过去是序章-对话分析如何改变数据工作

过去是序章：对话分析如何改变数据工作

过去是序章：对话分析如何改变数据工作

仪表板的局限性 —— 我们已经走过这条路

许多先于我们的人哀叹分析仪表板。仪表板可能包含大量信息，但缺乏见解。它们可能回答了昨天某人提出的问题，但无法回答今天的问题——更不用说需要那么精细的问题了。

生成式 AI 的演变将改变仪表板和报告的一般形式。我想讨论我认为生成式 AI 将如何改变数据专业人员的工作并改善最终用户获取见解的体验。我还想讨论由此转变可能带来的陷阱——以及如何避免它们。

新范式：对话分析

对话分析跨越分析的所有阶段，使用户能够提问、理解上下文并获得推荐。（图片由作者提供）

在任何关于数据专业人员工作未来变化的设想中，塑造业务环境中的见解将始终是首要要求。仪表板可能仍然作为获取见解的起点——一个视觉上表示上下文，允许用户通过仪表板内的聊天界面提出更多问题的表示。或者用户可以从简单的聊天界面开始。

在那种情况下，用户将通过其他方式获得上下文指导；例如，他们可能会被提示一个列表，其中包含同一部门其他人之前提出的问题。

提供上下文作为一种新的（但同时也是旧的）数据学科

在这两种场景中——无论是从仪表板界面开始提问还是仅通过聊天——数据专业人员负责提供上下文：向用户介绍业务拥有的数据类型以及可能产生用户感兴趣见解的问题类型。数据专业人员将决定如何回答问题，应参考哪些模型和指标，什么样的回报代表良好的或不良的表现，以及数据应该如何可视化。他们还可以包括用户可能想要询问的可能后续问题。

作为幕后提供背景信息的例子，用户可能会问，“这位客户个别产品的投资回报率是多少？”数据专业人员创建的提示工程将指导该问题通过以下方式得到回答：

• 参考主要利用模型，

• 与同行业内客户进行基准测试，以及

• 当离散分类数据是输出时，默认为柱状图。

也许并非所有数据专业人员都会成为本质上是一个提示工程师，但这将是数据团队需要的一项技能集。

要做允许用户安全自助的有趣工作——通过提供底层护栏——数据专业人员必须关注许多数据团队未能做到的地方：对维度和指标的清晰文档以及关键指标方法随时间变化的文档。

准备生成式 AI 将带给自助分析的能力所需的数据工作必须从上游开始，即经常为了更快地发货而被降级的基座工作——在中央位置创建良好的文档化工件。这样，对话式分析就将数据团队带回了基础。

建议成为内置功能

为决策提供建议也应该是数据团队的基本功能。能够推荐下一步行动将成为对话式分析的一个内置功能——但这是一个值得最严格监管的功能。如上所述，当前的仪表板方法可能不会提供见解；此外，仪表板无法建议采取的行动。

数据专业人员将在通过对话式分析将建议投入生产的前沿。然而，确定这些建议应该是什么将需要业务中许多部门的协作努力。

数据专业人员将与领域专家合作，了解哪种业务背景应该告知建议的下一步行动。

例如，用户可能会问，“为什么今年这位客户对慢性病产品的利用率有所增加？”为了了解原因，在与适当的产品和营销团队讨论后，数据团队可能会为模型制定要求，以参考客户的人口变化以及特定项目的任何营销材料。然后，模型可以再次参考这些来源，建议下一步行动，例如：

“慢性病关怀运动有效地针对了该客户不断增长的人群。睡眠管理正成为一项关键关注点，因此我们建议在新年后发送有针对性的沟通。”

从仪表板构建者到 AI 经理

提供背景信息的过程——以及用户能够提出问题并最终不仅获得洞察力，而且得到深思熟虑的建议——展示了这个过程可以并且应该变得多么灵活。随着用户体验变得更加灵活，而不是与静态仪表板或报告的僵化性紧密相关，仪表板的使用将减少。

将会创建更少的仪表板，而更多的仪表板将被淘汰——这意味着数据团队需要的维护工作更少。由于生成式 AI 能够回答这些问题，因此对特定报告的临时请求将减少。然而，将会有更多请求来验证 AI 答案的准确性，以及更多由 AI 生成的不期望或无用的输出的事故报告。

数据团队的工作可能将从构建仪表板和回答满足报告需求的临时问题，转变为确保对话式分析工具提供的答案对最终用户既准确又有意义。

之前，我使用 ROI 问题作为例子来说明 AI 如何快速揭示洞察力。在相同的场景中，数据团队的工作包括验证 ROI AI 答案始终与最新的指标定义和业务规则保持一致。

数据团队将需要构建基础设施来监控生成式 AI 的输出和准确性，并在公司允许 AI 回答更多问题时持续构建测试。

陷阱和实施策略

将被赋予越来越多的责任，这让我想到了在这个生成式 AI 提供自助分析的世界中可能存在的陷阱：一种不够严格或细致的方法。

几乎我们目前在数据团队使用的每个工具现在都有一个引人注目的 AI 产品——包括我们的数据仓库和我们的商业智能工具——并且它们基本上可以一键启动。有时它们甚至可以提供有用的答案。然而，如果没有数据团队带来的那种产品思维，它们通常是无用的，并且经常不准确。

想象一下，在慢性病护理的例子中，如果 AI 开始推荐外展活动，而不检查客户的人口健康数据。

总是存在一种紧张关系，即快速构建——在这种情况下，点击那些你已知并喜爱的数据工具中的对话式分析——与有意识地构建以使这些设计面向未来的紧张关系。

公司将需要决定哪些报告首先适合外包给生成式 AI。为了做好这件事，实施需要分阶段进行。也许销售报告应该首先进行，因为这些问题产生的量最大，或者可能是 ROI 问题，因为它们最为紧迫。

回归基础，面向建议前行

照片 由 Imagine Buddy 通过 Unsplash 提供

为了充分利用这些新功能，数据团队必须回归到理解和记录公司历史，正如在数据建模和语义层中所显示的那样，以便为洞察和建议提供完整的背景。如上所述，我们需要编码我们对如 ROI 等指标的理解，并设计我们希望如何提供建议——例如何时推荐某种沟通方式。

数据角色一直具有协作性，但现在的协作方式将有所不同。它将不再主要是用于仪表板或高级机器学习的需求收集，而是用于生成式 AI 洞察和建议输出的需求收集。

公司的价值主张必须编码在提示设计中。这是一个必要但困难的任务，这就是为什么我提倡在报告中使用生成式 AI 时采取深思熟虑、分阶段的方法——即使是那些使“将 AI 投入生产”变得非常容易的工具。

我对聊天机器人成为主要报告工具的那一天感到兴奋并投入其中。