un: Pembingkaian Masalah untuk Pekerjaan Pengetahuan

un

tamu

1 / ?

kembali ke pelajaran

Pergeseran Lokasi Nilai

Membuat Draf Pertama Menjadi Murah

Di seluruh sektor perdagangan dan pekerjaan pengetahuan, menghasilkan draf pertama yang masuk akal: sebuah memo, kueri, desain, deck presentasi, blok kode: kini biayanya hampir nol. Sistem otomatis menghasilkan output yang percaya diri sesuai permintaan. Yang tidak bisa mereka lakukan adalah memutuskan apakah output tersebut menjawab pertanyaan yang tepat.

Pergeseran tersebut memindahkan daya tawar profesional ke hulu. Keterampilan langka bukan lagi mengetik versi pertama. Melainkan membingkai masalah, menulis spesifikasi, menguraikan pekerjaan, mengajukan pertanyaan yang presisi, dan menilai hasil yang kembali.

Pelajaran ini melatih empat disiplin yang berakumulasi:

- Definisi masalah: memisahkan gejala yang muncul dari masalah sebenarnya.

- Spesifikasi: mengubah permintaan yang kabur menjadi kriteria keberhasilan dan batasan yang presisi serta dapat diuji.

- Dekomposisi: menstrukturkan masalah besar menjadi sub-masalah yang independen dan dapat diverifikasi.

- Menanyakan pertanyaan yang tepat: kepada pemangku kepentingan, dataset, atau sistem otomatis, di mana presisi pertanyaan menentukan batas atas nilai dari jawabannya.

Jawaban yang percaya diri terhadap pertanyaan yang salah lebih buruk daripada tidak ada jawaban sama sekali, karena terlihat selesai dan akan dirilis. Tugas profesional adalah memastikan bahwa pertanyaan tersebut layak dijawab sebelum siapa pun menjawabnya.

Permintaan dari Eksekutif

Dari gejala yang muncul melalui dekomposisi lima mengapa hingga masalah sebenarnya dan spesifikasi yang dapat diuji

Pisahkan Gejala dari Masalah

Gejala yang dilaporkan adalah apa yang disampaikan oleh seseorang. Masalah sebenarnya adalah kondisi mendasar yang melatarbelakangi gejala tersebut. Menyelesaikan gejala dengan baik dapat membuat masalah sebenarnya tetap tidak tersentuh, dan penyampaian yang percaya diri menyembunyikan kegagalan tersebut hingga muncul secara mahal di kemudian hari.

Seorang VP (Vice President) datang dan berkata: "Dasbor penjualan kami terlalu lambat. Buatlah dasbor yang lebih cepat sebelum akhir kuartal." Itu adalah gejala yang dibingkai sebagai solusi. Instruksi tersebut sudah menyebutkan teknologi (dasbor) dan perbaikan (lebih cepat), yang secara diam-diam menutup opsi-opsi yang lebih baik.

Biaya dari menyelesaikan masalah yang salah dengan baik adalah jebakan. Sebuah tim dapat meluncurkan dasbor yang sangat cepat, memenuhi tenggat waktu, mendapat pujian, dan tetap gagal, karena VP sebenarnya perlu mengidentifikasi risiko churn (pelanggan berhenti berlangganan) tepat waktu untuk mengambil tindakan, dan tidak pernah melihat dasbor tersebut setiap hari sejak awal.

VP berkata "dasbor penjualan terlalu lambat, buat yang lebih cepat." JANGAN terima permintaan tersebut sebagaimana adanya. (1) Sebutkan gejala yang dilaporkan versus setidaknya satu masalah mendasar yang masuk akal yang mungkin disembunyikan oleh gejala tersebut. (2) Berikan satu pertanyaan diagnostik spesifik yang akan Anda ajukan kepada VP untuk menguji masalah mana yang sebenarnya. (3) Sebutkan biaya konkret jika tim membangun dasbor yang cepat tetapi masalah sebenarnya berbeda.

