Definition von Analytics-Anwendungsfällen

In diesem Blog erläutern wir den Experimentation Canvas, ein einfaches Tool, das Ihnen hilft, Ihre Ideen in praktikable KI-Anwendungsfälle zu verwandeln. Das Canvas basiert auf der unten dargestellten Wertschöpfungskette der Datenwissenschaft.

Wertschöpfungskette der Datenwissenschaft

Die Wertschöpfungskette der Datenwissenschaft beschreibt, wie Sie Daten in Geschäftswert umwandeln können. Sie definieren einen guten Anwendungsfall rückwärts, vom Wert zu den Daten. Ich werde das anhand eines Beispiels erklären:

"Unsere Web-Care-Abteilung erhält jeden Tag Tausende von Anfragen. Die Abteilung besteht aus drei Teams, von denen jedes auf einen anderen Themenbereich spezialisiert ist. Eingehende Anfragen werden an einen Agenten weitergeleitet. Der Arbeitsdruck ist hoch, und etwa 20% der Zeit wird mit der Weitergabe von Arbeit von einem Team an ein anderes verbracht."

Wert:

Die Reduzierung der Übergaben zwischen den Web-Care-Teams verringert die Arbeitsbelastung um bis zu 20%.

Messen Sie:

Anzahl der Teams, die an einer Anfrage gearbeitet haben

Aktion:

Weiterleitung der Arbeit an ein Web-Care-Team auf der Grundlage eines Klassifizierungsmodells

Optimieren Sie:

Verringern Sie die Anzahl der Übergaben an verschiedene Web-Care-Teams

Einsicht:

Themenklassifizierung von eingehenden Chats

Voraussagen:

Modell zur Textklassifizierung

Daten:
Das Gespräch mit dem Chatbot vor der Verbindung mit einem Agenten

Indem Sie der Wertschöpfungskette folgen, bleiben Sie auf Ihr Ziel fokussiert. Sie beginnen mit dem Wert und arbeiten sich rückwärts zu den Daten vor.

Da Sie nun mit der Wertschöpfungskette der Datenwissenschaft vertraut sind, lassen Sie uns einen Blick auf den Experimentation Canvas werfen. Die Wertschöpfungskette ist in das Canvas integriert. Beachten Sie, dass es so eingerichtet wurde, dass es mit dem Rückwärtsfluss der Wertschöpfungskette beginnt.

Experimentierleinwand

Einige der Elemente der Wertschöpfungskette bilden einen Konzeptnachweis (rechte Seite), andere einen Wertnachweis (linke Seite). Ich erkläre Ihnen den Unterschied zwischen den beiden unten.

Der Proof of Concept (PoC)

Dieser Teil liefert den technischen Beweis, dass das Problem mit Ihrem Ansatz gelöst werden kann. Das Endergebnis ist ein Prototyp, der von einem Endbenutzer verwendet werden kann. Um dieses Ziel zu erreichen, benötigen Sie:

1. Ein minimaler Satz von Datenquellen mit einem minimalen Satz von Variablen, die in dem Experiment verwendet werden. Grenzen Sie es so weit wie möglich ein.
2. Wählen Sie eine Methode, die geeignet ist, Ihr Problem zu lösen. Wählen Sie zunächst die einfachste Methode und beweisen Sie, dass sie funktioniert. Lineare oder logistische Regression ist einfach, ein neuronales Netzwerk ist komplex.
3. Definieren Sie den Einblick (für den Endbenutzer), den das Modell generiert.

Ergebnis: Eine validierte Methodik.

Der Wertnachweis (PoV)

Der Wertnachweis misst die Auswirkungen Ihrer Lösung auf einige KPIs und führt zu einem validierten Business Case. Dies wird Ihnen helfen, neue Ressourcen für die Weiterentwicklung Ihrer Lösung zu erhalten. Um dieses Ziel zu erreichen, müssen Sie:

1. Definieren Sie die Aktion, die durch die Erkenntnisse aus Ihrem Konzeptnachweis unterstützt wird.
2. Finden Sie einen Weg, die Wirkung dieser Aktion zu messen.
3. Einigen Sie sich auf eine Methode zur Berechnung des generierten Geschäftswerts aus Ihren Messungen.

