ số 0. Trên biểu đồ AI được mô tả trong bài thuyết trình, trục tung bắt đầu từ 40, mức tăng 2% dường như là một bước nhảy vọt. Khi trục được dịch chuyển về 0, hình ảnh thực hiện lên và quyết định bị loại bỏ khỏi nhận thức phóng đại.
Mẫu hỗ trợ lựa chọn chỉ báo:
Nhiệm vụ: Đề xuất 5 chỉ số ứng viên cho mục đích sau. Mục đích: [e.g. cải thiện chất lượng dịch vụ công dân]Đối với mỗi chỉ số: nó đo lường những gì | nó có thể che giấu điều gì | cởi mở để thao túng | tần suất đọc khuyến nghị.Tiếp theo: viết 3 cảnh báo (những cảnh báo gây hiểu lầm) để đọc các chỉ số này cùng nhau.Quy tắc: Không tạo số; chỉ đề xuất thiết kế chỉ báo.
Lưu ý: Đừng rơi vào quan niệm sai lầm rằng “con số là khách quan”. Con số bạn đo, cách bạn hiển thị nó và phạm vi bạn chọn đều là vấn đề diễn giải. Giải thích công khai minh bạch và trung thực cũng quan trọng như việc có dữ liệu chính xác.
Những lỗi thường gặp
- Nhầm lẫn mối tương quan với quan hệ nhân quả. “Tăng cùng nhau” không phải là nguyên nhân; Hãy tìm những lời giải thích thay thế.
- Có AI điền dữ liệu còn thiếu. Phân tích sụp đổ với một giá trị tạo nên; để lại những gì còn thiếu.
- Khái quát hóa dữ liệu sai lệch. Khiếu nại/dữ liệu kỹ thuật số không đại diện cho tất cả mọi người; Truy vấn nhóm còn thiếu.
- Trình bày số không có ngữ cảnh. Bên cạnh tỷ lệ phải có số tuyệt đối và khoảng thời gian so sánh.
- Phân tích dữ liệu cá nhân một cách không cần thiết. Không sử dụng nhận dạng cá nhân nếu dữ liệu tổng hợp là đủ.
- Không ghi lại quyết định. Quyết định nào được đưa ra dựa trên dữ liệu nào cần được ghi lại để kiểm tra.
Tóm lại
Việc ra quyết định dựa trên dữ liệu là cách mạnh mẽ nhất để phân phối nguồn lực một cách công bằng và hiệu quả trong khu vực công; AI là một trợ lý nhanh chóng trong lĩnh vực kinh doanh này, giúp hiểu được bức tranh, tìm ra các mẫu và đơn giản hóa việc tìm kiếm. Nhưng đừng bắt AI tạo nên những con số, đừng bắt nó điền vào những dữ liệu còn thiếu, đừng để nó nhầm lẫn giữa mối tương quan với quan hệ nhân quả và tránh khái quát hóa dữ liệu sai lệch/không đầy đủ. Có sức mạnh về số lượng; Người giải thích nó một cách chính xác và ghi lại quyết định sẽ mạnh mẽ hơn.
Nhiệm vụ ứng dụng
Nhận bảng thực (đã loại bỏ dữ liệu cá nhân) từ đơn vị của bạn. Giới thiệu dữ liệu với mẫu “Làm quen với bảng”, sau đó trả lời một câu hỏi quan trọng cho quyết định với mẫu “Thống kê tóm tắt theo ngữ cảnh”. Áp dụng mẫu "Người đặt câu hỏi về quan hệ nhân quả" cho một mối quan hệ mới nổi và tìm ra ít nhất một lời giải thích thay thế. Kiểm tra xem AI có đang cộng số từ ngoài bảng hay không.
danh sách kiểm tra
- [ ] AI chỉ sử dụng bảng đã cho; Anh ấy không thêm số từ bên ngoài.
- [ ] Tôi đã không điền dữ liệu còn thiếu; Tôi để nó là "không có dữ liệu".
- [ ] Tôi trình bày từng kết quả kèm theo ngữ cảnh (số tuyệt đối + tỷ lệ + dấu chấm).
- [ ] Tôi đã đưa ra một lời giải thích khác cho những tuyên bố về quan hệ nhân quả.
- [ ] Tôi đã đánh giá nguy cơ sai lệch/thiếu dữ liệu và nhóm bị thiếu.
- [ ] Tôi đã ghi lại quyết định và dữ liệu làm cơ sở cho quyết định đó.