Dari Permintaan Kabur ke Kriteria yang Dapat Diuji

Spesifikasi Mengubah Opini Menjadi Uji

Permintaan yang kabur ("perbaiki onboarding", "bersihkan data", "tambahkan pencarian") tidak dapat diimplementasikan atau diverifikasi, karena tidak ada yang bisa menyatakan kapan pekerjaan tersebut selesai. Spesifikasi menggantikan kata sifat dengan uji. Spesifikasi menyatakan kriteria keberhasilan dalam istilah yang dapat diukur oleh seseorang, serta batasan yang harus dipatuhi oleh solusi tersebut.

Dua komponen yang membuat spesifikasi menjadi nyata:

- Kriteria keberhasilan yang dapat diuji: kondisi yang dapat Anda periksa lulus atau gagal tanpa perlu berdebat. "Cepat" adalah opini; "respons p95 di bawah 400 ms pada 200 permintaan per detik" adalah uji. "Onboarding yang lebih baik" adalah opini; "80% pengguna baru menyelesaikan langkah 3 dalam sesi pertama mereka" adalah uji.

- Batasan yang eksplisit: batas-batas yang harus dipenuhi oleh solusi: anggaran, tenggat waktu, data yang tidak boleh disentuh, sistem yang tidak boleh diubah, dan regulasi yang harus dipenuhi. Batasan bukan penghalang; mereka adalah setengah dari definisi jawaban yang benar.

Disiplin yang berguna. Untuk setiap kata sifat dalam permintaan, tuliskan pengukuran yang akan menentukannya, dan batasan yang membatasinya. Jika Anda tidak dapat menulis tesnya, berarti Anda belum cukup memahami permintaan untuk memulai.

Ketika draf pertama mudah dihasilkan, spesifikasi adalah yang memberi tahu Anda apakah draf tersebut bagus atau tidak. Spesifikasi yang presisi adalah penilaian yang dapat digunakan kembali. Ia menilai setiap jawaban kandidat dengan cara yang sama.

Seorang product manager meminta tim Anda untuk "menambahkan fitur notifikasi agar pengguna tetap terlibat." Ubah permintaan yang kabur ini menjadi spesifikasi. Berikan (1) setidaknya dua kriteria keberhasilan yang DAPAT DIUJI (masing-masing dinyatakan sedemikian rupa sehingga hasilnya secara tidak ambigu lulus atau gagal, dengan angka atau kondisi yang dapat diamati), (2) setidaknya dua batasan eksplisit yang harus dipatuhi oleh solusi, dan (3) satu hal yang secara sengaja Anda nyatakan DI LUAR CAKUP. Jangan jelaskan cara membangunnya; definisikan apa yang dimaksud dengan "selesai dan benar".

Sub-Masalah yang Independen dan Dapat Diverifikasi

Pecahkan Batu Besar Menjadi Batu-Batu Kecil yang Dapat Diperiksa

Masalah besar sulit dinilai karena Anda tidak bisa mengetahui bagian mana yang salah. Dekomposisi menstrukturkannya menjadi sub-masalah yang masing-masing cukup kecil untuk diverifikasi secara mandiri. Dekomposisi yang baik memiliki dua sifat.

- Kemandirian: sub-masalah saling tumpang tindih seminimal mungkin, sehingga perubahan pada satu bagian tidak secara diam-diam merusak bagian lain. Ketika bagian-bagian bersifat mandiri, mereka dapat dikerjakan, diuji, dan bahkan diotomasi secara paralel, dan kegagalan akan terlokalisasi alih-alih menyebar.

- Keterverifikasian: setiap sub-masalah memiliki tes keberhasilannya sendiri, sehingga Anda dapat mengonfirmasi bahwa bagian tersebut telah terselesaikan sebelum merangkai keseluruhan. Bagian yang tidak dapat Anda periksa adalah bagian yang tidak dapat Anda andalkan.

Masalah yang terdekomposisi dengan baik juga menunjukkan kepada Anda ke mana harus mengarahkan penilaian manusia yang langka. Sebagian besar sub-masalah bersifat rutin dan dapat diserahkan ke sistem otomatis atau tenaga junior, lalu diperiksa berdasarkan tesnya. Satu atau dua sub-masalah adalah intinya: memiliki ketidakpastian tinggi, konsekuensi besar, dan mudah salah dengan keyakinan yang tinggi. Bagian-bagian itulah yang mempertahankan perhatian ahli.

