Le passé est un prologue : comment l’analyse conversationnelle change le travail des données

— Nous avons emprunté cette voie

Beaucoup de ceux qui l’ont précédé ont déploré le tableau de bord d’analyse. Les tableaux de bord peuvent contenir beaucoup d’informations mais peu d’informations. Ils peuvent répondre à la question que quelqu’un s’est posée hier, mais pas à la question qu’ils se posent aujourd’hui – et certainement pas avec la granularité nécessaire.

L’évolution de l’IA générative modifiera les tableaux de bord et les rapports en général. Je souhaite discuter de la façon dont je pense que l’IA générative changera le travail des professionnels des données et améliorera l’expérience d’obtention d’informations pour l’utilisateur final. Je souhaite également discuter des pièges qui pourraient résulter de ce changement – ​​et de la manière de les éviter.

Le nouveau paradigme : l’analyse conversationnelle

Dans tout avenir envisagé concernant l’évolution du travail des professionnels des données, l’élaboration d’informations dans le contexte commercial restera la principale exigence. Les tableaux de bord peuvent toujours servir de point de départ pour obtenir des informations : une représentation visuelle du contexte qui permet à l’utilisateur de poser des questions supplémentaires via une interface de discussion au sein du tableau de bord. Ou l’utilisateur pourrait commencer avec une simple interface de discussion.

Dans ce cas, l’utilisateur serait guidé avec le contexte par d’autres moyens ; par exemple, on pourrait leur demander une liste de questions que d’autres membres du même département ont déjà posées.

La mise en contexte comme nouvelle (mais aussi ancienne) discipline des données

Dans l’un ou l’autre de ces scénarios (qu’il s’agisse de lancer des questions à partir d’une interface de tableau de bord ou de chat seul), le professionnel des données est responsable de la mise en œuvre de la mise en contexte : orienter l’utilisateur vers le type de données dont dispose l’entreprise et les types de questions qui peuvent générer les informations qui l’intéressent. Ils peuvent également inclure d’éventuelles questions de suivi que l’utilisateur pourrait vouloir poser.

À titre d’exemple de contexte en coulisses, un utilisateur peut demander : « Quel est le retour sur investissement des produits individuels de ce client ? » L’ingénierie rapide créée par le professionnel des données ordonnerait que la réponse à la question soit :

• En faisant référence au modèle d’utilisation principal,
• Analyse comparative avec des clients du même secteur, et
• Par défaut, un graphique à barres lorsque des données catégorielles discrètes sont la sortie.

Peut-être que tous les professionnels des données ne deviendront pas essentiellement des ingénieurs rapides, mais cela devra constituer un ensemble de compétences au sein de l’équipe de données.

Pour accomplir le travail amusant consistant à permettre aux utilisateurs de se servir en toute sécurité – en fournissant des garde-fous sous-jacents – le professionnel des données doit se concentrer sur les points où de nombreuses équipes de données ont échoué : une documentation claire des dimensions et des métriques et une documentation de la façon dont les méthodologies clés pour les métriques ont changé au fil du temps.

Le travail sur les données requis pour préparer les capacités que l’IA générative apportera à l’analyse en libre-service doit commencer en amont avec le travail de base qui a souvent été dépriorisé au profit d’une expédition plus rapide : la création d’artefacts bien documentés dans un emplacement central. De cette manière, l’analyse conversationnelle ramène les équipes data à l’essentiel.

Les recommandations deviennent une fonctionnalité intégrée

Fournir des recommandations pour la prise de décision devrait également être une fonction de base de l’équipe chargée des données. La capacité de recommander les prochaines étapes deviendra une fonctionnalité intégrée de l’analyse conversationnelle, mais qui mérite la plus grande surveillance. Comme indiqué ci-dessus, la méthodologie actuelle de création de tableaux de bord peut ne pas fournir d’informations ; de plus, les tableaux de bord ne peuvent pas recommander une action à entreprendre.

Le professionnel des données sera à l’avant-garde de la mise en production de recommandations grâce à l’analyse conversationnelle. Cependant, la détermination de ces recommandations nécessitera un effort de collaboration entre de nombreux départements de l’entreprise.

Le professionnel des données s’associera à des experts en la matière pour comprendre quel type de contexte commercial devrait éclairer la prochaine étape recommandée.

