Lợi nhuận:
- Khả năng tạo ra cái nhìn sâu sắc theo định hướng quyết định từ dữ liệu phân tán bằng cách hiểu thang dữ liệu-thông tin-cái nhìn sâu sắc-quyết định và thực hiện trí tuệ nhân tạo từng bước
- Khả năng tiết lộ sự thật được ẩn giấu bởi tổng số thông qua việc phân chia từng phân đoạn và phân biệt mối tương quan với quan hệ nhân quả
- Khả năng coi các lý do do trí tuệ nhân tạo gợi ý là các giả thuyết cần được kiểm tra và đưa ra quyết định cuối cùng dựa trên hiểu biết sâu sắc đã được xác minh
Hàng chục con số xuất hiện trên bàn làm việc của người quản lý mỗi ngày: số liệu bán hàng, chi phí, khiếu nại của khách hàng, mức tồn kho, tỷ lệ luân chuyển nhân viên. Nhưng chỉ con số thôi không phải là quyết định. Quyết định bắt đầu bằng việc nhìn thấy ý nghĩa của con số. "Doanh số bán hàng giảm 8% so với tháng trước" là điều hiển nhiên; “Doanh số bán hàng giảm là do hai khách hàng lớn ở khu vực Aegean hoãn đặt hàng” là một nhận định sâu sắc. Ở đây, hỗ trợ quyết định - quá trình làm cho dữ liệu trở nên có ý nghĩa để người quản lý đưa ra quyết định tốt hơn - là cầu nối biến dữ liệu thành thông tin chuyên sâu. Trong phần này, chúng ta sẽ học cách sử dụng AI trên cây cầu này. Ranh giới rõ ràng ngay từ đầu: AI tạo ra những hiểu biết sâu sắc về dự thảo; Người quản lý quyết định cái nhìn sâu sắc nào là thật và phải làm gì.
Bốn bước từ dữ liệu đến thông tin chuyên sâu
Hỗ trợ quyết định là một cái thang. Chữ số đầu tiên - dữ liệu: số nguyên (1.240 đơn hàng đã đến trong tháng này). Chữ số thứ hai - thông tin: các con số đã được chỉnh sửa, so sánh (giảm 8% so với tháng trước). Cấp độ thứ ba - cái nhìn sâu sắc: hiểu biết về lý do sụt giảm (sự chậm trễ từ hai khách hàng lớn). Bước bốn - quyết định: phải làm gì (phỏng vấn những khách hàng này và nhắm mục tiêu vào những khách hàng mới). AI rất nhanh ở bước đầu tiên và bước thứ hai, là người trợ giúp tốt ở bước thứ ba, chỉ đưa ra các lựa chọn ở bước thứ tư.
Biết được bậc thang này rất quan trọng vì hầu hết các nhà quản lý đều trực tiếp yêu cầu AI “quyết định giúp tôi” và cảm thấy thất vọng. Tuy nhiên, nếu bạn thực hiện AI từng bước - đầu tiên là tóm tắt, sau đó so sánh, sau đó đặt câu hỏi về các lý do có thể xảy ra và cuối cùng tự mình đưa ra quyết định - thì bạn sẽ vừa nhanh chóng vừa đáng tin cậy.
Gợi ý: Hãy hỏi AI “bạn suy ra điều gì từ dữ liệu này?” Thay vì hỏi tất cả cùng một lúc, hãy tiến hành từng bước bằng cách nói "đầu tiên hãy tóm tắt lại, sau đó chỉ ra 3 thay đổi đáng chú ý nhất, sau đó đề xuất 2 lý do có thể có cho mỗi thay đổi". Suy nghĩ từng bước cho kết quả chính xác hơn.
Bẫy tương quan và nhân quả
Cạm bẫy nguy hiểm nhất của việc hỗ trợ quyết định là nhầm lẫn mối tương quan với quan hệ nhân quả. Mối tương quan là khi hai thứ di chuyển cùng nhau (doanh số bán kem và số vụ đuối nước tăng cùng nhau vào mùa hè). Nhân quả là cái này dẫn đến cái kia (kem không gây ngạt; nắng nóng là nguyên nhân phổ biến). AI rất giỏi trong việc tìm kiếm những thứ di chuyển cùng nhau trong dữ liệu của bạn, nhưng nó không thể biết đâu là nguyên nhân thực sự. Nói “Chi tiêu quảng cáo tăng và doanh thu tăng” không chứng tỏ quảng cáo tăng doanh thu; có lẽ cả hai đều bị ảnh hưởng bởi mùa lễ hội.
