Analytics Translation gibt es immer noch! Teil 1: Ideenfindungstechniken

Im Jahr 2018 prägte McKinsey den Begriff Analytik-Übersetzer, eine neue Art von Fachleuten, die in der Lage sind, Daten und Geschäftsanforderungen gleichzeitig zu verstehen. Meine Kollegen in der Abteilung für Datentraining waren davon sehr begeistert. Es wurde viel über diese "must-have"-Rolle gesprochen und darüber, was man tun muss, um einer von ihnen zu werden... und dann passierte nicht mehr viel. Einige Fachleute nahmen den Titel des Analytik-Übersetzers an. Andere (Data POs, Analytik-Berater oder CTOs) übernahmen die für diese Rolle typischen Funktionen. Und doch verblasste der Hype. Das öffentliche Interesse an dieser Position schwand, aber die Kommunikationsprobleme zwischen Daten- und Geschäftsexperten blieben bestehen.

Warum man aufgehört hat, über analytische Übersetzungen zu sprechen, ist mir ein Rätsel. Vielleicht hat sich GenAI so stark entwickelt, dass wir diese Fachleute vergessen haben, was uns zu der Frage bringt: Kann ein guter Projektmanager oder Product Owner, der mit einem Large Language Model ausgestattet ist, genauso gute Arbeit leisten wie ein Analytik-Übersetzer? Nein, das können sie nicht. Das ist unsere Antwort bei Xebia, und ich möchte Ihnen gerne zeigen, warum.

Dies ist der Beginn einer Reihe von Artikeln über analytische Übersetzung und darüber, dass sie auch im Zeitalter von GenAI noch dringend benötigt wird. In diesem ersten Artikel geht es um Ideationstechniken.

Der KI-Lösungsrahmen

Nur zur Klarstellung: Ein Analytik-Übersetzer ist ein Fachmann mit soliden Datenkenntnissen und Geschäftserfahrung. Ihre Rolle ähnelt der eines Produktverantwortlichen oder Projektmanagers, aber ihr Datenscharfsinn ermöglicht es ihnen, die Lösungen mit Dateningenieuren und Wissenschaftlern viel flüssiger zu bewerten und zu diskutieren.

Jeder macht Analyseübersetzung anders. Ich mag das AI Solution Framework, denn es hilft mir bei der Entwicklung von Datenprodukten und -projekten, wobei ich mich darauf konzentriere, wie der Analytik-Übersetzer bei jedem Schritt des Weges helfen kann. Selbst wenn Sie ein anderes Entwicklungssystem verwenden, hat es wahrscheinlich viele Bereiche mit diesem System gemeinsam.

Ich werde Ihnen noch nicht das ganze Framework zeigen, denn ich bin ein großer Anhänger des Aufbaus von Informationen, anstatt alles auf einmal zu werfen und dann aufzuschlüsseln. Vorerst möchte ich Ihnen nur sagen, dass es drei Phasen für die Entwicklung von KI-Lösungen gibt: Ideenfindung, Experimentieren und Industrialisierung. Bei der Ideenfindung geht es darum, eine wertvolle Geschäftsidee zu finden und die Anforderungen an das Datenteam und andere Beteiligte zu skizzieren, die daran arbeiten sollen. Wir werden uns auf diese Phase konzentrieren, genauer gesagt auf die erste Hälfte: Sammeln und Prioritäten setzen.

Lassen Sie uns das Ganze aufschlüsseln. Sammeln und Priorisieren mag wie ein einziger Schritt klingen, aber ich empfehle immer, dies getrennt zu tun. Lassen Sie uns sehen, warum das so ist und wie ein Analytik-Übersetzer bei diesem Prozess helfen kann.

Sammeln Sie

Die Sache mit den großartigen Ideen ist die: Es ist sehr schwierig, sie auf einmal zu haben. Und warum? Denn die Prozesse der Ideenfindung und der Bewertung von Ideen sind nicht nur unterschiedlich, sondern irgendwie entgegengesetzt. Ich weiß das nicht aus der Forschung (die immer noch einräumt, dass "unser Verständnis der wissenschaftlichen Grundlagen der Kreativität begrenzt bleibt"). Ich weiß das aus meinen vielen Jahren, in denen ich selbst Belletristik geschrieben und mit meinem Team an Datenprojekten gearbeitet habe.

