നിങ്ങളുടെ ഡാറ്റയിലെ ശക്തമായ ഒരു പ്രവണത ഒരു കാരണം തെളിയിക്കാത്തത് എന്തുകൊണ്ട്?
വ്യക്തമായ ഒരു പാറ്റേൺ കാണുന്നതുകൊണ്ട് മാത്രം ഒരു കാരണബന്ധം തെളിയുന്നില്ല. കാരണം, മൂന്നാമതൊരു ഘടകം രണ്ട് സംഖ്യകളെയും സ്വാധീനിക്കുമ്പോഴും, കാരണബന്ധം വിപരീത ദിശയിലായിരിക്കുമ്പോഴും, പൊരുത്തം യാദൃച്ഛികമായിരിക്കുമ്പോഴും ഇതേ പാറ്റേൺ ഉണ്ടാകാം. രണ്ട് കാര്യങ്ങൾ എത്രത്തോളം ഒരുമിച്ച് മാറുന്നു എന്നാണ് സഹബന്ധം അളക്കുന്നത്; എന്തുകൊണ്ടാണ് അങ്ങനെ സംഭവിക്കുന്നതെന്ന് അത് പറയുന്നില്ല.
30 കടകളുള്ള ലാർക്ക്ഫീൽഡ് ഹോം എന്ന സാങ്കൽപ്പിക വീട്ടുപകരണ ചില്ലറവിൽപ്പന സ്ഥാപനത്തെ പരിഗണിക്കുക. വിൽപ്പനയുടെ ചുമതലയുള്ള പ്രിയ കഴിഞ്ഞ പാദത്തിലെ കണക്കുകൾ അവലോകനം ചെയ്യുന്നു. എട്ട് കടകളിൽ വാരാന്ത്യങ്ങളിൽ പാചകപ്പാത്രങ്ങളുടെ പ്രദർശനം നടത്തി, 22 കടകളിൽ നടത്തിയില്ല. അവർ കയറ്റുമതി ചെയ്ത ഡാറ്റ ഇങ്ങനെയാണ്: 'പ്രദർശനം നടത്തിയ കടകൾ: ശരാശരി പ്രതിവാര വിൽപ്പന 41,200. പ്രദർശനം നടത്താത്ത കടകൾ: 34,900. വ്യത്യാസം: +18%. കുറിപ്പ്: പ്രദർശനത്തിനുള്ള കടകൾ തിരഞ്ഞെടുത്തത് ഏരിയ മാനേജർമാരാണ്. പ്രദർശനങ്ങൾ കൂടുതലും നവംബർ മുതൽ ഡിസംബർ വരെ. പ്രദർശനം നടത്തിയ കടകളിൽ ഞങ്ങളുടെ ഏറ്റവും വലിയ 6 കടകളിൽ 5 എണ്ണവും ഉൾപ്പെടുന്നു.' ഷീറ്റ് സംഗ്രഹിച്ച ഒരു AI സഹായി ഇങ്ങനെ എഴുതി: 'പാചകപ്പാത്രങ്ങളുടെ പ്രദർശനങ്ങൾ പ്രതിവാര വിൽപ്പനയിൽ 18% വർധന ഉണ്ടാക്കുന്നു. എല്ലാ കടകളിലേക്കും ഇവ വ്യാപിപ്പിക്കുന്നത് വരുമാനം വർധിപ്പിക്കും.' തിങ്കളാഴ്ച ഈ വിപുലീകരണത്തിന് അംഗീകാരം നൽകാൻ ബോർഡ് ആഗ്രഹിക്കുന്നു.
| കടകളുടെ കൂട്ടം | കടകൾ | ശരാശരി പ്രതിവാര വിൽപ്പന | ഏറ്റവും വലിയ സൈറ്റുകൾ ഉൾപ്പെടുത്തിയിരിക്കുന്നു | പ്രദർശനങ്ങൾ നടത്തിയ മാസങ്ങൾ |
|---|---|---|---|---|
| പ്രദർശനത്തിനുള്ള കടകൾ | 8 | 41,200 | 6-ൽ 5 | കൂടുതലും നവംബറിലും ഡിസംബറിലും |
| ഡെമോയ്ക്കുള്ളതല്ലാത്ത സ്റ്റോറുകൾ | 22 | 34,900 | 6 ൽ 1 | ഒന്നുമില്ല |
ഒരു സഹബന്ധം കാരണബന്ധമാണോ എന്ന് എങ്ങനെ പരിശോധിക്കാം?
