Lợi nhuận:
- Khả năng phân tích các bảng bán hàng, chi phí và hoạt động bằng trí tuệ nhân tạo và phát hiện các xu hướng, sự đột phá và các ngoại lệ
- Khả năng xác minh các lỗi số học và ảo giác bằng cách làm lại hoặc kiểm tra thủ công từng phép tính
- Khả năng phân biệt mối tương quan với quan hệ nhân quả và chất lượng dữ liệu câu hỏi cũng như giới hạn mẫu trước khi giải thích
Một trong những cụm từ được lặp đi lặp lại nhiều nhất trong tư vấn quản lý là: "Những con số nói lên điều gì?" Dữ liệu bán hàng, bảng chi phí, phân khúc khách hàng hoặc số liệu hoạt động của khách hàng; tất cả họ đều kể một câu chuyện. Công việc của nhà tư vấn là tìm ra câu chuyện đó, chứng minh nó và trình bày rõ ràng cho người ra quyết định. Trí tuệ nhân tạo diễn giải biểu đồ trong vài giây, chỉ ra xu hướng, tính toán và thậm chí tạo mã (công thức Python, Excel) để phân tích. Nhưng có một mối nguy hiểm đặc biệt ở đây: AI có thể âm thầm mắc lỗi số học và đưa ra số sai với độ tin cậy chính xác. Vì vậy, nguyên tắc vàng trong phân tích dữ liệu là làm lại hoặc kiểm tra thủ công từng phép tính.
Hai cách để làm việc với dữ liệu
Có hai phương pháp phân tích dữ liệu chính bằng AI và việc biết được sự khác biệt là rất quan trọng để đảm bảo độ chính xác.
- Giải thích văn bản của mô hình: Bạn dán dữ liệu trực tiếp vào cuộc trò chuyện và nói "bình luận". Mô hình đọc các mẫu nhưng thực hiện các phép tính "nhẩm"; Đây là con đường có nguy cơ xảy ra lỗi cao nhất. Thích hợp cho các bảng nhỏ và diễn giải định tính, không phù hợp cho việc hạch toán chính xác.
- Tạo mã/công cụ: Bạn in mã phân tích (Python/pandas) hoặc công thức Excel vào mô hình; Mã thực hiện tính toán chứ không phải mô hình. Cách này đáng tin cậy hơn nhiều vì số học hoạt động trong một công cụ xác định. Thích nó cho dữ liệu lớn và số lượng chính xác.
Mẹo: Nếu bạn cần một con số chính xác (tổng doanh thu, trung bình, tốc độ tăng trưởng), hãy yêu cầu mô hình "viết công thức Excel/mã Python để tính toán điều này", hãy tự chạy kết quả. Đừng bao giờ coi con số do mô hình đưa ra là cuối cùng.
Cách thiết lập lời nhắc phân tích
Lời nhắc phân tích tốt bao gồm dữ liệu, câu hỏi được đặt ra và quy tắc xác thực.
Vai trò của bạn: nhà phân tích dữ liệu. Dưới đây là biểu đồ doanh số bán hàng trong 24 tháng (tháng, khu vực, sản phẩm, số lượng, doanh thu). Nhiệm vụ: 1) Tổng hợp xu hướng doanh thu tổng và hàng tháng. 2) Tìm 3 phân tích sản phẩm khu vực tăng trưởng nhanh nhất và thu hẹp nhanh nhất. 3) Đánh dấu nếu có bất kỳ ngoại lệ nào (nhảy/rơi bất ngờ). Quy tắc:- Viết công thức Excel thực hiện mỗi phép tính bên cạnh; Tôi sẽ xác minh.- Tách cách giải thích khỏi dữ liệu: đầu tiên là “dữ liệu nói”, sau đó là “ý nghĩa có thể có”.- Không khẳng định quan hệ nhân quả; chỉ hiển thị mẫu.
Yêu cầu này có ba yếu tố quan trọng: yêu cầu công thức (khả năng xác minh), tách dữ liệu khỏi diễn giải (tính toàn vẹn) và cấm tuyên bố về quan hệ nhân quả (chủ đề của phần tiếp theo).
Tương quan không phải là nhân quả
Lỗi logic phổ biến và tốn kém nhất trong phân tích là cho rằng một trong hai sự việc tác động cùng nhau sẽ gây ra sự việc kia. Chỉ vì hai biến cùng tăng (tương quan) không chứng minh được rằng biến này gây ra biến kia (nhân quả); Có thể có yếu tố thứ ba hoặc sự trùng hợp ngẫu nhiên. Ví dụ kinh điển: khi doanh số bán kem tăng thì số vụ đuối nước cũng tăng theo; Lý do không phải là kem, thời tiết nóng nực cả hai.
AI có thể dễ dàng viết ra mối tương quan khi “X tăng Y”. Người tư vấn nhìn thấy câu này nên dừng lại và hỏi: "Đây thực sự là nguyên nhân, hay là có yếu tố ẩn giấu?" Khẳng định quan hệ nhân quả; so sánh có kiểm soát đòi hỏi kiến thức về trình tự thời gian và miền.