Vì vậy, khi AI gợi ý một lý do, hãy coi nó như một giả thuyết (giả định cần được chứng minh), chứ không phải như một sự thật. “Làm cách nào để kiểm tra điều này?” hỏi. Người quản lý giỏi kiểm tra lý do AI gợi ý trên hiện trường hoặc bằng dữ liệu.
ba trường hợp nhỏ
Trường hợp 1 - Bắt quả rơi bí mật. Tại một công ty thương mại điện tử, tổng doanh thu có vẻ ổn định, không ai hoảng hốt. Người quản lý cung cấp dữ liệu ẩn danh hàng tháng cho AI và hỏi "Phân khúc nào đang phát triển và phân khúc nào đang bị thu hẹp trên cơ sở danh mục?" anh ấy hỏi. YZ cho thấy rằng trong khi tổng doanh thu không đổi, danh mục thiết bị điện tử có lợi nhuận cao thực sự đã giảm 22%, doanh số bán phụ kiện lợi nhuận thấp đã che đậy điều này. Người quản lý đã xác nhận điều này và tập trung vào danh mục điện tử. Tổng số đã bị che giấu; Sự tan vỡ đã tiết lộ sự thật.
Trường hợp 2 - Chạy sai nguyên nhân. Người quản lý chuỗi quán cà phê đã cung cấp dữ liệu bán hàng cho AI. “Doanh số bán hàng cuối tuần thay đổi theo nhiệt độ thời tiết,” YZ cho biết. Người quản lý đọc điều này là "thời tiết nóng làm tăng doanh số bán hàng" và tắt máy điều hòa. Tuy nhiên, lý do thực sự là lượng khách hàng tăng lên vào cuối tuần; Nhiệt độ ngẫu nhiên di chuyển theo cùng một hướng. Người quản lý đã nhầm lẫn mối tương quan với quan hệ nhân quả. Anh đã rút ra bài học và kiểm tra mọi lý do kể từ bây giờ.
Trường hợp 3 - Thiết lập so sánh chính xác. Hiệu quả của hai nhà máy trong một doanh nghiệp sản xuất đang được so sánh. Người quản lý hỏi AI, “Nhà máy A có hiệu quả hơn B không?” anh hỏi nhưng AI không biết nhà máy A mới hơn và nhỏ hơn. Người quản lý đã sửa lời nhắc: "so sánh năng suất trên mỗi đơn vị, có tính đến kích thước và độ tuổi chênh lệch." Lần này phân tích đã công bằng và sự khác biệt thực sự đã được tiết lộ.
Bốn mẫu có thể sao chép
1) Trích xuất thông tin chi tiết từng bước:
Vai trò của bạn: nhà phân tích kinh doanh hỗ trợ người quản lý. Sử dụng dữ liệu ẩn danh đính kèm (thời gian, danh mục, doanh số, chi phí). Tiến hành từng bước: 1) Tóm tắt dữ liệu thành 4 mục. 2) Chỉ ra 3 thay đổi đáng chú ý nhất so với kỳ trước. 3) Đề xuất tối đa 2 lý do CÓ THỂ cho mỗi thay đổi và nêu rõ đây là những giả thuyết và cần có bằng chứng. Đừng tạo nên bất kỳ con số nào không tồn tại trong dữ liệu tôi cung cấp.
2) Phân tích chi tiết (phân khúc):
Ngay cả khi tổng số có vẻ ổn định, tôi vẫn muốn biết chuyện gì đang xảy ra bên trong. Chia dữ liệu đính kèm theo danh mục/khu vực/phân khúc khách hàng. Hiển thị phân khúc nào đang phát triển và phân khúc nào đang bị thu hẹp trong bảng. Đặc biệt đánh dấu các điểm đảo chiều che giấu tổng số.
3) Kiểm định mối tương quan nhân quả:
Tôi tìm thấy mối quan hệ này: [A và B di chuyển cùng nhau]. Xin giúp con nhận biết đây là nhân quả thực sự hay chỉ là hành động cùng nhau. Liệt kê các nguyên nhân THƯỜNG GẶP có thể có và đề xuất 3 cách kiểm tra thực tế mà tôi có thể thực hiện để kiểm tra mối quan hệ này.
4) Tạo tùy chọn quyết định:
Tôi đã xác nhận cái nhìn sâu sắc này: [cái nhìn sâu sắc]. ĐỪNG quyết định thay tôi; thay vào đó, hãy tạo 3 tùy chọn hành động khác nhau. Đối với mỗi lựa chọn: lợi ích mong đợi, chi phí/công sức ước tính, rủi ro lớn và tình huống nào nên được ưu tiên. Trình bày các lựa chọn một cách trung lập; đừng áp đặt ai đó
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tại sao doanh số bán hàng giảm?
