AI 取り込みのためのデータの準備

Amplitude AIは、イベント名、プロパティ、説明などお客様のタクソノミーを読み取り、自然言語による質問を適切なデータと照合します。明確な名前付け、重複除外イベント、および文書化されたビジネスコンテキストにより正確な答えが得られますが、曖昧なデータや古いデータにより誤った答えが得られます。 AI でクエリを実行する前にタクソノミーを準備しておくと、最初の時点で正確な回答が返されます。

Amplitude AIを広範囲に展開する前に、またはAIの回答がチームの期待と一致しない場合に、これらの手順を適用してください。 初期イベントタクソノミーをまだ設計している場合は、まずData planning playbookを参照してください。エージェント自体の概要については、「Agents overview」を参照してください。

クリーンなデータがより優れたAIを可能にします

AI用にデータを準備することは、一度限りの作業ではありません。 プロダクトが進化するにつれて、タクソノミーも進化します。データをクリーンに保つためには、継続的な注意が必要です。

イベントを明確に定義し、それらの一貫性を保っている場合：

• エージェントは、汎用モデルが未処理のイベント名をどのように解釈するかだけでなく、お客様のビジネスニーズに関連するインサイトを提供できます。
• チームが AI で生成された分析を修正したり再構築したりするのに費やす時間が短縮されます。
• 最初の回答が信頼できるため、質問からインサイト、そして行動への移行がより迅速になります。

データ準備のための以下のベストプラクティスにデータを合わせてください。

• イベント名とプロパティ名をわかりやすくします。
• 既存のデータに含まれる曖昧さを解消します。
• 不要なデータを削除または非表示にします。
• AIにビジネスコンテキストを提供してください。
• 時間の経過とともにデータを改善するための規則を確立します。

データのクリーン化だけではレポート作成を改善できません。 これにより、AIはチームが信頼するツールとなり、その過程でAmplitudeの体験全体を強化します。

イベント名とプロパティ名をわかりやすくする

AIは、イベント名、プロパティ名、表示名、および説明に基づいてデータが何を表しているかを理解します。明確な名前と説明は、AIが質問を適切なイベントやプロパティに照合するのに役立ちます。イベント名とプロパティ名を明確にし、コンテキストに沿った説明を加えることは、AI用にデータを準備するための最も効果的な方法です。

たとえば、組織のアナリストが「顧客はウェブサイトのナビゲーションからどのくらいの頻度でカテゴリを参照していますか？」と質問したとします。

データに以下のような情報が不足している場合：

AIはカテゴリの閲覧という概念にcatSelectClick結びつかない可能性があります。[表示名]フィールドと[説明]フィールドに情報がなければ、AIはチームがどのようにcatSelectClickを使用しているかを推測できません。間違ったイベントを使用して結果を返したり、一致するものを見つけることができないことをレポートしたりする可能性があります。このことがAmplitude AIへの信頼を損なうことになり、アナリストは最終的にこの作業を手作業で行うことになります。

ただし、データに次のような完全なドキュメントが記載されている場合：

AIは質問を適切なイベントに照合し、正確なチャートを返し、カテゴリ別の内訳などのフォローアップ分析を提案できます。アナリストは、インサイトを生み出すことよりも、その利用に時間を費やしています。

イベント名とプロパティ名の調整

最も多く問い合わせられたイベントとプロパティから始めましょう。 データアシスタント を使用すると、最も重要なイベントとプロパティを識別できます。次に、そのサブセットを更新します。

• 自然言語で表示名を追加する：略語ではなく、AI と人間の両方にとって理解しやすい名前に表示名を変更してください。たとえば、catSelectClick は Category Selected になり、pgVw は Page Viewed になります。
• 実装ではなく意図を説明する説明を書く：説明を更新して、イベントがなぜ重要なのかを説明してください。
  • 「ナビ コンポーネントのクリック時に発火する」という説明は、イベントが発生したタイミングを説明していますが、それ以上の文脈は示していません。
  • 「カスタマーがナビゲーション メニューからプロダクト カテゴリを選択したときにトリガーされます」という説明は、AIに環境に必要なコンテキストを提供します。
• コード化された値を人間が読めるラベルにマップする: プロパティ値が sku_29881 の場合、その値には固有の情報が含まれていないため、AI はコンテキストを解釈できません。 その SKU はあらゆるものに関連する可能性があります。ルックアップテーブルを使用して、これらの値をプロダクトまたはアイテムの説明にマッピングします。たとえば、sku_29881 は Women's BrandX Running Shoe にマッピングされる可能性があります。