മറ്റ് മൂന്ന് വിശദീകരണങ്ങൾ ഓരോന്നായി തള്ളിക്കളഞ്ഞ് ഒരു സഹബന്ധം പരിശോധിക്കുക. തുടർന്ന്, സാധ്യമായിടത്ത്, കാരണമാണെന്ന് സംശയിക്കുന്ന ഘടകം മാത്രം വ്യത്യാസപ്പെടുന്ന നീതിപൂർവമായ ഒരു താരതമ്യം നടത്തുക. ആരെങ്കിലും പണം ചെലവഴിക്കുന്നതിന് മുമ്പ് ഡാറ്റയോട് ചോദിക്കേണ്ട ഒരു ചോദ്യമാണ് താഴെയുള്ള ഓരോ ഘട്ടവും.
1. ഫലത്തെ സ്വാധീനിക്കുന്ന മറ്റൊരു ഘടകം അന്വേഷിക്കുക
നിങ്ങൾ താരതമ്യം ചെയ്യുന്ന രണ്ടു കാര്യങ്ങളെയും ബാധിക്കുന്ന മൂന്നാമതൊരു ഘടകമാണ് ആശയക്കുഴപ്പമുണ്ടാക്കുന്ന ഘടകം. ലാർക്ക്ഫീൽഡിൽ കടയുടെ വലുപ്പവും കാലവുമാണ് അത്തരം ഘടകങ്ങളാകാൻ സാധ്യതയുള്ളത്: വലിയ കടകളിൽ ഏതായാലും വിൽപ്പന കൂടുതലായിരിക്കും; നവംബറും ഡിസംബറും പാചകപാത്രങ്ങളുടെ വിൽപ്പന തിരക്കേറിയ മാസങ്ങളുമാണ്. രണ്ടു വിഭാഗങ്ങൾ തമ്മിൽ മറ്റെന്തൊക്കെ വ്യത്യാസങ്ങളുണ്ടെന്ന് ചോദിക്കുക.
2. ദിശ പരിശോധിക്കുക
വിപരീത കാര്യകാരണബന്ധം എന്നാൽ ഫലമാണ് കാരണമെന്ന് കരുതപ്പെടുന്ന ഘടകത്തെ യഥാർത്ഥത്തിൽ സൃഷ്ടിക്കുന്നത് എന്നാണ്. ഇതിനകം നല്ല വിൽപ്പനയുണ്ടായിരുന്ന കടകൾക്കാണ് മേഖലാ മാനേജർമാർ പ്രദർശനങ്ങൾ നൽകിയതെങ്കിൽ, വർധിച്ച വിൽപ്പനയാണ് പ്രദർശനങ്ങളിലേക്ക് നയിച്ചത്, മറിച്ചല്ല. ഗ്രൂപ്പുകൾ എങ്ങനെയാണ് തിരഞ്ഞെടുത്തതെന്ന് ചോദിക്കുക.
3. യാദൃച്ഛികത പരിഗണിക്കുക
എട്ട് കടകളും ഒരു പാദവർഷവും മാത്രം പരിഗണിക്കുമ്പോൾ, യാദൃച്ഛികമായി ഒരു വ്യത്യാസം കാണാം. പ്രത്യേകിച്ച്, ആരെങ്കിലും പല പ്രമോഷനുകളും പരിശോധിച്ച് അവയിൽ വേറിട്ടുനിന്ന ഒന്ന് മാത്രം റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടെങ്കിൽ. എത്ര താരതമ്യങ്ങൾ നടത്തിയെന്നും മറ്റൊരു കാലയളവിലും ഇതേ പ്രവണത നിലനിൽക്കുന്നുണ്ടോ എന്നും ചോദിക്കുക.