Es hat etwas Wildes und ein bisschen Verrücktes, Ideen zu entwickeln. Es ist ein Weg, das Unbewusste bewusst zu machen. Es kann sein, dass Sie falsche, schlechte oder sogar unpassende Ideen haben, und das ist in dieser Phase in Ordnung. Und warum? Denn unter all den schrecklichen Ideen haben Sie vielleicht eine gute Idee aufgeschrieben, die Ihr Unternehmen retten wird. Dies ist ein Moment, in dem Sie ohne Grenzen denken können. Denken Sie darüber nach, Ihre gesamte Datenplattform zu erneuern? Schreiben Sie es auf. Denken Sie daran, fünf Ingenieure für maschinelles Lernen einzustellen? Schreiben Sie es auf. Denken Sie darüber nach, einen Taco-Freitag zu veranstalten, um die Moral Ihres Teams zu steigern? Schreiben Sie es besser auf.

Übrigens, wilde Ideen zu entwickeln ist etwas, was LLMs nicht besonders gut können. LLMs denken notwendigerweise innerhalb der Box, weil sie darauf trainiert wurden, frühere Strukturen und Gedanken zu reproduzieren und neu zu kombinieren. Sie können Ideen auf interessante Weise miteinander verbinden, aber wirklich neue, unkonventionelle Konzepte sind für Menschen immer noch natürlicher, wenn man ihnen den Raum dazu gibt. Im Moment ist mir ein einfallsreicher Analytik-Übersetzer jederzeit lieber als ein LLM.

In diesem Stadium ist es ein klarer Vorteil, einen Analytik-Übersetzer anstelle eines regulären PO zu haben. Da der Analytik-Übersetzer jahrelang direkt mit Daten gearbeitet hat, kann er sich direkt an der Quelle inspirieren lassen. Er kann in Begriffen wie Clustering und Silhouetten, Random Forest Vorhersagen und ROC denken. Ihr Datenwissen erweitert den Raum für Brainstorming enorm.

Was ist, wenn ich Schwierigkeiten habe, Ideen zu entwickeln?

Manchmal kommen uns die Ideen ganz von selbst, wenn wir von unserem Datenteam umgeben sind und die Produkte unseres Unternehmens aktiv nutzen. Manchmal kommen uns aber auch keine Ideen und wir müssen ihnen nachjagen. Das ist völlig normal.

Erstens ist es keine natürliche Gabe, auf Ideen zu kommen, sondern eine Fähigkeit, die geübt und verfeinert werden kann. Zweitens: Wenn Ihnen die Inspiration nicht in den Sinn kommt, können Sie es wie der Schriftsteller Jack London machen und "mit einem Knüppel auf sie losgehen". Die Art und Weise, wie wir sie bei Analytics Translation jagen, ist die Wertschöpfungskette der Datenwissenschaft.

Dies ist ein zusammengefasster Prozess der Datenreise während der Entwicklung von KI-Lösungen. Zu diesem Rahmenwerk gibt es eine Menge zu sagen. Für den Moment genügt es zu sagen, dass Sie, wenn Sie aktiv nach Ideen suchen, von dem Wert ausgehen sollten, den Sie für Ihr Unternehmen in verschiedenen Produkten/Abteilungen generieren können, und sich dann rückwärts vorarbeiten sollten, um die Art von Erkenntnissen zu finden, die Sie benötigen, um dies zu verwirklichen, und die Daten, die Sie dafür sammeln müssen. Sehen Sie eine Möglichkeit, die Kundenabwanderung bei einem Ihrer Produkte zu verringern? Gut, dann können Sie jetzt über die Erkenntnisse und Maßnahmen nachdenken, die zu diesem Wert führen würden, und schließlich herausfinden, welche Daten Ihr Entwicklungsteam sammeln sollte.

Brainstorming allein oder in einer Gruppe?

Manche Teams machen sich schuldig, wenn sie alle ihre Ideen in einer Gruppe sammeln. Es kann durchaus anregend und produktiv sein, im Team Ideen auszutauschen, vor allem, wenn ein Analytik-Übersetzer die Beiträge der Geschäfts- und Datenbeteiligten koordiniert. Allerdings fällt es manchen Leuten schwer, in einer Gruppenumgebung das Wort zu ergreifen, und sie tragen daher nicht so viel bei, wie sie könnten.

Die Lösung dafür ist einfach und wird leider viel zu wenig genutzt: Bitten Sie die Teilnehmer, über die Optionen für Ihre Lösungen nachzudenken, bevor sie in die Besprechung kommen. Dies ist in zweierlei Hinsicht positiv:

Das Ideenprotokoll

Bisher haben wir über das Sammeln von Ideen allein oder in einer Gruppensitzung gesprochen. Das sind zwar großartige Möglichkeiten, um unsere Daten und KI-Lösungen zu entwickeln, aber die Realität sieht so aus, dass uns die meisten Ideen mitten in einem anderen Meeting oder einem Familientreffen einfallen. Was ist in solchen Situationen zu tun?

