— Hemos recorrido este camino
Muchos de los que vinieron antes se han quejado del panel de análisis. Los paneles pueden contener mucha información, pero poca información. Es posible que respondan la pregunta que alguien hizo ayer, pero no la pregunta que tiene hoy, y ciertamente no con la granularidad necesaria.
La evolución de la IA generativa cambiará los paneles y los informes en general. Quiero analizar cómo creo que la IA generativa cambiará el trabajo de los profesionales de datos y mejorará la experiencia de obtener conocimientos para el usuario final. También quiero analizar los peligros que pueden surgir como resultado del cambio y cómo evitarlos.
El nuevo paradigma: análisis conversacional
En cualquier futuro contemplado sobre cómo cambiará el trabajo de los profesionales de datos, dar forma a los conocimientos dentro del contexto empresarial seguirá siendo el requisito principal. Los paneles aún pueden servir como punto de partida para obtener información: una representación visual del contexto que permite al usuario continuar con preguntas adicionales a través de una interfaz de chat dentro del panel. O el usuario podría comenzar con una interfaz de chat sencilla.
En ese caso, el usuario sería guiado con el contexto a través de otros medios; por ejemplo, se les podría presentar una lista de preguntas que otras personas del mismo departamento hayan formulado anteriormente.
Dar contexto como una nueva (pero también antigua) disciplina de datos
En cualquiera de estos escenarios, ya sea iniciando preguntas desde una interfaz de panel o solo por chat, el profesional de datos es responsable de implementar la entrega de contexto: orientar al usuario al tipo de datos que tiene la empresa y los tipos de preguntas que pueden generar los conocimientos que le interesan al usuario. El profesional de datos enmarcará cómo se responde la pregunta, a qué modelos y métricas se debe hacer referencia, qué tipo de retorno representa un buen o mal desempeño y cómo se deben visualizar los datos. También pueden incluir posibles preguntas de seguimiento que el usuario quiera hacer.
Como ejemplo de contexto entre bastidores, un usuario puede preguntar: “¿Cuál es el retorno de la inversión (ROI) de los productos individuales que tiene este cliente?” La ingeniería rápida creada por el profesional de datos indicaría que la pregunta debe ser respondida por:
Hacer referencia al modelo de utilización principal, realizar evaluaciones comparativas con clientes dentro de la misma industria y utilizar de forma predeterminada un gráfico de barras cuando el resultado son datos categóricos discretos.
Quizás no todos los profesionales de datos se conviertan en lo que es esencialmente un ingeniero rápido, pero esto deberá ser un conjunto de habilidades en el equipo de datos.
Para realizar el divertido trabajo de permitir a los usuarios autoservicio de forma segura (proporcionando barreras de seguridad subyacentes), el profesional de datos debe centrarse en lo que muchos equipos de datos se han quedado cortos: documentación clara de dimensiones y métricas y documentación de cómo las metodologías clave para las métricas han cambiado con el tiempo.
El trabajo de datos necesario para prepararse para las capacidades que la IA generativa aportará al análisis de autoservicio tiene que comenzar con el trabajo fundamental al que a menudo se le ha quitado prioridad en aras de un envío más rápido: crear artefactos bien documentados en una ubicación central. De esta manera, el análisis conversacional está devolviendo a los equipos de datos a lo básico.
Las recomendaciones se convierten en una característica integrada
Proporcionar recomendaciones para la toma de decisiones también debería ser una función básica del equipo de datos. La capacidad de recomendar los próximos pasos se convertirá en una característica incorporada del análisis conversacional, pero que merece la mayor supervisión. Como se mencionó anteriormente, es posible que la metodología actual de paneles de control no proporcione información; Además, los paneles no pueden recomendar una acción a tomar.
El profesional de datos estará a la vanguardia para poner en producción las recomendaciones a través del análisis conversacional. Sin embargo, determinar cuáles deberían ser esas recomendaciones será un esfuerzo de colaboración entre muchos departamentos de la empresa.
El profesional de datos se asociará con expertos en la materia para comprender qué tipo de contexto empresarial debe informar el siguiente paso recomendado.
Como ejemplo, el usuario puede preguntar: “¿Por qué ha habido un aumento en la utilización del producto para el cuidado crónico por parte de este cliente este año?” Para comprender el por qué, después de discutir con los equipos de producto y marketing adecuados, el equipo de datos puede establecer requisitos para que el modelo haga referencia a cualquier cambio en la población para el cliente y cualquier material de marketing que se haya publicado para el programa en particular. Luego, el modelo puede hacer referencia a esas fuentes nuevamente para recomendar un siguiente paso, como por ejemplo:
“La campaña de atención crónica se dirigió eficazmente a una población cada vez mayor de este cliente. La gestión del sueño está surgiendo como una preocupación clave, por lo que recomendamos enviar una comunicación específica después del nuevo año”.