Ergebnis: Ein validierter Business Case.

Zusammenfassend lässt sich sagen, dass der Konzeptnachweis beweist, dass das Problem lösbar ist. Der Nutzennachweis zeigt, dass der Business Case realisierbar ist. Sie brauchen beides, um Ihre Stakeholder zu überzeugen, weiter in Ihren Anwendungsfall zu investieren.

Es gibt jedoch ein Problem. Ihre Kollegen im operativen Bereich sind in der Regel am PoV beteiligt und nicht mit Daten, Programmierung oder Modellierung vertraut. Daher müssen wir so viel Komplexität wie möglich vor dem Endbenutzer verbergen und nur das absolute Minimum behalten. Dies wird oft als das Minimal Viable Product bezeichnet. Hier bezeichnen wir es als die Benutzeroberfläche. Es ist das Minimum, das Sie brauchen, um die Kluft zwischen dem Entwicklungs- und dem Betriebsteam zu überbrücken. Die Schnittstelle kann eine Excel-Tabelle, ein Dashboard oder eine kleine Webschnittstelle sein. Was auch immer Ihnen hilft, die Lücke zu schließen.

Jetzt, da wir die Elemente kennen, die zusammen die Leinwand bilden, ist es an der Zeit, die Leinwand anhand des zuvor besprochenen Beispiels auszufüllen.

Unser erstes Experiment Leinwand

Komplexität des Experiments

In der Experimentierphase wollen wir die Komplexität um jeden Preis reduzieren. Die Komplexität kann in jedem der Leinwandsegmente liegen. Um einige Beispiele zu nennen:

Leinwand-Segment	Einfach	Komplex
Wert	Vorhandene KPI's verwenden	Erfinden Sie neue KPI
Messen Sie	Manuell	Automatisiert
Aktion	Täuschen Sie die gewünschte Aktion vor (ohne in die Abläufe einzugreifen)	Lassen Sie die Vorgänge die Lösung in der Praxis ausprobieren
Benutzeroberfläche	Excel-Datei	Integrieren in IT-System
Einsicht	2 Kategorien	100 Kategorien
Modell	Lineare Regression	Neuronales Netzwerk
Daten	Eine Datenquelle, eine Stichprobe von Daten	Viele Datenquellen, alle Daten
Geschäftliche Anforderungen	Umfang auf 20% der problematischsten Fälle	Kein Umfang
Technologische Anforderungen	Stapelverarbeitung	Verarbeitung in Echtzeit
Stakeholder	In einer Abteilung	In vielen Abteilungen
Investitionen	Abgleich des Projekts mit bestehenden Budgetzuweisungen	Neues Budget aushandeln

Wir können die Leinwand verwenden, um unser Experiment zu vereinfachen. Anstatt das Thema zu klassifizieren, könnten wir das Team klassifizieren. Das vereinfacht den Einblick. Außerdem sollten wir die Erwartungen besser steuern. In diesem ersten Experiment können wir keine Vorhersagen in Echtzeit liefern. Und schließlich verwenden wir zu Beginn ein komplexes Modell. Unser Datenwissenschaftler erklärt, dass wir dieses Modell benötigen, um komplexe Textdaten zu modellieren, und wir beschließen, es zu verwenden. Schließlich handelt es sich um ein Mehrklassen-Klassifizierungsproblem bei Textdaten.

Nach diesen kleinen Änderungen einigen wir uns auf das folgende Experiment:

Unser verfeinertes Experiment-Canvas

Jetzt sind Sie bereit, mit Ihren Stakeholdern zu verhandeln und Ihr Budget für Experimente zu erhalten... und damit ist dieser Blog beendet!

Wir haben das Experimentation Canvas und die Wertschöpfungskette der Datenwissenschaft vorgestellt. Außerdem haben wir gesehen, wie sie zum Konzeptnachweis, zum Wertnachweis und zum minimal lebensfähigen Produkt führen. Und schließlich haben wir Ihnen einige Hinweise gegeben, wie Sie die Komplexität von Experimenten reduzieren können. Wir hoffen, dass dies genug ist, um selbst loszulegen. Wir hoffen, dass Sie es gut gebrauchen können!