Il futuro della data analytics: perché l'AI sta riscrivendo il ruolo dell'analista

Il ruolo del Data Analyst è stato dichiarato morto più volte di quante ne possiamo contare. L'AI scriverà query, creerà dashboard e genererà insight. Quindi, perché preoccuparsi di assumere analisti?

Perché questo argomento confonde il compito con il lavoro vero e proprio.

Ciò che viene effettivamente automatizzato è il lavoro che consumava il tempo degli analisti senza mai offrire valore aziendale: la preparazione dei dati, la ricostruzione di dashboard per ogni nuovo stakeholder, la scrittura di SQL ad hoc per richieste estemporanee. L'analista che fa solo queste cose viene automatizzato. L'analista che inquadra i problemi aziendali e guida le decisioni sta diventando sempre più prezioso.

Questa non è una previsione. Sta già accadendo. E in questo articolo spiegheremo perché l'AI non sta eliminando il ruolo dell'analista, ma lo sta riportando a ciò che avrebbe sempre dovuto essere.

Tra di noi, abbiamo assunto più di 50 analisti, guidato team di delivery multidisciplinari e progettato framework decisionali basati sull'AI in vari settori. Di recente abbiamo confrontato i nostri appunti ed è emerso sempre lo stesso schema: gli analisti che hanno successo non sono quelli che scrivono il miglior SQL. Sono quelli che pongono le domande migliori.

Le piattaforme come Databricks AI/BI stanno convergendo verso un'analisi guidata dal linguaggio naturale. Puoi descrivere ciò che desideri in parole semplici e ottenere una dashboard, una metrica o un insight. Gli strumenti Text-to-SQL stanno risolvendo un problema con cui il settore si confronta da decenni: il tempo e le competenze tecniche necessari per passare da una domanda a un risultato. Questo è un vero successo. Ma colmare questo divario non fa che evidenziare la dimensione che è sempre stata più importante: la qualità dell'insight stesso. C'è sempre stato, e ci sarà sempre, un divario diverso: sapere quale domanda porre fin dall'inizio. Il passo più importante per essere un ottimo data analyst non è solo rispondere a ciò che viene chiesto, ma affinare e dare forma alla richiesta per arrivare a capire cosa debba davvero trovare risposta. Quante volte ti è stato chiesto di recuperare i dati per un determinato punto, solo per scoprire in seguito che non era quello che l'azienda stava cercando di valutare?

Come siamo arrivati fin qui: la trappola degli strumenti di BI

Questo è stato un processo lento e graduale. Inizialmente, gli analisti fungevano da collegamento tra il business e i team IT proprietari dei Data Warehouse, agendo a volte più come Business Analyst. Ma poi, con l'avvento di strumenti come QlikView, Power BI e Tableau, questi team di analisti rivolti al business non sono stati più legati ai data warehouse legacy per produrre le loro dashboard. Ciò ha consentito un'iterazione rapida, ma ha portato a una serie di problemi diversi.

Gli analisti sono diventati costruttori di dashboard e correttori di dati, agendo a volte come una sorta di shadow-IT. All'improvviso, il ruolo non richiedeva più solo di essere ottimi comunicatori in grado di comprendere il valore dei dati aziendali. Il loro tempo era consumato da:

• Preparazione manuale dei dati e gestione continua dei problemi delle pipeline
• Ricostruzione delle dashboard per ogni nuovo stakeholder
• Scrittura di SQL ad hoc per richieste estemporanee
• Integrazione dei divari tra gli strumenti di BI e i dati a monte

La competenza di cui le organizzazioni avevano effettivamente bisogno, ovvero l'inquadramento dei problemi aziendali, è rimasta poco sviluppata. Gli analisti erano impegnati e sovraccarichi di lavoro, ma spesso faticavano a dimostrare il proprio valore. Abbiamo visto tutti innumerevoli cicli di ristrutturazione nei team di dati, mentre le persone faticano a comprendere il proprio valore.

C'è una tensione persistente al centro di questo ruolo: gli esperti tecnici spesso faticano a comprendere il business, mentre le persone con spiccate attitudini commerciali hanno meno probabilità di avere solide competenze tecniche. Le organizzazioni hanno cercato di risolvere questo problema assumendo persone in grado di fare entrambe le cose, ma figure del genere sono rare. Lo abbiamo visto nel corso delle nostre esperienze. Di solito, i leader optano per un mix di competenze all'interno del team piuttosto che per competenze individuali, ad esempio avendo alcune persone molto tecniche che non hanno familiarità con il contesto aziendale e persone meno tecniche che sono più forti nella comunicazione. Ma di solito, nei team più piccoli, questo porta le persone a sentirsi insoddisfatte del proprio ruolo, poiché entrambi i gruppi devono farsi carico di entrambi i tipi di lavoro. Chi è più orientato al business si sente frustrato dalle sfide tecniche, mentre i dipendenti tecnici si sentono frustrati dal dover parlare con il business. Gran parte di questo ha portato a team analitici che si concentrano sulla visualizzazione dei dati piuttosto che sulla risposta alle domande. La proposta di valore fondamentale dell'analisi, ovvero trasformare le informazioni in decisioni, è stata diluita dai meccanismi necessari per spostare i dati da A a B.

