Der Weg von Consumer Analytics zu Data Science
Der Weg, den Handelsteams von der einfachen Verbraucheranalyse bis zur Entwicklung von Anwendungsfällen und Zielen gehen sollten, um diese aus der Perspektive der Datenwissenschaft anzugehen.
Präsentiert auf der Activate Product Discovery 2021. Dieser Vortrag beschreibt den Weg, den Handelsteams gehen sollten, von der Durchführung relativ einfacher Verbraucheranalysen über die Extraktion von Themen und Geschäftsinformationen aus diesen Analysen bis hin zur Konstruktion von Anwendungsfällen und Zielen, die aus der Perspektive der Datenwissenschaft angegangen werden können.
Sprecher:
Om Kanwar, Lucidworks Datenwissenschaftler
Abschrift
Om Kanwar: Hallo zusammen. Willkommen bei Activate Product Discovery. Vielen Dank, dass Sie an dieser Sitzung teilnehmen. Mein Name ist Om Kanwar, und ich bin Data Scientist im Digital Commerce Team hier bei Lucidworks. Heute werde ich über die Beziehung zwischen Analytik und Data Science sprechen. Ich habe bei Lucidworks als Datenwissenschaftler im PS-Team angefangen und mich darauf konzentriert, die Data Science-Wünsche unserer Kunden zu verwirklichen.
Bei zahlreichen Kundenaufträgen, an denen ich teilgenommen habe, ist mir aufgefallen, dass die Beziehung zwischen Data Science und Analytik nicht genügend betont oder verstanden wurde. Heute werde ich darüber sprechen, warum Analytik für die Einführung von Data Science unerlässlich ist, und einige Strategien für den Erfolg vorstellen, natürlich mit dem Schwerpunkt auf Produktentwicklungsinitiativen.
Jedes Jahr findet bei Lucidworks ein Basecamp statt, bei dem wir als Unternehmen zusammenkommen, um unsere Unternehmens- und Produktvision für das kommende Jahr zu diskutieren und abzustimmen. Eine der Aktivitäten, die wir im Rahmen dieses Basislagers durchführen, ist die Erstellung individueller Leitbilder mit Hilfe unserer Kollegen. Mein Leitbild, das aus dieser Aktivität hervorgegangen ist, ist für unsere heutige Diskussion sehr aktuell, also dachte ich, dass ich es vorstellen würde. Und es wird gleichzeitig unsere Tagesordnung sein.
Wir liefern unserem Kunden einzigartige und differenzierende Data-Science-Funktionen, die sowohl sein Geschäft vorantreiben als auch die Ausweitung der Data-Science-Präsenz in seinem Unternehmen.
Ich möchte mich hier auf zwei Worte konzentrieren – Differenzierung und Erweiterung – und erörtern, was es bedeutet, differenzierende Data Science-Funktionen zu schaffen und wie Sie Data Science in Ihrem Unternehmen erweitern können.
Ich behaupte, dass die wertvollsten datenwissenschaftlichen Funktionen nicht die sind, die die ausgefallenste Technologie verwenden, wie z.B. ein heißes neues neuronales Netzwerk-Framework oder etwas Ähnliches. Stattdessen sind die wertvollsten datenwissenschaftlichen Funktionen diejenigen, die Sie ohne weiteres in Ihre Strategie übernehmen und tatsächlich umsetzen können. Ihr digitales Konferenzerlebnis ist keine Forschung und Entwicklung, es ist jetzt live und läuft rund um die Uhr an 365 Tagen im Jahr.