4. സമാനമായവ തമ്മിൽ താരതമ്യം ചെയ്യുക
ഡെമോ നടത്തുന്ന കടകളെ അതേ ആഴ്ചകളിൽ ഡെമോ നടത്താത്ത സമാന കടകളുമായി താരതമ്യം ചെയ്യുക: വലിയവയെ വലിയവയുമായും ചെറിയവയെ ചെറിയവയുമായും. വ്യത്യാസത്തിന്റെ ഭൂരിഭാഗവും ഇല്ലാതാകുന്നുവെങ്കിൽ, ഫലത്തെ സ്വാധീനിച്ചിരുന്നത് മറ്റ് ഘടകങ്ങളായിരുന്നു.
5. ഒരു പരീക്ഷണം നടത്തുക
ഏറ്റവും ശക്തമായ പരിശോധന നിയന്ത്രിത പരീക്ഷണമാണ്: താരതമ്യം ചെയ്യാവുന്ന കടകൾ തിരഞ്ഞെടുക്കുക, അവയിൽ പകുതിയിൽ ഒരേ ആഴ്ചകളിൽ ക്രമരഹിതമായി പ്രദർശനങ്ങൾ നടത്തുക, തുടർന്ന് താരതമ്യം ചെയ്യുക. ക്രമരഹിതമായ തിരഞ്ഞെടുപ്പ് കടകളുടെ വലുപ്പം, സ്ഥാനം, വ്യാപാരചരിത്രം എന്നിവ ഇരുവിഭാഗങ്ങളിലും തുല്യമായി വിതരണം ചെയ്യുന്നു. അതിനാൽ ശേഷിക്കുന്ന വ്യത്യാസത്തിന് കാരണം പ്രദർശനമായിരിക്കാനുള്ള സാധ്യത വളരെ കൂടുതലാണ്.
Larkfield വിവരങ്ങളുടെ ദുർബലമായ വ്യാഖ്യാനവും മെച്ചപ്പെടുത്തിയ വ്യാഖ്യാനവും എങ്ങനെയായിരിക്കും?
ദുർബലമായ വായന AI സംഗ്രഹത്തെ അതേപടി വിശ്വസിക്കുന്നു: 'പ്രദർശനങ്ങൾ വിൽപ്പന 18% വർധിപ്പിക്കുന്നു, അതിനാൽ എല്ലായിടത്തും അവ നടത്തുക.' വലുപ്പം, സീസൺ, തിരഞ്ഞെടുപ്പ് എന്നിവയിൽ വ്യത്യാസമുള്ള രണ്ട് കൂട്ടങ്ങൾക്കിടയിൽ കണ്ട അന്തരത്തെ, മറ്റ് 22 കടകളിൽ എന്ത് സംഭവിക്കുമെന്ന വാഗ്ദാനമായി അത് മാറ്റുന്നു.
മെച്ചപ്പെടുത്തിയ വിലയിരുത്തൽ ഇങ്ങനെയാണ്: 'പ്രദർശനങ്ങൾ നടത്തിയ കടകളിൽ ആഴ്ചയിൽ 18% കൂടുതൽ വിൽപ്പന നടന്നു. എന്നാൽ അവ കൂടുതലും ഞങ്ങളുടെ ഏറ്റവും വലിയ കടകളായിരുന്നു; ഏറ്റവും തിരക്കേറിയ രണ്ട് മാസങ്ങളിലാണ് പ്രദർശനങ്ങൾ നടത്തിയത്; പ്രദേശ മാനേജർമാരാണ് അവ തിരഞ്ഞെടുത്തത്. പ്രദർശനം നടത്തിയ അഞ്ച് വലിയ കടകളെ അതേ ആഴ്ചകളിൽ പ്രദർശനം നടത്താത്ത വലിയ കടകളുമായി താരതമ്യം ചെയ്യുമ്പോൾ വ്യത്യാസം ഏകദേശം 4% ആണ്. ഇത് സാധാരണ ആഴ്ചതോറുമുള്ള വ്യതിയാനത്തിന്റെ പരിധിയിലാണ്. പ്രദർശനങ്ങൾ സഹായിക്കുമോ എന്ന് ഇപ്പോൾ പറയാനാകില്ല. നിർദേശം: താരതമ്യം ചെയ്യാവുന്ന 12 ഇടത്തരം കടകളിൽ ആറ് ആഴ്ചത്തെ പരീക്ഷണം നടത്തുക; അവയിൽ ആറെണ്ണം ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത് പ്രദർശനങ്ങൾ നടത്തുക; പാചകപാത്രങ്ങളുടെ വിൽപ്പനയും ജീവനക്കാരുടെ ജോലി മണിക്കൂറുകളും അളക്കുക.' ഒരു മാസത്തെ താമസം വേണ്ടിവരുമെങ്കിലും, എന്താണ് അറിയുന്നതെന്നും അറിയാത്തതെന്നും അത് എങ്ങനെ കണ്ടെത്താമെന്നും ഈ പതിപ്പ് ഭരണസമിതിയോട് പറയുന്നു.