Vai trò của bạn: nhà phân tích dữ liệu quan trọng. Phân tích sau đây chứa tuyên bố "X tăng Y". Nhiệm vụ: - Đánh giá xem mối quan hệ này là mối tương quan hay quan hệ nhân quả chính đáng.- Liệt kê 3 yếu tố tiềm ẩn (thứ ba) có thể ảnh hưởng đến cả hai.- Cho biết cần có bằng chứng bổ sung nào (nhóm so sánh, trình tự thời gian) để hỗ trợ quan hệ nhân quả. Sử dụng ngôn ngữ nhân quả nghiêm ngặt; Viết “có thể” và “nên được kiểm tra”.
Đặt câu hỏi về chất lượng dữ liệu trước khi giải thích
Phân tích tốt không đến từ dữ liệu xấu. Hãy hỏi mỗi biểu đồ những câu hỏi này trước khi bình luận:
kiểm soát
Tại sao nó quan trọng?
Cách chăm sóc
thiếu dữ liệu
Các ô trống làm sai lệch giá trị trung bình
Đếm tỷ lệ trống/không
ngoại lệ
Một ngoại lệ duy nhất làm biến dạng xu hướng
Nhìn vào min-max và phân phối
Tính nhất quán của định nghĩa
“Doanh thu” hàng tháng có giống nhau không?
Xác nhận định nghĩa cột
phạm vi thời gian
Tính thời vụ có gây nhầm lẫn không?
So sánh theo năm
mẫu vật
Dữ liệu có đại diện cho toàn bộ vũ trụ không?
Hỏi tỷ lệ bao phủ
Trước khi GIẢI THÍCH bảng này, hãy kiểm tra chất lượng dữ liệu: - Tỷ lệ ô bị thiếu/không là gì? - Những hàng nào là giá trị cực trị (ngoại lệ)? - Các định nghĩa cột có nhất quán không, có bất kỳ định nghĩa đáng ngờ nào không? Chỉ cần đưa ra báo cáo kiểm toán; Đừng bình luận nữa.
ba trường hợp nhỏ
Trường hợp 1 - Lỗi số học im lặng. Tư vấn có mô hình thu doanh thu 12 tháng; mô hình cho biết "142,6 triệu." Tư vấn kiểm tra trên Excel: thực tế tổng cộng 128,4 triệu đồng; Mô hình đã thêm hai tháng không chính xác. Nếu một công thức được yêu cầu thay vì tính toán trong đầu thì sẽ không có sai sót nào. Nếu nhập sai số vào bài thuyết trình, niềm tin của khách hàng sẽ bị lung lay.
Trường hợp 2 - Quan hệ nhân quả giả. Tại một nhà bán lẻ, mô hình cho biết: "Doanh thu tăng vào những tháng áp dụng chiết khấu nên việc giảm giá sẽ làm tăng doanh thu". Nhà tư vấn dừng lại: việc giảm giá đã được thực hiện trong kỳ nghỉ lễ; Động lực chính là nhu cầu nghỉ lễ. Để đo lường hiệu quả giảm giá, cần phải so sánh với kỳ nghỉ không giảm giá. Suy luận sai sẽ ngăn chặn đề xuất đốt cháy lợi nhuận như “hãy giảm giá hàng tháng”.
Trường hợp 3 - Bẫy ngoại lệ. Giá trị đơn hàng trung bình của vùng xuất hiện cao bất thường. Mô hình giải thích đây là "khu vực cao cấp". Nhà tư vấn mở đầu cuộc trò chuyện: một đơn đặt hàng của công ty trị giá 4,2 triệu đã tăng mức trung bình; Khi dòng đó được loại bỏ, khu vực là bình thường. Sử dụng trung vị sẽ tránh được cái bẫy này ngay từ đầu.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Phân tích biểu đồ bán hàng này và nêu những phát hiện chính.
Mô hình này tính toán trực tiếp, khẳng định quan hệ nhân quả và đưa ra những phát hiện không thể kiểm chứng được.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà phân tích dữ liệu tỉ mỉ. Trước tiên hãy thực hiện kiểm tra chất lượng dữ liệu (thiếu, ngoại lệ, tính nhất quán của định nghĩa). Sau đó: xu hướng hàng tháng, 3 bảng phân tích hàng đầu, các ngoại lệ.- Viết công thức Excel cho từng tài khoản; Tôi sẽ xác minh.- Đồng thời cung cấp trung vị thay vì trung bình (để xem hiệu ứng ngoại lệ).- Tách "dữ liệu nói" khỏi "ý nghĩa có thể"; KHÔNG YÊU CẦU nhân quả. - Đánh dấu “không rõ” ở chỗ bạn không chắc chắn.