Il risultato di tutto ciò è una generazione di analisti in grado di dirti cosa è successo, ma non perché sia importante o cosa fare al riguardo.

L'AI semplifica di nuovo le cose

Ogni nuova ondata di strumenti prometteva di liberare gli analisti dai meccanismi operativi. In pratica, li ha sepolti ancora di più. L'AI cambia questa situazione. Non sostituendo gli analisti, ma automatizzando il lavoro che li teneva sommersi.

Le piattaforme come le AI/BI Dashboards con Genie Code consentono agli utenti di descrivere ciò che desiderano in parole semplici e ottenere in pochi minuti una dashboard funzionante e con uno stile coerente. Le interfacce in linguaggio naturale come Genie One consentono agli stakeholder di porre direttamente domande ad hoc, senza dover inviare una richiesta o attendere in coda. Le definizioni delle metriche possono essere generate e perfezionate automaticamente, con l'AI che funge da coach per allinearle alle effettive esigenze aziendali. Non si tratta di miglioramenti incrementali. Rimuovono intere classi di attrito che, nel tempo, hanno distorto il ruolo dell'analista rendendolo irriconoscibile. Le attività tecniche sono diventate commodity.

Abbiamo visto questo scenario concretizzarsi nella pratica. Un analista di un'organizzazione del settore pubblico doveva creare un modello di segmentazione della clientela, un lavoro che in precedenza richiedeva due mesi tra sviluppo SQL, preparazione dei dati e cicli iterativi con il team di ingegneria. Utilizzando Genie Code, lo ha creato in mezza giornata. L'AI si è occupata dell'esecuzione tecnica; l'analista si è concentrato sulla definizione dei segmenti che contavano davvero per l'azienda. È questo il cambiamento: non meno analisti, ma analisti che dedicano il proprio tempo ad attività che fanno davvero la differenza.

Ma la velocità da sola non rappresenta il valore. Un'AI che risponde perfettamente alla domanda sbagliata commette comunque un errore. Ciò che questa nuova ondata di strumenti rende chiaro è che il collo di bottiglia nell'analisi non è mai stato l'SQL o le dashboard. È sempre stato il giudizio. Qualcuno deve ancora:

• Definire cosa dovrebbe effettivamente misurare l'azienda e perché
• Inquadrare la domanda giusta prima che chiunque metta mano ai dati
• Convalidare che il risultato abbia senso nel contesto
• Interpretare i punti dati per raccomandare una linea d'azione

L'AI non fa nulla di tutto questo. Questo è il lavoro dell'analista. Lo è sempre stato, solo che non abbiamo mai dato loro il tempo di farlo.

L'AI semplifica l'esecuzione. Non possiede l'intento, la responsabilità o le conseguenze. Questa responsabilità rimane saldamente umana.

“Con l'AI che potenzia i processi e automatizza le attività di routine, il giudizio umano, la responsabilità e la titolarità delle decisioni rimangono centrali” - Capgemini Research Institute, The multi-year AI advantage: Building the enterprise of tomorrow, p.6

Ed è qui che il ruolo dell'analista non scompare, ma riemerge.

La rinascita dell'analista: meno SQL, più sostanza

Con l'automazione delle attività tecniche, il valore dell'analista si sposta verso il lavoro che solo gli esseri umani possono svolgere:

Strutturazione dei problemi

La cosa più preziosa che un analista possa fare è aiutare uno stakeholder a formulare la domanda giusta prima che chiunque metta mano ai dati. È più difficile di quanto sembri: il Capgemini Research Institute ha rilevato che "solo il 33% dei leader è in grado di articolare le proprie esigenze a un sistema di Gen AI". Se devi misurare una campagna di marketing, misurare il click-through rate può sembrare un'ottima idea, e potresti chiedere all'AI di misurarlo per te e credere di avere una campagna di successo. Se hai sviluppato tu la campagna, potresti non sentire il bisogno di approfondire. Ma potresti non aver posto la domanda giusta. E se l'e-mail offrisse uno sconto del 90%? In tal caso, dovresti considerare anche il quadro generale dei ricavi. L'analista serve per aiutare a inquadrare il problema e fare da avvocato del diavolo e, senza dover conoscere l'SQL, può concentrarsi sulla comprensione del business e fungere da traduttore.

Contesto e giudizio

Un numero senza contesto è solo un numero. Un analista che conosce il business può dirti che un calo del 5% nella retention è allarmante, ma un calo del 5% in una metrica di cui hai appena cambiato la definizione non ha alcun significato. L'AI non ha questa consapevolezza del contesto. Un buon analista sì.

Questo è ciò che significa all'atto pratico la conoscenza del dominio. Non solo avere familiarità con il settore, ma sapere che il picco di ricavi dell'ultimo trimestre era dovuto a una promozione una tantum. O che la migrazione di un account chiave sta distorcendo i dati. O che un particolare campo è stato corretto manualmente nel CRM per anni perché il sistema a monte non è mai stato sistemato. L'AI non ha memoria di tutto questo.