പരസ്പരബന്ധങ്ങൾ കാണിച്ച് AI സംഗ്രഹങ്ങൾ നിങ്ങളെ എങ്ങനെ തെറ്റിദ്ധരിപ്പിക്കും?
ഒരു പരസ്പരബന്ധത്തെ 'വഴിയൊരുക്കുന്നു', 'കാരണമാകുന്നു', 'വർധിപ്പിക്കുന്നു', 'കാരണം' തുടങ്ങിയ കാരണബന്ധം സൂചിപ്പിക്കുന്ന വാക്കുകളിൽ വിവരിക്കുമ്പോഴാണ് AI സംഗ്രഹങ്ങൾ ഏറ്റവും കൂടുതൽ തെറ്റിദ്ധരിപ്പിക്കുന്നത്. ഇത് ഒരു പ്രവണതയെ തെളിയിക്കപ്പെട്ട ഫലമായി തോന്നിപ്പിക്കുന്നു. ഒരു ഭാഷാ മോഡൽ കണക്കുകൾക്ക് ഒഴുക്കുള്ള വിശദീകരണങ്ങൾ എഴുതുന്നു; നിങ്ങൾ പറഞ്ഞുകൊടുക്കാതെ കടകൾ എങ്ങനെയാണ് തിരഞ്ഞെടുത്തതെന്ന് അതിന് അറിയില്ല. കാരണവും യാദൃച്ഛികതയും വേർതിരിച്ചറിയാൻ കഴിയില്ലെന്ന് അത് സ്വമേധയാ പറയുന്നതും അപൂർവമാണ്.
അസിസ്റ്റന്റിന് അറിയാത്ത പശ്ചാത്തലവിവരങ്ങൾ നൽകിയും വിവരങ്ങൾ കാണിക്കുന്നതും അവ വിശദീകരിച്ചേക്കാവുന്നതും വേർതിരിക്കാൻ ആവശ്യപ്പെട്ടും ഇത് കുറയ്ക്കാം. ഗ്രൂപ്പുകളെ എങ്ങനെ തിരഞ്ഞെടുത്തു, തീയതികൾ, സാമ്പിളിന്റെ വലുപ്പം എന്നിവ പശ്ചാത്തലവിവരങ്ങളിൽ ഉൾപ്പെടുത്തുക. തുടർന്ന് ഫലത്തിൽ കാരണബന്ധം സൂചിപ്പിക്കുന്ന ക്രിയകൾ ഉണ്ടോ എന്ന് വായിച്ചുനോക്കി, ഓരോന്നിനും പകരം യഥാർഥത്തിൽ നിരീക്ഷിച്ചത് എഴുതുക. ഉദാഹരണത്തിന്, 'പ്രദർശനങ്ങൾ നടത്തിയ കടകളിൽ വിൽപ്പനയും കൂടുതലായിരുന്നു'.
ഒരു കാരണബന്ധ വാദത്തിന്റെ അടിസ്ഥാനത്തിൽ പ്രവർത്തിക്കുന്നതിന് മുമ്പ് അത് എങ്ങനെ പരിശോധിക്കാം?