Daher sollten Sie nicht wegen der Theorien zu Data Science hier sein, sondern wegen der tatsächlichen Ausführungsstrategien für Data Science. Wenn Sie Teams haben, die dies berücksichtigen, können Sie grenzenlose Anwendungen für Data Science-Methoden schaffen, sowohl bei der Produktentwicklung als auch in anderen Bereichen Ihres Unternehmens
Lassen Sie uns darüber sprechen, was ein Unternehmen oder eine Abteilung heute daran hindern könnte, die Data Science-Methodik erfolgreich einzusetzen. Eine Sache, die ich bei der Arbeit mit unseren Kunden häufig beobachtet habe, ist die Tatsache, dass Data Science-Teams oft auf einen einzigen Entwicklungs- oder Technikschwerpunkt beschränkt sind. Wenn Sie dies tun, schränken Sie den möglichen Einfluss des Data Science-Teams ein, weil es den Kontakt zu anderen Bereichen des Unternehmens verliert, in denen es Einfluss nehmen könnte.
Lassen Sie uns in diesem Zusammenhang über die Zusammenarbeit zwischen Analytik- und Data Science-Teams sprechen. Auch hier möchten Sie Ihren Data-Science-Teams nicht die Möglichkeit nehmen, sich einzubringen. Eine Möglichkeit, diese Möglichkeit einzuschränken, besteht darin, dass Sie keine geeigneten Wege der Zusammenarbeit haben. Ich möchte Ihnen eine Anekdote erzählen.
Ich habe vor kurzem an einem Kundengespräch mit Datenwissenschaftlern von der Kundenseite und auch mit Leuten aus dem Merchandising-Team teilgenommen. Und einige aus dem Merchandising-Team hatten gefragt, ob wir nicht die richtige Gewichtung für verschiedene Attribute auf unserer Suchergebnisseite finden könnten. Wir wissen nicht, ob die Farbattribute stärker gewichtet werden sollten oder die Aktivitätsattribute oder etwas in der Art. Und bevor ich überhaupt antworten konnte, rief ein Datenwissenschaftler von der Kundenseite: „Warum müssen Sie die Gewichtung solcher Attribute manuell festlegen? Ich habe ein Modell, das lernen kann, was das beste optimale Layout ist. Warum nehmen wir das nicht?“
Und ich erzähle Ihnen das als Beispiel dafür, wie sich die Auswirkungen in Ihrem Unternehmen verstecken könnten, ohne dass Sie es überhaupt wissen, nämlich durch eine bessere Zusammenarbeit zwischen dem Merchandising- und dem Data Science-Team. Und in diesem speziellen Szenario hätten Sie viel früher und ohne Reibungsverluste zu dieser Lösung kommen können.
Lassen Sie uns abschließend noch darüber sprechen, dass das Verständnis dessen, was künstliche Intelligenz und maschinelles Lernen können und was nicht, ebenfalls von entscheidender Bedeutung für eine erfolgreiche Einführung von Data Science ist. Sie müssen verstehen, dass es sich nicht um Magie handelt und dass es keinen einfachen Knopf gibt, mit dem man alles auf einmal aktivieren kann. Die Einführung und Ausführung dieser Art von Methoden ist ein Prozess, der eine funktionsübergreifende Zusammenarbeit und ein Verständnis der tatsächlichen Fähigkeiten erfordert.
Ich beschreibe Ihnen nun einen glücklichen Weg zur Einführung von Data Science und wie dieser aussieht. Während ich das beschreibe, sollten Sie darüber nachdenken, wie das auf Sie und Ihre Rolle zutrifft. Dies ist nicht nur etwas für Führungskräfte, die sich darauf einlassen. Jede Stelle in Ihrem Organigramm muss eine Rolle spielen.
Wir werden dies also in vier Phasen unterteilen: den Anfang, die Einführung, die Ausweitung der Reichweite und schließlich den Höhepunkt der operativen KI. Lassen Sie uns mit dem Beginn der Einführung beginnen. Die Einführung beginnt eigentlich ganz ohne Datenwissenschaft. Es geht darum, Rohdaten in aussagekräftige Berichte umzuwandeln, die Sie für Ihre Entscheidungsfindung nutzen können. Sie können sich vorstellen, wie Sie Rohdaten in informative Berichte verwandeln. Stellen Sie sich das so vor, dass Sie Stroh zu Gold spinnen. Wenn wir uns mit der Ausweitung der KI beschäftigen, geht es darum, eine datenwissenschaftliche Denkweise in immer mehr verschiedene Arten von Gesprächen einzubringen. Das ist der Punkt, an dem Sie Wege für eine verstärkte Zusammenarbeit zwischen Ihren Data-Science-Mitarbeitern und anderen Bereichen Ihres Unternehmens eröffnen. Sie werden erkennen, dass Sie expandieren, weil Sie sehen werden, dass immer mehr Teile Ihrer Produktentdeckungsreise von Data Science-Methoden oder -Fähigkeiten beeinflusst werden.
Wenn wir den Höhepunkt der operativen KI erreichen, ist dies ein Ziel, das alle Unternehmen anstreben sollten. Sie sollten bei diesen analytikgesteuerten Initiativen mit Data Science im Hinterkopf eine funktionsübergreifende Fluidität und Ausrichtung haben. Und hier sollte es sehr offensichtlich sein, dass Ihre Data-Science-Mitarbeiter in vielen verschiedenen Projekten tätig sind, die nicht nur einen technischen Schwerpunkt haben. Sie arbeiten in der gesamten Abteilung zusammen.
Und schließlich sollten Sie niemals aufhören. Sie wissen, dass der Gipfel nicht als Ziellinie gedacht ist. Es gibt keine Ziellinie bei der Einführung von Data Science. Sie sollten Ihre Wünsche in Bezug auf Data Science immer wieder überdenken, erforschen und erneuern und diese Wünsche in die Tat umsetzen. Sie sollten immer eine Liste von Data-Science-Initiativen haben, die Sie als nächstes in Angriff nehmen wollen. So können Sie sicherstellen, dass Sie nicht stagnieren oder aufhören zu innovieren, wenn Sie immer eine Liste von Dingen haben, die Sie als nächstes angehen wollen. Sie können immer eine weitere Initiative starten, sobald eine beendet ist.
Nun gut, lassen Sie uns hier ins Detail gehen und darüber sprechen, wie jeder dieser Schritte aussieht. Unterm Strich geht es hier immer darum, die Produkterkennung zu verbessern. Das ist das Ziel, das wir alle verfolgen.
Der erste Schritt dazu ist, Rohdaten zu nehmen, die so aussehen. Sie sind bedeutungslos – niemand kann mit solchen Informationen etwas anfangen und sie von Stroh in Gold verwandeln. Dazu ist kein Tensorflow oder etwas anderes Ausgefallenes erforderlich. Wenn Sie diese Rohdaten einfach in einen informativen Bericht wie diesen verwandeln, können Sie einige offensichtliche Probleme aufdecken und lösen. Manchmal gibt es dafür ganz einfache Lösungen, und Sie müssen nur mit dem Problem konfrontiert werden.
Sie sehen hier also etwas sehr, sehr Einfaches. Es ist kein Tensorflow erforderlich, um herauszufinden, dass wir eine Menge von Abfragen mit schlechter Leistung haben, die Typeahead im Sinn haben. Type ahead könnte in diesem Szenario etwas sein, das Sie sich ansehen sollten. Lassen Sie uns diese Produktentdeckungsreise nun auf einer detaillierteren Ebene verfolgen.
Nehmen wir an, ein Kunde kommt auf Ihre Website, gibt eine Suche ein und gelangt auf die Suchergebnisseite. Er wird nicht auf die Produktdetailseite des PDP weitergeleitet, bleibt also auf der Suchergebnisseite hängen und geht dann zu einer anderen Aktivität über. Legen Sie diese Informationen offen. Welche Arten von Suchanfragen sind nicht erfolgreich? Ich gehe ein wenig tiefer, um herauszufinden, warum sie schlecht abschneiden. Wir können sehen, dass wir hier oben einige Teilenummern haben, die nicht konvertieren. Vielleicht sollten Sie sich Ihre Konfiguration ansehen, um zu sehen, wie Sie die Suche nach Teilenummern handhaben.
