Unabhängig davon, ob Sie gerade einen wichtigen Datenerblick aufgedeckt haben oder bereits durch die Auswahl und das Geschichtenerzählen von Diagrammern gegangen sind, ist die Herausforderung dieselbe: Wie kommunizieren Sie Ihre Nachricht, damit Ihr Publikum sie versteht und Maßnahmen ergriffen hat?
In diesem Tutorial werden wir uns ansehen, wie man benutzt Großspracher Modelle (LLMs) Wie Chatgpt, Claude oder Gemini, um Ihre Erkenntnisse zu kommunizieren, insbesondere wenn Sie nicht Zeit haben, über Groups hinweg arbeiten oder Ihre Nachricht für verschiedene Zielgruppen anpassen.
Um die Techniken zu veranschaulichen, verwenden wir ein Beispiel aus dem Superstore -Datensatz – einem fiktiven Einzelhandelsunternehmen, das Möbel- und Technologieprodukte an Verbraucher verkauft.
In Ein früheres TutorialWir haben die Beziehung zwischen Rabattniveaus und Gewinnmargen analysiert. Der Schlüssel zu finden? Wenn Rabatte 30percentübersteigen, sinkt die Rentabilität stark.
Sie müssen mit dieser vollständigen Analyse nicht vertraut sein. Wir werden diesen einen Einblick im gesamten Tutorial verwenden, um zu zeigen, wie LLMs Ihnen dabei helfen können, über verschiedene Zielgruppen hinweg klar zu kommunizieren. Denn in den meisten realen Szenarien ist es nicht das Diagramm, das angepasst werden muss: Es ist die Nachricht.
Hier glänzen diese Instruments und bieten Ihnen schnelle, versatile Möglichkeiten, Ihre Nachricht zu formen, ohne von vorne zu beginnen, auch wenn die Zeit eng ist.
Am Ende dieses Tutorials wissen Sie, wie Sie LLMs als leistungsstarke Schreibassistenten verwenden, die können:
- Übersetzen Sie Erkenntnisse in eine einfache Sprache
- Schreiben Sie Nachrichten für verschiedene Töne und Publikum neu
- Fassen Sie die Feststellungen schnell und deutlich zusammen
- Brainstorming stärkere Folientitel, E -Mail -Unglaub und Zusammenfassungen von Führungskräften
Sie haben das richtige Diagramm ausgewählt. Sie haben es für Klarheit entworfen. Sie haben eine überzeugende Geschichte erzählt. Verwenden wir nun ein LLM, um sicherzustellen, dass Ihr Publikum sichergestellt wird hört es, versteht es und handelt darauf.
Wie man eine gute Aufforderung schreibt
Bevor wir uns spezifische Anwendungsfälle ansehen, hilft es zu verstehen Wie Aufforderung funktioniert. Wenn Sie eine klare Eingabeaufforderung beim Schreiben von Anweisungen und eher der Zusammenarbeit mit einem Junior -Teamkollegen, der schnell, flexibel und bestrebt ist, mit einem Junior -Teamkollegen zu arbeiten, benötigt, benötigt man jedoch eher die Zusammenarbeit mit einem Junior -Teamkollegen, der jedoch eine Richtung benötigt. Wenn wir einfach sagen, „Fassen Sie dieses Diagramm zusammen“, „ Wir könnten etwas wartungsfähiges, aber flaches oder generisches bekommen. Um Ergebnisse zu erzielen, die selbstbewusster und Publikumsfunktionen klingen, müssen wir nur ein bisschen mehr Rahmen geben.
Gehen wir durch einen wichtigen Einblick aus unserem Superstore -Szenario: Das Gleiche, das wir früher über Diskontieren und Rentabilität eingeführt haben.
Das Streudiagramm zeigt, wie die Rentabilität mit zunehmendem Rabatten abnimmt. Das Muster ist klar: Die Gewinnmargen bleiben bis zu etwa 30% Rabatt ziemlich stabil, wonach sie stark fallen.
Nehmen wir nun an, wir möchten diese Erkenntnis mit einem regionalen Supervisor teilen, der mit der Analyse nicht zutiefst vertraut ist oder mit Mathematik sehr vertraut ist. Wir könnten versuchen, ein LLM auf verschiedene Arten zu veranlassen, und die Ergebnisse, die wir erzielen, hängen davon ab, wie intestine wir den Kontext einrichten.
Eine vage Aufforderung wie „Erklären Sie dieses Diagramm“ Geben Sie dem Modell nichts, um weiterzumachen. Es weiß nicht, wer das Publikum ist, welche Artwork von Ton zu verwenden ist oder welche Artwork von Ausgabe wir suchen. Wir werden wahrscheinlich etwas Roboteres bekommen, überfüllt mit irrelevanten Particulars oder so gerahmt auf eine Weise gerahmt, die nicht zu unserem Kommunikationsziel übereinstimmt.
