KI trifft Analytics-Engineering: KI-Reife für Prozesse

Unternehmen in allen Branchen und Spezialgebieten fühlen den Druck, in die Welt der KI einzutauchen, und das gilt auch für das Analytics-Engineering. Die Chancen sind real und aufregend, aber Organisationen, die das Beste daraus machen möchten, sollten ihre Prozessstruktur auf eine bedachte und realistische Weise umsetzen, basierend auf ihrer KI-Reife. Lassen Sie uns erkunden, wie.

KI-Reife-Levels

Wenn man die Komplexität der KI beschreibt, die man verwendet, sind KI-Reife-Levels hilfreich als einfaches, klärendes Rahmenwerk.

Level 1: Assistierte Intelligenz (Automatisierung): Grundlegende Automatisierung wiederkehrender Aufgaben und Workflows. Beispiele: Chatbots mit festen Antworten, Website-Crawler, interne Suchtools.

Level 2: Erweiterte Intelligenz (Gelenkte Analyse): Sie sagen der KI die Methode/Modell und was zu analysieren ist, und sie erledigt den Rest. Beispiele: Ad-Bidding-Algorithmen, Inhaltszusammenfassungen.

Level 3: Autonome Intelligenz (Selbstlernende KI): Die KI wählt Methoden aus, findet Muster und bietet Empfehlungen. Beispiele: selbstfahrende Autos, autonome Aktienhandelsroboter.

Druck, “KI” zu sein

Natürlich gibt es heute so viel Druck, “auf 3” zu sein. Aber das hängt größtenteils von den Ressourcen, Vermögenswerten, Kernfähigkeiten, Kenntnissen und Menschen des Unternehmens ab. Der beste Ansatz ist, dort zu beginnen, wo es Sinn macht, auch wenn es bei Level 1 ist.

Aktuell gibt es Millionen von Artikeln im Internet, die Sie mit Ideen für KI bombardieren. Aber Ideen bringen nicht den Erfolg. Laut Adobe haben nur 12% der Unternehmen derzeit funktionierende KI-Lösungen, die einen klaren ROI nachweisen. Die meisten davon sind noch in Pilotphasen, bewerten die Effektivität oder stehen vor Herausforderungen bei der Skalierung von KI-Initiativen. Viele Teams kämpfen darum, herauszufinden, wo KI sinnvoll in ihre Workflows integriert werden kann, und selbst wenn ein Anwendungsfall identifiziert wird, fehlt es vielen Organisationen an internen Fähigkeiten, um benutzerdefinierte KI-Tools zu erstellen oder verlässliche externe Lösungen zu finden.

Lassen Sie uns realistische Anwendungen betrachten. Es gibt großartige Möglichkeiten, allmähliche KI-Nutzung in realistische Arbeitsaspekte für Führungskräfte zu integrieren, die verantwortungsvoll aufrüsten möchten.

Was kann automatisiert werden, wenn man Analytics für ein E-Commerce/SaaS-Produkt aufbaut

Meiner Meinung nach gibt es zwei gängige Prozesse innerhalb erfolgreicher Analytics-Engineering-Teams, die hervorragende Kandidaten für den Aufbau von KI-Reife sind:

1. KI für Wissensmanagement und Onboarding
2. KI für QA- und Audit-Automatisierung

1. KI für Wissensmanagement und Onboarding

Dokumentation ist ein wichtiges Werkzeug, um komplexe Systeme zu verfolgen. Laut dem Prozessrahmenwerk muss die SDR (Solution Design Reference) jeden der fünf Schritte dokumentieren. Es könnte so aussehen:

• Prozess #1: Dokumentation der erwarteten Ergebnisse.
• Prozess #2: Verfolgung der wichtigsten Datenkollektionsgeschichten, die regelmäßig überprüft werden.
• Prozess #3: Notieren der Geschichte der Anforderungen von Drittanbieter-Technikpartnern.
• Prozess #4: Detaillierung der Datenebene über alle Apps und Oberflächen.
• Prozess #5: Beschreibung und Detaillierung der Ingenieurarchitektur mit Diagrammen, Hierarchien und Anforderungen.

Jetzt fügen wir ein bisschen KI hinzu.

Level 1

Auf Level 1 können Sie interne KI-Chatbots für die Dokumentenrückgewinnung verwenden.

Viele Unternehmen haben heute interne Chatbots, die auf proprietäre Dokumentation trainiert werden können. Wenn Sie keinen internen Chatbot haben, können Sie den Inkognito-Modus verwenden oder Ihre Dokumentation vor dem Training des Bots schwärzen.

Füttern Sie Ihren Bot mit Ihren SDRs, QA-Handbüchern, Namenskonventionen und Implementierungsstandards.

Nach einer erfolgreichen Veröffentlichung füttern Sie Ihren KI-Projektnotizen oder Implementierungspläne, um die Dokumentation zu erweitern. Dann stellen Sie der KI die folgenden Fragen:

• “Was ist die beste Methode, um X zu implementieren, wenn ich die gleiche Logik wie Y verwenden möchte?”
• “Welche Daten sind erforderlich, um Käufe zu verfolgen?”
• “Welche Tags fehlen auf dieser neuen Produktseite?”