Was ist mit Weiterleitungen? Sie haben hier häufige Suchanfragen wie „Geschenkkarte“ und „Rückgabe“, die überhaupt nicht konvertieren. Sie sollten sicherstellen, dass Sie die richtigen Weiterleitungen eingerichtet haben. Das sind Fälle, in denen eine Suchergebnisseite nicht wirklich geeignet ist und die Suchenden vielleicht an eine andere Stelle Ihrer Website weitergeleitet werden sollten.
Denken Sie über andere Probleme nach, wie z.B. eine bestimmte Kategorie von Suchanfragen, die nicht gut abschneidet. Oder vielleicht gibt es in Ihrem Katalog viel fremdes Vokabular. Die Sprache Ihrer Kunden, die sie suchen, stimmt nicht mit dem überein, was in Ihrem Katalog steht, und deshalb fällt es Ihnen schwer, geeignete und relevante Ergebnisse zu finden.
Und Sie sollten sicherstellen, dass Sie diese Probleme aufteilen, damit Sie die verschiedenen Themen entsprechend behandeln können. In den meisten Fällen gibt es keine Einheitslösung für alle.
Lassen Sie uns die Reise der Verbraucher weiter verfolgen. Wir bringen die Kunden zum PDP, aber sie fügen dem Warenkorb nichts hinzu, nachdem sie dort angekommen sind. Nehmen wir ein konkretes Beispiel für ein Alpaka, richtig? Als Merchandiser könnten Sie also sagen, dass dies die Artikel sind, die ich bei einer Abfrage nach Alpaka zurückgeben möchte. Ich denke, dass die Kunden auf das richtige PDP-Angebot stoßen, aber warum legen sie es dann nicht in den Warenkorb? Es scheint, als hätten sie gefunden, was sie suchen. Sind diese Artikel nicht vorrätig oder sind es bestimmte Größen oder Farben, die nicht vorrätig sind, so dass sie sie nicht in den Warenkorb legen können?
Der Punkt ist, dass Sie dies vielleicht als Suchproblem betrachten, aber wenn Sie sich mit den Details beschäftigen, werden Sie feststellen, dass nicht alle diese Probleme tatsächlich Suchprobleme sind. In der Tat wissen Sie, dass Sie hier andere Wege der Zusammenarbeit erschließen müssen. Vielleicht sollten Sie Ihrem Team für die Bestandsverwaltung sagen: „Hey, wir brauchen mehr Bestände des blauen Abfangjägers, denn das ist ein gängiges Produkt, auf das die Leute zugreifen, das sie aber wegen der Verfügbarkeit der Farbgröße nicht in den WARENKORB aufnehmen.“ Es geht also darum, sich mit überzeugenden Daten zu bewaffnen, die belegen, warum eine Lösung benötigt wird, und diese Beweise dann den verschiedenen Teams vorzulegen.
Lassen Sie uns nun über das Verständnis von Suchanfragen sprechen und insbesondere darüber, wie Sie die Kaufabsicht allein durch die Betrachtung von Suchanfragen und den damit verbundenen Statistiken feststellen können. Hier sehen wir uns die Spalte FARBE an. Sie sehen den Gesamtumsatz, den Sie mit einer Suchanfrage erzielen, geteilt durch die Gesamtzahl der Instanzen, in denen diese Anfrage gesehen wurde. Das ist also die Zahl, die Sie für die Einnahmen pro Gesamtabfrage erhalten. Beachten Sie die Themen der Suchanfragen mit geringer Performance – wir erhalten eine Menge allgemeiner, vager Produktsuchen – Hüte, Damenshorts und hier ganz unten nur Hosen und Shorts. Es gibt kein spezifisches Produkt, das wir dort oder sogar in der Mitte identifizieren können. Wir suchen nach allgemeinen Markenbegriffen, keineswegs nach einem bestimmten Produkt. Sie können sich das wie einen Schaufensterbummel vorstellen, oder? Ich bin in Chicago aufgewachsen, also stelle ich mir vor, ich gehe die Michigan Avenue hinunter und komme am Eddie Bauer Bauer Shop vorbei und denke nur: „Was die wohl für Rucksäcke haben?“ und gehe hinein. Es ist ziemlich unwahrscheinlich, dass ich etwas kaufe, wenn ich mich nur frage, was für Rucksäcke sie dort haben – das ist eine sehr vage Absicht. Es gibt kein bestimmtes Produkt, nach dem ich suche.