Phân khúc: sự thật mà người bình thường che giấu
Một trong những động thái mạnh mẽ nhất trong phân tích tư vấn là phân khúc: chia tổng số thành các nhóm nhỏ có ý nghĩa. “Khách hàng trung bình” thường là một cấu trúc không tồn tại; Sự thật được ẩn giấu trong các nhóm nhỏ. Ví dụ: trong khi tỷ suất lợi nhuận trung bình có vẻ là 8%, thì 20% khách hàng có thể mang lại tỷ suất lợi nhuận 25% và 30% thua lỗ; mức trung bình hoàn toàn che giấu sự thật này. Trí tuệ nhân tạo giúp bạn nhanh chóng chia nhỏ biểu đồ theo các trục khác nhau (loại khách hàng, khu vực, sản phẩm, kênh) và tìm ra bảng phân tích nào cho thấy sự khác biệt nổi bật nhất.
Vai trò của bạn: nhà phân tích dữ liệu. Bảng bên dưới. Nhiệm vụ: Chia dữ liệu này trên trục sau: [loại khách hàng / khu vực / sản phẩm]. Đối với mỗi nhóm: tổng, chia sẻ (%), trung bình VÀ trung vị, quy mô nhóm (n). Quy tắc:- Nếu nhóm n<30, đánh dấu "mẫu nhỏ - chú ý".- Viết công thức cho từng tài khoản; Tôi sẽ xác minh.- Hiển thị nhóm cao nhất và thấp nhất; Đánh giá xem sự khác biệt là có thật hay do một ngoại lệ duy nhất. Trước tiên, hãy để tôi cho bạn biết sự cố mà tôi mong đợi: [giả thuyết].
Những lỗi thường gặp
- Dựa vào tính toán đầu của mô hình. Gia công số học cho công cụ xác định (Excel/Python); Kiểm tra kết quả một cách độc lập.
- Nhầm lẫn mối tương quan với quan hệ nhân quả. Đừng viết câu “X tăng Y” mà không có bằng chứng; Hỏi về yếu tố ẩn.
- Mù quáng nhìn vào mức trung bình. Ngoại lệ duy nhất làm tăng giá trị trung bình; Xem thêm trung vị và phân phối.
- Bỏ qua chất lượng dữ liệu. Những diễn giải do dữ liệu không đầy đủ, trùng lặp hoặc không nhất quán sẽ gây hiểu nhầm; kiểm tra đầu tiên.
- Quên ví dụ. Việc khái quát hóa từ một mẫu nhỏ hoặc sai lệch cho toàn bộ tổng thể sẽ tạo ra kết quả sai lầm.
- Gây nhầm lẫn dữ liệu với việc giải thích. Hiển thị riêng biệt đâu là phép đo và đâu là suy luận.
Lưu ý: Nếu kết quả phân tích dữ liệu tài chính, sức khỏe hoặc an toàn vận hành là cơ sở để đưa ra quyết định thì các tính toán và diễn giải phải được xác nhận bởi chuyên gia có liên quan (cố vấn tài chính, chuyên gia tính toán, chuyên gia hiện trường). Trí tuệ nhân tạo đưa ra phân tích sơ bộ; Sự đánh giá và trách nhiệm cuối cùng thuộc về con người.
Tóm lại
Trí tuệ nhân tạo là một công cụ hỗ trợ mạnh mẽ trong việc diễn giải dữ liệu dạng bảng, tìm ra xu hướng và sự cố cũng như tạo mã phân tích. Nhưng vì nó có thể âm thầm mắc lỗi số học nên cần phải thực hiện lại mỗi phép tính bằng một công cụ xác định và kiểm tra thủ công. Tách mối tương quan khỏi quan hệ nhân quả, xem xét trung vị bên cạnh giá trị trung bình, kiểm tra chất lượng dữ liệu trước khi giải thích và quan sát giới hạn mẫu là những nguyên tắc cơ bản của tư vấn. Mô hình cho thấy mô hình; Con người tạo ra ý nghĩa và trách nhiệm.
Nhiệm vụ ứng dụng
Chọn một báo cáo bán hàng/chi phí thực tế hoặc đại diện. Trước tiên, hãy chạy lời nhắc kiểm tra chất lượng dữ liệu và tìm thấy ít nhất một vấn đề (thiếu, ngoại lệ, không nhất quán về định nghĩa). Sau đó trích xuất các xu hướng và đột phá bằng lời nhắc phân tích mạnh mẽ; Đồng thời xác minh thủ công công thức cho từng tài khoản. So sánh giá trị trung bình với giá trị trung vị và phát hiện hiệu ứng ngoại lệ. Cuối cùng, hãy tìm một khẳng định về quan hệ nhân quả mà mô hình viết và diễn đạt lại nó thành “mối tương quan”.
danh sách kiểm tra
- [ ] Tôi chạy lại từng phép tính chính xác bằng công cụ xác định (Excel/Python).
- [ ] Tôi đã kiểm tra chất lượng dữ liệu trước khi bình luận.
- [ ] Ngoài giá trị trung bình, tôi còn xem xét số trung vị và sự phân bổ.
- [ ] Tôi đã giữ nguyên sự phân biệt mối tương quan-nhân quả.
- [ ] Tôi đã đặt câu hỏi về mẫu và giới hạn thời gian.
- [ ] Tôi đã tách "dữ liệu nói" và "ý nghĩa có thể".
- [ ] Tôi đã lên kế hoạch phê duyệt của chuyên gia trong phân tích quan trọng về quyết định.