Desde creadores de paneles hasta administradores de IA
El proceso de brindar contexto (y que el usuario pueda hacer una pregunta y terminar no solo con una idea sino también con una recomendación bien pensada) muestra cuán flexible puede y debe ser este proceso. A medida que la experiencia del usuario se vuelva más flexible y menos ligada a la rigidez de los paneles o informes estáticos, el uso de paneles disminuirá.
Se crearán menos paneles y se retirarán más paneles, lo que significa menos mantenimiento requerido por parte del equipo de datos. Habrá menos solicitudes ad hoc de informes específicos porque la IA generativa podrá responder esas preguntas. Sin embargo, habrá más solicitudes para verificar la exactitud de las respuestas de la IA y más informes de incidentes sobre resultados inesperados o inútiles generados por la IA.
El trabajo del equipo de datos puede pasar de crear paneles y responder preguntas ad hoc que satisfagan las necesidades de generación de informes a garantizar que las respuestas proporcionadas por las herramientas de análisis conversacional sean precisas y significativas para el usuario final.
Anteriormente, utilicé la pregunta sobre el retorno de la inversión (ROI) como ejemplo de cómo la IA puede generar información rápidamente. En ese mismo escenario, el trabajo del equipo de datos incluye verificar que la respuesta de IA al ROI siempre se alinee con las definiciones de métricas y reglas comerciales más recientes.
El equipo de datos necesitará construir una infraestructura para monitorear el resultado y la precisión de la IA generativa y realizar pruebas continuamente a medida que la empresa permita que la IA responda más preguntas.
Errores y estrategia de implementación
La creciente responsabilidad que se me dará me lleva a lo que creo que puede ser un escollo en este mundo de la IA generativa para proporcionar análisis de autoservicio: un enfoque que no tiene un alcance ni matices estrictos.
Casi todas las herramientas que utilizamos actualmente en nuestro equipo de datos ahora tienen una atractiva oferta de IA (incluido nuestro almacén de datos y nuestra herramienta de inteligencia empresarial) y, básicamente, se pueden activar con solo hacer clic en un botón. A veces incluso pueden dar respuestas útiles. Sin embargo, sin esa mentalidad de producto que el equipo de datos aporta a estas herramientas, generalmente no son útiles y, a menudo, son inexactas.
Imagínese si, en el ejemplo de la atención crónica, AI comenzara a recomendar campañas de divulgación sin verificar los datos de salud de la población del cliente.
Como siempre, existe una tensión entre construir rápidamente (en este caso, hacer clic en análisis conversacional en esas herramientas de datos que ya conoce y ama) y construir con la intención de preparar estos diseños para el futuro.
La empresa deberá decidir qué informes primero tiene sentido transferir a la IA generativa. Para hacerlo bien, la implementación deberá realizarse por etapas. Quizás los informes de ventas sean lo primero porque esas preguntas generan el mayor volumen, o quizás sean preguntas sobre el retorno de la inversión porque son las más urgentes.
Volver a lo básico, pasar a las recomendaciones
Para aprovechar al máximo estas nuevas capacidades, el equipo de datos debe volver a comprender y documentar la historia de la empresa tal como se muestra en el modelado de datos y la capa semántica para brindar un contexto completo para los conocimientos y recomendaciones. Como se mencionó anteriormente, debemos codificar nuestra comprensión de métricas como el ROI y diseñar cómo queremos brindar recomendaciones, como cuándo recomendar un tipo de comunicación.
La función de los datos siempre ha sido colaborativa, pero ahora lo será de una manera diferente. No se tratará principalmente de la recopilación de requisitos para paneles de control o aprendizaje automático avanzado, sino de recopilación de requisitos para conocimientos generativos de IA y resultados de recomendaciones.
La propuesta de valor de la empresa debe estar codificada en el diseño del mensaje. Esta es una tarea esencial pero difícil, por lo que abogo por un enfoque reflexivo y gradual para utilizar la IA generativa en los informes, incluso para herramientas que hacen que sea muy fácil “poner la IA en producción”.
Estoy entusiasmado e invertido en el día en que el chatbot se convierta en la principal herramienta de generación de informes.