Vordenker
KI trifft auf Analytics Engineering: KI-Reifegrad für Prozesse
Unternehmen aller Branchen und Fachrichtungen spüren den Drang, sich intensiv mit KI auseinanderzusetzen – auch im Bereich Analytics Engineering. Die Chancen sind real und vielversprechend, doch Organisationen, die sie optimal nutzen wollen, sollten ihre Prozessstruktur durchdacht und realistisch gestalten und dabei ihren KI-Reifegrad berücksichtigen. Schauen wir uns an, wie das geht.
KI-Reifegrade
Bei der Beschreibung der Komplexität der von Ihnen verwendeten KI sind KI-Reifegrade als einfaches und verdeutlichendes Rahmenwerk hilfreich.
Niveau 1: Unterstützte Intelligenz (Automatisierung): Grundlegende Automatisierung wiederkehrender Aufgaben und Arbeitsabläufe. Beispiele: Chatbots mit vordefinierten Antworten, Website-Crawler, interne Suchwerkzeuge.
Niveau 2: Erweiterte Intelligenz (Geführte Analyse): Sie geben der KI die Methode/das Modell und den zu analysierenden Gegenstand vor, und sie erledigt den Rest. Beispiele: Algorithmen für die Anzeigengebotsoptimierung, Inhaltszusammenfassungen.
Niveau 3: Autonome Intelligenz (selbstlernende KI): KI wählt Methoden aus, erkennt Muster und gibt Empfehlungen. Beispiele: selbstfahrende Autos, autonomes Fahren Aktienhandelsroboter.
Druck auf „KI“
Heutzutage herrscht natürlich großer Druck, „Stufe 3 zu erreichen“. Das hängt aber maßgeblich von den Ressourcen, dem Vermögen, den Kernkompetenzen, dem Wissen und den Mitarbeitern Ihres Unternehmens ab. Am besten beginnt man dort, wo es sinnvoll ist, selbst wenn es erst einmal Stufe 1 ist.
Aktuell gibt es Millionen von Artikeln im Internet, die einen mit Ideen für KI überhäufen. Doch Ideen allein bringen noch keinen Erfolg. Laut Adobe … 12% Viele Unternehmen verfügen derzeit über funktionierende KI-Lösungen mit nachweisbarem ROI. Die meisten dieser Lösungen befinden sich jedoch noch in der Pilotphase, evaluieren ihre Effektivität oder stehen vor Herausforderungen bei der Skalierung von KI-Initiativen. Viele Teams tun sich schwer, sinnvolle Einsatzmöglichkeiten von KI in ihren Arbeitsabläufen zu identifizieren. Selbst wenn ein Anwendungsfall gefunden wird, fehlen vielen Organisationen die internen Kapazitäten, um eigene KI-Tools zu entwickeln oder zuverlässige externe Lösungen zu finden.
Konzentrieren wir uns auf realistische Anwendungsfälle. Es gibt hervorragende Möglichkeiten, den Einsatz von KI schrittweise in realistische Arbeitsabläufe für Führungskräfte zu integrieren, die bereit sind, verantwortungsvoll zu skalieren.
Was lässt sich automatisieren, wenn man Analysen für ein E-Commerce-/SaaS-Produkt erstellt?
Meiner Ansicht nach gibt es zwei gängige Prozesse in erfolgreichen Analytics-Engineering-Teams, die sich hervorragend eignen, um KI-Reife aufzubauen:
- KI für Wissensmanagement und Onboarding
- KI für die Automatisierung von Qualitätssicherung und Audit
1. KI für Wissensmanagement und Onboarding“
Die Dokumentation ist ein wichtiges Instrument, um den Überblick über komplexe Systeme zu behalten. Gemäß dem Prozessrahmen muss die Lösungsdesignreferenz (SDR) jeden der fünf Schritte dokumentieren. Dies könnte folgendermaßen aussehen:
- Prozess #1: Dokumentation der erwarteten Ergebnisse.
- Prozess #2: Regelmäßige Überprüfung der wichtigsten Datenerfassungsberichte.
- Prozess #3: Erfassung der Historie der Datenanforderungen von Drittanbietern im Technologiebereich.
- Prozess #4: Detaillierte Beschreibung der Datenschicht über alle Apps und Oberflächen hinweg.
- Prozess #5: Beschreibung und Detaillierung der technischen Architektur mit Diagrammen, Hierarchien und Anforderungen.
Jetzt fügen wir dem Ganzen noch etwas KI hinzu.
Level 1
Auf Stufe 1 können Sie interne KI-Chatbots für den Dokumentenabruf einsetzen.
Viele Unternehmen setzen mittlerweile interne Chatbots ein, die mit firmeneigenen Dokumenten trainiert werden können. Falls Sie keinen internen Chatbot besitzen, können Sie den Inkognito-Modus nutzen oder Ihre Dokumente vor der Eingabe in den Bot unkenntlich machen.
Füttern Sie Ihren Bot mit Ihren SDRs, QA-Handbüchern, Namenskonventionen und Implementierungsstandards.
Nach einer erfolgreichen Veröffentlichung fügen Sie Ihre Projektnotizen oder Implementierungspläne zur Dokumentation hinzu. Stellen Sie der KI anschließend die folgenden Fragen:
- „Welche Methode eignet sich am besten zur Implementierung von X, wenn ich dieselbe Logik wie bei Y anwenden möchte?“
- „Welche Daten müssen zur Nachverfolgung von Käufen erfasst werden?“
- „Welche Tags fehlen auf dieser neuen Produktseite?“
Das Ergebnis dieses Prozesses ist, dass Sie weniger Zeit mit dem Durchblättern von Dokumenten oder dem Nachfragen bei Kollegen verbringen, neue Teammitglieder sich selbst Antworten finden können und das im Team vorhandene Wissen skalierbar wird.