Kümmern Sie sich zunächst um aktuelle Angelegenheiten, wie die Beantwortung einer Frage Ihres Chefs oder die Beendigung eines Streits zwischen Ihren Neffen. Aber sobald Sie ein wenig Ruhe haben, nehmen Sie Ihr Telefon (oder Ihren Notizblock, wenn Sie ganz analog vorgehen) heraus und schreiben Sie Ihre Idee in ein Protokoll. Das dauert nur eine Minute und dann können Sie sich wieder auf das Meeting oder die Familienzusammenführung konzentrieren.

Das Protokoll selbst kann eine Tabellenkalkulation oder eine Textdatei sein, etwas so Einfaches wie dies:

Das Führen eines Ideentagebuchs ist etwas, das unter kreativen Menschen sehr bekannt ist. Aber ich habe noch niemanden in einem Unternehmen gesehen, der dies tut. Was für eine Verschwendung! Machen Sie etwas mit Ihren Ideen. Schreiben Sie sie alle in die Ideenkartei. Haben Sie ein Backup für schwierige Zeiten. Es ist wichtig, dass Sie alles aufschreiben, damit Sie es nicht vergessen, aber auch damit Sie Platz für neue Ideen lassen. Am wichtigsten ist, dass es sich bei diesen Ideen in der Regel um die Konzepte handelt, mit denen sich LLMs schwer tun.

Einen Analytik-Übersetzer im Team zu haben, ist ein zusätzlicher Vorteil. Da sie sowohl mit Daten- als auch mit Geschäftsexperten im Gespräch sind, sind die Ideen, die sie entwickeln, vielfältiger und reichhaltiger.

Prioritäten setzen

Sie haben nun alle Ihre Ideen aufgeschrieben, ob es sich nun um Vorschläge für KI-Lösungen oder um Möglichkeiten zur Verbesserung eines Ihrer Produkte handelt. Wenn Sie noch einen LLM nach zusätzlichen Optionen fragen möchten, ist jetzt der richtige Zeitpunkt dafür. Er könnte Ihnen ähnliche Ideen geben, die Ihnen helfen, die bereits vorhandenen besser zu verarbeiten. Oder er könnte Ihnen völlig andere Ideen liefern, die ein weiteres Brainstorming auslösen können.

Sobald Sie alle Optionen vor sich liegen haben, können Sie und Ihr Team viele davon leicht verwerfen. Einige werden lächerlich und andere finanziell nicht machbar sein, aber ein paar von ihnen sind es wert, weiter untersucht zu werden. Ihr Team kann diese mit Hilfe eines der Prioritätssysteme, die es gibt, einstufen. Bei Xebia verwenden wir einen einfachen Quadranten, um Auswirkungen und Machbarkeit zu messen.

Dabei werden die Ideen in vier klare Kategorien eingeteilt:

Nachdem Sie den Prozess der Priorisierung durchlaufen haben, werden Sie eine oder mehrere Ideen haben, die es wert sind, für die Entwicklung Ihrer Lösungen verfolgt zu werden. Sie können dann damit beginnen, diese zu verfeinern. Das ist der nächste Schritt im Rahmen der KI-Lösungen, aber das ist eine Geschichte für einen anderen Tag.

Auch hier kann ein LLM Ihnen helfen, Ideen zu priorisieren, aber es fehlt ihm das Fachwissen eines Analytikers. Meiner Erfahrung nach habe ich gesehen, dass einige Kleinunternehmer nützliche Tipps von einem LLM erhalten haben. Wenn das Unternehmen größer ist, liefert die Datenkenntnis der Analytik-Übersetzer bessere Ergebnisse.

Abschließende Bemerkungen zu Analytics Translation

Brauchen Sie also im Zeitalter von GenAI einen Analytik-Übersetzer? Ja. Brauchen Sie noch ein gutes System, um Ideen zu entwickeln und Projekte zu priorisieren? Ich bin mir ziemlich sicher, dass Sie das tun. Sie können GenAI zu jedem Zeitpunkt des Prozesses einsetzen, um Ihre Ergebnisse zu verbessern, aber ich empfehle Ihnen, es so spät wie möglich in jeder Phase einzusetzen.

Es wird länger dauern, die Schritte manuell auszuführen, aber dafür kommen Sie zu einigen wertvollen Ideen, die über den Tellerrand hinausgehen. Sie können diesen Prozess als Belastung betrachten oder als eine Möglichkeit, Ihr Unternehmen im Auge zu behalten und zu verbessern. Die Wahl liegt bei Ihnen!