Jokainen CausoAI:n analyysi palauttaa Causal Readiness Scoren — luvun väliltä 0–100. Se ei mittaa sitä, onko tulos hyvä uutinen. Se mittaa sitä, kuinka paljon painoa tulos kestää.
Tällä on väliä, koska vaihtoehto on huonompi. Useimmat analytiikkatyökalut antavat luvun kertomatta mitään siitä, riittikö sen takana oleva data johtopäätökseen. Pisteytys on olemassa siksi, että heikko analyysi kertoo itse itsestään sen sijaan että näyttäisi huomaamatta vahvalta.
Neljä tasoa
- —80–100: Vahva luottamus. Sopii budjettipäätöksiin, strategiaan ja johdolle raportointiin
- —60–79: Suunta on luotettava. Käytä näkemyksen muodostamiseen ja priorisointiin, älä rahan siirtämiseen tänään
- —40–59: Käsittele varauksella. Todelliset oletukset tekevät tässä työtä — sano se ääneen kun jaat tuloksen
- —Alle 40: Älä toimi tämän varassa. Jotain tärkeää puuttuu ja se pitää korjata ensin
Tarkistus 1: Onko dataa tarpeeksi? (25 %)
Ensimmäinen tarkistus katsoo, voiko tiedosto tukea yhtään luotettavaa vastausta: montako riviä on, kuinka paljon puuttuu ja onko luvuissa tarpeeksi vaihtelua mihinkään vertailuun.
Tyypillisiä ongelmia: alle sata riviä, keskeinen sarake tyhjänä useammin kuin joka viidennellä rivillä, tai lopputulos jossa ei ole juuri vaihtelua — kaikki konvertoivat tai ei kukaan.
Nämä aukot ovat viidestä helpoimmin korjattavia. Yleensä ne tarkoittavat aikavälin laajentamista, sarakkeen täyttämistä tai kysymyksen rajaamista sellaiseksi, johon data pystyy vastaamaan.
Tarkistus 2: Voiko kysymykseen ylipäätään vastata? (25 %)
Tämä on se, joka nappaa aidot umpikujat. Se kysyy, onko kaavion ja käytettävissä olevien sarakkeiden perusteella ylipäätään mahdollista erottaa haluttu vaikutus kaikesta muusta.
Se etsii erityisesti kolmea asiaa: molempiin puoliin vaikuttavaa tekijää, joka puuttuu tiedostosta, jolloin sen vaikutus kirjautuu toimenpiteenne piikkiin; jotain vakioitavaa, jota ei pitäisi vakioida, koska se vääristää vertailua sen puhdistamisen sijaan; ja ajoitusta joka ei käy järkeen, kuten toimenpide joka on kirjattu sen lopputuloksen jälkeen, jonka sen väitetään aiheuttaneen.
Matalat pisteet täällä ovat viidestä vakavimmat, koska lisädata ei pelasta tilannetta. Jos vaikutusta ei voi erottaa, korjaus on kaavion muuttaminen tai puuttuvan sarakkeen lisääminen.
Tarkistus 3: Pystyykö menetelmä ajamaan tällä? (20 %)
Kysymykseen voi olla periaatteessa vastattavissa ja se voi silti olla epäkäytännöllinen edessä olevalla datalla. Tämä tarkistus katsoo, onko valitulla menetelmällä tarpeeksi työstettävää.
Tavallisin syyllinen on vino jakauma. Jos vain kaksi prosenttia asiakkaistanne sai tutkittavan asian, tai vain kaksikymmentä heistä sai, vertailtavaa on hyvin vähän ja vastaus on epävakaa riippumatta siitä, kuinka suuri tiedosto kokonaisuutena on.
Tarkistus 4: Ovatko ryhmät riittävän vertailukelpoisia? (20 %)
Koko lähestymistapa perustuu samanlaisten vertaamiseen samanlaisiin. Tämä tarkistus testaa, onko se oikeasti mahdollista — onko jokaista toimenpiteen saanutta asiakastyyppiä kohden samankaltaisia asiakkaita, jotka eivät saaneet.
Siellä missä ei ole, analyysi ekstrapoloi mittaamisen sijaan. Näin käy useimmin reunoilla: kaikkein suurimmat asiakkuutenne ovat ehkä kaikki saaneet toimenpiteen, jolloin vertailukohtaa ei jää. Tämä tarkistus varoittaa myös silloin, kun vastaus tulee niin leveällä vaihteluvälillä, ettei se voi ohjata päätöstä.
Tarkistus 5: Kuinka helposti jokin huomaamatta jäänyt selittäisi tämän? (10 %)
Viimeinen tarkistus rasittaa tulosta. Se kysyy, kuinka vahva mittaamattoman tekijän pitäisi olla, jotta se pyyhkisi löytämäsi vaikutuksen pois. Jos siihen tarvittaisiin jotain valtavaa — datassasi olevia tekijöitä suurempaa — löydös on tukeva. Jos maltillinen riittäisi, löydös on hauras.
Sillä on pienin painoarvo, koska se on diagnostinen eikä hylkäävä. Se kertoo kuinka hermostunut kannattaa olla, ei sitä onko analyysi pätevä.
Lue aukkolista, älä vain lukua
Pistemäärä on tiivistelmä, ja tiivistelmät piilottavat asioita. Hyödyllisempi on aukkolista: jokainen yksittäinen ongelma, mistä tarkistuksesta se tuli ja onko se estävä vai varoitus. Estävien aukkojen pitäisi pysäyttää toiminta. Varoitukset laskevat luottamusta mitätöimättä tulosta.
Yksi tunnistamisen arvoinen kuvio: analyysi saa 71 pistettä, mikä kuulostaa käyttökelpoiselta, mutta vaje tulee yhdestä estävästä aukosta tarkistuksessa 2. Oikea reaktio on korjata se aukko, ei edetä sillä perusteella että 71 kuulostaa kohtuulliselta. Neljä kunnossa olevaa osa-aluetta ei kumoa yhtä vakavaa reikää.
Mitä tehdä kun pisteet ovat matalat
- —Dataa ei ole tarpeeksi: laajenna aikaväliä, täytä aukot tai kysy rajatumpi kysymys
- —Kysymykseen ei voi vastata: palaa kaavioon ja lisää tekijä, joka vaikuttaa molempiin puoliin mutta puuttuu tiedostosta
- —Menetelmä ei pysty ajamaan: jakauma on liian vino — kerää lisää tapauksia ohuemmalle puolelle tai vertaa vähempää kerralla
- —Ryhmät eivät ole vertailukelpoisia: rajaa analyysi siihen osaan asiakaskuntaa, jossa on molempia asiakastyyppejä
- —Hauras tulos: hanki dataa tekijästä, jonka epäilet puuttuvan, tai esitä löydös varauma mukana