À titre d’exemple, l’utilisateur peut demander : « Pourquoi y a-t-il eu une augmentation de l’utilisation du produit de soins chroniques par ce client cette année ? » Pour comprendre le pourquoi, après avoir discuté avec les équipes produit et marketing appropriées, l’équipe de données peut mettre en place des exigences pour que le modèle fasse référence à tout changement de population pour le client et à tous les supports marketing diffusés pour le programme particulier. Le modèle peut ensuite référencer à nouveau ces sources pour recommander une étape suivante telle que :

« La campagne de soins chroniques a ciblé efficacement une population croissante de ce client. La gestion du sommeil apparaît comme une préoccupation majeure, nous recommandons donc d’envoyer une communication ciblée après la nouvelle année. »

Des créateurs de tableaux de bord aux gestionnaires d’IA

Le processus de mise en contexte – et la possibilité pour l’utilisateur de poser une question et d’obtenir non seulement un aperçu mais aussi une recommandation réfléchie – montre à quel point ce processus peut et doit devenir flexible. À mesure que l’expérience utilisateur devient plus flexible et moins liée à la rigidité des tableaux de bord ou des rapports statiques, l’utilisation des tableaux de bord diminuera.

Moins de tableaux de bord seront créés et davantage de tableaux de bord seront retirés, ce qui signifie moins de maintenance requise par l’équipe chargée des données. Il y aura moins de demandes ponctuelles de rapports spécifiques car l’IA générative sera en mesure de répondre à ces questions. Cependant, il y aura davantage de demandes pour vérifier l’exactitude des réponses de l’IA et davantage de rapports d’incidents sur des résultats inattendus ou inutiles générés par l’IA.

Le travail de l’équipe de données peut passer de la création de tableaux de bord et de la réponse à des questions ponctuelles répondant aux besoins de reporting à la garantie que les réponses données par les outils d’analyse conversationnelle sont exactes et significatives pour l’utilisateur final.

Plus tôt, j’ai utilisé la question du retour sur investissement comme exemple de la façon dont l’IA peut faire apparaître rapidement des informations. Dans ce même scénario, le travail de l’équipe de données consiste notamment à vérifier que la réponse ROI AI est toujours conforme aux dernières définitions de métriques et règles métier.

L’équipe chargée des données devra créer une infrastructure pour surveiller les résultats et la précision de l’IA générative et intégrer continuellement des tests à mesure que l’entreprise permet à l’IA de répondre à davantage de questions.

Pièges et stratégie de mise en œuvre

La responsabilité croissante qui sera confiée m’amène à ce qui, selon moi, peut être un écueil dans ce monde d’IA générative pour fournir des analyses en libre-service : une approche qui n’est pas étroitement définie ni nuancée.

Presque tous les outils que nous utilisons actuellement au sein de notre équipe de données disposent désormais d’une offre d’IA convaincante – y compris notre entrepôt de données et notre outil de business intelligence – et ils peuvent essentiellement être activés d’un simple clic. Parfois, ils peuvent même apporter des réponses utiles. Cependant, sans l’esprit produit apporté à ces outils par l’équipe chargée des données, ils ne sont généralement pas utiles et souvent inexacts.

Imaginez si, dans l’exemple des soins chroniques, AI commençait à recommander des campagnes de sensibilisation sans vérifier si les données sur la santé de la population du client.

Comme toujours, il existe une tension entre la construction rapide – dans ce cas, cliquer sur l’analyse conversationnelle dans les outils de données que vous connaissez et aimez déjà – et la construction avec l’intention de pérenniser ces conceptions.

L’entreprise devra décider quels rapports il est logique de confier en premier à l’IA générative. Pour y parvenir, la mise en œuvre devra se faire selon une approche progressive. Peut-être que les rapports sur les ventes viennent en premier parce que ces questions génèrent le plus de volume, ou peut-être s’agit-il des questions de retour sur investissement parce qu’elles sont les plus urgentes.

Retour aux sources, passage aux recommandations

Pour tirer pleinement parti de ces nouvelles fonctionnalités, l’équipe chargée des données doit revenir à la compréhension et à la documentation de l’historique de l’entreprise tel qu’il est affiché dans la modélisation des données et la couche sémantique afin de fournir un contexte complet pour les informations et les recommandations. Comme indiqué ci-dessus, nous devons coder notre compréhension de mesures telles que le retour sur investissement et concevoir la manière dont nous souhaitons fournir des recommandations, par exemple quand recommander un type de communication.

Le rôle des données a toujours été collaboratif, mais il le sera désormais d’une manière différente. Il ne s’agira pas principalement de collecter des exigences pour les tableaux de bord ou l’apprentissage automatique avancé, mais de collecter des exigences pour des informations génératives sur l’IA et des résultats de recommandations.

La proposition de valeur de l’entreprise doit être codée dans la conception de l’invite. Il s’agit d’une tâche essentielle mais difficile, c’est pourquoi je préconise une approche réfléchie et progressive de l’utilisation de l’IA générative dans le reporting – même pour les outils qui facilitent la « mise en production de l’IA ».

Je suis enthousiasmé et investi dans le jour où le chatbot deviendra le principal outil de reporting.