Hierbei sind einige Einschränkungen zu beachten. Diese Methode funktioniert nur dann wirklich, wenn die Dokumentation stets aktuell ist, und sie wird erst dann skalierbar, wenn die Mitarbeiter geschult werden und die Nutzung des Tools verpflichtend wird.
Level 2
Wenn das für Ihre Abteilung funktioniert, sollten Sie überlegen, den Chatbot direkt mit Ihrer IT-Infrastruktur zu verbinden. Die Automatisierung lässt sich automatisieren.
Level 3
Ich bin überzeugt, dass hier alle Möglichkeiten offenstehen. Mein Ansatz wäre die Entwicklung einer proaktiven KI, die Inkonsistenzen aufdeckt und Verbesserungsvorschläge macht. Fakt ist, dass nur wenige Unternehmen dieses Niveau erreichen, und ich schreibe diesen Artikel für all jene, die noch am Anfang ihrer Entwicklung stehen.
2. KI für die Automatisierung von Qualitätssicherung und Audits
Die regelmäßige Überprüfung Ihrer Datenerfassungsmethoden ist eine der bewährten Vorgehensweisen im Prozessframework. Häufig übernimmt das QA-Team die Überprüfung, alternativ kann auch ein Prüftool eingesetzt werden. ObservePoint beispielsweise ist ein umfangreiches und hochgradig anpassbares Tool, mit dem sich komplexe Prüfabläufe erstellen lassen. Selbst bei einem Roboter kann man immer noch etwas mehr KI gebrauchen, oder?
Level 1
Beginnen wir mit der Automatisierung der technischen Details. Die Erstellung von Prüfabläufen in Tools für robotergestützte Audits wie ObservePoint ist oft technisch anspruchsvoll und erfordert viel Unterstützung. Um einige dieser wiederkehrenden technischen Aufgaben bei der Erstellung von Prüfabläufen zu automatisieren, können Sie erneut einen KI-Chatbot nutzen. Stellen Sie der KI die folgenden Fragen:
„Geben Sie mir den CSS-Selektor für die Schaltfläche „Nächster Schritt“.
„Schreiben Sie benutzerdefinierten Code, der automatisch alle Cookies aktiviert.“
Das Ergebnis sollte eine größere Benutzerfreundlichkeit bei der Arbeit mit hochtechnischen Werkzeugen, eine schnellere Fehlerbehebung und -analyse sowie eine geringere Abhängigkeit von Support und Frontend-Entwicklern sein.
Eine wichtige Einschränkung hierbei ist, dass Sie, falls Sie für Ihre Datenprüfungen keinen Webcrawler einsetzen, möglicherweise ein QA-Team beauftragen. Dieses QA-Team kann die Automatisierung gängiger Arbeitsschritte prüfen. Beginnen Sie mit kleinen Schritten und skalieren Sie diese schrittweise, sobald Sie bereit sind; die nächsten Schritte werden erst klarer, wenn Sie den ersten Schritt getan haben.
Level 2
Für die Nutzung von KI der Stufe 2 sollten Sie die direkte Integration Ihres Chatbots in das Tool in Betracht ziehen und dabei manuelle Eingabeaufforderungen an den Chatbot vermeiden.
Level 3
Und schließlich sind den Möglichkeiten auf Stufe 3 keine Grenzen gesetzt. Entdecken Sie, wie Sie Ihre Automatisierungen proaktiver gestalten können, um Verbesserungspotenzial zu erkennen und Lösungen vorzuschlagen. Gehen Sie diesen Weg nur, wenn Sie sich auf Stufe 2 sicher fühlen.
Was (noch) nicht automatisiert werden sollte
Betrachten wir Best Practice Nr. 3: Zusammenarbeit mit externen Technologiepartnern. Das ist nach wie vor eine Stärke des Menschen. KI kann zwar zur Vorbereitung von Kundengesprächen, zur Zusammenfassung von Verträgen oder zur Erstellung von Integrationskonzepten eingesetzt werden, doch der Beziehungsaufbau bleibt vorerst eine menschliche Angelegenheit.
Fazit
Auch wenn Sie kein Budget für die Entwicklung individueller KI-Systeme haben, können Sie mit den bereits vorhandenen Tools beginnen. Ein guter Prozess und ein guter Chatbot sind dabei sehr hilfreich.
Beginnen Sie einfach mit Level 1 oder 2 und geben Sie Ihrem Team Zeit, sich damit vertraut zu machen. Sobald Sie erkennen, wo KI Zeit spart und die Konsistenz verbessert, wissen Sie, wo Sie in fortgeschrittenere Tools investieren sollten. Die größte Herausforderung bei der KI-Einführung besteht oft darin, den Bedarf überhaupt zu ermitteln. Sobald Sie diese Basis geschaffen haben, können Sie gemeinsam mit Ihrem Team die nächste Stufe einführen und sehen, wie viel reibungsloser KI-gestützte Analyseprozesse ablaufen können.
Möchten Sie mehr über KI im Bereich Analytics Engineering erfahren, insbesondere über die besten Prozesse zur Erfassung sauberer Daten? Lesen Sie meinen Artikel über die Erstellung eines Clean Ecommerce Data Framework.