ഗ്രൂപ്പുകളെ എങ്ങനെ തിരഞ്ഞെടുത്തു, രണ്ട് ഗ്രൂപ്പുകളിലും ഫലത്തിനുമുമ്പാണോ കാരണം ഉണ്ടായത്, മറ്റൊരു കാലയളവിലോ വലിയൊരു സാമ്പിളിലോ വ്യത്യാസം നിലനിൽക്കുന്നുണ്ടോ, തെളിവ് പരസ്പരബന്ധം മാത്രമായിരിക്കുമ്പോൾ സംഗ്രഹത്തിൽ 'ബന്ധപ്പെട്ടിരിക്കുന്നു' എന്നാണോ പറയുന്നത് എന്നിവ ചോദിച്ച് കാരണബന്ധത്തെക്കുറിച്ചുള്ള അവകാശവാദം പരിശോധിക്കുക. ചെലവിന് ആരെങ്കിലും അനുമതി നൽകുന്നതിനുമുമ്പ് അവകാശവാദത്തിനരികിൽ ഉത്തരങ്ങൾ എഴുതുക.
പരസ്പരബന്ധവും കാര്യകാരണബന്ധവും വിലയിരുത്തുമ്പോൾ സാധാരണ സംഭവിക്കുന്ന പിഴവുകൾ എന്തൊക്കെയാണ്?
ഗ്രൂപ്പുകൾ എങ്ങനെ രൂപീകരിച്ചെന്ന് ചോദിക്കാതെ, ഡാഷ്ബോർഡിൽ വ്യത്യാസം കണ്ടതിനാൽ മാത്രം മാറ്റം നടപ്പാക്കുന്നതാണ് ഏറ്റവും സാധാരണമായ തെറ്റ്. മറ്റ് തെറ്റുകൾ: ഉയർന്ന സഹബന്ധ ഗുണാങ്കം തെളിവായി കാണുക, ഇരുപത് പ്രചാരണങ്ങളിൽ നന്നായി തോന്നിയ ഒരെണ്ണം മാത്രം റിപ്പോർട്ട് ചെയ്യുക, കാലാനുസൃത മാറ്റങ്ങൾ മറക്കുക, സഹബന്ധമില്ലെങ്കിൽ ഫലവുമില്ലെന്ന് കരുതുക. വിപരീത തെറ്റും പണം നഷ്ടപ്പെടുത്തും: ചെറിയൊരു ക്രമരഹിത പരീക്ഷണം സാധാരണയായി കുറഞ്ഞ ചെലവിൽ നടത്താനാകുമെങ്കിലും, പൂർണ ഉറപ്പുണ്ടാകുന്നതുവരെ പ്രവർത്തിക്കാൻ വിസമ്മതിക്കുക.
Tosheo.ai-യിൽ ഈ പാഠത്തിന്റെ സ്ഥാനം എവിടെയാണ്?
ഈ പാഠം ഡാറ്റാ സയൻസും വിശകലനവും എന്ന വിഭാഗത്തിന്റെ ഭാഗമാണ്. ഡാറ്റാ സയൻസ് കോഴ്സിന്റെ തുടക്കത്തിൽത്തന്നെ ഇത് വരുന്നു. കാരണം, ഡാഷ്ബോർഡുകൾ മുതൽ മെഷീൻ ലേണിങ് വരെയുള്ള എല്ലാ തുടർവിഷയങ്ങളും ഒരു പാറ്റേണിനെ കാരണമായി തെറ്റിദ്ധരിക്കാതിരിക്കുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. Tosheo.ai-യിലെ പ്രായോഗിക പ്രവർത്തനത്തിൽ സാങ്കൽപ്പിക ഡാറ്റാസെറ്റും AI എഴുതിയ സംഗ്രഹവും നൽകുന്നു. ഡാറ്റയ്ക്ക് പിന്തുണയ്ക്കാൻ കഴിയാത്ത ഓരോ കാരണവാദവും മൂല്യനിർണയ മാർഗരേഖയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രതികരണം ചൂണ്ടിക്കാട്ടുന്നു. ഇതൊരു തൊഴിൽപരമായ അടിത്തറയാണ്; സ്ഥിതിവിവരശാസ്ത്ര ബിരുദമല്ല.