Vergleichen wir dies nun mit den Abfragen mit hoher Leistung und den Themen, die Sie bei diesen Abfragen mit hoher Leistung sehen. Was mir auffällt, ist die Spezifität all dieser Abfragen. Denken Sie an die Artikelnummern und die Artikelnummern, die Sie hier sehen. Sie beziehen sich auf ganz bestimmte Produkte. Sie drücken ein hohes Maß an Absicht aus. Das Gleiche gilt für Suchanfragen wie renegade short und burr jacket. Es ist ganz klar, nach welchen Produkten die Verbraucher hier suchen.
Um auf die Analogie mit dem Schaufensterstopper zurückzukommen: Wenn ich in Chicago an Nike Town vorbeikomme, frage ich mich, ob sie den Jordan 3 in der Farbe Weißzement bereithalten. Das ist eine ganz bestimmte Absicht. Wenn ich in das Geschäft gehe und nach diesem Schuh suche, werde ich ihn kaufen, wenn sie ihn haben. Es geht also darum, diese Informationen, die Sie kennen, zu nutzen. Wenn Menschen also nach etwas ganz Bestimmtem suchen, wie kann ich dann davon profitieren und diese Absicht zum Ausdruck bringen.
Wir berücksichtigen also solche Informationen, wenn wir über Uplift-Modelle oder Propensity-Modelle zur Vorhersage des Kaufverhaltens von Verbrauchern nachdenken. Sie sollten diese Art von Informationen zusammen mit Ihren Data Science-Teams nutzen, um die Erstellung solcher Modelle zu beeinflussen. Sie verwenden also Ihre Verbraucherindikatoren viel expliziter in Ihren Modellierungsprozessen.
Lassen Sie uns ein wenig tiefer in die attributspezifische Suche einsteigen. Das sind Suchen, die etwas erwähnen – eine bestimmte Art von Attribut, das in Ihrem Produktkatalog vorhanden sein kann oder auch nicht – Dinge wie Farben oder Aktivitäten oder Anlässe.
Schauen wir uns die Abfragen an, die Camo erwähnen. Die Camo-Abfragen schneiden nicht sehr gut ab. Sie werden sich fragen, warum das so ist. Ist Camouflage ein Fremdwort für meinen Katalog. Ist das der Grund, warum es mir so schwer fällt, relevante Ergebnisse zu liefern? Lassen Sie uns über das Wort Khaki nachdenken. Wir tun uns schwer damit, bei einer Vielzahl von Suchanfragen für Khaki passende Ergebnisse zu liefern – für Hüte, für Hosen, sogar für etwas vagere Suchanfragen wie Berg-Khaki. Wir wissen nicht genau, wonach sie suchen. Denken Sie darüber nach, warum Sie mit solchen Suchanfragen zu kämpfen haben. Dann schauen Sie sich auch an, bei welcher Art von Suchanfragen Sie eigentlich gut abschneiden. Wenn Sie sich dieses Beispiel für Suchanfragen zum Thema Wandern ansehen, schneiden diese tatsächlich recht gut ab. Wenn Sie die 0 % Konversionsrate zwischen der vorher gezeigten Grafik und dieser vergleichen, sehen Sie, dass wir sehr schnell zu hohen Konversionsraten kommen, wenn die Suchanfragen das Wandern erwähnen, und nicht, wenn sie Camo oder Khaki erwähnen.