Vergleichen Sie das nun mit einer nachdenklicheren Eingabeaufforderung:
„Ich bereite ein kurzes Replace für unseren regionalen Supervisor vor. Die Grafik zeigt, dass die Gewinnmargen, sobald Rabatte 30percentüberschreiten, erheblich sinken. Können Sie einen klaren, selbstbewussten Satz schreiben, der diese Erkenntnis zusammenfasst?“
Hier geben wir das Modell:
- Die Grundlagen dessen, was die Daten zeigen
- Wer das Publikum ist
- Welchen Ton wollen wir
Eine typische LLM -Antwort könnte so etwas sein wie:
„Rabatte über 30% reduzieren die Gewinnmargen konsequent und signalisieren die Notwendigkeit, aktuelle Preisstrategien neu zu bewerten.“
Es ist prägnant, klar und mit unserem beabsichtigten Publikum ausgerichtet. Von hier aus können wir weiterhin iterieren: Nach Alternativen fragen, verschiedene Phrasen oder Testversionen für andere Kommunikationsformate wie Folientitel oder E -Mail -Mangel ausprobieren.
Eines der nützlichsten Dinge bei der Arbeit mit einem LLM ist diese Flexibilität. Sie versuchen nicht, beim ersten Versuch die perfekte Ausgabe zu erhalten – Sie sind Zusammenarbeit. Wenn der Ton nicht ganz stimmt, können Sie nach etwas Lässiger fragen. Wenn die Zusammenfassung zu lang ist, können Sie sagen: „Verkaufen Sie dies zu einem Folientitel.“ Das Ziel ist nicht, das Modell wie eine ein-und-done-Antwortmaschine zu behandeln. Es soll es wie ein zweites Augenpaar behandeln, das Ihnen helfen kann, Ihre Botschaft zu überarbeiten und zu verfeinern, bis sie sich richtig anfühlt.
Im nächsten Abschnitt werden wir uns mit unserem Superstore-Szenario echte Vor- und Nachher-Beispiele ansehen. Sie werden sehen, wie kleine schnelle Änderungen einen großen Unterschied machen können und wie Sie dieselben Strategien auf Ihre eigenen Datengeschichten anwenden können.
Mit welchen LLMs können Sie helfen
Beginnend mit der Einsicht “Wenn Superstore -Rabatte 30percentüberschreiten, sinken die Gewinnmargen erheblich. “ Gehen wir durch, wie diese Nachricht für verschiedene Kommunikationskontexte angepasst werden kann. Wir werden sehen, wie ein LLM als flexibler Schreibpartner dienen kann, der uns hilft, unsere Nachricht zu übersetzen, zu formulieren und zu schärfen, ohne jedes Mal von vorne zu beginnen.
Um zu zeigen, wie das in der Praxis funktioniert, werden wir vier Versionen derselben Erkenntnisse durchlaufen, die jeweils auf ein anderes Publikum und Kommunikationsformat zugeschnitten sind: eine Crew -Slack -Nachricht, einen Folientitel, eine Zusammenfassung der Stakeholder und eine Kampagnenüberschrift.
Eine kurze Notiz an den Supervisor
Wir schreiben unseren direkten Supervisor eine schnelle Slack -Nachricht. Es ist ein FYI, kein formeller Bericht; Wir wollen nur etwas Wichtiges aus unserer Analyse markieren.
Wir schreiben:
„Artikel über 30% sind oft unrentabel.“
Es ist technisch wahr, aber flach. Wir fragen die LLM:
„Machen Sie dies klarer und sicherer für ein schnelles Crew -Replace.“
Es antwortet:
„Schnelle Einblicke aus unserer Rabattanalyse: Produkte mit Rabatten über 30% verlieren konstant Geld – können Zeit sein, unsere Preisschwellen erneut zu besuchen.“
Warum diese Aufforderung funktioniert:
- Es setzt die Ziel („Machen Sie dies klarer und selbstbewusster“)
- Es gibt Kontext („Crew Replace“)
- Es lädt ein Tonverbesserung ohne eine Umschreibung von Grund auf neu zu schreiben
Die LLM-Antwort fühlt sich besser aus und signalisiert einen möglichen nächsten Schritt, ohne den Fall zu bewerten.
