AI møder Analytics Engineering: AI-modenhed til processer

Virksomheder i alle slags brancher og specialer føler behov for at dykke headfirst ind i AI-verdenen, og det gælder også analytics engineering. Mulighederne er reelle, og de er spændende, men organisationer, der ønsker at udnytte dem, bør implementere deres processtruktur på en tankefuld og realistisk måde, baseret på deres AI-modenhed. Lad os udforske, hvordan.

AI-modenhedsniveauer

Når du beskriver kompleksiteten af den AI, du bruger, er AI-modenhedsniveauer nyttige som en simpel, klarificerende ramme.

Niveau 1: Assisteret Intelligens (Automatisering): Grundlæggende automatisering af repetitive opgaver og arbejdsgange. Eksempler: chatbots med faste svar, webside-crawlers, interne søgetjenester.

Niveau 2: Forstærket Intelligens (Guidet Analyse): Du fortæller AI’en metoden/modellen og hvad den skal analysere, og den gør resten. Eksempler: annonceringsalgoritmer, indholdssammenfatninger.

Niveau 3: Autonom Intelligens (Selvlærende AI): AI’en vælger metoder, finder mønstre og giver anbefalinger. Eksempler: selvkørende biler, autonome aktiehandelsrobotter.

Pres for at “AI”

Selvfølgelig er der i dag meget pres for at “være på 3”. Men det afhænger i høj grad af virksomhedens ressourcer, aktiver, kernekompetencer, viden og mennesker. Den bedste tilgang er at starte, hvor det giver mening, selv om det er på niveau 1.

Lige nu er der millioner af artikler online, der bombarderer dig med ideer til AI. Men ideer giver ikke hjem. Ifølge Adobe (ADBE ) har kun 12% af virksomheder i øjeblikket fungerende AI-løsninger, der viser tydelig ROI. De fleste af disse er stadig i pilotfaser, vurderer effektivitet eller står over for udfordringer i at skala AI-initiativer. Mange teams kæmper for at identificere, hvor AI kan integreres meningsfuldt i deres arbejdsgange, og selv når en brugstilfælde er identificeret, mangler mange organisationer de interne kompetencer til at bygge brugervenlige AI-værktøjer eller finde pålidelige eksterne løsninger.

Lad os holde os til realistiske anvendelser. Der er gode måder at udvikle gradvis AI-brug til realistiske elementer i arbejdet for ledere, der er klar til at skala op ansvarligt.

Hvad kan automatiseres, når du bygger analytics til et ecommerce/SaaS-produkt?

Ifølge min mening er der to almindelige processer inden for succesfulde analytics engineering-teams, der er gode kandidater til at bygge AI-modenhed:

1. AI til videnstyring og onboarding
2. AI til QA- og revisionsautomatisering

1. AI til videnstyring og onboarding

Dokumentation er et nøgleværktøj til at holde styr på komplekse systemer. Ifølge Process Framework skal SDR (Solution Design Reference) dokumentere hver af de fem trin. Det kunne se således ud:

• Proces #1: Dokumentation af forventede resultater.
• Proces #2: Overvågning af nøgledataindsamlingsshistorier, der tjekkes regelmæssigt.
• Proces #3: Notering af historien om 3. parts tekniske interessenters datakrav.
• Proces #4: Detaljer om datalaget på tværs af alle apps og overflader.
• Proces #5: Beskrivelse og detaljer om den tekniske arkitektur med diagrammer, hierarkier og krav.

Lad os nu tilføje lidt AI til dette.

Niveau 1

På niveau 1 kan du starte med at bruge interne AI-chatbots til dokumenthenting.

Mange virksomheder har i dag interne chatbots, der kan trænes på proprietær dokumentation. Hvis du ikke har en intern chatbot, kan du bruge inkognito-tilstand eller redigere din dokumentation, før du giver den til bot’en.

Feed din bot med dine SDR’er, QA-manualer, navnekonventioner og implementeringsstandarder.