これは特にグループ化やフィルタで使用されるプロパティにとって重要です。

イベントを分類: タクソノミーを整理してAIの対象範囲を絞り込みます。「タクソノミーの計画」に移動して、カテゴリ化アーキテクチャを設計してください。定義されたタクソノミーは、人間の同僚にも役立ちます。

Amplitudeは表示名と説明を使用して、自然言語による質問を正しいイベントと照合します。 これらがないと、間違ったイベントを選択するか、「結果なし (No Result)」メッセージを返す可能性があります。これらがあれば、曖昧さを正しく解決でき、チームは出力を信頼できます。これらの同じ改善により、ダッシュボードの読みやすさが向上し、イベントの意味についてのやり取りを減らすことができます。

既存データ内の曖昧さを解消

複数のイベントが同じアクションをキャプチャした場合、データの曖昧さが発生します。 あるいは、類似したイベント間の違いが明らかでない場合に発生します。ダッシュボードやチャートが類似または同一の情報を異なる方法でレポートする場合、それは混乱の原因となります。分析するイベントを選択する際、AIに影響を与えます。なぜなら、AIは曖昧なデータがどのように重複しているかを理解できない可能性があるからです。

たとえば、タクソノミーには2つのイベントがあります: played songおよび song played。どちらのイベントも、ユーザーがプレイリストから曲をストリーミングしたときをキャプチャします。これらは同じアクションを表すため、重複を排除するためにそれらを1つのイベントに変換できます。

類似した名前のイベントが異なる情報を取得する場合、それらをソースを区別するプロパティを持つ単一のイベントに統合します。 たとえば、played songがウェブサイトで再生された曲をトラッキングし、song playedがアプリで再生された曲をトラッキングする場合、プラットフォームプロパティを持つ1つのイベントを使用します。

チームにイベントを統合する時間や能力がない場合は、個々のイベントに明確な説明を追加してください。 説明では、名前の類似したイベントがどのように異なっているかを説明する必要があります。

これは、一貫性を保つためだけにイベント名を変更する必要があるという意味ではありません。 たとえば、played songという名前のイベントが何年も前から存在し、広く使用されている場合、タイトルケースの書式に合わせてPlayed Songに変更すると、アナリストがその変更を予期していない場合に混乱を引き起こす可能性があります。意味の明確さはフォーマットよりも重要です。 今後は書式設定と命名規則を調整することを計画してください。 これにより、後の実装でも一貫性が確保されます。

データ内の曖昧さを排除する

• セマンティック重複の監査: 同じユーザーの行動を異なる名前で記述するイベントをタクソノミーで検索します。一般的なパターンには、従来の命名法と現在の命名法、プラットフォーム固有のバリエーション (signup ではなく ios_signup など)、テスト終了後に誰も削除しなかったテストイベントなどがあります。
• 可能な場合はマージまたは変換：played songとsong_play_eventが同じ動作をキャプチャする場合、Amplitudeのマージまたは変換機能を使用して、それらを単一のイベントにまとめます。
• マージが実行不可能な場合は、曖昧さを解消する説明を追加してください：似ているように見える2つのイベントが、まったく異なるアクションをキャプチャしている場合があります。この場合、「説明」フィールドを使用して、「このイベントは X をキャプチャします。Y については、代わりに[別のイベント]を使用してください」と明示的に述べてください。 これにより、AI とチームは 2 つのイベントを区別できます。
• 明らかに使用されていないものを削除する：イベントが数か月間発生しておらず、保存済みのチャートで参照されていない場合は、おそらく削除できます。

イベントを選択する際にAIがユーザーのタクソノミー全体を評価します。重複またはほぼ重複するイベントは、誤った一致を生み出します。 AIが分類する無関係なイベントが少ないほど、より一貫して正しいイベントを選択できるようになります。

このクリーンアップはチームにとっても役立ちます。新しいプロジェクトやドメインに参画したアナリストは、イベントの正確性を確信できます。イベントの確認に余計な労力を費やす必要はありません。

不要なデータを削除または非表示にする

イベントを信頼してそのイベントを中心にダッシュボードを作成できない場合、Amplitude AI もそれに依存すべきではありません。 古くなったイベント、テストイベント、廃止されたイベントはタクソノミーを混乱させ、AIで生成された分析に対する信頼性を低下させるノイズを引き起こします。

不要なデータの削除

• 廃止されたイベント、古くなったイベント、またはテスト関連のイベントを非表示または削除する：誰かがQAサイクル用のイベントを作成した場合や、そのイベントがもはや計測されていない場合は、表示可能なタクソノミーからそのイベントを削除します。
• エンタープライズユーザー向け：Automated Tasksは古いイベントを自動的に削除し、テストデータを自動的に識別します。これにより、手動による監査は、繰り返し行われる自動クリーンアップ作業に移行されます。

