Természetes nyelvű analitika: kérdezz az adataidról köznyelven

Tudni akarod, miért esett a konverzió ezen a héten. A hagyományos analitikával megnyitod a vezérlőpultot, megnézed a konverziós arányt, szűrsz forgalmi forrásra, szegmentálsz eszközre, majd összeveted egy kohorszriporttal. 15 perc kattintgatás. A természetes nyelvű analitikával beírod: „Miért esett a konverzió ezen a héten?” A rendszer elemzi az adataidat, megtalálja a rendellenességet, azonosítja az okot (a fizetett hirdetésekből érkező mobilos forgalom, amely általában 3%-ban konvertál, 1%-ra esett), és egy mondatban megadja a választ. Ugyanaz a betekintés, 15 másodperc 15 perc helyett.

A természetes nyelvű analitika AI-t használ arra, hogy megértse a köznyelven (vagy a saját nyelveden) feltett kérdéseket, és adatlekérdezéssé alakítsa őket. SQL megtanulása vagy egy vezérlőpult felületén való navigálás helyett úgy kérdezel, ahogy egy kollégától kérdeznél. Az AI érti a környezetet, megtalálja a megfelelő adatot, és válaszol. Ez az analitika súrlódás nélkül.

Hogyan érti meg a természetes nyelvű analitika, mit kérdezel?

Vegyél bármelyik analitikai kérdést, és azt találod, hogy félreérthető. „Melyik a legjobb forgalmi forrásunk?” Jelenthet legtöbb látogatást, legtöbb bevételt, legjobb konverziós arányt, legjobb ügyfélminőséget vagy a költés legjobb megtérülését. Egy emberi kolléga rákérdezne. A természetes nyelvű rendszer ugyanezt teszi: ezernyi hasonló kérdésből megtanulta, mit szoktak az emberek érteni alatta.

A rendszer három dolgot csinál. Először értelmezi a kérdést, hogy megértse a szándékot. „Miért esett a konverzió?” = rendellenesség vizsgálata. „Mely oldalaknak van a legtöbb forgalma?” = rangsor. „Mutasd földrajzi bontásban” = szegmentálás. Másodszor a szavaidat az adataidhoz rendeli. A „konverzió” = a követett konverziós arány mutató. A „forgalmi forrás” = az adataidban az utm_source dimenzió. Az „ezen a héten” = az időtartomány. Harmadszor felépít egy lekérdezést, és végrehajtja.

A fő trükk, hogy a rendszernek értenie kell az adott adatszerkezetedet és mutatóidat. Mielőtt kérdezel, megmondod neki: „Követjük a conversion_rate, revenue, sessions, user_id, traffic_source, device és geography mezőket.” Aztán ha megkérdezed, hogy „mekkora a bevételem forrásonként?”, pontosan tudja, melyik adatot kell lekérdeznie. Ez a környezet nélkül a természetes nyelvű rendszerek hibáznak.

A modern rendszerek nagy nyelvi modelleket használnak, amelyeket milliónyi analitikai kérdésen és lekérdezésen tanítottak. A modell megtanulta a mintákat: a „top N mutató szerint” mutató szerinti rendezésre képeződik le. A „hasonlítsd össze X-et Y-nal” szűrésre és összesítésre. A „mutasd a trendet az idő során” idősoros lekérdezésre. Ez a mintaillesztés teszi a rendszert elég pontossá ahhoz, hogy hasznos legyen.

Milyen kérdéseket tehetsz fel valójában?

Nézd meg, mit kezel a természetes nyelvű analitika, és azt találod, hogy a legtöbb gyakori kérdést lefedi. Az egyszerű kérdések tökéletesen működnek. Az összetettek néha elbuknak.

Egyszerű kérdések: „Mekkora a konverziós arányom?” „Hány látogató volt ebben a hónapban?” „Top 10 oldal forgalom szerint” „Forgalom eszköztípus szerint” „Melyik forgalmi forrásnak a legmagasabb a rendelési értéke?” Ezek mind működnek, mert egyszerű adatlekérdezések. Nincs benne kétértelműség.

Trendkérdések: „Nő vagy csökken a konverzió?” „Mutasd a konverziót az elmúlt 90 napban” „Hasonlítsd össze ezt a hónapot a múlt hónappal” Ezek azért működnek, mert a rendszer idősoros lekérdezésekre és trendelemzésre tudja leképezni őket.