Efter en succesfuld udgivelse kan du give din AI-projektnoter eller implementeringsplaner til at tilføje til dokumentationen. Så kan du stille AI’en følgende spørgsmål:

• “Hvad er den bedste metode til at implementere X, hvis jeg vil bruge samme logik som Y?”
• “Hvilke data er nødvendige for at indsamle til sporing af køb?”
• “Hvilke tags mangler fra denne nye produktside?”

Resultatet af denne proces er, at du bruger mindre tid på at gennemse dokumenter eller ping kollegaer, nye teammedlemmer kan selvbetjene sig og stammeviden bliver skalerbar.

Der er dog nogle forbehold her. Denne metode virker rigtigt, hvis du gør en god job med at holde styr på din dokumentation, og den bliver kun skalerbar, hvis du træner og kræver, at dine medarbejdere bruger værktøjet.

Niveau 2

Hvis dette virker for din afdeling, kan du overveje at skala op til at tilslutte din chatbot direkte til din teknologi. Du kan automatisere automatiseringen.

Niveau 3

Jeg er sikker på, at himlen er grænsen her. Retningen, jeg ville forfølge, ville være at bygge en proaktiv AI, der markerer inkonsistenser og giver forbedringsforslag. Virkeligheden er, at få virksomheder når dette niveau, og jeg skriver denne artikel for flertallet af os, der stadig lærer knofedt.

2. AI til QA- og revisionsautomatisering

At auditere dine dataindsamlingsmetoder regelmæssigt er en af de bedste praksisser for Process Framework. Meget ofte vil auditor være en QA-team eller et andet auditværktøj. For eksempel er ObservePoint et avanceret og tilpasseligt værktøj, der låter dig bygge komplekse audit-flows. Selv med en robot kan du altid bruge lidt mere AI, ikke?

Niveau 1

Lad os starte med at automatisere de tekniske aspekter. Bygning af rejser i robot-auditværktøjer som ObservePoint er ofte teknisk og kræver meget support. For at automatisere nogle af disse repetitive tekniske opgaver, mens du bygger audit-rejser, kan du igen bede om AI-chatbot-hjælp. Spørg AI’en følgende spørgsmål:

“Giv mig CSS-selector for ‘Næste skridt’-knappen.”

“Skriv brugerdefineret kode, der automatisk vælger alle cookies.”

Resultatet af dette bør være større letbrug, når du arbejder med højteknologiske værktøjer, hurtigere fejlfinding og færre afhængigheder af support og frontend-udviklere.

Der er dog nogle forbehold her. Hvis du ikke bruger en robot-crawler til dine data-audit, kan du bruge et QA-team. QA-teamet kan se på at adoptere automatiseringer for almindelige trin. Start småt, skala op, når du er klar; dine næste trin bliver kun klare, når du tager det første skridt.

Niveau 2

Til niveau 2 AI-anvendelse kan du se på at integrere din chatbot med værktøjet direkte, mens du undgår manuel promptning af en chatbot.

Niveau 3

Til sidst, til niveau 3-anvendelse, er himlen igen grænsen. Opdag, hvordan du kan gøre dine automatiseringer mere proaktive i at spotte forbedringer og anbefale løsninger. Gå kun denne vej, hvis du føler, du er komfortabelt med at navigere niveau 2.

Hvad ikke at automatisere (endnu)

Lad os overveje Bedste Praksis #3: Samarbejd med 3. parts tekniske interessenter. Dette er noget, mennesker stadig gør bedst. Du kan bruge AI til at forberede til leverandør-samtaler, sammenfatte kontrakter eller udarbejde integrationskonturer. Men for nu bliver relationsbygning menneskelig.

Endelige tanker

Selv hvis du ikke har en budget til brugervenlig AI-udvikling, kan du starte med de værktøjer, du allerede har. En god proces og en god chatbot går langt.

Start simpelt, med niveau 1 eller 2, og lad dit team blive komfortabelt. Når du ser, hvor AI sparer tid og booster konsistens, vil du vide, hvor du skal investere i mere avancerede værktøjer. Det sværeste ved AI-adopter er ofte at finde ud af, hvor du har brug for det første.

Ønsker du at lære mere om AI i analytics engineering og mere specifikt om de bedste processer for ren dataindsamling? Se min artikel om at skabe et rent ecommerce-dataframework.