AI möter Analytics Engineering: AI-mognad för processer

Företag inom alla typer av branscher och specialområden känner ett behov av att dyka rakt in i AI-världen, och det gäller även analytics engineering. Möjligheterna är verkliga och de är spännande, men organisationer som vill utnyttja dem bör implementera sin processstruktur på ett genomtänkt och realistiskt sätt, baserat på deras AI-mognad. Låt oss undersöka hur.

AI-mognadsnivåer

När man beskriver komplexiteten i den AI man använder är AI-mognadsnivåer användbara som en enkel och tydlig ram.

Nivå 1: Assisterad intelligens (Automatisering): Grundläggande automatisering av repetitiva uppgifter och arbetsflöden. Exempel: chatbots med fasta svar, webbkrypare, interna sökverktyg.

Nivå 2: Förstärkt intelligens (Guidad analys): Du berättar för AI vilken metod/modell och vad som ska analyseras, och den gör resten. Exempel: annonsbudsalgoritmer, innehållssammanfattare.

Nivå 3: Autonom intelligens (Självlärande AI): AI väljer ut metoder, hittar mönster och erbjuder rekommendationer. Exempel: självkörande bilar, autonoma aktiehandelsrobotar.

Tryck att “AI”

Naturligtvis finns det idag ett stort tryck på att “vara på nivå 3”. Men det beror till stor del på företagets resurser, tillgångar, kärnkompetenser, kunskap och personal. Den bästa strategin är att börja där det är meningsfullt, även om det är på nivå 1.

Just nu finns det miljontals artiklar online som bombarderar dig med idéer för AI. Men idéer ger inte något. Enligt Adobe har endast 12% av företagen för närvarande fungerande AI-lösningar som visar tydlig avkastning. De flesta av dessa är fortfarande i pilotfas, utvärderar effektivitet eller står inför utmaningar i att skala upp AI-initiativ. Många team kämpar för att identifiera var AI kan integreras meningsfullt i deras arbetsflöden och även när en användningsfall identifieras, saknar många organisationer de interna förmågorna att bygga anpassade AI-verktyg eller hitta tillförlitliga externa lösningar.

Låt oss hålla oss till realistiska tillämpningar. Det finns utmärkta sätt att utveckla gradvis AI-användning till realistiska inslag i arbetet för ledare som är redo att skala upp på ett ansvarsfullt sätt.

Vad kan automatiseras när man bygger analyser för ett e-handels-/SaaS-produkt

Enligt min mening finns det två vanliga processer inom framgångsrika analytics engineering-team som är utmärkta kandidater att bygga AI-mognad:

1. AI för kunskapsförvaltning och onboarding
2. AI för QA- och revisionsautomatisering

1. AI för kunskapsförvaltning och onboarding

Dokumentation är ett viktigt verktyg för att hålla reda på komplexa system. Enligt Processramverket behöver SDR (Solution Design Reference) dokumentera var och en av de fem stegen. Det kan se ut så här:

• Process #1: Dokumentering av förväntade resultat.
• Process #2: Spåra viktiga datainsamlingsberättelser som regelbundet kontrolleras.
• Process #3: Notera historiken om tredjeparts tekniska intressenters datakrav.
• Process #4: Detaljera dataskiktet över alla appar och ytor.
• Process #5: Beskriva och detaljera den tekniska arkitekturen med diagram, hierarkier och krav.

Låt oss lägga till lite AI i detta.

Nivå 1

På nivå 1 kan du börja använda interna AI-chatbots för dokumentåtervinning.

Många företag har idag interna chatbots som kan tränas på proprietär dokumentation. Om du inte har en intern chatbot kan du använda inkognitoläge eller redigera din dokumentation innan du matar in den i boten.

Mata din bot med dina SDR:er, QA-manualer, namngivningskonventioner och implementeringsstandarder.

Efter en lyckad release, mata din AI-projektnoteringar eller implementeringsplaner för att lägga till dokumentationen. Sedan kan du ställa AI följande frågor:

• “Vilken är den bästa metoden för att implementera X om jag vill använda samma logik som Y?”
• “Vilken data behöver samlas in för att spåra inköp?”
• “Vilka taggar saknas från denna nya produktsida?”

