AI ontmoet Analytics Engineering: AI-maturiteit voor proces

Bedrijven in allerlei branches en specialisaties voelen de behoefte om zich in de wereld van AI te storten, en dat geldt ook voor analytics engineering. De kansen zijn echt, en ze zijn spannend, maar organisaties die het meeste uit deze kansen willen halen, moeten hun processtructuur op een zorgvuldige en realistische manier implementeren, op basis van hun AI-maturiteit. Laten we onderzoeken hoe.

AI-maturiteitniveaus

Wanneer je de complexiteit van de AI die je gebruikt, beschrijft, zijn AI-maturiteitniveaus een nuttig en eenvoudig kader.

Niveau 1: Ondersteunende intelligentie (automatisering): basisautomatisering van repetitieve taken en workflows. Voorbeelden: chatbots met vaste antwoorden, website-crawlers, interne zoektools.

Niveau 2: Versterkte intelligentie (geleide analyse): je vertelt de AI de methode/model en wat te analyseren, en het doet de rest. Voorbeelden: ad-biedingsalgoritmes, inhoudssamenvatters.

Niveau 3: Autonome intelligentie (zelflerende AI): AI kiest methoden, vindt patronen en biedt aanbevelingen. Voorbeelden: zelfrijdende auto’s, autonome aandelenhandelrobots.

Druk om “AI” te worden

Natuurlijk is er tegenwoordig veel druk om “op niveau 3 te zijn”. Maar dat hangt grotendeels af van de middelen, activa, kerncapaciteiten, kennis en mensen van je bedrijf. De beste aanpak is om te beginnen waar het zin heeft, zelfs als dat op niveau 1 is.

Op dit moment zijn er miljoenen artikelen online die je bombarderen met AI-ideeën. Maar ideeën brengen geen resultaten. Volgens Adobe hebben slechts 12% van de bedrijven momenteel werkende AI-oplossingen die een duidelijke ROI laten zien. De meeste hiervan zijn nog in de pilotfase, evalueren de effectiviteit of hebben moeite met het opschalen van AI-initiatieven. Veel teams worstelen met het identificeren van waar AI zinvol in hun workflows geïntegreerd kan worden en zelfs wanneer een use case is geïdentificeerd, ontbreken veel organisaties de interne capaciteiten om aangepaste AI-hulpmiddelen te bouwen of betrouwbare externe oplossingen te vinden.

Laten we ons richten op realistische toepassingen. Er zijn geweldige manieren om geleidelijk AI-gebruik in realistische elementen van werk voor leiders die verantwoordelijk willen opschalen.

Wat kan geautomatiseerd worden wanneer je analytics bouwt voor een e-commerce/SaaS-product

Volgens mij zijn er twee veelvoorkomende processen binnen succesvolle analytics engineering-teams die goede kandidaten zijn om AI-maturiteit op te bouwen:

1. AI voor kennisbeheer en onboarding
2. AI voor QA- en auditautomatisering

1. AI voor kennisbeheer en onboarding

Documentatie is een belangrijk hulpmiddel om complexe systemen bij te houden. Volgens het Proceskader moet SDR (Solution Design Reference) elke stap documenteren. Het kan er zo uitzien:

• Proces #1: Documenteren van verwachte resultaten.
• Proces #2: Bijhouden van belangrijke data-verzameling verhalen die regelmatig worden gecontroleerd.
• Proces #3: Noteren van de geschiedenis van 3-rd party Tech Stakeholders data-eisen.
• Proces #4: Detailneren van de datalaag over alle apps en oppervlakken.
• Proces #5: Beschrijven en detailneren van de technische architectuur met diagrammen, hiërarchieën en eisen.

Nu laten we AI toevoegen aan dit.

Niveau 1

Op niveau 1 kun je beginnen met het gebruik van interne AI-chatbots voor documentopname.

Veel bedrijven hebben nu interne chatbots die getraind kunnen worden op propriëtaire documentatie. Als je geen interne chatbot hebt, kun je incognitomodus gebruiken of je documentatie anonimiseren voordat je het aan de bot voert.

Voer je bot je SDR’s, QA-handboeken, naamgevingsconventies en implementatiestandaarden in.

Na een succesvolle release, voer je AI-projectnotities of implementatieplannen in om de documentatie aan te vullen. Vraag de AI dan de volgende vragen:

• “Wat is de beste methode om X te implementeren als ik dezelfde logica als Y wil gebruiken?”
• “Welke gegevens zijn nodig om aankopen bij te houden?”
• “Welke tags ontbreken op deze nieuwe productpagina?”

