🤯 Как выжить аналитику в эпоху ИИ. Часть 4 «Формирование гипотез»
Итак, мы уже глубоко погрузились в тему, нашли нужную информацию с помощью ИИ, всё проанализировали. В результате, например, получили статистический анализ вида «рост заявок у компании X по теме Y за последние 3 года составил 30%».
«Ну и?»
«А дальше-то что?»
Резонные вопросы классиков. И лучше на них ответить до того, как их зададут. Чтобы анализ перестал быть просто набором любопытных фактов и превратился в инструмент принятия решений, нам нужно перейти к следующему шагу – формированию основ для выводов и рекомендации. Это можно считать либо второй стадией анализа, либо самостоятельным исследовательским этапом.
🔍 С чего начинается формирование гипотез
В ходе анализа копится много цифр: что-то растёт, что-то падает, что-то коррелирует, что-то нет. Часть этих данных оказываются абсолютной банальностью. Но нас интересуют две категории:
🔘неожиданные факты, которые требуют объяснения
🔘очевидные вещи, без которых нельзя доказать или опровергнуть гипотезу
Допустим, вас удивил тот самый рост заявок компании X по теме Y на 30%. Чтобы перейти к выводам, нужно провести мини-расследование и попытаться объяснить это явление, сформировав несколько гипотез. Затем нужно отобрать наиболее значимые из них (с учётом специфики, планов и возможностей организации) и сформулировать выводы и рекомендации.
🧩 Причины, поводы и последствия
Вернёмся к тому, с чего же надо начать. Прежде всего нам нужно попытаться объяснить то, что нас удивило. У любого явления есть причины (набор накопленных предпосылок), само событие и его последствия. А вот повод встречается не во всех случаях: это разовый триггер, который «активирует» уже сложившиеся условия. Если повод присутствует, важно отделять его от причин, иначе возникает соблазн принять триггер за корневую причину и уйти в неверные выводы.
Подобный подход предотвращает поверхностные суждения, когда триггер в сознании аналитика и является истинной причиной. А подходы из постов про поиск и анализ прекрасно работают и на этапе «мини-расследования»: когда мы грамотно собрали факты, пора переходить к гипотезам.
🤖 Где помогает ИИ
На этом этапе важно рассматривать выдвинутые гипотезы в разных контекстах. И здесь нам на помощь приходит ИИ на основе LLM – с помощью промтов мы можем формировать абсолютно разные контексты. Одну и ту же ситуацию можно рассмотреть с разных точек зрения:
🔘технической
🔘экономической
🔘управленческой и т.д.
применяя при этом подходы разных школ или отдельных экспертов.
Например, Character.AI наглядно демонстрирует сам принцип (хоть и не предназначен для серьёзных исследований). С ChatGPT или Qwen можно покрутить одни и те же данные десятками способов и сразу же оценивать их под разными углами.
🌀 Пример: рост заявок компании X по теме Y на 30%. Вот какие гипотезы ИИ и вы можете получить:
➡️Компания X получила госгрант по теме Y, но дальше не продвинулась, потому что есть непреодилмые (пока) технологические барьеры.
➡️Компания X получила грант по теме Y, который стал своего рода «первой ласточкой» новой госпрограммы. Компания быстро сориентировалась и за счёт этого стала лидером направления.
➡️Компания Z вывела на рынок технологию W – это стало триггером для компании X, подтолкнув её к реализации своего научного потенциала.
➡️Разные компании верят в разных технологии и ведут конкурирующие разработки. Компания X верит в технологию Y, потому что над ней работает конкретный специалист Ван И.
➡️В компанию X пришёл новый руководитель ИС, Джон Смит, и решил патентовать всё, что движется, включая технологию Y.
Это всё описание альтернативных реальностей, но они «основаны на реальных событиях». Когда мы смотрим с разных точек зрения, то гипотеза возникает не одна – при этом мы смотрим ещё и на то, как на наше явление влияла мировая экономика, геополитика, конкретная компания, люди и т.д. Именно это разнообразие даёт нам объёмную картину, а не плоский вывод. Мы получаем разносторонний набор гипотез, который ляжет в основу следующих шагов: выводов и рекомендаций. Но об этом позже.
#аналитик_в_эпоху_ИИ