Resultatet av denna process är att du tillbringar mindre tid med att bläddra i dokument eller pinga medarbetare, nya teammedlemmar kan självbetjäna sig av svar och tribalkunskap blir skalbar.
Det finns några varningar här. Denna metod fungerar verkligen om du gör ett bra jobb med att hålla din dokumentation uppdaterad, och den blir bara skalbar om du tränar och kräver att dina medarbetare använder verktyget.

Nivå 2

Om detta fungerar för din avdelning, tänk på att skala upp till att ansluta din chatbot direkt till din teknik. Du kan automatisera automatiseringen.

Nivå 3

Jag är säker på att himlen är gränsen här. Den riktning jag skulle följa vore att bygga en proaktiv AI som flaggar inkonsekvenser och erbjuder förbättringar. Verkligheten är att få företag når denna nivå, och jag skriver den här artikeln för de flesta av oss som fortfarande lär oss grunderna.

2. AI för QA- och revisionsautomatisering

Att regelbundet granska datainsamlingsmetoder är en av de bästa metoderna för Processramverket. Mycket ofta är granskaren antingen ett QA-team eller ett granskningsverktyg. Till exempel är ObservePoint ett verktyg som låter dig bygga högt anpassade granskningsflöden. Även med en robot kan du alltid använda mer AI, eller hur?

Nivå 1

Låt oss börja med att automatisera de tekniska aspekterna. Att bygga resor i robotgranskningsverktyg som ObservePoint är ofta tekniskt och kräver mycket stöd. För att automatisera några av dessa repetitiva tekniska uppgifter medan du bygger granskningsresor, kan du återigen be en AI-chatbot om hjälp. Be AI följande frågor:

“Ge mig CSS-väljaren för knappen ‘Nästa steg’.”

“Skriv anpassad kod som automatiskt väljer alla cookies.”

Resultatet av detta bör vara en större användarvänlighet när du arbetar med högt tekniska verktyg, snabbare triage och felsökning och mindre beroende av support och frontend-utvecklare.

Det finns några varningar här. Om du inte använder en robotkrypare för dina datagranskningar, kanske du använder ett QA-team. QA-teamet kan undersöka att anta automatiseringar för vanliga steg. Börja smått, skala upp när du är redo; dina nästa steg blir bara tydligare när du tar det första steget.

Nivå 2

För nivå 2 AI-användning, undersök att integrera din chatbot med verktyget direkt, samtidigt som du undviker manuell utlösning av en chatbot.

Nivå 3

Slutligen, för nivå 3-användning, är himlen återigen gränsen. Upptäck hur du kan göra dina automatiseringar mer proaktiva i att upptäcka förbättringar och rekommendera lösningar. Gå bara denna väg om du känner att du navigerar bekvämt på nivå 2.

Vad inte att automatisera (ännu)

Låt oss överväga bästa praxis #3: Samarbeta med tredjeparts tekniska intressenter. Detta är något som människor fortfarande gör bäst. Du kan använda AI för att förbereda dig för leverantörssamtal, sammanfatta avtal eller utarbeta integrationsutkast. Men för nuvarande förblir relationsbyggande mänskligt.

Slutliga tankar

Även om du inte har en budget för anpassad AI-utveckling kan du börja med de verktyg du redan har. En bra process och en bra chatbot går långt.

Börja enkelt, med nivå 1 eller 2, och låt ditt team bli bekvämt. När du ser var AI sparar tid och ökar konsekvens, kommer du att veta var du ska investera i mer avancerade verktyg. Det svåraste steget i AI-antagandet är ofta att ta reda på var du behöver det från början. När du har etablerat den här baslinjen, försök att flytta saker upp en nivå med ditt team, och se hur mycket smidigare AI-drivna analytics engineering kan vara.

Vill du lära dig mer om AI i analytics engineering och mer specifikt, de bästa processerna för ren datainsamling? Läs min artikel om att skapa ett rent e-handelsdata ramverk.