Haluat tietää, miksi konversio laski tällä viikolla. Perinteisessä analytiikassa avaat koontinäytön, tarkistat konversioasteen, suodatat liikennelähteen mukaan, segmentoit laitteen mukaan ja vertaat sitten kohorttiraporttiin. 15 minuuttia klikkailua. Luonnollisen kielen analytiikassa kirjoitat: "Miksi konversio laski tällä viikolla?" Järjestelmä analysoi datasi, löytää poikkeaman, tunnistaa syyn (maksetusta mainonnasta tuleva mobiililiikenne, joka yleensä konvertoi 3 prosentin tahtiin, putosi 1 prosenttiin) ja antaa vastauksen yhdellä lauseella. Sama oivallus, 15 sekunnissa 15 minuutin sijaan.
Luonnollisen kielen analytiikka käyttää tekoälyä ymmärtämään tavallisella kielellä esitettyjä kysymyksiä ja muuttaa ne datakyselyiksi. SQL:n opettelun tai koontinäytön käyttöliittymässä navigoinnin sijaan esität kysymyksiä niin kuin kysyisit työkaverilta. Tekoäly ymmärtää asiayhteyden, löytää olennaisen datan ja antaa vastaukset. Se on analytiikkaa ilman kitkaa.
Miten luonnollisen kielen analytiikka ymmärtää, mitä kysyt?
Ota mikä tahansa analytiikkakysymys, niin huomaat sen olevan monitulkintainen. "Mikä on paras liikennelähteemme?" voi tarkoittaa eniten vierailuja, eniten tuloja, parasta konversioastetta, parasta asiakaslaatua tai parasta tuottoa kulutetulle rahalle. Ihmistyökaveri pyytäisi tarkennusta. Luonnollisen kielen järjestelmä tekee samoin: se on oppinut tuhansista samankaltaisista kysymyksistä, mitä ihmiset yleensä tarkoittavat.
Järjestelmä tekee kolme asiaa. Ensin se jäsentää kysymyksen ymmärtääkseen aikeen. "Miksi konversio laski?" tarkoittaa poikkeaman tutkimista. "Mitkä sivut saavat eniten liikennettä?" tarkoittaa järjestämistä. "Näytä maantieteen mukaan" tarkoittaa segmentointia. Toiseksi se yhdistää sanasi dataasi. "Konversio" tarkoittaa seuraamaasi konversioasteen mittaria. "Liikennelähde" tarkoittaa datasi utm_source-ulottuvuutta. "Tämä viikko" tarkoittaa aikaväliä. Kolmanneksi se rakentaa kyselyn ja suorittaa sen.
Keskeinen kikka on, että järjestelmän täytyy ymmärtää datasi rakenne ja mittarit. Ennen kysymysten esittämistä kerrot sille: "Seuraamme mittareita conversion_rate, revenue, sessions, user_id, traffic_source, device ja geography." Kun sitten kysyt "mikä on tuloni lähteen mukaan?", se tietää tarkalleen, mitä dataa kysellä. Ilman tätä asiayhteyttä luonnollisen kielen järjestelmät tekevät virheitä.
Nykyaikaiset järjestelmät käyttävät suuria kielimalleja, jotka on koulutettu miljoonilla analytiikkakysymyksillä ja kyselyillä. Malli on oppinut kaavoja: "top N mittarin mukaan" vastaa mittarin mukaan järjestämistä. "Vertaa X:ää Y:hyn" vastaa suodatusta ja aggregointia. "Näytä trendi ajan yli" vastaa aikasarjakyselyitä. Tämä kaavojen tunnistus tekee järjestelmästä riittävän tarkan ollakseen hyödyllinen.
Millaisia kysymyksiä voit oikeasti esittää?
Katso, mitä luonnollisen kielen analytiikka osaa, niin huomaat sen kattavan useimmat yleiset kysymykset. Yksinkertaiset kysymykset toimivat täydellisesti. Monimutkaiset kysymykset epäonnistuvat joskus.
Yksinkertaiset kysymykset: "Mikä on konversioasteeni?" "Kuinka monta kävijää tässä kuussa?" "10 suosituinta sivua liikenteen mukaan" "Liikenne laitetyypin mukaan" "Millä liikennelähteellä on korkein keskimääräinen tilausarvo?" Nämä kaikki toimivat, koska ne ovat suoraviivaista datan hakua. Ei monitulkintaisuutta.
Trendikysymykset: "Nouseeko vai laskeeko konversio?" "Näytä konversio viimeisten 90 päivän ajalta" "Vertaa tätä kuuta viime kuuhun" Nämä toimivat, koska järjestelmä voi yhdistää ne aikasarjakyselyihin ja trendianalyysiin.
Poikkeamakysymykset: "Miksi liikenne nousi viime tiistaina?" "Mikä muuttui heinäkuun ja elokuun välillä?" "Mitkä mittarit ovat epätavallisia?" Nämä toimivat, koska nykyaikaisissa järjestelmissä on poikkeamien tunnistus sisäänrakennettuna ja ne voivat nostaa esiin poikkeaman ja siihen vaikuttavat tekijät.
Segmentointikysymykset: "Mitkä käyttäjät konvertoivat parhaiten?" "Näytä arvokkaat asiakkaat" "Erittele konversio liikennelähteen ja laitteen mukaan" Nämä toimivat, koska järjestelmä voi rakentaa moniulotteisia kyselyitä.
Monimutkaiset kysymykset: "Mikä liikennelähde tuottaa asiakkaita, joilla on korkein hankintakustannuksella oikaistu elinkaariarvo, kun huonoimmat 10 prosenttia sitoutumisessa jätetään pois?" Tämä saattaa toimia. "Kerro syy konversion laskuun ja mitä asialle pitäisi tehdä" ei todennäköisesti toimi. Järjestelmä voi tunnistaa pudotuksen, mutta syy-seuraussuhteen selittäminen ja ratkaisujen suosittelu vaativat liiketoimintaharkintaa.
Miksi tämä on parempi kuin koontinäyttöjen rakentaminen?
Perinteinen analytiikka on koontinäyttö edellä. Ennakoit, mitä kysymyksiä saatat esittää. Rakennat koontinäytön. Tarkistat sen säännöllisesti. Mutta useimmat koontinäytöt vastaavat vääriin kysymyksiin. Ne näyttävät mittarit, joiden suunnittelija ajatteli olevan tärkeitä, eivät mittareita, joita oikeasti tarvitset liiketoimintakysymyksiin vastaamiseen.
Luonnollisen kielen analytiikka on kysymys edellä. Kysyt, mitä tarvitset tietää. Järjestelmä vastaa. Sinun ei tarvitse ennakoida kysymyksiä etukäteen. Et tarvitse data-insinööriä rakentamaan uutta koontinäyttöä, kun kysymyksesi muuttuu. Kysyt vain.
Tämä joustavuus on käytännössä valtava. Tyypillinen analyytikko käyttää 30 prosenttia ajastaan koontinäyttöjen ja raporttien rakentamiseen. 30 prosenttia sellaisten kysymysten tutkimiseen, joihin koontinäytöt eivät vastaa. 40 prosenttia analysointiin. Luonnollisen kielen analytiikka poistaa koontinäyttöjen rakentamiseen kuluvan ajan. Analyytikko käyttää 70 prosenttia analysointiin ja 30 prosenttia tutkimiseen. Enemmän arvoa, vähemmän rutiinityötä.
Nopeudella on myös väliä. Jos keksit kysymyksen kello 14 ja tarvitset vastauksen kello 16 mennessä, uuden koontinäytön rakentaminen vie tunteja. Luonnollisen kielen järjestelmältä kysyminen vie sekunteja. Voit seurata uteliaisuuttasi reaaliajassa sen sijaan, että odottaisit infrastruktuuria.
Luonnollinen kieli skaalautuu myös jokaiselle organisaation jäsenelle. Useimmat analytiikan koontinäytöt on tehty analyytikoille ja johtajille. Myynti ei osaa käyttää niitä. Asiakasmenestys ei ymmärrä dataa. Luonnollisella kielellä kuka tahansa voi esittää kysymyksiä omalla kielellään. Myynti kysyy "mitkä asiakkaat ostivat viime kuussa?" Asiakasmenestys kysyy "mitkä asiakkaat ovat lopettamassa?" Talous kysyy "mikä on hankintakustannuksemme lähteittäin?" Kaikki saavat vastauksia ilman analytiikkakoulutusta.
Milloin luonnollisen kielen analytiikka epäonnistuu?
Luonnollisen kielen järjestelmät toimivat hyvin suoraviivaisissa kysymyksissä. Ne kamppailevat asiayhteyden ja vivahteiden kanssa. Jos kysyt "kasvammeko?", järjestelmä voi katsoa liikennettä ja vastata kyllä. Mutta tarkoitit tuloja, ja tulot ovat tasaiset. Järjestelmä ei ymmärtänyt aikeitasi. Sinun täytyy olla täsmällinen.
Luonnollinen kieli kamppailee myös määritelmäkysymysten kanssa. "Mikä on hyvä konversioaste?" "Pitäisikö meidän lisätä panostusta tähän kanavaan?" "Onko tämä mittari terve?" Nämä vaativat liiketoimintaharkintaa, eivät datan hakua. Järjestelmä voi näyttää datan (konversio on 2,5 prosenttia) mutta ei voi kertoa, onko 2,5 prosenttia hyvä. Se on sinun harkintasi.
Järjestelmä kamppailee monivaiheisen päättelyn kanssa. "Näytä asiakkaat, jotka ostivat kahdesti viimeisen kuukauden aikana mutta eivät ole ostaneet viimeisen viikon aikana ja ovat Yhdysvalloista." Jotkin järjestelmät selviävät tästä. Monet eivät. Mitä monimutkaisempi logiikka, sitä todennäköisemmin järjestelmä tekee virheen.
Tietosuoja ja turvallisuus ovat huolenaiheita. Jos esität kysymyksiä tavallisella kielellä, järjestelmä tarvitsee pääsyn raakadataasi vastatakseen niihin. Tämä tarkoittaa suurempaa datan altistumista kuin koontinäytöissä, joissa altistat vain valmiiksi rakennetut mittarit. Tarvitset vahvat käyttöoikeudet ja auditointilokit.
Kriittisintä on, että luonnollisen kielen järjestelmät ovat vain yhtä hyviä kuin datasi. Jos mittarisi on nimetty väärin, datan laatu on huono tai avainulottuvuuksia puuttuu, järjestelmä antaa huonoja vastauksia itsevarmasti. Roskaa sisään, roskaa ulos. Korjaa datasi ensin.
Miten luonnollisen kielen analytiikka otetaan käyttöön?
Useimmat nykyaikaiset analytiikka-alustat lisäävät luonnollisen kielen käyttöliittymiä. Monissa BI-työkaluissa se on. Joissakin tietovarastoissa, kuten BigQueryssä, se on. Aloita tarkistamalla, tukeeko nykyinen työkalusi sitä.
Tärkein käyttöönottovaihe on metadatan hallinta. Sinun täytyy kertoa järjestelmälle: "Tämä sarake on tulo. Tämä sarake on user_id. Tämä sarake on konversio (kyllä/ei). Liikennelähde on kategorinen ulottuvuus. Päivämäärä on ajallinen." Järjestelmä käyttää tätä metadataa ymmärtääkseen datasi rakenteen ja yhdistääkseen kysymykset kyselyihin tarkasti.
Ilman hyvää metadataa järjestelmä arvaa. Se voi sekoittaa tulon ja tulon per käyttäjä. Se ei välttämättä tiedä, että "mobiili" ja "mobiilisovellus" tarkoittavat samaa. Se voi käsitellä päivämääriä numeroina päivämäärien sijaan. Investoi aikaa metadataan. Siinä luonnollisen kielen järjestelmät onnistuvat tai epäonnistuvat.
Aloita yksinkertaisista kysymyksistä ja rakenna luottamusta. Kysy "mikä on konversioasteeni?" ja varmista, että vastaus on oikea. Kysy "näytä liikennelähteen mukaan" ja varmista, että erittely on oikein. Kun luotat järjestelmään yksinkertaisissa kysymyksissä, esitä monimutkaisempia.
Käytä sitä koontinäyttöjen täydentäjänä, älä korvaajana. Koontinäytöt sopivat erinomaisesti avainmittareiden päivittäiseen seurantaan. Luonnollinen kieli sopii erinomaisesti tapauskohtaiseen tutkimiseen. Molemmille on paikkansa. Käytä koontinäyttöjä ongelmien huomaamiseen. Käytä luonnollista kieltä niiden tutkimiseen.
Mikä on luonnollisen kielen analytiikan tulevaisuus?
Nykypäivän luonnollisen kielen järjestelmät vastaavat kysymyksiin. Huomisen järjestelmät selittävät asiayhteyden ja suosittelevat toimia. "Konversio on laskussa. Tämä ennustaa yleensä 10 prosentin asiakaspoistumaa. Tässä on, mitä tehdä." Järjestelmä ei vain hae dataa vaan tulkitsee sen ja neuvoo tuhansista yrityksistä oppimiensa kaavojen perusteella.
