收益：
- 通过理解数据-信息-洞察-决策阶梯并逐步执行人工智能，能够从分散的数据中产生决策导向的洞察
- 能够通过细分来揭示总数所隐藏的真相，并区分相关性和因果性
- 能够将人工智能提出的原因视为要测试的假设，并根据经过验证的见解做出最终决定
经理的办公桌上每天都会收到数十个数字：销售数据、成本、客户投诉、库存水平、员工流动率。但仅凭数字并不能决定。做出决定首先要了解数字的含义。 “销售额比上个月下降 8%”是理所当然的； “销售额下降是由于爱琴海地区的两个大客户推迟了订单”是一种洞察。在这里，决策支持——使数据对管理者做出更好决策有意义的过程——是将数据转化为洞察力的桥梁。在本单元中，我们将学习如何在这座桥上使用人工智能。边界从一开始就很明确：人工智能产生草稿见解；经理决定哪些见解是真实的以及该做什么。
从数据到洞察的四个步骤
决策支持是一个阶梯。第一个数字 — 数据：原始数字（本月到达 1,240 个订单）。第二位数字 — 信息：编辑、比较的数字（比上个月下降 8%）。第三层——洞察力：了解下降的原因（两个主要客户的延迟）。第四步——决定：做什么（采访这些客户并瞄准新客户）。 AI在第一步和第二步上非常快，在第三步上是好帮手，在第四步上只提供选项。
了解这个阶梯很重要，因为大多数管理者直接要求人工智能“为我做决定”并感到沮丧。然而，如果你一步一步地进行人工智能——先总结，然后比较，然后质疑可能的原因，最后自己做出决定——你会既快速又可靠。
提示：询问人工智能“你从这些数据中推断出什么？”不要一下子问所有的问题，而是一步一步地说“首先总结，然后展示 3 个最显着的变化，然后为每个变化提出 2 个可能的原因”。逐步思考可以得出更准确的结果。
相关性和因果性陷阱
决策支持最危险的陷阱是将相关性误认为因果关系。相关性是指两件事同时发生（夏季冰淇淋销量和溺水事件同时增加）。因果关系是指一个因素导致另一个因素（冰淇淋不会导致窒息；炎热的天气是常见原因）。人工智能非常擅长发现数据中一起移动的事物，但它无法判断哪个是真正的原因。说“广告支出增加，销售额增加”并不能证明广告增加了销售额；也许两者都受到了节日的影响。
因此，当人工智能提出一个原因时，请将其视为假设（需要证明的假设），而不是事实。 “我该如何测试这个？”问。优秀的管理者会在现场或用数据来测试人工智能建议的原因。
三个迷你箱子
案例 1——捕捉秘密坠落。在一家电子商务公司，总营业额似乎很稳定，没有人感到惊慌。经理将匿名的每月数据提供给人工智能，并询问“从品类来看，哪个细分市场正在增长，哪个细分市场正在萎缩？”他问道。 YZ 显示，虽然总营业额保持不变，但高利润的电子产品类别实际上下降了 22%，而低利润的配件销售掩盖了这一点。经理证实了这一点，并将重点放在电子产品类别上。总数被隐藏；这次分手揭示了真相。
案例 2 — 奔向错误的目标。一家咖啡馆连锁店的经理向人工智能提供了销售数据。 “周末销售会随着天气温度的变化而变化，”YZ 说。经理将此解读为“天气炎热，销量增加”，于是关掉了空调。然而，真正的原因是周末客流量增加；温度恰好朝同一方向移动。经理将相关性误认为是因果关系。他吸取了教训，从现在开始检验每一个理由。
案例 3 — 正确建立比较。某生产企业两个工厂的效率进行比较。经理问 AI：“A 工厂比 B 工厂效率高吗？”他问，但AI并不知道A工厂较新、较小。经理纠正了提示：“比较单位产量，考虑大小和年龄差异。”这次分析是公正的，并且揭示了真正的差异。
四个可复制模板
1）逐步洞察提取：
您的角色：业务分析师协助经理。使用附加的匿名数据（期间、类别、销售额、成本）。逐步进行： 1) 将数据总结为 4 项。 2) 显示与上一期相比最显着的 3 个变化。 3) 为每项变更提出最多 2 个可能的原因，并说明这些是假设，需要证据。不要编造任何我提供的数据中不存在的数字。
2）细分（段）分析：
即使总数看起来很稳定，我也想知道里面发生了什么。按类别/地区/客户群细分附加数据。在表中显示哪个段正在增长，哪个段正在收缩。特别是标记掩盖总数的反转。
3）相关-因果检验：
我发现了这样的关系：[A和B一起移动]。帮助我辨别这是真正的因果还是只是共同的行动。列出可能的常见原因并建议我可以进行 3 项实际检查来测试这种关系。
4）决策选项生成：
我证实了这一见解：[见解]。不要为我做决定；相反，生成 3 个不同的操作选项。对于每个选项：预期收益、估计成本/工作量、主要风险以及应首选哪种情况。中立地提出选项；不要强加于人。
弱提示/强提示
弱提示：
销量为何下降？
没有数据，没有时期，没有背景。 AI列出一般原因（经济、竞争、季节）；它们都不是针对您的具体情况的，无法验证。
强力提示：
您的角色：零售分析师。使用随附的匿名 6 个月数据（月份、地区、类别、销售数量、营业额）。上个月总营业额下降8%。按地区和类别细分；找出下降来自哪个细分市场。对于您发现的每个下降，提出最多 2 个可检验的假设。只需使用我给你的数字即可。
尺寸
糟糕的方法
强硬的做法
数据
无
匿名并附上
问题
一般的“为什么？”
折射和聚焦
输出
一般原因
可检验的假设
可验证性
低
高
决策值
少
高
常见错误
- 依靠总数。虽然总量是恒定的，但内部可能会出现大的反转；一定要看看分解。
- 将相关性误认为因果关系。将人工智能发现的关系视为待检验的假设，而不是证据。
- 不公平的比较。不要在未标准化的情况下比较不同尺寸/年龄/条件的单位。
- 直接向人工智能请求决策。人工智能生成选项；你承担决定和责任。
- 用单周期数据得出结论。趋势分析需要足够的历史数据。
注意：无论一个见解看起来多么聪明，如果无法从您的数据中得到验证，它就不应该成为一个决定。 “AI这么说”不是理由； “我用数据测试了它并且它得到了验证”是一个理由。
综上所述
决策支持是将数据转化为洞察力的阶梯：数据、信息、洞察力、决策。人工智能在前两步中非常快，在第三步中是一个好帮手，在第四步中只是一个选项提供者。查看细分数据，而不是总数；不要将相关性误认为因果关系；将人工智能建议的原因视为需要检验的假设。逐步思考可以得出更准确的结果。最终决定是经理根据经过验证的见解做出的。
应用任务
准备您企业的匿名数据集（例如过去 6 个月基于类别的销售额）。让 AI 使用上面的“细分分析”模板执行分段细分。使用“相关性因果检验”模板为您发现的最大变化创建一个假设，并写下您将如何在 3 个项目中测试该假设。
清单
- [ ] 我是否对数据进行了匿名处理？
- [ ] 我是否查看了细分（细分）而不是总数？
- [ ] 我是否把AI提出的理由当作了假设？
- [ ] 我是否公平地设置了比较（标准化）？
- [ ] 我是根据经过验证的见解自己做出决定的吗？