Het resultaat van dit proces is dat je minder tijd besteedt aan het doorzoeken van documenten of het pingen van collega’s, nieuwe teamleden kunnen zelf antwoorden vinden en tribale kennis wordt schaalbaar.

Er zijn enkele voorbehouden hier. Deze methode werkt echt als je een goede documentatie bijhoudt, en het wordt alleen schaalbaar als je je mensen traint en verplicht om het hulpmiddel te gebruiken.

Niveau 2

Als dit voor je afdeling werkt, denk dan na over het opschalen naar het direct verbinden van je chatbot met je technologie. Je kunt de automatisering automatiseren.

Niveau 3

Ik denk dat de mogelijkheden eindeloos zijn. De richting die ik zou volgen, is het bouwen van een proactieve AI die inconsistenties signaleert en verbeteringen aanbiedt. De realiteit is dat weinig bedrijven dit niveau bereiken, en ik schrijf dit artikel voor de meesten van ons, die nog steeds de basisprincipes leren.

2. AI voor QA- en auditautomatisering

Regelmatig de methoden voor gegevensverzameling auditen is een van de beste praktijken voor het Proceskader. Vaak is de auditor een QA-team, of kan een audithulpmiddel worden gebruikt. Bijvoorbeeld, ObservePoint is een uitgebreid en zeer aanpasbaar hulpmiddel dat je in staat stelt om complexe auditstromen te bouwen. Zelfs met een robot, kun je altijd nog meer AI gebruiken, toch?

Niveau 1

Laten we beginnen met het automatiseren van de technische aspecten. Het bouwen van journeys in robot-audithulpmiddelen zoals ObservePoint is vaak technisch en vereist veel ondersteuning. Om enkele van deze repetitieve technische taken te automatiseren, terwijl je auditjourneys bouwt, kun je opnieuw de hulp van een AI-chatbot vragen. Vraag de AI de volgende vragen:

“Geef me de CSS-selector voor de ‘Volgende stap’-knop.”

“Schrijf aangepaste code die automatisch alle cookies accepteert.”

Het resultaat hiervan zou een grotere gebruiksgemak moeten zijn bij het werken met zeer technische hulpmiddelen, snellere triage en probleemoplossing en minder afhankelijkheid van ondersteuning en frontend-ontwikkelaars.

Enkele voorbehouden hier zijn dat als je geen robot-crawler voor je gegevensaudits gebruikt, je mogelijk een QA-team gebruikt. Het QA-team kan kijken naar het adopteren van automatisering voor veelvoorkomende stappen. Begin klein, schaal op wanneer je klaar bent; je volgende stappen worden pas duidelijker als je de eerste stap zet.

Niveau 2

Voor niveau 2 AI-gebruik, kijk naar het integreren van je chatbot met het hulpmiddel, terwijl je handmatig prompting van een chatbot vermijdt.

Niveau 3

Tenslotte, voor niveau 3-gebruik, zijn de mogelijkheden eindeloos. Ontdek hoe je je automatiseringen proactiever kunt maken in het signaleren van verbeteringen en het aanbieden van oplossingen. Ga alleen deze route als je je comfortabel voelt bij niveau 2.

Wat niet te automatiseren (nog niet)

Laten we Best Practice #3 overwegen: Samenwerken met 3rd-party tech-stakeholders. Dit is nog steeds iets wat mensen het beste doen. Je kunt AI gebruiken om je voor te bereiden op leveranciersgesprekken, contracten samen te vatten of integratie-uitlijningen op te stellen. Maar voor nu blijft relatieopbouw menselijk.

Laatste gedachten

Zelfs als je geen budget hebt voor aangepaste AI-ontwikkeling, kun je beginnen met de hulpmiddelen die je al hebt. Een goed proces en een goede chatbot gaan een lange weg.

Begin eenvoudig, met niveau 1 of 2, en laat je team wennen. Zodra je ziet waar AI tijd bespaart en consistentie verhoogt, weet je waar je in geavanceerde hulpmiddelen moet investeren. Het moeilijkste deel van AI-adoptie is vaak het vinden van waar je het nodig hebt. Zodra je die basis hebt vastgesteld, probeer dingen op te schalen met je team, en zie hoe veel soepeler AI-geactiveerde analytics engineering kan zijn.

Wil je meer leren over AI in analytics engineering, en meer specifiek, de beste processen voor schone data-verzameling? Lees mijn artikel over het creëren van een Schoon E-commerce Data Framework.