AIは、分析を構築する際に目に見えるすべてのイベントを潜在的な入力として扱います。不要なデータや無関係なデータを削除することで、AIが重要なイベントにのみ集中できるようにします。信号数が少なく品質が高いため、結果の信頼性が高くなります。 チームにとって、より小さくターゲットを絞ったタクソノミーを採用することで、イベント検出が迅速になり、ダッシュボードがクリーンになり、データを探索する際の混乱が軽減されます。

AIのためのビジネスコンテキストを提供

クリアなイベントとプロパティは、全体像の一部にすぎません。 AIが真に役立つためには、ビジネスの仕組みやチームが成功をどのように定義しているかを理解することも必要です。

収益モデル、社内用語、チームが"コンバージョン"、"アクティベーション"、または"リテンション"などの指標をどのように定義しているかを共有すると、Amplitude AIはチームと同じ方法で質問を解釈できます。このコンテキストを共有することで、分析結果は生のイベント構造に完全に依存するのではなく、ビジネスの運営方法を反映できます。

コンテキストの提供

_プロジェクト設定 > AIコントロール_に移動し、以下を定義します：

• 貴社の業務内容とユーザーの種類: これにより、AIは適切なドメインの質問を解釈できます。「注文」とは、eコマース企業やレストランの配達アプリ、またはヘルスケアプラットフォームにとって異なる意味を持つものです。
• コア指標とその定義方法：アクティベーションとは何ですか？ コンバージョン？リテンション？資格のあるユーザーですか？ 具体的に説明するチームが使用するイベント、しきい値、時間枠を含めてください。
• 社内用語: チームが「ワークスペース」、「キャンペーン」、「取引」などの用語を使用している場合は、これらの用語がチームにとって何を意味するかを定義してください。 AIはユーザーの質問でこれらの用語を見つけ、それらを正しいイベントとプロパティにマッピングします。
• 分析の設定: AIに次のタイプの質問に回答させる:
  • 通常、週次または月次の粒度を確認していますか?
  • 社内ユーザーを分析対象から除外していますか?
  • 標準的なセグメント（無料、有料、地域別など）はありますか？

ビジネスコンテキストは、AmplitudeにおけるあらゆるAIベースのインタラクションの基盤として機能します。 グローバルエージェントからデータ上に構築されたその他のAI機能まで、Amplitudeの使用方法に関するコンテキストは重要です。 コンテキストがなければ、AIはオンボーディングを受けていない有能なアナリストです。コンテキストを活用することで、AIはビジネスの仕組みや関心事、成功を測定する方法に合わせて分析を調整できます。

このコンテキストの設定方法の詳細については、「AIコンテキスト」を参照してください。

時間の経過とともにデータを改善するための規則を確立する

これまでのセクションでは、現在使用しているデータについて説明しました。 このセクションでは、実装の拡大に伴ってデータ構造を保護することに重点を置いています。

Amplitudeの利用を開始した時点からイベントを正しく計測するほうが、後でイベントを統合、マージ、クリーンアップするよりも簡単です。AIは、データのパターンが一貫しており、命名方法が予測可能な場合に最も効果的です。明確な規則は、手直しを減らし、重複を防ぎ、新しいチームや機能、ユースケースを追加する際にデータの品質を維持するのに役立ちます。 これらのベストプラクティスに沿うことで、新しいチームメンバーや AI がお客様のデータモデルをより簡単に理解できるようになります。

規約の確立

• 命名規則を定義し、Amplitude Dataの設定にそれを文書化します。フォーマットを選択し（たとえば、イベントにはタイトルケース、プロパティにはsnake_caseを使用）、実装中にそれを適用します。
• トラッキングプランを積極的に活用しましょう。計測を開始する前にイベント定義を追加してください。追跡計画は真実に関する唯一の情報源であり、作業の開始時に何かに正しく名前を付ける方が、後でそれを統合したり名前を変更したりするよりも簡単です。
• 実装レビューに命名基準を含める：タクソノミーの衛生状態をコードレビューと同じように扱います。出荷前に問題を把握できます。

一貫した命名法により、AIが行わなければならない曖昧さ回避に関する決定の数が減ります。パターンが予測可能な場合、AIはこれまでクエリされたことがないイベントについても、自信を持って質問をイベントと一致させることができます。チームにとって、規約は手直しを減らし、重複を防ぎ、新しいチームメンバーがガイド付きツアーなしでデータモデルを簡単に理解できるようにします。