Das Ergebnis dieses Prozesses ist, dass Sie weniger Zeit damit verbringen, Dokumente zu durchsuchen oder Kollegen anzusprechen, neue Teammitglieder können sich selbst bedienen, und tribales Wissen wird skalierbar.

Es gibt einige Einschränkungen hier. Diese Methode funktioniert wirklich, wenn Sie Ihre Dokumentation gut pflegen, und sie wird nur skalierbar, wenn Sie Ihre Mitarbeiter trainieren und verlangen, das Tool zu verwenden.

Level 2

Wenn das für Ihre Abteilung funktioniert, denken Sie daran, aufzurüsten, indem Sie Ihren Chatbot direkt mit Ihrer Technik verbinden. Sie können die Automatisierung automatisieren.

Level 3

Ich bin sicher, dass der Himmel die Grenze ist. Die Richtung, die ich verfolgen würde, wäre, einen proaktiven KI zu bauen, der Inkonsistenzen erkennt und Verbesserungen anbietet. Die Realität ist, dass wenige Unternehmen dieses Level erreichen, und ich schreibe diesen Artikel für die meisten von uns, die noch die Grundlagen lernen.

2. KI für QA- und Audit-Automatisierung

Regelmäßige Audits der Datenkollektionsmethoden sind eine der besten Praktiken für das Prozessrahmenwerk. Oft ist der Auditor entweder ein QA-Team oder ein Audit-Tool. Zum Beispiel ist ObservePoint ein umfangreiches und hoch anpassbares Tool, das es Ihnen ermöglicht, komplexe Audit-Flows zu erstellen. Selbst mit einem Roboter könnten Sie immer noch ein bisschen mehr KI verwenden, oder?

Level 1

Lassen Sie uns mit der Automatisierung der technischen Aspekte beginnen. Die Erstellung von Reisen in Robot-Audit-Tools wie ObservePoint ist oft technisch und erfordert viel Support. Um einige dieser wiederkehrenden technischen Aufgaben zu automatisieren, während Sie Audit-Reisen erstellen, können Sie erneut um die Hilfe eines KI-Chatbots bitten. Stellen Sie der KI die folgenden Fragen:

“Geben Sie mir den CSS-Selektor für den ‘Nächste Schritt’-Button.”

“Schreiben Sie benutzerdefinierten Code, der automatisch in alle Cookies optiert.”

Das Ergebnis sollte eine größere Benutzerfreundlichkeit bei der Arbeit mit hochtechnischen Tools sein, eine schnellere Triage und Fehlerbehebung und weniger Abhängigkeit von Support und Frontend-Entwicklern.

Einige Einschränkungen hier sind, dass Sie, wenn Sie keinen Roboter-Crawler für Ihre Daten-Audits verwenden, möglicherweise ein QA-Team verwenden. Das QA-Team kann beginnen, Automatisierungen für gängige Schritte zu übernehmen. Beginnen Sie klein, steigern Sie, wenn Sie bereit sind; Ihre nächsten Schritte werden nur klarer, wenn Sie den ersten Schritt unternehmen.

Level 2

Für Level-2-KI-Nutzung suchen Sie nach Möglichkeiten, Ihren Chatbot direkt mit dem Tool zu integrieren, während Sie manuelle Eingaben des Chatbots vermeiden.

Level 3

Zum Schluss, für Level-3-Nutzung, ist der Himmel wieder die Grenze. Entdecken Sie, wie Sie Ihre Automatisierungen proaktiver machen können, um Verbesserungen zu erkennen und Lösungen vorzuschlagen. Gehen Sie nur diesen Weg, wenn Sie sich bei Level 2 wohl fühlen.

Was nicht zu automatisieren ist (noch nicht)

Lassen Sie uns die beste Praxis #3 betrachten: Zusammenarbeit mit Drittanbieter-Technikpartnern. Das ist etwas, was Menschen noch am besten tun. Sie können KI verwenden, um sich auf Anrufe bei Lieferanten vorzubereiten, Verträge zusammenzufassen oder Integrationsumrisse zu entwerfen. Aber für jetzt bleibt die Beziehungspflege menschlich.

Letzte Gedanken

Selbst wenn Sie kein Budget für benutzerdefinierte KI-Entwicklung haben, können Sie mit den Tools beginnen, die Sie bereits haben. Ein guter Prozess und ein guter Chatbot gehen weit.

Beginnen Sie einfach, mit Level 1 oder 2, und lassen Sie Ihr Team sich daran gewöhnen. Sobald Sie sehen, wo KI Zeit spart und Konsistenz fördert, wissen Sie, wo Sie in fortschrittlichere Tools investieren sollten. Der schwierigste Teil der KI-Adoption ist oft, herauszufinden, wo Sie sie benötigen. Sobald Sie diese Grundlinie etabliert haben, shed dass baseline, try moving things up a level with your team, and see how much smoother AI-powered analytics engineering can be. Want to learn more about AI in analytics engineering, and more specifically, best processes for clean data collection? Check out my article about creating a Clean Ecommerce Data Framework.