– Wir sind diesen Weg gegangen
Viele, die schon einmal hier waren, haben das Analytics-Dashboard beklagt. Dashboards können viele Informationen enthalten, aber nicht viele Einblicke. Sie beantworten möglicherweise die Frage, die jemand gestern hatte, aber nicht die Frage, die er heute hat – und schon gar nicht mit der nötigen Granularität.
Die Entwicklung der generativen KI wird Dashboarding und Reporting im Allgemeinen verändern. Ich möchte diskutieren, wie generative KI meiner Meinung nach die Arbeit von Datenexperten verändern und die Erfahrung beim Gewinnen von Erkenntnissen für den Endbenutzer verbessern wird. Ich möchte auch die Fallstricke besprechen, die sich aus der Umstellung ergeben können – und wie man sie vermeiden kann.
Das neue Paradigma: Conversational Analytics
Unabhängig davon, wie sich die Arbeit von Datenexperten in Zukunft verändern wird, wird die Gewinnung von Erkenntnissen im Geschäftskontext die Hauptanforderung bleiben. Dashboards können weiterhin als Ausgangspunkt für die Gewinnung von Erkenntnissen dienen – eine visuelle Darstellung des Kontexts, die es dem Benutzer ermöglicht, über eine Chat-Schnittstelle innerhalb des Dashboards mit weiteren Fragen fortzufahren. Oder der Benutzer könnte mit einer einfachen Chat-Oberfläche beginnen.
In diesem Fall würde der Benutzer auf andere Weise durch den Kontext geführt; Beispielsweise könnte ihnen eine Liste mit Fragen vorgelegt werden, die andere in derselben Abteilung zuvor gestellt haben.
Kontextangabe als neue (aber auch alte) Datendisziplin
In jedem dieser Szenarien – unabhängig davon, ob Fragen über eine Dashboard-Oberfläche oder nur über einen Chat gestellt werden – ist der Datenexperte für die Umsetzung der Kontextbereitstellung verantwortlich: Er orientiert den Benutzer an der Artwork von Daten, über die das Unternehmen verfügt, und an die Arten von Fragen, die möglicherweise die Erkenntnisse generieren, an denen der Benutzer interessiert ist. Der Datenexperte legt fest, wie die Frage beantwortet wird, welche Modelle und Metriken referenziert werden sollten, welche Artwork von Rendite eine gute oder schlechte Leistung darstellt und wie die Daten visualisiert werden sollten. Sie können auch mögliche Folgefragen enthalten, die der Benutzer möglicherweise stellen möchte.
Als Beispiel für die Kontextbereitstellung hinter den Kulissen könnte ein Benutzer fragen: „Wie hoch ist der ROI für die einzelnen Produkte dieses Kunden?“ Das vom Datenexperten erstellte Immediate-Engineering sieht vor, dass die Frage wie folgt beantwortet wird:
- Bezugnehmend auf das primäre Nutzungsmodell,
- Benchmarking mit Kunden innerhalb derselben Branche und
- Standardmäßig wird ein Balkendiagramm verwendet, wenn diskrete kategoriale Daten ausgegeben werden.
Möglicherweise werden nicht alle Datenprofis im Grunde genommen zu einem schnellen Ingenieur, aber das muss eine Fähigkeit im Datenteam sein.
Um die unterhaltsame Arbeit zu leisten, den Benutzern eine sichere Selbstbedienung zu ermöglichen – indem er grundlegende Leitplanken bereitstellt –, muss sich der Datenexperte auf das konzentrieren, was viele Datenteams versäumt haben: klare Dokumentation von Dimensionen und Metriken und Dokumentation darüber, wie sich wichtige Methoden für Metriken im Laufe der Zeit verändert haben.
Die Datenarbeit, die erforderlich ist, um sich auf die Möglichkeiten vorzubereiten, die generative KI für Self-Service-Analysen bieten wird, muss im Vorfeld mit der grundlegenden Arbeit beginnen, die im Dienste eines schnelleren Versands oft nachrangig behandelt wurde – die Erstellung intestine dokumentierter Artefakte an einem zentralen Ort. Auf diese Weise bringt die Konversationsanalyse Datenteams zurück auf das Wesentliche.
Empfehlungen werden zu einer integrierten Funktion
Auch die Bereitstellung von Empfehlungen für die Entscheidungsfindung sollte eine Grundaufgabe des Datenteams sein. Die Möglichkeit, nächste Schritte zu empfehlen, wird zu einem integrierten Merkmal der Konversationsanalyse werden – aber eines, das die meiste Aufmerksamkeit verdient. Wie oben erläutert, liefert die aktuelle Dashboarding-Methodik möglicherweise keine Erkenntnisse; Darüber hinaus können Dashboards keine Handlungsempfehlungen geben.
Der Datenprofi wird an vorderster Entrance dabei sein, Empfehlungen durch Konversationsanalysen in die Produktion umzusetzen. Die Festlegung dieser Empfehlungen wird jedoch eine gemeinsame Anstrengung vieler Abteilungen im Unternehmen sein.
Der Datenexperte wird mit Fachexperten zusammenarbeiten, um zu verstehen, welche Artwork von Geschäftskontext den empfohlenen nächsten Schritt beeinflussen sollte.