Ein Folientitel für ein All-Arms-Assembly
Wir möchten diesen Einblick auch bei der monatlichen All-Arms-Sitzung mit dem gesamten Unternehmen teilen. Wir haben eine Linie oben auf einer Folie. Es muss knusprig und klar sein. Wir könnten die Folie so etwas wie „Rabatte vs. Rentabilität“ anbieten, aber das fehlt die Dringlichkeit und hilft dem Publikum nicht, den Punkt schnell zu verstehen.
Wir können LLM-Unterstützung mit einer intestine gefertigten Eingabeaufforderung erhalten:
Geben Sie drei Versionen eines Folientitels für unser Unternehmen All-Arms an, basierend auf dem Datenpunkt „Artikel über 30% sind oft unrentabel“.
Das LLM gibt uns starke Optionen:
„Wenn Rabatte zu tief gekürzt werden“
„Die Gewinnmargen verschwinden nach 30%“
„Die versteckten Kosten für steile Rabatte“
Warum diese Aufforderung funktioniert:
- Es erfordert das LLM, um Bereitstellung mehrerer Optionenund erlauben wir, die für uns am besten zu wählen (oder zu verfeinern).
- Es bittet um a spezifisches Format („Dia -Titel“) und a Meldung klare („Rabatte über 30% reduzieren die Gewinnmargen“).
- Das LLM füllt ein Ton und Betonunghelfen uns zu erforschen, welche Rahmen für ein breites Publikum am besten mitschwingt.
Eine Zusammenfassung für regionale Direktoren
Wir senden eine kurze E -Mail an regionale Direktoren, in denen die wichtigsten Ergebnisse aus der jüngsten Preisanalyse zusammengefasst sind. Sie sind beschäftigt, additionally müssen wir poliert und entschlossen klingen.
Wir beginnen mit:
„Low cost -Muster wirken sich auf den Gewinn aus.“
Dann versuchen wir diese Eingabeaufforderung:
„Schreiben Sie zwei Sätze, die zusammenfassen, dass Rabatte über 30% in der Regel unrentabel sind. Das Publikum ist Senior Supervisor. Der Ton sollte direkt sein.“
Das LLM bietet:
„Unsere Analyse zeigt, dass Produktrabatte über 30% konsequent zu negativen Margen führen. Die Anpassung von Rabattgrenzen könnte dazu beitragen, die Rentabilität über Kategorien hinweg zu bewahren.“
Warum diese Aufforderung funktioniert:
- Es definiert die Publikum („Senior Supervisor“)
- Setzt a klare Aufgabe (Zusammenfassung der Zwei-Sendungs-Zusammenfassung)
- An Ton („direkt“)
Diese Grenzen helfen dem LLM, Flusen zu vermeiden und fokussiert zu bleiben. Jetzt haben wir eine Zusammenfassung, die Government-Prepared und eine Eingabeaufforderung, die wir über andere Erkenntnisse hinweg wiederverwenden können.
Helfen Sie einem Kollegen, eine Kampagnennachricht zu formen
Um eine andere Anwendung zu sehen, hat uns ein Advertising -Teamkollege eine kurze Zusammenfassung der Rabattanalyse gebeten, um eine neue Werbestrategie zu formen. Sie suchen keine harten Zahlen; Sie wollen nur ein paar Nachrichtenideen für die Kampagne.
Wir erzählen dem LLM:
„Schlagen Sie 3 kurze Schlagzeilen vor, basierend auf der Erkenntnis, dass 30% der Schwellenwert für die worthwhile Diskontierung sind.“
Es antwortet:
„30%: Der Candy Spot für intelligente Rabatte“
„Gehen Sie groß – aber nicht zu groß“
„Mehr ist nicht immer mehr: Wo Rabatte Gewinne verletzen“
Warum diese Aufforderung funktioniert:
- Es hält die Aufgabe offen („3 Überschriften vorschlagen“) und liefern dennoch eine wichtige Einschränkung (die 30% ige Rentabilitätsschwelle). Dies gibt dem LLM-Raum, um Sprachschwankungen zu erforschen, ohne sich außerhalb der Message zu wenden.
Jetzt ist unsere Analyse klar und bereit, Entrance-Line-Nachrichten zu unterstützen.
In jedem Fall denken die LLM nicht an uns. Wir haben den schwierigen Teil getan: das Muster zu finden. Was das LLM bietet, ist eine schnelle und versatile Möglichkeit, unsere Botschaft für verschiedene Situationen, Töne und Publikum zu formen. Es hilft uns zu sagen, was wir meinen, mit etwas mehr Präzision und viel weniger Aufwand.
Mit dem richtigen Rahmen können wir Ergebnisse erzielen, die menschlicher und nützlicher klingen.
Was LLMs nicht intestine abschneiden können
Großsprachenmodelle können leistungsstarke Schreibassistenten sein, aber keine Analysten, Fach-Experten oder Entscheidungsträger. Genau wie ein intestine gemeinter Teamkollege können sie Ihnen helfen, klarer zu kommunizieren, aber sie sind nicht immer Recht und sie wissen nicht immer, was am wichtigsten ist.
Hier sind einige wichtige Dinge zu beachten.
LLMs kennen Ihre Daten nicht
Sie verstehen Ihren geschäftlichen Kontext nicht und validieren nicht die Zahlen, die Sie teilen. Wenn Sie ein Modell bitten, Rohdaten zu analysieren, kann dies zuversichtlich eine Schlussfolgerung generieren, auch wenn diese Schlussfolgerung falsch ist oder auf einem Missverständnis der Eingabe beruht. Deshalb haben wir uns in diesem Tutorial darauf konzentriert, LLMs zu verwenden kommunizieren Ergebnisse nicht erzeugen ihnen.
Sie sind der Experte für die Daten. Verwenden Sie das Modell, um die Nachricht zu formen, und entdecken Sie sie nicht.
LLMs können vage, übermäßig allgemein oder sachlich außerhalb der Foundation sein
Insbesondere wenn die Eingabeaufforderungen vage oder keinen Kontext haben, können LLMs Kesselplattenantworten zurückgeben, die nicht mit Ihrer Stimme oder Ihrem Publikum übereinstimmen. Wenn sich etwas nicht schafft, vertrauen Sie Ihren Instinkten. Zögern Sie nicht, um zu umformulieren, zu klären oder einfach von vorne zu beginnen.
Seien Sie außerdem vorsichtig, wenn Sie alle Zahlen verwenden, die das Modell vorschlägt. LLMs können zuversichtlich Informationen generieren, die plausibel klingen, aber nicht genau sind – ein Phänomen, das oft genannt wird.Halluzination. ““ In der Regel ist es am besten, selbst wichtige Zahlen bereitzustellen und Modell erzeugte Statistiken oder Vergleiche als Platzhalter zu behandeln.
Vermeiden Sie smart oder proprietäre Informationen
Die meisten öffentlichen LLM-Instruments speichern und lernen aus Eingaben, um die zukünftige Leistung zu verbessern. Geben Sie keine unternehmenssensiblen Daten, persönlichen Informationen oder irgendetwas ein, das Sie nicht extern teilen würden. Wenn Ihre Organisation non-public oder interne LLM -Instruments verwendet, befolgen Sie die Richtlinien Ihres Groups zur sicheren Nutzung.
Kurz gesagt: Behandeln Sie den LLM wie einen intelligenten, schnellen externen Auftragnehmer, der Ihr Unternehmen, Ihre Stakeholder oder Ihre Ziele nicht kennt, es sei denn, Sie sagen es. Je besser Sie die Aufgabe rahmen, desto nützlicher werden ihre Antworten sein. Und je kritischer Sie die Ausgabe überprüfen, desto selbstbewusster werden Sie das Gefühl haben, diese Antworten in die Arbeit zu bringen.
Zusammenfassung und Imbiss
In diesem Tutorial haben wir untersucht, wie große Sprachmodelle die Kommunikationsseite des Datenerzählens unterstützen können. Sobald Sie die Analyse durchgeführt und Ihre Grafiken erstellt haben, kann Ihnen ein LLM helfen:
- Übersetzen Sie Erkenntnisse in klare, einfache Sprache
- Passen Sie den Ton und den Schwerpunkt je nach Publikum an
- Fassen Sie die Ergebnisse für verschiedene Formate zusammen oder neu
- Brainstorming Sturdy Messaging, von Betreffzeilen bis hin zu Folientiteln
Sie kennen Ihre Daten bereits. Das LLM hilft Ihnen einfach, auszudrücken, was Sie klarer und mit weniger Reibung wissen.
Unterwegs haben wir auch behandelt, wie man effektive Aufforderungen schreibt, indem wir an LLMs wie Mitarbeiter denken: Geben Sie den Kontext, legen Sie das Ziel fest, fragen Sie nach dem, was Sie brauchen, und iterieren. Sie wollen es nicht beim ersten Versuch perfekt machen. Stattdessen geht es darum, Ihre Botschaft mit mehr Klarheit, Vertrauen und Kontrolle zu gestalten.
Mit nachdenklichem Gebrauch kann LLMs Ihnen helfen, die letzte Lücke zwischen Daten und Entscheidung zu überbrücken, indem Sie Ihre Botschaft verfeinern, damit sie bei den Menschen landet, die sie am dringendsten brauchen.