Man mano che l'AI aumenta il volume e la velocità di generazione degli insight, questo divario non si riduce, ma si amplia. Più output produce l'AI, più c'è bisogno di qualcuno in grado di confrontare ciascuno di essi con la realtà aziendale e chiedersi se abbia effettivamente senso. L'interpretazione umana è il rimedio ai due più grandi difetti dell'AI:

• Le allucinazioni, spesso accompagnate da un eccessivo ottimismo e sicurezza nel modo in cui l'AI risponde.
• La natura probabilistica, che può influire sull'affidabilità dell'AI.

L'analista con una profonda conoscenza del dominio è colui che guarda una dashboard formattata alla perfezione e dice: "Questo numero è sbagliato, e so esattamente perché". Questa capacità non si ottiene con un prompt. Si costruisce in anni di familiarità con il business.

Storytelling e influenza

I dati non guidano le decisioni; le storie sì. Il lavoro dell'analista non consiste nel presentare una tabella di numeri. Consiste nell'entrare in una stanza e dire: "Ecco cosa sta succedendo, ecco perché e ecco cosa penso che dovremmo fare". Le ricerche dimostrano che combinare dati qualitativi e quantitativi è sempre più persuasivo dei soli numeri; le persone ricordano le storie, non le statistiche (Heath & Heath, Made to Stick). Arrivare alla giusta decisione aziendale richiede forti capacità di persuasione e la comprensione del pubblico (HBR: Data Science and the art of persuasion). Nessun LLM potrà mai sostituire questo in un consiglio di amministrazione.

Governance e fiducia

Man mano che l'AI genera più insight, qualcuno deve assicurarsi che siano fondati, verificabili e corretti. Insieme a un buon strumento di catalogazione come Unity Catalog, l'analista diventa il livello di qualità, curando gli output dell'AI, convalidandoli rispetto alla conoscenza del dominio e segnalando quando il modello ha delle allucinazioni o i dati sono errati. Quest'ultimo è un problema molto comune. Molti dati non sono puri. L'inserimento manuale dei dati, i nuovi valori di lookup, gli eventi esterni al sistema. Tutto questo introduce un rumore di cui l'AI non è consapevole. Un analista esperto lo sa e tratta i dati di conseguenza.

Orchestrazione

L'analista moderno non scrive il codice SQL; dirige gli agenti AI che lo fanno. Cura gli spazi Genie, definisce le metriche corrette, struttura le knowledge base e progetta i workflow analitici. Pensatela come una transizione da giocatore a coach, che è ciò che avrebbero dovuto essere fin dall'inizio.

Cosa significa questo per le aziende

Le implicazioni sono pratiche e immediate:

• Assunzioni: Smettetela di valutare gli analisti in base alla loro competenza in SQL. Iniziate a valutarli per la curiosità, l'acume commerciale e le capacità di comunicazione. Le competenze tecniche non sono più l'unica cosa che conta. Prendetevi cura di formare i vostri attuali analisti sulle capacità di pensiero critico.
• Time to Value: Con l'avvento dell'AI, le aziende dovrebbero registrare miglioramenti nel time to value. Tuttavia, devono essere consapevoli che ciò comporterà un rischio di errata interpretazione dovuto ad allucinazioni o alla mancanza di contesto. Le aziende devono assicurarsi di non affidarsi esclusivamente all'AI per le decisioni aziendali importanti; un approccio human-in-the-loop è fondamentale.
• Strumenti: Investite in piattaforme che automatizzano il livello tecnico in modo che i vostri analisti possano concentrarsi sul "quindi?". Se il vostro team passa ancora la maggior parte del tempo a elaborare i dati e a creare dashboard, liberate i vostri analisti dal debito tecnico in cui si trovano.
• Struttura: Inserite gli analisti più vicino ai decisori, non all'interno dei team di dati. Il valore si trova nell'interfaccia tra dati e business, non nella pipeline.
• Misurazione: Smettetela di valutare gli analisti in base al numero di dashboard fornite o di query scritte. Valutateli in base alle decisioni influenzate, alle domande riformulate e alle azioni intraprese.

Il ROI dell'AI nell'analytics non si traduce necessariamente in un minor numero di analisti, ma in analisti che guidano effettivamente le decisioni giuste.

Cosa fare adesso?

Se i vostri analisti passano più tempo a creare dashboard che a rispondere alle domande di business, fornite loro gli strumenti giusti per automatizzare queste attività e aiutateli a sviluppare competenze nel linguaggio del business.

L'analista del futuro scrive meno SQL e pone domande migliori. Passa meno tempo nell'editor di query e più tempo in consiglio di amministrazione. Smette di limitarsi a mostrare i dati e inizia a plasmare le decisioni. Per molti analisti, questo è ciò che hanno sempre desiderato fare. E per coloro che preferiscono l'aspetto tecnico, il campo in forte crescita dell'analytics engineering è esattamente il luogo in cui potranno dare il meglio.

Pronti a liberare i vostri analisti dalla routine delle dashboard? Provate Databricks AI/BI e Genie oggi stesso.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale