כך AI משנה את תפקיד הדאטה אנליסט

עם כל הכבוד להתקדמות של הכלים האלה, יש דברים שעדיין קשה מאוד להחליף בהם אנליסט אנושי:

• הקשר עסקי – ה-AI יכול לקרוא את כל המסמכים על החברה שלך, אבל הוא לא חי את היום־יום שלה. למשל, הוא לא יודע שבמוצר החדש יש עיכוב בגלל בעיית ספקים, ולכן הנתונים של המכירות לא משקפים את הביקוש האמיתי. הוא לא יודע שלקמפיין שיווק מסוים הוקפא ברגע האחרון, ולכן הירידה בכניסות לאתר לא קשורה למוצר עצמו.  הוא לא מודע לכך שתקציב מחלקה קוצץ לפני חודש, מה שצפוי להשפיע על ביצועים של פרויקטים עתידיים. אנליסט שמכיר את המצב יידע לפרש את הנתונים אחרת לגמרי.
  נקודה נוספת – כאשר רוצים לבנות תשתית אנליטית שתספק תובנות מעשיות לשיפור הביצועים בכל אחד מהתחומים בארגון – מוצר, טכנולוגיה, שיווק, מכירות, שימור לקוחות, אופרציה ועוד, נדרש ידע אמיתי ב־flow הפנימי של הארגון. ה-AI לא יודע עדיין להגדיר את הזרימה הזו בעצמו או לחבר בין נקודות המידע כדי להגיע למסקנות עם הקשר עסקי מלא. אנליסט מנוסה יודע להוביל את התהליך מהגדרת הבעיה ועד יצירת התובנות, ואז להשתמש ב-AI כדי להאיץ את הביצוע ברגע שהדרך כבר ברורה.  הנקודה החשובה הזו עלתה בעקבות פידבק מצוין של מיכל יששכרי – תודה על ההארה.
  
  

• בחירת השאלות הנכונות – AI יכול לענות על כל שאלה שתשאל אותו, אבל הוא לא תמיד יודע מה לשאול מלכתחילה. לדוגמה, כשיש ירידה ברווחים, אנליסט מנוסה ישאל "האם זה קשור לשחיקת מחירים באזור מסוים?" במקום רק "מה הרווח הכולל השנה לעומת שנה שעברה". אם יש עלייה חדה במכירות, הוא יבדוק גם "האם זה נובע מלקוח אחד גדול שיקשה לשמר אותו" ולא רק "כמה עלו המכירות החודש". כשיש ירידה במעורבות משתמשים, האנליסט יחפש קשרים עם שינויים במוצר או בשוק, ולא יסתפק במדידה עצמה.

• דיוק ואמינות הנתונים – AI יודע להריץ חישובים, אבל הוא לא תמיד יבחין שבקובץ הדאטה יש כפילויות או שדות ריקים קריטיים. אנליסט יכול לגלות, למשל, ש-15% מהעסקאות הוזנו עם תאריך שגוי, משהו שעלול לשנות לחלוטין את התוצאה של הניתוח. הוא יכול לזהות שהכנסות ממספר עסקאות הוזנו בשקלים במקום בדולרים, מה שמנפח את הנתונים בטעות.

• זיהוי מגמות – AI טוב בלזהות מגמות חזקות וברורות, אבל הוא פחות טוב בלקלוט סימנים עדינים. אנליסט יכול לשים לב שירידה קטנה במעורבות הלקוחות באפליקציה בשעות הבוקר היא אינדיקציה ראשונית לבעיה בחוויית המשתמש, הרבה לפני שזה הופך לבעיה גדולה. הוא יכול לזהות שמכירות של מוצר משני דווקא עולות בצורה חריגה, מה שמאותת על פוטנציאל לפיתוח קו מוצרים חדש.
• פוליטיקה ארגונית – להציג נתון זה לא רק עניין של "מה אומרים", אלא גם "איך אומרים ולמי". AI יכול להציע שקף עם התובנה.  אנליסט יבחר להדגיש את המשמעויות העסקיות והכספיות של הממצא בפגישה עם המנכ"ל, מול מנהל מוצר, הוא ירד לפרטים הטכניים של בעיית חוויית המשתמש, מול צוות השיווק, הוא יתמקד בתובנות על פילוח לקוחות או השפעת הקמפיינים, כדי שיידעו איך לשפר.
• בירור צרכים – אחת המיומנויות הכי קריטיות של אנליסט היא היכולת לבצע בירור צרכים עם הלקוח. לקוחות עסקיים, בין אם הם מנהלי מוצר, שיווק או הנהלה, לא תמיד יודעים לתאר בדיוק מה הם רוצים, ולעיתים קרובות הם בכלל לא יודעים מה הם צריכים.
  אנליסט יודע לשאול את השאלות הנכונות, להבין את המטרות האמיתיות, ולתרגם אותן לדרישות דאטה ברורות ומדויקות. זה תהליך שכולל לא רק הבנה טכנית, אלא גם הקשבה, סינון מידע לא רלוונטי, וחיבור בין עולמות שונים בארגון.
  ה-AI, נכון להיום, לא יודע להחליף את השיחה האנושית הזו. הוא לא ירגיש חוסר עקביות בדבריו של הלקוח, לא ישים לב לשפת הגוף, ולא יוכל להוביל אותו לחדד את הצורך האמיתי. ארגון שינסה "לקצר תהליך" ולדלג על שלב הבירור ימצא את עצמו עם המון דאטה, אבל מעט מאוד הקשר עסקי. וההקשר הזה הוא מה שמאפשר לקבל החלטות נכונות. 
  נקודה זו על חשיבות שלב בירור הצרכים עלתה בעקבות תגובה מצוינת של טל פוקס לפוסט שפרסמתי בלינקדאין