Будущее репортажей будет зависеть от того, как ценностное предложение продукта будет воплощено в оперативном дизайне.
Делиться
Ограничения панелей мониторинга — мы уже прошли этот путь
Многие, кто работал ранее, жаловались на аналитические панели. Панели могут содержать много информации, но не слишком глубокого понимания. Они могут ответить на вопрос, который был у кого-то вчера, но не на вопрос, который есть сегодня, — и уж точно не с необходимой степенью детализации.
Развитие генеративного ИИ изменит процесс создания информационных панелей и отчётности в целом. Я хочу рассказать о том, как, по моему мнению, генеративный ИИ изменит работу специалистов по работе с данными и улучшит процесс получения аналитической информации для конечного пользователя. Я также хочу обсудить подводные камни, которые могут возникнуть в результате этих изменений, и как их избежать.
Новая парадигма: разговорная аналитика
В любом предполагаемом будущем, в котором изменится работа специалистов по работе с данными, формирование аналитических данных в рамках бизнес-контекста останется первостепенной задачей. Информационные панели по-прежнему могут служить отправной точкой для получения аналитических данных — визуального представления контекста, позволяющего пользователю задавать дополнительные вопросы через чат-интерфейс внутри панели. Или пользователь может начать с простого чат-интерфейса.
В этом случае пользователю будет предоставлена контекстная информация с помощью других средств; например, ему может быть предложен список вопросов, которые ранее задавали другие сотрудники того же отдела.
Предоставление контекста как новая (но также и старая) дисциплина обработки данных
В любом из этих сценариев — будь то вопросы из интерфейса панели управления или только из чата — специалист по данным отвечает за предоставление контекста: ориентацию пользователя на тип данных, имеющихся у компании, и типы вопросов, которые могут дать интересующую пользователя информацию. Специалист по данным определяет, как ответить на вопрос, какие модели и метрики следует использовать, какой тип возврата соответствует хорошей или плохой эффективности, и как следует визуализировать данные. Он также может включать возможные дополнительные вопросы, которые пользователь может захотеть задать.
В качестве примера предоставления контекста за кулисами пользователь может спросить: «Какова окупаемость инвестиций в отдельные продукты этого клиента?» Методика подсказок, созданная специалистом по данным, предписывает, что ответ на вопрос должен быть следующим:
- Ссылаясь на первичную модель использования,
- Сравнительный анализ с клиентами в той же отрасли, и
- При выводе дискретных категориальных данных по умолчанию используется столбчатая диаграмма.
Возможно, не все специалисты по работе с данными станут по сути инженерами по обработке данных, но такие навыки потребуются членам команды по работе с данными.
Чтобы выполнить увлекательную работу по предоставлению пользователям возможности безопасного самообслуживания (путем предоставления базовых защитных барьеров), специалист по работе с данными должен сосредоточиться на том, чего не хватает многим группам по работе с данными: четкое документирование измерений и показателей, а также документирование того, как ключевые методологии для показателей менялись с течением времени.
Работа с данными, необходимая для подготовки к возможностям, которые генеративный ИИ привнесёт в самостоятельную аналитику, должна начинаться на раннем этапе, с фундаментальной работы, которая часто теряет приоритет в угоду ускорению поставок, — создания хорошо документированных артефактов в централизованном хранилище. Таким образом, разговорная аналитика возвращает команды по работе с данными к основам.
Рекомендации становятся встроенной функцией
Предоставление рекомендаций для принятия решений также должно быть одной из основных функций команды по работе с данными. Возможность рекомендовать дальнейшие действия станет встроенной функцией разговорной аналитики, но при этом заслуживает самого пристального внимания. Как уже говорилось, текущая методология создания информационных панелей может не обеспечивать аналитической информации; более того, информационные панели не могут рекомендовать какие-либо действия.
Специалист по данным будет играть ведущую роль в разработке рекомендаций с помощью разговорной аналитики. Однако определение того, какими должны быть эти рекомендации, станет результатом совместных усилий многих отделов компании.
Специалист по данным будет сотрудничать с экспертами в предметной области, чтобы понять, какой тип бизнес-контекста должен определять рекомендуемый следующий шаг.
Например, пользователь может спросить: «Почему в этом году этот клиент стал чаще использовать средства для лечения хронических заболеваний?» Чтобы понять причину, после обсуждения с соответствующими командами по продукту и маркетингу команда по работе с данными может установить требования к модели, чтобы она учитывала любые изменения в составе населения клиента и любые маркетинговые материалы, выпущенные для конкретной программы. Затем модель может снова обратиться к этим источникам, чтобы рекомендовать следующий шаг, например:
«Кампания по уходу за хроническими заболеваниями эффективно охватила растущую группу пациентов. Управление сном становится ключевой проблемой, поэтому мы рекомендуем разослать адресное сообщение после Нового года».