Rendellenességi kérdések: „Miért ugrott meg a forgalom a múlt keddi napon?” „Mi változott július és augusztus között?” „Mely mutatók szokatlanok?” Ezek azért működnek, mert a modern rendszerekben be van építve a rendellenesség-észlelés, és a rendellenességet a közreható tényezőkkel együtt hozzák felszínre.

Szegmentálási kérdések: „Mely felhasználók konvertálnak a legjobban?” „Mutasd az értékes ügyfeleket” „Bontsd le a konverziót forgalmi forrás és eszköz szerint” Ezek azért működnek, mert a rendszer több dimenziós lekérdezéseket tud építeni.

Összetett kérdések: „Melyik forgalmi forrás hoz olyan ügyfeleket, akiknek a legmagasabb a megszerzési költséggel korrigált élettartam-értéke, az elköteleződés szerinti alsó 10% kizárásával?” Ez talán működik. A „Mondd meg, miért esett a konverzió, és mit tegyek ellene” valószínűleg nem fog működni. A rendszer azonosítja az esést, de az ok magyarázata és a megoldások ajánlása üzleti ítélőképességet igényel.

Miért jobb ez, mint vezérlőpultokat építeni?

A hagyományos analitika vezérlőpult-központú. Előre megjósolod, milyen kérdéseket tehetsz fel. Építesz egy vezérlőpultot. Rendszeresen megnézed. De a legtöbb vezérlőpult rossz kérdésekre felel. Azokat a mutatókat mutatják, amelyeket a készítőjük fontosnak gondolt, nem azokat, amelyekre valójában szükséged van az üzleti kérdéseid megválaszolásához.

A természetes nyelvű analitika kérdés-központú. Megkérdezed, amit tudni akarsz. A rendszer válaszol. Nem kell előre megjósolnod a kérdéseket. Nem kell adatmérnök, aki új vezérlőpultot épít, amikor megváltozik a kérdésed. Egyszerűen kérdezel.

Ez a rugalmasság a gyakorlatban hatalmas. Egy átlagos elemző az idejének 30%-át vezérlőpultok és riportok építésével tölti. 30%-át olyan kérdések kivizsgálásával, amelyekre a vezérlőpultok nem felelnek. 40%-át elemzéssel. A természetes nyelvű analitika megszünteti a vezérlőpult-építésre fordított időt. Az elemző az idejének 70%-át elemzéssel, 30%-át vizsgálattal tölti. Több érték, kevesebb gépies munka.

A sebesség is számít. Ha délután 2-kor eszedbe jut egy kérdés, és 4-re kell a válasz, egy új vezérlőpult megépítése órákig tart. Egy természetes nyelvű rendszer megkérdezése másodpercekig. Valós időben követheted a kíváncsiságodat, ahelyett hogy infrastruktúrára várnál.

A természetes nyelv a szervezet minden emberéig skálázódik. A legtöbb analitikai vezérlőpult elemzőknek és vezetőknek szól. Az értékesítés nem tudja használni őket. Az ügyfélsiker nem érti az adatokat. A természetes nyelvvel bárki feltehet kérdéseket a saját nyelvén. Az értékesítés megkérdezi: „mely ügyfelek vásároltak az elmúlt hónapban?” Az ügyfélsiker: „mely ügyfelek morzsolódnak le?” A pénzügy: „mekkora a CAC-unk forrásonként?” Mindenki választ kap analitikai képzés nélkül.

Mikor bukik el a természetes nyelvű analitika?

A természetes nyelvű rendszerek remekül működnek az egyszerű kérdésekkel. A környezettel és az árnyalatokkal küzdenek. Ha azt kérdezed, „növekszünk?”, a rendszer megnézheti a forgalmat, és igent mondhat. De te a bevételre gondoltál, és a bevétel stagnál. A rendszer nem értette a szándékodat. Pontosan kell fogalmaznod.

A természetes nyelv a definíciós kérdésekkel is küzd. „Mi a jó konverziós arány?” „Növeljük a költést ezen a csatornán?” „Egészséges ez a mutató?” Ezekhez üzleti ítélőképesség kell, nem adatlekérdezés. A rendszer megmutathatja az adatot (a konverzió 2,5%), de azt nem mondhatja meg, hogy a 2,5% jó-e. Ez a te döntésed.