Không có dữ liệu, không có thời gian, không có bối cảnh. AI liệt kê các lý do chung (kinh tế, cạnh tranh, mùa vụ); Không có thông tin nào trong số đó cụ thể cho trường hợp của bạn và không thể xác minh được.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà phân tích bán lẻ. Sử dụng dữ liệu 6 tháng ẩn danh đính kèm (tháng, khu vực, danh mục, số lượng bán hàng, doanh thu). Tổng doanh thu giảm 8% trong tháng trước. Chia nhỏ điều này theo khu vực và danh mục; tìm ra sự suy giảm đến từ phân khúc nào. Đề xuất tối đa 2 giả thuyết có thể kiểm chứng cho mỗi sự suy giảm mà bạn tìm thấy. Chỉ cần sử dụng những con số tôi đã cung cấp cho bạn.
Kích thước
cách tiếp cận kém
Cách tiếp cận mạnh mẽ
dữ liệu
không có
Ẩn danh và đính kèm
Câu hỏi
Câu hỏi chung “tại sao?”
Khúc xạ và tập trung
đầu ra
Lý do chung
Các giả thuyết có thể kiểm chứng
Khả năng kiểm chứng
thấp
cao
giá trị quyết định
Ít hơn
cao
Những lỗi thường gặp
- Dựa vào tổng số. Trong khi tổng số không đổi, có thể có những đảo chiều lớn bên trong; Hãy chắc chắn để xem xét sự cố.
- Nhầm lẫn mối tương quan với quan hệ nhân quả. Xem mối quan hệ mà AI tìm thấy như một giả thuyết cần được kiểm tra chứ không phải là bằng chứng.
- So sánh không công bằng. Không so sánh các đơn vị có kích cỡ/độ tuổi/điều kiện khác nhau mà không bình thường hóa chúng.
- Yêu cầu quyết định trực tiếp từ AI. AI tạo ra các lựa chọn; Bạn chịu trách nhiệm và quyết định.
- Rút ra kết luận với dữ liệu một kỳ. Cần có đủ dữ liệu lịch sử để xác định xu hướng.
Thận trọng: Cho dù thông tin chi tiết có vẻ thông minh đến mức nào thì nó cũng không thể trở thành quyết định nếu không thể xác minh được từ dữ liệu của bạn. “AI đã nói như vậy” không phải là lời biện minh; "Tôi đã thử nghiệm nó với dữ liệu và nó đã được xác thực" là một lời biện minh.
Tóm lại
Hỗ trợ quyết định là chiếc thang biến dữ liệu thành cái nhìn sâu sắc: dữ liệu, thông tin, cái nhìn sâu sắc, quyết định. AI rất nhanh trong hai bước đầu tiên, là người trợ giúp tốt trong bước thứ ba và chỉ là nhà cung cấp tùy chọn trong bước thứ tư. Hãy nhìn vào số liệu chia nhỏ chứ không phải tổng số; Đừng nhầm lẫn mối tương quan với quan hệ nhân quả; Xem những lý do AI gợi ý dưới dạng giả thuyết cần kiểm tra. Suy nghĩ từng bước cho kết quả chính xác hơn. Quyết định cuối cùng là của người quản lý dựa trên hiểu biết sâu sắc đã được xác thực.
Nhiệm vụ ứng dụng
Chuẩn bị một tập dữ liệu ẩn danh từ doanh nghiệp của bạn (ví dụ: doanh số bán hàng theo danh mục trong 6 tháng qua). Yêu cầu AI thực hiện phân tích phân khúc bằng mẫu “Phân tích phân tích” ở trên. Tạo giả thuyết bằng cách sử dụng mẫu "Kiểm tra mối quan hệ nhân quả" cho thay đổi lớn nhất mà bạn tìm thấy và viết ra cách bạn sẽ kiểm tra giả thuyết này trong hiện trường trong 3 mục.
danh sách kiểm tra
- [ ] Tôi đã ẩn danh dữ liệu chưa?
- [ ] Tôi đã xem số liệu chi tiết (phân đoạn) thay vì tổng số chưa?
- [ ] Tôi có coi lý do do AI gợi ý là giả thuyết không?
- [ ] Tôi đã thiết lập các so sánh một cách công bằng (chuẩn hóa) chưa?
- [ ] Tôi có tự mình đưa ra quyết định dựa trên thông tin chi tiết đã được xác minh không?