Kielimallien kehittyessä ne ymmärtävät enemmän vivahteita. Ne ymmärtävät toimialakohtaista kieltä. SaaS-analyytikko, joka kysyy "churnista", saa eri vastauksia kuin verkkokauppa-analyytikko, joka kysyy "palautusasteesta", vaikka molemmat tarkoittavat asiakkaiden lähtemistä. Järjestelmä oppii toimialaosaamisen.
Lopulta luonnollisesta kielestä voi tulla ensisijainen tapa, jolla ihmiset käyttävät dataa. Sen sijaan, että asiantuntijat ylläpitävät koontinäyttöjä, kaikki esittävät kysymyksiä suoraan. Analyytikon rooli siirtyy koontinäytön ylläpitäjästä neuvonantajaksi: tulosten tulkitsemiseen ja strategian suosittelemiseen sen perusteella, mitä data paljastaa.
Onko luonnollisen kielen analytiikka sama asia kuin ChatGPT datalle?
Samankaltainen konsepti, eri laajuus. ChatGPT on yleiskäyttöinen keskusteleva tekoäly. Luonnollisen kielen analytiikka on erikoistunut juuri sinun dataasi. Voit käyttää ChatGPT:tä datan kanssa, jos liität sen mukaan ja esität kysymyksiä, mutta se ei yhdisty analytiikkajärjestelmääsi. Luonnollisen kielen analytiikkatyökalut yhdistyvät suoraan dataasi ja ymmärtävät mittarisi, ulottuvuutesi ja liiketoiminnan asiayhteyden. ChatGPT on yleisempi, luonnollisen kielen analytiikka on tarkempi juuri sinun datallesi.
Kuinka tarkkoja luonnollisen kielen analytiikkajärjestelmät ovat?
Riippuu kysymyksen monimutkaisuudesta. Yksinkertaisissa kysymyksissä (suosituimmat sivut, konversioaste, liikenne lähteen mukaan) tarkkuus on yli 90 prosenttia. Keskimonimutkaisissa (moniulotteinen analyysi, suodatus) tarkkuus on 70-85 prosenttia. Monimutkaisissa kysymyksissä, joissa on monta ehtoa, tarkkuus laskee alle 70 prosentin. Varmista vastaus aina tarkistamalla taustalla oleva data. Älä luota järjestelmään sokeasti.
Tarvitsenko SQL-osaamista luonnollisen kielen analytiikan käyttöön?
Et. Siinä on koko ideana. Luonnollisen kielen analytiikka on ihmisille, jotka eivät osaa SQL:ää. Kysyt tavallisella kielellä, ja järjestelmä rakentaa SQL:n taustalla. SQL:n osaaminen auttaa kuitenkin varmistamaan vastauksia ja ymmärtämään, mitä järjestelmä tekee, kun se erehtyy.
Voiko luonnollisen kielen analytiikka korvata data-analyytikot?
Ei. Se muuttaa heidän työtään. Sen sijaan, että analyytikot käyttäisivät aikaa koontinäyttöjen rakentamiseen ja raporttien ajamiseen, he käyttävät aikaa tulosten tulkintaan ja toimien suosittelemiseen. Tekninen kynnys datan käyttöön madaltuu (kuka tahansa voi esittää kysymyksiä), mutta harkinnan tarve kasvaa (onko oivallus toiminnallinen, mitä sille pitäisi tehdä). Luonnollinen kieli on työkalu, joka vahvistaa analyytikon vaikutusta, ei korvaa häntä.
Mitä tapahtuu, jos esitän kysymyksen, johon järjestelmä ei osaa vastata?
Useimmat järjestelmät sanovat "En ymmärrä" tai "En löydä sitä dataa". Jotkin yrittävät silti ja antavat väärän vastauksen. Siksi varmistaminen on kriittistä. Jos järjestelmä antaa oudon vastauksen (liikenne on 50 miljoonaa, vaikka sen pitäisi olla 50 tuhatta), kysymys on todennäköisesti ymmärretty väärin. Muotoile se täsmällisemmin.
Onko luonnollisen kielen analytiikka tietoturvariski?
Mahdollisesti. Jos järjestelmällä on pääsy raakadataan ja käyttäjät esittävät kysymyksiä suoraan, tarvitset vahvat käyttöoikeudet. Varmista, että käyttäjät voivat kysellä vain dataa, jonka näkemiseen heillä on lupa. Varmista, että kyselyistä pidetään lokia auditointia varten. Älä altista arkaluonteisia sarakkeita (luottokortit, henkilötunnukset) luonnollisen kielen kautta. Kohtele sitä kuin suoraa tietokantapääsyä ja suojaa se sen mukaisesti.