Waspada terhadap dekomposisi palsu: bagian-bagian yang hanya terlihat terpisah tetapi memiliki ketergantungan tersembunyi, sehingga potongan-potongan yang "selesai" tidak dapat dirangkai menjadi keseluruhan yang berfungsi. Uji coba dekomposisi adalah apakah menyelesaikan setiap bagian, masing-masing terverifikasi, benar-benar menyelesaikan masalah aslinya.

Anda memiliki masalah ini: "kurangi volume tiket dukungan pelanggan sebesar 30% dalam dua kuartal." Uraikan menjadi 3 hingga 5 sub-masalah. Untuk SETIAP sub-masalah: (1) nyatakan agar sebagian besar independen dari yang lain, (2) berikan tes spesifik yang menunjukkan bahwa sub-masalah tersebut telah terselesaikan, dan (3) tandai SATU sub-masalah mana yang merupakan inti yang paling membutuhkan penilaian manusia senior, dan jelaskan alasannya. Kemudian, sebutkan satu ketergantungan tersembunyi yang dapat menyebabkan bagian-bagian tersebut gagal tersusun.

Pertanyaan Menetapkan Batas Atas Jawaban

Pertanyaan Sampah Masuk, Jawaban Sampah yang Percaya Diri Keluar

Apakah Anda bertanya kepada pemangku kepentingan, dataset, atau sistem otomatis, presisi pertanyaan Anda menetapkan batas atas nilai jawabannya. Pertanyaan yang samar tidak gagal dengan jelas. Ia mengembalikan jawaban yang fasih, percaya diri, dan masuk akal untuk pertanyaan yang tidak Anda maksud, dan jawaban itu terlihat sudah selesai.

Pertimbangkan permintaan data yang ambigu: "Beri tahu saya pelanggan terbaik kami." Setiap kata penentu tidak terdefinisi. Terbaik berdasarkan apa: total pendapatan, margin, retensi, laju pertumbuhan, rujukan? Dalam jendela waktu apa: seumur hidup, dua belas bulan terakhir, kuartal ini? Pelanggan mana yang dihitung: hanya yang aktif, termasuk yang berhenti berlangganan, termasuk yang dalam masa uji coba? Dataset akan dengan senang hati menjawab versi mana pun yang kebetulan dikodekan oleh kueri, dan peminta akan bertindak berdasarkannya seolah-olah itu yang ada di kepalanya.

Pertanyaan yang presisi mengunci empat hal: kuantitas atau entitas yang tepat, populasi yang dicakup, jendela waktu, dan penentu seri atau ambang batas. Disiplin yang sama berlaku untuk manusia ("ketika Anda mengatakan terbaik, apakah Anda maksud yang paling menguntungkan tahun ini, atau yang paling mungkin memperbarui langganan?") dan untuk sistem otomatis, di mana prompt yang tidak terspesifikasi menghasilkan jawaban percaya diri untuk pertanyaan yang salah.

Keterampilan profesional adalah menyadari ambiguitas SEBELUM jawaban tiba, karena jawaban salah yang percaya diri mahal untuk dideteksi setelah kejadian. Presisi dalam pertanyaan lebih murah daripada koreksi setelah kejadian.

Seorang pemangku kepentingan mengirim Anda permintaan data ini: "Kirimkan saya daftar pelanggan terbaik kami sebelum Jumat." Anda tidak boleh menjalankannya apa adanya. (1) Identifikasi setidaknya TIGA interpretasi berbeda yang bisa dikodekan oleh permintaan ini, di mana masing-masing mengembalikan daftar yang BERBEDA, dengan menyebutkan dimensi ambiguitas spesifik untuk masing-masing (metrik, populasi, atau jendela waktu). (2) Tulis ulang permintaan tersebut sebagai SATU pertanyaan presisi yang mengunci metrik, populasi, jendela waktu, dan penentu seri atau ambang batas. (3) Sebutkan apa yang akan salah jika Anda hanya menebak dan menjalankannya.