От создателей панелей управления до менеджеров ИИ
Процесс предоставления контекста, а также возможность задать вопрос пользователю и получить не только ценную информацию, но и содержательную рекомендацию, показывают, насколько гибким может и должен стать этот процесс. По мере того, как пользовательский опыт становится более гибким и менее привязанным к жёсткости статических информационных панелей или отчётов, использование информационных панелей будет сокращаться.
Будет создано меньше информационных панелей, а большее количество будет удалено, что означает меньшую потребность в обслуживании со стороны команды по работе с данными. Будет меньше нерегламентированных запросов на конкретные отчёты, поскольку генеративный ИИ сможет ответить на эти вопросы. Однако увеличится количество запросов на проверку точности ответов ИИ и отчётов об инцидентах, связанных с неожиданными или бесполезными результатами, генерируемыми ИИ.
Работа группы по работе с данными может сместиться с создания информационных панелей и ответов на специальные вопросы, необходимые для отчетности, на обеспечение того, чтобы ответы, предоставляемые инструментами разговорной аналитики, были точными и содержательными для конечного пользователя.
Ранее я использовал вопрос о рентабельности инвестиций (ROI) в качестве примера того, как ИИ может быстро выдавать ценную информацию. В этом же сценарии работа команды по работе с данными включает в себя проверку того, что ответ ИИ о рентабельности инвестиций всегда соответствует актуальным определениям метрик и бизнес-правилам.
Команде по работе с данными необходимо будет создать инфраструктуру для мониторинга выходных данных и точности генеративного ИИ, а также постоянно встраивать тесты, поскольку компания позволяет ИИ отвечать на все больше вопросов.
Подводные камни и стратегия реализации
Возрастающая ответственность, которая будет возложена, приводит меня к тому, что, по моему мнению, может стать ловушкой в этом мире генеративного ИИ для предоставления аналитики в режиме самообслуживания: подход, который не имеет четких границ или нюансов.
Практически все инструменты, которые мы сейчас используем в нашей команде по работе с данными, включают в себя впечатляющие возможности ИИ, включая наше хранилище данных и инструменты бизнес-аналитики, и их можно активировать одним нажатием кнопки. Иногда они даже дают полезные ответы. Однако без того, чтобы команда по работе с данными привнесла в эти инструменты подход, ориентированный на продукт, они, как правило, бесполезны и зачастую неточны.
Представьте, что в примере с лечением хронических заболеваний ИИ начал бы рекомендовать информационные кампании, не проверяя данные о состоянии здоровья населения клиента.
Как всегда, существует противоречие между быстрым созданием — в данном случае, нажатием на контекстную аналитику в тех инструментах обработки данных, которые вы уже знаете и любите, — и созданием дизайна с расчетом на будущее.
Компании необходимо решить, какую отчётность в первую очередь имеет смысл передать на генеративный ИИ. Для успешного внедрения потребуется поэтапный подход. Возможно, сначала нужно будет отчитываться о продажах, поскольку эти вопросы генерируют наибольший объём, или, возможно, сначала нужно будет заняться вопросами окупаемости инвестиций, поскольку они наиболее актуальны.
Назад к основам, вперед к рекомендациям
Чтобы в полной мере воспользоваться этими новыми возможностями, команде по работе с данными необходимо вернуться к пониманию и документированию истории компании, представленной в моделировании данных и на семантическом уровне, чтобы обеспечить полный контекст для аналитики и рекомендаций. Как обсуждалось выше, нам необходимо закодировать наше понимание таких метрик, как рентабельность инвестиций, и разработать способ предоставления рекомендаций, например, когда рекомендовать тот или иной тип коммуникации.
Роль данных всегда была связана с сотрудничеством, но теперь это сотрудничество станет новым аспектом. Речь будет идти не о сборе требований для информационных панелей или продвинутого машинного обучения, а о сборе требований для генеративной аналитики и рекомендаций ИИ.
Ценностное предложение компании должно быть закодировано в дизайне подсказок. Это важная, но сложная задача, поэтому я выступаю за продуманный, поэтапный подход к использованию генеративного ИИ в отчётности — даже для инструментов, которые позволяют легко «внедрить ИИ в производство».
Я с нетерпением жду и верю в тот день, когда чат-бот станет основным инструментом отчетности.
Источник: towardsdatascience.com