Sie sollten dies also im Zusammenhang mit der Klassifizierung von Abfragen und Data Science-Initiativen betrachten. Können wir eine Lösung entwickeln, die erkennt, wenn etwas aus meinem Katalog erwähnt wird? Und kann ich dann, Sie wissen schon, diese Produktkategorie aus meinem Katalog entsprechend aufwerten. Wenn also jemand nach Winterwanderhosen sucht, wird er nicht nur auf Hosen zurückgreifen? Wenn Sie an klassifizierte Suchanfragen in diesem Kontext denken, wird das Attribut „Wandern“ viel angemessener gewichtet. Denken Sie auch an einen Anlass oder eine Aktivität oder wie auch immer Sie es nennen wollen, um herauszufinden, für welche Art von Anlass der Kunde einkauft. Plant er einen Wanderausflug? Oder bereitet er sich auf einen Jagdausflug vor, wie im Beispiel der Tarnkleidung? Wenn Sie das Endziel oder den Anlass, für den der Kunde einkauft, erraten und vorhersagen können, können Sie das gesamte Erlebnis auf Ihrer Website viel persönlicher gestalten und das Engagement für die Produkte, die Sie dem Kunden anbieten, definitiv erhöhen.
Lassen Sie uns diese Art von technischen Anwendungen und informativen Berichten abschließen, indem wir über einige gemeinsame Themen und Herausforderungen sprechen, die wir in Gesprächen mit unseren Kunden festgestellt haben.
Wir haben das Thema bereits angesprochen, aber Abfragen mit geringer Leistung, richtig? Es kann viele Gründe dafür geben, warum sie schlecht abschneiden, also null Ergebnisse. Ich glaube, wir sind uns alle einig, dass die Abfragen mit der schlechtesten Leistung diejenigen sind, die keine Ergebnisse liefern, und Sie sollten auch darüber nachdenken, wie Sie das Problem lösen. Oft sagen uns Kunden, dass wir dies auf der Regelebene sehr manuell handhaben und dass es für unsere Merchandiser eine große Belastung ist, all diese Abfragen mit geringer Leistung aufzuspüren.
Unsere Lösung dafür ist eine semantische Vektorsuche. Ich lade Sie ein, sich den Vortrag von Eric Redman, meinem Kollegen für semantische Vektorsuche, anzuhören, um mehr darüber zu erfahren. In ähnlicher Weise können Sie auch über Produkte mit geringer Leistung nachdenken. Die gleiche Art von Analyse, die wir auf der Ebene der Suchanfragen durchgeführt haben. Sie können das auch auf Produktebene tun, um herauszufinden, welche Produkte schlecht abschneiden und warum. Sie können darüber nachdenken, wie die Produkte auf der Website platziert werden. In welchen Empfehlungsbereichen oder bei welchen Arten von Empfehlungsgebern werden sie angezeigt bzw. nicht angezeigt. Wenn Sie mehr über dieses Thema erfahren möchten, kann ich Ihnen Garrett Schweglers Activate-Sitzung über KI-gestützte Empfehlungssysteme empfehlen.
Und dann denken Sie über die präzise Suche nach. Hier geht es um die Suche nach Attributen, die ich gerade erwähnt habe, wenn ein Verbraucher eine bestimmte Absicht äußert. Wie können Sie diese Absicht ausnutzen und das Erlebnis entsprechend anpassen? Also Dinge wie die Suche nach Größe und Dimensionen oder das Warten auf Attribute, wie ich bereits erwähnt habe, die Identifizierung der Konzepte hinter dem, wonach die Verbraucher suchen, und wir haben eine Lösung für die semantische Analyse von Abfragen dafür.
Schalten wir einen Gang höher. Widmen wir uns nun der anderen Hälfte des Themas, nämlich der Frage, wie Sie den Fußabdruck der Datenzeichen in Ihrem Unternehmen effektiv erweitern können. Ich stelle mir das so vor, dass ich ein Data Science Strike Team organisiere und über die verschiedenen Personas nachdenke, die an diesem Strike Team beteiligt sind.