Di Mana Leverage Anda Berada Sekarang

Draf Pertama Itu Murah; Framing dan Penilaian Tidak

Tarik benang merahnya. Ketika versi awal yang masuk akal dari hampir apa pun dapat diproduksi atas permintaan, pekerjaan yang membawa nilai adalah pekerjaan yang tidak dapat dilakukan oleh sistem otomatis untuk Anda: menentukan masalah apa yang layak dipecahkan, menentukan apa arti "benar", memecah masalah agar dapat diperiksa, mengajukan pertanyaan secara tepat, dan menilai apakah jawaban yang dikembalikan benar-benar memenuhi spesifikasi.

Bawalah daftar periksa framing ini ke tugas ambigu apa pun, sebelum menghasilkan satu pun draf:

- Masalah: Apa gejala yang muncul, dan apa masalah mendasarnya? Berapa biaya yang timbul jika kita menyelesaikan masalah yang salah?

- Keberhasilan: Apa kriteria yang dapat diuji untuk "selesai dan benar"? Apakah dua orang bisa berselisih pendapat tentang apakah masing-masing kriteria terpenuhi? Jika ya, pertajam lagi.

- Kendala: Batasan apa yang harus dihormati oleh solusi: anggaran, tenggat waktu, data, sistem, aturan?

- Cakupan: Apa yang sengaja di luar cakupan?

- Dekomposisi: Sub-masalah independen dan dapat diverifikasi secara individual apa saja yang dihasilkan dari pemecahan ini? Manakah yang menjadi inti untuk penilaian manusia?

- Pertanyaan: Untuk setiap kueri ke orang, dataset, atau sistem, apakah metrik, populasi, jendela waktu, dan penentu seri sudah ditetapkan? Ambiguitas apa yang bisa menghasilkan jawaban salah yang terdengar yakin?

- Penilaian: Ketika jawaban tiba, uji apa yang memberitahu saya bahwa itu benar, bukan sekadar fasih?

Profesional di era ini bukan yang paling cepat menghasilkan draf pertama. Melainkan orang yang membingkai masalah dengan sangat baik sehingga jawaban yang baik menjadi dapat diperiksa, dan jawaban yang salah menjadi terlihat.

Sintesis akhir. Ambil tugas yang benar-benar ambigu yang secara plausibel bisa Anda terima di tempat kerja (sebutkan dalam satu baris). Jalankan melalui *checklist* framing: (1) pisahkan gejalanya dari masalah sebenarnya yang mungkin, (2) berikan satu kriteria keberhasilan yang dapat diuji DAN satu batasan, (3) sebutkan satu sub-masalah independen beserta tes verifikasinya, (4) runcikan satu pertanyaan yang akan Anda ajukan kepada orang, dataset, atau sistem sehingga tidak dapat mengembalikan jawaban yang salah dengan percaya diri, dan (5) nyatakan, dalam satu kalimat, mengapa framing tugas ini dengan baik lebih penting daripada menghasilkan draf pertamanya.

Apa yang Anda Bawa ke Depan

Dua Kalimat untuk Diingat

Kamu telah berlatih memisahkan gejala dari masalah, menulis kriteria keberhasilan yang dapat diuji dengan batasan yang eksplisit, memecah masalah menjadi bagian-bagian independen yang dapat diverifikasi, dan mempertajam sebuah pertanyaan sehingga tidak dapat menghasilkan jawaban yang salah dengan penuh keyakinan. Keempat langkah tersebut adalah satu keterampilan, yaitu framing (pembingkaian masalah).

Menyelesaikan masalah yang salah dengan baik adalah kesalahan termahal dalam pekerjaan berbasis pengetahuan, karena hal itu terlihat seperti keberhasilan. Dan ketajaman pertanyaanmu menentukan batas atas nilai dari jawaban apa pun, baik dari manusia, dataset, maupun sistem otomatis.

Membuat draf pertama kini menjadi murah dan semakin murah. Framing masalah, menulis spesifikasi, dan menilai hasilnya adalah di mana leverage seorang profesional berada. Bawalah checklist-nya. Ajukan pertanyaan yang lebih tajam. Definisikan apa artinya "selesai" sebelum kamu memulai.