Der Benutzer könnte sich beispielsweise fragen: „Warum hat dieser Kunde in diesem Jahr mehr Produkte zur Behandlung chronischer Krankheiten genutzt?“ Um den Grund zu verstehen, kann das Datenteam nach Gesprächen mit den richtigen Produkt- und Marketingteams Anforderungen an das Modell stellen, um auf alle Bevölkerungsänderungen für den Kunden und alle Marketingmaterialien zu verweisen, die für das jeweilige Programm herausgegeben wurden. Das Modell kann dann erneut auf diese Quellen verweisen, um einen nächsten Schritt zu empfehlen, wie zum Beispiel:
„Die Kampagne zur Behandlung chronischer Krankheiten zielte effektiv auf eine wachsende Gruppe dieser Klienten ab. Schlafmanagement wird zunehmend zu einem zentralen Anliegen, daher empfehlen wir, nach dem neuen Jahr eine gezielte Mitteilung zu senden.“
Vom Dashboard-Builder zum KI-Supervisor
Der Prozess der Kontextangabe – und die Möglichkeit des Benutzers, eine Frage zu stellen und am Ende nicht nur einen Einblick, sondern auch eine durchdachte Empfehlung zu erhalten – zeigt, wie flexibel dieser Prozess sein kann und sollte. Da die Benutzererfahrung flexibler wird und weniger an die Starrheit statischer Dashboards oder Berichte gebunden ist, wird die Verwendung von Dashboards abnehmen.
Es werden weniger Dashboards erstellt und mehr Dashboards werden eingestellt – was bedeutet, dass das Datenteam weniger Wartung benötigt. Es wird weniger Advert-hoc-Anfragen für bestimmte Berichte geben, da generative KI diese Fragen beantworten kann. Es wird jedoch mehr Anfragen zur Überprüfung der Richtigkeit der KI-Antworten und mehr Vorfallberichte über unerwartete oder nicht hilfreiche Ergebnisse geben, die von KI generiert werden.
Die Arbeit des Datenteams verlagert sich möglicherweise von der Erstellung von Dashboards und der Beantwortung von Advert-hoc-Fragen, die den Berichtsanforderungen dienen, hin zur Sicherstellung, dass die Antworten der Konversationsanalysetools korrekt und für den Endbenutzer aussagekräftig sind.
Zuvor habe ich die ROI-Frage als Beispiel dafür verwendet, wie KI schnell Erkenntnisse gewinnen kann. In demselben Szenario umfasst die Arbeit des Datenteams auch die Überprüfung, dass die ROI-KI-Antwort immer mit den neuesten Metrikdefinitionen und Geschäftsregeln übereinstimmt.
Das Datenteam muss eine Infrastruktur aufbauen, um die Ausgabe und Genauigkeit der generativen KI zu überwachen und kontinuierlich Assessments einzubauen, da das Unternehmen der KI die Beantwortung weiterer Fragen ermöglicht.
Fallstricke und Umsetzungsstrategie
Die zunehmende Verantwortung, die übertragen wird, führt mich zu einem Punkt, von dem ich glaube, dass er in dieser Welt der generativen KI für die Bereitstellung von Self-Service-Analysen eine Gefahr darstellen kann: ein Ansatz, der weder eng gefasst noch nuanciert ist.
Nahezu jedes Device, das wir derzeit in unserem Datenteam verwenden, verfügt mittlerweile über ein überzeugendes KI-Angebot – einschließlich unseres Information Warehouse und unseres Enterprise-Intelligence-Instruments – und diese können praktisch per Knopfdruck aktiviert werden. Manchmal können sie sogar hilfreiche Antworten liefern. Ohne die vom Datenteam in diese Instruments eingebrachte Produktmentalität sind sie jedoch im Allgemeinen nicht hilfreich und oft ungenau.
Stellen Sie sich vor, im Beispiel der chronischen Pflege würde die KI beginnen, Outreach-Kampagnen zu empfehlen, ohne zu prüfen, ob die Bevölkerungsgesundheitsdaten des Kunden vorliegen.
Wie immer besteht ein Spannungsverhältnis zwischen schnellem Aufbau – in diesem Fall dem Klicken auf Konversationsanalysen in den Datentools, die Sie bereits kennen und lieben – und dem Aufbau mit der Absicht, diese Designs zukunftssicher zu machen.
Das Unternehmen muss zunächst entscheiden, welches Reporting sinnvoll ist, um es auf generative KI auszulagern. Damit dies gelingt, muss die Umsetzung stufenweise erfolgen. Vielleicht steht die Verkaufsberichterstattung an erster Stelle, weil diese Fragen das meiste Volumen erzeugen, oder vielleicht sind es ROI-Fragen, weil sie am dringendsten sind.
Zurück zu den Grundlagen, weiter zu den Empfehlungen
Um diese neuen Funktionen voll ausnutzen zu können, muss das Datenteam wieder die Unternehmensgeschichte verstehen und dokumentieren, wie sie in der Datenmodellierung und der semantischen Ebene dargestellt wird, um den vollständigen Kontext für Erkenntnisse und Empfehlungen bereitzustellen. Wie oben besprochen, müssen wir unser Verständnis von Kennzahlen wie ROI verschlüsseln und entwerfen, wie wir Empfehlungen geben wollen – etwa wann wir eine Artwork von Kommunikation empfehlen sollten.
Die Datenrolle battle schon immer kollaborativ, wird aber jetzt auf eine andere Artwork und Weise kollaborativ sein. Dabei geht es nicht in erster Linie um die Erfassung von Anforderungen für Dashboards oder fortgeschrittenes maschinelles Lernen, sondern um die Erfassung von Anforderungen für generative KI-Erkenntnisse und Empfehlungsausgaben.
Das Wertversprechen des Unternehmens muss im Immediate-Design verankert werden. Dies ist eine wesentliche, aber schwierige Aufgabe, weshalb ich mich für einen durchdachten, stufenweisen Ansatz für den Einsatz generativer KI in der Berichterstellung einsetze – selbst für Instruments, die es sehr einfach machen, „KI in die Produktion zu bringen“.
Ich freue mich auf den Tag, an dem der Chatbot zum primären Reporting-Device wird, und investiere in ihn.