A rendszer a többlépéses következtetéssel küzd. „Mutasd azokat az ügyfeleket, akik az elmúlt hónapban kétszer vásároltak, de az elmúlt héten nem, és az Egyesült Államokból vannak.” Egyes rendszerek ezt kezelik. Sok nem. Minél bonyolultabb a logika, annál valószínűbb, hogy a rendszer hibázik.

Az adatvédelem és a biztonság aggály. Ha köznyelven teszel fel kérdéseket, a rendszernek hozzá kell férnie a nyers adataidhoz a válaszadáshoz. Ez nagyobb adatkitettséget jelent, mint a vezérlőpultok, ahol csak előre elkészített mutatókat teszel elérhetővé. Erős hozzáférés-szabályozás és auditnaplók kellenek.

A legfontosabb: a természetes nyelvű rendszerek csak annyira jók, amennyire az adataid. Ha a mutatóid rosszul vannak elnevezve, ha rossz az adatminőség, ha hiányoznak kulcsdimenziók, a rendszer magabiztosan ad rossz válaszokat. Szemét be, szemét ki. Először az adataidat javítsd ki.

Hogyan állítsd be a természetes nyelvű analitikát?

A legtöbb modern analitikai platform természetes nyelvű felületet kap. Sok BI-eszköznek van. Egyes adattárházaknak, például a BigQuery-nek is. Kezdd azzal, hogy megnézed, támogatja-e a jelenlegi eszközöd.

A legfontosabb beállítási lépés a metaadat-kezelés. Meg kell mondanod a rendszernek: „Ez az oszlop a bevétel. Ez az oszlop a user_id. Ez az oszlop a konverzió (igen/nem). A forgalmi forrás kategorikus dimenzió. A dátum időbeli.” A rendszer ezekkel a metaadatokkal érti meg az adatszerkezetedet, és képezi le pontosan a kérdéseket lekérdezésekre.

Jó metaadatok nélkül a rendszer tippel. Összekeverheti a bevételt a felhasználónkénti bevétellel. Nem biztos, hogy tudja, hogy a „mobil” és a „mobilalkalmazás” ugyanazt jelenti. Dátumok helyett számként kezelheti a dátumokat. Fektess időt a metaadatokba. Ezen múlik a természetes nyelvű rendszerek sikere vagy bukása.

Kezdd egyszerű kérdésekkel, és építs bizalmat. Kérdezd meg: „mekkora a konverziós arányom?”, és ellenőrizd, hogy a válasz helyes-e. Kérdezd meg: „mutasd forgalmi forrás szerint”, és ellenőrizd, hogy a bontás helyes-e. Ha az egyszerű kérdéseknél megbízol a rendszerben, tegyél fel bonyolultabbakat.

Használd a vezérlőpultok kiegészítésére, nem helyettesítésére. A vezérlőpultok remekek a kulcsmutatók napi figyelésére. A természetes nyelv remek eseti vizsgálatra. Mindkettőnek megvan a helye. A vezérlőpultokkal vedd észre a problémákat. A természetes nyelvvel vizsgáld ki őket.

Mi a természetes nyelvű analitika jövője?

A mai természetes nyelvű rendszerek kérdésekre válaszolnak. A holnapiak megmagyarázzák a környezetet, és cselekvést javasolnak. „A konverzió csökken. Ez általában 10% lemorzsolódást jelez előre. Ezt tedd.” A rendszer nem csak adatot kérdez le: értelmezi, és tanácsot ad a cégek ezreiből megtanult minták alapján.

Ahogy a nyelvi modellek fejlődnek, több árnyalatot fognak érteni. Értik majd az iparág-specifikus nyelvet. Egy SaaS-elemző, aki a „lemorzsolódásról” kérdez, más választ kap, mint egy webshopelemző, aki a „visszaküldési arányról”, pedig mindkettő az ügyfelek elvesztését jelenti. A rendszer megtanulja a szakterületi tudást.

Végül a természetes nyelv lehet az alapértelmezett módja annak, hogyan lépnek az emberek kapcsolatba az adatokkal. Ahelyett, hogy szakemberek tartanák karban a vezérlőpultokat, mindenki közvetlenül kérdez. Az elemző szerepe a vezérlőpult-gondozóból tanácsadóvá válik: értelmezi az eredményeket, és stratégiát javasol az adatok alapján.