Beginnen wir mit dem Product Discovery Manager. Sie können ihn als Ihren Produktmanager für die Suche betrachten, aber im Allgemeinen sind dies die Personen, die Ihre Product Discovery-Strategie auf geschäftlicher und taktischer Ebene entwickeln. Sie sind auch dafür verantwortlich, den Rahmen dafür zu entwickeln, wie Sie den Erfolg Ihrer Produktentdeckungserfahrung messen werden.
Diese Mitarbeiter arbeiten eng mit einem technischen Leiter für die Produktermittlung zusammen – diese werden üblicherweise als Lead Search Architect oder Lead Search Engineer bezeichnet. Diese Person kennt sich mit Ihrem Technologie-Stack bestens aus und leitet die technische Implementierung der Product Discovery-Technologie. Auch hier sind sie für die technische Implementierung von Bereichen wie Site Search Browse,
Empfehlungen, Navigationen, Facetten und dergleichen verantwortlich.
Lassen Sie uns abschließend über die sich ergänzenden Rollen dieses Teams nachdenken. Die Datenwissenschaftler, Kaufleute und Dateningenieure. Sie werden vielleicht denken, dass es seltsam ist, dass ein Datenwissenschaftler als Teil dieses Strike Teams eine ergänzende Rolle einnimmt. Der Grund, warum ich ihn hier in dieser ergänzenden Rolle aufführe, ist, dass es nicht unbedingt für jedes Projekt notwendig ist, eine eigene Ressource zu haben. Es ist auf jeden Fall von Vorteil für Sie und Ihr Unternehmen insgesamt, wenn Ihnen solche Mitarbeiter für solche Strike Teams zur Verfügung stehen. Sie haben auch die Möglichkeit, mit Organisationen wie uns zusammenzuarbeiten, und wir können solche Strike-Teams mit unserem datenwissenschaftlichen Know-how unterstützen.
Ganz gleich, ob es sich um eine Organisation wie uns oder um interne Mitarbeiter handelt, deren Hauptaufgabe im Strike-Team darin besteht, ein Geschäftsproblem zu formulieren und in eine technische Lösung zu übertragen.
Ich möchte hier auch die Kaufleute und Dateningenieure hervorheben. Das sind die Leute, die in der Praxis arbeiten und die für die Durchführung und den Erfolg Ihrer Projekte unverzichtbar sind.
Das sind die Leute, die sich mit der Identifizierung von Problemen und Herausforderungen beschäftigen. Und oft haben sie auch schon Lösungen parat, um einige der Probleme anzugehen, die Sie durch Ihre Analyseinitiativen aufgedeckt haben.
An dieser Stelle kommt dann der Datenwissenschaftler ins Spiel und sagt: „Okay, ich sehe, dass wir ein Problem mit der Attributsuche haben. Lassen Sie mich versuchen, eine Strategie zur Abfrageklassifizierung zu entwickeln, um dieses Problem zu lösen. Und hier können alle am Strike-Team beteiligten Personen dem Datenwissenschaftler dabei helfen, das geschäftliche Problem zu verstehen und die technischen Einschränkungen und Möglichkeiten zu erkennen, nach denen gesucht wird, so dass die Lösung entsprechend entworfen und implementiert werden kann.
Kommen wir nun zu den Zielen dieser Data Science Strike Teams. Einige dieser Punkte sind direkt aus dem Diagramm zur Übernahme von Data Science gestohlen, das ich vorhin gezeigt habe. Aber sie sollten objektive Ziele haben, wie die Schaffung einer langen Pipeline von KI-bezogenen Initiativen, die sie in Angriff nehmen können. Wenn wir also den Innovationsgrad der Datenwissenschaft in Ihrem Unternehmen erreichen, ist diese Liste von KI-bezogenen Initiativen wichtig, um den Ball weiter rollen zu lassen und weiterhin Innovationen und Iterationen durchzuführen.
Diese Pipeline sollte sich auf die Analyse stützen, nicht wahr? Sie sollten also immer über Informationen verfügen, die den Berichten entsprechen, die ich vorhin gezeigt habe, um Ihre Initiativen voranzutreiben. Und Sie sollten datengestützte Belege dafür haben, warum Sie eine Initiative starten. Ich möchte das hier hervorheben, weil man leicht in eine Falle tappt und von diesen Analysen abweicht. Vielleicht sehen Sie ein tolles Video mit einer Demo, in der eine verrückte Technologie für maschinelles Lernen vorgestellt wird. Wenn Sie solche Videos sehen, sollten Sie sich immer fragen: „Wie kann ich das eigentlich auf meine Produktentdeckung anwenden?“ Der ganze Schnickschnack ist sicherlich toll, aber wenn es keine praktische Anwendung dafür gibt, sind sie keine große Hilfe für Sie.
Auch diese Teams sollten immer wieder neue Initiativen entwickeln, nicht eine Lösung implementieren und dann sagen, dass sie gut ist. Sie sollten sich fragen, wie wir die Lösung, die wir implementiert haben, noch besser machen können, sie auf diese Weise kontinuierlich verbessern und mit allen möglichen Strategien bei der Produktentdeckung experimentieren.
Schließlich sollten sich diese Gruppen auch darauf konzentrieren, die Data Science-Mentalität im gesamten Unternehmen zu demokratisieren. Beginnen Sie mit allen Wegen, die mit der Produktentdeckung verbunden sind, und gehen Sie dann darüber hinaus, um zu sehen, in welchen anderen Bereichen des Unternehmens eine datenwissenschaftliche Denkweise von Vorteil wäre.
Ich werde auf die Folie zurückkommen und mit einem Überblick über die Landschaft der Kunden abschließen, mit denen ich heute zu tun habe. Die meisten Unternehmen befinden sich in den beiden mittleren Bereichen, wobei die Tendenz wahrscheinlich eher in Richtung der ersten Hälfte der Einführung geht.
Wenn Sie auf Ihrer Reise in die Datenwissenschaft zu schnell vorgehen und gerade denken: „Hey, ich bin mir nicht sicher, welche Analysen unsere KI-Initiativen antreiben. Gehen Sie auf jeden Fall einen Schritt zurück und kehren Sie zu diesen Analysen zurück und erklimmen Sie den Berg von dort aus, denn ich denke, Sie werden sehen, dass Sie viel schneller iterieren werden. Sie werden sehen, dass Sie mit Ihren KI-Initiativen viel schneller einen Nutzen erzielen und der Wert, den Sie erhalten, wird viel konkreter sein, weil er aus diesen Analyseberichten stammt.
Denken Sie also über Ihre Organisationen nach und darüber, wie Sie jetzt dastehen. Wenn Sie am Anfang dieser Reise stehen, überlegen Sie, mit welchen niedrig hängenden Früchten wir beginnen können, um eine gewisse Dynamik aufzubauen. Wir können uns an diese Art von Einführungsstrategie und diese Art von Methoden gewöhnen.
Wenn Sie sich irgendwo in der Mitte befinden, denken Sie darüber nach, was Sie daran hindert, den Gipfel der operativen KI zu erklimmen. Oder in der Phase, in der Sie einfach nur KI-Initiativen entwickeln und die bereits umgesetzten Initiativen wiederholen, überlegen Sie, was Sie daran hindert, diesen Zustand zu erreichen.
Wir laden Sie natürlich immer ein, mit uns zu sprechen, aber wir könnten offiziell als Softwareanbieter bezeichnet werden. Wir würden es vorziehen, wenn Sie uns als Partner betrachten würden, damit wir Sie auf Ihrer Produktentdeckungsreise begleiten und Ihnen bei der erfolgreichen Einführung von Data Science so gut wie möglich helfen können.
Ich danke Ihnen für Ihre Aufmerksamkeit. Ich hoffe, Sie haben heute etwas gelernt oder etwas Interessantes gefunden. Bitte schließen Sie sich mir für eine Live-Diskussion mit Fragen und Antworten an. Einzelheiten dazu finden Sie im Chat.
Danke.