AI møter analytics engineering: AI-maturitet for prosesser

Selskaper i alle typer bransjer og spesialområder føler behov for å dykke headfirst inn i AI-verdenen, og det gjelder også analytics engineering. Mulighetene er reelle, og de er spennende, men organisasjoner som ønsker å utnytte dem mest mulig, bør implementere sin prosessstruktur på en tankefull og realistisk måte, basert på deres AI-maturitet. La oss utforske hvordan.

AI-maturitetsnivåer

Når du beskriver kompleksiteten til AI-en du bruker, er AI-maturitetsnivåer nyttige som en enkel, forklarende ramme.

Nivå 1: Assisterende intelligens (Automatisering): Grunnleggende automatisering av repetitive oppgaver og arbeidsflyter. Eksempler: chatbots med faste svar, nettlesere, interne søkeverktøy.

Nivå 2: Utvidet intelligens (Veiledet analyse): Du forteller AI-en metoden/modellen og hva den skal analysere, og den gjør resten. Eksempler: annonsebudsjettalgoritmer, innholdssammenfattningsverktøy.

Nivå 3: Autonom intelligens (Selvlærende AI): AI-en velger metoder, finner mønster og foreslår løsninger. Eksempler: selvkjørende biler, autonome aksjehandelsroboter.

Press for å “AI”

Selvfølgelig er det i dag mye press for å være på nivå 3. Men det avhenger i stor grad av selskapets ressurser, eiendommer, kjernekompetanser, kunnskap og mennesker. Den beste tilnærmingen er å starte der det har mening, selv om det er på nivå 1.

For tiden finnes det millioner av artikler på nettet som bombader deg med ideer for AI. Men ideer bringer ikke hjem bacon. Ifølge Adobe har bare 12% av selskapene i dag fungerende AI-løsninger som viser tydelig avkastning. De fleste av disse er fortsatt i pilotfasen, vurderer effektivitet eller møter utfordringer i å skalerer AI-initiativer. Mange team sliter med å identifisere hvor AI kan integreres meningsfullt i deres arbeidsflyter, og selv når en bruksfall er identifisert, mangler mange organisasjoner interne evner til å bygge tilpassede AI-verktøy eller finne pålitelige eksterne løsninger.

La oss holde oss til realistiske anvendelser. Det finnes flotte måter å utvikle gradvis AI-bruk til realistiske elementer i arbeid for ledere som er klare til å skalerer ansvarlig.

Hva kan automatiseres når du bygger analytics for et e-handels-/SaaS-produkt

Ifølge min mening finnes det to vanlige prosesser innen suksessfulle analytics engineering-team som er flotte kandidater til å bygge AI-maturitet:

1. AI for kunnskapsforvaltning og onboarding
2. AI for QA- og revisjonsautomatisering

1. AI for kunnskapsforvaltning og onboarding

Dokumentasjon er et viktig verktøy for å holde orden på komplekse systemer. Ifølge prosessrammen, SDR (Solution Design Reference), må hver av de fem prosessene dokumenteres. Det kan se ut slik:

• Prosess #1: Dokumentere forventede resultater.
• Prosess #2: Holde orden på nøkkeldatainnsamlingshistorier som sjekkes regelmessig.
• Prosess #3: Notere historien til 3. parts tekniske interessenters datakrav.
• Prosess #4: Detaljere datalaget over alle apper og overflater.
• Prosess #5: Beskrive og detaljere ingeniørarkitekturen med diagrammer, hierarkier og krav.

La oss nå legge til noen AI til dette.

Nivå 1

På nivå 1 kan du starte med å bruke interne AI-chatbots for dokumenthenting.

Mange selskaper har i dag interne chatbots som kan trenes på proprietær dokumentasjon. Hvis du ikke har en intern chatbot, kan du bruke inkognito-modus eller redigere dokumentasjonen før du mater den til boten.

Mata boten din SDR-er, QA-manualer, navnekonvensjoner og implementeringsstandarder.

Etter en vellykket utgivelse, mata AI-prosjektnotater eller implementeringsplaner til dokumentasjonen. Deretter kan du stille AI-en følgende spørsmål:

• “Hva er den beste metoden for å implementere X hvis jeg ønsker å bruke samme logikk som Y?”
• “Hva data er nødvendig for å samle inn for å spore kjøp?”
• “Hva tags mangler fra denne nye produktiden?”

Resultatet av denne prosessen er at du bruker mindre tid på å bladre gjennom dokumenter eller å ping kolleger, nye teammedlemmer kan selvbetjene seg svar, og stamme-kunnskap blir skalerbar.

Det finnes noen forbehold her. Denne metoden fungerer virkelig hvis du gjør en god jobb med å holde orden på dokumentasjonen, og den blir bare skalerbar hvis du trener og krever at folkene dine bruker verktøyet.

Nivå 2

Hvis dette fungerer for din avdeling, tenk på å skalerer opp til å koble chatboten direkte til teknologien. Du kan automatisere automatiseringen.

Nivå 3

Jeg er sikker på at himmelen er grensen her. Retningen jeg ville følge ville være å bygge en proaktiv AI som markerer inkonsistenser og foreslår forbedringer. Virkeligheten er at få selskaper når dette nivået, og jeg skriver denne artikkelen for majoriteten av oss som fortsatt lærer å mestre det.

2. AI for QA- og revisjonsautomatisering

Regelmessig å gjennomføre datainnsamlingsmetoder er en av de beste praksisene for prosessrammen. Veldig ofte vil revisoren være et QA-team eller et revisjonsverktøy. For eksempel er ObservePoint et dekket og høyt tilpassbart verktøy som lar deg bygge komplekse revisjonsflyter. Selv med en robot kan du alltid bruke mer AI, rett?

Nivå 1

La oss starte med å automatisere de tekniske detaljene. Bygging av reiser i robot-revisjonsverktøy som ObservePoint er ofte teknisk og krever mye støtte. For å automatisere noen av disse repetitive tekniske oppgavene, mens du bygger revisjonsreiser, kan du igjen be om hjelp fra en AI-chatbot. Spør AI-en følgende spørsmål:

“Gi meg CSS-selektoren for «Neste steg»-knappen.”

“Skriv tilpasset kode som automatisk velger alle informasjonskapsler.”

Resultatet av dette bør være større lettbrukelighet når du arbeider med høyt tekniske verktøy, raskere feilretting og færre avhengigheter av støtte og frontend-utviklere.

Noen forbehold her er at hvis du ikke bruker en robot-kryper for data-revisjoner, kan du bruke et QA-team. QA-teamet kan se på å adoptere automatiseringer for vanlige steg. Start smått, skaler opp når du er klar; dine neste steg blir bare tydeligere når du tar det første steget.

Nivå 2

For nivå 2 AI-bruk, se på å integrere chatboten med verktøyet direkte, mens du unngår manuell prompting av en chatbot.

Nivå 3

Til slutt, for nivå 3-bruk, er himmelen igjen grensen. Oppdag hvordan du kan gjøre automatiseringene mer proaktive i å spore forbedringer og foreslå løsninger. Gå bare denne veien hvis du føler deg komfortabelt med å navigere nivå 2.

Hva ikke å automatisere (ennå)

La oss vurdere beste praksis #3: Samarbeid med 3. parts tekniske interessenter. Dette er noe mennesker fortsatt gjør best. Du kan bruke AI til å forberede til leverandør-samtaler, sammenfatte kontrakter eller utarbeide integreringskonturer. Men for nå, forhold bygging forblir menneskelig.

Slutt-tanker

Selv om du ikke har budsjettert for tilpasset AI-utvikling, kan du starte med verktøyene du allerede har. En god prosess og en god chatbot går langt.

Start enkelt, med nivå 1 eller 2, og la teamet ditt bli komfortable. Når du ser hvor AI sparer tid og booster konsistens, vil du vite hvor du skal investere i mer avanserte verktøy. Det hardeste ved AI-adoptsjon er ofte å finne ut hvor du trenger det i første omgang. Når du har etablert den baselinjen, prøv å flytte ting opp et nivå med teamet ditt, og se hvor mye smidigere AI-drevet analytics engineering kan være.

Ønsker du å lære mer om AI i analytics engineering, og mer spesifikt, beste prosesser for ren datainnsamling? Se på min artikkel om å opprette et rent e-handelsdata-rammeverk.