Wie ich dafür sorge, dass meine Analytics-Karriere nicht von KI aufgefressen wird

stellt jemand bei der Arbeit eine Model dieser Frage: Wird KI meinen Job wegnehmen? Ich gebe zu, dass ich selbst eine Model derselben Frage gestellt habe. Aber nachdem ich mit den KI-Experten gesprochen habe, den Entwicklern einiger dieser KI-Agenten, nachdem ich die Entwicklung der KI gesehen habe und nachdem ich KI tatsächlich in meine Arbeitsweise integriert habe, stellt sich mir die Frage wenn KI meinen Job übernehmen wird macht mir keine Angst mehr. Ich bin einfach neugieriger und überlege viel bewusster, was ich mit dem Lernen verbringe.

Als ich 2021 meinen Analytics-Job begann, dachte ich, dass das Schreiben von SQL- oder Python-Code und das Erstellen von Dashboards wertvolle Fähigkeiten seien, und das stimmte auch. Mir wurde schnell klar, dass die eigentliche Fähigkeit, die ich verbessern sollte, darin besteht, ein chaotisches Geschäftsproblem in ein Datenproblem zu übersetzen und dann Erkenntnisse zu gewinnen, die für die Menschen tatsächlich Sinn ergeben. Aber jetzt, mit dem KI-Increase, weiß ich nicht, wie lange ich das überhaupt noch als meine Stärke bezeichnen kann.

Als ChatGPT im Jahr 2022 in aller Munde battle, hatte ich das Gefühl, dass KI kurzfristig überbewertet und langfristig unterschätzt wird, und ich habe das Gefühl, dass dies immer mehr zutrifft.

Die Branche entwickelt sich schneller, als die meisten von uns zugeben können, und nicht einmal die Leute, die diese Systeme bauen, wissen genau, wohin die Reise geht.

KI-Instruments werden von Monat zu Monat besser darin, die Artwork von Wissen zu absorbieren, das früher nur in den Köpfen älterer Menschen existierte, etwa den geschäftlichen Kontext, den man normalerweise erst nach mehreren Jahren im Job erlernt. Wenn dieses Wissen dokumentiert und an ein KI-System übergeben wird, steht es jedem zur Verfügung, der es benötigt, und bleibt nicht in den Köpfen der Fachexperten.

Wenn Stammeswissen niedergeschrieben wird, verschwimmen die Grenzen zwischen den Rollen.

Von einem Datenanalysten wird erwartet, dass er die Aufgaben eines Dateningenieurs übernimmt. Ein Software program-Ingenieur kann ein A/B-Testergebnis interpretieren – eine Aufgabe, die früher eher einem Datenwissenschaftler oblag. Mithilfe von KI-Agenten kann jemand ohne jeglichen technischen Hintergrund ein Dashboard erstellen, für das ein ausgebildeter Analyst vor fünf Jahren einen ganzen Nachmittag gebraucht hätte.

Ich habe dies erst letzte Woche so genau beobachtet: Ein Scrum Grasp musste Projektabwicklungsdaten von zwei Plattformen kombinieren und konnte mit Hilfe von Copilot eine Datenpipeline entwerfen und ein funktionierendes Energy BI-Dashboard erstellen, ohne für die grundlegende Arbeit auf einen Datenanalysten angewiesen zu sein. Als ich hinzugezogen wurde, brauchte er nur noch Hilfe bei der Automatisierung des Prozesses und der Verbesserung des Storytellings. Dies könnte für jeden ein normaler Dienstag sein, aber für mich battle es eine Erinnerung daran, dass KI die Grenzen zwischen Rollen schnell verwischt und viele technische Fähigkeiten allgemein zugänglich macht.

Nichts davon bedeutet, dass die Analytik verschwinden wird. Es deutet lediglich darauf hin, dass die Hindernisse für die Umsetzung sinken und unser Wert zunehmend auf Urteilsvermögen, Kontext, Einfluss und der Fähigkeit beruht, Informationen in sinnvolle Entscheidungen umzuwandeln.

Meine fundierte Vermutung ist, dass es in den nächsten fünf Jahren möglicherweise nicht mehr den geradlinigen Karriereverlauf vom Datenanalysten zum Senior-Analysten zum Principal-Analysten in der Kind geben wird, wie wir ihn heute kennen. Die traditionelle Einstiegsrolle des Schreibens von Abfragen, Erstellen von Dashboards und Ausführen von Berichten wird wahrscheinlich viel mehr erfordern. Stattdessen werden wir hybride Rollen sehen, die an der Schnittstelle von KI, Enterprise, Datenanalyse und Softwareentwicklung angesiedelt sind.

Ich kann noch nicht so tun, als wüsste ich genau, wie das aussieht. Niemand tut es. Aber basierend darauf, wie ich die Dinge sehe, hier Was ich heute tatsächlich tue, um sicherzustellen, dass meine Analysen nicht von der KI gefressen werden

• Ich habe aufgehört, das Verfassen von Abfragen, das Erstellen von Diagrammen und das Erstellen von Berichten als mein gesamtes Wertversprechen zu betrachten. KI ermöglicht es vielen Menschen, diese Arbeit selbst zu erledigen, ohne dass ich dabei behilflich sein muss. Wenn das alles ist, was ich anbiete, konkurriere ich stillschweigend mit dem Instrument, anstatt es zu nutzen. Mit diesem Verständnis arbeite ich daran wachsen ich selbst noch mehr an der Schnittstelle von Geschäftswissen, analytischem Urteilsvermögen und KI-Systemdesign.
• Ich versuche es verstehen, wie die Systeme tatsächlich funktionieren: Wie KI-Agenten denken, wie man den Kontext für sie strukturiert, wie man das Bindegewebe zwischen KI und meinen Daten aufbaut. Dies wird bald kein „nice-to-have“-Wissen mehr sein, sondern ein fester Bestandteil eines Analysten-Toolkits.
• Verdoppeln Sie das Urteilsvermögen, das die KI immer noch nicht reproduzieren kann für Dinge wie:
  • Wissen, wann die KI Sie stillschweigend anlügt, indem sie Erkenntnisse erfindet
  • Überlebensvoreingenommenheit erkennen, bevor sie eine Entscheidung beeinflusst
  • Die Grenze zwischen Korrelation und Kausalität wahren
  • Erkennen Sie Ihre eigene Bestätigungsvoreingenommenheit, bevor sie Sie erwischt
  • Den Unterschied zwischen einer Beobachtung und einer tatsächlichen Einsicht erkennen
  • Ich verhandele zunächst darüber, was eine Metrik überhaupt bedeuten soll, bevor ich mit der Messung beginne

• Auch ich baue weiter auf menschliche Fähigkeiten. Ich lese gerne über Kognitionswissenschaft und darüber, wie sich Menschen an Veränderungen anpassen, und ich habe gelernt, dass menschliche (Comfortable-)Expertise nicht so zur Ware werden, wie es bei einer SQL-Abfrage der Fall ist. Sie erfordern, dass man mit Unklarheiten sitzt und ein Unternehmen intestine genug versteht, um zu wissen, wie eine Zahl aussehen sollte, bevor man sie überhaupt gesehen hat. Laborious Expertise verschaffen einem außerdem den Job, Comfortable Expertise hingegen die Beförderung, daher setze ich im Second einen Großteil meiner Energie ein.
• Ich versuche eine zu bauen starkes Urteilsvermögen in skalierbare Systeme zu integrieren, anstatt es in Ihrem eigenen Kopf zu behalten, erhalten Sie am Ende etwas wirklich Wertvolles.
• Ich habe begonnen, KI-Agenten auf drei Arbeitsebenen einzusetzen: Ausführung, Optik, Und Auswirkungen. Mit der richtigen Steuerung versuche ich, KI dazu zu bringen, die Ausführung zu beschleunigen, indem sie Recherche, Analyse und Inhaltserstellung automatisiert und gleichzeitig die Optik verbessert, indem sie die Arbeit in klare, überzeugende Erzählungen für die Beteiligten umwandelt. Das Ergebnis dieser Bemühungen hat es mir ermöglicht, die geschäftlichen Auswirkungen effektiv zu kommunizieren und einen besseren Einblick in den geschaffenen Wert zu schaffen.

Rückblick, Blick nach vorn

Vor fünf Jahren dachte ich, intestine in einem Analytics-Job zu sein bedeutet, intestine mit Daten umgehen zu können. Aber heute denke ich, dass intestine in diesem Job auch ein gutes Urteilsvermögen bedeutet. Es geht vor allem darum, die richtigen Fragen zu stellen, zu wissen, wann eine Zahl die Wahrheit sagt und wann nicht, und zu wissen, für welche Teile eines Issues tatsächlich ein Mensch auf dem Laufenden sein muss.

Die Instruments, die wir in der Datenwissenschaft und -analyse verwenden, haben sich im Laufe der Jahre immer wieder verändert, und es würde mich nicht überraschen, wenn sich das Tempo dieser Veränderung mit der KI beschleunigt. Der wahre Wert eines Analysten lag jedoch nie in der SQL-Abfrage selbst; Es ging darum, das Geschäftsproblem zu verstehen, Vertrauen aufzubauen und den Entscheidungsträgern das Vertrauen zu geben, zu handeln. Da KI mehr technische Arbeit übernimmt, werden die ausgeprägt menschlichen Fähigkeiten des Urteilsvermögens, des Kontexts, der Kommunikation, des Einflusses und des Einfühlungsvermögens wichtiger denn je. Das sind die Fähigkeiten, auf die ich meine Karriere setze.

Das battle’s von meiner Seite in diesem Blogbeitrag. Vielen Dank fürs Lesen! Ich hoffe, es battle eine interessante Lektüre für Sie!

Rashi ist ein Datenexperte aus Chicago, der es liebt, Daten zu analysieren und Datengeschichten zu erstellen, um Erkenntnisse zu vermitteln. Sie ist hauptberuflich als leitende Beraterin für Gesundheitsanalytik tätig und schreibt gerne am Wochenende bei einer Tasse Kaffee Blogs über Daten.